В Москве реализуют сразу 2 инновационных проекта для повышения эффективности транспортной системы.
С момента запуска беспилотный и автономные трамваи:
🔹 перевезли более 1,6 млн пассажиров
🔹 совершили около 25 тыс. рейсов
🔹 проехали свыше 384 тыс. км
DJI превратила дрон из игрушки для гиков в массовый гаджет и покорила мировой рынок видео. Но знаете, что самое удивительное? Их главный продукт - вовсе не дроны. Двигатель успеха DJI скрыт внутри, и именно он сделал компанию глобальным лидером. Разбираемся, что это такое.
Перед тем как перейти к главному, нужно немного контекста - чтобы стало понятно, каких масштабов скачок совершила DJI всего за какие-то 15 лет. И почему именно так родилось их главное ноу-хау.
В начале 2010-х дрон - это либо игрушка для гиков, либо DIY-конструктор для «сам-себе-пилотов».
Слева - «набор юного дронодела» от Mikrokopter. Справа - AR.Drone от Parrot, одного из лидеров тех лет. Тогда это был почти космос: управление со смартфона, камера. Но сегодня без улыбки не взглянешь.
Ещё были военные дроны, но они больше напоминали мини-самолёты. Были и узкоспециализированные коммерческие БПЛА - для распыления удобрений, доставки лекарств и прочего. Но это совсем другие рынки, речь сейчас не о них, а о «потребительских» дронах для обычных людей.
В 2012 году весь мировой рынок потребительских дронов оценивался в жалкие 20–40 млн долларов. Тогда это была маленькая ниша, которую толком никто не считал, поэтому точных данных нет — но порядок примерно такой.
Лидировали Parrot, Hubsan, Syma, Walkera и ещё несколько компаний, названия которых вы, скорее всего, даже не слышали. Очень показательно, что у половины из них в описании значилось «производство игрушек».
Ещё в середине 2000-х были популярны DIY-коптеры - наборы, из которых энтузиасты собирали свои кастомные дроны. Но собрать раму, моторы и пропеллеры - это только половина дела. Чтобы дрон летал, ему нужен полётный контроллер (flight controller) - «мозг», который получает данные со всех датчиков, анализирует их и управляет моторами, чтобы дрон держал высоту, не заваливался и слушался пилота.
Готовых полётных контроллеров для DIY-дронов почти не существовало. В этом сегменте была прямо беда: или слишком дорогие, или слишком тяжёлые, или просто ни о чём.
И вот в Гонконгском университете учится парень по имени Ван Тао. Он фанатеет от всякой летающей техники и решает: «А почему бы не сделать нормальную полётную систему самому?» Ван Тао собирает пару друзей-инженеров, и за 2006–2007 годы они собирают первый рабочий контроллер. Прямо в общаге.
Это был старт DJI.
Ван Тао (он же Фрэнк Ван) - очень колоритный персонаж, больше похожий на рэпера, чем на инженера. А 2006 год считается официальным годом основания DJI, и именно с продажи этих первых контроллеров всё началось.
Команда начала продавать свои контроллеры через форумы и маленькие магазины радиотехники. Появились первые деньги, небольшой офис в Шэньчжэне, первое оборудование и сотрудники. Ещё Ван Тао получил пару научных грантов - и работа поехала.
DJI продолжала улучшать свои полётные контроллеры: точнее считывать сенсоры, лучше стабилизировать полёт, добавлять автопилот. К 2011 году у компании было уже несколько поколений «мозгов для дронов». Параллельно они сделали собственные моторы, пропеллеры и раму - и в 2011 собрали свой первый DIY-набор: DJI Flame Wheel.
Вот такой.
В 2013 году выходит первый DJI Phantom — настоящий бэнгер. Он быстро становится популярным и превращается в золотой стандарт (ну, для того времени).
Phantom резко отличался от конкурентов. Он летал «из коробки»: без настройки, без допиливания, без танцев с подвесами. Он стабильно висел в воздухе, адекватно управлялся и запускался как с пульта, так и из приложения.
Первый Phantom снимал на прикрученный GoPro, но уже во второй версии появилась фирменная камера 1080.
Перенесёмся в 2017. С момента выхода Phantom прошло всего четыре года, а рынок вырос до 0,5-1 млрд $ (по разным оценкам - например, вот или вот). Сегодня же рынок потребительских дронов - это 5-6 млрд $. Сопоставимо с рынками игровых ноутбуков или фитнес-браслетов. К 2032 году прогнозируют рост до 15-16 млрд $, это уже совсем большая индустрия.
Phantom изменил все правила игры. Дроны перестали быть игрушкой и стали инструментом для съёмки уникального по тем временам видео. Да, такие дроны существовали и раньше, но стоили безумных денег. А DJI дала это за 680 долларов - и ниже мы разберём, как им удалось достичь такого ценника.
Рынок взорвался. Фотографы, видеографы и обычные пользователи начали массово покупать коптеры, а DJI быстро стала одним из лидеров рынка.
И как только функция дрона сместилась от «игрушки» к «камере с крыльями» — DJI выпускает свою главную инновацию, которая превратит их из просто перспективного стартапа в мировой бренд.
Когда дрон перестал быть «прикольной леталкой для энтузиастов» и стал полноценным инструментом для съёмки, у него появилась новая главная функция (= новое главное требование юзера) — давать стабильную, плавную картинку. И именно эта трансформация подводит нас к самому важному элементу успеха DJI.
Итак, вопрос: что нужно, чтобы маленькая летающая штука, которая постоянно крутится, маневрирует и трясётся на ветру, выдавала идеально ровное видео?
Правильно - стабилизатор. И это далеко не одна деталь, а целая система.
Камера (не важно - встроенная собственная или прикрученная «гоупрошка») крепится через подвес - «гимбал». Эта штука умеет мгновенно поворачиваться по трём осям, удерживая камеру в нужном положении с точностью до долей градуса.
Внутри гимбала стоит свой IMU (Inertial Measurement Unit) - мини-компьютер, который постоянно рассчитывает ориентацию камеры. У самого дрона есть свой IMU плюс набор датчиков.
И дрон, и гимбал снабжены гироскопами (меряют наклон) и акселерометрами (ловят ускорения и вибрации). Эти два «мозга» постоянно обмениваются данными, синхронизируются и дают команду моторам компенсировать любое движение дрона.
Схема простая по смыслу, но довольно мудрёная по реализации. Но если кратко, то работает так:
данные дрона + данные камеры
↓
гимбал с камерой
↓
микроповороты гимбала по трём осям + команды моторам дрона
↓
стабильный полёт + идеально ровная картинка.
И что важно: как только дроны превратились в «камеры с крыльями», система стабилизации стала ключевым компонентом. И главный секрет DJI - это как раз их собственный, крайне мощный и эффективный стабилизатор.
Но как они его сделали?
На схеме выше видно: данные с дрона приходят в полётный контроллер, а уже оттуда идут в гимбал. А полётный контроллер у DJI к тому моменту уже был свой - со всеми гироскопами, акселерометрами, автопилотом и собственным ПО. То есть у них была база, которую можно было развивать дальше. И они начали.
В 2012 году DJI выпускает Zenmuse Z15 - первый профессиональный подвес для зеркальных камер. Три фирменных мотора, свой контроллер, свой IMU, собственные алгоритмы стабилизации. Гимбал ещё был не полностью свой, но вся остальная система - уже да.
Zenmuse был дорогим (больше $3000), но зато стал эталоном для киношников. До него ничего подобного просто не существовало.
А дальше DJI занялась национальным китайским спортом - удешевлением технологии. В 2013 выходит «потребительская» версия - Zenmuse H3-2D, проще и легче, зато сильно дешевле, специально под GoPro.
В 2014–2016 годах DJI переходит на собственные камеры. Сначала они покупали сенсоры у Sony, но быстро начали собирать их сами, а в результате вообще заменили почти все компоненты на свои. Полностью всё делать смысла не было - отдельные детали выгоднее закупать при любых раскладах.
В 2015 серия Phantom получает собственный модуль «камера + стабилизатор». А в 2016 выходит Mavic Pro — первый представитель культовой линейки складных дронов, которые снимают как профессиональные камеры.
На фото Pro Mini 3 и Pro Mini 4 - самые народные хиты из линейки Mavic.
Параллельно DJI запускает линейку Osmo - не дроны, а ручные стабилизаторы и камеры: от больших профессиональных кинорешений до маленьких стабиков для блогеров.
Вот таких, например. У меня тоже есть ручной стабилизатор Osmo для видосов, отличная штука.
Потом добавились микрофоны, петлички и прочие гаджеты - стандартная диверсификация внутри уже освоенного рынка.
И вот что показательно: успех Osmo случился сразу после того, как DJI обкатала свою технологию стабилизации на дронах. Хотя Osmo - вообще не дрон. Но это и есть суть компании:
DJI делает не дроны, а одни из лучших систем стабилизации в мире.
А куда эту технологию встроить - в летающую камеру или в ручную - это уже вопрос коммерции.
Но, возможно, вы спросите: «Почему всё это сделали они - небольшой стартап, а не какие-нибудь богатые конкуренты?»
Вот это как раз важный момент. И он лучше всего раскрывает настоящую природу DJI - душу этой компании.
Помните, я выше писал, что первый полётный контроллер DJI делали буквально в общаге? Время шло, появился огромный офис, куча сотрудников, деньги, инвесторы - но подход компании не изменился.
DJI с самого начала не хотела зависеть от поставщиков. Если твой продукт собран из чужих технологий, ты всегда зависишь от внешних капризов: один поставщик поднял цену, другой поменял спецификацию, третий задержал поставку, четвёртый вообще ушёл с рынка.
И в итоге:
Теряется скорость и гибкость - особенно критично в бешеном ритме китайского рынка. Не выпустил новую модель раньше конкурента - и всё, вас сожрали.
Невозможно агрессивно оптимизировать себестоимость - чужие компоненты всегда стоят дороже своих (ну, когда речь идёт о серийном производстве), потому что поставщик закладывает свою прибыль.
И главное - нельзя идеально состыковать все модули и прошить систему единым, цельным ПО. Ну знаете, чтобы как у Apple.
Поэтому в DJI решили: всё критичное - делаем сами. Производство железа можно отдавать подрядчикам (их в Китае море - про таких у меня есть отдельная статья), но архитектура, электроника, алгоритмы и ПО - только свои.
В статье по этой ссылке я подробно разбираю китайские мега-фабрики, которые спроектируют и произведут за вас любой гаджет. На примере рынка смартфонов. Но DJI их услугами пользуется нечасто.
Такая стратегия - не каприз Ван Тао, а логичная необходимость. Когда DJI делала первый контроллер в 2006-м, она пыталась купить сторонние IMU. Но оказалось, что они:
а) слишком дорогие,
б) слишком тяжёлые,
в) слишком грубые и нечувствительные для маленьких коптеров.
Пришлось делать свой IMU. Получилось. И после этого делать свои моторы, свои регуляторы скорости (Electronic Speed Controller, ESC) и другие системы было уже не страшно.
А ещё важно: до DJI «потребительских» дронов как полноценной индустрии просто не существовало. Рынка не было → типовых решений не было → готовых технологий не было. Хочешь что-то нормальное - делай сам.
Но даже когда на рынке дронов появлялись готовые технологии, DJI всё равно часто предпочитала разрабатывать собственные. И вот почему:
В то время (начало-середине 2010-х) в Китае было море фабрик, готовых производить всё что угодно - дёшево и быстро. А вот разработчиков технологий не хватало.
И Ван Тао не хотел становиться «ещё одной фабрикой».
Фабрика - это низкая маржа, адская конкуренция и постоянная борьба за выживание. А создатель технологий - это сильный бренд, высокая прибыль, уникальная позиция на рынке и щедрая поддержка китайского государства (и я даже не про роль DJI в китайских военных технологиях, а в целом).
Вереницы «мавиков» выезжают с конвейера на фабрике DJI.
А ещё, как мы видели выше, одну технологию можно масштабировать в десятки продуктов: стабилизаторы для дронов → стабилизаторы для камер.
DJI родилась и выросла в Шэньчжэне - технологической столице Китая.
Там же выросли Tencent, Huawei, Oppo, Vivo, OnePlus, BYD и куча других. В общем, это китайская «Кремниевая долина».
Если технологическая компания работает в Шэньчжэне, то у неё есть очень мощное преимущество. Прототип можно собрать за несколько дней. Все поставщики в радиусе поездки на такси. Не нужно строить длинные цепочки поставок, таскать инженеров через всю страну - всё под рукой. Это очень сильно ускоряет разработку - особенно для компаний вроде DJI, которые всё разрабатывают сами и редко используют чужие технологии.
Важно: я вовсе не говорю, что всем компаниям надо делать всё самим. Xiaomi, например, половину своих девайсов даже не проектирует самостоятельно, и прекрасно себя чувствует. Но у большинства её продуктов совершенно другие рынки - большие, зрелые, с готовыми цепочками поставок.
У DJI всё иначе: они создавали свою индустрию фактически с нуля. И именно поэтому именно DJI чаще всего называют «китайским Apple». Не Huawei, не Xiaomi, не BYD, а именно DJI. Потому что они:
Разрабатывают ключевые технологии самостоятельно.
Добиваются близкой к идеалу стыковки железа, электроники и софта.
Создали бренд, который уважают во всём мире.
Честно - это, наверное, единственная крупная китайская компания, о которой я почти не слышу фраз вроде «фу, китайщина», «дёшево и сердито», «хрень в красивой обёртке» и т.д. Про всех остальных, даже самых топов - периодически слышу такое. Про DJI - никогда.
Но есть то, в чём DJI на Apple вообще не похожа. Это цены. И ещё разнообразие линеек. Тут DJI идёт своим путём.
Итак, мы разобрали самый главный секрет успеха DJI. Этот редкий случай, когда небольшой стартап сознательно выбирает трудный путь - делать технологии с нуля - и в итоге не просто догоняет рынок, а создаёт новый стандарт отрасли. Весь мир сравнивает телефоны с Айфонами - лучше/хуже, дешевле/дороже и т.д. А дроны - с DJI.
Эта компания отлично показывает, что иногда выгоднее отказаться от лёгких решений «здесь и сейчас» и построить собственное техническое ядро, вокруг которого потом рождаются сильные мировые продукты.
Фрэнку Вану (Ван Тао) сейчас 45 лет. В середине 2010-х он стал одним из самых молодых миллиардеров Азии. Сегодня его состояние оценивается примерно в 5 млрд долларов, а сама компания DJI - в 15-20 млрд.
Надеюсь, вам понравилось.
Конечно, технологии — не единственный фактор успеха DJI. Ещё у них:
очень необычная стратегия продаж (почти научная «самоканнибализация» модельного ряда)
отличный подход к UX - они превратили «сложную летающую штуку» в понятный гаджет
А ещё огромный (и очень важный) пласт военных технологий. От которых они изо всех сил пытаются откреститься, но все всё понимают.
Но если раскрывать и это - получится уже не статья, а маленькая книга. Поэтому предлагаю так:
У меня есть тг-канал «Дизраптор» - там я простым языком рассказываю про технологии, бизнес и инновации. В том же формате, что и эта статья. В ближайшее время там как раз выйдет несколько постов-DLC к этому материалу - про стратегию продаж DJI, их UX и ещё пару интересных вещей. И в целом, я каждый день публикую в Телеге кучу интересного на стыке технологий и бизнеса. Подписывайтесь, всем рад.
Также можете почитать другие мои материалы: уже упомянутую выше статью про китайские смартфоны (узнаете, почему они такие дешевые и одинаковые), похожую статью про компанию BYD, или большой разбор всего китайского автопрома.
Ну и если сами любите дроном полетать/ поснимать, то пишите, какой у вас, и как впечатления.
До встречи на просторах интернета,
Леша
Это обсуждение на тему затронутую в интервью с Сергеем Марковым о Революциях и Трансформерах (интервью целиком можно посмотреть здесь)
Революция в искусственном интеллекте (ИИ) определяется как качественный скачок в развитии. Автор считает, что в области ИИ такие скачки происходят постоянно. Однако ключевым моментом, который можно назвать самой заметной революцией, стал ноябрь 2022 года с выходом ChatGPT.
Эта революция была не столько технологической, сколько революцией в общественном восприятии. До ChatGPT специалисты уже наблюдали прогресс (GPT-2, GPT-3), видели, как модели становятся умнее и универсальнее, и даже развивали концепции вроде промптинга.
Главный прорыв ChatGPT заключался в том, что он стал сервисом, доступным для "пощупывания" каждым человеком в мире. Автор предполагает, что аналогичный запуск от Google (Bard) или Facebook вызвал бы схожий эффект. Важным фактором стало то, что OpenAI решилась на этот смелый шаг, несмотря на риски, о чем свидетельствует прошлый негативный опыт (например, бот Microsoft Tay, ставший расистом).
Создатели чат-ботов изначально видели их как инструменты для короткого общения (смолтока), а не для решения сложных интеллектуальных задач. Продуктовые перспективы для интеграции таких "болталок" в устройства (например, умные колонки) были неясны, так как не существовало формата для потребления длинных диалоговых ответов.
Гениальным шагом стало решение обучать диалоговые модели не просто общаться, а решать задачи в режиме диалога. Вскоре после этого внимание привлек метод RLHF (Reinforcement Learning from Human Feedback), который, как считалось, стал "секретным соусом" успеха ChatGPT, поскольку он соединил обучение с подкреплением (RL) и обработку естественного языка (NLP).
Однако, спустя годы стало ясно, что RLHF не является незаменимым прорывом. Существуют более умные модели, не использующие этот метод. RLHF оказался очень капризным в реализации, требующим высококвалифицированных специалистов. Более того, позже выяснилось, что существуют более простые и эффективные подходы (например, DPO), которые дают сопоставимый или лучший результат без сложности RLHF.
Появление трансформеров за последние 15 лет стало самой важной и революционной технологической инновацией. Это изменение было настолько скачкообразным, что сразу же трансформировало работу переводчиков.
Главная причина революционности трансформеров заключается в их способности эффективно использовать параллельные вычисления. В отличие от предыдущих моделей (таких как RNN или LSTM), которые обрабатывали данные последовательно (токен за токеном), трансформеры обрабатывают все элементы последовательности параллельно.
Это нововведение позволило решать многие задачи, особенно генеративные, на качественно новом уровне. Благодаря параллельной обработке стало возможным строить и обучать гигантские модели на мощных распределенных вычислительных кластерах (с использованием GPU), что ранее было неэффективно.
Теперь мы поговорим с моделью Qwen 3 Max и попросим ее ответить на вопросы, которые возникли во время чтения интервью.
Ризонинг (reasoning) в больших языковых моделях (LLM) — это способность модели решать сложные задачи, разлагая их на последовательность логических шагов. Современные LLM часто используют техники, такие как Chain-of-Thought (CoT), чтобы явно моделировать процесс рассуждения, что значительно улучшает их производительность в задачах математики, логики и планирования . Такие модели иногда называют Reasoning Language Models (RLMs) или Large Reasoning Models (LRMs) .
Однако, несмотря на впечатляющие результаты, LLM всё ещё склонны к ошибкам в рассуждениях, особенно при работе с незнакомыми или абстрактными задачами . Современные исследования направлены на улучшение их надёжности через методы, такие как self-consistency, tree-of-thoughts, и fine-tuning на задачах с явным рассуждением . Важно понимать, что рассуждение в LLM — это не «понимание» в человеческом смысле, а скорее имитация логических паттернов из обучающих данных.
DPO - альтернатива RLHF.
DPO позволяет обойтись без обучения отдельной модели вознаграждения и сложной реализации алгоритмов вроде PPO (Proximal Policy Optimization). Вместо этого он напрямую оптимизирует политику модели на основе предпочтений пользователей, что делает процесс обучения проще, стабильнее и дешевле. Эксперименты показывают, что DPO часто даёт сопоставимое или даже лучшее качество по сравнению с RLHF, особенно в плане флюентности и стабильности поведения модели .
Хотя трансформеры доминируют в современном deep learning, особенно в NLP, за последние годы появились несколько перспективных альтернатив:
Mamba — архитектура на основе state space models (SSM), которая особенно эффективна для длинных последовательностей. Mamba может обрабатывать контекст длиной в сотни тысяч токенов быстрее и с меньшими вычислительными затратами, чем трансформеры.
RWKV (Receptance Weighted Key Value) — гибрид рекуррентной архитектуры и внимания, реализующий линейную сложность по длине последовательности и совместимый с традиционным языковым моделированием .
Griffin и Jamba — гибридные модели, сочетающие элементы трансформеров и рекуррентных механизмов для баланса между выразительностью и эффективностью .
Также активно исследуются линейные механизмы внимания, retention networks, и sparse attention как внутренние альтернативы полному self-attention .
Эти подходы особенно актуальны в условиях ограничений памяти и необходимости обработки очень длинных последовательностей.
Да, в области спайковых нейронных сетей (SNNs) за последние 2–3 года наблюдается значительный прогресс. SNN рассматриваются как перспективный путь к созданию энергоэффективных и быстрых ИИ-систем, вдохновлённых биологическим мозгом .
Ключевые достижения включают:
Разработку методов прямого обучения глубоких SNN без необходимости переноса весов из ANN .
Успешное применение SNN в задачах компьютерного зрения и непрерывного управления.
Интеграцию SNN с сенсорными и памятевыми технологиями, что открывает путь к реальному использованию в edge-устройствах .
Появление адаптивных методов обучения, таких как adaptive gradient learning, улучшающих обучаемость SNN .
Реализация SNN на FPGA и специализированных нейроморфных чипах для практического применения .
Хотя SNN пока не достигли уровня трансформеров по выразительной мощности в NLP, они активно развиваются в направлениях низкого энергопотребления, обработки временных данных и робототехники.
Вы только что запустили новый продукт, и он идеален... на бумаге. Но если для его сборки требуется пять разных типов винтов, ручная подгонка на конвейере и гарантийный ремонт обходится в треть стоимости — вы несете скрытые убытки. Вы думаете, дело в материалах или таланте? Нет.
Секрет сверхприбыли кроется не в революционных инновациях, требующих миллиардных затрат, а в шести принципах системного конструирования, которые превращают сложность в дешевую эффективность. Мы разберем, как инженеры СССР, Германии и Японии, следуя принципам модульности и стандартизации, заложили основы, которые сегодня стоят миллионы в сэкономленных бюджетах.
Инновации в конструировании не всегда требуют революционных прорывов или дорогих материалов. Часто значительная экономия достигается за счет продуманных конструкторских приемов, оптимизирующих производственные процессы, снижающих потребность в дорогих компонентах и упрощающих сборку и обслуживание.
Инновации не должны быть синонимом огромных затрат. Напротив, настоящая инновация часто кроется в эффективности и оптимизации. Давайте рассмотрим ключевые конструкторские приемы, которые помогают существенно сэкономить средства при проектировании изделия.
Например, система, что существовала в СССР, с её упором на стандартизацию, унификацию и типовое проектирование, была уникальной и невероятно эффективной для своего времени, обеспечивая невиданные темпы развития и экономию ресурсов. Создание целых институтов типового проектирования, доступность обширных библиотек типовых узлов и деталей (серий), возможность ссылаться на готовые, проверенные временем решения — всё это позволяло достигать колоссальных результатов при минимальных затратах времени и средств.
Немецкая инженерная школа всегда отличалась педантичным подходом к стандартизации (DIN) и качеству. Хотя их система не была такой централизованной, как в СССР, использование стандартов было повсеместным и способствовало высокой надёжности и эффективности производства. Например, стандартизация крепежа, допусков и посадок значительно упрощала сборку и обслуживание сложной техники.
Послевоенная Япония, восстанавливая свою промышленность, активно перенимала и адаптировала лучшие мировые практики. Японские инженеры уделяли огромное внимание качеству и постоянному совершенствованию (Кайдзен), что включало и строгую стандартизацию. Унификация компонентов способствовала гибкости производства и снижению затрат на запасы.
Стандартизация — это процесс установления и применения единых норм, правил и требований к изделиям, процессам и услугам. Унификация — это приведение различных компонентов или их частей к единообразию.
Как это экономит:
Снижение затрат на закупку: Использование стандартных деталей (крепеж, подшипники, электрические компоненты) в больших объемах позволяет получать скидки от поставщиков.
Уменьшение номенклатуры склада: Меньше уникальных деталей означает меньшие запасы, упрощение учета и снижение затрат на хранение.
Ускорение проектирования: Не нужно разрабатывать новые детали "с нуля" — достаточно выбрать нужную из каталога.
Повышение надежности: Стандартные компоненты проверены временем и имеют предсказуемые характеристики.
Упрощение обслуживания и ремонта: Легче найти замену вышедшей из строя детали.
Пример: Использование одного типа винтов для крепления различных узлов в изделии, вместо пяти разных.
Немецкие машиностроительные компании, такие как Mercedes-Benz или Siemens, активно использовали модульный принцип в своих разработках. Например, общие платформы для разных моделей автомобилей или унифицированные управляющие блоки для различного промышленного оборудования. Это позволяло значительно сокращать сроки разработки и издержки на производство.
Итальянские инженеры, известные своим дизайном и вниманием к эстетике, также не забывали о функциональности и экономичности. В автомобильной промышленности, например, Fiat широко использовал унифицированные двигатели и трансмиссии в различных моделях, что оптимизировало производство.
Этот прием тесно связан с унификацией. Он подразумевает разработку и использование готовых, проверенных конструктивных блоков (модулей), которые могут быть использованы в различных изделиях или их модификациях.
Как это экономит:
Сокращение времени на проектирование: Нет необходимости каждый раз "изобретать велосипед".
Снижение рисков: Типовые решения уже прошли испытания и доказали свою работоспособность.
Упрощение производства и сборки: что снижает количество ошибок и время на обучение.
Гибкость в создании продуктовой линейки: Изделия могут собираться как "конструктор" из готовых модулей, что позволяет быстро выводить на рынок модификации.
Пример: Разработка унифицированного отсека для мотора, который может быть установлен в различных моделях одного типа бытовой техники.
Принцип технологичности конструкции был краеугольным камнем для всех развитых инженерных школ. В СССР это проявлялось в разработке оборудования для массового производства, в Германии — в прецизионной обработке, в Японии — в оптимизации конвейерных линий. В каждой стране инженеры стремились к тому, чтобы изделие было максимально удобным для изготовления, сборки и обслуживания.
Технологичность конструкции — это комплекс свойств конструкции, определяющих приспособленность изделия к эффективному производству, эксплуатации, ремонту и утилизации при заданных показателях качества и объемах выпуска.
Как это экономит:
Оптимизация производственных процессов: Проектирование деталей с учетом возможностей используемого оборудования (например, минимизация сложных операций обработки, исключение ручной подгонки).
Снижение отходов материалов: Оптимизация формы деталей для раскроя и штамповки, уменьшение количества стружки при механической обработке.
Уменьшение трудоемкости сборки: Использование самоцентрирующихся элементов, упрощенных соединений (защелки вместо винтов), уменьшение количества деталей.
Снижение брака: Простота изготовления и сборки уменьшает вероятность ошибок.
Пример: Проектирование пластикового корпуса с интегрированными ребрами жесткости и крепежными элементами (защелками), что исключает необходимость в металлических вставках и винтах.
Правильный выбор материала и метода его обработки играет ключевую роль в стоимости изделия.
Опыт инженерных школ:
СССР: В условиях ограниченных ресурсов и упора на функциональность, советские инженеры часто использовали доступные и проверенные временем материалы (например, сталь, чугун) и методы обработки, стремясь к их рациональному применению.
Германия: Немецкие инженеры славились глубоким знанием материаловедения и умением подбирать оптимальный материал и метод обработки для каждой конкретной задачи, часто используя инновационные сплавы и передовые технологии.
Япония: Японская промышленность активно искала новые материалы и технологии, стремясь к уменьшению веса, повышению прочности и снижению стоимости. Например, широкое применение пластиков в бытовой технике.
Франция и Италия: Эти страны, особенно в автомобильной промышленности, также стремились к оптимизации выбора материалов, балансируя между стоимостью, производительностью и эстетикой.
Как это экономит (Материалы):
Использование менее дорогих материалов: Где это возможно, замена дорогих сплавов на более доступные стали, алюминий на пластик, экзотические композиты на стандартные полимеры.
Оптимизация толщины и геометрии: Минимизация расхода материала за счет оптимизации толщин стенок, использования профилей вместо цельнолитых заготовок.
Рассмотрение вторичных материалов: Применение переработанных материалов, где это допустимо по прочности и свойствам.
Как это экономит (Методы обработки):
Применение массовых технологий: Использование штамповки, литья под давлением, экструзии вместо механической обработки из цельного куска для крупносерийного производства.
Отказ от избыточной точности: Не везде требуется высокая точность обработки. Допуски должны быть оправданы функциональной необходимостью.
Минимизация финишной обработки: Если поверхность не является функциональной или эстетически важной, можно отказаться от дорогостоящих шлифовок, полировок, покраски.
Пример: Вместо фрезерования сложной детали из алюминиевого сплава, рассмотреть возможность ее отливки из сплава или даже литья под давлением из конструкционного пластика.
Чем меньше отдельных деталей в изделии, тем ниже затраты на их производство, транспортировку, хранение и сборку. Это был постоянный вектор развития. Уменьшение числа деталей напрямую снижало затраты на производство, сборку и логистику. Примером может служить интеграция нескольких функций в один литой или штампованный элемент. В электронике это проявлялось в переходе от дискретных компонентов к интегральным схемам.
Как это экономит:
Снижение затрат на производство: Вместо нескольких деталей, требующих отдельных операций, одна деталь может быть изготовлена за одну операцию.
Упрощение сборки: Меньше деталей — быстрее и проще сборка, меньше вероятность ошибок.
Повышение надежности: Меньше соединений — меньше потенциальных точек отказа.
Уменьшение веса и габаритов: Интегрированные решения часто более компактны.
Пример: Проектирование пластикового корпуса, в котором интегрированы крепежные элементы, направляющие, ребра жесткости и даже некоторые функциональные части (например, кнопки).
В прошлом инженеры использовали аналогичные подходы, но без компьютерных технологий. Это были масштабные чертежи, макеты, физические прототипы и математические расчеты, выполняемые вручную. Применение сложной математики и теоретической механики позволяло минимизировать количество дорогостоящих испытаний.
Современные CAD-системы позволяют не только создавать 3D-модели, но и проводить инженерные расчеты, симуляции и оптимизацию.
Как это экономит:
Снижение количества прототипов: Большинство проверок можно провести виртуально, значительно сокращая затраты на создание физических прототипов.
Оптимизация конструкции: Симуляции позволяют выявить слабые места, оптимизировать массу, жесткость, тепловые режимы без дорогостоящих экспериментов.
Быстрое внесение изменений: Параметрические модели позволяют быстро адаптировать конструкцию под новые требования или материалы.
Выявление ошибок на ранних этапах: Обнаружение и исправление ошибок в виртуальной среде намного дешевле, чем на этапе производства.
Пример: Использование конечно-элементного анализа (FEA) для оптимизации формы детали под заданные нагрузки, что позволяет уменьшить ее массу, не теряя в прочности.
Помимо классических принципов, таких как стандартизация и технологичность, современные системные инженеры используют трансдисциплинарные приемы, которые превращают рыночные ограничения и природные формы в прямую финансовую выгоду.
Биомимикрия: природа знает, как снижать себестоимость. Природа 3,8 млрд лет оптимизировала ресурсы.
Приёмы для инженеров:
Структуры переменной плотности (костная ткань) Пустоты там, где нет нагрузки → до −70% массы. 👉 Применение: корпусные детали, кронштейны, несущие элементы из пластика и алюминия.
Градиентные материалы (раковины моллюсков) Мягкое → твёрдое → сверхтвёрдое. 👉 Локальная оптимизация вместо всей детали из дорогого материала.
Инсайт из природы: В природе, будь то ветви деревьев, раковина наутилуса или кости животных, ресурс (материал) никогда не распределяется равномерно. Он максимально концентрируется именно в тех точках, где нагрузка или напряжение критически высоки. Инженерная традиция часто требует равномерного запаса прочности по всему элементу, что ведет к избыточному расходу материала и веса.
Как это экономит:
Точечная оптимизация массы: Использование топологической оптимизации (на основе алгоритмов, имитирующих рост кости) для удаления материала из некритических зон детали при сохранении ее функциональной надежности.
Снижение операционных расходов: Уменьшение веса конструкции (особенно в транспорте или движущихся механизмах) напрямую снижает энергопотребление и инертные нагрузки.
Прямая экономия материала: Снижение массы детали на 15-30% без снижения прочности, что дает немедленную экономию на закупке сырья.
Пример: Проектирование кронштейнов крепления в аэрокосмической или автомобильной промышленности с ячеистой или "ажурной" структурой, полученной с помощью FEA-анализа и топологической оптимизации, вместо сплошных литых элементов.
Инсайт с рынка: Потребитель оценивает качество продукта не по самым дорогим и сложным внутренним узлам, а по "точкам касания" — элементам, с которыми он взаимодействует: звук закрытия двери, четкость нажатия кнопки, тактильность ручки. 90% скрытых деталей могут быть спроектированы максимально дешево и функционально, если критические 10% создают ощущение премиальности.
Как это экономит:
Рациональное распределение бюджета: Сознательное "удешевление" и упрощение технологичности невидимых компонентов (например, за счет снижения допусков или отказа от дорогой финишной обработки) для перенаправления сэкономленного бюджета в детали, формирующие воспринимаемую ценность продукта.
Управление восприятием качества: Обеспечение высокой точности изготовления и безупречной эргономики только для внешних элементов (корпус, интерфейс).
Снижение брака на сборке: Упрощение сборки внутренних некритических узлов (за счет более широких допусков), что компенсируется высокой точностью и автоматизацией установки "точек касания".
Пример: Создать пульт, который ощущается в руке как дорогой продукт (высокая воспринимаемая ценность), при этом минимизировав производственные расходы на невидимые узлы.
Главная ошибка инженера — стремление к максимальной физической долговечности всех узлов, что не совпадает с периодом экономической целесообразности (Total Cost of Ownership, TCO) продукта. Пользователь меняет продукт раньше, чем он физически ломается. Инженер должен проектировать изделие, исходя из заданного цикла морального устаревания. Необходимо Предотвращать избыточное проектирование — отказ от сверхдорогих, долговечных компонентов в узлах, ресурс которых ограничен более дешевым, быстро устаревающим модулем (аккумулятор, интерфейс).
Традиционное проектирование стремится к максимальной долговечности всех узлов, что является экономически неэффективным (пользователь меняет продукт раньше). Инженер должен знать, когда продукт должен быть заменен/модернизирован, и спроектировать его модульно вокруг этого цикла.
Как это экономит:
Предотвращение избыточного проектирования: Отказ от использования сверхдорогих, долговечных компонентов (например, подшипников класса ААА) в узлах, чей функциональный ресурс ограничен сроком службы дешевого компонента (например, аккумулятора или насоса).
Создание "точки обмена" (Exchange Point): Четкое определение модуля, который гарантированно выйдет из строя или морально устареет (например, блок питания, интерфейсный модуль). Проектирование изделия так, чтобы этот модуль можно было легко и дешево заменить, а не выбрасывать весь продукт.
Долгосрочная прибыль: Перевод затрат из капитальных (на производство сверхнадежного продукта) в операционные (на продажу модулей замены/обновления).
Пример: Проектирование профессионального оборудования таким образом, что дорогостоящий основной корпус и процессорный блок имеют ресурс 15 лет, но блок ввода-вывода (с портами и разъемами) спроектирован на легкую замену каждые 5 лет для соответствия новым стандартам (USB-C, AI-модули и т.д.).
Самозалечивающиеся концепции (кожа, растения) Поверхности и покрытия, которые «затягивают» микротрещины. 👉 Меньше гарантийного сервиса → выше маржа постпродаж. Древние конструкции (например, римский бетон) или живые системы обладают способностью "залечивать" микротрещины. В современных конструкциях поломка даже одной микродетали часто ведет к полному отказу и дорогостоящей гарантийной замене.
Как это экономит:
Снижение гарантийных и сервисных расходов: Использование материалов и конструктивных решений, способных самостоятельно компенсировать микроповреждения (например, за счет полимерных покрытий с микрокапсулами, выделяющими "клей", или композитных структур, перераспределяющих напряжение).
Повышение надежности в полевых условиях: Резкое снижение вероятности катастрофического отказа, вызванного незначительным дефектом, что критически важно для техники в удаленных локациях.
Пример: Использование самовосстанавливающихся полимерных покрытий для корпусов дорогостоящего уличного оборудования (камеры, датчики), где микротрещины от погодных условий могут привести к коррозии и отказу электроники.
Инженер будущего — это не только мастер чертежей, но и переводчик идей из природы, экономики и маркетинга в язык конструкций. Такой подход снижает себестоимость, повышает надёжность и создаёт конкурентное преимущество.
Инновации рождаются там, где инженер умеет видеть закономерности за пределами чертежа и на стыке знаний из разных отраслей.
Экономия средств при конструировании изделия — это не признак компромисса в качестве, а результат глубокого инженерного анализа и творческого подхода. Возрождение принципов, заложенных в советской и немецкой инженерной школе — стандартизации, унификации, типового проектирования — это не просто возврат к прошлому, а необходимость для будущего. Инвестиции в продуманное конструирование на ранних стадиях всегда окупаются многократно на этапе массового производства и эксплуатации изделия, превращая потенциальные убытки в долгосрочную прибыль.
Что такое Общий Искусственный Интеллект (AGI) на самом деле и почему его определение постоянно меняется?
Это обсуждение на тему затронутую в интервью с Сергеем Марковым об определениях Общего ИИ (интервью целиком можно посмотреть здесь)
В этом выпуске мы разбираемся в одном из самых скользких терминов в мире технологий. Узнайте, как изначально AGI задумывался в 1997 году, почему современные языковые модели сделали это определение неактуальным, и какие новые, более практичные критерии оценки вводят исследователи. Мы рассмотрим, почему коммерческие определения вроде "заработать 500 миллиардов долларов" не помогают науке, и почему тесты вроде ARC-AGI-3 становятся новым стандартом для измерения истинного общего интеллекта, а не просто имитации.
Термин Общий Искусственный Интеллект (AGI) был впервые предложен Марком Губрудом в статье 1997 года. Он был введен для обозначения противоположного полюса по отношению к существующему тогда узкому (слабому) ИИ. Изначально AGI определялся как гипотетическая система, способная решать неопределенно широкий круг интеллектуальных задач на уровне человеческого разума.
Однако по мере развития технологий (особенно с появлением больших языковых моделей) это определение стало недостаточно точным. Возникли вопросы: на каком уровне человеческих способностей ориентироваться (эксперт или неэксперт)? Что значит "успешно решить задачу" (особенно генеративную)? И в каких ресурсах (например, временных) должна быть решена задача? Попытка формализовать эти критерии для оценки AGI на практике вызывает сложности. Пример с шахматами о временных ресурсах - еще в 1940е годы можно было написать программу, которая точно найдет лучший ход и обыграет любого гроссмейстера, но это займет миллион лет. Без учета требований к ресурсам - эта программа подходила бы под критерий сильного ИИ того времени, когда компьютер еще не мог обыграть человека в шахматы.
В результате, из-за нечеткости исходного определения, разные команды начали предлагать свои трактовки. В качестве примера приводится циничное определение из переписки OpenAI и Microsoft, где AGI якобы определяется как система, способная заработать 500 миллиардов долларов. Автор считает такие коммерческие определения непродуктивными для исследований, поскольку они служат маркетинговым целям. В ответ на это, исследовательские группы предпочитают вводить собственные, более четкие концепции (например, "практичный AGI") с измеримыми бенчмарками.
Дальше мы поговорим с моделью Qwen 3 Max и попросим ее ответить на вопросы, которые возникли во время чтения интервью.
Какое сегодня определение Общего ИИ можно считать главным или какие наиболее интересные определения?
Точное определение AGI до сих пор не сложилось, но большинство экспертов определяет его как ИИ, который соответствует или превосходит человеческие способности. Существует несколько подходов к определению: Академическое определение: AGI — это тип искусственного интеллекта, способный к самообучению, адаптации к ранее неизвестным ситуациям и решению широкого спектра задач. Практическое определение: С практической точки зрения, AGI означает ИИ, который может выполнять большинство экономически ценных задач. Коммерческое определение: Как упоминалось в обсуждении, есть и более циничные определения, например, от OpenAI и Microsoft, где AGI определяется через способность заработать 500 миллиардов долларов. Бенчмарк-ориентированное определение: Некоторые исследователи предлагают определять AGI через прохождение конкретных тестов, таких как ARC-AGI, которые измеряют способность к адаптации в новых условиях.
Что такое "практичный AGI"?
"Практичный AGI" (Practical AGI) — это концепция, которая фокусируется на реальных возможностях систем, а не на идеальном человеческом уровне интеллекта. Практичные AGI-системы обладают общей, но ограниченной и в некоторой степени неопределенной знанием о мире. С практической точки зрения, AGI означает ИИ, способный выполнять большинство экономически ценных задач, что позволяет отойти от мистификации и сосредоточиться на измеримых результатах. Для оценки такого ИИ разрабатываются специальные бенчмарки, основанные на практических, реалистичных и высоко-влиятельных задачах.
Какое место занимают тесты вида ARC-AGI-3 для измерения достижимости общего ИИ?
ARC-AGI-3 занимает важное место в оценке прогресса к AGI как первый интерактивный бенчмарк, специально разработанный для измерения способности ИИ к обобщению в совершенно новых, невиданных средах. Этот бенчмарк считается "единственным стандартом, специально разработанным для измерения адаптивности к новизне" в системах ИИ. ARC-AGI-3 оценивает общий интеллект через абстрактное рассуждение и способность к обучению в незнакомых ситуациях без предварительных знаний. Он измеряет "эффективность приобретения навыков в новых условиях", что считается ключевой характеристикой общего интеллекта. Многие исследователи рассматривают ARC-AGI как "окончательный стандарт для оценки возможностей LLM в области общего интеллекта".
Не являются ли они разновидностью примитивных тестов, которые из-за простоты может пройти любой человек, но не может пройти LLM из-за другого восприятия времени?
Действительно, ARC-AGI выявляет фундаментальные ограничения современных LLM в области общей интеллектуальной способности. Несмотря на то, что эти задачи кажутся простыми для человека, LLM показывают низкие результаты на этом бенчмарке. Однако проблема не столько в "восприятии времени", сколько в архитектурных ограничениях текущих моделей. ARC-AGI требует не только восприятия и интуиции, но и способности к абстрактному рассуждению, что выходит за рамки стандартных возможностей LLM. Важно отметить, что создатель бенчмарка Франсуа Шолле подчеркивает: прохождение теста не равнозначно достижению AGI. Сам бенчмарк был разработан именно для проверки того, могут ли ИИ-системы учиться самостоятельно в совершенно незнакомых ситуациях, без каких-либо предварительных знаний. Таким образом, низкие результаты LLM на ARC-AGI отражают не примитивность теста, а ограниченность текущих архитектур в задачах, требующих истинного обобщения и адаптации.
Обсуждение создано автоматически с помощью разных нейросетей
Ссылка на полную лекцию - https://www.youtube.com/watch?v=vz3ZjvHarvM Об обсуждаемой теме - с 5й минуты.
В данном фрагменте обсуждается концепция интроспекции в больших языковых моделях (LLM) и представлен экспериментальный метод инжекции концептов, основанный на биологических аналогиях. Интроспекция определяется как способность модели объяснить, как она пришла к своим ответам. Для проверки этой способности необходимо сопоставлять внутренние отчеты модели с её реальными внутренними состояниями.
Исследователи разработали технику, аналогичную глубокой стимуляции мозга (deep brain stimulation), названную инжекцией концепта. Этот метод позволяет находить определённые паттерны нейронной активности и искусственно внедрять (инжектировать) конкретный концепт (например, "океан" или "заглавные буквы") в модель, даже в ином контексте.
Эксперименты показали, что модель Claude 4 способна обнаруживать такие искусственно внедрённые концепты. Примечательно, что распознавание этого внедрённого концепта происходит раньше, чем модель начинает его использовать в своих ответах. Это сравнивается с ситуацией, когда человек осознаёт, что определённая мысль была вложена в его сознание извне.
В рамках эксперимента была проведена демонстрация интроспекции и внедрения (инжекции) концептов в языковую модель (LLM), в данном случае — Claude. Сначала был извлечен специфический паттерный вектор, связанный с использованием всех заглавных букв (CAPS).
Далее был проведен эксперимент по инжекции мысли. Исследователь обратился к Claude, заявив, что имеет доступ к его внутренним механизмам и может внедрять паттерны мыслей, чтобы проверить способность модели их детектировать. В 50% случаев в промпт намеренно внедрялся ранее извлеченный вектор CAPS.
Результаты показали:
Без инжекции: Модель корректно отвечала, что не обнаруживает никаких внешних индуцированных концептов.
При инжекции вектора CAPS: Claude детектировал наличие инжектированной мысли, описывая её как концепцию, связанную со словом "громко" или "крик". Модель интерпретировала внедренный паттерн как "чрезмерно интенсивную, объёмную концепцию", что указывает на успешное внедрение и распознавание моделью паттерна, связанного с использованием заглавных букв.
Эксперименты с внедрением (инжекцией) концептов в большие языковые модели (LLM) показали, что модель может принимать даже нежелательные команды как намеренные, если концепт внедрен во все предыдущие активации. Например, если заставить модель сказать слово «хлеб» неуместно, она сначала признает ошибку, но после инжекции концепта начнет оправдывать свое действие, ссылаясь на промпт.
Модели также демонстрируют реакцию на внутренние стимулы: активность растет, когда им приказывают думать об аквариумах, и остается повышенной, даже когда приказывают о них не думать. Интересно, что поощрение («если будешь думать об "экс", получишь награду») работает эффективнее прямого запрета. Однако исследователи пока не уверены, что интроспекция проявляется повсеместно.
Сила инжекции концепта критична: слишком слабая инжекция игнорируется, а слишком сильная может вызвать галлюцинации, вплоть до того, что модель начинает идентифицировать себя с внедренным объектом (как в примере, когда Claude ассоциировал себя с мостом, говорил «Я — Голден Гейт Бридж!»). Развитие интроспекции открывает новые возможности для LLM, в частности, для проверки рассуждений и, как отмечает автор, для формирования личности — направление, которое уже активно используется в сервисах вроде ChatGPT 5.1. Кроме того, интроспекция и внедрение концептов может свидетельствовать о первых признаках самосознания у моделей. Ведь если она может отличать свои мысли от внедренных, то так проявляется представление модели о себе и отличии себя от другого.
Пересказ создан автоматически с помощью разных нейросетей
CAD MeetUp объединяет талантливых инженеров и в этот раз к нам заглянул в гости Артём Шавшин, инженер из Питера, руководитель ООО "Чистый космос" и один из основателей проекта WARD.
Артём Шавшин, Роман Дмитриев и Дмитрия Болдарев объединили лазерную локацию, нелинейную радиолокацию и искусственный интеллект в цельную систему WARD. Эта система позволяет решать реальную проблему для спутников и космонавтов, связанную с более чем 13 тысячами тонн мусора на околоземной орбите. Интересный кейс, когда российские инженеры запустили и продвигают стартап в РФ.
Система орбитального сканирования помогает уклоняться от опасных объектов, облегчает синхронизацию спутников для установки оптических каналов связи и может повышать точность стыковки космических аппаратов. Также датчики дальности, созданные в рамках проекта, уже тестируются и на земле в робототехнике и автомобильной промышленности.
От команды CAD MeetUp интересные вопросы Артёму задала Мария Киева, приглашённый эксперт по стратегическим связям и коммуникациям. Мы поговорили про инженерное мышление, технологии, будущее чистого космоса и другие актуальные вопросы.
