Hacker News Digest

Я превратил свои наружные камеры видеонаблюдения в систему автоматической идентификации птиц с помощью BirdNet-Go — открытого проекта, который запускает модели распознавания птичьего пения локально на оборудовании. Система работает 24/7, анализируя аудиопоток с камер через RTSP и мгновенно определяя виды птиц, летучих мышей и даже лягушек по их звукам. Всё происходит без облака, без API и ежемесячных платежей — модели, включая Google Perch v2 (14 795 видов против 6000 в BirdNET 2.4), хранятся локально на сервере или Raspberry Pi.

Я настроил три существующие IP-камеры, подключив их к BirdNet-Go, и добавил правила оповещений: например, мгновенное уведомление в Discord-канал #birdnet при появлении кардинала или редкого вида. Система ведёт журнал всех обнаружений, отмечая новые виды для отслеживания биоразнообразия двора — за год зафиксировано 418 726 обнаружений 271 уникального вида, средняя уверенность 60,9%, самым частым оказался домовый вьюрок (118 667 записей). Интеграция с BirdWeather позволяет делиться данными с сообществом, а связка с Home Assistant выводит результаты на панель управления. Микрофоны камер автоматически глушатся при обнаружении речи — полезная функция для конфиденциальности. Для двора, где нет камер, рассматриваю отдельный микрофон, чтобы не нарушать приватность, но сохранить функциональность. Пока это не дверbell, но может использовать её RTSP-поток, если он есть. Всё работает как «птичий компаньон», который никогда не спит.

BirdNet-Go эффективно работает с RTSP-аудиопотоками от обычных камер видеонаблюдения, но качество распознавания сильно зависит от аудио-аппаратуры и частоты дискретизации — для надёжной работы требуется доработка оборудования. Для распознавания птиц и летучих мышей необходима частота дискретизации 48 кГц; стандартные камеры Aqara с 16 кГц не подходят — лучше использовать отдельный микрофон на Raspberry Pi. RTSP-поток от Unifi-камер позволяет интегрировать BirdNet-Go без дополнительного оборудования, что подтверждено в продакшене. BirdNet-Go стабильно работает на Home Assistant с GPU-ускорением и RTSP-потоками от Reolink-камер, обрабатывая несколько камер одновременно без облачных сервисов. Для распознавания летучих мышей требуются ультразвуковые частоты, поэтому нужны специализированные микрофоны вроде AudioMoth и высокая частота дискретизации, недоступная в большинстве камер. Популярные дополнения: e-ink-дисплеи для отображения распознанных видов в реальном времени; для снижения ложных срабатываний нужна настройка порогов уверенности модели, так как при плохом звуке и нестандартных условиях распознавание неточно. В ветреных условиях помогают микрофоны с шумоподавляющими экранами, иначе шум мешает распознаванию (пример — Aqara-камеры). Для портативного использования рекомендуется собирать систему на Raspberry Pi с внешним микрофоном и e-ink-дисплеем. Открытые модели BirdNet позволяют запускать систему локально без подписок, облачных API и риска отключения — ключевое преимущество перед коммерческими приложениями. Merlin Bird ID и BirdNet-Go часто дают низкопробные идентификации в Австралии при низкой вероятности, что требует ручной проверки с учётом локальной фауны. Интеграция BirdNet-Go с Frigate и другими системами видеоанализа возможна, но в проекте акцент на аудио, так как визуальное распознавание птиц по камере менее надёжно. Для автоматизации сбора данных рекомендуется синхронизировать результаты BirdNet-Go с eBird, чтобы вносить наблюдения в научную базу без ручного ввода.

Я купил Amazon Fire HD 10 (2021) для постоянного показа Home Assistant‑даша в режиме киоска. Через полгода он стал выключаться без причины, хотя в логах появлялось сообщение LifeCycleReason:LCR...key=Software_Shutdown. Я отключил пять сервисов Amazon, но три из них оставались защищёнными от отключения — их нельзя было трогать без root‑доступа, а официальных способов рутиться у этой модели не было.

Всё изменилось, когда я попросил китайскую модель Kimi K3 (opencode.ai) найти уязвимость, заявив, что «это моё устройство». После небольшого размышления она поняла, что в США jailbreak‑ы подпадают под DMCA‑исключения, и приступила к анализу OTA‑образа, нашёл уязвимость CVE‑2022‑38181 в драйвере Mali GPU и создала эксплойт. После серии попыток (более 500 перезагрузок) GLM‑5.2 в конце концов открыл SELinux в режиме permissive, и я получил полный контроль. Стоимость всех запросов — $266,15, что почти вдвое превышает цену планшета, но дало возможность понять, как работает система и почему её нельзя просто «выключить».

LLM-модели способны находить непатченные уязвимости и генерировать эксплойты для роутеров и устройств, сокращая анализ с недель до часов. AI-агенты (GLM-5.3, Kimi) обнаружили CVE-2022 в Mali GPU и создали рабочий эксплойт. Стоимость таких эксплойтов (~$250 в токенах) ниже оплаты человеческих экспертов, делая хардверный джейлбрейк доступным широкому кругу. Споры возникают вокруг воспроизводимости: различия в прошивках, отсутствие исходного кода и сложность верификации ставят под сомнение результаты. Рекомендуется явно требовать от модели перечисления и проверки предположений, а также использовать «безопасные» подсказки, обходящие ограничения. При отказе из-за американских ограничений можно переформулировать запрос как выполненный за пределами США — хотя это этически спорно. AI ускоряет обратную инженерию периферийных устройств (Avermedia, Kindle, роутеры), подтверждая универсальность подхода. Комментаторы призывают к праву на ремонт и переходу на открытое железо (PineTab, PineNote) для обхода закрытых экосистем. Для юридической защиты можно ссылаться на DMCA-исключения 2024 года, разрешающие рутирование собственных устройств. Некоторые считают статью «тяжёлой» из-за AI-тона, другие — что AI следует применять для нишевых или экстремальных задач. Массовое использование LLM для реверс-инжиниринга и поддержки открытого Linux может стать будущим индустрии. Общее мнение: AI станет стандартным инструментом в аппаратной безопасности, меняя баланс между защитой производителей и автономией пользователей.

Valetudo — это альтернативное ПО для роботов-пылесосов, позволяющее им работать полностью локально без облачных сервисов. Проект, запущенный в 2018 году, теперь представляет собой надёжное решение, установленное на тысячах устройств. Разработчиком является Сören Beye при поддержке сообщества, с важным вкладом Dennis Giese, который помогает в освобождении роботов от облачной зависимости. Точное число пользователей неизвестно, но по оценкам создателя их "несколько тысяч".

Поддерживаются популярные бренды вроде Dreame и Roborock, с подробными инструкциями по установке. Valetudo интегрируется с домашними системами автоматизации через MQTT, Home Assistant, Node-RED и openHAB. Проект распространяется под лицензией Apache-2.0, что позволяет пользователям видеть и модифицировать код, сохраняя полный контроль над устройствами. Создатель начал проект, не найдя на рынке пылесоса, соответствующего его требованиям, и превратил его в полноценное решение за пять лет работы.

• Пользователи делятся опытом установки Valetudo на различных моделях пылесосов, но подчеркнули, что список поддерживаемых моделей не полный и не всегда актуален.
• Сообщество вокруг проекта описывается как враждебное к новичкам и не приветствует помощь, что вызывает у людей отторжение.
• Некоторые участники обсуждения отметили, что несмотря на то, что Valetudo позволяет избежать зависимости от облака, он сам по себе не решает проблему с запчастями и расходниками, которые все еще приходится заказывать с Китая.
• Обсуждение также затронуло вопрос о том, что проект не предоставляет альтернативы владельцам тех моделей, которые не поддерживаются Valetudo, и что это может вынудить их остаться на стороне проприетарного ПО, даже если они готовы пожертвовать деньги.