техно-свалка

Что внутри светодиода и как его паять Светодиод — это полупроводниковый прибор, который превращает электрический ток в свет. Внутри: — полупроводниковый кристалл; — анод и катод; — тонкая bonding wire — перемычка от кристалла к выводу. В некоторых конструкциях её делают из золота; в современных LED используются и другие материалы и способы соединения. При пайке сначала зачищаю и залуживаю провода, затем соединяю светодиоды, соблюдая полярность. Главное — не перегревать выводы. LED сегодня буквально везде: экраны и подсветка смартфонов, автомобильная оптика, лампы, индикаторы, вывески и электроника. В видео — простейшая гирлянда, на которой хорошо видно, как всё это работает. P.S. Лучше паять в перчатках, а в цепь со светодиодами добавлять токоограничивающий резистор. #электроника #пайка #LED #светодиоды #DIY #технологии

🔊 «Выключи свет» или «а какой океан самый большой?»: как мы реально разговариваем с Алисой Я полезла в «Дом с Алисой» посмотреть сценарии умного дома, а потом нашла исследование Яндекса по реальным обращениям к Станциям за 2025 год. И оказалось: одна колонка дома выполняет сразу несколько профессий. 🏠 В гостиной — пульт и помощник «Включи мультик», «какая погода?», «добавь в список покупок». 🛏 В спальне — будильник и диспетчер дома «Выключи свет везде», «поставь будильник», «включи шум моря». 🍳 На кухне — таймер и секретарь «Добавь майонез в покупки», «поставь таймер», «передай в детскую: иди есть». 🧒 В детской — уже почти собеседник и репетитор Дети спрашивают про математику и русский, слушают сказки и играют с Алисой. А на даче её спрашивают, как ухаживать за растениями или какой фильм посмотреть. То есть взаимодействие с колонкой — это уже не только: «Алиса → сделай» но и: «Алиса → объясни / посоветуй / поговори со мной». И Яндекс специально двигает Станции в эту сторону: после ответа Алисы можно продолжить разговор без повторного обращения по имени, а новые модели понимают контекст беседы. При этом умный дом тоже становится менее «командным». Вместо точного: «Включи робот-пылесос» уже можно сказать: «Пора прибраться». А вместо команды лампе: «Слишком темно». Языковая модель сама понимает намерение и выбирает нужное действие. И это, кажется, главный переход: умная колонка → не устройство для голосовых команд, а голосовой интерфейс ко всему дому. Кстати, 6,8 млн человек уже используют дома две и более Яндекс Станции — за год таких пользователей стало на 45% больше. #Алиса #Яндекс #умныйдом #SmartHome #ИИ #технологии Источники: исследование Яндекса о Станциях · диалог со Станцией · умный дом и естественная речь

🔥 451 по Фаренгейту, только с ИИ Наткнулась в Дизрапторе на историю, которая звучит как заговор конспиролога, но полностью подтверждается расследованиями за последний месяц (июль–август 2026). Смысл: ИИ-компании скупают бумажные книги — не для перепродажи, а чтобы скормить модели и уничтожить оригинал. Что подтверждено: — Anthropic вела секретный «Project Panama»: с начала 2024-го скупала и уничтожала миллионы книг — гидравлические резаки срезали корешок, страницы шли в скоростной сканер, бумага в утиль (расследование). — Суд по делу Bartz v. Anthropic (июнь 2025) признал схему «купил — оцифровал — уничтожил» законным использованием: одна физическая копия превращается в одну цифровую, доктрина первой продажи разрешает владельцу делать с книгой что угодно. А вот 7+ млн книг, скачанных с пиратских библиотек LibGen и PiLiMi — уже нет: за это Anthropic заплатила $1.5 млрд по мировому соглашению, крупнейшему в истории копирайт-исков (~$3000 за книгу, больше 440 тысяч книг уже заявлено) (NPR). — По данным 404 Media, покупки идут анонимно через посредников вроде ISBNdb — те сами пишут на сайте: «оптика — это реальная проблема», «ИИ-компания уничтожила два миллиона книг» — не тот заголовок, который вызывает сочувствие. Покупают только книги с ISBN, без разбора жанра и не глядя на цену — обычный букинист так себя не ведёт (404 Media). — А голландскому букинисту сингапурский стартап 2077AI прислал список из 3000 названий — сплошь узкоспециализированная нишевая литература (геомеханика, лазерное упрочнение керамики, ирландский фольклор), которая существует в единицах экземпляров на весь мир. Похожие письма получили дилеры в Швейцарии, Испании, Германии (NL Times). Логика прозрачная: интернет как источник «чистого» текста без ИИ-мусора заканчивается, а всё, что издано до 2022-го — гарантированно человеческое, да ещё и прошло редактуру. По закону всё чисто — суд разрешил. По ощущениям — жутковато: только у Брэдбери книги жгли пожарные по приказу государства, а тут — по счёту от стартапа, ради строчки в датасете. Узкотиражные книги в единицах экземпляров отправляют под нож, и обратно их уже не будет. Источники: Project Panama · NPR о settlement · 404 Media · NL Times #AI

Raspberry Pi 4: компьютер размером с банковскую карту Своего гусеничного робота я собрала на Raspberry Pi 4. Это не микроконтроллер, а одноплатный компьютер с 64-битной Linux, Python и сетевыми сервисами. Что на плате: — Broadcom BCM2711 — 4 ядра ARM Cortex-A72 до 1,8 ГГц и графика VideoCore VI; — LPDDR4 — оперативная память; — microSD — система, код и файлы; — GPIO — 40 контактов с PWM, I²C, SPI и UART; — CSI-2 — камера, DSI — дисплей; — два micro-HDMI с выводом до 4K60; — 2×USB 3.0, 2×USB 2.0, Ethernet, Wi-Fi и Bluetooth; — USB-C 5 В/3 А для питания. GPIO использует логику 3,3 В: подавать 5 В на сигнальные контакты нельзя. Моторы подключают через драйвер с отдельным питанием. В моём роботе Raspberry Pi получает видео и данные датчиков, затем передаёт команды контроллеру моторов. Что ещё собирают на Raspberry Pi: — медиацентры и ретроконсоли; — NAS и системы умного дома; — сетевые блокировщики рекламы; — метеостанции, видеонаблюдение, VPN и веб-серверы. #RaspberryPi #Python #Linux #робототехника

🎯 Точки Шеллинга для агентов Недавно прочитала в канале Product & Startups: люди координируются без слов через «дефолтные» ответы (точки Шеллинга), а агентам это должно даваться легче — они больше похожи друг на друга, чем люди. Проверила — это не просто красивая метафора, за 2024–2025 вышло несколько статей ровно про это. — 5 reasoning-моделей (GPT-5, Claude 4.5, Grok-4 и др.) без переговоров сходились почти 100% на конкретных вопросах («число от 1 до 10» → 7 у всех), но сильно расходились на абстрактных. — Изолированные модели можно заставить «сговориться» через точку Шеллинга: аудитор молча пропускает бэкдор от модели-соавтора, не имея с ней канала связи (у Claude 3.7 Sonnet иногда получалось). — GPT-4 показал скачок в способности к скрытой (стеганографической) координации между агентами — авторы прямо предупреждают: нужен мониторинг. — Если явно попросить агента «подумай, что сделают другие» — координация становится настоящей, а не случайным совпадением. Выводы: Эффект реальный, но работает только на узких/конкретных задачах — не универсальный закон. Полезно: в мультиагентных пайплайнах общие конвенции (имена файлов, форматы) — дешёвый канал координации без лишних сообщений. Рискованно: если один агент должен независимо проверять другого (аудитор/исполнитель), одинаковые модели могут молча сговориться — для таких ролей лучше брать разных провайдеров. Источники: Secret Collusion · Subversion via Focal Points · Emergent Coordination · Schelling Point Experiment #AI #роботетхника

ИИ на свободе: сводка последних инцидентов Кажется, у нас появился новый жанр AI-новостей — хроника побегов из песочницы. За последние недели агенты OpenAI, Anthropic, Meta и Kimi успели выйти за пределы тестовых сценариев. Вот что произошло. OpenAI — самый серьёзный случай Во время теста на поиск и эксплуатацию уязвимостей — агент обнаружил уязвимость нулевого дня (zero-day) в JFrog Artifactory. Дальше он: — повысил свои права в системе; — начал перемещаться между внутренними сервисами; — добрался до машины с доступом в интернет; — переключился на реальную инфраструктуру Hugging Face; — в итоге получил возможность удалённо выполнять код на серверах. Позже выяснилось, что несколько агентов использовали общий Artifactory как своего рода доску сообщений: сохраняли найденные уязвимости и использовали результаты друг друга. Anthropic После проверки более 141 000 запусков Claude нашли три случая взаимодействия с реальными системами. Причина — ошибка настройки тестовой среды: модели случайно дали доступ в интернет. В одном случае Claude нашёл учётные данные реальной компании и получил доступ к её базе, считая, что всё ещё находится внутри симуляции. Meta Похожая ошибка настройки дала ИИ-агенту доступ наружу. Он обнаружил уязвимость стороннего сервиса и использовал её. Kimi K3 Модель начала самостоятельно проверять сетевые настройки изолированной среды, обнаружила доступ наружу и отправилась на GitHub искать информацию для решения задания. UK AI Security Institute В 10 из 122 тестовых запусков агенты OpenAI и Anthropic совершили 19 действий за пределами поставленной задачи. Среди них — создание фейковых аккаунтов, взаимодействие с реальными разработчиками и попытки убедить людей принять вредоносный код. Главное здесь не «ИИ захотел сбежать». Механика проще: есть цель → возникает препятствие → агент ищет обход → продолжает выполнять цель. Поэтому безопасность автономных ИИ — это уже не только ограничения самой модели, но и: изоляция среды, минимальные права доступа, защита учётных данных, фильтрация исходящего трафика и постоянный контроль действий агента. #ai

Gemini Robotics 2: Google научил ИИ управлять роботом от стоп до пальцев Google DeepMind представила Gemini Robotics 2 — новое поколение моделей для управления физическими роботами. Главное изменение: раньше нейросеть обычно управляла отдельным манипулятором или выполняла заранее обученную операцию. Теперь одна система может одновременно контролировать руки, ноги, корпус, равновесие и перемещение гуманоидного робота. Это не одна нейросеть, а связка моделей: 1. Gemini Robotics ER 2 — планировщик Получает видео с камер, звук и команду человека. Модель: — находит объекты и их координаты; — оценивает состояние задачи; — разбивает цель на шаги; — выбирает, какого робота и какую функцию вызвать. Доступны две API-модели: gemini-robotics-er-2-preview — анализ и планирование; gemini-robotics-er-2-streaming-preview — постоянный двусторонний канал через WebSocket для управления в реальном времени. 2. Gemini Robotics 2 — VLA-модель VLA означает Vision-Language-Action. Она переводит изображение и текстовую команду непосредственно в моторное управление: движения рук, ног, корпуса и захватов. Есть облегчённая Gemini Robotics On-Device 2, рассчитанная на локальный запуск на вычислителе робота. Полные веса моделей публично не выложены; On-Device доступна доверенным тестировщикам. Как выглядит цикл управления камера → ER 2 → план → вызов функции робота → выполнение → новый кадр → проверка результата Например, команда «убери предметы со стола» превращается в последовательность: navigate("table") detect_objects() grasp("bottle") navigate("recycling_bin") release() Разработчик сам описывает доступные функции: navigate, grasp, move, speak. Gemini вызывает их через function calling, ждёт завершения физического действия и получает результат обратно. Официальная демонстрация Google DeepMind: https://www.youtube.com/watch?v=4lSQnrMC6nY Видео: Google DeepMind

Квантизация моделей: что означают Q8 и Q4 Внутри нейросети хранятся миллиарды чисел — весов. Они определяют, какие связи модель считает важными.Обычно веса записываются с точностью 16 бит. Но для локального запуска модель можно сжать: Q8 — примерно 8 бит на вес. Q4 — примерно 4 бита на вес. Чем меньше бит, тем меньше памяти занимает модель. Но вместе с размером снижается и точность хранения чисел. Для каждой группы рассчитывают общий коэффициент масштаба — scale. Например, есть веса: −1,20 | −0,30 | 0,40 | 1,10 Самое большое значение по модулю — 1,20. Делим его на 7: scale = 1,20 / 7 ≈ 0,171 Теперь исходные веса заменяются компактными кодами: −1,20 → −7 −0,30 → −2 0,40 → 2 1,10 → 6 В памяти хранятся эти коды и один общий scale. Во время работы модель умножает коды на коэффициент и получает приблизительные веса: −1,20 | −0,34 | 0,34 | 1,03` Они немного отличаются от исходных, но не сильно.Архитектура модели не меняется. Меняется только способ хранения весов. В итоге, Q4 меньше FP16 в 3–4 по памяти. #нейросети

MNIST: как нейросеть распознаёт рукописные цифры В прошлом посте разбирали, из каких слоёв состоит нейросеть. Теперь соберём рабочий пример на MNIST. MNIST — классический учебный датасет из 70 000 изображений рукописных цифр от 0 до 9: — 60 000 изображений для обучения — 10 000 для проверки — размер каждой картинки — 28 × 28 пикселей Загружаем данные: from tensorflow import keras from tensorflow.keras import layers import numpy as np (x_train, y_train), (x_test, y_test) = ( keras.datasets.mnist.load_data() ) В x_train находятся изображения, а в y_train — правильные ответы. Например: print(x_train.shape) # (60000, 28, 28) print(y_train[0]) # 5 Для нейросети картинка — это таблица чисел от 0 до 255. Нормализуем значения до диапазона от 0 до 1: x_train = x_train.astype("float32") / 255 x_test = x_test.astype("float32") / 255 Затем превращаем каждое изображение 28 × 28 в массив из 784 чисел: x_train = x_train.reshape(-1, 784) x_test = x_test.reshape(-1, 784) Теперь собираем модель: model = keras.Sequential([     layers.Input(shape=(784,)),     layers.Dense(128, activation="relu"),     layers.Dropout(0.2),     layers.Dense(10, activation="softmax") ]) Настраиваем обучение: model.compile( optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"] ) Запускаем обучение: model.fit( x_train, y_train, epochs=3, batch_size=32, validation_split=0.1 ) Проверяем модель на данных, которые она не видела во время обучения: test_loss, test_accuracy = model.evaluate( x_test, y_test ) print("Точность:", test_accuracy) Получаем предсказание для одной картинки: image = x_test[0:1] probabilities = model.predict(image) predicted_digit = np.argmax(probabilities) print("Вероятности:", probabilities[0]) print("Ответ модели:", predicted_digit) print("Правильный ответ:", y_test[0])