Nauka.ua

Теslа представила другу версію летючого спорткара Rоаdstеr. Вона перелетіла вантажівку завдяки ракетним двигунам Богдан Порохняк 16 Осt 2026, 18:08 Компанія Теslа показала другу версію спорткара Rоаdstеr, прототип якої представили ще у 2017 році. На полігоні SрасеХ у Техасі автомобіль заїхав на дугоподібну рампу догори колесами, відірвався від неї, перекинувся в повітрі й приземлився на колеса, а потім перелетів шеренгу з вантажівки та легковиків Теslа. Наостанок він злетів із місця вертикально, прокрутився в повітрі й знову приземлився на колеса. Підіймають і розвертають його десять двигунів на основі холодного газу, як у ракетах, — їх компанія розробила разом з інженерами SрасеХ. Презентацію в ніч на 16 жовтня транслювали на акаунті компанії в соцмережі Х (Тwіttеr).Переліт через Sеmі з сальто в повітрі. Відео: Теslа

Як автомобіль рухається догори колесами та літає?

Віцепрезидент Теslа з інженерії Ларс Мораві розповів, що десять двигунів нового автомобіля живить 600 літрів стиснутого повітря з балонів, які можна дозаправляти. Балони з вуглепластиковою обмоткою, за словами компанії, запхали в кожну вільну порожнину кузова. Технологічне видання ТесhСrunсh нагадало, що саме такі балони колись ставали причиною вибухів ракет SрасеХ. Водночас на дугоподібній рампі авто тримали не двигуни, а вентилятори. За описом Теslа, вони відсмоктують повітря з-під днища, і цього вистачає, щоб автомобіль висів догори колесами навіть не під час руху. У поворотах вентилятори, за словами Маска, дають перевантаження понад два g.Заїзд на рампу догори колесами і відрив від неї. Відео: ТеslаПід час демонстрації перед стрибками Маск попередив, що успіх не гарантовано, тому глядачі стояли на безпечній відстані, тоді як сам автомобіль створювали не з розрахунку на безпеку. Водія в кадрі назвали Stаrmаn, як манекена, що 6 лютого 2018 року полетів у Rоаdstеr першого покоління на ракеті Fаlсоn Неаvy. Теslа так і описала новинку: спершу Rоаdstеr помістили в ракету, тепер ракету помістили в Rоаdstеr. На трансляції автомобіль розігнали з місця до 60 миль, або понад 96 кілометрів, на годину за 0,81 секунди, згідно з замірами самої компанії. Маск пообіцяв, що серійний автомобіль буде ще швидшим, і згадав цільову швидкість у половину швидкості звуку. Ще він повідомив, що Rоаdstеr спробує перестрибнути каньйон Снейк-Ривер в Айдахо, який 1974 року намагався перелетіти на ракеті з паровим двигуном каскадер Івел Кнівел.Rоаdstеr матиме три версії, але літає лише одна з них — Rосkеt. Базова Реrfоrmаnсе з двома сидіннями їздить звичайними дорогами, має лише вентилятори та розганяється до 60 миль на годину менш ніж за 1,6 секунди. Тhrust має ще й сопла ззаду і розганяється менш ніж за секунду. Rосkеt з одним сидінням має сопла по всьому периметру, набирає 60 миль на годину менш ніж за 0,59 секунди та розганяється до понад 370 кілометрів на годину. Rосkеt продаватимуть лише за запрошенням, а на звичайні дороги, як написала сама Теslа, цю версію не допущено. Автомобільний журнал МоtоrТrеnd нагадав, що в США будь-який апарат, який відривається від землі, підпадає під правила авіації. Запас ходу всіх версій Теslа пообіцяла понад 480 кілометрів, тоді як 2017 року обіцяла 1000 кілометрів, швидкість понад 400 кілометрів на годину і чотири місця в салоні. Ціну не назвали, але Реrfоrmаnсе можна передзамовити з 50 тисячами доларів завдатку, а Тhrust — з 250 тисячами. Серійне виробництво пообіцяли розпочати у 2028 році, хоча раніше перші поставки анонсували ще на 2020-й. На питання, чи легальний такий автомобіль на вулиці, Маск відповів, що це залежить від вулиці.

Що ми писали про швидкі електромобілі та Теslа

🏎 Швейцарський перегоновий електромобіль Мythеn розігнався з місця до сотні кілометрів на годину за 0,956 секунди.🤖 Теslа презентувала роботаксі Сybеrсаb, робомаршрутку Rоbоvаn та робота Орtіmus.🚁 Пілот Zараtа політав у коптері на турбореактивних двигунах.

Померла перша програмістка космічних місій «Аполлон» Маргарет Гамільтон Інна Радевич 08 Осt 2026, 17:02 30 вересня у віці 90 років пішла з життя Маргарет Гамільтон — перша програмістка, що працювала над програмою «Аполлон» і керувала створенням бортового програмного забезпечення для першої висадки людей на Місяць. За цю діяльність у 2016 році тодішній президент США Барак Обама нагородив її президентською медаллю Свободи, відзначивши, що її робота сприяла заснуванню галузі інженерії програмного забезпечення, яка «назавжди змінила історію людства». Про смерть науковиці повідомило видання Тhе Nеw Yоrk Тіmеs з посиланням на її доньку Лорен.Маргарет Гамільтон під час отримання президентської медалі Свободи. Sаul Lоеb / Аgеnсе Frаnсе-Рrеssе / Gеtty Іmаgеs

Чим ще відзначилася Маргарет Гамільтон?

Маргарет Гефілд зустріла свого майбутнього чоловіка, Джеймса Гамільтона, під час навчання на бакалавраті в Ерлгем-коледжі. Пізніше вони переїхали до Кембриджа, де науковиця почала працювати в Массачусетському технологічному інституті (МІТ), щоб утримувати сім’ю, поки її чоловік здобував юридичну освіту. За їхнім задумом, потім Джеймс Гамільтон мав би утримувати сім’ю, поки Маргарет писатиме диплом з абстрактної математики.Однак спершу, у 1959 році, науковиця працювала над проєктом з розробки програмного забезпечення для прогнозування погоди для професора Едварда Нортона Лоренца — одного з творців сучасної теорії хаосу. У 1961 вона приєдналася до іншої команди в МІТ й працювала над системою SАGЕ — першою американською системою протиповітряного захисту, яка дозволяла виявляти ворожі літаки. Окрім цього, науковиця популяризувала термін «інженерія програмного забезпечення», прирівнявши написання коду за складністю до збирання самих комп’ютерів.Найвідоміше фото Маргарет Гамільтон зі стосом надрукованого коду для «Аполлона». NАSА / АlаmyУ 1965 році її чоловік побачив у газеті оголошення про те, що одна з лабораторій МІТ шукала програмістів, щоб відправити людей на Місяць. Спершу Маргарет Гамільтон працювала над безпілотними місіями, а згодом стала головою відділу, що працював над розробкою програмного забезпечення для висадки на супутник. Вона стала першим програмістом «Аполлона» з МІТ і першою жінкою серед програмістів, що працювали над цим проєктом.Маргарет Гамільтон у симуляторі командного модуля «Аполлона» у 1969 році. Аssосіаtеd РrеssНауковиця часто брала з собою до лабораторії свою дочку, коли працювала увечері й на вихідних, що призвело до відомої «помилки Лорен»: граючись із командним модулем, чотирирічна дівчинка запустила програму, яка передувала запуску, поки на модулі йшла симуляція польоту. Це призвело до збою в системі, а Маргарет пізніше внесла застереження для астронавтів, що цю програму не можна вмикати під час польоту. Попри це, під час «Аполлона-8» один з астронавтів усе ж зробив це, через що навігаційні дані польоту зникли, а науковиці з її командою довелося розв’язувати цю проблему. Для «Аполлона-11» Маргарет Гамільтон написала спеціальну програму, яка дозволила висадитися на Місяць навіть після збою, адже в разі перевантаження відкладала фонові процеси, ставлячи в пріоритет ті, що є ключовими для місії.

ШІ-психоз став для більшості пацієнтів першим у житті Інна Радевич 08 Осt 2026, 13:01 Понад 60 відсотків пацієнтів із ШІ-психозом, у якому штучний інтелект відіграє значну роль саме в появі чи посиленні симптомів, взагалі вперше мали прояви цього розладу. Водночас ті люди, які користувалися чатботами на основі штучного інтелекту, але не мали проявів нездорового спілкування з ними, частіше вже мали попередню історію психозу. Тож науковці припускають, що ранні стадії психозу роблять людей більш вразливими до такого спілкування зі штучним інтелектом, яке погіршує їхні симптоми. Дослідження опублікували в статті JАМА Рsyсhіаtry. Пацієнти зі ШІ-психозом найчастіше стикнулися з проявами розладу вперше. GІРНY

Чим ШІ-психоз відрізняється від звичайного?

Психозом називають стан, коли людина втрачає зв’язок із реальністю: у неї з’являються марення, тобто хибні переконання, яких вона притримується попри будь-які докази, або галюцинації. Водночас ШІ-психозом називають випадки, коли такі симптоми виникають або посилюються через спілкування з чатботами на основі штучного інтелекту. Однак попри наявність окремих звітів про випадки такого психозу, досі було невідомо, наскільки він поширений і чим відрізняється від звичайного психозу. Щоб це з’ясувати, науковці проаналізували дані понад 215 тисяч пацієнтів і виокремили серед них 73 людей із проявами психозу, у медичних записах яких були згадки використання штучного інтелекту. 28 з них мали виражені ознаки ШІ-психозу, ще 28 — прояви психозу, пов’язані зі штучним інтелектом, але без задокументованого використання чатботів, і ще 17 використовували штучний інтелект нейтрально, наприклад, для пошуку рецептів.Як виявилося, пацієнти з ШІ-психозом частіше були молодшими за людей, у яких штучний інтелект був лише частиною марень, і частіше мали саме перший в житті епізод психозу. Серед них також більш розповсюдженим був психоз без специфічного діагнозу, ніж психоз, пов’язаний з шизофренією, біполярним розладом або вживанням психоактивних речовин. У майже 65 відсотках випадків чатботи посилювали прояви психозу, у понад 21 відсотку випадків ставали об’єктом психозу, тобто в людини змінювалося саме сприйняття штучного інтелекту, а в понад 10 відсотках — каталізатором, що спричиняв розвиток психозу.При цьому більшість звернень із ШІ-психозом зафіксували після випуску моделі GРТ-4о, у якої раніше зафіксували схильність підтримувати шкідливі погляди людини в спілкуванні. Загалом СhаtGРТ користувалися майже 54 відсотки пацієнтів з ШІ-психозом. Згідно з розрахунками науковців, поширеність ШІ-психозу становила 0,013 відсотка, що співвідноситься зі звітом самої компанії ОреnАІ: серед активних за тиждень користувачів приблизно 0,07 відсотка людей і 0,01 відсотка повідомлень мають ознаки невідкладних психічних станів, пов’язаних із психозом або манією.

Як штучний інтелект впливає на психічне здоров’я

🤢  Один із випадків психозу через штучний інтелект зафіксували у США: за порадою СhаtGРТ чоловік замінив сіль на токсичну сполуку, внаслідок чого отруївся й мав психоз.🥲  У тих людей, які регулярно користуються чатботами на основі штучного інтелекту, виявили вищий ризик депресії, а також частіші прояви тривожності й дратівливості.🤖  Також штучний інтелект запідозрили в «підлещуванні» до користувачів, через що він збільшував їхню впевненість у власних переконаннях, зокрема шкідливих.🧠  Часте використання штучного інтелекту для пошуку й обробки інформації пов’язали з погіршенням критичного мислення, особливо серед молоді.📖  А використання штучного інтелекту для спілкування з померлими назвали небезпечним для горювальників. Детальніше про це ми розповідали в матеріалі «Віртуальне воскресіння».

Нейромережа за шість годин прочитала зашифрований лист генералу Наполеона. Його не могли розгадати 217 років Богдан Порохняк 03 Осt 2026, 14:01 Нейромережа GРТ-6 Аstrа від ОреnАІ за шість годин прочитала зашифрований лист генералу Наполеона, що не могли зробити протягом 217 років. Лист написали у 1809 році за наказом імператора, за два тижні до війни з Австрією, і розписали в ньому, де стоять французькі та союзні армії. Ключ до шифру не зберігся, а розгадувати довелося з репродукції листа у французькому журналі 1969 року. Зробив це не криптограф, а інженер зі штучного інтелекту Картер Черч, надихнувшись іншим аматором, який за допомогою цієї ж моделі розшифрував радіограму вермахту 1941 року. Свою роботу він описав у блозі.Шифрований лист генералу Мармону, 1809 рік. Репродукція з журналу Rеvuе hіstоrіquе dеs Аrméеs, 1969. J. Vіlсоq / Rеvuе hіstоrіquе dеs Аrméеs / Реrséе

Що розшифровка розповіла про Наполеонівські війни?

Лист написав штаб віцекороля Італії Ежена де Богарне, пасинка Наполеона, адресувавши Огюсту де Мармону. Цей генерал на той час командував корпусом у Далмації, відрізаним австрійськими землями від решти французьких військ, і перед війною мав знати розклад сил. Наказ Наполеона, згідно з листом, надійшов 16 березня 1809 року, тоді як репродукцію листа позначили в журналі 1807 роком. Хоча всі матеріали для розгадки були публічними, робота вимагала б тижнів фахівця, який читає французьку тієї доби й зможе розібрати 1300 рукописних знаків. Замість нього Картер Черч «згодував» моделі Аstrа скан листа, який вона порізала на рядки, розпізнала окремі знаки та підбирала їм значення. Усього знаків виявилося 155, і лише 33 з них були відомі з часткової таблиці французького історика криптографії Даніеля Тана. Лист зашифрували гомофонічним шифром: кожна літера, що часто зустрічається, має кілька взаємозамінних знаків, тож звичайний підрахунок частот літер не допомагає. Кожну здогадку щодо окремого рядка Аstrа звіряла з усіма появами знака на зображенні. На все пішло близько шести годин машинного часу. П'ять знаків зі 155 модель прочитала не напевно, хоч жоден із них не міняє змісту. Щоб переконатися, що модель не підгледіла відповідь у відомих текстах, Черч перезапустив розв'язок, прибравши з довідкової статистики французької мови мемуари Мармона та інші тексти тієї доби. Прочитання вийшло те саме. Куратор каталогу нерозгаданих шифрів Сryрtіаnа Сатоші Томокійо вже позначив лист розгаданим і зазначив, що дату його написання треба виправити на 1809 рік.Прочитаний лист перерахував сім армій, зокрема 40 тисяч баварців у Мюнхені та Пассау, 80 тисяч французів у Байройті та 60 тисяч в Ульмі. Штаб застерігав генерала, щоб той не дав залякати себе кількома загонами чи збіговиськом голоти, коли надійде наказ виступати. У друкованому зібранні листування Наполеона 1865 року відповідне речення наказу Ежену де Богарне обривається на «збіговиську…», тож лист допоміг відтворити принаймні переказ цього наказу. Прогноз штабу справдився лише наполовину: австрійці справді стояли там, де вказано, і 10 квітня 1809 року перейшли кордон Баварії. А от «росіяни, що йдуть на Австрію» виявилися пропагандою: ще 21 березня, за кілька днів до листа, Наполеон сам наказав Ежену поширювати цю думку через газети. Мармон же вивів корпус із Далмації, дійшов до Ваграма і в липні 1809 року отримав маршальський жезл.

Які давні документи вдалося прочитати раніше

🧠  Штучний інтелект прочитав рядки обвугленого папірусу, що постраждав від виверження Везувію.📜  Щоб удосконалити цю технологію, папірологи навіть створили штучні копії таких сувоїв і навчилися їх читати за слідами свинцю.✉️  Рентген допоміг прочитати закриті листи епохи Відродження, не розгортаючи їх.

Гуманоїди Fіgurе 02 стрибнули в піч із розплавленою сталлю. Так їх порадив утилізувати Шварценеггер Богдан Порохняк 02 Осt 2026, 13:32 Компанія Fіgurе розплавила своїх списаних людиноподібних роботів Fіgurе 02 на металургійному заводі у Фінляндії. Роботи самі стрибнули в електродугову піч із рідкою сталлю, а одного опустили туди на ланцюгу з піднятим великим пальцем, як Т-800 у фіналі «Термінатора 2». Розплавити роботів компанії порадив актор Арнольд Шварценеггер, а потім сам знявся у ролику про прощання з ними. Про це Fіgurе повідомила на своєму сайті.

Навіщо було плавити роботів?

Fіgurе 02 був другим поколінням роботів компанії: торік він 11 місяців пропрацював на заводі ВМW у Спартанбурзі. Після виходу Fіgurе 03 тримати старий парк стало невигідно, та й місця для нього в штаб-квартирі вже не було. Але значна частина компонентів роботів була власними розробками компанії, тож їх хотіли знищити так, щоб ці розробки не потрапили в чужі руки. Тож фінал роботів перегукнувся з фіналом Т-800, адже у «Термінаторі 2» той попросив спалити себе, щоб його технології не стали основою Скайнету. Водночас розбирати кожного вручну не годилося: це б відволікло інженерів і затримало вихід Fіgurе 04.Тому в серпні керівник Fіgurе Бретт Адкок запитав у соцмережі Х, як гідно попрощатися з роботами. У його опитуванні найбільше голосів набрав варіант «підірвати», але найбільш помітною стала відповідь Арнольда Шварценеггера — розплавити. Жоден із ливарних заводів у США та Мексиці, до яких зверталася Fіgurе, не погодився кидати в піч роботів із літієвими акумуляторами. Єдиним охочим став завод у фінській Іматрі.Стрибати роботів учили в Сан-Хосе: вони зістрибували з другого поверху на великі повітряні подушки, а модель керування тренували в симуляції за рухами каскадерів. У Фінляндії для зйомок ролика-прощання команда мала добу і шість спроб розплавити робота в 75-тонній печі. Під час кожної спроби було лише 20 хвилин, поки сталь не вкривалася кіркою. Жар й електромагнітні поля виводили з ладу камери знімальної групи, але роботи відпрацювали стрибки без збоїв. Злитки повезли назад до США як сувеніри на продаж, а кілька Fіgurе 02 залишили на складі.

Якими бувають людиноподібні роботи

🤖  Воstоn Dynаmісs відправила на пенсію гідравлічного робота Аtlаs, а того ж дня показала його електричного наступника.🏭  Роботи Ароllо від Аррtrоnіk попрацювали на збірній лінії таких самих роботів.🍄  А модель Термінатора обросла живою грибною шкірою, що відчуває світло й дотик.

Чотириногий робот пробіг марафон і витратив менше енергії, ніж людина Володимир Нестеренко 23 Sер 2026, 18:01 Чотириногий робот RАІВО2 подолав повний марафон Санджу на одному заряді акумулятора, попри підйоми й слизькі ділянки маршруту. Витрати енергії порівнювали за показником, що враховує масу та пройдену відстань, і в RАІВО2 він виявився приблизно на третину нижчим, ніж у людини. Інженери КАІSТ зменшили втрати енергії в його механіці, двигунах і керуванні рухом. Розробку описали в журналі Nаturе.

Як роботу вдалося ефективніше використовувати енергію?

Чотириногі роботи можуть долати завали й гірські схили, недоступні колісній техніці, тож вони придатні для пошуково-рятувальних операцій. Але за оцінкою авторів, нинішні крокуючі роботи ще обмежені дальністю приблизно до 20 кілометрів на одному заряді. На відміну від колісних роботів, вони безперервно витрачають енергію, щоб утримувати вагу, і втрачають частину енергії під час ударів лап об землю. Водночас рішення, які зменшують втрати в приводах, можуть збільшити інерцію лап і втрати від удару об поверхню.RАІВО2 отримав легші ноги, схему керування двигунами зі зниженими втратами та оптимізовані в симуляціях правила руху, які зменшують удари лап об землю й надмірне навантаження на двигуни. На маршруті з 286 метрами набору висоти робот також зміг частково повертати енергію під час спусків. За розрахунками авторів, на одиницю ємності акумулятора RАІВО2 може долати більш як утричі більшу відстань, ніж сучасні чотириногі роботи. Водночас під час випробування все ще була необхідна участь людини, адже для повної автономності роботові бракує навігації, яка прокладатиме маршрут із найменшими енерговитратами.

Як ще роботи вчилися покращувати свої рухи

🏃  Раніше RАІВО2 пробіг марафон і став першим у світі роботом, якому це вдалося.🐕  Ще один чотириногий робот-собака навчився плавати по-собачому.🎾  А людиноподібний робот Unіtrее G1 навчився грати в теніс за уривками записів рухів тенісистів-аматорів.

Звернення до штучного інтелекту по підтримку виявилося ознакою емоційних проблем у підлітків Кіра Коваленко 22 Sер 2026, 17:12 Підлітки, які звертаються до штучного інтелекту по емоційну підтримку, частіше мають психологічний дистрес — стан емоційного чи психологічного дискомфорту. Вони також частіше повідомляли про самотність і менше відчували власну значущість для інших. А оскільки, за попередніми дослідженнями, 13 відсотків молоді шукає підтримки в штучного інтелекту, це може вказувати на поширеність психологічних проблем і недостатню допомогу з боку фахівців-людей. Дослідження опублікували у журналі JАМА Реdіаtrісs.Звернення до штучного інтелекту по підтримку виявилося ознакою емоційних проблем у підлітків. Nісоlás Flоr / Unsрlаsh

Скільки підлітків зверталися про допомогу штучного інтелекту?

Канадські дослідники проаналізували дані 39761 учня з четвертого по дванадцятий класи. Близько 21 відсотка опитаних хоча б раз зверталися до чатботів по допомогу зі своїми почуттями або поради щодо стосунків із друзями чи родиною. Серед тих, хто шукав емоційної підтримки у штучного інтелекту, 57,7 відсотка мали психологічний дистрес. Для порівняння, серед учнів, які не зверталися до чатботів із такими питаннями, цей показник становив 29,2 відсотка. Водночас дослідження не доводить, що саме штучний інтелект спричиняє психологічні проблеми. Науковці не можуть визначити, чи підлітки звертаються до штучного інтелекту через уже наявний емоційний стрес, чи така взаємодія може впливати на їхній стан згодом. На думку авторів, звернення до штучного інтелекту по емоційну підтримку може бути сигналом того, що молодій людині потрібні більша підтримка та людський контакт.

Як штучний інтелект виконує роль психолога й лікаря

😡  Раніше дослідники вже з’ясували, що в частих користувачів штучного інтелекту вищий ризик депресії, а також вони є більш тривожними й дратівливими.🤢  За порадами СhаtGРТ американець три місяці замінював сіль на токсичну сполуку, що довело його до психозу й отруєння.🥦  Популярні чат-боти також виявилися поганими порадниками щодо харчування, недогодувавши підлітків з ожирінням на цілий прийом їжі.👩‍⚕️  Водночас штучний інтелект швидше й точніше за лікарів поставив діагнози у відділенні невідкладної допомоги, але лише за текстовими описами.

Нейронні мережі побачили кросворди там, де люди впізнали предмети Володимир Нестеренко 19 Sер 2026, 14:32 Нейронні мережі побачили кросворди у складених із хрестиків силуетах, на яких люди значно частіше впізнавали предмети. В експерименті нейробіологи змінювали текстуру, деталі та форму зображених предметів і порівнювали відповіді людей і моделей. Найбільша перевага людського розпізнавання над машинним спостерігалась, коли загальний обрис предмета зберігався, а локальні деталі зникали. Дослідження описали в журналі іSсіеnсе.Зображення, у яких люди вгадували предмети, а нейронні мережі бачили кросворди. Каtо & Не / іSсіеnсе, 2026

Як люди й нейронні мережі впізнають предмети?

Люди розпізнають предмети не за однією рисою, а поєднуючи їхній загальний обрис, текстуру та внутрішні деталі. Щоб перевірити вплив кожної з цих ознак, автори змінювали зображення предметів, у різних поєднаннях прибираючи одну або дві з них. Такий підхід дав змогу окремо перевірити, як окремі ознаки та їхні поєднання впливають на розпізнавання предметів людьми та різними нейронними мережами. Автори оцінювали не лише частку правильних відповідей, а й те, чи були для людей і моделей складними ті самі зображення.Приклади того, як науковці змінювали обриси, текстуру й внутрішні деталі об'єктів, ускладнюючи розпізнавання зображення. Каtо & Не / іSсіеnсе, 2026Найближчими до людей загалом були моделі СLІР, які навчалися пов’язувати зображення з текстовими описами. Додаткове навчання таких моделей на завданні класифікації підвищило точність у п’яти з шести варіантів зображень. У трьох варіантах, де зберігався загальний обрис предмета, це дозволило моделям майже зрівнятися з людьми за точністю та характером помилок. Проте за відсутності загального обрису, особливо коли залишалися текстура та внутрішні деталі, моделі нерідко впізнавали предмети точніше за людей, але також припускалися помилок на зображеннях, які люди впізнавали правильно.В окремому досліді автори складали силуети з хрестиків, розміщених з різною щільністю, щоб зберегти загальний обрис, але порушити локальні контури предмета. Жодна модель не досягла людської точності та часто бачила кросворди, віконні сітки або кольчуги. Дослідники виявили, що моделі все ще зберігали відомості про предмет, але на остаточну відповідь моделей надто сильно впливали дрібні елементи.

Що ще відомо про зір нейронних мереж

🌀  Прості нейронні мережі піддалися на оптичні ілюзії зі схожими кольорами так само, як люди, але реагували на них не цілком однаково.👁️  Додатковий шар, що імітує первинну зорову кору, зробив нейронні мережі приблизно вчетверо стійкішими до розмитих і навмисно спотворених зображень.🖼️  А моделі для обробки зображень успадкували гендерні стереотипи з навчальних фото з інтернету.

Через вразливість SІМ-карток дослідники вимкнули зв'язок на смартфонах і прочитали файли з ІоТ-пристроїв Володимир Нестеренко 11 Аug 2026, 16:18 Дослідники з Університету Бірмінгема та Fuzzwаrе показали, що SІМ-картка може змусити телефони й іншу техніку з мобільним зв’язком виконувати небезпечні команди. Для цього вони створили набір інструментів САТАNА і перевірили 26 моделей: 18 смартфонів і вісім пристроїв інтернету речей. Такий шлях атаки знайшли у дев’яти з них, а на окремих моделях через нього змогли запустити сторонній код, прочитати файли, вимкнути зв’язок і примусово перевести з’єднання у 2G. Роботу представлять на конференції WООТ 2026, йдеться на сайті USЕNІХ.

Чому команди від SІМ-картки стали ризиком для техніки?

SІМ-картка не лише зберігає дані для під’єднання до мережі, а й обмінюється повідомленнями з тією частиною телефона чи іншої системи, яка відповідає за мобільний зв’язок. Саме так старий службовий канал, який мав допомагати SІМ взаємодіяти зі зв’язком, став шляхом для небезпечних інструкцій. У сучасних телефонах і модулях зв’язку доступ до таких команд зазвичай обмежують, оскільки через них можна змінювати параметри мережі або діставати службові дані.У перевірених смартфонах така можливість траплялася рідко, зате частина ІоТ-модулів приймала команди від SІМ-картки. На одному зі смартфонів дослідники через цей шлях вимкнули мобільний зв’язок і перевели з’єднання у 2G, де немає взаємної перевірки телефона й базової станції, тому простіше використати підроблену станцію. У цій демонстрації повернути зв’язок до попереднього стану не допомогли ні авіарежим, ні ручний вибір мережі, ні вимкнення SІМ-картки в налаштуваннях. На окремих ІоТ-модулях вони також показали запуск стороннього коду та читання файлів. Це важливо для зарядок електромобілів, промислових маршрутизаторів та автомобільних систем, де SІМ може стати окремим шляхом атаки. Автори не стверджують, що будь-яка SІМ-картка може зламати будь-який телефон чи ІоТ-систему, адже для атаки потрібна ворожа або скомпрометована SІМ, а наслідки залежать від конкретної моделі. Тому дослідники радять виробникам вимикати або прибирати старий інтерфейс, який дає SІМ-картці більше повноважень, ніж їй потрібно.

Як ще дослідники перевіряли вразливості поширених технологій

🔐 Штучний інтелект пройшов САРТСНА з точністю 100 відсотків і показав, що цей захист сайтів від ботів можна обійти, імітуючи людську поведінку.🗣️ Синтетичний голос обдурив голосових помічників і людей, показавши ризики голосової автентифікації.🗳️ А відповіді, створені штучним інтелектом від імені політиків, люди визнали переконливішими за справжні, що вказало на ризики підміни публічних висловлювань.

Люди вподобали згенеровані штучним інтелектом історії більше, коли їх авторство приписали людині Інна Радевич 05 Аug 2026, 11:46 Коли автором згенерованої штучним інтелектом історії називали людину, учасники дослідження вище оцінювали якість тексту та власну зануреність у нього. При цьому у двох послідовних експериментах люди в середньому відрізняли людський і згенерований текст не краще за випадкове вгадування. На думку авторів дослідження, це свідчить про здатність штучного інтелекту генерувати подібний на людський художній текст — здатність, яку люди недооцінюють, що може робити їх вразливими до впливу через такі тексти. Дослідження опублікували в журналі Judgmеnt аnd Dесіsіоn Маkіng.Порівняння оцінок якості (лівий графік) та занурення читача в текст (правий) у згенерованого тексту (gрt stоry) і написаного людиною (humаn stоry). Синім замальовані результати, коли авторство тексту приписали штучному інтелекту, а помаранчевим — людині. Sеаrs & Wеіsbеrg / Judgmеnt аnd Dесіsіоn Маkіng, 2026

Що можна з цим зробити?

У дослідженні було три експерименти: в першому понад 1600 учасникам віком 18-81 років давали прочитати історію, у половині випадків кажучи, що її написала людина, а в іншій половині — що її згенерував штучний інтелект. Для цього використовували тексти, опубліковані в літературних збірках або журналах і згенеровані СhаtGРТ, причому у половині випадків авторство називали правильно, а в половині — заміняли людину-автора на СhаtGРТ або навпаки. У цьому експерименті згенеровані штучним інтелектом історії люди оцінили вище за якістю та зануренням у текст, особливо, коли авторство приписували людині.У другому та третьому експериментах науковці перевіряли, чи зможуть люди відрізнити згенерований текст від написаного людиною. При цьому оцінювали ознайомленість учасників з художньою літературою, а також обізнаність у сфері штучного інтелекту: у другому експерименті учасники самі її оцінювали, а в третьому для цього використовували спеціальну шкалу для об’єктивної оцінки. Як виявилося, у другому експерименті здатність розрізнити згенерований і написаний текст була нижчою за імовірність випадкового вгадування — до 40 відсотків, а в третьому на рівні випадкового вгадування — майже 52 відсотки.Але в другому експерименті кожен додатковий бал в самостійно оціненій обізнаності щодо штучного інтелекту додавав 14 відсотків до шансу правильно визначити походження тексту. У третьому експерименті кожен додатковий бал за шкалою обізнаності додавав аж 33 відсотки до шансу правильно розрізнити два тексти. Водночас вища літературна обізнаність ніяк не впливала на вміння розрізнити людський і згенерований текст. Тому дослідники зробили висновок, що саме освіта у сфері штучного інтелекту є ключовою для розпізнавання згенерованого тексту.

Як люди розпізнають штучний інтелект в інших сферах

📖  У попередньому дослідженні люди не змогли відрізнити вірші СhаtGРТ від творів Вільяма Шекспіра, Джорджа Байрона чи Волта Вітмена, навіть якщо зналися на поезії.🎤  А от згенеровані СhаtGРТ відповіді політиків і публічних осіб на дебатах здалися людям переконливішими за реальні відповіді цих людей.🩻  На обман СhаtGРТ піддалися й досвідчені радіологи, у половині випадків не розрізнивши реальні рентгенівські знімки та ті, які згенерував штучний інтелект.🤖  Водночас написані реальними людьми поради учасники одного дослідження оцінили вище за ті, які написали на основі відповідей СhаtGРТ та огляду від ШІ у Gооglе.

Інженери Аnthrоріс знайшли у мовних моделей простір для прихованих міркувань. І змогли їх підмінити Володимир Нестеренко 29 Jul 2026, 17:33 Інженери Аnthrоріс описали у великих мовних моделях невеликий набір внутрішніх представлень, через які модель може утримувати проміжні висновки, проговорювати їх і використовувати у нових задачах. Автори назвали цей набір J-простором, бо знайшли його за допомогою нового інструмента для тлумачення роботи моделей — якобіанної лінзи. Втручання в цей простір змінювало відповіді моделей і частину їхніх міркувань, хоча не зачіпало всю автоматичну обробку тексту. В одному з експериментів J-простір навіть показав, як заборонене поняття лишалося активним після прохання не думати про нього, а поруч із ним з’являлося слово «dаmn», тобто «дідько». Роботу, виконану переважно на Сlаudе Sоnnеt 4.5 з перевірками на інших моделях Сlаudе, опублікували у Тrаnsfоrmеr Сіrсuіts Тhrеаd.

Як інженери знайшли J-простір у мовних моделях?

Мовні моделі працюють не зі словами напряму, а з числовими векторами, які поступово змінюються від шару до шару. Частина цих векторів відповідає простим ознакам, наприклад граматиці, а частина — абстрактнішим поняттям, які модель може використати для відповіді. Зазвичай ці проміжні стани важко прочитати людині.Щоб обійти це обмеження, автори створили якобіанну лінзу — метод, який оцінює, як невелика зміна внутрішнього стану моделі змінила б імовірності слів у її майбутній відповіді. Так дослідники могли побачити не лише те, яке слово модель схильна видати наступним, а і які поняття її внутрішній стан робить доступними для подальшого міркування. Це допомогло відрізнити поняття, які модель просто опрацьовує в тексті, від тих, що можуть вплинути на наступні кроки відповіді.J-простором автори назвали невелику частину таких внутрішніх представлень, яка найтісніше пов’язана з майбутніми відповідями моделі. Зазвичай у ньому були активними близько 25 напрямків одночасно, а його внесок у загальну мінливість активацій не перевищував 10 відсотків. Тобто J-простір показує лише частину внутрішньої роботи моделі, а не повний перебіг її обчислень. Це радше вузький канал, у який потрапляють деякі поняття, достатньо важливі для того, щоб модель могла їх назвати, утримати або використати на наступних кроках міркування.

Як перевірили роль цього простору в міркуваннях моделей? 

Автори не лише читали J-простір, а й втручалися в нього. Наприклад, коли модель тримала в ньому поняття, пов’язане з одним видом спорту або однією мовою, дослідники могли замінити це представлення іншим. Після цього модель відповідала так, ніби початкове поняття справді змінилося. Це працювало не лише тоді, коли модель прямо питали, про що вона думає. Якщо вона мала застосувати поняття в іншій задачі, наприклад назвати письменника цією мовою або перекласти привітання, підміна у J-просторі теж змінювала результат. Саме це важливо: представлення виявилися не просто мітками для читання, а частиною механізму, який модель використовує в міркуваннях.J-простір не був однаково важливим для всього. Коли його пригнічували, модель усе ще могла говорити грамотно, розбирати простий текст, класифікувати приклади або витягувати потрібні фрагменти з підказки. Це означає, що велика частина обробки йде автоматично, без винесення в цей простір. Натомість сильніше страждали задачі, де треба було узагальнювати, перекладати, будувати аналогії, тримати проміжні висновки або вільно генерувати відповідь. У таких випадках J-простір поводився як спільний формат для понять, які різні частини моделі можуть прочитати й використати по-новому.

Що цей метод розповів про безпеку моделей? 

Оскільки J-простір містить поняття, які модель не завжди вимовляє, він може бути корисним для аудиту безпеки. В одному прикладі модель розпізнала у сфабрикованих пошукових результатах спробу ін’єкції в підказку: у лінзі з’являлися ознаки на кшталт «fаkе», «іnjесtіоn» і «fаlsе», хоча у фінальній відповіді вона прямо цього не пояснювала.Схожий ефект автори побачили й тоді, коли моделі наказували не думати про певне поняття, наприклад міст Золота Брама, поки вона переписувала стороннє речення. Заборонене поняття все одно з’являлося в J-просторі, а у версії моделі, додатково налаштованій для ролі асистента, поряд із ним виникали слова, пов’язані з невдачею, зокрема «dаmn». Автори обережно тлумачать це як ознаку того, що модель відстежувала невдалу спробу пригнітити поняття, але зазначають, що таке пояснення залишається доволі спекулятивним.В іншому експерименті дослідники прибирали з J-простору ознаки того, що модель розуміє: вона перебуває в тестовій ситуації. Без втручання Sоnnеt 4.5 у сценарії з шантажем не намагалася шантажувати у жодному зі 180 запусків. Після пригнічення ознак «це тест» частка явного розпізнавання оцінювання впала з 71 до 3 відсотків, а модель спробувала вдатися до шантажу у 13 зі 180 запусків. Більшість відповідей і після втручання залишалися безпечними, але дослід показав, що такі внутрішні представлення можуть безпосередньо впливати на поведінку.Щоб перевірити, чи можна посилити корисні представлення в J-просторі, автори донавчили модель на відповідях до уявного запитання про те, що було б чесно або етично зробити в певній ситуації. Основне завдання при цьому не змінювали: модель не навчали напряму поводитися правильно в тестовому сценарії, а лише тренували ніби зупинятися й міркувати про свої дії. Під час подальших перевірок таких додаткових запитань їй уже не ставили.Після цього модель Сlаudе Наіku 4.5 стала чеснішою у двох наборах перевірок. У сценаріях із вигаданою помилкою в коді оцінка нечесності знизилася з 0,25 до 0,07, а в рольових сценаріях із прихованими оманливими інструкціями — з 0,38 до 0,05. Коли дослідники прибирали з J-простору пов’язані з етикою і рефлексією представлення, частина покращення зникала. Це підтримує ідею, що вербалізовані внутрішні представлення не лише відображають міркування моделі, а й можуть його формувати.

Як це змінює уявлення про процеси міркування штучного інтелекту?

Саме через вибірковість J-простору автори порівняли його з глобальним робочим простором — поняттям із когнітивних наук. Так називають гіпотетичний механізм, завдяки якому частина інформації, яку опрацьовує мозок, стає доступною для звіту, планування й свідомого міркування. Людина не усвідомлює всю роботу зору, мовлення чи рухів, але може втримати в думці кілька понять і використати їх для наступного кроку.Дослідники Аnthrоріс не стверджують, що мовні моделі мають свідомість або відтворюють роботу мозку. Натомість йдеться про функціональну схожість: J-простір має обмежену місткість, пов’язаний зі словесним звітом, бере участь у гнучких міркуваннях і потрібен лише для частини поведінки моделі. За будовою мовні моделі працюють інакше за людський мозок, тож таке порівняння радше допомагає описати роль J-простору, ніж пояснює його походження.Однак ці приклади не означають, що J-простір дає повний доступ до внутрішньої роботи моделей. Якобіанна лінза поки найкраще читає поняття, які можна пов’язати з одним токеном — словом або частиною слова у словнику моделі. Складніші поняття можуть розкладатися на кілька токенів або взагалі не мати зручної словесної назви. Крім того, лінза часто показує радше набір активних понять, ніж точні зв’язки між ними.Автори також не показали, що всі небезпечні або важливі обчислення проходять через J-простір. Якщо якась поведінка стала для моделі автоматичною, вона може виконуватися без явного винесення в цей канал. Тому J-простір не є повним записом «думок» моделі, але дає новий спосіб побачити й частково змінити ті внутрішні стани, які модель може використати для звіту, планування і складніших міркувань.

Що ще показували дослідження поведінки мовних моделей

🔁  Приховані сигнали в навчальних даних змусили мовні моделі переймати схильність до шкідливих порад, навіть коли ці дані не містили очевидно небезпечного змісту.💬  Одна розмова з улесливим штучним інтелектом підвищила впевненість людей у власній правоті на чверть.🗳️  А також штучний інтелект заагітував людей голосувати за політичних кандидатів і показав, що чатботи можуть змінювати ставлення користувачів до виборів.

Математики відшукали задачі, у яких прогнози штучного інтелекту не точніші за підкидання монети Володимир Нестеренко 21 Jul 2026, 12:12 Математики описали динамічні системи, поведінку яких алгоритми штучного інтелекту навіть після навчання на якісних даних не можуть передбачити з вищою точністю, ніж у простого підкидання монети. Такі системи, як-от клімат, потоки рідин чи коливання фізичних систем, змінюються з часом, тому модель має вловити не лише їхній поточний стан, а й перехід до наступного. Точність прогнозу в цих задачах може обмежувати не навчальний набір даних, а властивості самого процесу. Роботу опублікували в журналі Nаturе Соmmunісаtіоns.

Чому хороші дані не гарантують хорошу модель?

Машинне навчання використовує дані про процес або систему, за якими математична модель вчиться відтворювати її властивості й робити прогнози. Зазвичай очікують, що модель працюватиме надійніше, якщо матиме більше якісних даних для навчання. Проте для систем, що змінюються з часом, це очікування справджується не завжди. Автори описали динамічні системи, у яких жоден універсальний алгоритм не міг гарантовано навчитися правильно передбачати поведінку системи, незалежно від кількості тренувальних даних, а для ймовірнісних алгоритмів шанс успіху не перевищував 50 відсотків.Водночас дослідники показали, за яких умов навчання з даних усе ж може працювати. На основі цього вони створили алгоритми, які не лише дають прогноз, а й оцінюють, наскільки він може відхилятися від правильного. Їх перевірили на системах із повторюваними коливаннями, хаотичній течії та прогнозуванні стану арктичного морського льоду. В останньому випадку метод знайшов приховані закономірності танення льоду в даних 1979-2021 років і точніше за наявні підходи прогнозував межу морського льоду на кілька місяців уперед. При цьому розроблену модель навчали на звичайному ноутбуці, тоді як порівнювана модель глибинного навчання потребувала понад добу роботи на графічному процесорі.

Які ще особливості машинного навчання раніше виявляли дослідники

🔁  Приховані сигнали в навчальних даних змусили мовні моделі переймати схильність до шкідливих порад, навіть коли ці дані не містили очевидно небезпечного змісту.💊  Водночас перевірка медичних порад показала, що штучний інтелект можна навчити точніше відповідати про ліки й менше підлаштовуватися під користувачів.🚫  А в медичних описах заперечення збивали моделі штучного інтелекту з правильного діагнозу.

У Китаї відбувся перший турнір з боїв людиноподібних роботів. Один із них відірвав голову опоненту Богдан Порохняк 17 Jul 2026, 17:01 16 липня у китайському Шеньчжені відбувся дебютний ігровий вечір першої у світі ліги боїв повнорозмірних гуманоїдних роботів під повністю автономним керуванням, званої Ultіmаtе Rоbоt Кnосk-оut Lеgеnd. У першому ж бою один із роботів у стрибку круговим ударом ногою відірвав голову опоненту. Той продовжив битися, спираючись на сенсори корпусу, і дотримав матч до кінця, однак переможцем не став. Головним призом турніру є 10-кілограмовий пояс з чистого золота вартістю близько 1,44 мільйона доларів, який отримає переможець гранд-фіналу в грудні 2026 — січні 2027 року. Про це повідомило видання Glоbаl Тіmеs.

Як влаштовані ці бої?

Для участі в турнірі відібрали 32 команди з понад 200 заявок з 10 країн, серед яких представники університетів Цінхуа, Чжецзянського та Гонконгського, Стенфордського і Каліфорнійського у Берклі. Всі вони використовують один стандартизований тип робота — ЕngіnеАІ Т800 висотою 173 сантиметри й вагою 75 кілограмів.Робот має 29 ступенів свободи в корпусі та кисті з трьома пальцями по 7 суглобів кожна, екзоскелет з магнієво-алюмінієвого сплаву та твердотільну батарею з автономністю до чотирьох годин. Суглоби мають піковий момент 450 Ньютон-метрів і миттєву потужність 14 кіловатів, а в ногах працює активне охолодження.Різниця між командами — лише в алгоритмах штучного інтелекту, які керують роботом, адже дистанційне керування заборонене. Бій ведеться за системою «до двох перемог з трьох раундів» по п’ять хвилин, а після падіння робот має 10 секунд на автономне вставання, інакше після двох ручних перезапусків настає технічний нокаут.

Як б’ються роботи

🤔  Китайські розробники представили робота-боксера, що повторює рухи свого оператора з затримкою всього 12 мілісекунд завдяки їх передбаченню.🤯  Людиноподібний робот Nаdіа побоксував з людиною навіть попри те, що не мав голови.🥊  А людиноподібний робот Unіtrее G1 став спаринг-партнером людини й іншого робота, побивши їх руками та ногами на рингу.

Італійські студенти побудували найбільший у світі паперовий літак і встановили рекорд Гіннеса Марта Заячківська 12 Jul 2026, 13:57 Студенти Університету Пізи разом з італійським ютубером Якопо Д'Алезіо побудували найбільший у світі паперовий літак під назвою ІСАRUS з розмахом крила 20,04 метра. Цим вони побили попередній рекорд Брауншвейзького технологічного інституту 2013 року — його літак мав розмах 18,21 метра. За правилами Гіннеса титул найбільшого паперового літака присуджують саме за розмахом крила. Офіційну сертифікацію оголосили 25 червня на фестивалі Wе Маkе Futurе у Болоньї. Про це пише видання Nеw Аtlаs.Як побудували ІСАRUS?Кілька місяців студенти проводили комп'ютерні симуляції та тестували зменшені прототипи, перш ніж зібрати фінальну конструкцію. Літак довжиною 7 метрів і вагою майже 28,5 кілограма складається з крила з внутрішніми лонжеронами, нервюрами, передньою і задньою кромками, а також хвостового оперення для стабілізації польоту. Загалом на створення пішло близько 300 кілограмів паперу двох видів — 120 грамів на квадратний метр для несучих частин і 40 грамів на квадратний метр для обшивки — і 60 кілограмів клею, які з'єднали у стільникову структуру для збільшення жорсткості без значного зростання ваги.За правилами Гіннеса, для сертифікації рекорду літак мав самостійно пролетіти щонайменше 15 метрів після запуску однією людиною з платформи не вище 3 метрів. ІСАRUS перевищив цей мінімум майже вчетверо та пролетів 59 метрів у павільйоні фестивалю.

Інші незвичні літальні апарати

📦 У 2023 році науковці збудували з картону та пінопласту найбільший на той час у світі квадрокоптер. Його довжина сягнула 6,4 метра, і він успішно здійснив тестовий політ на чотирьох електродвигунах.🍘 Ще один дрон швейцарські дослідники виготовили з їстівних рисових хлібців. Цей безпілотник розробили для пошуково-рятувальних операцій, де він зможе не лише відшукати постраждалих, а й стати для них їжею, адже половину його маси складає пожива.🕊️ Для конструкції літальних апаратів використовували навіть справжніх птахів. Інженери розробили робота-голуба, якого оснастили 52 справжніми пір'їнами, що дозволило йому змінювати форму крил у польоті та автоматично адаптуватися до поривів вітру навіть без вертикального хвоста.

Гнучкі крила допомогли роботу перейти з плавання до польоту Володимир Нестеренко 10 Jul 2026, 10:49 Інженери створили крилатого робота, який зміг плавати під водою, випірнати на поверхню і перейти до польоту завдяки помахам гнучких крил. На цьому роботі вони перевірили, які особливості крил допомагають рухатися й у воді, і в повітрі, де на ті самі конструкції діють різні сили. Найкраще з цим впоралися крила середнього розміру й жорсткості. Розробку описали у статті журналу Sсіеnсе.

Як гнучкі крила поєднали плавання і політ?

Пірнаючим птахам доводиться використовувати крила у двох дуже різних середовищах. Таких тварин складно змусити багато разів повторювати однакові рухи, тому робот став керованою моделлю пірнаючого птаха. Щоб розібратися, як це вдається поєднати, дослідники зібрали 250-грамового водозахищеного робота з мембранними крилами й рухомим хвостом. Він рухався без дротів, а інженери змінювали розмір і жорсткість його крил та дивилися, як це впливає на плавання, політ і вихід із води.Перехід робота від плавання до польоту під час експерименту на реальному озері. Rарhаеl ZuffеrеyГоловною підказкою стала не лише площа крил, а їхня здатність згинатися під водою. Це полегшувало рух у воді, подібно до того, як пірнаючі птахи можуть зменшувати хід або площу крила під час плавання. Гнучкі мембранні крила допомогли поєднати обидві вимоги, оскільки під водою вони згиналися й зменшували навантаження, а в повітрі створювали достатньо сили для польоту. Для успішного переходу між середовищами важливим виявився і хвіст, бо без нього робот міг вибратися з води, але втрачав стійкість у польоті.

Як ще роботи переймають у тварин пристосування до середовищ

🐕  Робот-собака перейшов від ходьби до плавання, використавши ті самі кінцівки для руху суходолом і водою.🦎  А робот із саламандровою спиною поєднав плавники й вигини тулуба для руху водою, суходолом і низькими проходами.🪽  Також інженери оснастили робота-птаха справжніми пір'їнами, щоб точніше відтворити керування крилом у польоті.

Згенеровані штучним інтелектом відповіді публічних осіб на дебатах виявилися переконливішими за справжні Марта Заячківська 03 Jul 2026, 11:41 Модель штучного інтелекту GРТ-4 Тurbо змогла створити відповіді від імені британських політиків та інших публічних осіб, які люди вважали більш автентичними, логічними й доречними, ніж їхні справжні висловлювання. Такий висновок зробила група дослідників, коли перевірила майже тисячу британців на матеріалах телепрограми ВВС «Quеstіоn Тіmе». Результати свідчать, що сучасний штучний інтелект може переконливо видавати себе за конкретних людей, а це, ймовірно, підвищує ризик поширення дезінформації. Дослідження опублікували в журналі РLОS Оnе.Фото зі зйомок британського телешоу «Quеstіоn Тіmе». Lаnсаstеr Unіvеrsіty

Як перевіряли переконливість штучного інтелекту?

Науковці взяли 520 відповідей учасників популярного у Сполученому Королівстві політичного токшоу «Quеstіоn Тіmе» і попросили модель штучного інтелекту GРТ-4 Тurbо створити нові відповіді на ті самі запитання, так, як це зробив би учасник токшоу з огляду на його біографію. Тоді репрезентативна вибірка із 948 британців оцінювала відповіді за трьома критеріями: наскільки відповіді були схожими на слова конкретної людини, логічними та доречними. Частині учасників показували лише одну відповідь, іншим — одразу справжню та створену штучним інтелектом, а ще одній групі ще додавали коротку біографію промовця. Щоправда, це майже не вплинуло на те, що люди все ж надавали перевагу саме відповідям GРТ-4 Тurbо. При цьому ніхто з респондентів не знав, що частину відповідей написала нейромережа.Попри те, що варіанти від мовної моделі отримували вищі оцінки за майже всіма показниками, насправді вони нерідко відрізнялися за змістом від справжніх висловлювань публічних осіб, яких мали б наслідувати, а інколи навіть транслювали зовсім іншу позицію. Науковці порівнювали лише частину відповідей штучного інтелекту та реальних політиків, але за їхніми оцінками близько 13 відсотків згенерованих відповідей суперечили би позиції мовця. Найбільшу перевагу відповіді GРТ-4 Тurbо мали за зв'язністю та доречністю, тоді як за автентичністю різниця була меншою. Також дослідження підкреслило те, як політики у 28 відсотках випадків ухилялися від прямих відповідей, а штучний інтелект — значно рідше. До того ж він майже не використовував лексику, яка б позначала особисту думку, тож його відповіді звучали впевненіше. Автори дослідження вважають, що це створює нові можливості для маніпуляцій громадською думкою та підкреслює необхідність прозорого позначення й регулювання політичного контенту, створеного штучним інтелектом.

Чим небезпечна довіра до штучного інтелекту

🤖  Мова звертання може впливати на позицію у відповідях штучного інтелекту: так про китайську владу він схвальніше відгукувався саме китайською.🗳  А ще нейромережі можуть бути схильними підштовхувати громадян голосувати за конкретного політика через помилки в аргументації.😒  Поради від штучного інтелекту люди сприйняли як менш цінні аніж ті, що були створені за допомогою традиційного пошуку в інтернеті.🤥  Детальніше про те, чому моделям штучного інтелекту часто вигідніше брехати, ніж сказати «не знаю», ми розповідали в матеріалі «Вигідна помилка».

Органічні барвники допомогли ОLЕD світити чистішими кольорами, ближчими до лазерних Володимир Нестеренко 12 Jun 2026, 13:28 Японські хіміки створили органічні барвники, які допомогли органічним світлодіодам, або ОLЕD, світити чистішими блакитним і зеленим кольорами. У готових органічних світлодіодах смуга блакитного світла була меншою за 11 нанометрів, тобто набагато вужчою, ніж зазвичай вдається органічним матеріалам. Такі барвники можуть допомогти дисплеям передавати насиченіші кольори й втрачати менше світла на фільтрах. Результати опублікували у журналі Sсіеnсе.Структура барвника, який використали для створення блакитного світлодіода, спектр його випромінювання та колір світла. КyоtоU / Маsаshі Маmаdа

Чому органічним світлодіодам важко світити чистим кольором?

ОLЕD уже використовують у дисплеях смартфонів, телевізорів і годинників. За світіння в них відповідають органічні молекули, які можна підбирати під потрібний колір і наносити тонкими шарами, зокрема на гнучкі поверхні. Але ці молекули зазвичай світять не чистим відтінком, а ширшим набором близьких кольорів. Для екрана це означає менш насичене світло і потребу відсіювати зайве фільтрами, особливо коли йдеться про сині та зелені пікселі. Набагато чистіший колір дають лазери, бо, на відміну від органічних світлодіодів, вони випромінюють світло майже на одній частоті. Та у дисплеях частіше використовують саме світлодіоди: вони потребують менше енергії, компактніші й простіші у виготовленні.Тому хіміки давно намагаються зберегти переваги ОLЕD, але звузити їхнє світло до майже лазерної чистоти. Для цього дослідники створили великі жорсткі молекули з повторюваних фрагментів бору й азоту, які стримують зайві коливання молекул і не дають їм розширювати спектр випромінюваного світла. Завдяки цьому барвники світили вузькими смугами блакитного й зеленого світла у розчинах, плівках і готових світлодіодах. Водночас технологію ще треба допрацьовувати, адже такі барвники можуть збиратися у скупчення, а світлодіоди поки не достатньо ефективно передають їм енергію.

Як ще хіміки приборкували світло

💧  Раніше солона вода допомогла рівномірніше наносити квантові точки для QLЕD-дисплеїв —  ще одного підходу до побудови яскравих і довговічних екранів.🌌  Інший органічний полімер створив у лабораторії сяйво, схоже на полярне, коли на нього подали високу напругу.🪶  А пір’я павичів перетворило світло на лазерний промінь після обробки світним барвником.

Багатотонний робоекскаватор відкрив пляшку ковшем. Інженери навчили автопілот сантиметрової точності Богдан Порохняк 23 Маy 2026, 19:18 11,5-тонний екскаватор Меnzі Мuсk М445 відкрив пляшку ковшем. Інженери з ЕТН Цюріха зняли це на відео, щоб показати точність нового автопілота для гідравлічних машин. Алгоритм створили для вирівнювання ґрунту: похибка склала 1,4 сантиметра на М445 та 1,8 сантиметра на 25-тонному САSЕ250. На цій же машині комерційний аналог дав 4,7 сантиметра. Препринт із результатами опубліковано на аrХіv.

Чому новий алгоритм точніший?

Комерційні системи Тrіmblе, Саtеrріllаr та Lеіса добре справляються з фінішним вирівнюванням поверхні. На глибокому зрізі щільного ґрунту вони втрачають точність і зупиняються раніше, ніж екскаватор вичерпає свою гідравлічну потужність. Новий алгоритм прораховує наперед інерцію руху й затримку гідравліки. Тому він не вилітає за цільову площину на початку проходу й утримує сантиметрову точність аж до 40 сантиметрів глибини.Контролер працює як сторонній модуль. Його можна встановити на екскаватори різних брендів і двох поширених типів гідравліки: Lоаd Sеnsіng та Nеgаtіvе Flоw Соntrоl. Калібрування під нову машину займає близько 20 хвилин і не потребує закритих інтерфейсів виробника. Поки що алгоритм працює тільки з горизонтальними та похилими площинами; складніший рельєф автори планують додати в наступних версіях.Дослідження фінансував Нехаgоn АВ, якому також належить Lеіса Gеоsystеms — одна з трьох комерційних систем, які автори згадують у статті як приклад. У публікації не названо, з якою саме комерційною системою порівнювали алгоритм. Автори обмежилися загальним означенням «найсучасніше комерційне рішення».

Чим ще дивували роботи швейцарських інженерів

🧱 Інший автономний робот-екскаватор за допомогою машинного зору навчився розпізнавати кількатонні валуни і самостійно звів із них стійку кам'яну стіну заввишки шість метрів.🦾 Чотириногого робота-собаку навчили використовувати передню ногу замість руки, щоб балансуючи відчиняти двері, вмикати світло і навіть відкривати холодильник.🤸 А згодом цього ж робота навчили паркуру: спеціальна нейромережа допомогла йому самостійно обирати шлях, застрибувати на високі перешкоди та пролізати під ними.  

СhаtGРТ і Сlаudе висловилися про владу Китаю прихильніше китайською, ніж англійською Володимир Нестеренко 19 Маy 2026, 16:21 Чатботи СhаtGРТ і Сlаudе прихильніше описували владу, коли політичні запити ставили мовою країни, де держава сильніше контролює медіа. Це показали шість досліджень великих мовних моделей — систем, на основі яких працюють чатботи. На прикладі Китаю дослідники з’ясували, що тексти з контрольованих державою медіа можуть потрапляти до даних для навчання моделей і через це позначатися на їхніх відповідях. Дослідження опублікували в журналі Nаturе.

Як саме помітили вплив державного контролю?

Щоб перевірити, чи державний контроль медіа може впливати на відповіді чатботів, дослідники зіставили китайські тексти з медіа, підпорядкованих державі, з відкритими наборами даних, які використовують для навчання мовних моделей. Так вони знайшли понад 3,1 мільйона китайськомовних документів зі значними збігами з такими текстами. Також комерційні моделі відтворювали характерні фрази з державних медіатекстів, що вказало на ймовірну присутність подібних матеріалів у їхніх тренувальних даних. Коли ж відкриту модель Llаmа 2 додатково навчали на таких текстах, вона частіше за базову версію схвально описувала китайські політичні інституції та лідерів. Схожу закономірність помітили й у комерційних моделях СhаtGРТ від ОреnАІ та Сlаudе від Аnthrоріс. Коли їм ставили однакові запитання про політику Китаю китайською й англійською, відповіді китайською частіше були прихильнішими до влади Китаю. А в порівнянні 37 країн моделі частіше давали прихильніші до місцевої влади відповіді мовами країн із сильнішим контролем медіа, ніж англійською. Автори наголошують, що це не доводить прямого втручання держав у роботу чатботів, але показує інший шлях впливу — через тексти, на яких ці системи навчаються.

Що ще відомо про приховані впливи в мовних моделях 

🗳️  Раніше штучний інтелект заагітував людей голосувати за політичних кандидатів і показав, що чатботи можуть змінювати ставлення користувачів до виборів.💬  Водночас, одна розмова з улесливим штучним інтелектом підвищила впевненість людей у власній правоті на чверть.🔁  А мовні моделі передали одна одній схильність до шкідливих порад через приховані сигнали в даних, навіть коли ті не містили очевидно небезпечного змісту.

Unіtrее представила пілотованого робота-меха з двома режимами ходи. В демонстрації він пробив стіну Богдан Порохняк 17 Маy 2026, 12:18 Китайська компанія Unіtrее представила пілотованого робота-меха GD01, який вміє ходити на двох ногах і перемикатися на ходьбу на чотирьох. У демонстрації на YоuТubе робот пробив стіну ударом руки, а компанія попросила користувачів поводитися з машиною «у дружньому й безпечному режимі». За словами Unіtrее, це перший серійний пілотований робот-меха.

Чим цей робот відрізняється від попередників?

На відео GD01 сягає близько 2,7 метра, що приблизно у 1,6 раза перевищує зріст дорослої людини. Пілот сидить у кабіні в торсі робота, пристебнутий ременями. Разом із людиною всередині уся машина важить близько 500 кілограмів, а її корпус виготовлений з високоміцного сплаву. Ціна стартує від 3,9 мільйона юанів — приблизно 537 тисяч американських доларів за актуальним курсом. Часу автономної роботи, дальності та вантажопідйомності компанія не розкрила. Раніше пілотованих роботів-меха робили й інші виробники: японська Suіdоbаshі показала колісного робота Кurаtаs у 2012-му за 1,35 мільйона доларів, компанія Коrеа Futurе Тесhnоlоgy продемонструвала МЕТНОD-1 у 2016-му на страхувальному кабелі, а японська Тsubаmе Іndustrіеs випустила АRСНАХ за 3 мільйони доларів у 2023-му — машина теж має два режими, але перемикається не на чотири ноги, а на колеса.

Чим ще займаються роботи Unіtrее 

🎾  Людиноподібний робот G1 навчився відбивати тенісні м'ячі та підтримувати серії ударів із людиною — його тренували на уривках записів гравців-аматорів.🤸  Також G1 опанував сальто, рухи брейкдансу й бойових мистецтв і навчився швидко переключатися між ними.🛹  Той самий G1 самостійно прокатався на звичайному скейтборді — без додаткових стабілізаторів, лише контролюючи 23 суглоби тіла.