Научно-популярное

Многие мои читатели знают, что вне Хабра я давно занимаюсь техническими книгами. Практически весь прошлый год у меня прошёл в русле изучения новых программно-аппаратных и философских вызовов, которые ставит перед нами искусственный интеллект. Эта работа вылилась в знакомство и сотрудничество с по-настоящему неординарными и глубокими исследователями, такими, как уважаемые Камиль Гадеев @Kamil_GR и Константин Клепиков, но при этом подтолкнула меня отслеживать и более «новостные» блоги, среди которых я рекомендую всем тем, кто интересуется промптами, полностью прочитать/пролистать статьи уважаемого Андрея Пешкова @runaway_llm.

По результатам этих поисков сегодня я хотел бы охарактеризовать важнейший тренд в проектировании физической памяти: искусственный интеллект стал тем фактором, который, наконец, требует перестать гальванизировать исчерпавший себя закон Мура и всерьёз перейти к проектированию 3D-архитектур чипов.

Замерзает ли Балтийское море!?

В Калининградской области установилась морозная и снежная погода, что в нашем довольно мягком, умеренном морском климате, бывает крайне редко. По этому поводу, мы решили одеться потеплее и съездить проверить, как там наше море, не замерзло ли, и не навело ли красоту на берегу.

Моя страсть к накопительству картинок зародилась еще в эпоху диалапа, когда каждый JPEG проявлялся построчно под писк и скрежет модема, а бэкап стянутых с BBS цифровых сокровищ на дискету напоминал ритуал. С тех пор куча скарба разрослась до масштабов домашнего дата‑центра: здесь доисторические смишные мемы, тонны диснеевского клипарта, сканы журналов, галереи фанарта от известных в узких кругах артоделов, масса неотсортированного фототреша из собственных поездок, картинки природы и красоток, порция клубнички, шедевры CGI, нейроарт и фотографии Элизабет Уинстон. Проблема в том, что весь этот терабайтный зоопарк из разных разрешений, битности и форматов — абсолютно неструктурированная свалка, и попытка найти нужное превращается в квест «убей свои выходные». По мере роста коллекции я пробовал подряд все костыли, которые лучшие умы изобретали для сравнения изображений. В этой статье я пройдусь по эволюционной цепочке: от одноклеточных хэш‑сумм до венца творения — свежесобранного монстра DINOv3. Объять необъятное не выйдет — по каждому методу сравнения можно катать лонгрид иллюстрациями и с примерами кода (что, возможно, и сделаю, если меня не закидают жжёными тряпками). Но сейчас попробую изложить суть: как метод устроен, когда он тащит, а когда выдает откровенный бред.

30 000 роботов в год. Мозг Gemini AI. 2000 TFLOPS на борту. Фабрика будущего только что анонсирована на CES 2026. На этот раз это не демо.

В 2017 году Google продала Boston Dynamics компании SoftBank.

«Слишком сложно.» «Нет возврата инвестиций.» Гигант из Маунтин-Вью избавился от мирового лидера в гуманоидной робототехнике.

Девять лет спустя, на CES 2026: Google DeepMind и Boston Dynamics Atlas совместно объявляют о первом массовом производстве когнитивных гуманоидных роботов.

Самая ироничная часть? Аарон Сондерс, 22 года в Boston Dynamics, покинул компанию... за три месяца до анонса. Направление: DeepMind, в качестве вице-президента по разработке аппаратного обеспечения.

Совпадение? В индустрии на $5 триллионов ничего не бывает просто совпадением.

Современное обучение нейросетей часто напоминает алхимию. У нас есть работающие рецепты, но как именно статистическая модель превращает терабайты текста в понимание до сих пор непонятно.

Почему возможно сублиминальное обучение (передача паттернов через шум)? Почему обучение на синтетических данных приводит к деградации, даже если данные кажутся качественными? 

В этой статье я предлагаю взглянуть на архитектуру обучения под другим углом. Суть проста: позитивные определения в высокой размерности вычислительно неэффективны. Нейросеть не учит, что такое объект. Она учит, чем объект не является, и от качества этого «НЕ» зависит, насколько интеллектуальна будет модель.

Далее — теория, эксперименты на PyTorch (код прилагается), математика и объяснение того, почему коллапс LLM весьма вероятен.

Человеческий мозг эволюционировал, чтобы отслеживать камни, инструменты, животных, лица - вещи с краями. Вещи, которые толкают другие вещи. Это служило нам верой и правдой сотни тысяч лет.

И большинство из нас всё ещё неправильно применяют эту интуицию к науке и технологиям, включая то, как мы думаем об ИИ. Даже высококвалифицированные инженеры делают то же самое: пытаются впихнуть квадратные колышки в круглые отверстия, а потом не могут понять ошибки в ИИ-системах, которые строят.

Это несоответствие между интуицией и наукой не ново.

Работу мозга можно описать через систему процессов «разгона» и «торможения». Главной в этом процессе будет способность договориться и синхронизировать контакт, между внешними стимулами, внутренними ощущениями и пониманием, когда и какую именно запускать реакцию. Впервые в истории, у нас есть понимание, как и почему эти нейроны вообще устанавливают контакт!

Первый опыт применения немецких военных дирижаблей оказался не слишком удачным. Если в морском патрулировании они проявили себя довольно толково, и адмиралы Флота открытого моря считали разведывательную ценность цеппелина равной нескольким крейсерам, то бомбовые удары ранних машин были малоэффективны в лучшем случае, в худшем оканчивались гибелью машины. Однако в серию шли всё более совершенные военные дирижабли, а руководство кайзеровского рейха с растущим интересом поглядывало в сторону Британии: не пора ли обрушить на Лондон и другие города пару-другую тонн бомб с цеппелинов? Как водится, далеко не всё пошло по плану.

Новогодние каникулы завершилиcь. Многие из вас приступают к реализации своих проектов, зерна которых сформировались к концу прошлого года, были посажены в новогоднюю ночь под бой курантов, и вот они начинают пускать ростки.

Проект “Здоровье” наверняка у вас не на последнем месте и вы уже в поисках рекомендаций по грамотному началу тренировок в зале. Я это вижу по возросшему числу просмотров статей на своем сайте, да и тут на Хабре немного подскочили.

В прошлом году я получал одно частое обращение: “на просторах интернета нет ни одного нормального научно-обоснованного гайда по силовым тренировкам для таких чайников, которые даже приблизительно не знают, где какие мышцы на теле находятся и как называются упражнения”.

Может такие гайды и есть, но нам они не встречались. В любом случае, с удовольствием сделаю свой такой. Пускай и у меня, и у вас будет.

Это большой материал, разбитый на 9 блоков, путь по которому мы начнем с самого начала: от того, что такое силовые тренировки и зачем они нам нужны и закончим прямыми рекомендациями в формате “что и как нужно делать”, попутно развеивая некоторые мифы и переживания относительно тренировок с железом.

Всем доброго времени суток, Хабровчане!

В этой статье я покажу, как пытался добиться хороших результатов и создать что-то умное, поместив это в искусственную среду с такими же нейросетями, которые так же будут конкурировать, общаться, уничтожать и так далее.

Это полноценное двухгодичное исследование, подобных экспериментов направленных именно на развитие нейросетей не было, либо они остались неизвестны.

Возможно, Вы вспомнили об экспериментах на просторах интернета с тем, когда давали список генов существам и также симулировали эволюцию, это были очень полезные исследования, но это не то - они симулировали начальную стадию эволюции. Существа не имели "разума", как такого, это был больше алгоритм на if-ах с настройкой голода, скорости... Подобие первых РНК и ДНК. Но мы - это в первую очередь наш мозг, а это полноценная нейросеть, которая намного более сложная и куда ближе к Deep Learning, чем к обычным алгоритмам из классического IT. Наиболее близкий по идее проект - Bibites. Это реально интересно, однако там не было реализовано цельного механизма памяти и обучения - то, что и является основополагающим фактором развития.

Проект родился из-за желания изучить на что способны эволюционные алгоритмы развития нейросетей в замкнутой системе - удастся ли повторить процесс развития врановых, касаток и людей?

«По индийским меркам зарплата была хорошая». Мукеш Мандал, 26 лет, разработчик из Дели — интеграции Zoho, WhatsApp API, автоматизация. Сейчас убирает снег в Петербурге и объясняет журналисту: «Работать на город лучше, чем на частную компанию».

Почему человек с нормальной IT-карьерой называет муниципальную уборку более осмысленной работой? Ответ — в словах, которые он произносит дальше: «Я — средний. Есть OBC и кастовая система».

Что такое OBC, почему госслужба в Индии престижнее частного сектора, как реформы 1990-х создали новый средний класс — и почему IT-сектор так и не стал кастовым лифтом. Разбираем культурную логику, которая делает выбор Мукеша не падением, а переводом на другой язык.

Доброго времени суток, «Хабр»!

В предыдущей своей статье я рассматривал различные функции потерь - важную часть машинного обучения. Но даже такие функции совершенно беспомощны перед лицом беспорядка. Сегодня мы рассмотрим то, что предшествует любой тренировке - разметку данных.

Как и в предыдущей статье, приведу простенькое сравнение. Если модель - ученик, то разметка данных своего рода учебник, по которому она занимается. При этом создание такого учебника часто оказывается трудоемким, медленным и дорогостоящим этапом всего цикла ML-проекта.

Принимайте стратегические удобное положение, ну а я начинаю свое повествование.

Сегодня забронировать билет на поезд проще и быстрее, чем дождаться чашки кофе в кофейне. Открываешь сайт или приложение, видишь свободные места, пару кликов — и место гарантированно за тобой. Но ещё 60 лет назад всё было иначе. Бумажные журналы, ручной учёт и человеческий фактор легко приводили к ошибкам: одно неверное исправление — и билет получал не тот, кто пришёл первым.

С такой проблемой в 1950–1960-х годах регулярно сталкивались пассажиры и в послевоенной Японии, где железные дороги быстро восстанавливались и пассажиропоток рос куда быстрее, чем возможности ручного бронирования. Чтобы навести порядок, в Japanese National Railways начали разрабатывать принципиально новую для своего времени систему — Multi Access Reservation System, или MARS.

Дальше — история о том, как инженеры пытались автоматизировать хаос, задолго до появления интернета, баз данных и привычных нам онлайн-сервисов.

Цель анализа — оценить логический смысл и научную достоверность этих утверждений:

Всем девчонкам нужен тот, с кем их огонёк не гаснет
Как за каменной стеной, с красной ниткой на запястье
Полный бабочек живот, и сердечко рвёт на части
Ты писала до него семь ошибок в слове «счастье»

Хватит делать заметки, которые пылятся. Пора создать систему, которая действительно думает вместе с вами.

Я перепробовал все системы продуктивности. Базы данных Notion, которые превращались в цифровые кладбища. Доски Miro, которые выглядели впечатляюще, но никогда не помогали мне делать что-либо. Хаос Apple Notes. Всё по полной программе.

А потом что-то щёлкнуло. Я перестал пытаться создать лучшую систему заметок и начал строить кое-что другое: второй мозг, который действительно работает со мной.

Секрет? Сочетание локального, простого текстового формата Obsidian с возможностью Claude Code реально работать с вашими файлами. Не просто искать по ним. Не просто суммировать их. По-настоящему манипулировать, генерировать и улучшать их программно.

Вот система, которую я создал, и как вы можете построить свою.

В данной статье я распишу основные идеи книги Макса Тегмарка. Прошло всего 7 лет и многие идеи изложенные в ней становятся все ближе к реальности. Для некоторых труднопереводимых и конвенциональных для индустрии терминов оставил оригинальные названия в скобках.

Дисклеймер: разрушаем спекулятивные мифы по измерению ума научным методом

Возник тут у меня с коллегой философский спор на тему почему у нас в ИТ так мало девочек и скинул он мне такую картинку по значениям IQ (выше) которая, как я выяснил позже, сильно искажает реальность.

И сказал, вот у нас в айтишечке обычно работают умненькие с IQ выше 110, и посмотри насколько синенький график мальчиков выше красненького графика девочек в зоне дальше чем 110. А я что - меня задело, что этому всему надо верить на слово. И решил провести небольшое исследование.

Ни одна научная теория не вызывает так много неприятия, как теория эволюции. Она контринтуитивна, сложна для понимания, требует обширных знаний в сферах палеонтологии, биохимии и генетики, мы не наблюдаем эволюцию воочию. К тому же идея происхождения человека от животных всё время задевает чьи-то религиозные чувства и унижает достоинство «венца творения». Почему-то никто не оспаривает необходимость изучения в школах теории относительности и квантовой механики, хотя они во многом противоречат здравому смыслу и подрывают некоторые религиозные догматы. Но даже в цивилизованных странах не прекращаются попытки уравнять эволюционизм с креационизмом и преподавать их в школах как альтернативные теории, чтобы учащиеся могли сами выбрать, во что им верить. В условиях плюрализма мнений и свободы слова в СМИ регулярно проводятся дискуссии между дарвинистами и религиозными апологетами на тему происхождения жизни, разнообразия её видов и, в конце концов, происхождения человека. Зачастую креационистская пропаганда звучит громче, чем голоса оппонентов, к тому же в обществе преобладает искажённое представление об эволюции, подкрепляемое стереотипами вроде: «человек произошёл от обезьяны», «в борьбе за выживание побеждает сильнейший», «эволюция ведёт к усложнению» и т.д. Так чем же на самом деле является теория эволюции – основой всей современной биологии или всего лишь переоценённой устаревшей гипотезой?

Чтобы собрать мозаику из кубиков Рубика, достаточно уметь собирать только одну сторону куба. Если у вас в распоряжении оказалось несколько десятков кубиков, вы вполне можете собрать паттерн или целую картину.  

Я создаю мозаики из кубиков Рубика больше шести лет, и в этой статье раскладываю по полочкам, как собираются эти мозаики: простые узоры и пиксельные изображения, картины для музеев, портреты для праздников и соцсетей, гигантские полотна для книги рекордов Гиннесса.

В первой части рассказа о радарах мы поговорили о том как радары появились, а во второй об основах устройства импульсных радаров. И хотя мы еще не выбрались за период Второй Мировой, настала пора наконец поговорить о том как с радарами стали бороться и заодно обсудить следующую ступеньку развития - импульсно-доплеровские радары.