Роботы долгое время умели одно: безупречно копировать заученные движения. Но стоило реальности чуть отклониться от сценария — и они терялись. Теперь одна компания заявляет, что переломила эту ситуацию. Ее робот достигает 99% успеха в реальных задачах — не в лаборатории, а на производстве и в быту. Разработчики утверждают: машина понимает окружающий мир и адаптируется на ходу.

Решение предложил Generalist — стартап, который строит базовые модели для роботов общего назначения. Его основал бывший исследователь Google DeepMind. Nvidia вложилась в компанию на раннем этапе.

Generalist собрала данные необычным способом. Компания использует дешевые носимые датчики — их крепят на запястья людей. Так собирают огромные массивы реальных физических действий. И дообучают роботов.

В IEEE Spectrum на днях показали ролик с гуманоидом Digit от Agility Robotics, который танцует неожиданно легко и уверенно. Компания объясняет это не постановкой каждого шага отдельно, как это делали раньше, а новым циклом обучения: движения собирают из данных захвата движений, анимации и телеуправления, после чего навык докручивают в симуляции и переносят на реального робота. А значит, теперь гуманоидов можно заметно быстрее обучать новым движениям.

AMI предлагает смотреть на модель мира не как на разновидность языкового ИИ, а как на систему, способную воспринимать физическую реальность, выделять в ней ключевые связи и предсказывать последствия действий. В статье разберем, как компания понимает сенсорные данные, почему делает ставку на скрытые представления вместо реконструкции «сырого» мира и зачем связывает понимание среды с возможностью прогнозировать будущее поведение агента.

Умные пылесосы у многих дома живут уже давно. Но вот роботы, похожие на людей, пока в повседневности так и не появились. Хотя мы уже минимум столетие читаем про них в фантастических книгах и много десятков лет смотрим в кино. Поэтому нельзя сказать, что человечество не хочет, чтоб с домашними делами ему помогал металлический прямоходящий друг. Хочет! И эта идея уже давно живет в наших головах. Мы представляли роботов именно такими — похожими на нас. Но почему же у нас в домах они до сих пор не появились? 

Новость о том, что американский стартап Sunday привлек 165 млн долларов при оценке в 1,15 млрд долларов для развития домашнего робота Memo, выглядит как очередная монетка в копилку ИИ-хайпа. Инвесторы всё поняли, приняли и начали финансировать саму идею домашнего робота как будущего массового продукта. Наконец-то! Но пока это скорее яркий концепт и мечта компании. Потому что Sunday обещает тесты в реальных семьях уже в 2026 году, но признает, что один робот пока обходится примерно в 20 тыс. долларов, если производство не масштабировать. Экономика индустрии только формируется, но если испытания пройдут успешно, то, возможно, скоро у нас дома будут жить настоящие человекоподобные роботы-помощники. Но это только при условии, что все сложится — успешные испытания, снижение цены за счет масштабирования и устойчивый спрос на рынке.

Часто полезные данные для обучения ИИ — побочный продукт от действий пользователя в игре, навигаторе или фитнес-приложении. Пользователь делает то, ради чего пришел: ловит виртуальных шушпанчиков, катается на велосипеде, объезжает пробки, вводит капчу — а где-то фоново формируется датасет. Это уже много обсуждали в комментариях к истории использования данных Pokémon Go для обучения пространственного ИИ (spatial AI). 

В этом материале я расскажу о кейсе Pokémon Go и о том, как работает использование данных из приложений.

В первой части мы разобрали, что такое single-cell protein (SCP), зачем он нужен и как его производят. Если коротко, речь идет о белке из микроорганизмов — бактерий, дрожжей, грибов или микроводорослей, — которые выращивают в ферментерах и превращают в пищевой или кормовой ингредиент.

Технология выглядит убедительно: она обещает высокий выход белка, гибкость по сырью и меньшую зависимость от традиционного сельского хозяйства. Но если все так хорошо, возникает логичный вопрос: почему микробный белок до сих пор не стал обычным продуктом на нашей тарелке?

Ответ лежит в нескольких плоскостях: рынок, регуляторы, безопасность, цена, органолептические свойства и масштаб. Именно поэтому сейчас SCP гораздо чаще находит применение в кормах, чем в массовом питании человека.

Когда говорят о еде будущего, чаще вспоминают искусственное мясо от Билла Гейтса, порошки из насекомых или растительные котлеты. Но одна из самых практичных и при этом наименее медийных технологий развивается в другом направлении — это белок, полученный из бактерий, дрожжей и подобных микроорганизмов. Не в переносном смысле, а буквально: микроорганизмы выращивают в ферментерах, получают богатую белком биомассу, очищают, сушат и превращают в ингредиент для пищи или кормов. В научной литературе такой класс продуктов обычно относят к single-cell protein (SCP) — одноклеточному белку.

Дисклеймер: хотя в заголовке речь про протеин из бактерий, уточню, что одноклеточный белок может производиться из разных микроорганизмов — бактерий, микроводорослей, нитчатых грибов и дрожжей.

Когда в медиа появилась новость, что выращенный в лаборатории мозговой органоид научили решать задачу управления, многие увидели в этом очередную научную сенсацию из серии «человечество создало живой компьютер». Другие, наоборот, отмахнулись: мол, это красивый эксперимент, который не имеет отношения к реальной индустрии и никогда не выйдет за пределы научной статьи. Обе реакции понятны, но обе упускают главное.

Ценность подобных работ в другом: они показывают, что на стыке вычислительной техники, нейронауки и биоинженерии постепенно формируется новое поле, в котором вычисление перестает быть исключительно задачей кремниевой электроники в ее привычном виде. Еще недавно разговор о нейроморфных системах воспринимался как смесь академической романтики и идеологического футуризма. Но теперь у этого разговора появляются собственные артефакты — метрики, архитектуры, платформы, ранние продукты и, что особенно важно, инженерные ограничения, которые уже можно обсуждать всерьез.

Поговорим о том, что такое нейроморфные вычисления, почему ими занимаются не только нейробиологи, но и крупнейшие технологические компании, почему между лабораторным прототипом и настоящим рынком лежит огромная дистанция и как, несмотря на разрыв, за развитием этой сферы уже стоит следить почти так же внимательно, как когда-то за первыми GPU-ускорителями, квантовыми компьютерами или edge AI.

В робототехнике давно умеют делать машины, которые быстро двигаются, не падают на ровной поверхности и производят впечатление на видео. Но в 2026 году планка выросла. Теперь всех заботит целый ряд вопросов… А способен ли робот сохранять управление на высокой скорости? Сможет ли без падений передвигаться даже по льду, траве, песку, снегу? Что он будет делать, если дорожка из щебня перейдет в газон или внезапно возникнет препятствие? Как отреагирует на столкновение? Новая концепция, которую для красочности нарекли «рожденный двигаться» (Born to Run), отвечает на этот вопрос. Новый класс роботов проектируют для движения в условиях постоянной неопределенности — наконец-то все как в жизни, а не на демонстрационной трассе.

Разбираем работу ученых Северо-Западного университета. Исследователи представили legged metamachines — модульных роботов, собранных из автономных, напоминающих детальки конструктора Lego блоков с собственными мотором, батареей и вычислителем. Эти системы могут объединяться в разные конфигурации, менять структуру, восстанавливаться после повреждений и продолжать движение. Для отрасли это означает, что устойчивость больше не зависит от качества одного контроллера, она становится свойством всей архитектуры робота, от компоновки и привода до алгоритма принятия решений и способности системы реорганизоваться под новую задачу.

Исследования IBM, ReliaQuest и Resilience показывают, что ИИ сделал киберпреступность гораздо эффективней. У злоумышленников стало меньше барьеров для входа, больше возможностей для масштабирования. При этом главные слабые места остаются прежними: слабые процедуры help desk, плохая видимость устройств, ошибки в управлении доступом, компрометация почты и мошеннические переводы. Искусственный интеллект ускорил старые схемы, удешевил их и масштабировал. Теперь черные страшные хакеры используют генеративные модели для правдоподобного фишинга, социальной инженерии и ускорения вторжений, а окно на реакцию у светлой стороны силы — старых добрых безопасников — резко сжалось до нескольких минут. Попробуй успей… 

Разберем основные тезисы отчета Cyber Risk Report 2025, выпущенного компанией Resilience совместно с ее аналитическим подразделением ROC (Resilience Risk Operations Center).

В конце февраля 2026 года в сети появилась новость о том, что в Китае наткнулись на крупнейшее золотое месторождение в мире — Вангу в провинции Хунань. Новость разошлась по соцсетям как свежая сенсация. Но в реальности сообщение об этом китайская сторона опубликовала еще в ноябре 2024-го. Так найденное больше года назад геологическое открытие лёгким движением руки журналистов превратилось в глобальный инфоповод второй раз — уже на волне рекордных цен на золото и всеобщего интереса к стратегическим ресурсам.

Сейчас оптимизируют все и везде, и не только в ИТ: логистику, энергетику, производство, медицину. Даже в сельском хозяйстве чаще начинают считать эффективность почти как инженеры: сколько ресурсов уходит, сколько получается продукта и можно ли систему сделать быстрее, дешевле и компактнее.

И вот в привычном агропроме появляются… сверчки, мухи или львинки. И они уже даже используются в пищевой промышленности. Пока в основном в кормах для животных, но не только. Первыми под прицелом, по всей видимости, окажутся протеиновые коктейли и снеки. Насекомоведение в пище становится предметом серьезных исследований, инвестиций и аграрной политики. Поэтому имеет смысл спокойно разобраться, что на самом деле происходит, зачем это нужно и действительно ли насекомые могут стать дешевым источником белка или эта история пока сильно опережает реальность.

Искусственный интеллект меняет не только ИТ, но и привычное распределение ресурсов в мировой экономике. Бум дата-центров и рост спроса на вычислительные мощности требует все больше ресурсов, которые используют более традиционные промышленные отрасли. Медь в этой новой конфигурации становится металлом ИИ-инфраструктуры, алюминий — энергосетей. Получается настоящий промышленный триллер: с нехваткой предложения, ростом издержек и конкуренцией за сырье и электроэнергию. В итоге развитие технологий ИИ упирается в дефицит еще на одном рынке, и в этом материале я покажу, как он формируется.

Еще совсем недавно электромобили подавались как безальтернативное будущее. Не просто новый тип транспорта, а единственная морально правильная форма передвижения: тихая, цифровая, экологичная, прогрессивная. Машина как смартфон на колесах, только большая и с батарейкой.

На этом образе и выстрелила Tesla. OTA-обновления, автопилот, огромный экран, минимализм, ощущение, что ты покупаешь не машину, а подписку на будущее. Производители классических автомобилей сначала посмеивались, потом испугались, потом дружно побежали перестраивать линейки, обещая в считаные годы отказаться от ДВС. Казалось, еще немного — и бензиновая машина станет чем-то вроде кнопочного телефона.

А потом что-то пошло не так. В новостях начали мелькать заголовки о падении продаж, откате стратегий, замедлении спроса, разочаровании покупателей и кризисе самой идеи электрических авто. Одни бренды срочно возвращают гибриды, другие переносят запуск электрических моделей, третьи вдруг вспоминают, что двигатель внутреннего сгорания вообще-то еще не умер и местами чувствует себя вполне бодро.

Но если снизить градус драмы и перестать смотреть на рынок исключительно через кейс Tesla, выяснится любопытная вещь: электромобили в Европе вовсе не рухнули. Более того, рынок в целом продолжает расти.

Проблема не в том, что электрокары «никому не нужны». А в том, что после фазы эйфории рынок вошел в более скучную, но куда более честную фазу: конкуренции, ценового давления, смены лидеров, зависимости от субсидий и волн популярности отдельных моделей. То есть будущее не отменилось. Просто оказалось не таким гладким и блестящим, как обещали в рекламных роликах.

Принято считать, что ИТ-компании — про код, облака и бюджеты в виде циферок на кошельке. Никаких складов, станков и сейфов — только серверы и строки в балансе. Но реальность 2026 года выглядит иначе. Те, кто когда-то обещал, что «программное обеспечение съест мир», сегодня активно скупают то, что нельзя обновить патчем и перезапустить — физическую инфраструктуру и реальные активы.

Когда-то программное обеспечение «съело мир». Теперь Уолл-стрит всерьёз обсуждает другой сценарий: а что если искусственный интеллект начнёт поедать само программное обеспечение — его бизнес-модели, доходность и прибыль?

За несколько дней инвесторы списали сотни миллиардов долларов капитализации с компаний, которые ещё вчера считались главными бенефициарами ИИ. Причина парадоксальна: рынок начал сомневаться, что программное обеспечение вообще сохранит прежнюю ценность. Похоже, мы переживаем момент истории, когда технологический прогресс впервые воспринимается не как источник роста, а как угроза самой индустрии, которая этот прогресс создала.

Кто зарабатывает больше, какие навыки нужны и как попасть на первую работу, если ты джун. Разбираем две профессии: разработчик и системный инженер. Это два пути в ИТ, но для каждого нужны свои навыки. Вместе с экспертами разбираемся с порогом входа, обязанностями и рабочим днём этих специалистов.

Привет, Хабр! Меня зовут Маша Даровская, я шефред издания Тпрогер, веду канал Деврелишна, снимаю подкасты про айти.

В последнее время мне много говорили об изменениях на рынке найма в айти и я решила эту тему исследовать. В этой статье — результаты опроса и ключевые инсайты о зарплатах, поиске работы и текущем настроении айтишников.

Кого опрашивала:
Итак, я опросила 128 человек, из которых 50,4% сеньоры, 41,2% мидлы, остальные 5% и 3,4% — CTO/CEO и джуны соответственно.

Что, если пользовательские истории не работают? Что, если заказчик не понимает, чего он хочет, а команда тонет в предположениях? Андрей Шапиро  @xraizor — дизайнер интерфейсов и соавтор фреймворка проектирования социотехнических систем — рассказывает о «Карте реализации историй» (КРИ) — практическом методе проектирования, который помогает вытащить смысл из хаоса, превратить знания в структуру и наконец-то начать делать сложные продукты осознанно.

Когда мы слышим слово «игры», у многих в голове сразу всплывают образы безделья, «убийства времени» или побега от реальности. Но игры — это не только развлечение. Они могут стать мостиком к лучшей версии себя. Рассказываем, как именно игры помогают перепрограммировать вредные привычки, тренировать мозг, чтобы замедлить возрастные изменения, и даже превратить сложную математику в интуитивно понятные правила.

Юля Бородина — геймер со стажем и экс-продюсер игры Lineage 2, руководит направлением геймдев в Skillbox, продюсирует курсы по разработке игр на Unity, а также лидирует игровую студию Gamebox, которая выпустила на рынок более 50 игр. Многие из них вошли в топы лучших инди-игр 2023 года по версии IndieDB, IXBT, Синеус, RuStore. Выпускники направления геймдев под Юлиным началом работают над Overwatch, Fortnite, League of Legends, Escape from Tarkov, Atomic Heart и прочими известными играми. 

Сейчас много говорят о вреде компьютерных игр. Но не всё так однозначно! На эфире для экспертов комьюнити Skillbox IT Experts Юля рассказала о том, как игры помогают: лечить деменцию, бросать курить, изучать матанализ.