Все потоки

В первой части этой статьи мы рассмотрели две теории, дающие ключ к пониманию механизмов абиогенеза: конструкторскую теорию жизни Кьяры Марлетто и теорию диссипативной адаптации Джереми Ингланда. Одна из них объясняет, как возможны репликация, самовоспроизводство и дарвиновская эволюция без «тонко настроенных» на появление жизни законов физики, а вторая показывает, что при определённых условиях неравновесные термодинамические процессы делают самоорганизацию и жизнь более вероятными, чем их отсутствие. Но это слишком абстрактные модели, объясняющие существование не только биологической жизни в известной нам форме, но и вообще любых самовоспроизводящихся машин. А каковы практические достижения науки в деле искусственного создания жизни в лаборатории? Насколько мы близки к пониманию химического механизма получения устойчивого репликатора? Как появился генетический код и система производства белков? Существует только один способ создания жизни, или их много? Тема сложная, а я не биохимик, чтобы рассматривать абиогенез в мельчайших деталях, поэтому ограничусь схематическим нарративом: перечислением основных этапов абиогенеза, необходимых для этого компонентов, условий среды и химических процессов. Заодно опровергнем ещё несколько креационистских мифов и составим портрет нашего последнего универсального предка.

Вы правда думаете, что можно построить эффективные процессы теми же людьми, которые их уже сломали? Или надеетесь, что ещё один фреймворк магическим образом их починит поведение?

Тогда, стоит напомнить, что магия вне Хогвардса запрещена 🙃

Я регулярно вижу одно и то же: в компанию вливаются бюджеты, заходят дорогие и не очень консультанты, рисуются красивые схемы (но, чаще некрасивые). Процессы переписываются. Люди — нет.

Процессы делают те же люди. С тем же уровнем мышления. С теми же ограничениями. Менять процессы, не меняясь самим — любимый корпоративный фетиш. Результат предсказуем: те же паттерны, те же решения, тот же «лебедь, рак и щука», только с новыми названиями.

Раньше можно было приписать «Agile», и добавить x100 к стоимости, сейчас лучше выбрать «AI». Хе‑хе.

Штат раздувается. Роли множатся. Ответственность размывается. Это как поменять море на океан, но продолжать плыть с дыркой в лодке.

Самое неприятное: вы ещё и платите за это 🙂

Начиная с середины прошлого века компьютеры тихой сапой стали постепенно становиться незаменимой частью технологий наиболее развитых стран. Естественно, во многом этому способствовала Вторая мировая. Для военных изделий нужно было много чего рассчитывать, причем, максимально быстро - кто не успел, тот проиграл!

На входе в техническую зону установлен дашборд, который в реальном времени показывает работу геотермальной системы. Этот экран появился не как декоративный медиаконтент, а как решение на конкретной задачи: посетители видели оборудование за прозрачной стеной, но не понимали, как устроен процесс и что именно происходит внутри системы. В этой статье покажу, как я проектировала дашборд, который связал физическую инженерную установку и её визуальное восприятие.

Всем привет!

Меня зовут Прокопович Наталья, я руковожу направлением зарплатной аналитики в Сбере и работаю на стыке HR, данных и бизнеса. Также являюсь амбассадором исследовательских подходов в people analytics. Еще преподаю в МГИМО и пишу о том, как превращать данные в практические решения для бизнеса. Сегодня поговорим о базе вопросах, с которыми к нам приходят.

Многие современные компании напоминают адептов карго-культа: они возводят алтари из BI-систем, приносят в жертву миллионы на сбор метрик и рисуют дашборды, надеясь, что боги эффективности ниспошлют им правильные решения. В целом, компании продолжают принимать катастрофические решения не потому, что у них «мало данных», а потому, что они используют аналитику как «одеяло безопасности», пытаясь легитимизировать интуицию руководства вместо того, чтобы заниматься реальным исследованием.

Как раз HR-аналитика - это не отчеты. Это процесс принятия качественных управленческих решений.

В основе практически любой аналитической неудачи лежит «плохой вопрос». Если вы неправильно определили проблему на старте, никакие нейросети и продвинутая статистика не спасут ваш бюджет, который вы потратили.

Ошибка №0: Почему математика не спасет плохой вопрос

В методологии доказательного менеджмента (Evidence-Based Management) аналитика - это строгая цепочка. Но, вопреки линейным представлениям новичков, это итеративный процесс с внутренними циклами:

Взглянув чуть более внимательно на изготовление электронных ламп — нехитрых в сущности приборов, с прискорбием выясняется неутешительное — нагрев и пониженное давление превращают привычные, казалось бы, надёжные и незыблемые материалы, натурально, в предателей и прохвостов, так и норовящих подложить свинью и испортить лампу [1]. И только последовательная тщательная и большая подготовительная с ними работа и длительное маринование электровакуумных приборов (ЭВП) на откачном посту заставляет внутренние металлы, стекло, слюду ламп держаться приличий. Если подготовка и очистка, дело неизбежное, то длительную (иногда до суток и более!) откачку ламп на громоздком, сложном, дорогом и энергоёмком оборудовании позволил фантастически сократить некрупный специальный элемент внутри колбы прибора — газопоглотитель, иначе — геттер.

Являясь местным миниатюрным одноразовым высоковакуумным насосом, он поглощает остатки газов, сокращая откачку массовых радиоламп вплоть до единиц минут (!), поддерживает рабочий вакуум при натеканиях и небольшом газовыделении во время работы прибора. Первые немудрёные газопоглотители [2] уже позволили громадно ускорить и удешевить раннее электровакуумное производство, развившись же до распыления некоторых активных металлов [3], способ стал стандартом для массовых ламп, особенно когда на сцене появился барий — металл, умеющий связывать все оставшиеся в колбе газы (кроме инертных), работающий в течение всего времени жизни лампы. Рассмотрим, какие бывают варианты газопоглотителей на основе Ba, как они работают, каковы их манеры и особенности.

В каждой профессии есть ритуал инициации, о котором не принято говорить вслух. У хирургов — первая ночная смена с тяжёлым пациентом. У пилотов — посадка вслепую на тренажёре. У багхантеров и пентестеров есть Карлос. Да, тот самый Carlos, чей пароль или токен вы будете выгрызать из экзаменационного приложения PortSwigger, пока где-то на фоне тикает таймер, а Burp Collaborator хранит гробовое молчание.

Меня зовут Султан. Первая попытка, два часа — экзамен сдан.

Я знаю, о чём вы подумали: сдать BSCP с первого раза удаётся очень немногим, даже опытным специалистам. Так почему у меня получилось? Ответ — в методологии.

Я не буду рассказывать о вещах, которые и так известны абсолютному большинству. Раскрывать все уязвимости из экзамена смысла нет: существует около сотни различных комбинаций, запомнить их все невозможно.

В публикации предлагается формальная математическая модель, связывающая накопленный Cost of Delay C(t) и остаточный Expected Monetary Value EMV(t) как взаимно обратные (комплементарные) функции относительно исходной ценности V₀. Показано, что для всех пяти канонических профилей CoD по Д. Райнертсену (Urgency, Fixed Date, Intangible, Expedite, S-curve) точка пересечения кривых CoD и EMV всегда лежит на уровне V₀/2, а отличается только скорость её достижения. Этот результат даёт руководителю проекта универсальный индикатор break-even задержки и основу для количественной приоритизации портфеля задач по WSJF/CD3.

Нейросети уже давно научились имитировать стиль известных художников. Стоит всего лишь написать в промте имена вроде Ван Гога или Ренуара — и получаешь картину в характерной технике. Разумеется любитель искусства или, тем более, профессионального искусствоведа такие работы раскусит моментально. Нейросети часто ошибаются в деталях: в костюмах определённой эпохи вдруг появляются современные элементы, в натюрморте может появиться продукт, которого при жизни художника просто не существовало, искажаются перспектива и текстуры.

Но ведь существует абстрактное искусство — где нет очевидных элементов, которые тут же выдают цифровое происхождение. И тогда возникает вопрос: сможет ли нейросеть создать такую абстрактную картину, что даже опытный знаток будет в сомнении — сделала ли её рука человека или алгоритм? И, что не менее интересно, как это объективно проверить? Опросы и тесты работают, но требуют большого числа респондентов и серьёзной статистики. Для небольших экспериментов больше подходят числовые характеристики, которые можно подсчитать и сравнить.

Вот тут на помощь приходит нейроэстетика — наука, которая пытается объяснить, что мы считаем красивым или гармоничным не через философские размышления, а анализируя сенсорные реакции мозга и измеримые параметры изображений. В случае с абстрактными картинами ключевые параметры — это фрактальная размерность, мультифрактальный спектр, энтропия и анизотропность.

Фрактальная размерность — мера того, насколько пространство заполнено сложной структурой. Например, линия — это размерность 1, полностью закрашенное полотно — размерность 2, а абстрактные «узоры» — что-то между ними.

Студенты попросили нормальный онлайн-доступ к оценкам и расписанию. В колледже уже была 1С:Колледж ПРОФ, но без удобного веб-интерфейса для студентов. Я сделал личный кабинет на Next.js, где браузер работает с моим сервером, а сервер — с 1С через HTTP-сервисы. Рассказываю, как устроил авторизацию, журнал, расписание, заказ справок и что оказалось самым сложным на стыке 1С и JSON.

После своих статей в стиле киберпсих и хайпохабр на темы роботизации и ИИ я убедилась, фанатеющих становится всё меньше, а напряжённых – больше. Признаюсь, я ждала тут 80% поклонников всей этой футуристичной «машИИны» и была готова спорить с ними, но комментарии быстро показали обратное. Мы успели затронуть последние циклы борьбы антибиотиков с мутирующими бактериями, конец человека как биологического вида и даже болезненную элитарность тех, кто в нынешней ИИ-гонке уже мысленно записал себя в касту избранных.

За две статьи меня успели оклеветать: копирайтером, который вылез из тени своего спеца и ИИшкой:

Всем привет! Храню 7 терабайт фото и видео у себя дома на Synology DS224+ с DSM 7.3+

Это сетевое хранилище поддерживает Docker. Я дополнительно установил плашку памяти и теперь у меня 18 ГБ ОЗУ.

Но суть в том, что ночами я слышу "булькание" и "шуршание" дисков, кстати диски красные, прямо созданные под сетевые хранилища: WD120EFBX-68B0EN0 две штуки по 12 ТБ с зеркалированием.

И у меня возник такой страх, а что если мои файлы что-то форматирует, а я просто лежу и не знаю об этом. И я начал поиски репозиториев на GitHub, посмотрел как делают другие, мне как обычно ничего не подошло и я решил создать свой проект, который полностью меня устраивает.

Выложил проект в репозиторий

В IEEE Spectrum на днях показали ролик с гуманоидом Digit от Agility Robotics, который танцует неожиданно легко и уверенно. Компания объясняет это не постановкой каждого шага отдельно, как это делали раньше, а новым циклом обучения: движения собирают из данных захвата движений, анимации и телеуправления, после чего навык докручивают в симуляции и переносят на реального робота. А значит, теперь гуманоидов можно заметно быстрее обучать новым движениям.

Привет, Хабр! Если вы читаете мои дайджесты, то знаете, что обычно я пишу о развитии проекта far2l — порта Far Manager под Linux, macOS и BSD. Но сегодня случай особый. На прошлых выходных я обещал вам рассказать про f4 — написанный с нуля клон far2l на языке Go.

Сегодня состоялся релиз первой публичной альфа-версии 0.1.1-alpha. В этой статье я расскажу, как я пришел к идее переписать легендарный файловый менеджер, почему выбрал Go, как в этом помогли нейросети и почему современному консольному приложению не обязательно страдать от «наследия предков».

Infrastructure as Code научила нас важной дисциплине: инфраструктура не должна жить только в голове. Ресурсы, настройки и изменения надо описывать, хранить в Git, применять повторяемо и обсуждать как код.

Это все еще правильная мысль. Terraform хорошо описывает ресурсы. Ansible хорошо описывает действия. CI/CD хорошо описывает путь изменения от репозитория до рабочей среды. Мониторинг хорошо ловит симптомы.

Но когда в эксплуатацию входит ИИ-агент, появляется новый вопрос: что агент должен понимать перед действием?

Не какую команду выполнить. Не какой ресурс создать. Не какой playbook применить. А именно понимать: куда он попал, что здесь считается правдой, что уже проверено, что только предполагается, какие решения нельзя повторять, какие секреты нельзя читать, что обязательно записать после изменения.

Я называю этот слой AgentOps.

Это не замена всем старым практикам. Это слой над ними. Если инфраструктура теперь обслуживается агентом, ей нужна не только автоматизация, но и контекст, рассчитанный на агента.

Итак, вы обучили модель и она показывает ожидаемые результаты. Теперь осталось выкатить её на контур, однако для этого необходим ряд компонентов: нужна маршрутизация трафика, непосредственно инференс. Желателен autoscaling модели, передача чувствительных данных, например креды до хранилища моделей. Ну и мониторинг не помешал бы.

Каждый компонент - это отдельный Helm-чарт, отдельные CRD и отдельная документация. В итоге, вместо быстрого тестирования модели и гипотез, приходится заниматься YAML-инжинирингом и громко ругаться благим матом.

Всем привет, на связи Пётр, инженер компании Nixys. В этой статье я покажу, как собрать полноценный inference-контур из пяти Kubernetes-операторов в одном values.yaml размером в 120 строк, используя nxs-universal-chart.

Привет! Я Софа, ведущий b2e дизайнер в Perfomance Lab, и я считаю, что внутренние продукты недооценены, а процесс их создания в корне отличается от b2c/b2b.

Сегодня речь пойдёт про последнее упомянутое решение — PWA-конструктор, который помогает нашим медиабаерам проверять свои гипотезы быстрее и создавать более 20 приложений каждый день. Я расскажу, зачем мы начали его делать и с какими сложностями столкнулись.

Свежая CVE-2026-31431 только набирает обороты, и тут я хочу показать, почему это не совсем обычная LPE.

Copy Fail как примитив Process Injection через Page Cache

Оригинальный PoC модифицирует setuid binary перед execve и получает root.
Второй публичный PoC подменяет id у текущего юзера на 0000.

Хорошие, рабочие LPE, дающие рута.

Но исследуя дополнительные свойства этого примитива я обнаружил несколько эффектов, не описанных в оригинальном disclosure.

Как найти реальные адреса регистров, если документация не помогает. В статье разбираю реальный инженерный кейс: прибор отвечает, но в регистрах нули. Показываю, как через анализ трафика (опрос-ответ) найти нужные данные.

Настольное приложение, которое превращает AI-агентов в сотрудников изометрического офиса. Один взгляд — и видно, кто работает, кто думает, а кто зашёл на кухню за кофе. Это пет-проект, сделанный для фана: эксперимент с визуализацией работы нескольких AI-агентов одновременно, без коммерческих амбиций и без планов превращать его в продукт.