Tymczasem coraz ważniejsze może okazać się zupełnie inne zastosowanie sztucznej inteligencji. AI, które niczego nie pisze. Zamiast tego po prostu podejmuje drobne decyzje:

“Czy ta wiadomość jest pilna?”
“Czy zgłoszenie powinno trafić do działu technicznego?”
“Którego narzędzia powinien teraz użyć agent AI?”

To właśnie na takie pytania ma odpowiadać Jev, nowy model firmy TypeSafe AI, określany jako pierwszy przedstawiciel kategorii System One Models. I choć sama nazwa brzmi dość technicznie, stojąca za nią idea jest zaskakująco prosta.

Po co prosić AI o esej, skoro potrzebujemy tylko „tak” albo „nie”?

Wyobraźmy sobie system obsługujący skrzynkę kontaktową firmy. Wpływa e-mail:

„Od rana nie możemy zalogować się do systemu. Za godzinę rozpoczynamy wysyłkę zamówień. Prosimy o pilną pomoc”.

Człowiek przeczyta tę wiadomość i niemal natychmiast stwierdzi: to jest pilne. Komputerowi jest trudniej. Klasyczny program świetnie radzi sobie z precyzyjnymi regułami:

jeżeli kwota > 10 000 zł → poproś o dodatkową autoryzację

Ale język naturalny nie jest tak uporządkowany. Klient nie musi przecież napisać słowa „PILNE”. Może powiedzieć „stoimy z produkcją”, „nie możemy wystawić faktur” albo „potrzebujemy tego przed spotkaniem o 12:00”. Tutaj świetnie sprawdzają się modele językowe. Pojawia się jednak problem: jeśli potrzebujemy tylko odpowiedzi tak lub nie, wykorzystywanie dużego modelu generatywnego może przypominać zatrudnianie copywritera do zaznaczania pól w formularzu.

Model dostaje wiadomość, następnie generuje odpowiedź, na przykład:

{
 „urgent”: true
}

Program musi ją odebrać, sprawdzić, czy format JSON jest poprawny, odczytać wartość, obsłużyć ewentualny błąd i zdecydować, co zrobić dalej. A przecież od początku chodziło tylko o jedno: Czy wiadomość jest pilna?

I tutaj pojawia się „semantyczny if”

Każdy programista zna instrukcję if. Jeżeli spełniony jest warunek, program wykonuje określoną czynność:

jeżeli temperatura > 30°C

    włącz klimatyzację

Problem zaczyna się wtedy, gdy warunku nie da się łatwo zapisać matematycznie. No bo w jaki sposób zaprogramować: jeżeli klient brzmi na zdenerwowanego albo jeżeli wiadomość prawdopodobnie dotyczy reklamacji…

Właśnie dlatego Jev bywa określany mianem „semantycznego if-a”. Zamiast sprawdzać tylko precyzyjne wartości, program może zadać modelowi pytanie dotyczące znaczenia i kontekstu informacji. Nie otrzymuje przy tym akapitu tekstu, lecz wynik, który może bezpośrednio wykorzystać.

Na przykład:

Prawdopodobieństwo, że e-mail jest pilny: 0,91

Programista może więc ustalić:

jeżeli prawdopodobieństwo > 0,8

    wyślij powiadomienie

I nagle pomiędzy tradycyjnym kodem a dużym modelem językowym pojawia się coś nowego. Warstwa podejmowania małych, szybkich decyzji.

Jev nie napisze nawet jednego zdania

To jedna z najciekawszych cech tego rozwiązania. Jev nie został zaprojektowany do prowadzenia rozmów, pisania artykułów czy generowania kodu. Zamiast produkować kolejne słowa, analizuje przekazany kontekst i odpowiada za pomocą określonych wcześniej wartości.

Oficjalna dokumentacja TypeSafe wyróżnia trzy podstawowe rodzaje pytań: Noul, czyli ocenę prawdziwości w rodzaju „tak/nie”, Choice, czyli wybór spośród podanych możliwości, oraz Score, pozwalający ocenić coś według ustalonej skali. Co ciekawe, kilka takich pytań może być ocenianych równolegle względem tego samego zestawu danych.

W praktyce można więc zapytać system jednocześnie:

• czy klient jest zdenerwowany,
• czy wiadomość jest pilna,
• którego działu dotyczy problem,
• jak wysoki priorytet powinno otrzymać zgłoszenie.

I wykorzystać wyniki bez konieczności proszenia modelu o stworzenie rozbudowanej odpowiedzi.

Dlaczego to może być ważne?

Bo współczesne systemy AI zaczynają wykonywać coraz więcej czynności bez bezpośredniego udziału człowieka. Agent AI może dziś przeczytać wiadomość, wyszukać dokument, uruchomić narzędzie, pobrać dane z systemu, przygotować odpowiedź i zdecydować o kolejnym kroku. Każdy taki proces składa się z dziesiątek małych wyborów: “Co zrobić teraz?”

I tu zaczyna być widoczny problem ekonomiczny.

Jeśli do każdej drobnej decyzji uruchamiamy duży model generatywny, płacimy zarówno czasem, jak i zasobami obliczeniowymi. Według danych TypeSafe Jev ma kosztować 0,042 dolara za milion tokenów wejściowych, a odpowiedzi nie są dodatkowo rozliczane jak klasyczne tokeny wyjściowe. Producent podaje również czasy odpowiedzi rzędu 70-500 milisekund. Własne testy firmy pokazują bardzo duże różnice względem klasycznych LLM-ów, choć warto podkreślić, że są to benchmarki przygotowane przez twórców technologii i sami autorzy zaznaczają, że najlepsze wyniki pokazują górną granicę możliwych korzyści.

Ale nawet jeśli odłożymy marketingowe rekordy na bok, kierunek jest interesujący. Nie każda czynność wykonywana przez AI wymaga modelu zdolnego napisać książkę.

źródło zdjęcia

Wyobraźmy sobie cyfrową firmę działającą w ten sposób

Do systemu wpływa 10 000 wiadomości od klientów.

Pierwsza warstwa to zwykły kod. Sprawdza adresy, uprawnienia, numery zamówień i wszystkie informacje, które można obsłużyć w sposób całkowicie deterministyczny.

Druga warstwa to model decyzyjny, który ocenia:

„Czy to spam?” / „Czy sprawa wygląda na pilną?” / „Czy dotyczy płatności, reklamacji czy problemu technicznego?” / „Czy mamy wystarczającą pewność, żeby obsłużyć ją automatycznie?”

Większość zgłoszeń może zostać skierowana dalej bez angażowania najpotężniejszego modelu. Dopiero sprawy nietypowe, skomplikowane lub niejednoznaczne trafiają do zaawansowanego LLM albo do człowieka.

Zamiast więc budować system, w którym AI robi wszystko, można budować system, w którym różne narzędzia wykonują dokładnie te zadania, do których najlepiej się nadają. To subtelna różnica, ale z punktu widzenia przyszłości automatyzacji może być bardzo ważna.

Gdzie taki „semantyczny if” może się przydać?

Potencjalnych zastosowań jest sporo.

Obsługa klienta

Model może analizować przychodzące zgłoszenia i określać ich temat, pilność czy właściwy dział. Proste przypadki trafiają automatycznie do odpowiedniej kolejki. Niejasne – do człowieka.

Moderacja treści

Komentarz może zostać oceniony pod kątem spamu, agresji albo zgodności z regulaminem. Zamiast generować opis tego, dlaczego treść wygląda podejrzanie, system potrzebuje czasem jedynie informacji: „Prawdopodobieństwo naruszenia: 94%”.

Inteligentne systemy firmowe

Wyobraźmy sobie system analizujący dokumenty. Nie musi streszczać każdej faktury, umowy czy wiadomości. Może najpierw odpowiedzieć: Czy ten dokument jest w ogóle istotny dla aktualnego procesu? Jeżeli nie – nie angażujemy kolejnych zasobów.

Agenci AI

To prawdopodobnie jedno z najciekawszych zastosowań. Agent wykonujący skomplikowane zadanie co chwilę musi podejmować decyzje:

• którego narzędzia użyć,
• czy wyszukać dodatkowe informacje,
• czy ponowić próbę,
• czy wynik wygląda wiarygodnie,
• czy potrzebne jest głębsze rozumowanie,
• czy powinien poprosić człowieka o pomoc.

Dziś często wszystkie te decyzje podejmuje jeden duży model. W przyszłości rolę „dyspozytora” może przejąć mniejszy i znacznie szybszy model decyzyjny.

Małe decyzje mogą też rozwiązać problem ogromnego kontekstu

Modele AI potrafią dziś pracować na bardzo dużej ilości informacji, ale „dużo” nie zawsze znaczy „dobrze”. Agent wykonujący zadanie przez długi czas może zgromadzić tysiące komunikatów, wyników wyszukiwania i odpowiedzi narzędzi. Nie wszystkie są nadal potrzebne.

Jednym z ciekawszych eksperymentów opisanych przez Sébastiena Dubois jest wykorzystanie Jev do oceniania przydatności poszczególnych elementów historii działania agenta. Zamiast generować nowe streszczenie całej rozmowy, model po prostu określa, które informacje warto zachować. W opisanym przykładzie kontekst liczący około miliona tokenów został ograniczony do około 86 tysięcy.

To trochę jak sprzątanie biurka. Nie musimy przepisywać zawartości wszystkich leżących na nim dokumentów. Czasem wystarczy zdecydować: zostawić czy wyrzucić?

Czy to oznacza koniec dużych modeli językowych?

Wręcz przeciwnie. Modele takie jak ChatGPT, Claude czy Gemini nadal są niezastąpione wszędzie tam, gdzie potrzebujemy kreatywności, tworzenia nowych treści, prowadzenia rozmowy albo złożonego rozumowania. Chodzi raczej o to, aby nie wykorzystywać ich do każdej możliwej czynności.

Można to porównać do firmy.

Nie każdą decyzję musi podejmować prezes. Część spraw rozwiązuje procedura. Część pracownik podejmujący szybką decyzję. Dopiero bardziej skomplikowane problemy trafiają wyżej. Podobna architektura może pojawić się w świecie AI:

klasyczny kod → model decyzyjny → duży model językowy → człowiek

Każda warstwa uruchamiana jest wtedy, kiedy rzeczywiście jest potrzebna.

Jest jednak kilka ważnych „ale”

Jev nie jest magicznym rozwiązaniem wszystkich problemów. Pierwsze ograniczenie jest bardzo istotne: model podejmuje decyzję, ale nie musi potrafić jej wyjaśnić. Możemy otrzymać wynik 0,87, ale niekoniecznie dowiemy się, dlaczego akurat taki. To problem wszędzie tam, gdzie uzasadnienie decyzji ma znaczenie prawne, biznesowe albo po prostu ludzkie.

Drugie ograniczenie dotyczy precyzji. Takiego modelu nie należy traktować jak kalkulatora czy systemu reguł biznesowych. Jeśli coś można policzyć albo jednoznacznie sprawdzić w klasycznym kodzie, zazwyczaj właśnie tam powinno pozostać.

Trzecia kwestia to zamknięty zestaw odpowiedzi. Jeżeli każemy modelowi wybrać pomiędzy „sprzedażą”, „księgowością” i „pomocą techniczną”, a wiadomość dotyczy rozwiązania umowy, system nadal musi jakoś poradzić sobie w ramach możliwości, które mu daliśmy. Dlatego dobra architektura powinna uwzględniać odpowiedzi w rodzaju „inne”, progi pewności i możliwość przekazania nietypowego przypadku człowiekowi.

I wreszcie – modele decyzyjne również trzeba testować. To, że odpowiedź ma postać eleganckiej liczby, nie oznacza automatycznie, że jest poprawna.

Najciekawsze w Jev może wcale nie być Jev

Wokół pomysłu niemal natychmiast zaczęły pojawiać się projekty open source próbujące budować podobną warstwę decyzyjną. SemIf, Kev czy Jevlike pokazują coś ważniejszego niż przyszłość jednego produktu. Być może rodzi się nowa kategoria narzędzi AI.

Przez ostatnie lata dominowały dwa światy. Pierwszy to tradycyjne programowanie: szybkie, tanie i przewidywalne, ale wymagające precyzyjnego opisania każdej reguły. Drugi to generatywna AI: elastyczna i świetnie radząca sobie z językiem, ale droższa i mniej przewidywalna.

Modele decyzyjne próbują znaleźć miejsce pomiędzy nimi. Nie mają zastąpić ani kodu, ani LLM-ów. Mają je połączyć.

Być może przyszłość AI będzie mniej… spektakularna

Największe zainteresowanie zwykle wzbudzają modele, które potrafią zrobić coś widowiskowego. Wygenerować film. Napisać aplikację. Stworzyć grafikę. Rozwiązać bardzo trudne zadanie.

Tymczasem ogromna część realnej cyfryzacji firm polega na czymś znacznie mniej efektownym. Podejmowaniu tysięcy drobnych decyzji. Jeżeli AI zacznie podejmować takie decyzje szybko, tanio i wystarczająco dobrze, może to mieć większe znaczenie dla codziennych systemów informatycznych niż kolejny chatbot potrafiący napisać jeszcze ładniejszy e-mail.

Jev jest dziś jednym z pierwszych eksperymentów pokazujących ten kierunek. Czy „System One Models” staną się trwałą kategorią technologii? Na odpowiedź jest jeszcze za wcześnie. Sama idea wydaje się jednak bardzo sensowna: nie używajmy największego możliwego modelu do każdego problemu. Czasem nie potrzebujemy AI, które przez kilkanaście sekund zastanawia się nad odpowiedzią. Czasem potrzebujemy po prostu inteligentnego: „jeżeli… to…”

The post AI, która nie pisze – tylko decyduje. Czy „semantyczny if” zmieni sposób, w jaki budujemy cyfrowe usługi? appeared first on ISPRO® - Systemy Internetowe.

Inżynierowie korzystają z nich od dziesięcioleci. Na ich podstawie projektuje się samoloty, modeluje pogodę i analizuje przepływy w niezliczonych systemach technicznych. A jednak przez blisko sto lat pozostawało bez odpowiedzi zadziwiająco podstawowe pytanie: czy równania te zawsze zachowują się dobrze, jeśli zaczniemy od idealnie gładkiego przepływu?

Czy też w pewnych warunkach mogą doprowadzić do matematycznej katastrofy – punktu, w którym prędkość opisywanego płynu rośnie bez ograniczeń dążąc do nieskończoności?

8 września 2026 roku OpenAI poinformowało, że jego eksperymentalny system sztucznej inteligencji znalazł dowód właśnie takiego scenariusza. Firma opublikowała liczący 166 stron PDF „Finite Time Blowup for Navier-Stokes” oraz jego formalizację w systemie Lean 4. Jeśli argument przejdzie niezależną weryfikację środowiska matematycznego, będzie to rozwiązanie jednego z siedmiu Problemów Milenijnych – i jednocześnie jeden z najbardziej spektakularnych przykładów wykorzystania AI w badaniach naukowych.

Równania, które opisują niemal wszystko, co płynie

Równania Naviera-Stokesa wywodzą się z XIX-wiecznych prac Claude’a-Louisa Naviera i George’a Gabriela Stokesa. W dużym uproszczeniu stosują one drugą zasadę dynamiki Newtona do płynu: uwzględniają jego przyspieszenie, ciśnienie, lepkość oraz działające na niego siły.

Nie próbują przy tym śledzić każdej cząsteczki wody czy każdego atomu powietrza. Zamiast tego traktują płyn jako ośrodek ciągły. W każdym punkcie przestrzeni można więc przypisać mu określoną prędkość i ciśnienie. To niezwykle skuteczne przybliżenie, które znajduje zastosowanie między innymi w aerodynamice, meteorologii i modelowaniu przepływu krwi.

Problem polega na tym, że równania Naviera-Stokesa są nieliniowe. Ruch płynu wpływa na dalszy ruch płynu. Małe struktury mogą się rozciągać, wzmacniać i oddziaływać ze sobą. Jednocześnie lepkość działa w przeciwnym kierunku: tłumi gwałtowne zmiany i wygładza przepływ.

I właśnie starcie tych dwóch mechanizmów leży w centrum problemu.

Matematycy wiedzieli od dawna, że w dwóch wymiarach sytuację można dobrze kontrolować. W trzech wymiarach pojawiają się jednak mechanizmy, których w dwóch wymiarach po prostu nie ma. Już w 1934 roku Jean Leray udowodnił istnienie tak zwanych słabych rozwiązań równań, ale nie udało się rozstrzygnąć, czy odpowiednio gładkie rozwiązanie może zawsze pozostać gładkie.

Matematyczny zapis równań Naviera-Stokesa prezentuje się następująco:

Milion dolarów za odpowiedź na jedno pytanie

W 2000 roku Clay Mathematics Institute umieścił problem istnienia i gładkości rozwiązań Naviera-Stokesa na liście siedmiu Problemów Milenijnych. Za rozwiązanie każdego z nich przeznaczono milion dolarów. Jeśli chcesz dowiedzieć się więcej o problemach milenijnych kliknij w link.

Popularna wersja pytania brzmi mniej więcej tak:

Jeżeli trójwymiarowy płyn zaczyna poruszać się w całkowicie regularny sposób, czy jego ruch pozostanie regularny przez dowolnie długi czas?

Oficjalne sformułowanie Charlesa Feffermana jest nieco subtelniejsze. Dopuszcza cztery sposoby rozwiązania problemu. Warianty A i B polegają na udowodnieniu globalnego istnienia gładkich rozwiązań. Warianty C i D pozwalają zrobić coś odwrotnego: skonstruować odpowiednio regularne dane oraz gładką siłę zewnętrzną, dla których takie globalne, gładkie rozwiązanie nie istnieje.

I właśnie tę drugą drogę wybrał system OpenAI.

To istotny szczegół, ponieważ OpenAI nie znalazło wzoru rozwiązującego wszystkie równania Naviera-Stokesa. Nie o to chodzi w Problemie Milenijnym. System skonstruował kontrprzykład pokazujący, że w warunkach dopuszczonych przez oficjalne sformułowanie problemu gładkość może się załamać.

Płyn zaczyna od spoczynku. Potem dzieje się coś niezwykłego

Główne twierdzenie opublikowanego preprintu jest zaskakująco efektowne, nawet jeśli odłożymy matematykę na bok. Dla każdej dodatniej wartości lepkości autorzy konstruują gładką siłę zewnętrzną o ograniczonym zasięgu przestrzennym i czasowym. Początkowo płyn pozostaje całkowicie nieruchomy – jego prędkość wynosi zero. Pod wpływem tej siły zaczyna się jednak tworzyć szczególny przepływ. Do chwili krytycznej wszystko pozostaje gładkie. Następnie maksymalna prędkość płynu rośnie bez ograniczeń.

Co jeszcze bardziej niezwykłe, całkowita energia kinetyczna nie staje się nieskończona. Jak coś może poruszać się coraz szybciej, a jednocześnie nie zgromadzić nieskończonej ilości energii? Odpowiedź tkwi w geometrii osobliwości.

Wir, który zwija się jak coraz cieńsze spaghetti

Centralnym elementem konstrukcji jest samopodobny wir.

Wyobraźmy sobie bardzo wąski wir płynu. Materia spiralnie przemieszcza się w kierunku jego osi, a jednocześnie zostaje wypychana wzdłuż osi pionowej. Z czasem rdzeń wiru staje się coraz węższy. Jego szerokość w kierunku promieniowym maleje szybciej niż długość w kierunku osiowym. Jednocześnie rośnie prędkość obrotowa i osiowa.

OpenAI opisuje tę geometrię obrazowo jako strukturę przypominającą rozciągane spaghetti.

Najważniejszy jest jednak kompromis pomiędzy prędkością i objętością.

Prędkość w kurczącym się rdzeniu zmierza ku nieskończoności, ale sam obszar zajmowany przez najszybszy przepływ maleje jeszcze szybciej. Matematyczne oszacowania w pracy pokazują, że energia kinetyczna rdzenia w istocie może dążyć do zera, mimo że maksymalna wartość prędkości staje się nieograniczona.

Można porównać to do sytuacji, w której coraz większa liczba koncentruje się w coraz mniejszym obszarze. Sam szczyt staje się gigantyczny, ale „pole pod wykresem” nadal może pozostać skończone.

To właśnie umożliwia powstanie osobliwości bez złamania warunku ograniczonej energii.

Najtrudniejsze nie było jednak stworzenie nieskończonej prędkości

Sam pomysł skonstruowania niezwykle szybkiego przepływu nie wystarczał. Gdyby do układu po prostu przyłożyć siłę, która sama staje się nieskończona w chwili krytycznej, rezultat nie miałby większego znaczenia. Osobliwość zostałaby wówczas „włożona” do równania z zewnątrz. Siła użyta w rozwiązaniu musi pozostać całkowicie gładka.

I tutaj zaczyna się najbardziej wyrafinowana część konstrukcji.

Dla samego kurczącego się wiru pewne składniki równania zaczęłyby rosnąć bez ograniczeń. Autorzy dodają więc serię przestrzennie oscylujących impulsów. Same oscylacje mają średnią równą zeru, ale ich nieliniowe oddziaływanie przenosi pęd. Odpowiednio dobrany średni strumień pędu kompensuje tę część równania, która bez niego stałaby się osobliwa. Kolejne poprawki likwidują pozostałe błędy.

Efekt jest niezwykle subtelny: wewnątrz rozwiązania prędkość wymyka się spod kontroli, a mimo to zewnętrzne wymuszenie pozostaje gładkie. To właśnie ten element pozwala dopasować konstrukcję do wariantu C oficjalnego problemu Claya. Dzięki zwartej lokalizacji rozwiązania analogiczny argument daje także wariant D dotyczący przestrzeni okresowej.

10 tysięcy matematyków? Nie – 10 tysięcy agentów AI

Równie niezwykłe jak sam wynik są okoliczności jego powstania.

Według OpenAI do pracy wykorzystano niewydany jeszcze model, który firma opisuje jako znacznie bardziej zaawansowany od GPT-6 Astra. Nie był to jednak pojedynczy chatbot siedzący przez cztery dni nad jednym dowodem.

Uruchomiono rozproszony system około 10 tysięcy równolegle pracujących agentów AI. Mogły one korzystać między innymi z zapisanej kopii internetu oraz narzędzi do wykonywania kodu. Poszczególne grupy otrzymywały różne warianty problemu i badały odmienne strategie rozwiązania. Następnie najbardziej obiecujące wyniki były przekazywane między grupami i konsolidowane.

System doszedł do rozwiązania po około 88 godzinach.

W czasie prac nad samymi równaniami Naviera-Stokesa agenci mieli wymienić około 2,7 miliona wiadomości i wygenerować około 130 miliardów tokenów. Łącznie eksperymenty obejmujące także inne problemy zużyły około 300 miliardów tokenów.

To pokazuje coś więcej niż tylko rosnące możliwości pojedynczych modeli językowych.

W tym eksperymencie AI zaczyna przypominać nie jednego badacza, ale ogromną organizację naukową, która może jednocześnie testować tysiące pomysłów, odrzucać ślepe uliczki i przekazywać obiecujące idee do kolejnych zespołów.

Lean 4: komputer sprawdza każdy krok

Przy 166-stronicowym dowodzie wyprodukowanym z pomocą sztucznej inteligencji natychmiast pojawia się oczywiste pytanie: skąd wiadomo, że model czegoś nie wymyślił?

Dlatego równolegle powstała formalizacja w systemie Lean 4.

Lean nie „czyta” matematyki w taki sposób jak człowiek. Twierdzenia i kolejne kroki dowodu zapisuje się w ścisłym języku formalnym, a niewielkie jądro programu sprawdza, czy każdy krok rzeczywiście wynika z wcześniejszych założeń i zaakceptowanych reguł.

OpenAI podaje, że formalizacja i weryfikacja zajęły dodatkowych 17 godzin i były prowadzone z wykorzystaniem GPT-6 Astra. Publiczne repozytorium zawiera formalizację wariantów C i D bez pozostawionych luk typu sorry oraz mechanizm Comparator służący do porównania udowodnionego formalnie twierdzenia z niezależnie zapisanym sformułowaniem problemu.

Warto jednak uważać na sformułowanie „GPT-6 zweryfikował dowód”.

Model AI pomagał w formalizacji. Ostatecznym arbitrem poprawności formalnego kodu jest system Lean i jego kernel, a nie opinia modelu językowego.

I nawet to nie kończy całego procesu naukowej weryfikacji. Eksperci nadal muszą upewnić się, że formalnie zapisane definicje odpowiadają dokładnie problemowi matematycznemu, że nie pominięto istotnego założenia i że cały rezultat jest interpretowany prawidłowo.

Czy więc Problem Milenijny został rozwiązany?

Tutaj potrzebne jest ważne rozróżnienie.

Pod względem treści twierdzenia – jeżeli dowód jest poprawny – tak. Twierdzenie 1.1 pracy OpenAI zostało skonstruowane właśnie po to, aby spełnić wariant C problemu Feffermana, a konstrukcja okresowa również wariant D. Co ważne, możliwość rozwiązania problemu w ten sposób nie jest żadną luką ani obejściem regulaminu. Warianty C i D od początku znajdowały się w oficjalnym sformułowaniu problemu.

Pod względem statusu naukowego i procedury Clay Mathematics Institute – jeszcze nie.

Praca została opublikowana zaledwie 8 września 2026 roku. CMI nie przyjmuje bezpośrednich zgłoszeń rozwiązań. Zgodnie z zasadami potencjalne rozwiązanie musi zostać opublikowane w kwalifikowanym źródle naukowym, od publikacji muszą minąć co najmniej dwa lata, a wynik musi uzyskać powszechną akceptację międzynarodowego środowiska matematycznego.

OpenAI samo deklaruje, że nie zamierza ubiegać się o milion dolarów nagrody.

Najbardziej precyzyjne określenie obecnej sytuacji brzmi więc:

OpenAI opublikowało formalnie zweryfikowany kandydat na rozwiązanie Problemu Milenijnego Naviera-Stokesa. Jeżeli wynik zostanie potwierdzony przez niezależnych matematyków, rozstrzygnie problem przez wykazanie załamania gładkości w wariantach C i D.

Jest jeszcze jeden ważny haczyk: siła zewnętrzna

W popularnych opisach problem Naviera-Stokesa często przedstawia się jako pytanie o to, czy idealnie gładki płyn może „sam z siebie” wytworzyć osobliwość.

Nowy dowód tego nie pokazuje.

Konstrukcja wykorzystuje specjalnie dobrane, choć całkowicie gładkie wymuszenie zewnętrzne. To wystarcza do rozwiązania oficjalnego Problemu Milenijnego w wariancie C lub D, ale pozostawia otwarte niezwykle interesujące pytanie o powstanie osobliwości w klasycznych trójwymiarowych równaniach Naviera-Stokesa bez wymuszenia zewnętrznego.

To rozróżnienie jest istotne również dla fizyki. Wynik nie mówi, że wir w szklance wody może nagle przyspieszyć do nieskończoności.

Dowodzi czegoś bardziej abstrakcyjnego, ale fundamentalnego: nawet przy dodatniej lepkości równania dopuszczają bardzo starannie skonstruowany scenariusz, w którym gładkość rozwiązania zostaje utracona.

Czy od jutra trzeba zmieniać symulatory pogody i oprogramowanie do projektowania samolotów?

Nie.

Równania Naviera-Stokesa pozostają jednym z podstawowych narzędzi mechaniki płynów. Inżynierowie od dawna korzystają z nich numerycznie i stosują przy tym wiele dodatkowych modeli oraz przybliżeń.

Nowy wynik nie oznacza również, że prawdziwy płyn osiągnie nieskończoną prędkość. Nieskończoność pojawia się w modelu matematycznym. W rzeczywistym świecie, zanim doszłoby do takiego stanu, znaczenia mogą nabrać zjawiska pomijane przez idealizowany model: ściśliwość, struktura cząsteczkowa, zmiana właściwości materiału czy inne efekty mikroskopowe.

Dlatego lepiej powiedzieć, że rezultat ujawnia matematyczną granicę klasycznego modelu, niż że „udowadnia konieczność śledzenia każdej pojedynczej cząsteczki”.

To drugie sformułowanie byłoby zdecydowanie zbyt mocne i na ten moment – nieprawdziwe.

Nie tylko matematyka. Spór o to, kto naprawdę dokonał odkrycia

Historia ma także drugą warstwę – dotyczącą sposobu prowadzenia nauki w epoce AI.

OpenAI rozpoczęło intensywne eksperymenty 1 września, po otrzymaniu informacji, że na polu Problemów Milenijnych mogło nastąpić istotne odkrycie. Plotka wiązała się z pracami Tristana Buckmastera z New York University oraz Leventa Alpöge z Anthropic.

Okazało się później, że ich wynik dotyczył między innymi wymuszonych równań Eulera, a nie dokładnie tego samego twierdzenia dla klasycznych równań Naviera-Stokesa. Sama praca OpenAI przyznaje także znaczenie wcześniejszych metod rozwijanych przez Diego Córdobę i Luisa Martínez-Zoroę.

Jednocześnie wybuchł spór dotyczący pochodzenia pomysłów i wykorzystania danych użytkowników.

OpenAI twierdzi, że jego badacze ani agenci nie mieli dostępu do nieopublikowanej pracy konkurencyjnego zespołu i że podczas rozwiązywania problemu nie wykorzystano konkretnych danych użytkowników. Firma dodała jednak, że nie może całkowicie wykluczyć możliwości, iż zanonimizowane dane pochodzące z korzystania z jej produktów wcześniej przyczyniły się do ulepszania modeli.

Spór ten nie przesądza o poprawności samego dowodu, ale dotyka problemu, który wraz ze wzrostem znaczenia AI w nauce będzie coraz trudniejszy do ignorowania: kto jest autorem odkrycia, gdy pomysły ludzi, dane treningowe, narzędzia i autonomiczne systemy badawcze zaczynają się ze sobą mieszać?

Od pomocnika do uczestnika badań

Nawet jeśli odłożyć na bok milion dolarów, medialny rozgłos i spór o pierwszeństwo, najważniejszym elementem tej historii może być właśnie sposób powstania dowodu.

Do niedawna modele językowe kojarzono przede wszystkim z pomocą przy pisaniu kodu, streszczaniu publikacji lub rozwiązywaniu zadań matematycznych o znanej odpowiedzi.

Tutaj mamy coś jakościowo innego.

System otrzymał otwarty problem badawczy, rozdzielił poszukiwania między tysiące agentów, badał równolegle różne strategie, wymieniał wyniki, stworzył bardzo długi argument analityczny, a następnie doprowadził go do postaci możliwej do mechanicznego sprawdzenia.

Jeżeli dowód przetrwa niezależną kontrolę matematyków, jego znaczenie będzie więc podwójne.

Po pierwsze, pokaże, że w trójwymiarowych równaniach Naviera-Stokesa – przy odpowiednio dobranym gładkim wymuszeniu – rzeczywiście może nastąpić utrata gładkości w skończonym czasie.

Po drugie, stanie się sygnałem, że sztuczna inteligencja przestaje być jedynie narzędziem wspierającym naukowców i zaczyna uczestniczyć w jednym z najbardziej wymagających etapów nauki: poszukiwaniu nowych dowodów, których wcześniej nie znał nikt.

I być może właśnie ten drugi element okaże się w dłuższej perspektywie jeszcze ważniejszy niż same równania Naviera-Stokesa.

The post Czy AI rozwiązała jeden z największych problemów matematyki? Przełomowy dowód dla równań Naviera-Stokesa appeared first on ISPRO® - Systemy Internetowe.

Gemma 4 łączy długie okno kontekstu, multimodalność, obsługę wywoływania funkcji i architekturę nastawioną na wysoką efektywność. Google opisuje ją jako rodzinę modeli z otwartymi wagami, przeznaczoną do zastosowań komercyjnych, którą można dostrajać i wdrażać we własnych projektach.

Brzmi technicznie? Spokojnie. Najciekawsze w Gemmie 4 jest właśnie to, że za skomplikowanymi skrótami kryją się bardzo praktyczne możliwości: szybsze aplikacje, potencjalnie większa prywatność i niższe koszty w wybranych scenariuszach wdrożeniowych.

Cztery modele, trzy pomysły na przyszłość AI

Rodzina Gemma 4 składa się z czterech głównych wariantów: E2B, E4B, 31B oraz 26B A4B. Google dzieli je na trzy klasy architektur: małe modele efektywne do urządzeń mobilnych i brzegowych, gęsty model 31B oraz model Mixture-of-Experts 26B A4B.

W praktyce oznacza to, że Gemma 4 nie jest jednym modelem „do wszystkiego”. To raczej zestaw współpracujących ze sobą narzędzi:

• E2B i E4B są stworzone z myślą o telefonach, przeglądarkach, urządzeniach IoT i pracy lokalnej.
• 31B to mocniejszy model gęsty, który może działać na lokalnych stacjach roboczych.
• 26B A4B to wariant typu Mixture-of-Experts, czyli model, który ma dużą „wiedzę” w parametrach, ale podczas odpowiedzi aktywuje tylko część swojej struktury.

I właśnie tutaj zaczyna się najciekawsza część.

Jeżeli chcesz zobaczyć jak poszczególne modele radzą sobie z konkretnymi zadaniami, sprawdź wpis: https://x.com/stevibe/status/2039761008663900440?s=20. 

Model, w którym pracują tylko wybrani eksperci

W nazwie Gemma 4 26B A4B litera „A” oznacza aktywne parametry. Model ma łącznie 26 miliardów parametrów, ale podczas generowania odpowiedzi używa tylko około 4 miliardów aktywnych parametrów na token. Google wyjaśnia, że wszystkie parametry muszą być załadowane do pamięci, ale tylko wybrana część uczestniczy w obliczeniach.

Najprościej wyobrazić to sobie jak firmę pełną specjalistów. Nie do każdego zadania zaprasza się cały zespół. Gdy problem dotyczy prawa, wołamy prawnika. Gdy kodu – programistę. Gdy języka – redaktora. Oczywiście to tylko pewna metafora. W Gemmie 4 działa podobna zasada: router wybiera ekspertów najlepiej pasujących do danego zadania. 

Według technicznego omówienia Maartena Grootendorsta, wariant MoE Gemmy 4 ma 128 ekspertów, z których aktywowanych jest 8, a dodatkowo działa jeden ekspert współdzielony, odpowiedzialny za szerszą wiedzę ogólną.

To jedna z tych inżynieryjnych sztuczek, które robią ogromną różnicę. Model może być duży pod względem możliwości, ale nie musi za każdym razem uruchamiać całej swojej „maszynerii”.

„E” jak efektywność

Warianty E2B i E4B są szczególnie interesujące, bo pokazują kierunek, w którym zmierza mobilna AI. Litera „E” oznacza tutaj „efektywne parametry”. Google podkreśla, że modele E2B i E4B wykorzystują mechanizm Per-Layer Embeddings, który pomaga zwiększyć efektywność parametrów we wdrożeniach na urządzeniach.

W uproszczeniu: zamiast upychać wszystko w szybkiej, ale ograniczonej pamięci operacyjnej, część informacji może być przechowywana w mniej kosztowny sposób i pobierana tylko wtedy, gdy jest potrzebna. Maarten Grootendorst opisuje to w swoim artykule jako sposób na trzymanie dużych tabel osadzeń w pamięci flash, zamiast zajmowania cennej pamięci RAM lub VRAM przeznaczonej na obliczenia.

Efekt? Modele mogą działać na urządzeniach, które nie mają infrastruktury centrum danych. To ważne nie tylko dla entuzjastów AI. To ważne dla firm tworzących aplikacje mobilne, narzędzia offline, rozwiązania edge AI i systemy, w których prywatność danych ma duże znaczenie.

AI, która widzi, słyszy i rozumie kontekst

Gemma 4 nie ogranicza się do tekstu. Według dokumentacji Google obsługuje tekst i obraz, a modele E2B i E4B mają natywną obsługę audio i dodatkowo wideo może być analizowane przez przetwarzanie sekwencji klatek.

To otwiera zupełnie inne scenariusze niż klasyczny chatbot. Wyobraźmy sobie aplikację, która działa lokalnie na telefonie i potrafi:

• rozpoznać, co znajduje się na zdjęciu,
• zrozumieć nagranie głosowe,
• przeanalizować fragment wideo,
• w wybranych scenariuszach i na wspieranych urządzeniach może działać lokalnie.

Dla użytkownika końcowego może to oznaczać szybsze działanie i większą prywatność, o ile aplikacja rzeczywiście przetwarza dane lokalnie i nie przesyła ich dalej. Dla biznesu może to oznaczać mniejsze koszty przetwarzania oraz większą kontrolę nad danymi.

Ciekawostka: głos zamieniony w obraz

Jednym z ciekawszych elementów Gemmy 4 jest obsługa dźwięku. Małe modele korzystają z dodatkowego enkodera audio, który przekształca sygnał dźwiękowy w reprezentację zrozumiałą dla modelu. W praktyce dźwięk może być analizowany jako mel-spektrogram – wizualna reprezentacja częstotliwości i energii dźwięku w czasie.

AI nie „słyszy” tak jak człowiek. Często najpierw zamienia dźwięk w coś, co bardziej przypomina obraz, a dopiero potem analizuje wzorce.

Dekodowanie spekulatywne: AI, która próbuje kończyć zdania z wyprzedzeniem

Jedną z najbardziej praktycznych nowości jest obsługa Multi-Token Prediction, czyli przewidywania wielu tokenów naraz. Google podaje, że wszystkie modele Gemma 4 mają dedykowany model roboczy do dekodowania spekulatywnego, co ma przyspieszać wnioskowanie bez utraty jakości.

Jak to działa?

Większy model generuje odpowiedź, ale mały „drafter” próbuje przewidzieć kilka kolejnych tokenów z wyprzedzeniem. Następnie główny model sprawdza te propozycje. Jeśli się zgadza, akceptuje je hurtowo. Jeśli nie, poprawia fragment i idzie dalej.

Można to porównać do autouzupełniania w telefonie, ale na znacznie bardziej zaawansowanym poziomie. Gdy zaczynasz pisać „cisza przed…”, system może podpowiedzieć „burzą”. Jeśli to pasuje, nie trzeba generować wszystkiego od zera.

Dla użytkownika końcowego liczy się jedno: odpowiedź pojawia się szybciej.

Gemma 4 na Androidzie: lokalny agent w kieszeni

Gemma 4 może odegrać największą rolę w ekosystemie Androida, gdzie Google planuje wykorzystać ją zarówno w Android Studio jako lokalnego asystenta do pracy z kodem, jak i w funkcjach AI działających bezpośrednio na urządzeniu przez ML Kit GenAI Prompt API. Model ma wspierać programistów w refaktoryzacji, tworzeniu funkcji i poprawianiu aplikacji, a jednocześnie stać się podstawą Gemini Nano 4, który według Google ma być do 4 razy szybszy i zużywać do 60% mniej baterii. To pokazuje, że AI na telefonach przestaje być dodatkiem, a zaczyna stawać się lokalną i szybką warstwą systemową.

Dlaczego lokalna AI jest ważna dla firm?

Dla użytkownika lokalna AI oznacza wygodę. Dla firmy – przewagę.

• Po pierwsze, lokalne przetwarzanie może ograniczać wysyłanie wrażliwych danych do chmury.
• Po drugie, może obniżyć koszty, bo nie każde zapytanie musi trafiać do zewnętrznego API.
• Po trzecie, pozwala tworzyć funkcje działające offline lub z minimalnym opóźnieniem.
• Po czwarte, daje większą kontrolę nad modelem, jego dostrajaniem i integracją z własnym produktem.

Nie oznacza to jednak automatycznej prywatności ani zerowych kosztów – wszystko zależy od konkretnej implementacji, urządzenia, logowania danych, integracji z chmurą oraz sposobu zarządzania modelem.

Ile sprzętu potrzeba, żeby uruchomić Gemma 4?

To pytanie zada sobie każdy, kto myśli o lokalnym wdrożeniu. Oficjalna dokumentacja Google podaje przybliżone wymagania pamięci dla modeli Gemma 4. Google zaznacza, że nie obejmuje to dodatkowej pamięci wymaganej przez środowisko, oprogramowanie i pamięć podręczną kontekstu.

To bardzo ważne zastrzeżenie. W praktyce samo „zmieści się w VRAM” nie zawsze oznacza komfortową pracę. Długie okno kontekstu, rozbudowane prompty, integracje narzędziowe i większe odpowiedzi mogą znacząco zwiększać wymagania.

Ale kierunek jest jasny: coraz mocniejsze modele stają się dostępne poza wielkimi centrami danych.

Co to oznacza dla przyszłości aplikacji?

Gemma 4 pokazuje, że najbliższa fala AI może być mniej „chmurowa”, a bardziej rozproszona. Część zadań nadal będzie wymagała ogromnych modeli serwerowych, ale coraz więcej codziennych funkcji może działać lokalnie.

• Asystent w telefonie może analizować obraz lokalnie, bez wysyłania go na serwer (jeśli aplikacja została tak zaprojektowana).
• Aplikacja firmowa może streszczać dokumenty na urządzeniu pracownika.
• Edytor kodu może mieć lokalnego agenta do refaktoryzacji.
• System IoT może reagować na dźwięk, obraz i tekst bez stałego połączenia z chmurą.

Podsumowanie: mały model, duża zmiana

Gemma 4 jest ciekawa nie dlatego, że wygrywa każdy ranking. Jest ciekawa dlatego, że bardzo dobrze odpowiada na pytanie: jak sprawić, aby AI była bliżej użytkownika?

Bliżej telefonu, aplikacji, danych i firmy, która chce mieć kontrolę nad swoim rozwiązaniem.

Dzięki modelom E2B i E4B Gemma 4 może działać na urządzeniach mobilnych i brzegowych. Dzięki 31B i 26B A4B może wspierać mocniejsze lokalne scenariusze na komputerach i stacjach roboczych. Dzięki multimodalności rozumie nie tylko tekst, ale też obraz, dźwięk i wideo. 

Najważniejsze jest jednak coś innego: Gemma 4 pokazuje, że przyszłość AI nie musi polegać wyłącznie na coraz większych modelach zamkniętych w chmurze. Czasem największa innowacja polega na tym, że inteligencja staje się mniejsza, szybsza, tańsza i bliższa użytkownikowi.

A to może zmienić sposób, w jaki projektujemy aplikacje.

The post Gemma 4: sztuczna inteligencja, która nie musi mieszkać w chmurze appeared first on ISPRO® - Systemy Internetowe.

Dzisiejsze sieci i aplikacje projektuje się głównie pod kątem szybkości działania, estetyki oraz intuicyjnego interfejsu. Jednak nadchodzi epoka, w której web design będzie zbliżał się bardziej do fizyki i neurobiologii niż grafiki komputerowej. Wirtualna rzeczywistość (VR), rozszerzona rzeczywistość (AR) i zminiaturyzowane urządzenia haptyczne zapowiadają internet, który nie tylko widzimy – ale który naprawdę czujemy.

Dotyk w powietrzu: bezkontaktowa haptyka wkracza do mainstreamu

Czy kojarzysz sceny z filmów science fiction, w których bohaterowie, zaledwie ruchem dłoni, wybierają opcje uzbrojenia statku, otwierają holograficzne mapy albo zmieniają tor lotu? Do niedawna były to czyste fantazje, ale rozwój haptyki zaczyna realnie zbliżać nas do takiej formy interakcji – bez ekranów, bez fizycznych przycisków, z czystą, przestrzenną nawigacją reagującą na każdy gest i dotyk… nawet jeśli ten dotyk odbywa się w powietrzu. 

Haptyka przeszła drogę od prostego „brzęczenia” telefonu komórkowego do niezwykle wyrafinowanych symulacji nacisku, oporu czy struktury. Jednak prawdziwą rewolucją jest haptyka… bezdotykowa.

Technologia ta wykorzystuje ultradźwięki – precyzyjnie skupione fale, które wywierają subtelny, ale wyczuwalny nacisk na skórę. Dzięki temu użytkownik może „poczuć” wirtualny przycisk, suwak czy nawet obiekt unoszący się w powietrzu bez fizycznego kontaktu z urządzeniem.

Niektóre firmy już łączą tę technologię z zaawansowanym śledzeniem dłoni. Efekty są imponujące:

• VR/AR bez rękawic – użytkownik może manipulować wirtualnymi przedmiotami gołą ręką, jednocześnie odczuwając ich kształt, opór czy fakturę.
• Panele sterowania w samochodach i przestrzeniach publicznych – przyciski „z powietrza” zwiększają higienę i ułatwiają korzystanie z funkcji bez odrywania wzroku od drogi.

Rękawice VR i inteligentne materiały: wirtualne dotykanie na serio

Jeśli VR i AR mają stać się przyszłością przeglądania internetu, muszą oferować coś więcej niż realistyczną grafikę. Potrzebują dotykowego sprzężenia zwrotnego, które sprawi, że użytkownik uwierzy w realność wirtualnych przedmiotów.

Nowoczesne rękawice haptyczne korzystają z inteligentnych materiałów takich jak: elektroaktywne polimery, które zmieniają kształt pod wpływem napięcia oraz stopy z pamięcią kształtu, np. nitinol, które mogą kurczyć się i wyginać, symulując opór lub nacisk.

Dzięki nim lekkie, elastyczne „warstwy” nakładane na palce czy dłonie potrafią generować: wibracje, ucisk, a nawet symulację temperatury.

Egzoszkielety takie jak ExoHand już dziś umożliwiają operatorom odczuwanie dotyku przedmiotów manipulowanych przez roboty. To praktycznie teleobecność dotykowa, która otwiera drzwi do przemysłu, medycyny i edukacji. Sposób działania takiego szkieletu można obejrzeć klikając w link.

Web design, który się czuje: przyszłość stron WWW

Współczesne strony internetowe personalizują treści na podstawie danych użytkownika. Przyszłe strony pójdą o krok dalej: będą personalizować doświadczenia zmysłowe.

1. Wirtualne sklepy, które można dotknąć

Kupowanie online zmieni się radykalnie, gdy w VR poczujesz fakturę materiału, sztywność buta czy kształt uchwytu narzędzia.

2. Ekrany o zmieniającej się powierzchni

Elektro wibracja pozwoli odczuć strukturę tkanin czy materiałów bezpośrednio na ekranie smartfona.

3. Wzmocniona ergonomia i pewność działania

Dotykowe potwierdzenie wykonania akcji poprawi UX i zmniejszy liczbę błędów.

4. Haptyka sterowana AI

Algorytmy będą dopasowywać wrażenia do preferencji użytkownika, podobnie jak dziś personalizują treści.

Możliwe scenariusze, czyli jak dokładnie będziemy „czuć” internet?

Rozwój haptyki nie jest abstrakcyjną wizją przyszłości, lecz mapą bardzo konkretnych zastosowań. Oto najbardziej obiecujące scenariusze, które mogą trafić do codziennego użytku szybciej, niż myślimy.

1. Edukacja multisensoryczna

Wyobraź sobie lekcję biologii, podczas której w VR możesz wyczuć teksturę organów, napięcie mięśni czy pulsowanie tkanek. Na zajęciach z chemii uczniowie czuliby różnicę między szorstką strukturą soli a gładkim kawałkiem grafitu, a podczas zajęć z geografii – fakturę skał, ukształtowanie terenu lub relief mapy.

2. Telemedycyna i diagnostyka zdalna

Lekarze korzystający z haptycznych rękawic będą mogli: 

• „wyczuwać” opór tkanek podczas zdalnych badań, 
• oceniać zmiany skórne 
• przeprowadzać zabiegi robotyczne z realistycznym sprzężeniem zwrotnym.

Pacjent w domu będzie badał się specjalną nakładką haptyczną, a lekarz otrzyma dokładną informację o nacisku i sprężystości tkanek.

3. Internetowe koncerty i wydarzenia, które naprawdę czuć

Wirtualne koncerty dziś opierają się na obrazie i dźwięku. Haptyka doda do nich:

• drgania głośnych akordów,
• symulację ruchu powietrza,
• „fale” tłumu przeniesione przez ultradźwięki lub wibracje,
• dotykowe efekty specjalne (np. kaleczące drobinki lodu w VR podczas zimowej sceny).

To nie tylko rozrywka – to budowanie pełnień immersji.

4. Spotkania online i komunikacja emocjonalna

Jedno z najbardziej nieoczekiwanych zastosowań: dotyk jako forma komunikatu.

• Ścisk dłoni podczas spotkania biznesowego w VR.
• Delikatna wibracja sygnalizująca „tak” w rozmowie.
• Symulacja ciepła dłoni partnera podczas wideoczatów na odległość.

Haptyka może dodać do internetu to, czego najbardziej brakuje rozmowom cyfrowym – ludzkiej bliskości.

5. Projektowanie 3D i architektura – dotykowa wizualizacja

Architekci i projektanci będą mogli:

• “na żywo” uczestniczyć w etapie tworzenia projektu,
• badać powierzchnię i chropowatość zaprojektowanych elementów,
• testować ergonomię uchwytów, pokręteł czy mebli w pełnej symulacji dotykowej.

To połączenie CAD, VR i haptyki otworzy drogę do szybszego prototypowania i lepszego projektowania przestrzeni.

Dotyk jako nowy język internetu

Nadchodząca generacja interfejsów redefiniuje to, czym jest surfowanie po sieci. Zmiana nie polega tylko na dodaniu kolejnego gadżetu – to radykalne poszerzenie przestrzeni percepcji.

Jeśli dzisiejsze surfowanie po internecie przypomina oglądanie obrazu w galerii, to jutro będzie jak obcowanie z interaktywną rzeźbą.
Zamiast biernie patrzeć, zaczniemy uczestniczyć – dotykać, wyczuwać, reagować.

Internet bez ekranów może okazać się bardziej intuicyjny niż dzisiejszy świat pełen ikon i kliknięć. Bo dotyk to język, który rozumie każdy – od chwili narodzin.

A Ty? W jakim sektorze widziałbyś zastosowanie technologii haptycznych? Daj znać w komentarzu!

The post Internet bez ekranów – jak technologie haptyczne zmienią sposób, w jaki surfujemy po sieci? appeared first on ISPRO® - Systemy Internetowe.

Pierwsze eksperymenty – co udało się zapisać?

W 2017 roku naukowcy z Columbia University i New York Genome Center, Yaniv Erlich i Dina Zielinski, zaprezentowali rewolucyjną metodę kodowania nazwanej „DNA Fountain”. Dzięki niej udało się przechować sześć różnych plików (m.in. system operacyjny, film braci Lumière z 1895 roku czy badanie Claude’a Shannona z 1948 roku) w próbce DNA, a następnie odczytać je z zerową liczbą błędów. 

Co więcej, dzięki reakcji łańcuchowej polimerazy (PCR) możliwe było stworzenie praktycznie nieograniczonej liczby kopii tych danych. Każda z nich, nawet w kolejnych „pokoleniach”, pozostawała w pełni odtwarzalna.

Dlaczego miałoby to działać?

DNA posiada cechy, które czynią je nośnikiem danych wręcz doskonałym:

• Ultra kompaktowość – jeden gram DNA może przechować aż 215 petabajtów danych, czyli wielokrotnie więcej niż obecnie najnowocześniejsze technologie. Tradycyjne centra danych zajmują ogromne powierzchnie i pochłaniają ogromne ilości energii. DNA mogłoby pozwolić na miniaturyzację takich infrastruktur, zmniejszenie zużycia energii i kosztów utrzymania.
• Trwałość – przechowywane w odpowiednich warunkach (sucho, chłodno) DNA może przetrwać setki tysięcy lat. Dowodem są próbki odzyskane z kości sprzed 430 000 lat. Właściwie przechowywane DNA nie tylko wytrzymuje tysiąclecia, ale także okazuje się odporne na promieniowanie, które w przypadku tradycyjnych nośników jest czynnikiem niszczącym dane.
• Odporność na starzenie – w przeciwieństwie do kaset magnetycznych czy płyt CD, DNA nie traci swoich właściwości wraz z upływem czasu i nie stanie się przestarzałe z powodu braku odpowiednich odtwarzaczy. Algorytmy kodowania, takie jak „DNA Fountain”, pozwalają na praktycznie bezbłędny zapis i odczyt, a także na tworzenie nieskończonej liczby kopii, co zapewnia wyjątkową redundancję i bezpieczeństwo.

Zresztą jak słusznie podsumował Yaniv Erlich, współautor przełomowego badania: „Jeśli DNA kiedykolwiek stanie się nieodczytywalne, będziemy mieli znacznie większe problemy niż dostęp do danych”.

Na zdjęciu: Dina Zielinski i Yaniv Erlich. Źródło: New York Genome Center

Potencjalne zastosowania

• Archiwizacja długoterminowa – DNA mogłoby zastąpić dotychczasowe nośniki informacji dla danych o wartości historycznej czy naukowej.
  
• Eliminacja problemu przestarzałości technologii – odczyt DNA jest i zawsze będzie możliwy, dopóki istnieje nauka biologiczna, co rozwiązuje problem „formatów, których nikt już nie wspiera”.
• Niższe koszty i ekologia – brak konieczności ciągłego kopiowania i migracji danych, a także zmniejszenie fizycznych rozmiarów centrów danych oznaczałoby ogromne oszczędności ekonomiczne i środowiskowe.

Wyzwania i bariery

Największym wyzwaniem pozostają koszty. Wczesne eksperymenty pokazały, że zapisanie zaledwie 2 MB danych kosztowało około 7000 dolarów, a ich odczyt – kolejne 2000. Jednak szybki rozwój technologii sekwencjonowania znacząco obniżył ceny odczytu, a naukowcy przewidują, że wraz z udoskonaleniem metod syntezy DNA koszty zapisu również spadną.

Jak zauważył Erlich, część obciążenia można przenieść na algorytmy komputerowe, które będą w stanie korygować błędy molekularne, co otworzy drogę do tańszego i szybszego kodowania.

Podsumowanie

Przechowywanie danych w DNA to technologia, która może diametralnie zmienić sposób zarządzania informacją. Niezrównana gęstość, trwałość i niezawodność czynią z DNA nie tylko ciekawostkę naukową, ale realnego kandydata do roli nośnika przyszłości.

Choć dziś pozostaje jeszcze droga do praktycznego zastosowania tej technologii na masową skalę, już teraz widać, że przechowywanie danych w DNA to nie science-fiction, lecz obiecująca przyszłość cyfrowej archiwizacji.

The post Dane zapisane w DNA – od science-fiction do przyszłości przechowywania informacji appeared first on ISPRO® - Systemy Internetowe.

Dlaczego warto wymienić baterię?

Zanim przejdziemy do szczegółów dotyczących wyboru serwisu, warto zrozumieć, dlaczego wymiana baterii iPhone 11 jest tak istotna. Baterie, jak każdy inny element elektroniczny, z czasem tracą swoją wydajność. Czy wiesz, że po około 500 cyklach ładowania bateria może stracić nawet 20% swojej pierwotnej pojemności? To może znacząco wpłynąć na komfort użytkowania, zwłaszcza jeśli często jesteś w ruchu i potrzebujesz niezawodnego urządzenia. Wyobraź sobie sytuację, w której musisz pilnie skontaktować się z kimś, a Twoje urządzenie nagle się wyłącza – to scenariusz, którego każdy chciałby uniknąć. Dodatkowo, starzejące się baterie mogą wpływać na ogólną wydajność telefonu, powodując, że aplikacje działają wolniej lub system operacyjny nie działa płynnie.

Co wyróżnia profesjonalny serwis Apple?

Wybierając serwis do wymiany baterii, warto postawić na profesjonalistów. Ale co tak naprawdę oznacza „profesjonalny serwis Apple”? Przede wszystkim to miejsce, w którym pracują doświadczeni technicy, którzy znają się na rzeczy. To oni potrafią zdiagnozować problem, doradzić najlepsze rozwiązanie i przeprowadzić wymianę w sposób bezpieczny dla Twojego urządzenia. Ważne jest również, aby serwis korzystał z wysokiej jakości komponentów, które zapewnią długą i niezawodną pracę Twojego iPhone’a. Użycie oryginalnych części lub ich wysokiej jakości zamienników jest kluczowe dla zapewnienia, że nowa bateria będzie działać jak należy. Ponadto, profesjonalne serwisy często oferują dodatkowe usługi, takie jak czyszczenie urządzenia czy diagnostykę innych potencjalnych problemów.

Jakie pytania warto zadać?

Przy wyborze serwisu warto zadać kilka kluczowych pytań. Czy technicy posiadają odpowiednie doświadczenie i certyfikaty? Czy serwis oferuje gwarancję na wymienione części? Jak długo trwa proces wymiany baterii? Odpowiedzi na te pytania pozwolą Ci ocenić, czy dany serwis jest godny zaufania. Czy kiedykolwiek zastanawiałeś się, jakie mogą być konsekwencje wyboru nieprofesjonalnego serwisu? Nieodpowiednia wymiana może prowadzić do uszkodzeń innych podzespołów, a nawet do utraty danych. Dlatego ważne jest, aby upewnić się, że serwis, który wybierasz, ma dobrą reputację i doświadczenie w pracy z urządzeniami Apple. Dodatkowo, warto zapytać o ewentualne koszty dodatkowe – dobrze jest wiedzieć z góry, ile zapłacisz za całość usługi.

Czym się kierować przy wyborze serwisu?

Przy wyborze serwisu warto zwrócić uwagę na kilka istotnych aspektów. Po pierwsze, opinie innych klientów mogą być cennym źródłem informacji. Czy serwis cieszy się dobrą opinią wśród użytkowników? Czy jego klienci są zadowoleni z jakości obsługi? Po drugie, warto sprawdzić, czy serwis oferuje transparentne ceny i czy jest gotowy udzielić szczegółowych informacji na temat kosztów wymiany baterii. Na koniec, lokalizacja serwisu również może mieć znaczenie – nie każdy chce wysyłać swój telefon na drugi koniec kraju. Bliskość serwisu może oznaczać szybszy czas realizacji i możliwość osobistego odebrania urządzenia. Warto także zastanowić się, czy serwis oferuje możliwość rezerwacji terminu online lub telefonicznie, co może znacząco usprawnić cały proces.

Dlaczego warto zaufać profesjonalistom?

Decydując się na wymianę baterii iPhone 11, warto zaufać profesjonalistom. Dlaczego? Ponieważ tylko oni są w stanie zapewnić bezpieczną i trwałą wymianę, która przywróci Twojemu urządzeniu pełnię możliwości. Profesjonalny serwis Apple to nie tylko gwarancja jakości, ale również pewność, że Twoje dane i urządzenie są w dobrych rękach. Warto również zauważyć, że profesjonaliści często oferują dodatkowe porady dotyczące konserwacji baterii, co może pomóc w przedłużeniu jej żywotności.

Wybór serwisu do wymiany baterii iPhone 11 to decyzja, która może mieć długofalowe konsekwencje. Warto więc poświęcić chwilę na dokładne zbadanie dostępnych opcji i wybranie miejsca, które spełni wszystkie Twoje oczekiwania. Zaufanie profesjonalistom to inwestycja w dłuższe i lepsze działanie Twojego iPhone’a. Czy nie warto dać swojemu urządzeniu nowego życia? W końcu, każdy z nas chce, by jego telefon działał niezawodnie każdego dnia, umożliwiając nam bezproblemowe korzystanie z jego wszystkich funkcji.

The post Wymiana baterii iPhone 11 – na co zwrócić uwagę przy wyborze serwisu? appeared first on ISPRO® - Systemy Internetowe.

Co to jest Google Cloud?

Google Cloud – co to dokładnie jest? To kompleksowy zestaw rozwiązań opartych na chmurze, który obejmuje infrastrukturę, analitykę, sztuczną inteligencję, a także narzędzia do zarządzania danymi i aplikacjami. Google Cloud oferuje elastyczność, skalowalność oraz zaawansowane zabezpieczenia.

Google Cloud różni się od konkurencji tym, że korzysta z tej samej infrastruktury, na której opierają się usługi Google, m.in.:

• Wyszukiwarka,
• YouTube,
• Gmail.

W konsekwencji oferowane usługi są wysoce niezawodne i skalowalne. Klienci mają dostęp do zaawansowanych narzędzi analitycznych, np. BigQuery, które pomagają przetwarzać spore ilości danych w czasie rzeczywistym.
Sprawdź więcej o Google Cloud – https://fotc.com/pl/google-cloud-platform/.

Integracja i łatwość migracji do Google Workspace

Google Cloud jest ściśle zintegrowany z Google Workspace, zapewniając bezproblemowe przejście na nowoczesne narzędzia do współpracy. W praktyce wygląda to bardzo prosto – jeśli Twoja firma korzysta z tradycyjnych narzędzi typu Microsoft Office czy lokalnych serwerów pocztowych, migracja poczty do Google Workspace będzie szybka i efektywna.

Migracja poczty do Google Workspace to nie tylko przeniesienie wiadomości e-mail, ale także pełna integracja z Kalendarzem, Dyskiem, Arkuszami oraz innymi narzędziami, które umożliwiają płynną pracę z dowolnego miejsca na świecie. Wsparcie zespołu FOTC podczas migracji gwarantuje, że wszystkie kroki zostaną przeprowadzone zgodnie z najlepszymi praktykami.

Dowiedz się więcej na temat Google Workspace – https://fotc.com/pl/google-workspace/.

Wydajność i optymalizacja kosztów

Jednym z najważniejszych atutów Google Cloud jest model „pay-as-you-go”, pozwalający na elastyczne zarządzanie kosztami. Zamiast płacić za niewykorzystane zasoby, płacisz tylko za to, co faktycznie wykorzystujesz.

Dzięki współpracy z partnerami Google takimi jak FOTC, firmy mogą liczyć na dodatkową optymalizację kosztów poprzez audyty infrastruktury i doradztwo w zakresie doboru najbardziej efektywnych rozwiązań. FOTC pomaga nie tylko w selekcji odpowiednich usług, ale także w monitorowaniu i optymalizacji bieżących wydatków chmurowych.

Poznaj szczegóły oferty FOTC – fotc.com/pl/

Bezpieczeństwo i zgodność z przepisami

Google Cloud to platforma, która priorytetowo traktuje bezpieczeństwo danych. Dzięki zaawansowanym narzędziom zabezpieczającym, np. szyfrowanie danych w spoczynku i podczas przesyłu, a także zaawansowane systemy monitorowania zagrożeń, użytkownicy mogą być pewni, że ich dane są chronione na każdym etapie przetwarzania.

Co ważne, Google Cloud jest zgodny z międzynarodowymi regulacjami prawnymi RODO – okazuje się to wyjątkowo istotne dla firm działających w regionie CEE. Współpracując z FOTC masz pewność, że wszystkie rozwiązania są wdrażane zgodnie z obowiązującymi przepisami i najlepszymi standardami bezpieczeństwa.

The post Google Cloud a inne platformy chmurowe – co wyróżnia rozwiązania Google? appeared first on ISPRO® - Systemy Internetowe.

Nowości w iPhone 15 oraz iPhone 15 Pro

Jest już od dawna tradycją, że każda nowa generacja smartfonów iPhone to ulepszenia w stosunku do poprzedników. W roku 2023 Apple zaskoczył świat, pokazując tytanowo-szklaną konstrukcję Apple iPhone 15 oraz Apple iPhone 15 Pro. Dzięki czemu oba modele nie tylko cechują się doskonałą wytrzymałością, ale również prezentują się niezwykle estetycznie.

Istotne i pozytywne zmiany nastąpiły pod obudową. Czip A16 Bionic, zastosowany w standardowych modelach, ma wydajność pozwalającą na płynne działanie wielu wymagających aplikacji. W modelach Pro jednostka centralna to A17 Pro – procesor gotowy na największe wyzwania, wyposażony w 16-rdzeniowy układ NPU, pozwalającym na wykonywanie  miliardów operacji na sekundę, co przekłada się na niezakłóconą pracę w każdej sytuacji. Sprawia również, że iPhone 15 Pro doskonale nadaje się do gier.

Ponadto iPhone 15 Pro i iPhone 15 Pro Max wyposażono w system aparatów tylnych 48 MP z możliwością nagrywania przestrzennego wideo dla Apple Vision Pro oraz rejestrowaniem klipów wideo w rozdzielczości 4K. W wersji Pro jest dodatkowo do wyboru wiele ogniskowych, dzięki czemu możesz dopasować najlepszą do sytuacji i mieć pewność, że zdjęcie wypadnie perfekcyjnie.

Oba smartfony mają wyświetlacz Super Retina XDR OLED 60 Hz, co gwarantuje komfort zarówno podczas przeglądania grafik, jak również czytania oraz interakcji. Wyświetlacz zapewnia doskonałe oddanie wszystkich barw przy zachowaniu wysokiej ostrości, co przekłada się na przyjemność z oglądania klipów wideo, korzystania z aplikacji oraz gier.

Trzeba również wymienić dużą ilość pamięci RAM oraz pojemność pamięci wewnętrznej, która w modelach Pro może wynosić nawet 1 TB! Do tego telefony otrzymały port USB-C ze wsparciem dla prędkości transferu danych do 10 Gbps.

Czy warto nabyć iPhone 15?

Jeśli chcesz mieć nowoczesny smartfon, dzięki któremu poznasz najbardziej zaawansowane technologie – jak najbardziej! W tym celu odwiedź salon iDream lub stronę internetową tej sieci. Dlaczego? Ponieważ jest to autoryzowany sprzedawca Apple – nabywając telefon u niego masz pewność kupowania fabrycznie nowego urządzenia oraz otrzymujesz na nie gwarancję.

Ten oferujący komputery i telefony Apple sklep ma także dodatkowe akcesoria do wszystkich sprzętów, dlatego może także nabyć od razu etui, plecki czy zasilacze podróżne. Dzięki nim dodatkowo podniesiesz komfort użytkowania sprzętów Apple!

Ponadto iDream jako Apple Premium Reseller prowadzi także serwis urządzeń marki. Dotyczy to zarówno tych, które są w okresie gwarancyjnym, jak również możliwe są naprawy pogwarancyjne. To nie tylko oferujący produkty Apple sklep, ale również miejsce, w którym możesz poprosić o pomoc w wyborze najlepszego sprzętu dla Ciebie!

Zanim odwiedzisz najbliższy salon iDream, możesz  sprawdzić od razu, który model iPhone wybierzesz. Jeśli interesuje Cię standardowy, zajrzyj pod adres https://idream.pl/iphone/apple-iphone-15.html. Gdy bardzie pasuje Ci model Pro, zobacz na https://idream.pl/iphone/apple-iphone-15-pro.html już dziś!

The post Co sprawia, że iPhone 15 jest przełomowym modelem telefonu Apple? appeared first on ISPRO® - Systemy Internetowe.

Ceny paneli spadają, a wydajność instalacji wzrasta. Wszyscy wokół trąbią, że energia z paneli słonecznych jest ekologiczna i czysta, ale rzadko kto wspomina, że do produkcji paneli wykorzystywane są szkodliwe substancje chemiczne. Mimo że jest to wykorzystywane w kontrolowanych warunkach i na małych obszarach, aby zminimalizować szkodliwość, to jednak jest to fakt. Chociaż zwykle myślimy o energii odnawialnej w kategoriach jej źródeł, takich jak turbiny wiatrowe i panele słoneczne, to tylko połowa obrazu. Idealnie byłoby połączenie energii odnawialnej z jej odnawialnym i ekologicznym magazynowaniem.

Nowy system przechowywania energii z fotowoltaiki

Wykorzystanie mocy słońca przez dłuższy czas poprzez systemy przechowywania to inteligentne rozwiązanie w zakresie produkcji czystej energii. Magazynowanie energii, aby wykorzystać ją w przyszłości to genialny ruch mający na celu dodatkowo zwiększyć opłacalność instalacji fotowoltaicznych. W połączeniu z panelami fotowoltaicznymi baterie słoneczne dają możliwość przechowywania, kontrolowania i wykorzystywania energii słonecznej tak wydajnie, jak to tylko możliwe. Ale do tego oczywiście potrzebna jest instalacja tych dodatkowych baterii przechowujących energię słoneczną na dłużej.

To kolejna przełomowa rzecz w dziedzinie energii odnawialnej. Zainstalowany z nowymi lub istniejącymi komponentami, system przechowywania energii słonecznej optymalizuje całość — pozwalając Ci wykorzystać więcej energii generowanej przez własne panele słoneczne, aby jeszcze bardziej zmniejszyć zależność od sieci elektrycznej i jej dostaw w sytuacji, gdy Twoje panele wytwarzają jej za mało np. w zimie. Przechowywanie opłaci się na dłuższą metę, pomimo znacznych kosztów początkowych.

W systemach magazynowania energii słonecznej akumulatory przechowują nadmiar energii wytwarzanej przez panele fotowoltaiczne. Zaawansowane systemy solarne wyposażone w najnowsze inteligentne technologie, monitorują i przekierowują nadmiar energii do akumulatora, a nie z powrotem do sieci. 

Jakie są zatem wady takiego systemu?

Przede wszystkim problemem jest produkcja i trwałość baterii. Jeśli posiadasz np. iPhone, to wiesz, że bateria nie jest wieczna i wraz z użytkowaniem spada jej wydajność. 

Ponadto jednym z największych problemów z akumulatorami litowo-jonowymi jest ich łańcuch dostaw. Baterie zależą od litu i kobaltu. W 2020 roku około 70% światowego kobaltu pochodziło z Demokratycznej Republiki Konga. Wszelkie zakłócenia w łańcuchu dostaw mogą silnie wpłynąć na ceny i dostępność. Co więcej, do wydobycia metali potrzeba dużo wody i energii, co może powodować szkody w środowisku, a niektóre operacje wydobycia kobaltu wiążą się z pracą w warunkach, które od dawna zostały udokumentowane jako nieludzkie m.in. pracą dzieci. Eksperci wątpią, czy ceny akumulatorów litowo-jonowych spadną o ponad 30% poniżej obecnego poziomu bez znaczących postępów technologicznych. Na razie koszta wyprodukowana takich baterii, a co za ty idzie ceny, są bardzo wysokie. 

Jednakże naukowcy pracują nad opracowaniem technik recyklingu baterii litowych i kobaltowych oraz zaprojektowaniem baterii opartych na innych materiałach. Tesla planuje produkować baterie bezkobaltowe w ciągu najbliższych kilku lat. Inni dążą do zastąpienia litu sodem, który ma właściwości bardzo podobne, ale występuje w znacznie większej ilości. Kolejną rzeczą, nad którą pracują, są bezpieczniejsze — ogniotrwałe baterie. Elektrolity często zawierają materiały łatwopalne. W przypadku wycieku bateria może się przegrzać i zapalić lub stopić co tworzy ogromne niebezpieczeństwo. Naukowcy opracowują również stałe elektrolity, dzięki którym baterie będą bardziej wytrzymałe.

Jak działa taki system?

• Po pierwsze, panele fotowoltaiczne wychwytują energię słoneczną.
• Następnie panele fotowoltaiczne ładują akumulator, przechowując niezużytą energię słoneczną do późniejszego wykorzystania.
• Wtedy (i tylko wtedy) kiedy bateria jest w pełni naładowana, system eksportuje nadmiar energii z powrotem do sieci.
• Jako bonus, gdy jest podłączony do zasilania awaryjnego, bateria automatycznie zasila podstawowe urządzenia (takie jak lodówka i Internet) w przypadku awarii sieci.

Przechowywanie światła słonecznego w postaci ciepła

Innym sposobem przechowywania energii odnawialnej, który kosztuje w niektórych przypadkach mniej niż baterie, jest magazynowanie jej w postaci ciepła. Na przykład skoncentrowane elektrownie słoneczne wykorzystują lustra do skupiania światła słonecznego, które podgrzewa i topi setki lub tysiące ton soli. Ta stopiona sól jest następnie wykorzystywana do napędzania generatora elektrycznego, podobnie jak węgiel lub energia jądrowa jest wykorzystywana do podgrzewania pary i napędzania generatora w tradycyjnych zakładach. 

Te ogrzane materiały można również przechowywać, aby wytwarzać energię elektryczną, gdy jest pochmurno, a nawet w nocy. Takie podejście pozwala na całodobową pracę elektrowni. Jedynym problemem jest to, że jest to rozwiązanie relatywnie kosztowne, ponieważ niestety obecnie stosowane sole nie są stabilne w wysokich temperaturach.

Podsumowanie

Podsumowując, mimo wielu wad paneli, zapotrzebowanie na czystą energię stale rośnie i obecnie jest to jedno z najlepszych rozwiązań skłaniające się ku temu, by w przyszłości być całkowicie odnawialne. Jest przy tym konieczne wdrożenie wielkoskalowych projektów elektrowni słonecznych z odpowiednimi akumulatorami, co dodatkowo obniża koszty magazynowania energii słonecznej ze względu na konkurencję i ekonomię skali. Im bardziej będzie to popularne i komercyjne, tym koszty będą mniejsze. Badając metody uzyskiwania i magazynowania energii słonecznej, pamiętaj o uwzględnieniu kosztów materiałów, sprzętu i instalacji, a także samych baterii i oblicz sobie kiedy inwestycja zacznie się zwracać, bo na pewno w dobie ciągłych podwyżek energii — zacznie.

The post Czy wykorzystanie i przechowywanie energii słonecznej jest stuprocentowo opłacalne i odnawialne? appeared first on ISPRO® - Systemy Internetowe.

W celu dokładniejszego zbadania chorób serca takich jak arytmia serca, badacze z Harvardu za pomocą komórek mięśnia sercowego, stworzyli pierwszą całkowicie autonomiczną biohybrydową rybę. Jak to możliwe, że się ona samoistnie porusza? Ten “ryborobot” posiada dwa paski komórek ludzkiego serca i pływa poprzez odzwierciedlanie ruchów mięśnia sercowego pompującego krew do tętnic. Według ekspertów Uniwersytetu Harvardzkiego ten wynalazek przybliżył ich do stworzenia bardziej zaawansowanej technologicznie pompy mięśniowej.

W jaki sposób ta biohybrydowa ryba pływa?

Stworzenie tej sztucznej ryby zostało zainspirowane prawdziwą rybą o nazwie Danio pręgowany, a dokładnie jej kształtem i ruchem, który wykonuje podczas pływania.
Ogon sztucznej ryby stworzonej przez harvardzkich naukowców posiada po obu stronach komórki ludzkiego serca. Naukowcy wyjaśniają, że w tym samym czasie gdy jedna strona płetwy się kurczy, druga się rozciąga, sprawiając, że ryba wygląda jakby pływała. Ryba pływa już nieustannie od ponad 100 dni.

Wynalazcy wyjaśniają cel, który przyświecał stworzeniu biohybrydowej ryby

Kit Parker harvardzki profesor i autor publikacji znajdującej się w magazynie „Science” zgodnie z raportem uczelni powiedział, że ich nadrzędnym celem jest stworzenie sztucznego serca, które mogłoby zastąpić zdeformowane czy wadliwe serca u dzieci.

Dlaczego jednak wykorzystali model ryby, a nie od razu model serca?

Na razie naukowcy skupili się na odwzorowaniu prostego bicia serca w skonstruowanej przez siebie tkance.
Zainspirowani biofizyką serca i jego podobieństwem do ruchu ryby, stwierdzili, że zamiast zastosować od razu model serca, łatwiej będzie zastosować kluczowe zasady biofizyki serca, które sprawiają, że się ono porusza, w modelu żywej pływającej ryby. Jest to po prostu łatwiejsze do stworzenia i sprawdzenia, czy osiągnęli sukces na tym etapie.

Co umożliwiło powstanie autonomicznej ryby?

Ten najnowszy wynalazek mógł powstać dzięki wcześniejszym badaniom należącej do Parkera, Disease Biophysics Group, która w 2012 roku za pomocą komórek mięśnia sercowego od szczurów stworzyła biohybrydową pompę przypominającą meduzę oraz w 2016 roku sztuczną płaszczkę. Co więcej, ryba potrafi kontrolować częstotliwość i rytm tych spontanicznych skurczy, ponieważ twórcy dodali wymyśloną przez nich węzeł stymulujący. Czyli taki stymulator, rozrusznik, który kontroluje rytm skurczy, występujących w rybie. Naukowcy twierdzą, że ta biohybrydowa ryba staje się coraz sprawniejsza z wiekiem, ponieważ odkryli, że po pierwszym miesiącu zwiększa się częstotliwość skurczy mięśni, maksymalna możliwa prędkość pływania oraz polepsza się koordynacja mięśni. Dzieje się tak, ponieważ komórki kardiomiocytów dojrzewają.

Podsumowanie

Według naukowców z Harvardu jesteśmy coraz bliżej wynalezienia sztucznego serca, które będzie mogło uratować życie wielu dzieciom, a może i w przyszłości nawet dorosłym. To byłby kolejny przełom w medycynie. Ta autonomiczna ryba stworzona z komórek ludzkiego serca, jest tylko obiecującym początkiem czegoś wielkiego i wspaniałego, na co musimy jeszcze troszkę poczekać.

The post Pierwszy krok do wynalezienia sztucznego serca – ryborobot z komórek ludzkiego serca stworzony przez naukowców z Uniwersytetu Harvardzkiego appeared first on ISPRO® - Systemy Internetowe.

Biały Dom szybciej niż kiedykolwiek wskazał palcem na Rosję jako sprawcę cyberataku, który miał ostatnio miejsce przeciwko Ukrainie. Jest to najnowszym znakiem tego, że Ameryka nie ma problemów z szybkim odnalezieniem sprawców cyberataków, a miała tylko dylemat z ich szybkim upublicznianiem.

USA odkrywa związek Rosji z cyberatakami w Ukrainie 

W dniach 15 i 16 lutego, rządowe i bankowe strony internetowe Ukrainy padły ofiarą zdecydowanego cyberataku. Po zaledwie 48 godzinach po tym ataku Biały Dom ujawnił, że za sprawą tych ataków stoją rosyjscy szpiedzy. Zastępczyni doradcy ds. Cyberbezpieczeństwa i nowych technologii w administracji Biden’a, Anne Neuberger, powiedziała, że USA ma informacje, które zdecydowanie pokazują związek Głównego Zarządu Sztabu Generalnego Sił Zbrojnych Federacji Rosyjskiej (GRU), czyli organu wywiadu zagranicznego Ministerstwa Obrony Federacji Rosyjskiej, z atakiem DDoS na Ukrainę.

Co to jest atak DDoS?

DDoS to skrót od Distributed Denial of Service. Można ten skrót rozumieć jako rozproszoną odmowę dostępu. Atak DDOS polega na zaatakowaniu danego serwisu lub kont z kilku komputerów jednocześnie w tym samym czasie. W konsekwencji użytkownicy, którzy ulegną takiemu atakowi, mają zablokowany dostęp do łączy lub serwisów internetowych. 

Ekspresowe upublicznienie informacji przez USA

Szybkość, z jaką siły zwiadowcze USA i Wielkiej Brytanii były w stanie zidentyfikować sprawce masowego cyberataku, pokazuje ogromną zmianę w porównaniu z poprzednimi atakami. Określanie sprawców cyberataków staje się istotnym narzędziem dla Stanów Zjednoczonych we wszelkich konfliktach cybernetycznych. W ostatnich latach mogliśmy zaobserwować zwiększoną tendencje USA i Wielkiej Brytanii do współpracy przy wyszukiwaniu sprawców cyberataków — szczególnie jeśli dotyczy to Rosji, tak jak było i w tym przypadku. Jednakże szybkość, z jaką ogłoszono tym razem sprawców, jak przyznaje sama Neuberger, jest niezwykła. 

Dlaczego tak szybko ujawniono informacje?

Jak tłumaczy Neuberger, upubliczniono te informacje, aby zachowanie to szybko zostało zanegowane, potępione i ocenione jako zakłócające wszelkie bezpieczeństwo cybernetyczne. Stany Zjednoczone nie chciały popełnić błędów z przeszłości.

Co skłoniło USA do zmiany polityki?

Ta nowa polityka ma swoje źródło w tym co działo się podczas wyborów prezydenckich w Stanach w 2016 roku. Gavin Wilde, były członek Rady Bezpieczeństwa Narodowego Stanów Zjednoczonych pomógł dokonać przełomowej oceny wywiadowczej, która szczegółowo opisała moskiewskie kampanie hakerskie i dezinformacyjne z tego czasu mające na celu wywarcie znacznego wpływu na wybory prezydenckie. Było to możliwe dzięki wspólnym wysiłkom wszystkich agencji wywiadowczych Stanów Zjednoczonych i ich zaangażowaniu. To olbrzymie przedsięwzięcie udało się podjąć dzięki prezydentowi Obamie. Wtedy jednak te rosyjskie ataki cybernetyczne nie były upublicznione aż do 2017 roku, czyli kilka miesięcy po wyborach.  Jednakże Wilde powiedział, że siłom wywiadowczym USA towarzyszyło w tej sprawie uczucie bezradności, ponieważ dokładnym celem rosyjskich działań było Amerykańskie społeczeństwo i jego destabilizacja i nie mogli tego ujawnić. Mimo wszystko cała tamtejsza obszerna analiza sytuacji robi ogromne wrażenie w porównaniu z wcześniejszymi mniej znanymi sytuacjami. Niestety mimo obszernego raportu i ewaluacji, Wide uważa za porażkę to iż siły USA nie były wtedy, podczas tamtych wyborów, w stanie zapobiec rosyjskim atakom hakerskim.

The post Cyberataki w Ukrainie – USA demaskuje hackerów appeared first on ISPRO® - Systemy Internetowe.

Tesla Bot założenia ma być przyjaznym człowiekowi, wiernym i oddanym robotem. Ma bezproblemowo nawigować w świecie przeznaczonym dla człowieka. CEO Tesli chce, aby w przyszłości praca fizyczna nie była obowiązkiem, lecz wyborem.

Tesla kojarzy Wam się zapewne z zaawansowaną technologią samochodową, nowoczesnością i elektrycznością.
Teraz Tesla poszła o krok dalej i ma wizjonerskie plany o stworzeniu sztucznej inteligencji zamkniętej w postaci łudząco przypominającej człowieka. Tesla Bot nie będzie miał żadnych super mocy czy ponadprzeciętnych zdolności. Ma mieć „przeciętny” wzrost i wagę, czyli 172 cm oraz ok. 56 kg. Ma poruszać się z prędkością 8 km/h.

Dlaczego przeciętne umiejętności?

No wiadomo, że w razie buntu robotów, czyli tego czego ludzkość obawia się od dawna. Dzięki temu będziesz mógł przed nim uciec i łatwo się obronić! Elon Musk podszedł do swojego pomysłu z poczuciem humoru. Minął już ponad tydzień od kiedy Elon przedstawił ten wyjątkowy pomysł w swojej prezentacji podczas Tesla AI Day. Informacja ta rozeszła się hukiem po internecie, a Tesla Bot stał się hitem i memem. Z wyglądem i przeciętnością Tesla Bota polemizuje wielu użytkowników Internetu. Mimo wszystko najważniejsze, aby działał. Na razie poszukiwani są inżynierzy. Jeśli celem Elona była promocja działań Tesli i rekrutacja nowych talentów do firmy, to wyszło mu to bardzo dobrze.

Zasadniczo, jeśli myślisz o tym, co robimy teraz z samochodami, Tesla jest prawdopodobnie największą na świecie firmą zajmującą się robotyką, ponieważ nasze samochody z autopilotem to przecież takie rozumne roboty na kółkach – mówi Musk.

Czy Tesla Bot jest tak naprawdę potrzebny?

Tesla Bot ma wykonywać za nas całą fizyczną pracę. Ma być takim naszym przyjaznym asystentem. Ktoś traktuje Cię jak popychadło? Nie wiesz, w co ręce włożyć? Dzięki Tesla Bot nie będziesz się musiał już o nic martwić. To wszystko brzmi pięknie, ale czy tak naprawdę jest nam potrzebne do życia? Ma na przykład robić zakupy lub podawać narzędzia w fabrykach. Jednakże trzeba sobie zadać istotne pytanie. Czy aby na pewno jest nam potrzebny taki nieporęczny pomocnik? Po co nam humanoidalny robot, który będzie zajmował miejsce przy zlewie skoro już mamy kompaktowe zmywarki? Po co robot, który będzie latał w domu z odkurzaczem jeśli już mamy robota, który odkurza sam?

A może jednak byłoby to coś przełomowego? Może mógłby wykonywać za nas te niebezpieczne prace i pomagać tam, gdzie człowiek nie daje rady? Mimo coraz większego postępu, na razie samo pójście na zakupy jest ogromnym wyzwaniem dla nas a co dopiero dla sztucznej inteligencji. Czy musiałby mieć podany dokładny numer każdego produktu? Zapewne polecenie kup mleko nie byłoby wystarczające. Jednak korzystając z autopilota Tesli, przynajmniej trafiłby do sklepu. Mimo wszystko ten projekt ma ogromny potencjał. Jestem ciekawa, co przyniesie przyszłość.

Wypadki na drodze z autonomicznymi samochodami Tesli a Tesla Bot

Tesla Bot ma się opierać na tej samej technologii co autopiloty w samochodach Tesli.

A może jednak Tesla Bot to tylko sprytna próba odciągnięcia od toczącej się sprawy związanej ze sprawdzeniem autopilotów Tesli pod względem bezpieczeństwa. W Stanach Zjednoczonych zaraportowano 11 wypadków, w których wzięły udział samochody Tesli z autopilotem. Zderzały się one z ambulansami i wozami strażackimi stojącymi na drodze. Wynikiem tego było 17 rannych i jedna ofiara śmiertelna. Krajowy Urząd ds. bezpieczeństwa ruchu drogowego ma sprawdzić ponad 700 tysięcy samochodów Tesli jak pisze amerykański serwis Driving.

Podsumowanie

Któż to przewidzi, może to nie jest żaden żart i już za kilkanaście lat taki ludzki pomocnik będzie wszędzie. Już istnieje super komputer Tesli o nazwie Dojo (dokładnie tak jak sale treningowe do karate), który nie tylko szkoli autopiloty Tesli, ale i sam siebie. Ponadto dzięki przepływającym przez niego miliardom danych rozwija się z niewyobrażalną prędkością. Czy ten komputer nie staje się tak skomplikowany jak nasz mózg? Tesla Bot mając do dyspozycji sieć neuronową opartą na rozwiązaniach z autopilota Tesli może stać się pierwszym humanoidalnym robotem na świecie. A może nawet Tesla Bot stanie się naszym przyjacielem? Czy czeka nas era androidów? Czy będzie coraz mniej miejsca dla człowieka? A może świat dzięki robocie od Tesli stanie się lepszy. Może to nasza przyszłość rodem z filmów. Chcielibyście mieć takiego pomocnika?

Tutaj live z prezentacją Elona Muska: https://www.youtube.com/watch?v=11QXiJ8ORe8

The post Czy Tesla Bot to przyszłość, czy nikomu niepotrzebny gadżet? appeared first on ISPRO® - Systemy Internetowe.