Неискусственный интеллект

Заработать на арене Пока мы спали, главный народный рейтинг ИИ-моделей превратился в бизнес с годовой выручкой в $100 млн. Arena научилась продавать разработчикам то, что пользователи годами отдавали ей бесплатно: запросы, сравнения моделей и голоса за лучшие ответы. Компания утверждает, что достигла отметки всего за восемь месяцев после запуска корпоративного продукта. Ещё в январе показатель составлял $30 млн. Правда, речь не о уже заработанных $100 млн. Arena просто пересчитала текущие расходы клиентов на год вперёд: они платят по мере использования, поэтому сумма может заметно колебаться. Начиналась Arena в 2023 году как исследовательский проект UC Berkeley под названием Chatbot Arena. Пользователь вводит запрос, получает два анонимных ответа и выбирает лучший. Из миллионов таких сравнений складывается рейтинг моделей. Сейчас площадка заявляет о 10 млн посетителей в месяц, 700 млн диалогов и 82 млн голосов. В сентябре 2025 года Arena запустила платные AI Evaluations. Разработчики моделей и крупные компании получают не просто место в публичной таблице, а тестирование на реальных запросах, подробный разбор ответов, пользовательские оценки и гарантированные сроки проведения проверки. Механика получилась удачной: ▪️ пользователи бесплатно сравнивают новые модели ▪️ их запросы и голоса превращаются в данные о человеческих предпочтениях ▪️ лаборатории платят за тестирование моделей на этой аудитории ▪️ ранний доступ к новым моделям привлекает ещё больше пользователей Поэтому конкурентами Arena считает уже не другие рейтинги, а Scale AI, Surge, Mercor и остальных поставщиков человеческой разметки для обучения и оценки моделей. Только значительную часть работы здесь выполняют обычные посетители, которые пришли бесплатно потыкать очередной Claude или Gemini. Деньги пришли быстро. Arena зарегистрировала компанию в апреле 2025 года, затем привлекла $100 млн при оценке в $600 млн, а в январе 2026-го получила ещё $150 млн уже при оценке в $1,7 млрд. Всего инвесторы вложили в неё $250 млн. Правда, коммерциализация усилила старый конфликт интересов. Исследователи уже обвиняли площадку в том, что крупные лаборатории могли тайно тестировать десятки вариантов модели, а в рейтинг отправлять только лучший. По их данным, Meta* перед выпуском Llama 4 проверила таким образом 27 версий. Arena заявила, что её правила одинаковы для всех. По сути, Arena заняла нишу между лабораториями и пользователями: одни бесплатно поставляют ей оценки, другие платят за возможность на них посмотреть. Market is everywhere for the ones with eyes to see. * Meta признана в России экстремистской организацией и запрещена @anti_agi

NVIDIA улетает в космос В партнерстве с Firefly Aerospace и ее сервисом орбитальной съемки Ocula на лунной орбите впервые заработает чип NVIDIA Jetson. Во время прошлой миссии Blue Ghost Mission 1 (посадка в марте 2025) модуль передал на Землю почти 120 ГБ сырых данных, их разбирают до сих пор. Канал узкий, задержки большие. На следующей миссии, старт которой намечен на конец 2026, обработку перенесут на орбиту. Что Jetson там делает, если по делу. Камера Ocula снимает в ультрафиолете и видимом диапазоне, на борту работает компьютерное зрение: разметка посадочных площадок, поиск минералов под добычу и сжатие потока до готовых «инсайтов». Это краевой инференс, ровно то, для чего Jetson и сделан, никаких фронтир-LLM. Телескопы собрала Lawrence Livermore National Laboratory (разработчики ядерного оружия, кстати), питание от солнечных панелей. Но интересна и другая функция: отслеживание маневрирующих объектов в окололунном пространстве. Алгоритмы дочерней SciTec уже обкатали в миссиях на орбите Земли, заказчик Space Force. Под вывеской коммерческой съемки Луны едет разведка? Глава Firefly Джейсон Ким описывает это как будущее, где обработка собранных данных происходит в космосе, по аналогии с трансатлантическими кабелями. И добавляет, что будущее надо создавать самому. Для NVIDIA это не отдельная поставка. В марте на GTC Дженсен Хуанг (Jensen Huang) показал целую космическую линейку: Space-1 Vera Rubin для орбитальных дата-центров, Jetson Orin и IGX Thor для космических аппаратов. Со сцены прозвучало «космические вычисления, последний рубеж, наступили». Firefly обещает перейти на Space-1 в будущих миссиях, поставки модуля начнутся только в 2027 году. Самое интересное Хуанг сказал на звонке с инвесторами: выводить дата-центры на орбиту прямо сейчас экономически невыгодно. Логика простая: лучше быть готовым к буму, который может не случиться, чем его пропустить. Аналитики Gartner продолжают настаивать, что ИИ это пузырь. Клиенты при этом реальные: NASA, Space Force, горнодобывающие и энергетические компании. NASA планирует около 30 роботизированных лунных миссий в ближайшие годы, под каждую найдется Jetson. Хуанг освоил продажи на Земле. Теперь берется за Луну. @anti_agi

Сомневаюсь, следовательно, несу коробку Роботы уже умеют ходить, хватать и даже играть в футбол. Однако иногда гуманоид может решить, что задача выполнена, хотя до неё дело так и не дошло. Исправить это решил швейцарский стартап Flexion Robotics — инженеры показали программную платформу Reflect v1.0. Подопытным стал модифицированный Unitree — он бродил по офису и выгружал снэки из коробки в ящик ⤴️ Его главным умением как раз стала способность заметить и вовремя исправить ошибку. В чём особенность платформы: собственная визуально-языковая модель (VLM) не считает действие выполненным только потому, что сама отдала команду. Она получает картинку с камер и даёт роботу поручения: найти объект, запросить маршрут, вызвать лифт — и так далее. При этом VLM «подгружает» сценарий, сверяясь с результатом каждого действия. Если что-то идёт не так, робот сначала пытается исправить ситуацию, и только потом VLM перестраивает план. За движения отвечает VLA-модель. Один и тот же навык захвата инженеры проверяли на коробках массой от 100 гр до 3,5 кг. Встроенные Гугл-карты тоже имеются: для навигации модель обращается к семантической карте здания. Как отметили в Flexion, у обычных VLM как правило включён режим торопыг: как только модель узнаёт ситуацию, ИИ сразу выдаёт следующую команду, не убедившись, что предыдущую робоноги-роборуки выполнили успешно. Поэтому компания использовала обучение с подкреплением (reinforcement learning). Для сравнения: базовая модель ошибалась почти сразу. После дообучения на примерах робот завершал задачу целиком в 38% случаев. А вот после добавления reinforcement learning показатель вырос до 90%. @anti_robots