В 1992 году вышел фильм «Газонокосильщик», крайне вольно связанный с одноименным рассказом Стивена Кинга. Связь была настолько далекой, что Кинг судился с создателями картины из-за использования своего имени. Ученый с помощью экспериментальных препаратов и виртуальной реальности развивает интеллект садовника Джоба до сверхчеловеческого уровня. В финале герой пытается отказаться от тела и раствориться в глобальной компьютерной сети — последним знаком его успеха становится одновременный звонок телефонов по всему миру.

Тогда это казалось пределом научной фантастики: разум, которому тесно в физическом теле и который переселяется в цифровую инфраструктуру.

Сегодня этот образ воспринимается иначе. Современные большие модели перерабатывают текст, изображения, звук, видео и программный код. Интернет стал одним из главных источников данных, на которых ИИ учится писать, переводить, программировать и отвечать на вопросы.

Но если искусственный интеллект будет расширять свое представление о мире, одного интернета ему мало. Даже все сайты, книги, фотографии и видеоролики вместе — лишь часть реальности, которую кто-то решил оцифровать. За пределами сети остается огромный мир физических данных.

Интернет содержит далеко не все данные

Значительная часть происходящего в физическом мире никогда не становится веб-страницей или документом. Температура, движение автомобилей, работа заводов, нагрузка в электросети, перемещение беспилотников — все это существует независимо от того, появилось ли где-то его цифровое описание.

Исследователи уже обсуждают пределы доступного качественного текста для масштабирования больших языковых моделей. По оценке Epoch AI, эффективный запас качественного публичного текста, созданного людьми, составляет около 300 трлн токенов. При сохранении нынешних тенденций модели могут практически полностью использовать этот ресурс в период с 2026 по 2032 год.

Поэтому следующий большой источник данных для ИИ может находиться не в интернете, а в самом физическом мире.

Второй информационный слой мира

Особенно интересна его электромагнитная часть. Смартфоны, Wi-Fi-роутеры, Bluetooth-наушники, радио- и телепередатчики, радары, спутники и дроны намеренно создают радиосигналы. Но электромагнитный след оставляют и устройства, которые вообще ничего не собираются передавать по радио: электрочайник, компьютер, зарядное устройство.

В информационной безопасности такие утечки хорошо известны. Национальный институт стандартов и технологий США (NIST) называет их компрометирующими излучениями: это непреднамеренные сигналы, которые создает работающая электроника и по которым при определенных условиях можно получить сведения о происходящих внутри системы процессах.

Получается необычный информационный слой: часть сигналов создана специально для передачи данных, а часть возникает просто потому, что техника работает. Он существует независимо от сайтов, приложений и социальных сетей.

ИИ уже давно слушает радиоэфир

Применять машинное обучение к радиосигналам начали задолго до ChatGPT и подобных LLM. В августе 2017 года американское оборонное агентство DARPA запустило программу RFMLS — Radio Frequency Machine Learning Systems. Ее целью было создать основы для применения современных методов машинного обучения непосредственно к радиочастотному спектру — в связи, радарах, радиоразведке и радиоэлектронной борьбе.

DARPA описывала амбициозную картину: система должна различать находящиеся в эфире сигналы, отделять важные от фоновых, замечать необычные передачи и узнавать конкретные передатчики по тонким аппаратным особенностям их сигнала. Одной из четырех ключевых задач RFMLS как раз была радиочастотная идентификация устройств по уникальному «отпечатку», возникающему из-за несовершенства аппаратуры.

Традиционная обработка сигналов во многом опирается на математические модели и алгоритмы, которые проектируют инженеры. Машинное обучение добавляет другой подход: позволить системе самой находить полезные закономерности в больших массивах радиоданных.

Появились системы для обнаружения сигналов, распознавания модуляции, классификации радарных сигналов, поиска помех и идентификации передатчиков по радиочастотным «отпечаткам».

Но оставалась проблема: одна нейросеть — для радаров, другая — для модуляции, третья — для помех. При смене оборудования, условий или самой задачи систему приходится адаптировать.

Большие модели в других областях предложили иной принцип: сначала общее предобучение, затем адаптация под множество конкретных задач. Теперь этот подход переносят в радиоэфир.

Как выглядит радиоэфир глазами машины

Один из основных способов записывать сырой радиосигнал — I/Q-данные: два синхронных потока чисел, синфазная и квадратурная составляющие.

Проще всего представить сигнал как постоянно вращающуюся стрелку. I показывает ее проекцию на одну ось, Q — на другую. Зная обе координаты, компьютер может определить длину и направление этой стрелки — то есть восстановить изменение амплитуды и фазы сигнала.

На практике нейросеть получает длиннейшую последовательность чисел. Амплитуда меняется, фаза сдвигается, появляется шум, сигнал отражается и искажается каналом связи и особенностями оборудования.

Но внутри этого хаоса существуют закономерности. По ним алгоритмы различают типы модуляции, радиолокационные формы волн, технологии связи, помехи, а в специальных задачах — конкретные передатчики по их аппаратному «почерку».

Это похоже на человеческий голос. Можно не понимать язык, но узнать знакомого по тембру и интонациям. У передатчиков тоже есть свои «голоса» — форма сигнала, фаза, амплитуда, временная структура и небольшие аппаратные искажения. Именно такой мир данных осваивает новая модель.

Повод задуматься: Radio-FM

6 августа 2026 года на arXiv появился препринт Radio-FM: A Foundation Model for Radio Signal Representation Learning and Its Applications. Его авторы — Jinchao Zhou, Wupeng Xie, Zhuangzhi Chen и их коллеги из нескольких китайских исследовательских организаций. FM здесь означает не Frequency Modulation, то есть частотную модуляцию, а Foundation Model — фундаментальную модель.

Принцип напоминает обучение больших языковых моделей. На этапе предварительного обучения Radio-FM не требуется сообщать правильный класс каждого сигнала. Часть входной последовательности скрывается, а модель пытается восстановить пропущенные фрагменты. Только вместо слов перед ней числовые отсчеты I/Q-сигнала.

Авторы использовали 15 наборов данных, охватывающих модуляцию, радары и связь. После общего обучения одну и ту же основу адаптировали к разным задачам: распознаванию модуляции, классификации радарных сигналов, идентификации передатчиков, определению беспроводных технологий и помех.

В основном сравнении Radio-FM показала лучший результат на 13 из 15 наборов.

Особенно интересен режим few-shot — когда размеченных примеров для новой задачи мало. На наборе DeepRadar2022 крупная версия Radio-FM превзошла SpectrumFM, более раннюю фундаментальную модель для работы с радиочастотным спектром, более чем на 24%.

Это пока препринт, а не прошедшая журнальное рецензирование публикация. Radio-FM нельзя просто подключить к антенне и попросить объяснить все происходящее в эфире.

Но работа дает отчетливый намек на обозримое будущее: вместо отдельных нейросетей для каждого класса сигналов появляется общий фундамент, который сначала учится структуре радиоданных, а затем переносит полученное знание между разными задачами.

Шифрование: следующий барьер после распознавания сигнала

Сегодня модели вроде Radio-FM учатся прежде всего понимать сам радиосигнал: отличать одну модуляцию от другой, распознавать тип передатчика, радарную форму волны или характер помех.

Но если такие системы будут развиваться дальше, естественным следующим шагом станет попытка понять уже не только форму сигнала, но и его содержание.

Для открытых передач это сравнительно понятная задача: определить протокол, восстановить структуру пакетов, выделить полезные данные и связать их с происходящими событиями. Для защищенной связи на этом пути возникает гораздо более серьезный барьер — криптография.

Radio-FM шифрование не взламывает, и авторы этого не заявляют. Надежно реализованные современные криптографические алгоритмы не перестают работать от того, что сигнал анализирует нейросеть.

Однако будущая система, обученная на огромных массивах радиоданных, сможет искать не только знакомые типы сигналов, но и закономерности в их структуре, реализации и поведении. Там, где криптографическая схема, протокол или конкретное устройство оставляют статистическую слабость, повторяющийся шаблон или физическую утечку, ИИ потенциально сможет учиться использовать такие признаки так же, как сегодня модели учатся распознавать изображения, речь или радиопередатчики.

Причем даже сильное шифрование скрывает далеко не все. Без расшифровки могут оставаться доступными тип сигнала, продолжительность сеансов, интенсивность обмена, появление новых источников и аппаратные особенности передатчиков. Для радиоразведки такие сведения сами по себе чрезвычайно ценны.

Есть и другой путь — физические утечки самой криптографической системы. Тогда анализируют уже не математику шифра, а устройство, которое его выполняет: время операций, энергопотребление, электромагнитные или акустические сигналы. Такие методы называют атаками по побочным каналам.

Именно поэтому в перспективе задача электромагнитного ИИ может измениться принципиально. Сначала он научится отвечать на вопрос «что это за сигнал?». Затем — «кто его создал и что сейчас происходит?». А однажды следующий вопрос неизбежно будет звучать: «что этот сигнал означает?»

Военный и разведывательный потенциал

Авторы Radio-FM не называют модель системой радиоразведки или радиоэлектронной борьбы. Но двойное назначение технологии очевидно.

Один из авторов, Wupeng Xie, указан сотрудником Artificial Intelligence Institute of China Electronics Technology Group Corporation — CETC.

CETC — крупная китайская государственная корпорация электронной отрасли. В актуальном официальном описании от марта 2026 года она называет себя единственным в электронной информационной отрасли Китая центральным государственным предприятием военно-промышленного комплекса и единственной военной группой, способной комплексно поставлять информационное вооружение различным видам вооруженных сил. Компания прямо пишет о работе в наземном, морском, воздушном, космическом, электромагнитном, сетевом и подводном пространствах.

Одни и те же способности интересны и гражданскому сектору, и военным. Умение различать передатчики помогает управлять спектром — и полезно радиоразведке. Распознавание помех необходимо операторам связи — и системам РЭБ. Анализ радарных сигналов интересен исследователям — и имеет очевидное оборонное значение.

От LLM к LEMM — большой электромагнитной модели

Мир привык к сокращению LLM — Large Language Model, большая языковая модель.

Следующий шаг можно условно представить как LEMM — Large Electromagnetic Model, большую электромагнитную модель.

Это не общепринятый научный термин и не название существующего класса систем. Здесь LEMM используется как обозначение более широкой идеи: модели, которая учится извлекать информацию не только из намеренно передаваемых радиосигналов, но из электромагнитной среды в целом.

LLM получает текст: токены → слова → смысл → контекст.

Условная LEMM получала бы физические сигналы: отсчеты → формы сигналов → источники → события → электромагнитная обстановка.

Radio-FM находится лишь в начале такого пути. Она не обладает универсальным пониманием электромагнитной среды. Более того, авторы сами перечисляют другие попытки создания фундаментальных моделей для RF-сигналов, включая SpectrumFM, EMind и IQFM. Radio-FM не первая такая система.

Но она показывает, что общий принцип масштабного предобучения на разнородных сырых радиоданных способен работать и переноситься между множеством задач.

Если этот подход расширится от отдельных видов радиосигналов к более широкому набору электромагнитных данных, граница между «полезным сигналом» и «шумом» может начать меняться. То, что для обычного приемника выглядит помехой или фоном, для достаточно обученной модели потенциально может оказаться источником информации.

От распознавания сигналов к «электромагнитным агентам»

В разделе о будущих направлениях авторы Radio-FM обсуждают объединение моделей радиосигналов с большими языковыми моделями.

Они используют выражение Electromagnetic Agents — «электромагнитные агенты».

Это уже шире обычной классификации. Система получает восприятие электромагнитной среды, связывает его с моделями более высокого уровня и использует результат для анализа и действий.

Авторы упоминают семантические коммуникации, автоматизированную оптимизацию протоколов и интерпретируемое рассуждение о спектре. В заключении они говорят о движении в сторону универсального электромагнитного интеллекта и автономных агентов для работы со спектром.

Пока это направление дальнейших исследований, а не возможности нынешней Radio-FM.

Но траектория просматривается: сначала определить сигнал, затем понять источник и его изменения, потом сопоставить множество источников — и постепенно получить систему, для которой электромагнитная среда становится не набором отдельных волн, а наблюдаемым информационным пространством.

Электромагнитная среда как новый источник данных о физическом мире

Интернет дал ИИ доступ к цифровому следу человечества — библиотеке, которую люди в значительной степени построили сознательно. Электромагнитная среда устроена иначе.

Это своеобразная нервная система технологической цивилизации, существующая независимо от того, читаем мы ее или нет.

В ней есть намеренные сигналы: сотовая связь, Wi-Fi, спутники, радары, телеметрия.

Но рядом существуют физические электромагнитные следы работы электроники, которые никто специально не создавал для передачи информации.

Электромагнитная среда потенциально позволяет извлекать информацию непосредственно из физических следов работающей техники.

Интернет для ИИ — только начало

Вернемся к «Газонокосильщику». Больше тридцати лет назад фантасты представляли разум, сбегающий в глобальную компьютерную сеть. Сегодня сама сеть может оказаться лишь одним из каналов машинного восприятия. ИИ не нужно мистически «вселяться» в электричество.

Достаточно научиться измерять физический мир и находить смысл в полученных сигналах. Текст, изображения, звук и видео уже стали привычными источниками данных. Радиосигналы, электромагнитные излучения и другие физические измерения постепенно добавляют еще один уровень.

Radio-FM пока решает академические задачи: различает модуляции, радарные сигналы, беспроводные технологии, передатчики и помехи.

Но если фундаментальные модели для физических сигналов продолжат развиваться, следующим этапом может стать не ИИ, прочитавший еще больше страниц интернета, а ИИ, извлекающий знания из той части мира, которая никогда не существовала ни в Википедии, ни в поисковой выдаче.

Интернет был первой главой. Вторая будет написана в электромагнитном шуме вокруг нас.

Читайте также:

Солнечное затмение 12 августа обещает «затмить» интернет: Испания уже наготове

Машина сама сбросит лишние километры: в Европе обсуждают новый контроль скорости

Люди стали меньшинством в интернете: больше половины веб-запросов создают боты

США рассекретили пятую порцию материалов об НЛО

Куда исчезли загадочные «красные точки» JWST: ученые ищут их потомков в современной Вселенной

ИИ-энциклопедия Илона Маска замерла: Grokipedia не обновляется с апреля

Операционная прибыль Nintendo выросла в 2,5 раза, несмотря на снижение выручки

Прибыль Acer выросла вдвое и достигла максимума после пандемии

NASA запускает «широкоугольный Хаббл»: когда Roman начнёт передавать первые данные

Google уже показывает затмение 12 августа 2026 года: что ещё можно увидеть в небе

В 2028 году астероид размером около 800 метров пройдёт внутри орбиты Луны

SK hynix и Sandisk представили память между HBM и SSD — до 512 ГБ и 3 ТБ/с

AstraZeneca обсуждала слияние с Bristol Myers на $400 млрд

Doosan купила контроль над SK Siltron за $1,6 млрд ради бума ИИ

 Добавьте «Aramil.life» в свои источники Google ☑