Time опубликовал ежегодный список «Лучших изобретений года» – 300 коммерческих продуктов, созданных в 2026-м. Очень хочется прочитать про каждое подробно – некоторые технологии очень вдохновляют. Тут есть и очевидные iPhone Duo, Samsung Galaxy S26 Ultra и Calude Code, и уникальные разработки. Вот пять, которые захотелось отметить: • Framework Laptop 13 Pro. Ноутбук, который устроен как велосипед: в комплекте идёт отвёртка, а заменить можно любую деталь – от оперативной памяти до клавиатуры и разъёмов. • Диктофон Plaud NotePin S. Крошечная «стенографистка», которую можно прицепить к рубашке или носить как кулон: по нажатию кнопки она записывает и расшифровывает речь. Приложение собирает из текста резюме по шаблонам, будь то приём у врача или лекция. • Пряжа AMSilk. Шёлк, вдохновлённый паутиной, только без шелкопрядов. Микроорганизмы «программируют» вырабатывать белки шёлка, а из них прядут биоразлагаемую нить. В этом году из неё сшили рубашку, платье и кутюрное платье для Balenciaga. • Робот-пчеловод Beewise ROBI. Сам подъезжает к ульям и роботизированными руками ухаживает за пчёлами, как настоящий пасечник. Фермеру больше не нужно ехать к ульям, которые могут стоять за 40 гектаров от дома: он управляет всем удалённо. • Браслет HapWare Aleye. Переводит невербальные сигналы – улыбку, взмах рукой – в вибрации. В паре с умными очками помогает незрячим и нейроотличным людям «считывать» собеседника.

Shared memory в ROS 2 Humble: разгоняем мегабайтные сообщения через CycloneDDS и iceoryx без лишней нагрузки на сеть ⚡️ 🤍Когда датасеты и сенсоры начинают генерировать гигантские потоки данных, стандартный сетевой стек ROS 2 начинает захлебываться. Спасением становится shared memory — механизм общей памяти, который работает как чит-код для бесплатного ускорения. 🤍На практике всё выглядит просто: одна строка в конфигурационном файле, и тяжелые сообщения передаются мгновенно. Но есть нюанс — после запуска стандартная утилита ros2 node list вдруг показывает абсолютно пустой список, хотя сама система функционирует стабильно. 🤍Такие архитектурные особенности zero-copy подходов требуют внимательной настройки транспортных плагинов. На реальных проектах это позволяет исключить лишние копирования данных между процессами и кардинально разгрузить систему при высокой частоте сообщений. 🤍Подробнее — в источнике. ————————— 🤖Подписывайтесь на лучший канал PRO Роботов 📲Мы в MAX

Eka привлекла 150 миллионов долларов на AI для ловких роботов Стартап Eka Robotics разрабатывает AI и роботизированный захват, который умеет быстро брать разные предметы. Например, он может аккуратно поднимать малину, не раздавливая её. Модель объединяет зрение, ощущение силы контакта и управление движениями. Это помогает роботу подстраиваться, когда предмет скользит или меняет положение. Навыки он осваивает в физических симуляциях с помощью обучения с подкреплением — через множество попыток и обратную связь за результат. По данным Eka, робот способен поднимать 1500 предметов весом до килограмма в час, успешно справляясь более чем в 95% случаев. Сейчас компания проводит промышленные пилоты с перекладыванием предметов и работой с проводами. В недавнем раунде Eka Robotics оценили в 1.45 миллиарда долларов. https://techcrunch.com/2026/10/20/eka-is-worth-1-45-billion-thanks-to-a-physical-ai-model-that-has-experts-raving/

OmniPoser мокап без маркеров. Но нужны сенсоры или уже извлеченные ключевые точки, модель достраивает недостающие суставы. Пригодится для VR, аватаров, робототехники и анимации. Раньше под каждый набор сенсоров учили свою модель, здесь одна архитектура на все • На вход любые комбинации датчиков, включая верх тела, пять точек VR или только голову • Понимает, каких суставов нет, и достраивает их по смыслу, а не нулями • Отдает готовый SMPL: поза, форма, контакт стоп с полом, глобальная траектория без дрейфа • Один шаг генерации, без перебора вариантов • Больше 700 кадров в секунду • Реальное время на одной видеокарте • Точность на уровне специалистов: 32,1 мм на AMASS против 34,8 у RoHM, на Nymeria 21,1 против 59,3 github.com/JamesBridgewater51/omniposer #mocap MAX

Sharpa представила датасет с 300 часами реальной работы роботизированных рук и 59 различными задачами. Главная особенность — роботы учатся не только по видео и движениям человека, но и по данным тактильных датчиков на всех десяти пальцах. 👍 Это позволяет нейросети понимать, с какой силой нужно сжимать предмет, когда он начинает выскальзывать и как правильно взаимодействовать с хрупкими объектами. В набор вошли сборка механизмов, подключение проводов, работа с инструментами, складывание полотенец и другие задачи. 🔥 Именно чувство осязания может стать ключом к настоящей ловкости роботов. Ведь увидеть предмет и правильно взять его — совершенно разные задачи. Правда, пока все 29 тысяч демонстраций записаны под управлением человека. Самостоятельно выполнять все эти операции роботы ещё не научились. Но теперь у разработчиков появилось гораздо больше данных, чтобы этому их научить! 🔗 Датасет SharpaDex⁠ ————————— 🤖 Подписывайтесь на лучший  канал PRO Роботов 📲 Мы в Max

Какой-то непривычно душевный рассказ кофаундера о жизни и достижениях его стартапа Agility Robotics. Рассказ о том, как хотел построить робота мечты, красивого и элегантного, а пришлось через несколько итераций создавать не слишком ловкого, не слишком красивого или милого — зато вполне могучего робота для складской работы. Красивые демонстрации в современных интерьерах имеют слабое отношение к реальной логистики, где огромный кусок ручной работы, требующей автоматизации, выглядит совершенно непривлекательно: надо научиться ворочать тяжелые коробки в тесных и неудобных пространствах. Поэтому вместо машины мечты пришлось за десяток лет после многих итераций создать неказистого, зато сильного грузчика. Совершенно не футуристическая история — но почему-то тот редкий текст, который с удовольствием прочитал с начала до конца, не сгружая ничего агенту для суммаризации и анализа:)

With Digit 5, Agility has built a robot that will be useful in our world. Now I’m getting back to work to make it beautiful, too.

Вдруг и вам кому-нибудь зайдет. https://spectrum.ieee.org/agility-robotics-digit-5-redesign

🤖 GPT-6-Astra прошла порог воплощённой компетентности, но не воплощённого интеллекта, - исследование SenseNova Команда SenseNova вместе с ACE Robotics, Ropedia, Nanyang Technological University и University of Tokyo опубликовала исследование, в котором проверила, достигла ли GPT-6-Astra от OpenAI воплощённого интеллекта (embodied intelligence). Воплощённый интеллект - это способность управлять роботами и выполнять задачи в физическом мире без дообучения. Astra управляла манипуляторами, многопалыми кистями, гуманоидом и навигацией на 12 бенчмарках в симуляции и на 8 реальных роботах. Задачи в основном бытовые: включить плиту и поставить на неё кофеварку, навести порядок на кухне, разблокировать iPad, забить гвоздь молотком, сыграть мелодию на пианино, сложить ткань, найти предмет в здании, вставить вилку в розетку. В симуляции Astra обошла всех конкурентов на 9 из 12 бенчмарков, в том числе специализированные VLA-модели, которые учатся на записях решения тех же задач. На DexJoCo у неё 78.2% успешных эпизодов против 40.3% у π0.5. Помогли два приёма. Перед тестом модель изучает обучающие демонстрации и создает пакет знаний с заметками, эталонными траекториями и Python-кодом. Лимит шагов ей увеличили в 10 раз, и она успевала заметить ошибку и исправить её. На RoboDojo это улучшило результат с 27.6% до 81.9%. Но результаты в физическом мире показали, что это ещё не практический воплощённый интеллект. Лишние попытки здесь не бесплатны, время не безгранично, а роботы уходят в защитную остановку и перегреваются. Переставить твёрдый предмет получилось в 17 попытках из 18, а вставить вилку в розетку 0 раз из 11. Неудачный контакт вызывал защитную остановку, так закончились 2 из 3 попыток вставить вилку на роботе PiPER. Долгая работа перегревает приводы, и на гуманоиде Galaxea R1 Pro перегрев корпуса прервал обе попытки собрать цветы. На гуманоиде Unitree G1 модель около 90% времени думает - один запрос к API занимал около 25 секунд, и робот поднимал игрушку с пола более часа. Многопалые кисти Wuji на роботе Tianji M6S по коду захвата, который написала сама модель, не подняли игрушку ни разу из трёх попыток, а с готовыми скриптами захвата, написанных человеком, подняли все три раза. Отсюда вывод: порог воплощённой компетентности GPT-6-Astra прошла, то есть на бенчмарках она уже решает задачи роботов не хуже, а часто лучше специализированных моделей. А порог практического воплощённого интеллекта пока нет, потому что в физическом мире она работает медленно, дорого и ненадёжно. Авторы выложили пакеты знаний, логи 3180 тестовых эпизодов с 5888 видео (81 ГБ, лицензия MIT) для четырёх бенчмарков. Код обвязки SenseNova-RoboRSI заявлен под Apache 2.0, но пока не опубликован. #Stateoftheart

Intel разрабатывает SoC Razor Lake-AX для робототехники с производительностью 700 TOPS Intel раскрыла планы по выпуску процессора Razor Lake-AX, запланированного на 2028 год как специализированная система на чипе (SoC) для автономных роботов и гуманоидных систем. Согласно планам компании, производительность встроенного ИИ-ускорителя достигнет 700 TOPS, что почти в четыре раза превышает показатели текущей платформы Panther Lake (180 TOPS). Ранее Razor Lake-AX упоминался в утечках как потенциальный конкурент гибридных чипов AMD серии Ryzen AI Max. По предварительным данным, SoC получит графический блок с 16 или 32 ядрами Xe3P, широкую шину и распаянную на подложке память. Несмотря на заявленные 700 TOPS, Intel пока не уточняет точность вычислений (INT8 или FP4).

Один из главных эффектов от этого будет ускорение прогресса в роботике. Первые демо роботов-гуманоидов появились больше 50 лет назад, и до сих пор компании в основном продают демки. Сегодня (и завтра) я на конфе Humanoid Hub в СФ, общаюсь с фаундерами и инженерами из роботических стартапов. Один из прорывов за последний год в базовых роботических моделях - это уход от специализированной тренировки под каждую задачу к генерализации и обучении в рамках окна контекста. Например, модель Skild не имеет никаких других источников кроме как информация от моторов. Каждый мотор работает на 100 герцах, то есть за 1 секунду модель успевает сделать сотню проб и ошибок, понять что работает и адаптироваться к задаче с одного или вообще без примеров того как физически эта задача выполняется человеком. Для сравнения, пару лет назад задачи типа мелкой моторики или сложной навигации для гуманоидов/квадрупедов требовало тысяч часов живого видео и десятки тысяч часов симуляций. При этом, модель агностична к железу и работает одинаково эффективно для разных моделей, включая роборуки, колесные тележки или гуманоиды). Если автоматизация офисных бизнес-процессов через ИИ это $30 трлн в год, то роботы - это еще $20-25 трлн. Глупо было бы не забрать какой-нибудь жирный процент от этих денег, да ведь?

У вас есть ощущение, что сейчас у большинства научных статей происходит кризис осмысленности? Приведу несколько примеров. Наверное, вы помните, что пару месяцев назад я делал интервью с Глебом на тему World Models. Глеб проводил целую серию семинаров о том, а вообще имеют ли смысл World Models, где в них искать преимущества и в чём их профит. И это была очень ценная, на мой взгляд, и важная серия семинаров. Есть масса работ, поддержанных NVIDIA и другими компаниями, в которых проделана огромная и сложнейшая работа по тому, как обучить World Model, как получить дополнительные проценты на каком-то бенчмарке при таком подходе и прочее, и прочее. Но при этом нет ни одной внятной демонстрации и чёткого ответа на вопрос, как именно это помогает. И чтобы разобраться с этим, нужно привлекать достаточно умных людей, которые глубоко в теме, причём не один раз. И мне кажется, что это огромная проблема современной науки и современных статей. Я вот полчаса назад сходил на небольшой семинар одного из авторов модели D-Robotics Uranus, который проводила сама D-Robotics. Я абсолютно случайно оказался в их Discord-канале, когда они прислали мне плату на тестирование. Наверное, вы помните видео про RDK S100. Они параллельно занимаются тем, что обучают World Models. Автор рассказал доклад. Явно написанный чатом гпт. Здоровый человек не говорит в таких формулировках. Я спросил автора, смогли ли они сделать какой-нибудь простой тест на новом роботе в новом environment и сравнить результат с каким-нибудь ACT. Или сделать любой ablation study. Мой вопрос был единственным. Автор решил что лучший ответ - отключить камеру и перестал отвечать на что либо. 🤣🤣🤣 Мне кажется, это очень показательно. Когда я смотрю на реальные стартапы, которые что-то делают, они очень часто не используют вообще никакие технологии, появившиеся за последние три-четыре года. Потому что ещё не произошло осмысления того, что было сделано за это время, и того, как это применять в реальности. И абсолютно не факт, что значительная часть этих технологий вообще дойдёт до реального применения. Мне это кажется катастрофическим разрывом с тем, как всё было 20 лет назад. Когда практически по любой статье, которая появлялась, с автором можно было очень долго разговаривать о том, где это можно использовать, какие проблемы это в реальности может решать. И авторы были супер открыты к тому, чтобы обсуждать, что да, им кажется, что это, конечно, не общий метод, но вот тут, тут и тут он может значительно усилить существующие алгоритмы. Сейчас же авторы живут в каком-то своём воображаемом замке, который очень плохо маппится на реальность.

Как в «Дюне»: в Китае испытали робота для добычи железа из пустынного песка В пустыне Такла-Макан китайские исследователи испытали небольшого гусеничного робота, который собирает железосодержащие частицы из песка с помощью сухой магнитной сепарации. Прототип извлекал в среднем 0,46% магнитного материала, а содержание железа в собранной фракции доходило примерно до 32%; вместе с ним нашли титан и марганец. Робот весит 4,3 кг, работает до 12,5 часа на аккумуляторе и солнечной панели и преодолевает склоны крутизной до 20 градусов. Пока это только экспериментальная установка — данных о рентабельности и промышленной производительности нет. Исследователи считают, что такой опыт может пригодиться для добычи ресурсов на Луне, Марсе и других планетах. #добычаископаемых #китайскиетехнологии #робототехника 📎Подробнее 🔖 3DNews в TG | MAX | VK

Оборотень на колёсах. Я уже писал про компании, которые на деле являются не совсем теми, кем кажутся (типа Ferrari и Red Bull). Похоже, самый крупный экземпляр этого вида – Tesla. На первый взгляд, перед нами классический автоконцерн: 87% его выручки приносят электромобили. Но стоит взглянуть на капитализацию, и картинка ломается. Tesla оценивается почти в $1,4 трлн – это дороже, чем Toyota, BYD, GM, Mercedes и ещё пять автогигантов вместе взятые (при том что некоторые из них зарабатывают в разы больше). Никакой автомобильной арифметикой такую цену не объяснить. Аномалия чистой воды. Секрет простой: рынок давно перестал видеть в Tesla производителя машин. Покупая её акции, инвесторы авансом финансируют совсем другую историю – массовый запуск роботакси Cybercab и батареи для освоения космоса. А главное – андроидов Optimus, которых по задумке Маска первыми отправят на Луну и Марс готовить базу к прилёту людей. Электромобили тут, по сути, идут как лёгкая тренировка на кошках. Настоящий товар – сам Илон, его амбиции и те продуктовые команды, которые он смог выстроить под собой. В отличие от всего остального автопрома, который год за годом обновляет решётки радиаторов и соревнуется в размерах экранов, Маск строит то, чего раньше не существовало. Именно за это ему и платят. И платят щедро. Переоценена ли Tesla? По всем формулам – безбожно. Но я бы не стал спорить с теми, кто берёт её акции вдолгую. Маск столько раз утирал нос скептикам, что ставить против него сейчас было бы, мягко говоря, самонадеянно.

Не везет ИИ с руками человеческими. Довольно долго подсчет пальцев на сгенерированных картинках развлекал всех, причастных к генеративной графике. А теперь вот пальцы оказались камнем преткновения в гуманоидных роботах. Маск, комментируя задержки с его любимым Оптимусом, недовольно констатирует:

"The hands and arms and the fine motor skills are incredibly difficult to get right. Like shockingly difficult."

Что, в принципе, неудивительно: рука, как и мозг, уникально развитый у человека орган в сравнениями с любыми животными. Но инженеры, занятые Physical AI, победят, конечно, в итоге и эту проблему, как победили проблемы изображения кистей рук в генеративной графике и видео. https://www.businessinsider.com/elon-musk-designing-humanoid-hand-challenges-optimus-2026-10

🤖 Почему строительный робот Mantis от All3 выглядит именно так Про этого робота-паука я вам уже рассказывал. Это Mantis от компании All3 — нового проекта основателей «Самоката» Родиона Шишкова и Вячеслава Бочарова. Сейчас они уже выпустили третье поколение этого робота. А Шишков выпустил текст про то, почему Mantis выглядит именно так. Собственно, Шишков взял интервью у Джузеппе Напо Монтано — вице-президента All3, который и занимается разработкой. И там есть интересные нюансы по конструкции робота. ➖ От человекоподобных роботов они отказались сразу. Напо говорит, что они хороши там, где все подстроено под человека — офисы, дома, заводы. А на стройке пока еще ничего нет, поэтому такой форм-фактор не особо актуален. Здесь больше нужна надежность. ➖ Четыре опоры дают стабильность. Не нужно тратить энергию и вычислительные ресурсы на поддержание вертикального положения (как в случае с двумя ногами). И можно распределить массу. Кстати, робот не всегда похож на паука. Ноги могут принимать другое положение, и тогда он становится робособакой. На видео есть этот момент. ➖ При разработке габаритов отталкивались от требований стройплощадки. Робот должен проходить в стандартный дверной проем и помещаться в стандартном строительном лифте. Отсюда его ширина в 75 см. ➖ В сложенном виде робот помещается на европаллете. Это нужно для его транспортировки между объектами. ➖ Mantis, кстати, тяжелый. Он весит 135 кг. Но это нужно, чтобы он мог стабильно прикладывать усилия к чему-то (например, закручивать шуруп или придавливать какую-нибудь панель) и удерживаться на месте. А еще он может переносить груз весом 100 кг. ➖ Была проблема с высотой работ. Как сделать так, чтобы робот мог работать на большой высоте? Эту проблему решили роборукой, которая крепится у него на спине. Есть стандартная с радиусом действия 1,8 метра. А есть телескопическая для работы на высоте до 4 метров. ➖ У разработчиков принцип, что сначала физическая часть, а уже потом AI-обучение. Говорят, что так можно добиться большей надежности, а не универсальности. Кстати, компоненты, работающие на базе машинного обучения, не имеют доступа к моторам. Есть базовый уровень (контроллер), который будет удерживать робота в равновесии, если все другие системы перестанут подавать сигналы. ➖ Машинное обучение оказалось эффективнее всего в походке. Сначала отрабатывают в симуляции с учетом реальных характеристик, а потом уже проверяют на реальных роботах. ➖ Как это все работает? Есть модель здания с перечнем работ. Система преобразует это в последовательность задач и передает роботу. Тот получает команду переместиться в определенную точку и выполнить задачу. Выполнил — отчитался. План обновился. В каждого робота загружен план здания, чтобы он мог ориентироваться. Точность позиционирования до 5 см. А система отслеживает положение всех роботов на объекте. Вот как-то так. Было бы круто посмотреть на этих роботов в деле. Но на их YouTube-канале что-то нет свежих видосов — только видео 10 месяцев назад про то, как робот шуруп закручивает. Напомню, что изначально основатели вложили в All3 $30 млн. Потом в апреле компания анонсировала seed-раунд на $25 млн. Его возглавил фонд RTP Global Леонида Богуславского. Еще в сентябре, похоже, был раунд, но его почему-то не стали отдельно анонсировать. Ну что, когда увидим полчища роботов на стройках? 🔥 — В ближайшие 3-5 лет! 🤷‍♂️ — О, еще не скоро! Точно не в ближайшие 5 лет! @TheEdinorogBlog — тот самый канал про стартапы🦄

📖 Сейчас перечитываю Азимова и вот закончил цикл про детектива Элайджа Бейли и робота Дэниела Оливо. Очень советую И не только потому, что это крутая фантастика. Эти книги позволяют совершенно по-другому взглянуть на наш сегодняшний мир с нейросетями. Азимов — автор трех законов робототехники и, по сути, один из тех, кто сформировал наше представление о роботах через кино, сериалы и массовую культуру. 🤔 Но самое интересное, что в его книгах роботы сталкиваются практически с теми же проблемами, с которыми мы сегодня сталкиваемся при работе с нейросетями. Например, у Азимова часто встречается такой сюжетный прием: роботу ставят задачу, которую он должен выполнить, а потом появляется другой человек, который пытается эту задачу отменить или как-то обойти первоначальные инструкции. 😍 И начинается настоящее искусство управления роботом. На сегодняшний язык это можно перевести как искусство промптинга. Как сформулировать инструкцию, чтобы машина сделала именно то, что тебе нужно? Как она выбирает, каким инструкциям следовать, если они противоречат друг другу? Какие из них имеют больший приоритет? 🤷‍♂️ По сути, ровно с этими вопросами мы сегодня сталкиваемся при работе с нейронками. И мне кажется очень интересным, насколько точно фантастика Азимова пересекается с нашей сегодняшней реальностью. 👌 Так что вот вам литературная рекомендация: почитайте цикл про Элайджа Бейли и Дэниела Оливо. Особенно если работаете с нейросетями. Свята место | 10МДК | Чатик | YHub