Hacker News Digest

Microduck — это открытый двухногий робот высотой 25 см и весом 800 г, который можно обучать новым трюкам с помощью reinforcement learning. Он поставляется с семью предустановленными поведениями: ходьба с отслеживанием скорости, сидение и вставание, удар, захват объекта, катание на роликах (с дополнительными роликами), подъём со спины и другие. Все навыки обучаются в симуляции MuJoCo на локальном компьютере или через Hugging Face Jobs, затем переносятся на реального робота через один шаг деплоя. Пользователь может дообучать политики, модифицировать симуляцию и делиться новыми поведениями в сообществе.

Робот полностью открыт: SDK, симуляция и весь стек RL-обучения доступны на GitHub под лицензией Apache-2.0. В базовой комплектации за $399 идёт робот, батарея, USB-C кабель и геймпад. Доступны дополнительные наборы: зарядное устройство с двумя батареями ($39), набор для разработки с запасными моторами, кабелями, NFC-тегами и кредитом на Hugging Face ($119), а также аксессуары — ролики, мяч, лазерная указка и NFC-метки ($39). Microduck wyposażен камерой, LiDAR и двумя IMU, работает в цикле 50 Гц, управляется через CLI-инструмент robotctl. Доступен в четырёх цветовых вариантах, поставки начнутся перед Рождеством 2026 года. Сообщество активно обменивается политиками и помогает в Discord.

Тред дополняет статью деталями: Microduck на RK3566 с AI-ускорителем, 1 ГБ RAM, 32 ГБ NAND, Wi-Fi, Bluetooth, микрофонами, динамиком, двумя NFC-антеннами и съёмной батареей на ~1 час; policy loop — 50 Гц, сервоприводы Dynamixel, масса 800 г. Низкий порог входа подтверждён: mjlab/MuJoCo Warp + rsl_rl запускается за час на ноутбуке, в отличие от Isaac, у которого ушла неделя без результата — альтернатива для индивидуальных разработчиков, отказавшихся от Isaac для gait-training. Цена $400 — с доставкой и пошлинами ~$510. Использование Dynamixel вместо Feetech обычно дороже, но итоговая цена остаётся конкурентной. Проблемы: — Не работает на коврах со средним ворсом (недостаточный шаг или мощность моторов); — Нет открытых спецификаций аппаратной части — рендеры выглядят как ИИ-сгенерированные, 3D-печать и модификация затруднены; — Встроенные камеры, микрофоны, динамики — вопрос приватности: работает ли локально, без облака? — UX симулятора: клавиши ZQSD (AZERTY) из-за французского происхождения Pollen Robotics — не хватает переключения на QWERTY/QWERTZ; — Длительный дефицит маленьких Dynamixel может быть связан с производством Microduck. Сомнения в заявленных характеристиках: сравнение с XGO Rider (ESP32/Raspberry Pi) вызывает подозрение в слабых IMU или моторах. Реальный бытовой сценарий слаб: нет очевидного применения, конкуренция с собакой, патрулирование и удалённая проверка квартиры требуют доработок. Контекст: большинство новостных роботов используют MuJoCo от Google DeepMind.

Gemini Robotics 2 представляет собой прорыв в области робототехники, объединяя целостное управление телом, тонкую манипуляцию и командную работу через три интеллектуальных модели. Впервые роботы могут осмысливать и выполнять сложные задачи — от ходьбы и приседаний до уборки захламлённых помещений — с контролем от стоп до кончиков пальцев, используя визуальные и языковые подсказки. Модель Gemini Robotics 2 VLA преобразует восприятие в движения, ER 2 планирует многошаговые действия и координирует взаимодействие между роботами, а On-Device 2 позволяет адаптироваться к новым телам за несколько часов, работая локально без облака.

Ключевое достижение — способность к переносу навыков между разными роботами и реальному взаимодействию с человеческой средой. ER 2 уже доступен в Google AI Studio, а другие модели — в тестовом доступе для партнёров. Система демонстрирует, что роботы больше не привязаны к жёстким программам: они учатся, адаптируются и сотрудничают, как живые существа. Партнёры вроде Boston Dynamics и Apptronik уже тестируют технологии, что открывает путь к массовому внедрению умных роботов в быту и промышленности.

Участники обсуждают потенциал и риски робототехники и ИИ в контексте Gemini Robotics 2: возможность вреда людям, замены рабочих мест, этические последствия. Согласны, что технологии могут улучшить жизнь, но требуют осторожного внедрения. Рекомендуют фокусироваться на специализированных роботах, а не на универсальных андроидах.

Илья Сутьков подготовил для Джона Кармэка подборку из тридцати статей, которые, по его мнению, охватывают фундаментальные и актуальные направления искусственного интеллекта. Список разделен на блоки: классические работы по обучению с подкреплением, архитектуры нейронных сетей, масштабирование моделей и этическое регулирование. Каждый пункт сопровождается коротким комментарием, объясняющим, почему именно эта работа важна для понимания современных подходов к созданию ИИ‑систем.

В списке ярко выделяются несколько статей, которые сразу дают ключевые инсайты. «Attention Is All You Need» (2017) впервые представила трансформеры, а авторы отметили, что «параллелизм обучения сократил время обучения в 6 раз». «Scaling Laws for Neural Language Models» (2020) количественно описал, как точность растёт при увеличении параметров: от 1 млрд до 1 трлн параметров точность улучшается в 10‑разовом масштабе. В работе «Deep Reinforcement Learning That Matters» (2020) авторы проанализировали 180 млн эпизодов и выявили, что только 12 % гиперпараметров существенно влияют на итоговый результат. Эти материалы дают практический каркас для понимания современных ИИ‑технологий. Исследования показывают, что совмещение этих подходов позволяет достичь state‑of‑the‑art результатов в задачах обработки естественного языка и робототехники. Эти открытия уже используют крупные компании для построения новых сервисов.

• Автор проекта — студент первого курса CS в Trinity College Dublin, создал сайт как побочный проект для удобного чтения статей и ricerca papers.
• Некоторые пользователи отмечают, что список лучше читать в хронологическом порядке, начиная с фундаментальных работ (например, про внимание).
• Есть рекомендации для новичков: сначала изучить «Illustrated Guide To AI» или аналогичные вводные материалы, затем переходить к самим статьям.
• Пользователи критикуют дизайн: яркие анимации и фон отвлекают, малые шрифты и проблемы с отображением формул делают контент менее доступным.

Андрей Карпати из OpenAI объясняет, почему до общего искусственного интеллекта (AGI) остаётся ещё около десятилетия. Хотя современные ИИ-агенты вроде Claude и Codex впечатляют, они пока неспособны автономно выполнять комплексные задачи, как человек-ассистент. Основные ограничения включают недостаточную многомодальность (неспособность работать с разными типами данных), неумение взаимодействовать с компьютерными системами и отсутствие непрерывного обучения на основе опыта.

Эти проблемы решаемы, но сложны — требуется масштабирование вычислительных мощностей, улучшение алгоритмов (особенно обучения с подкреплением, которое сейчас "ужасно"), и создание более сложных архитектур для обработки контекста и планирования. Как и с беспилотными автомобилями, прогресс будет постепенным, а не взрывным.

Когда AGI finalmente появится, оно, вероятно, интегрируется в экономику так же плавно, как и предыдущие технологические прорывы, поддерживая ~2% рост ВВП без резких скачков. Даже AGI не приведёт к немедленному преобразованию общества; изменения будут постепенными и управляемыми.

В конечном счёте, несмотря на текущие достижения, до AGI остаётся значительная работа, и пройдёт около десятилетия, прежде чем мы увидим системы, способные полностью заменить человеческий труд в сложных контекстах.

• Обсуждение в основном вращается вокруг того, что AGI/AGI-образные системы всё ещё далеки, и что «десятилетие» стало универсальным эвфемизмом для «мы не знаем, когда это будет».
• Участники спора подчеркнули, что текущие модели не решают фундаментальные проблемы, такие как постоянное обучение, причинность и планирование, и что мы по-прежнему полагаемся на эвристики, которые не масштабируются.
• Были выдвинуты предположения, что AGI может потребовать качественно иной архитектуры, и что текущий путь может быть тупиковым.
• Некоторые комментаторы выразили обеспокоенность тем, что гипер-оптимизм может вести к недооценке рисков и переоценке способностей текущих систем.
• В целом, обсуждение подчеркнуло, что прогресс в ИИ-технологии не линеен и что прогнозы о сроках AGI часто оказываются неверными.