Современные процессоры в основном построены на MOSFET, где ток включается благодаря тепловому переносу носителей через энергетический барьер. У такого механизма есть фундаментальное ограничение: при комнатной температуре подпороговый размах нельзя существенно уменьшить ниже примерно 60 мВ на декаду.
Команда Hong Kong Polytechnic University продемонстрировала другой подход — tunnel field-effect transistor, или TFET. В нём носителям не требуется получать достаточно энергии, чтобы подняться над барьером. Они проходят через него благодаря квантовому туннелированию.
Исследователи изготовили ультратонкую гетероструктуру из двумерного висмута и селенида индия. В тонком состоянии свойства Bi меняются, а взаимное расположение энергетических зон Bi и InSe создаёт условия для эффективного туннелирования.
Экспериментальный транзистор сохранял подпороговый размах ниже 60 мВ/дек на диапазоне тока в шесть порядков. При комнатной температуре ему потребовалось около 160 мВ диапазона напряжения затвора. При этом удалось сохранить выходной ток в несколько микроампер на микрометр — важное достижение, поскольку многие предыдущие TFET переключались круто, но не могли выдавать достаточно большой ток.
Это не означает, что предел Больцмана как физический закон «сломали». TFET просто использует другой механизм переноса заряда, на который классическое ограничение термоэмиссионного MOSFET не распространяется.
До массового производства ещё необходимо решить вопросы воспроизводимости, надёжности, интеграции и выхода годных устройств. Но сочетание крутого переключения и высокого тока делает Bi/InSe одним из интересных кандидатов для будущей низковольтной логики и энергоэффективных AI-чипов.
Новое исследование из Канады связало long COVID со снижением маркера VMAT2 в полосатом теле мозга. Работа выполнена в Centre for Addiction and Mental Health в Торонто и опубликована в eBioMedicine.
В исследовании участвовали 24 взрослых с long COVID и 24 здоровых человека того же возраста. С помощью PET учёные измеряли связывание VMAT2 — везикулярного переносчика моноаминов 2. Этот показатель используется как маркер целостности нервных окончаний, выделяющих дофамин.
У группы с long COVID VMAT2 был снижен во всех трёх изученных областях стриатума. Более низкие значения в вентральном стриатуме были связаны с апатией и снижением мотивации, в дорсальном путамене — с замедлением движений, а в хвостатом ядре — с ухудшением памяти.
Это важная деталь: исследование не доказывает, что SARS-CoV-2 напрямую уничтожает «рецепторы радости». VMAT2 не является дофаминовым рецептором, а результаты PET скорее указывают на возможное снижение целостности или плотности дофаминовых нервных окончаний.
Не доказано и то, что изменения необратимы. Авторы прямо указывают на необходимость дальнейших исследований, более крупных выборок и проверки терапевтических подходов, направленных на работу дофаминовых синапсов.
Работа интересна тем, что предлагает конкретный биологический механизм для части симптомов long COVID — апатии, замедленности и нарушений памяти. Но пока это важный научный сигнал, а не окончательный ответ на происхождение всех проявлений длительного COVID.
CXMT, крупнейший китайский производитель DRAM, по данным отраслевых источников начала мелкосерийный выпуск памяти HBM3E. Это один из самых важных элементов современных систем искусственного интеллекта: без высокоскоростной памяти даже мощный AI-процессор не способен эффективно работать с огромными объёмами данных.
Первые образцы CXMT уже проходят тестирование у китайских разработчиков процессоров. Среди них T-Head — подразделение Alibaba — и Cambricon Technologies. Если квалификация пройдёт успешно, память CXMT может появиться в коммерческих ускорителях в 2027 году.
HBM отличается от обычной DRAM многослойной конструкцией и чрезвычайно широким интерфейсом. Несколько кристаллов памяти располагаются вертикально и соединяются между собой, что позволяет передавать огромные объёмы данных между памятью и вычислительным ускорителем.
Особенно важно это на фоне экспортных ограничений. Китайские компании активно разрабатывают собственные AI-чипы, но доступ к наиболее современной зарубежной HBM ограничен. Поэтому локальное производство памяти становится стратегическим элементом всей китайской AI-инфраструктуры.
При этом CXMT пока не раскрыла технические параметры собственной HBM3E, а само начало выпуска не было официально подтверждено компанией. Речь идёт о небольших тестовых партиях, а массовое производство будет зависеть от выхода годных кристаллов, стабильности и квалификации у клиентов.
Параллельно CXMT быстро наращивает общие мощности DRAM. Аналитики допускают уровень около 350 тысяч пластин в месяц к концу 2026 года и дальнейшее расширение новых фабрик.
Если компания сможет стабильно производить HBM3E в больших объёмах, Китай получит ещё один критически важный элемент собственной экосистемы искусственного интеллекта.
Исследователи из Германии и Японии продемонстрировали необычный принцип охлаждения, в котором источником энергии для холодильного цикла может стать само отходящее тепло. Вместо традиционного электромеханического привода система использует тонкую плёнку из сплава с памятью формы.
Конструкция состоит из двух функционально разных металлических плёнок. Первая выполнена из TiNi. При нагревании она стремится восстановить первоначальную форму, сокращается и создаёт механическое усилие. Это движение передаётся второй плёнке — TiNiFe, которая работает как твердотельный хладагент.
При растяжении и последующем снятии нагрузки в TiNiFe происходит обратимый фазовый переход. Материал сначала выделяет тепло, а затем при возвращении в исходное состояние поглощает его и охлаждается. Это и есть эластокалорический эффект.
В лабораторном режиме при температуре привода 86 °C изменение температуры самой охлаждающей плёнки достигло 12,9 K, а устойчивый перепад на уровне устройства составил 4 K при удельной мощности около 4,4 Вт/г. При работе от внешнего источника тепла температурой 130 °C система сохранила перепад 2,2 K и около 3,3 Вт/г.
Главное преимущество концепции — отсутствие громоздкого электромотора, необходимого большинству подобных установок. Потенциальным источником энергии может стать отходящее тепло электроники, двигателя или солнечного коллектора.
Но до практического охлаждения процессоров ещё далеко. Нынешний прототип предназначен для демонстрации принципа, а его абсолютная холодильная мощность слишком мала. Команда уже работает над параллельным соединением нескольких плёнок, повышением частоты работы и улучшением теплообмена.
Если технологию удастся масштабировать, она может стать основой компактного твердотельного охлаждения электроники и дата-центров.
JetZero готовит к испытаниям Jet1 — полноразмерный демонстратор необычного пассажирского самолёта с интегральной аэродинамической схемой blended wing body. Первый полёт запланирован на четвёртый квартал 2027 года и должен стать ключевой проверкой всей программы Z4.
В обычном авиалайнере основную подъёмную силу создают крылья, а цилиндрический фюзеляж в первую очередь перевозит пассажиров и груз. У JetZero корпус и крыло объединены значительно сильнее. Большая часть поверхности участвует в создании подъёмной силы, а сопротивление потенциально становится ниже.
Именно за счёт этого JetZero рассчитывает добиться снижения расхода топлива до 50% по сравнению с традиционными самолётами аналогичной вместимости. Серийный Z4 проектируется примерно на 250 пассажиров и дальность до 5000 морских миль — около 9260 км.
Однако цифра 50% пока является расчётной целью компании. Чтобы подтвердить её, необходимо провести реальные лётные испытания. Jet1 строится в Мохаве совместно со Scaled Composites, дочерней компанией Northrop Grumman. По состоянию на июнь 2026 года готовность демонстратора оценивалась примерно в 40%.
JetZero уже получила серьёзную поддержку отрасли. United Airlines инвестировала в компанию и получила возможность приобрести до 200 самолётов при выполнении программы, Gulf Air подписала письмо о намерениях, а Japan Airlines участвует в развитии проекта.
Одновременно в Гринсборо строится производственный комплекс для будущего Z4. Компания рассчитывает начать коммерческую эксплуатацию самолёта в начале 2030-х.
Поэтому 2027 год станет настоящей проверкой концепции: именно первый полёт покажет, насколько хорошо необычная аэродинамика работает за пределами компьютерных моделей.
Инженеры University of Texas at Austin вместе с исследователями TSMC изготовили и протестировали SOT-MRAM — энергонезависимую магнитную память, которая рассматривается как перспективный элемент будущих AI-ускорителей.
Исследование особенно интересно тем, что речь идёт не только о хранении информации. SOT-MRAM можно использовать в crossbar-архитектурах, где часть операций выполняется непосредственно рядом с ячейками памяти. Это уменьшает необходимость постоянно перемещать данные между отдельной памятью и вычислительным блоком — одним из главных источников энергопотребления современных AI-систем.
Экспериментальные устройства были совместимы с производством на 300-мм пластинах. Они показали время записи около 2 нс, энергозатраты порядка 2 пДж на операцию, напряжение ниже 1 В и туннельное магнитосопротивление около 150%. Исследователи также измерили низкий шум записи и разброс характеристик между устройствами около 10%.
Полученные параметры проверили на нескольких сценариях. Среди них — инференс предварительно откалиброванных нейросетей, обучение бинарных нейронных сетей и вероятностное графовое моделирование.
SOT-MRAM хранит только два устойчивых состояния, поэтому напрямую заменить обычную многобитную память она не может. Но именно бинарность и стохастическое переключение исследователи научились использовать как часть вычислительного процесса.
Наиболее перспективное направление — edge AI: робототехника, сенсоры и автономные устройства, где важны минимальные задержки и низкое энергопотребление.
До коммерческого ускорителя ещё далеко: необходимо улучшать воспроизводимость ячеек и масштабировать массивы. Но работа показывает, что граница между памятью и вычислениями постепенно начинает исчезать.
Литографические системы High-NA EUV постепенно переходят из экспериментального оборудования в инструменты реального производства. ASML сообщила, что десять таких машин уже работают у четырёх клиентов, а ещё три находятся на этапе поставки и установки.
Главное техническое изменение — числовая апертура 0,55 вместо 0,33 у существующих EUV-систем. Более высокая NA увеличивает разрешение оптики и позволяет формировать более мелкие элементы без части дополнительных экспозиций, необходимых при мультипаттернинге. Это потенциально сокращает количество технологических операций, время производства и число источников дефектов.
Одним из первых реальных пользователей стала Intel. Компания официально подтвердила применение High-NA EUV в серийном производстве на отдельных слоях части процессоров Core Ultra Series 3 Panther Lake, выпускаемых по технологии Intel 18A.
ASML также заявила, что её High-NA системы суммарно участвовали в экспонировании более 1,35 млн пластин. EXE:5200B прошла квалификацию на производительности примерно 135 пластин в час. Следующие поколения должны постепенно поднять этот показатель до 180 и более пластин в час, а в отдельных режимах — превысить 210.
Для памяти технология тоже выглядит перспективно. Samsung и SK hynix рассматривают High-NA для будущих поколений DRAM, где уменьшение количества экспозиций особенно важно при больших объёмах производства.
TSMC пока действует осторожнее и не использует High-NA для массового выпуска передовых логических чипов. Переход для крупнейшего контрактного производителя потребует огромных инвестиций и перестройки производственных процессов.
Поэтому главный вопрос уже не в том, работает ли High-NA EUV, а в том, насколько быстро индустрия сможет сделать её экономически оправданной.
После бума генеративного искусственного интеллекта NVIDIA делает ставку на следующий этап — Physical AI, или физический ИИ.
Это системы, которые не просто генерируют текст, изображения или видео, а воспринимают окружающий мир, принимают решения и физически действуют в нём: управляют роботами, автономными автомобилями, промышленным оборудованием и другими машинами.
NVIDIA уже строит для этого практически полноценную экосистему.
DGX используется для обучения моделей, Omniverse, Cosmos, Isaac Sim и Isaac Lab позволяют создавать виртуальные миры, генерировать данные и обучать роботов в симуляции, а Jetson Thor запускает модели непосредственно внутри физической машины. Центральным элементом для гуманоидов становится платформа Isaac GR00T с моделями vision-language-action.
Фактически NVIDIA пытается повторить стратегию, которая когда-то сделала CUDA стандартом для GPU-вычислений: предложить разработчикам не один чип, а целую платформу от обучения до запуска готового робота.
В 2026 году технологии NVIDIA уже используют или тестируют ABB Robotics, FANUC, KUKA, Figure, Agility Robotics, Universal Robots, Yaskawa, AGIBOT и другие производители. NVIDIA также представила открытый референсный гуманоид на базе Unitree H2 Plus, Jetson Thor и Isaac GR00T.
Особенно интересен Китай.
По данным International Federation of Robotics, в 2025 году в китайских предприятиях установили около 354 тысяч промышленных роботов — 59% от всех новых установок в мире. Это делает Китай крупнейшим реальным полигоном для промышленной робототехники.
И здесь возникает необычная технологическая взаимозависимость.
Китай чрезвычайно силён в производстве роботов, приводов, компонентов и масштабном внедрении автоматизации, тогда как NVIDIA пытается закрепить за собой ключевую часть программно-вычислительного слоя — модели, симуляцию и бортовые компьютеры.
Финансовые масштабы пока несопоставимы с главным бизнесом NVIDIA. За финансовый 2026 год объединённое направление Automotive and Robotics принесло компании рекордные $2,3 млрд, увеличившись на 39%. NVIDIA не раскрывает отдельно, сколько из этой суммы приходится именно на робототехнику и Physical AI.
Но технологическая ставка очевидна.
Если генеративный ИИ научил компьютеры понимать и создавать информацию, то Physical AI должен научить машины понимать физический мир и действовать внутри него.
И NVIDIA хочет предоставить вычислительную платформу для всей этой новой индустрии.
#NVIDIA #PhysicalAI #Роботы #Robotics #IsaacGR00T #GR00T #JetsonThor #Omniverse #NVIDIACosmos #HumanoidRobots #ГуманоидныеРоботы #ИскусственныйИнтеллект #AI #Робототехника #Автоматизация #Китай #FutureTech #НовыеТехнологии #ТехнологииБудущего #XenonLab
GPU сделали NVIDIA главным победителем первой волны бума искусственного интеллекта. Но теперь компании недостаточно просто выпускать самые быстрые ускорители. По мере того как AI-дата-центры вырастают до десятков тысяч процессоров, главным становится вопрос: как заставить всю систему работать как единый компьютер.
Поэтому NVIDIA расширяется далеко за пределы GPU. Компания развивает NVLink, Spectrum-X и InfiniBand для сетей, BlueField для инфраструктурных задач, Vera CPU для обработки и перемещения данных, а также решения для AI-native storage. Поверх аппаратного слоя работает NVIDIA AI Enterprise и программная экосистема для обучения, inference, reasoning и AI-агентов.
Особенно важным становится агентный ИИ. Такой агент постоянно извлекает контекст, обращается к базам данных, вызывает инструменты и выполняет многошаговые задачи. Поэтому роль сетей, памяти, хранения и управления данными резко возрастает.
NVIDIA называет подобную инфраструктуру AI Factory — системой, где энергия, чипы, сети, хранилища, модели и приложения проектируются как единое целое. Это помогает компании защищаться от ситуации, когда отдельные клиенты переходят на собственные ускорители.
Но говорить, что NVIDIA уходит от GPU, неправильно. GPU остаются фундаментом платформы. Меняется другое: компания хочет зарабатывать на каждом слое AI-инфраструктуры и сделать переход на конкурирующую экосистему сложнее. Если стратегия сработает, соперничать придётся уже не с одним чипом NVIDIA, а с целой системой.
Исследователи EPFL предложили новую архитектуру силовых GaN-устройств, которая решает одну из главных проблем высоковольтной электроники — концентрацию электрического поля возле контактов транзистора.
В обычном GaN HEMT при выключенном состоянии поле распределяется неравномерно. Возле затвора возникает локальный пик, и именно он способен вызвать пробой задолго до того, как весь материал приблизится к своему физическому пределу.
В новой структуре используется intrinsic polarization superjunction. В гетероструктуре GaN/AlGaN/GaN естественная поляризация материала создаёт два двумерных слоя носителей: электронный 2DEG и дырочный 2DHG. Их концентрации составили примерно 1,03×10¹³ и 1,05×10¹³ см⁻² соответственно — разница менее 2%.
Когда устройство выключено, оба слоя могут одновременно обедняться, сохраняя практически нейтральную дрейфовую область. В результате электрическое поле вместо одного экстремального пика распределяется намного равномернее.
На этой архитектуре команда изготовила GaN-on-Si диоды Шоттки с напряжением свыше 3,9 кВ и сопротивлением 4,7 мОм·см². Транзисторы выдержали более 3,4 кВ без традиционных field plates. Устройства также сохраняли высокое напряжение пробоя при нагреве до 125 °C.
Особенно интересно, что технология реализована на шестидюймовой кремниевой подложке, что потенциально снижает стоимость производства. Однако это пока исследовательские образцы. Следующая задача — совместить высокое напряжение с ещё меньшим сопротивлением и интегрировать архитектуру в более сложные многоканальные GaN-структуры.
Австралийские исследователи из Flinders University разработали новую конструкцию водной цинк-йодной батареи, рассчитанную прежде всего на долговременное хранение энергии. В лабораторных испытаниях она продемонстрировала более 60 000 циклов и исключительно низкую скорость потери ёмкости.
Проблема цинк-йодной химии заключается в полигалогенидах. Во время работы батареи соединения йода способны покидать катод и перемещаться через электролит. Этот shuttle effect приводит к потере активного материала, коррозии цинкового электрода и постепенному ухудшению характеристик.
Команда применила сшитый полимер из β-циклодекстрина. Это производное крахмала имеет молекулярные полости подходящего размера, которые работают как клетки для полигалогенидов. Они достаточно сильно удерживают соединения йода, чтобы ограничить нежелательную миграцию, но не блокируют необходимые для работы батареи реакции.
Результат зависит от выбранного режима. При примерно 200 мА·ч/г система работала более 8000 циклов и заряжалась ориентировочно за семь минут. При 150 мА·ч/г зарядка занимала около трёх минут, а срок испытаний превысил 60 000 циклов. Заявленная деградация составила порядка 0,0001–0,0003% за цикл.
Дополнительное преимущество — водный негорючий электролит и доступность цинка. Именно поэтому технология рассматривается прежде всего для крупных стационарных накопителей, где важнее ресурс, безопасность и стоимость, чем максимальная плотность энергии.
До коммерческой системы ещё далеко: необходимо масштабирование и проверка полноразмерных элементов. Но работа показывает, насколько сильно свойства батареи можно изменить буквально на уровне молекулярного взаимодействия.
NVIDIA всё активнее развивает направление Physical AI — системы искусственного интеллекта, которые не просто генерируют информацию, а воспринимают окружающий мир и выполняют действия в нём. Это роботы, беспилотные автомобили, дроны, автоматизированные производства и будущие гуманоидные машины.
Компания пытается создать для этой индустрии полный технологический стек. Модели Cosmos помогают понимать и моделировать физический мир. Isaac используется для разработки, симуляции и обучения роботов. Семейство GR00T ориентировано на универсальные модели для гуманоидов. Jetson и Thor обеспечивают вычисления непосредственно внутри автономных машин.
Стратегия очень похожа на ту, которая когда-то сделала CUDA фактическим стандартом AI-вычислений. NVIDIA хочет, чтобы разработчик начинал проект в её программной среде, обучал модель на её ускорителях, тестировал её в симуляции NVIDIA и затем запускал на компьютере NVIDIA внутри робота.
Одним из важнейших рынков становится Китай. Местные компании быстро развивают гуманоидов и промышленную автоматизацию, а такие производители, как Unitree, AgiBot и Fourier, используют технологии NVIDIA. При этом рынок остаётся чувствительным к американским экспортным ограничениям и развитию собственных китайских процессоров.
По оценке, приведённой WSJ, бизнес NVIDIA, связанный с Physical AI, уже приносит около $10 млрд в год. Дженсен Хуанг рассчитывает увеличить масштаб примерно в десять раз за следующее десятилетие.
Это ещё не означает, что NVIDIA будет «управлять всеми роботами». Но компания явно пытается стать базовой вычислительной и программной платформой новой роботизированной экономики.
Micron объявила о создании Micron Research Labs — нового исследовательского центра, рассчитанного на технологии, которые могут появиться значительно позже современных DRAM, NAND и HBM. На развитие программы компания намерена направить около 10 миллиардов долларов в течение следующего десятилетия.
Флагманский комплекс появится в Бойсе, штат Айдахо. Строительство планируется начать в 2027 году, а площадка будет рассчитана на сотни специалистов. При этом речь идёт не о ещё одной фабрике памяти. Главная задача лаборатории — исследования с длинным горизонтом, находящиеся за пределами обычных продуктовых дорожных карт.
Micron выделяет несколько направлений: критически важные технологии памяти, новые архитектуры памяти и вычислительных систем, передовые методы упаковки и будущие способы производства полупроводников. Кроме того, Research Labs станет частью распределённой исследовательской сети с университетскими программами и подразделениями Micron в США, Европе и Азии.
Проект напрямую связан с развитием искусственного интеллекта. Современные AI-ускорители требуют огромной пропускной способности памяти, всё большей ёмкости и меньшего энергопотребления. Поэтому ограничением для следующего поколения систем может стать не только скорость GPU, но и способность достаточно быстро доставлять данные вычислительным блокам.
Micron рассчитывает изучать технологии с горизонтом более десяти лет. Это означает, что часть исследований может вообще не попасть в продукты в ближайших поколениях, но именно такие программы часто формируют архитектуру будущей электроники.
NUS Medicine, DayOne и Cortical Labs запустили в Сингапуре экспериментальную вычислительную инфраструктуру, которая объединяет традиционную электронику и живые человеческие нейроны. В её основе — 20 устройств CL1, установленных в одной серверной стойке.
CL1 представляет собой биологический компьютер, где выращенные из стволовых клеток нейроны находятся непосредственно на микроэлектродной матрице. Электроника стимулирует клетки электрическими импульсами и одновременно регистрирует их ответы. Благодаря этому программное обеспечение может взаимодействовать с живой нейронной сетью в замкнутом цикле.
В отличие от обычной нейросети, такая система не просто имитирует биологические процессы математически — её вычислительный контур действительно включает живые клетки. Нейроны способны изменять свою активность и адаптироваться к входным сигналам, что исследователи изучают как возможный новый тип вычислений.
6 августа 2026 года участникам проекта показали работу CL1, интеграцию микроэлектродных массивов и активность нейронных сетей в реальном времени. Cortical Cloud также позволяет исследователям удалённо запускать код на биологических системах.
Однако говорить о замене современных GPU пока рано. Это исследовательский прототип. Учёным предстоит проверить энергопотребление, стабильность клеточных культур, воспроизводимость результатов и возможность масштабирования.
Следующий этап предусматривает интеграцию wetware-систем в коммерческий дата-центр DayOne. В перспективе партнёры рассматривают увеличение числа устройств до сотен и даже тысячи единиц, если технология подтвердит свою эффективность.
Исследователи TU Graz обнаружили, что характеристики титаната лития можно радикально изменить, не добавляя новый материал и даже не увеличивая количество лития. Достаточно контролируемо удалить небольшую часть кислорода из его кристаллической решётки.
Li₄Ti₅O₁₂, или LTO, используется как альтернативный анодный материал. Он отличается высокой структурной стабильностью: при движении лития его объём меняется очень мало. Это делает LTO интересным для долговечных и быстроциклируемых аккумуляторов. Однако в исходном незаряженном состоянии движение ионов лития внутри него относительно медленное.
Команда Бернхарда Гадермайера и Мартина Вилькенинга нагрела материал примерно до 300 °C в кислород-дефицитной атмосфере. Некоторые атомы кислорода покинули решётку, образовав вакансии. Эти дефекты изменили локальное энергетическое окружение и активировали путь миграции Li⁺, который уже существовал в структуре LTO, но практически не использовался.
Исследователи проверили результат с помощью импедансной спектроскопии и твердотельного NMR. Последний метод показал, что после обработки локальные прыжки лития превращаются в дальний ионный транспорт через материал.
Особенно интересно, что эффект достигается без радикальной перестройки основного кристалла. Это пример defect engineering — управления функциями материала через специально созданные атомарные несовершенства.
Однако речь пока не идёт о готовом аккумуляторе, который заряжается быстрее существующих батарей. Работа раскрывает фундаментальный механизм, который в будущем может помочь улучшить LTO-аноды, твёрдотельные батареи и другие материалы, где скорость перемещения ионов становится критическим параметром.
OpenAI представила Dots — новое поколение AI-агентов, которые показывают, куда движется вся индустрия искусственного интеллекта. Нейросети постепенно перестают быть просто чатами и превращаются в системы, способные выполнять реальные задачи, работать с приложениями и самостоятельно продолжать начатую человеком работу.
Но чем больше действий мы передаём ИИ, тем важнее становится вопрос: насколько можно доверять его конечному результату?
Для проверки мы отправили один и тот же запрос в Алису AI,
GigaChat, DeepSeek, ChatGPT и Claude:
«Поездка — 620 километров. Расход — 7,4 литра на сто. В баке 30 литров, но после поездки должно остаться ещё восемь. Сколько топлива нужно докупить?»
Правильный результат — 23,88 литра.
Алиса AI корректно учла все условия задачи, последовательно показала расчёт и получила правильные 23,88 л. Такой же результат получили DeepSeek, ChatGPT и Claude — то есть в этом тесте Алиса AI справилась не хуже сильных зарубежных нейросетей.
А вот у GigaChat ответ получился противоречивым: в начале было указано 36,68 литра, хотя дальнейший расчёт самой нейросети приводит к правильному значению 23,88 литра.
Именно такие небольшие практические тесты становятся особенно показательными в эпоху автономных AI-агентов. Когда нейросеть уже не просто отвечает на вопрос, а получает возможность самостоятельно выполнять действия, важен не только красивый ход рассуждений — важен точный и непротиворечивый конечный результат.
В этом выпуске Xenon Lab разбираемся, что такое OpenAI Dots, почему индустрия движется от чат-ботов к AI-агентам и насколько современные нейросети уже готовы к реальным задачам.
#OpenAI #Dots #OpenAIDots #ArtificialIntelligence #AI #AIAgents #ChatGPT #АлисаAI #AliceAI #GigaChat #DeepSeek #ClaudeAI #Нейросети #ИскусственныйИнтеллект #AIАгенты #Технологии #TechNews #НовостиТехнологий #БудущееИИ #XenonLab
Современная DRAM становится всё сложнее и дороже масштабировать. Ячейки памяти продолжают уменьшаться, но вместе с этим растут технологические сложности и стоимость производства. Sandisk предлагает другой путь — не только уменьшать элементы, а переносить активную память в третье измерение.
Проект называется 3D Matrix Memory. На Investor Day 2026 технический директор Sandisk Альпер Илкбахар сообщил о новом этапе разработки: компания уже формирует несколько слоёв памяти, изготовила тестовые структуры на современных 300-мм пластинах, получила упакованные образцы и продемонстрировала рабочие массивы объёмом несколько гигабит. По заявлению компании, их производительность постепенно приближается к целевым параметрам будущего продукта.
В долгосрочной перспективе Sandisk рассчитывает получить DRAM-подобную скорость при значительно большей плотности. В прежней дорожной карте компания указывала цель до четырёхкратного увеличения ёмкости и примерно 50% стоимости одного бита относительно традиционной DRAM. Однако нынешние прототипы ещё не подтверждают эти значения — это ориентиры разработки.
Одна из главных сложностей заключается в производстве многослойной структуры. Нельзя просто изготовить обычную DRAM, положить сверху ещё один слой и повторить процесс: высокие температуры способны разрушить уже сформированные уровни. Поэтому для 3D Matrix Memory требуются новые материалы, ячейки и низкотемпературные технологические процессы.
Sandisk занимается проектом с 2017 года и сотрудничает с imec. Коммерческих сроков пока нет, а сама компания прямо называет разработку долгосрочной. Но переход к функциональным Multi-Gb образцам на 300-мм пластинах — важный шаг от исследовательской структуры к потенциальной новой категории оперативной памяти.
Исследователи Корнеллского университета показали новый способ выращивания высококачественных танталовых плёнок для сверхпроводящих квантовых схем. Главная проблема тантала заключалась в температуре: чтобы получить нужную bcc-фазу непосредственно на кремнии, обычно требовался нагрев выше 400 °C. Для современной микроэлектроники такое температурное окно неудобно и может ухудшать интерфейс между металлом и подложкой.
Решение оказалось неожиданно простым — заменить аргон на криптон при магнетронном распылении. Более тяжёлые атомы криптона передают больший импульс атомам тантала, и нужная структура формируется уже при 200 °C.
Это важно сразу по двум причинам. Во-первых, технология становится лучше совместима с back-end-of-line процессами полупроводникового производства. Во-вторых, при более низкой температуре уменьшается перемешивание тантала и кремния, которое связано с дополнительными микроволновыми потерями.
Из полученных плёнок команда изготовила резонаторы и трансмонные кубиты. Для устройств с зазором конденсатора всего 20 мкм максимальная добротность достигла 16,9 млн. Авторы также получили узкое распределение характеристик резонаторов, что важно для воспроизводимого производства.
Это ещё не серийная технология квантовых процессоров. Но именно такие улучшения материалов и техпроцесса постепенно решают один из главных вопросов квантовой индустрии: как перейти от единичных рекордных кубитов к масштабируемому и стабильному производству.
Photon Matrix — необычная автоматическая система для обнаружения небольших летающих насекомых. Вместо химических средств, ультрафиолетовой лампы или обычной ловушки она использует набор технологий, которые больше привычны для робототехники: LiDAR, миллиметровый радар, компьютерное зрение и лазерный модуль с быстрым наведением.
Принцип работы выглядит так. LiDAR постоянно сканирует пространство и определяет координаты движущегося объекта. Радар используется как дополнительный канал контроля, а алгоритмы анализируют размер, скорость и характер движения. Если объект соответствует заданным параметрам, система направляет короткий лазерный импульс на крыло насекомого.
Разработчики заявляют распознавание за примерно 3 мс и работу с летающими объектами размером от 2 до 20 мм при скорости до 1 м/с. Для старшей версии указан радиус до 6 метров. В китайских демонстрациях также фигурируют более 95% обнаружения и максимальная производительность до 30 комаров в секунду.
Однако важно разделять характеристики устройства и маркетинговые заявления. Радиус, поддерживаемый размер цели и используемые сенсоры опубликованы самим производителем. А показатели 30 целей в секунду пока не подтверждены масштабными независимыми тестами в разных реальных условиях.
Отдельное внимание уделено безопасности. Внутри используется лазерный диод класса 4, поэтому производитель применяет многоуровневую блокировку, контроль окружающего пространства и автоматическое прекращение работы при обнаружении людей или животных.
Получается интересный пример того, как технологии автономных систем становятся бытовыми: ИИ уже не просто распознаёт объект на изображении, а самостоятельно обнаруживает его, отслеживает движение и управляет физическим исполнительным устройством.
SPAN совместно с NVIDIA и строительными компаниями развивает XFRA — необычную модель распределённого дата-центра, где вычислительные узлы устанавливаются не в огромном промышленном здании, а рядом с обычными жилыми домами.
Каждый XFRA Node — это полноценная серверная система. Внутри находятся 16 NVIDIA RTX PRO 6000 Blackwell Server Edition, четыре AMD EPYC, 3 ТБ памяти и оптоволоконная сеть. Для отвода тепла используется замкнутая жидкостная система с тепловым насосом примерно на 35 000 BTU. Также узел работает вместе с панелью SPAN и домашним аккумулятором на 15 кВт·ч.
Главная идея проекта связана не только с компьютерами, но и с энергетикой. В США миллионы домов подключены к сети с электрической мощностью, которая используется лишь частично. XFRA пытается превратить этот свободный резерв в вычислительный ресурс для AI inference и других облачных задач.
Вместо того чтобы ждать годы подключения нового гигантского дата-центра к энергосистеме, инфраструктуру можно распределять небольшими узлами непосредственно на краю сети. Все устройства объединяются программным слоем XFRA Cloud и работают как единый вычислительный пул.
Однако проект пока находится на стадии proof-of-concept. SPAN говорит о первых 100 новых домах в США и планах расширения в 2027 году. Коммерческие условия для владельцев ещё уточняются: обсуждаются скидки на электроэнергию, высокоскоростной интернет, резервное питание и компенсация за размещение узла.
Если модель окажется экономически устойчивой, AI-инфраструктура будущего может стать намного более распределённой — и часть вычислений буквально переедет в жилые районы.