Производството на цимент е отговорно за близо 8% от глобалните емисии на въглероден диоксид, което го прави един от най-големите индустриални замърсители на планетата. Докато преминаването към чиста енергия за захранване на пещите е важна стъпка, истинското предизвикателство остават т.нар. „преки процесни емисии“. Те възникват при самото химическо разлагане на варовика (калциев карбонат) до вар — процес, който неизбежно освобождава CO₂.

Според публикация на Ars Technica [1], ново изследване, публикувано в научното списание Communications Sustainability [2], предлага радикално решение: пълна замяна на варовика със силикатни скали като базалт. Тъй като базалтът не съдържа въглерод, неговото преработване елиминира химическия отпадък под формата на парникови газове.

Една от най-големите бариери пред навлизането на изкуствения интелект в бизнеса – нуждата от скъпи специалисти по машинно обучение (ML) – е напът да изчезне. Стартъпът Empromptu AI представи платформата Alchemy Models, която позволява на предприятията да обучават персонализирани AI модели директно от своите производствени процеси [1].

Според публикация на VentureBeat [2], технологията работи чрез улавяне на всеки сигнал от взаимодействието между служителите и AI системите. Когато експерт в дадена област коригира отговор на изкуствен интелект или предостави обратна връзка, тези данни се насочват автоматично към специализирани тръбопроводи (Golden Data Pipelines). Крайният резултат са т.нар. „Expert Nano Models“ – малки, но изключително ефективни модели, оптимизирани за специфични бизнес нужди като правен анализ или медицинска документация.

Производството на цимент е отговорно за близо 8% от глобалните емисии на въглероден диоксид, но нов научен пробив обещава да промени това фундаментално. Изследователи от Университета на Британска Колумбия (UBC) представиха електрохимичен процес, който позволява производството на циментови прекурсори при изключително ниската температура от 60°C [1].

За сравнение, традиционното производство изисква пещи, нагряти до над 1400°C, където варовикът се разлага химически, отделяйки огромни количества CO₂. Новият „студен“ метод намалява въглеродния отпечатък с цели 98%.

Разработчиците вече разполагат с мощен инструмент за локално отстраняване на грешки и оценка на AI агенти благодарение на новия проект с отворен код Workshop. Създаден от стартъпа за наблюдаемост Raindrop, инструментът предоставя табло за управление в реално време, което следи всеки токен, извикване на инструменти и решение, взето от автономните системи.

Според публикация на VentureBeat [1], Workshop решава един от най-големите проблеми при изграждането на агенти – липсата на прозрачност в мисловния им процес. Инструментът работи като локален демон и потребителски интерфейс (обикновено на localhost:5899), което гарантира суверенитет на данните и премахва забавянето при пренос на информация.

Следващата голяма битка в корпоративния сектор няма да се води за това чий модел е по-интелигентен, а за това кой ще контролира инфраструктурата, през която работят AI агентите. Според последните анализи на пазара [1], Anthropic залага всичко на т.нар. „контролна равнина за агенти“ (agent control plane) – слой, който разделя изпълнението на задачите от тяхното управление и сигурност.

Централно място в тази стратегия заема Model Context Protocol (MCP), който Anthropic успешно позиционира като „Kubernetes за AI агенти“. Вместо да се изграждат специфични интеграции за всеки софтуер, MCP позволява на компаниите да създадат единен стандарт за свързване на своите данни (SAP, Salesforce, GitHub) с който и да е съвместим агент.

Промпт инженерингът (prompt engineering) се превърна в основен стълб при работата с големи езикови модели (LLMs), но индустрията често пренебрегва сложността на този процес. Масовата практика разчита на единични метрики за оценка на успеха, което според нови изследвания е грубо опростяване на реалността.

Според нова публикация на Machine Brief [1], оптимизирането на промпти не е просто търсене на текст, който работи добре изолирано. В реални условия разработчиците трябва да балансират между множество цели – например висока точност срещу латентност или изчерпателност срещу лаконичност.