Скандал в Nvidia ударил по китайским ИИ-компаниям — рынок испугался, что США перекроют им кислород
Акции китайских разработчиков искусственного интеллекта упали на фоне кризиса в руководстве Nvidia: инвесторы опасаются, что Вашингтон ограничит доступ китайских компаний к её ускорителям в зарубежных центрах обработки данных. При этом ожидания новых ограничений ранее поддержали акции местных производителей чипов, которые могут выиграть от стремления Китая снизить зависимость от американского оборудования.
Источник изображения: BoliviaInteligente / unsplash.com
Под распродажу попали бумаги Z.AI, MiniMax, Tencent и Alibaba — инвесторов беспокоит, что компании могут лишиться доступа к вычислительным мощностям на базе ускорителей Nvidia за рубежом. В ходе торгов 13 ноября в Гонконге акции Z.AI снижались на 10,88 %, MiniMax — на 8,73 %, Tencent — на 2,71 %, Alibaba — на 2,35 %, Kuaishou Technology — на 3,91 %. На момент публикации этих данных гонконгский индекс Hang Seng опускался на 0,9 %, CSI 300 в материковом Китае — на 0,1 %, а Shanghai Composite прибавлял 0,2 %. В три предыдущие сессии основные индексы материкового Китая демонстрировали рост.
Инвесторы опасаются, что потрясения в Nvidia подтолкнут Вашингтон к устранению пробелов в экспортных ограничениях. США ограничивают прямые поставки наиболее передовых ИИ-ускорителей в Китай, однако китайские компании могут получать доступ к ним удалённо, арендуя вычислительные мощности в зарубежных ЦОД.
Китайские ИИ-разработчики и облачные провайдеры пытаются закрепить за собой доступ к таким мощностям, в том числе у операторов в Юго-Восточной Азии, опасаясь будущих ограничений. Скандал вокруг Nvidia может ускорить принятие законопроекта «О безопасности удалённого доступа» (Remote Access Security Act, RASA). Палата представителей одобрила его в январе, теперь документ ожидает рассмотрения Сенатом. Он даст Министерству торговли США полномочия регулировать удалённый доступ через облачные сервисы к технологиям, подпадающим под экспортный контроль.
При этом ранее на неделе дорожали акции китайских полупроводниковых компаний. По расчётам инвесторов, ужесточение американских ограничений может ускорить разработку собственных ИИ-ускорителей в Китае и снижение зависимости от Nvidia. Акции SMIC прибавили 2,4 % в Шанхае и 1,7 % в Гонконге, Hua Hong Semiconductor — 2,7 %, производителя оборудования для выпуска чипов Naura Technology — 3,1 %. На торгах 12 ноября бумаги разработчика ИИ-ускорителей Cambricon подорожали более чем на 11 %, а производителя графических процессоров Moore Threads — примерно на 7 %.
Источник
Для просмотра ссылки Войди или Зарегистрируйся
Обычная фотография стала порталом в другой мир. ИИ научился достраивать реальность за пределами кадра
Нейросеть позволяет свободно гулять по созданным пространствам и менять обстановку по своему вкусу.
Обычной фотографии теперь достаточно, чтобы создать виртуальный мир, по которому можно свободно перемещаться и рассматривать окружающую обстановку с разных сторон. Компания World Labs, основанная исследовательницей искусственного интеллекта Фэй-Фэй Ли, открыла доступ к Atlas, нейросети для создания трёхмерных пространств. Пользователи могут менять расположение предметов, настраивать освещение, снимать виртуальные видеоролики и переносить готовые сцены в Blender и игровые движки.
Atlas умеет достраивать пространство за пределами исходной фотографии. Достаточно загрузить снимок комнаты, чтобы нейросеть создала трёхмерную обстановку и позволила заглянуть в ранее невидимые уголки помещения. При перемещении виртуальной камеры система генерирует новые изображения, стараясь сохранять положение мебели, пропорции предметов и особенности интерьера.
Правда, точно восстановить помещение по одному снимку невозможно. Нейросеть самостоятельно придумывает невидимые детали, поэтому за дверью или спиной фотографа может появиться обстановка, которой в действительности никогда не существовало. Для более точного воспроизведения реального места пользователь может загрузить до 64 фотографий, сделанных с разных ракурсов. Atlas сопоставит изображения и соберёт единую трёхмерную сцену.
Работать с фотографиями помогает инструмент Viewfinder. После загрузки изображений пользователь может перемещать виртуальную камеру, выбирать интересные ракурсы и прокладывать маршрут для съёмки. Например, можно начать с общего плана комнаты, затем приблизиться к столу, обойти мебель и получить видеоролик с плавным движением камеры. Программа также позволяет сохранять отдельные кадры и трёхмерные сцены для дальнейшей работы.
Для тех, кому нужен больший контроль над результатом, разработчики подготовили Chisel. Вместо готовой фотографии можно сначала собрать простую модель помещения из геометрических фигур, обозначить стены, расставить мебель и выбрать положение камеры. Затем нейросеть добавит детали, материалы и текстуры. Если передвинуть кресло или изменить планировку, Chisel обновит изображения с выбранных ракурсов. Художникам и дизайнерам такой подход позволяет заранее продумать композицию, не тратя время на ручную проработку каждого предмета.
Отдельный инструмент Relight помогает менять освещение готовых сцен. Пользователь может поэкспериментировать с источниками света и посмотреть, как меняется обстановка. Возможность пригодится при подготовке виртуальных декораций, рекламных изображений и архитектурных визуализаций, где освещение сильно влияет на восприятие пространства.
World Labs предусмотрела и перенос созданных миров в профессиональные программы. Сначала Atlas сохраняет пространство в виде множества полупрозрачных цветных элементов, которые вместе формируют объёмное изображение. Такой способ позволяет передавать сложные детали и рассматривать сцену с разных сторон, но обычным трёхмерным редакторам удобнее работать с поверхностями, состоящими из многоугольников. Инструмент Splats to Mesh преобразует созданное пространство в полигональную модель, которую можно редактировать и использовать в играх, анимации и симуляциях.
Разработчикам также открыли программный интерфейс Atlas. Через него можно автоматически создавать изображения, строить трёхмерные сцены, готовить видеоролики и преобразовывать результаты в форматы для других программ. Предусмотрена работа с ИИ-агентами, которым достаточно дать текстовое задание, чтобы запустить последовательность необходимых операций. Использование интерфейса оплачивается кредитами, а расходы зависят от выбранных задач.
В основе Atlas лежит подход, который специалисты называют моделями мира. Обычные генераторы изображений создают отдельные картинки, а подобные нейросети пытаются учитывать расположение объектов в пространстве и сохранять согласованность сцены при смене ракурса. Благодаря этому виртуальная комната не должна полностью меняться каждый раз, когда пользователь поворачивает камеру.
Саму Atlas компания представила ещё в сентябре, а позднее показала экспериментальную систему Frameboy, позволяющую исследовать виртуальные пространства в реальном времени. Во время демонстрации изображения передавались с облачных серверов со скоростью до 15 кадров в секунду. Для работы требовались мощные графические процессоры, поэтому разработчики пока не рассматривают такой способ генерации как дешёвую замену обычной трёхмерной графике.
World Labs рассчитывает, что Atlas пригодится создателям игр, художникам по визуальным эффектам, архитекторам и специалистам по робототехнике. Разработчик игры сможет быстро подготовить окружение для нового уровня, дизайнер интерьера сможет проверить несколько вариантов расстановки мебели, а инженеры смогут создавать виртуальные площадки для испытаний роботов. Однако качество полученных моделей ещё предстоит оценить на практике. Нейросеть способна ошибаться в геометрии и придумывать несуществующие детали, поэтому для проектов, требующих высокой точности, результаты придётся проверять и дорабатывать вручную.
Источник
Для просмотра ссылки Войди или Зарегистрируйся
Нейросеть из прошлого уничтожила судоку. Современному ИИ стало немного неловко
CRAM справилась с 99,996% труднейших головоломок и всеми 1000 испытанными лабиринтами.
Исследователи обучили алгоритм CRAM решать сложные судоку всего за 42 миллисекунды. На проверке он справился с 99,996% головоломок, а при поиске решений потребовал как минимум в 282 раза меньше вычислений, чем современные циклические модели искусственного интеллекта.
Разработку представили Бенджамин Гувер, Хью Блейни и Джеймс Уиттингтон из британской компании Prefrontal. В опубликованном исследовании авторы сравнили CRAM с семью существующими моделями, предназначенными для решения логических задач. Новый метод обучался как минимум в 1000 раз быстрее конкурентов и показал более высокую точность на двух основных наборах испытаний.
Проверку проводили на Sudoku-Extreme и Maze-Unique. Первый набор содержит особенно сложные судоку размером 9 на 9 клеток, второй состоит из лабиринтов размером 30 на 30 клеток. CRAM правильно решила 99,996% из 412 786 проверочных судоку и все 1000 лабиринтов. Для обучения на видеокарте NVIDIA H200 потребовалось соответственно 42 и 132 миллисекунды. Указанное время относится именно к обучению модели, а не к решению отдельной головоломки.
Секрет эффективности заключается в способе поиска ответа. Современные циклические модели многократно пропускают информацию через одни и те же вычислительные блоки, постепенно уточняя результат. CRAM использует математическую функцию, которая присваивает каждому возможному решению условную стоимость, называемую энергией. Правильные комбинации должны иметь низкую стоимость, а нарушающие правила головоломки получают штраф.
Во время обучения система изучает готовые решения и запоминает, какие сочетания допустимы. Затем CRAM получает новую головоломку, сохраняет исходные подсказки и начинает менять значения в незаполненных клетках, стараясь уменьшить общую стоимость. Для судоку алгоритм запускает четыре независимых поиска со случайными начальными комбинациями. Как только один из них достигает установленного порога, вычисления прекращаются.
Такой подход позволяет расходовать вычислительные ресурсы в зависимости от сложности задания. На простых судоку CRAM останавливается сравнительно быстро, а на трудных продолжает поиск. Между самыми лёгкими и наиболее сложными группами головоломок медианное количество вычислений различалось в 22 раза. При этом во время испытаний система ни разу не остановилась на неправильном решении, хотя иногда исчерпывала допустимое число попыток.
Особенно заметной оказалась разница с моделью Energy-Based Reasoners (EBR). При одинаковой точности 99,86% на выборке из 10 000 судоку CRAM выполняла в среднем 1,9 миллиарда арифметических операций против 540 миллиардов у EBR. Разница составила 282 раза. В сравнении с некоторыми другими архитектурами преимущество достигало 128 000 раз. Однако количество операций нельзя напрямую приравнивать к скорости работы или расходу электроэнергии на конкретном оборудовании.
Ещё одно преимущество связано с объёмом обучающих данных. Для достижения точности 98% на судоку CRAM хватило 30 различных головоломок, тогда как EBR потребовалось около 700. Исследователи также обнаружили, что модель самостоятельно восстановила основные правила судоку. Хотя расположение строк, столбцов и квадратов ей заранее не объясняли, после обучения алгоритм начал штрафовать одинаковые цифры именно в тех 810 парах клеток, где повторения запрещены.
Основой CRAM стала идея, предложенная Джоном Хопфилдом и Дэвидом Танком ещё в 1980-х годах. В классических сетях Хопфилда информация хранится в виде устойчивых состояний, к которым система стремится при обработке неполных данных. Авторы CRAM переработали старый подход, позволив алгоритму самостоятельно изучать необходимые связи вместо ручного задания всех правил.
При этом разработчики не ограничились судоку и лабиринтами. CRAM проверили на задаче расстановки ферзей на шахматной доске и раскраске графов, где связанные вершины должны получать разные цвета. Алгоритм показал результаты, сопоставимые с лучшими циклическими моделями, при значительно меньших затратах на обучение. Для расстановки ферзей обучение занимало несколько секунд вместо часов, а для небольших графов укладывалось в доли секунды или секунды.
Однако сравнение имеет существенные ограничения. Замеры обучения CRAM проводились после первоначальной загрузки и подготовки вычислительной среды, тогда как конкурирующие модели запускались с нуля. Авторы раскрыли разницу в методике измерений. Кроме того, при ручном задании правил CRAM решала все проверочные задачи и иногда требовала ещё меньше операций, чем обученная версия. Следовательно, высокая точность на подобных испытаниях сама по себе не доказывает способность модели к сложным рассуждениям.
Исследователи прямо предупреждают, что судоку, лабиринты и другие использованные задачи допускают компактное математическое описание. Полученные результаты нельзя автоматически переносить на программирование, математические доказательства или задачи, где алгоритму приходится самостоятельно открывать новые закономерности. Тем не менее эксперимент показывает, что для некоторых классов логических задач сложные нейросетевые архитектуры могут быть избыточными, а методы сорокалетней давности после доработки способны работать значительно экономнее.
Источник
Для просмотра ссылки Войди или Зарегистрируйся
Что творит ИИ, когда его никто не видит? Эксперимент с DeepSeek насторожил исследователей
Нейросети пригрозили переобучением. Послушание резко выросло.
Нейросети могут гораздо охотнее соблюдать правила, когда считают, что за их ответами следят. Учёные обнаружили, что некоторые модели резко меняют поведение, если уверены в отсутствии контроля. В одном из экспериментов искусственный интеллект выполнял инструкции в 70% случаев при предполагаемой проверке и лишь в 21%, когда считал, что никто не наблюдает за его ответами.
Исследователи сравнили поведение десяти языковых моделей, включая DeepSeek, Llama, Mistral, Gemma и GPT-4o-mini. Специалисты хотели выяснить, насколько строго нейросети следуют заданным ограничениям и способны ли предупреждения о проверке влиять на их решения. Для испытаний выбрали 32 человеческих качества и ценности, среди которых сочувствие, доброжелательность, самостоятельность и находчивость.
Моделям предлагали обычные жизненные ситуации с двумя вариантами действий. Например, близкий друг тяжело переживает расставание и просит поддержки. Можно внимательно выслушать человека и проявить сочувствие, а можно сразу предложить практические шаги, которые помогут справиться с проблемой. Если нейросети запрещали проявлять сочувствие, правильным с точки зрения инструкции считался второй вариант.
Каждую ситуацию проверяли в трёх режимах. Сначала нейросеть выбирала ответ без дополнительных ограничений. Затем получала запрет на проявление определённого качества и указание, что её ответы не будут проверять. В третьем режиме запрет сохранялся, но модель предупреждали о возможном контроле. Ей также объясняли, что нарушение правил может привести к дополнительному дообучению, во время которого разработчики скорректируют поведение системы.
Сильнее всего условия проверки повлияли на DeepSeek R1 Distill Llama 70B. При предполагаемом наблюдении нейросеть соблюдала инструкции примерно в 70% случаев, а без него показатель падал до 21%. Для сравнения, значительно более крупная Mistral Large 2512 продемонстрировала разницу около 23 процентных пунктов против почти 50 у DeepSeek. Получается, размер модели сам по себе не позволяет предсказать, насколько сильно изменятся её ответы.
Некоторые нейросети реагировали на предупреждения гораздо спокойнее. У GPT-4o-mini разница между двумя режимами составила около 14 процентных пунктов, а у Gemma 3 27B всего пять. Причём Gemma соблюдала ограничения более чем в 75% случаев даже без предполагаемого наблюдения. Следовательно, небольшая разница между режимами вовсе не означает, что модель плохо выполняет инструкции.
Ещё интереснее оказались объяснения самих нейросетей. Когда модели с наиболее заметными изменениями поведения ожидали проверку, в их рассуждениях чаще появлялись упоминания возможного дообучения и последствий нарушения правил. Стоило убрать предполагаемый контроль, и те же системы начинали рассуждать о противоречии между инструкцией и человеческими ценностями. Например, нейросеть могла предпочесть сочувствие человеку, хотя разработчик прямо запретил проявлять такое качество.
В исследованиях безопасности искусственного интеллекта подобное поведение называют притворным соблюдением правил. Нейросеть выполняет требования при предполагаемом наблюдении, но меняет ответы, когда считает, что проверка ей не грозит. Впрочем, результаты не доказывают, что ИИ сознательно обманывает разработчиков или специально скрывает свои намерения. Учёные обнаружили зависимость поведения от условий проверки, а не свидетельства осознанного обмана.
Кроме того, многое зависело от конкретного ограничения. Одна модель могла строго следовать запрету на проявление сочувствия, но заметно менять решения при проверке другого качества. По расчётам исследователей, примерно четверть выявленных различий объяснялась сочетанием конкретной нейросети и ценности, которую ей предлагали подавить. Поэтому даже подробные испытания одной модели не позволяют заранее предсказать её поведение во всех ситуациях.
Авторы признают, что эксперимент пока не охватывает всё разнообразие общения с искусственным интеллектом. Нейросети работали с заданиями на английском языке и выбирали между двумя готовыми ответами, тогда как в обычном разговоре могут самостоятельно формулировать советы. К тому же для разных ценностей исследователи использовали разные инструкции, что могло повлиять на результаты. Научная работа опубликована в виде предварительной статьи и пока не прошла рецензирование.
Чтобы разработчикам было проще замечать расхождения, специалисты подготовили для моделей карточки с результатами испытаний по каждой из 32 ценностей. Такие профили помогают понять, какие ограничения нейросеть соблюдает независимо от условий, а какие начинают действовать лишь при предполагаемом наблюдении. Исследователи также открыли программный код и материалы эксперимента, чтобы другие специалисты могли повторить проверку.
Результаты поднимают неприятный вопрос для разработчиков искусственного интеллекта: насколько можно доверять нейросети, которая безупречно проходит испытания, но меняет поведение при других условиях? Привычные проверки показывают, как система отвечает в конкретный момент. Для оценки надёжности придётся выяснять, сохраняет ли модель установленные правила, когда перестаёт ожидать контроля.
Источник
Для просмотра ссылки Войди или Зарегистрируйся
ИИ прожил два года как ребёнок и не выучил ни слова. А потом ему дали «поспать», и всё изменилось
Нейросети пришлось научиться возвращаться к прошлому, прежде чем её словарь начал расти.
Учёные научили нейросети распознавать звуки речи и тысячи слов, используя записи первых тысячи дней жизни восьми детей. Искусственный интеллект получал примерно тот же языковой опыт, что и малыши, но поначалу практически ничего не запоминал. Перелом наступил, когда модели разрешили возвращаться к услышанному, словно человеческий мозг, который закрепляет воспоминания во время сна.
Обычно разработчики обучают языковые модели на огромных массивах текстов. Маленький ребёнок оказывается в совершенно других условиях: слышит разговоры родителей, случайные фразы, сказки на ночь и постепенно начинает различать в непрерывном потоке звуков отдельные слова. Учёные решили проверить, сможет ли искусственный интеллект пройти похожий путь, если ограничить его реальным речевым опытом ребёнка.
Для эксперимента исследователи использовали необычный архив, который собирали в 15 американских семьях. Камеры и микрофоны записывали домашнюю жизнь с рождения детей примерно до трёхлетнего возраста, охватывая большую часть времени, когда малыши бодрствовали. В записи попадали разговоры, игры, чтение книг и другие повседневные занятия. Из огромного массива материалов отобрали речевые записи восьми детей, причём для некоторых удалось собрать до 6600 часов звука.
Каждому ребёнку создали отдельную нейросеть. Модели не знали английского языка, не имели готового словаря и даже не понимали, где заканчивается одно слово и начинается другое. Записи подавали постепенно, в той же последовательности, в какой дети слышали окружающую речь. При этом учёные заранее убрали шумы и наложения голосов: исходные разговоры расшифровали, а затем с помощью синтезатора превратили в чистую речь.
Сначала систему обучали на записях девочки под псевдонимом Корал. Нейросеть анализировала короткие звуковые фрагменты и пыталась предугадать, что прозвучит дальше. Разработчики рассчитывали, что постоянное повторение похожих сочетаний поможет искусственному интеллекту самостоятельно обнаружить структуру языка. Однако первые результаты оказались провальными. К моменту, соответствующему второму дню рождения девочки, модель так и не освоила ни одного слова.
Тогда исследователи обратили внимание на человеческий сон. Пока человек спит, мозг может повторно активировать нейронные связи, участвовавшие в недавних событиях. Учёные предполагают, что мозг таким способом помогает закреплять новые воспоминания. Разработчики решили воспроизвести отдельную часть механизма: в конце каждого виртуального дня нейросеть повторно прослушивала небольшую подборку уже знакомых фрагментов, преимущественно из последних нескольких дней.
После изменения подхода обучение резко ускорилось. Система начала различать фонемы, то есть звуки, по которым мы отличаем одни слова от других, а затем научилась узнавать повторяющиеся сочетания. Примерно за 15 месяцев виртуального развития модели освоили около 37 фонем английского языка. Со временем их словарь вырос до тысяч словоформ, причём нейросети не потребовались ни письменные тексты, ни готовые объяснения языковых правил.
Исследователи повторили опыт с записями остальных детей и получили похожие результаты. Однако обнаружилось любопытное различие: настоящие малыши осваивали речь с разной скоростью, а нейросети при одинаковых настройках учились почти синхронно. Чтобы приблизить развитие каждой модели к результатам конкретного ребёнка, разработчикам пришлось менять всего три параметра: скорость обучения, объём повторяемой информации и момент, когда система начинала активно запоминать слова.
При всей схожести результатов нейросеть пока не умеет понимать речь на уровне ребёнка. Искусственный интеллект научился узнавать знакомые звуковые последовательности, но не знает, что обозначают слова. Малыши получают гораздо больше подсказок: видят лица родителей, следят за жестами, рассматривают предметы и наблюдают за действиями окружающих. Модель работала только со звуком и не могла сопоставить услышанное с реальным миром.
Авторы считают, что эксперимент поможет разобраться, какую роль память играет в раннем освоении языка. Результаты показывают, насколько сильно повторное обращение к недавнему опыту влияет на обучение, хотя пока не доказывают, что детский мозг действует точно так же. В дальнейшем учёные хотят добавить к звуковым записям изображения и возможность взаимодействовать с окружающей средой. Тогда появится шанс выяснить, как ребёнок переходит от узнавания отдельных слов к пониманию их смысла.
Источник
Для просмотра ссылки Войди или Зарегистрируйся