Когда говорят об искусственном интеллекте в армии, обычно показывают отдельный беспилотник или самолет, который пытается лететь без пилота. Китай продемонстрировал систему другого масштаба: ИИ не управляет одной машиной, а помогает составлять план для целой воздушной операции.

Сюжет вышел 2 августа на официальном военном сайте CCTV. В нем рассказывается о команде Дэн Цзяньпина, разработавшей «интеллектуальную систему планирования ударов» для китайских ВВС.

По версии CCTV, сначала систему проверили на испытаниях с боевой стрельбой, а затем использовали на крупных учениях. Подготовленный ею план связывал действия более 100 тактических единиц, которые должны были наносить удары с точностью до заданного времени. Государственное телевидение утверждает, что разработка уже применяется в нескольких задачах ВВС.

Сто тактических единиц — не обязательно сто самолетов. CCTV не уточняет, что именно в этом случае считалось отдельной единицей: самолет, командный пункт или другой элемент операции. Поэтому переводить официальную формулировку в «100 самолетов» нельзя.

И в этом главное отличие от привычных военных демонстраций ИИ. Отдельный автономный аппарат решает локальную задачу: куда лететь и как реагировать на препятствие. Планировщик более высокого уровня должен учитывать разведданные, время, цели и совместные действия множества участников. Ошибка такого алгоритма масштабируется не на одну машину, а на всю операцию.

Китайская сторона использует громкую формулу «системное уничтожение» и сообщает, что все ракеты на показанном испытании поразили цели. Но считать это независимым доказательством эффективности нельзя. Источник — официальный материал CCTV, созданный вместе с китайскими военными структурами. Публичных данных о модели, обучающей выборке, количестве неудачных испытаний и сравнении с планами людей нет.

Неизвестен и самый важный параметр: где заканчивается рекомендация алгоритма и начинается решение человека. Показанные материалы не доказывают, что ИИ самостоятельно выбирает цели или отдает команду на применение оружия. Они подтверждают более узкий, но все равно серьезный сдвиг: Китай публично переводит ИИ с уровня отдельного дрона на уровень планирования совместной операции.

Гонка военного ИИ поэтому может оказаться не соревнованием роботов-пилотов. Победит не обязательно тот, у кого отдельный беспилотник лучше уклоняется от ракеты. Намного важнее может быть система, которая раньше противника соединит разведку, план, связь и сотню обычных боевых единиц в один работающий механизм.

В Telegram-канале «Сбежавшая нейросеть» я рассказываю про ИИ понятным языком, в том числе слежу за гонкой Китая и США в этой области.

Самое время подписаться!

Предоплата за заказ получена, пора идти строгать.

Отбираю доску ясеня, она кстати в этот раз не обязательно должна быть прямой – отрезки будут небольшие.

Нам нужно добыть следующие заготовки:

Царги(перемычки между опорами) - 2 заготовки 42*42*496мм, 2 заготовки 42*42*241мм

Опоры - 4шт 42*42*280мм

Торцуем чуть с запасом.

Чуть пристрогав с одной стороны кромки можно идти это все пилить. Доски на циркулярной пиле важно кроить с расклинивающим ножом – в противном случае доска может прилететь в лицо, что было бы довольно неприятно. Но из-за этого некоторые бруски сильно поджимает на этом ноже, и приходится разводить зажатое небольшим клинышком. Получается такой парадокс – расклиниваем расклинивающий нож))

Далее задаем базу на фуганке для дальнейшей калибровки.

Калибруем бруски в размер около 42*42мм.

Как все готово – пора определиться с точными размерами царги.

Итак, вооружившись штангенциркулем, приходим к выводу что размер мы получили 42,2мм.

Итого, две ножки в сумме по одной стороне займут 84.4мм. Отнимаем от 580мм – 84.4мм = 495,6мм. Полученные 495,6 округляем до 496мм – эти примерно 0.5мм закладываю на шлифовку с двух сторон. Проворачиваем то же самое со вторым размером и получаем 241мм.

К чему такая точность, спросите вы?) А дело в том, что не всегда получается угадать при калибровке в нужный размер – регулировка может гулять плюс минус 0.5мм. Если это не учесть, в дальнейшем основание может либо торчать за пределы корпуса или ещё хуже – оказаться меньше габаритов. Торцуем!

Когда все готово, дополнительно отрезаем от остатков маленький кусочек длиной 1см – пригодиться позже)

Когда бруски готовы – нужно все разметить и расставить по местам. На этом этапе важно подобрать более подходящий рисунок дерева и оттенки (про это рассказывал в прошлом посте). Я наношу сверху порядковые номера сторон, чтобы в дальнейшем не запутаться.

Собирать это будем на шканты домино.

Получаем вот такой набор с готовыми пазами.

Далее нас ждет ответственное мероприятие, нужно будет спилить две стороны у ножек. Делать это можно разными способами, но мы с вами будем это делать на самодельной каретке. Тут все просто, каретка имеет снизу брусок, который ездит по направляющей. Главное не торопиться, выставить точно нужный размер - меньше чем нужно пилить не критично, можно будет в дальнейшем чуть подправить, аврал будет если спилим больше. Еще важно хорошо расклинить ножку в каретке, чтобы при работе она никуда не вылетела.

Пилю я это кстати чистовым диском, чтобы в дальнейшем проще было обрабатывать.

Тем временем мы пробираемся дальше к следующему этапу. Перед склейкой я предпочитаю ошкурить пиленые стороны опор. В это деле нам поможет маленький обрезок, который заготовили ранее. Обрезок аккуратно размещаем на будущее место царги и через него зажимаем опору к столу. Таким образом можно не переживать, что со шлифуем лишнее и повредим царгу.

После чистовой пилы можно сразу проходить орбитальной шлифмашинкой с зерном 120грит, это еще не чистовая обработка, но уже очень близко.

Вот кстати фото для сравнения – слева уже я прошелся машинкой, справа деталь из-под пилы.

Далее приступаем к склейке. Наносим клей и жмем.

Ждем мы это все трубными струбцинами. Шкант домино позиционирует достаточно жестко, но все равно позволяет чуть играть заготовкой – поэтому выставляем все аккуратно, а главное нужно выдержать одну плоскость. Вероятно будет вопрос, зачем ещё одна струбцина снизу – там же ничего нет? Дело в том, что у трубных струбцин есть одна особенность – ближе к трубе она зажимает чуть сильнее, из-за этого опоры внизу могут чуть разойтись. Чтобы этого не произошло я поджимаю опоры до верхнего размера. Кстати, излишки клея обязательно убираем влажной тряпкой, в противном случае клей может проникнуть достаточно глубоко в поры и в дальнейшем его будет трудно вышкурить – а вышкурить обязательно надо, иначе может проявиться пятнами при тонировке.

Спустя каких-то полтора часа можно разжимать и приступать к сборке двух частей воедино. Тут дополнительно нам понадобятся уголки, задающие угол 90гр, чтобы основание было четко перпендикулярное – думаю на фото принцип максимально ясен)

Ждем примерно сколько же и готово. Разбираем, проходим слегка шлифмашинкой для того чтобы убрать излишки клея, небольшие перепады. Достаем фрезер – внутреннюю фаску будем проходить им.

Двигаться нужно аккуратно, чтобы максимально снизить риск сколов – на этом этапе сколы это будет очень большая боль. Вообще, как вы заметили, столярка это про аккуратность, если в повседневной жизни работает поговорка - «семь раз отмерь, один отрежь», тут ее дополнить нужно «семь раз отмерь, крепко подумай, аккуратно отрежь – главное не часть себя»

Спустя какое-то время получается вот так.

Остаются самые малые детали – сделать четверть по верхней кромке, она будет небольшая 6*6мм. Делать ее решил фрезером в столе, пазовой фрезой. После непродолжительной наладки фрезеруем.

Итак, после этого остается самое главное – подготовка. Один из самых ответственных и очень нудных этапов, который вдобавок отнимает немало времени. На фото показывать тут нечего, видео снимать еще не научился)) Единственное уточню, что при работе использовал эксцентриковую машинку и различные цикли для обработки труднодоступных мест, и чистовой обработки. Нужно очень хорошо подготовить поверхность к дальнейшей обработке ЛКП, при этом не нарушить габаритные размеры.

По итогу получаем продукт готовый к отправке. Остается упаковать в стрейтч/воздушно пузырьковая пленка / гофрокартон / стрейтч.

На этом этапе я уже знаю каким способом поедет эта посылка, это обсуждаем с заказчиками на этапе согласований. Не скажу, что это какая-то жуткая боль, но каждый раз приходится искать оптимальные варианты – отнимает некоторое количество времени, особенно когда заказ нужно доставить в незнакомые мне ранее города. Перебираешь все сайты транспортных компаний – у одних терминалы есть, у других нет. В целом на выбор подходящей ТК уходило у меня 5-15 минут. А когда таких расчетов в день штук 10?

Я не знаю как так получилось, но во времена различных онлайн проектов - сравни банки / страховки / услуги, всевозможных приложений по типу «посчитаю сколько раз вы за день сделали шагов, сколько спали, сколько ели», НИКТО НЕ ПРИДУМАЛ АГРЕГАТОР ТРАНСПОРТНЫХ КОМПАНИЙ. Возможно я один по какой-то причине мучаюсь с этим, все остальные люди сразу знают, как лучше отправить посылку из условного Сыктывкара в условную Рязань…

Короче, не буду ходить вокруг да около, есть проблема – пытаемся решить ее. Первоначально я думал попробовать сделать ИИ ассистента, который будет ходить на все сайты ТК по моим запросам, заполнять калькуляторы доставок, затем с ответами возвращаться ко мне. В рациональности такого решения я был не уверен, но у меня есть дорогой друг Вадим – он умный, работает с компьютером, он должен знать подумал я. И с фразой на перевес: «Вадик, тыж программист» завалился к нему в гости.

По итогу мы пришли к выводу, что ассистенты нам не нужны – парни мы самостоятельные, будем делать сайт агрегатор. Ну как мы будем делать, делать будет он, а я помогать…ну или хотя бы не мешать))

Назвать сервис решили Грузометр. Он максимально прост – есть несколько полей, заполнив которые мы получаем возможные варианты доставок с ценами из одного города в другой.

Эти цены берутся с официальных сайтов транспортных компаний. Да это БАЗОВЫЕ цены, понятно что есть дополнительные услуги – страховки, обрешетки, паллетирование итд, которые повышают стоимость, а ту мы их не учитываем. Самое главное для нас открывается порядок цен и узнаем о присутствии терминалов компаний в нужных городах, сроки доставки, даже кнопочку добавили для отправки ссылки/документа с результатами заказчикам.  А потом уже можно идти на оф сайт, считать точную цену и оформлять доставку.

Как говорится - не имей 100 рублей, а имей 100 друзей) А лучше конечно в друзья такого друга как Вадим, спасибо ему огромное!)  

Ссылку на сайт оставлять не буду, так как это запрещается правилами Пикабу. Но если вдруг у кого-то из Вас стоят похожие задачи, вы запросто найдете наш сайт вбив в поисковой строке яндекса или гугла название – Грузометр. Это абсолютно бесплатно (без смс и регистрации :D), если вдруг кому-то ещё он будет полезен – будет для нас высшей наградой)

P.S. Дорогой друг, если ты это прочитал – спасибо тебе огромное, за то что уделил столько времени на мое творчество. Будет круто – если оставишь обратную связь в комментариях к этому посту. Во-первых, это помогает продвижению, во-вторых помогает вносить какие-то корректировки в будущие посты, кстати пару штук уже на подходе)

Ну и самое интересное, часто ли отправляете посылки в другие города? Сталкивались ли с похожими проблемами?)

Nvidia выложила на Hugging Face модель Alpamayo 2 Super и разрешила использовать ее в коммерческих продуктах. Автопроизводители могут дообучать модель на своих данных, создавать производные версии и распространять их без отдельного согласования с Nvidia.

По названию может показаться, что это готовый электронный водитель: скачал модель, поставил в машину — и получил роботакси. На самом деле Nvidia описывает Alpamayo 2 Super прежде всего как облачного учителя для более компактных автомобильных систем, а не как готовый контроллер для установки в машину.

Ее задача — разбирать редкие дорожные ситуации, для которых трудно собрать достаточно примеров. Обычный автопилот относительно легко учится держаться в полосе. Сложнее решить, что делать, когда соседняя машина резко перестраивается, пешеход выходит из-за автобуса, а встречный водитель одновременно начинает поворот.

Модель получает изображение с камер вокруг автомобиля и выдает сразу несколько связанных результатов: предполагаемую траекторию, команду вроде «уступить» или «сменить полосу», объяснение причин решения и разметку объектов в кадре. Так необработанное видео с испытательной машины можно превратить в учебный материал для других моделей.

Дальше большую модель не обязательно возить с собой. Полученные примеры и рассуждения используют для дистилляции — обучения меньшей специализированной модели, которая уже способна работать в автомобиле в реальном времени. Получается конвейер «облако — машина»: сложный учитель готовит данные, компактный ученик принимает решения на дороге.

Главное изменение нынешнего релиза — лицензия OpenMDW-1.1. Предыдущие Alpamayo представлялись прежде всего как исследовательские модели. Теперь Nvidia прямо разрешает коммерческое дообучение, создание производных систем и их распространение. Все семейство Alpamayo, по данным компании, уже скачали с Hugging Face больше 500 тысяч раз.

Но до готового роботакси здесь еще далеко. Первое место Alpamayo 2 Super в бенчмарке LingoQA и ее преимущество над конкурентами приводит сама Nvidia. Тесты показывают способность рассуждать о записанных дорожных сценах, а не безопасность реальной машины в снегу, тумане или внезапной аварийной ситуации.

Поэтому открыли не автопилот, который завтра повезет пассажиров, а один из самых дорогих этапов его разработки. Раньше подобный облачный «учитель» был преимуществом нескольких крупнейших компаний. Теперь его веса можно скачать, адаптировать под собственный парк машин и использовать в коммерческой системе — если у разработчика хватит вычислений, данных и терпения пройти все испытания.

В Telegram-канале «Сбежавшая нейросеть» я разбираю открытые модели без рекламной мишуры: что именно можно скачать, где это запустить и какое ограничение спрятано за словом «открытая».

Самое время подписаться!

Tesla за последний квартал поставила покупателям почти полмиллиона автомобилей и получила около 70% выручки от их продажи. Но если послушать Илона Маска на встречах с инвесторами, можно решить, что автомобильный бизнес у компании уже побочный.

TechCrunch вместе с аналитической компанией Hudson Labs изучили стенограммы квартальных звонков Tesla за семь лет — начиная с 2019 года. Их система определила тему каждого предложения, после чего исследователи подсчитали, о чем руководители говорили чаще всего.

Результат: почти половина реплик Маска теперь посвящена искусственному интеллекту, беспилотным такси и системе Full Self-Driving. В 2022 году на эти темы приходилось только 15–20%. Одновременно разговоры об автомобилях и их производстве сжались до меньше трети.

Особенно быстро растет место человекоподобного робота Optimus. В первый год после его анонса Маск посвящал проекту не больше 2% своих реплик. За последний год — уже не меньше 10%, а на одном из звонков осенью 2025 года робот занял почти треть выступления Маска.

Другие руководители Tesla пока ближе к земле. Финансовый директор и вице-президент по разработке все еще тратят примерно 30% своих реплик на автомобили. Они тоже стали чаще обсуждать ИИ и роботакси, но заметно отстают от Маска — возможно, потому что машины уже приносят деньги, а Optimus пока в основном обещания.

Здесь важно не перепутать слова с расходами. Исследование размечало стенограммы с помощью ИИ, поэтому границы между темами зависят от классификатора. Частые упоминания роботов также не означают, что Tesla вкладывает в них половину бюджета или уже получает половину выручки.

Но разговор с инвесторами — тоже продукт. Маск давно утверждает, что Tesla нельзя оценивать как обычного автопроизводителя: ее высокая стоимость держится на ожидании автономных машин, роботакси и роботов. Пока автомобильный бизнес перестал быстро расти, компания продает рынку другую версию будущего — ту, где главным товаром становится не машина, а работающий внутри нее ИИ.

Получается любопытный разрыв. Сегодня Tesla остается автопроизводителем, который хочет, чтобы его оценивали как ИИ-компанию. И чем медленнее растут продажи автомобилей, тем больше времени Маск посвящает миру, где автомобили уже ездят сами.

P.S. В Telegram-канале «Сбежавшая нейросеть» я разбираю, как компании превращают ИИ из технологии в обещание для пользователей и инвесторов — и где за обещаниями уже есть работающий продукт.

Самое время подписаться!

Один такой модуль потребляет до 1 МВт — примерно как крупное небольшое производство или бизнес-центр. Но по меркам ИИ-инфраструктуры это не мегастройка, а готовый кубик. Его ставят на подготовленную площадку, подключают к электричеству и сети, после чего он становится узлом распределенной вычислительной системы.

Здесь важно, что Runware строит мощность не для обучения новых нейросетей, а для инференса — ежедневной работы уже готовых моделей. Каждый раз, когда сервис генерирует картинку, видео или ответ, где-то выполняется такой расчет. Спрос растет быстрее, чем успевают строиться традиционные дата-центры, поэтому компания предлагает не расширять одно гигантское здание, а добавлять контейнеры рядом с пользователями.

Внутри используется замкнутая система жидкостного охлаждения. Runware утверждает, что она не расходует воду во время работы: жидкость циркулирует по контуру, отводит тепло от оборудования и возвращается обратно. Это не делает ИИ «безводным» — вода может использоваться при производстве электричества и самих чипов, — но убирает постоянный расход воды непосредственно на площадке.

Главное обещание — цена. По расчетам компании, собственные серверы, стойки, охлаждение и отсутствие арендодателя позволяют снизить стоимость GPU-часа на 30–80% в зависимости от задачи. Независимой проверки этих цифр пока нет, поэтому правильнее считать их заявлением Runware, а не установленным фактом.

Первые модули компания уже разворачивает в США и Европе. Дальше планы заметно смелее: до 10 тысяч вычислительных узлов во второй половине 2026 года и более 1 ГВт общей мощности в 2027-м. Для сравнения, один гигаватт — это тысяча таких контейнерных мегаваттных модулей, если считать только заявленную мощность Pod. Реальная схема узлов может быть сложнее, поэтому планы еще предстоит подтвердить железом.

Самое интересное здесь не форма контейнера. ИИ-инфраструктура начинает повторять путь мобильной связи: вместо нескольких гигантских центров появляются распределенные узлы, которые можно поставить ближе к городу и быстро заменить новым поколением оборудования. Нейросети становятся облаком в буквальном смысле — набором коробок, разбросанных по карте и соединенных сетью.

В Telegram-канале «Сбежавшая нейросеть» я показываю ИИ без магии: модели, агенты, серверы и реальную цену всей этой инфраструктуры.

Самое время подписаться!