Биты и Болты | ИИ • Роботы • Наука

🦅 Дрон научили садиться на ветку почти как птицу — на ощупь

Инженеры TU Delft сделали дрон, который умеет находить ветку, уточнять её положение прикосновениями, хвататься за неё и после посадки полностью выключать моторы. Главное отличие от предыдущих подобных экспериментов — аппарату не нужна идеально известная геометрия ветки или хороший обзор в момент захвата.

Сверху дрона установлена лёгкая трёхпалая кисть. На каждой из девяти фаланг находится простой ёмкостный датчик: сам по себе он сообщает лишь «касание есть», но робот знает положение собственных пальцев и по последовательности контактов восстанавливает положение и ориентацию объекта. После этого он доворачивается, закрывает пальцы и проверяет, получился ли устойчивый захват.

Есть ещё одна хорошая инженерная деталь: пальцы закрываются пружинами. Поэтому после успешной посадки удерживать ветку можно без постоянного расхода энергии на привод. В моделировании система показывала более 99% успешных посадок при ошибке первоначального определения положения цели до 0,6 м; физический прототип подтвердил способность работать с заметно ошибочными координатами и объектами разной формы.

🤖 Японские заводы хотят научить станки самим понимать, как изготовить деталь

30 августа стало известно о новом японском альянсе примерно из 20 промышленных компаний, включая Kyocera и Kobe Steel. Проект возглавляет стартап Arum, а технологическую поддержку оказывает Microsoft Japan; полноценная работа должна начаться в октябре и продолжаться около четырёх лет.

Но интереснее цель. Компании хотят создать physical-AI систему, при которой станок получает данные о детали и сам формирует последовательность операций обработки, вместо того чтобы инженер вручную писал управляющую программу. Если это заработает на разнообразных реальных деталях, physical AI получит гораздо более практичное применение, чем гуманоид, который эффектно ходит по сцене: машина начнёт заменять часть квалифицированной технологической работы непосредственно на производстве.

🪳 Таракан с камерой находит человека под завалом, второй делает укол

Австралийские инженеры превратили гигантских роющих тараканов в маленькую спасательную команду. Одному крепят камеру, второму — миниатюрный инъектор с лекарством. Управляет ими человек дистанционно.

Идея в том, чтобы отправлять таких «киборгов» туда, куда спасатель или обычный робот физически не пролезет: в щели разрушенного здания, пещеры и другие тесные пространства. Электроды позволяют оператору направлять таракана, воздействуя на его усики и церки, а камера первого насекомого помогает навести второго на пострадавшего.

Сам инъектор тоже занятная инженерная штука. Пружина запускает иглу, а внутри миниатюрного шприца смешиваются лимонная кислота и бикарбонат калия. Выделяющийся CO₂ создаёт давление и выталкивает лекарство через иглу. В испытаниях на свиной коже механизм успешно вводил жидкость в 90% случаев.

С навигацией всё пока менее идеально. При нахождении не дальше 15 см от цели успешность укола доходила до 95%, но вся последовательность с правильным позиционированием и стабилизацией таракана перед инъекцией удавалась в 72% испытаний. До настоящих завалов ещё предстоит проверить связь, сложный рельеф и работу всей системы вне лаборатории.

Здесь особенно хорош сам инженерный компромисс. Вместо попытки построить крошечного робота с приводами, батареей, ногами и системой равновесия исследователи оставили всю механику передвижения живому таракану, а электронике достались управление, камера и полезная нагрузка. Выглядит слегка антиутопично, зато для поиска людей под завалами такая биомеханика действительно имеет смысл.

🧠 В Лондоне AI впервые помогал нейрохирургу прямо во время удаления опухоли мозга

В британском National Hospital for Neurology and Neurosurgery впервые применили экспериментальную AI-систему не для анализа снимков до операции, а непосредственно во время нейрохирургического вмешательства.

AI смотрел на живой видеопоток с хирургической камеры и выделял критически важные структуры у основания мозга. Там буквально в миллиметрах друг от друга находятся опухоль, гипофиз, кровеносные сосуды и нервы, отвечающие за зрение.

Систему разработали в UCL и обучили на сотнях записей нейрохирургических операций. Она не двигала инструменты и не принимала решения вместо врача — это важно. Её роль больше похожа на навигацию: помочь хирургу распознать анатомию и понять, где особенно опасно продолжать движение.

Первая операция на пациенте на самом деле состоялась в мае, но результаты и подробности клинического испытания впервые раскрыли 27 августа. Опухоль удалось удалить, зрение пациента сохранилось, сейчас он уже вернулся к работе.

Это хороший пример применения AI, где не нужно изображать «робота-хирурга». Человек остаётся за инструментами, а компьютерное зрение пытается дать ему дополнительный слой информации там, где ошибка в один миллиметр действительно имеет значение. Теперь главный вопрос — сможет ли клиническое испытание показать пользу не на одном эффектном случае, а статистически.

🤖 Hugging Face выпустила робота за $399, которого можно самому переучивать методом проб и ошибок

У Hugging Face теперь есть Microduck — 25-сантиметровый двуногий робот в форме утки стоимостью $399. Он ходит, приседает, встаёт после падения, может хватать предметы клювом и даже ездить на маленьких роликах.

Но утка здесь скорее забавная оболочка для вполне серьёзной идеи. Microduck задуман как доступная открытая платформа для обучения роботов с подкреплением: алгоритм можно сначала тренировать в симуляторе, а затем переносить полученное поведение на настоящего робота.

С сенсорами тоже всё интереснее, чем кажется по размеру. У Microduck есть камера, миниатюрный многозонный лазерный дальномер, два инерциальных датчика, а за движения отвечают 15 приводов. Это именно дальномер, а не полноценная 3D-камера: он измеряет расстояние до объектов перед роботом и помогает оценивать окружающее пространство.

Hugging Face открывает программные инструменты и среду для обучения, поэтому владельцу не обязательно довольствоваться заводскими трюками. Робота можно использовать для экспериментов с управлением движением, компьютерным зрением и переносом навыков из симуляции в физический мир.

Квартиру такая утка, конечно, не уберёт. Но за $399 исследователь или разработчик получает настоящую физическую платформу, на которой можно экспериментировать с теми же принципами обучения, что используются в гораздо более дорогой робототехнике. И в этом Microduck интереснее многих эффектных демонстраций гуманоидов: embodied AI понемногу становится доступен не только компаниям с многомиллионными лабораториями.

🔬 Anthropic дала Claude интерфейс к физическому миру: ИИ сможет сам управлять лабораторией

Anthropic представила Model Hardware Standard (MHS) — общий интерфейс, через который AI-агенты смогут управлять физическим оборудованием: микроскопами, дозаторами жидкостей, лазерами, роботизированными манипуляторами и промышленными установками.

Проблема довольно земная: лаборатория может быть набита дорогими приборами, но каждый говорит на своём языке. Чтобы заставить микроскоп, камеру, лазер и позиционер работать как единая установка, инженеры сейчас тратят недели или месяцы на интеграцию. Anthropic утверждает, что MHS может сократить такую работу до часов или даже минут.

А дальше начинается более интересная часть. Агент получает возможность не просто отправлять команды прибору, а вести эксперимент: читать состояние оборудования, менять параметры, координировать несколько устройств и в некоторых случаях восстанавливаться после аппаратной ошибки. Первоначально стандарт вырос из системы для сложных экспериментов по визуализации мозга в HHMI Janelia.

Пока это исследовательская версия, которую дают ограниченному числу лабораторий и производственных компаний; перед открытой публикацией Anthropic отдельно собирается тестировать безопасность. И это правильная осторожность: разрешить языковой модели нажимать не виртуальные кнопки, а реальные — заметно более серьёзный шаг, чем очередной агент для браузера.

Мне кажется, здесь один из наиболее важных AI-сюжетов последних месяцев вообще. MCP связал модели с программами и данными; MHS пытается проделать то же самое с физическим миром. Если подобный стандарт приживётся, автономная лаборатория перестанет быть отдельным инженерным проектом для каждой установки.

🎥 Роботу показали человеческое видео — и он научился выполнять незнакомую задачу без дообучения

Вчера на arXiv появилась работа Zero-WAM (название исследовательского метода для обучения роботов по видео с действиями человека), которая предлагает довольно естественный способ объяснять роботу новое действие: не писать инструкцию и не собирать отдельный набор роботизированных демонстраций, а просто показать видео, где человек выполняет нужную задачу.

Модель анализирует, как развивается сцена на видео, и использует это как контекст для собственных действий. Авторы собрали набор из 74,2 тысячи пар человеческих и роботизированных демонстраций для 8,6 тысячи задач, после чего проверили систему на операциях, которых она раньше не видела.

В симуляторе RoboTwin 2.0 на семи новых задачах средняя успешность составила 47% — на 29,5 процентного пункта выше сильнейшей сравниваемой модели. В физических экспериментах робот смог переносить идею из человеческого видео на новые расположения предметов, длинные последовательности действий и задачи с точной вставкой объектов.

47% — это ещё очень далеко от надёжного домашнего помощника, и работа пока только препринт. Но сам интерфейс обучения выглядит перспективно: человечество уже накопило миллиарды часов видео, где люди собирают мебель, готовят еду, чинят технику и работают на производстве. Если робот действительно научится использовать их как инструкции, проблема нехватки специальных роботизированных данных станет заметно менее болезненной.

🚗 Hyundai готовится выпускать до 30 тысяч роботов в год — и одновременно масштабирует роботакси

На встрече с инвесторами Hyundai уточнила довольно конкретный план превращения автомобильного бизнеса в смесь автопроизводителя и робототехнической компании. В США компания намерена создать мощности для производства до 30 тысяч роботов в год к 2028 году.

Главный кандидат на серию — Atlas от Boston Dynamics. Одновременно Hyundai собирается в четвёртом квартале начать поставки специально подготовленных IONIQ 5 для Waymo, а автономное подразделение Motional планирует запустить полностью беспилотный сервис в Лас-Вегасе ещё до конца 2026 года.

Есть и менее заметная, но важная часть: компания строит в США центр, где промышленных роботов будут обучать и проверять в условиях, максимально похожих на реальные заводские линии. То есть ставка идёт уже не только на сам Atlas, но и на инфраструктуру его массового внедрения.

Многое из этого пока планы, а не работающие 30 тысяч гуманоидов. Но Hyundai интересна тем, что у неё уже есть то, чего почти нет у робототехнических стартапов: заводы, поставщики, сервис, капитал и реальные производственные задачи. Если гуманоиды вообще готовы к переходу из выставочного павильона в серию, автомобильный концерн — довольно логичное место, где это может произойти.

⚓️ В России испытали тяжёлого подводного робота «Сахалин» — он рассчитан на глубину до 3 км

В Кронштадте начались морские испытания первого российского телеуправляемого подводного аппарата тяжёлого рабочего класса «Сахалин». Это уже не небольшой исследовательский дрон: аппарат предназначен для реальных подводно-технических работ, а заявленная рабочая глубина достигает 3000 метров. Разработчикам пришлось создавать не только механику, но и собственные математические модели, ПО и систему управления.

История сильная именно промышленным контекстом. Такие ROV используются при строительстве и обслуживании нефтегазовой инфраструктуры, кабелей и других глубоководных объектов; раньше в России для тяжёлых задач в значительной степени применялась импортная техника. Теперь главный вопрос — как «Сахалин» покажет себя не на испытательной площадке, а в длительных морских операциях.

🎙 Google выпустила модель распознавания речи, которая пытается понять не только слова, но и то, что человек хотел сказать

Google представила Gemini 3.5 Transcribe — новую модель для преобразования речи в текст. Она работает как с заранее записанным аудио, так и в реальном времени с задержкой меньше секунды и умеет разделять говорящих, ставить временные метки и переключаться между языками прямо посреди разговора.

Интереснее обычной транскрипции то, что модель автоматически чистит речь: убирает «э-э», учитывает исправления человека на ходу и может сразу выдавать нормально оформленный текст. Google отдельно продвигает её как основу для голосовых агентов, а не просто сервис расшифровки диктофона.

На многоязычном тесте FLEURS Google заявляет ошибку распознавания около 5%, а время до окончательной транскрипции, по данным Artificial Analysis, сократилось примерно на 70% относительно предыдущего решения Chirp 3. Это всё же тестовые показатели, а качество на шумной кухне, производстве или совещании с плохими микрофонами может отличаться очень сильно.

Голосовые интерфейсы десятилетиями проигрывали клавиатуре по одной банальной причине: человеку приходилось говорить так, чтобы его понял компьютер. Сейчас направление разворачивается — система сама начинает разбираться в паузах, оговорках и исправлениях. И если голос действительно становится надёжным входом для агентов, это куда важнее очередной функции «надиктовать сообщение».