Привет!
Даже не думал что бывший коллега пишет не только код но и рассказы. А недавно у него вышла книга - Медные реки. Рассказы о программистах. Рассказы фантастические, в прямом и переносном смыслах) Прочитал, как говорится, на одном дыхании. Заставляет задуматься о профессии, об ответственности которую мы возлагаем на себя осознано или нет. О выборе который мы делаем ежедневно и о его последствиях.
Читайте, думайте, не пытайтесь повторить это дома!)
Попалась на глаза картинка (https://www.linkedin.com/posts/joshua-mason-8a7bab96_ive-been-thinking-about-this-lately-why-activity-742). Интересная идея, я так или иначе кручу её в голове уже не первый месяц. Несколько соображений на этот счёт.
Сама идея мелькает в НФ-литературе уже не первый год. То, что я могу вспомнить сейчас, - это Вернор Виндж, «Глубина в небе». В этой книге люди, чей мозг был искусственно изменён для решения узких задач (в книге так делали очень плохие люди), вырабатывали свой, никому не понятный язык, специфичный задаче.
В теории, если делаю какую-то большую систему с помощью ИИ-агентов будущего, в каком-то 2035 году, - можно предположить, что сначала ИИ-агент разработает доменно-специфический язык для конкретной задачи, конкретной платформы и т.п. Просто один специальный язык для ИИ-агентов не имеет смысла. Раз уж у нас есть «мозг», который может писать много кода, - пусть он делает язык под задачу. В чём смысл иметь всего один язык?
В целом, в каком-то смысле, какие-то «нечеловеческие» языки уже есть - это разного рода P-код, байткод и т.д. Такое промежуточное звено между машинным кодом и языком, на котором пишет программы человек. Они, конечно, создавались для другого, но вот вопрос - а для чего именно должен быть создан ИИ-язык? См. пункт ниже.
Следующее соображение - если вернуться из великолепного (или не очень, если судить по трендам) 2035-го года в год 2026, то один из важнейших факторов успешности кодирования с помощью ИИ-агентов - это способность человека читать сгенерированный код и исправлять накосяченное. Ну вот ни разу не похоже, что тот код, который ИИ генерирует, можно пускать в продакшн без ревью и правок. Оговорюсь - для сколько-нибудь сложных / больших приложений.
Из этого автоматически следуют следующие качества используемого языка:
Легко читаем человеком, простые вещи делаются просто.
Мало или вообще нет неочевидных сайд-эффектов.
Распространённые вещи, такие как работа с БД или JWT-авторизация запросов, делаются при помощи библиотеки / фреймворка, а не «с нуля».
Из этих пунктов мы легко получаем на выходе тройку языков: Java / C# / TypeScript с фреймворками Spring Boot / NestJS / ASP.NET Core.
Драйвером развития всех трёх были именно пункты выше: легко читается, простые вещи делаются просто, минимизация неочевидных эффектов.
Да, все три не идеальны, но это лучшее, что у нас есть в этой области. Сможет ли ИИ придумать лучше? Точнее - люди для ИИ. В теории - да, но это десятки лет работы. Быстро не получится.
И последнее. ИИ не пишет код «сам», он по факту подбирает похожие кусочки из той базы, на которой он был обучен. Т.е. чтобы ИИ начал писать сколько-то адекватный код на каком-либо языке, ему нужно «скормить» миллионы (скорее всего - много больше) строк кода на этом языке, и писать этот код должен не ИИ.
На самом деле, даже живые программисты обучаются так же. Когда ты берёшь в руки книгу по совершенно незнакомому тебе языку, то первая реакция - «блин, как на этом код-то писать», потом ты начинаешь писать небольшие кусочки, понимаешь, что получается плохо, правишь, смотришь на чужой код, говоришь себе «Ага! Вот как надо!» - и как-то так понемногу двигаешься вперёд.
Подводя итог. В целом, идея специального языка витает в воздухе не первый десяток лет.
Скорее всего, это будут специальные языки под задачу.
Мы пока не там. ИИ-агенты, с одной стороны, заметно ускоряют разработку, но с другой стороны - программирование с помощью ИИ-агентов это гонка на костылях от ямы к яме. Требует очень высокого внимания и навыка со стороны человека.
В текущей ИИ-индустрии всё крутится вокруг обучения, и если нет хорошего датасета для обучения, то результат будет очень грустным. Какие-то опыты по самообучению ведутся, но мы пока не там. Например, Google сделал бота для игры в StarCraft, который обыгрывает большинство противников. Но бот изначально обучался на записях игр реальных людей и делает безумное количество бессмысленных вещей. Где взять датасет для обучения программированию на специальном ИИ-языке - непонятно.
Попалась на глаза картинка. Интересная идея, я так или иначе кручу её в голове уже не первый месяц. Несколько соображений на этот счёт.
Сама идея мелькает в НФ-литературе уже не первый год. То, что я могу вспомнить сейчас, - это Вернор Виндж, «Глубина в небе». В этой книге люди, чей мозг был искусственно изменён для решения узких задач (в книге так делали очень плохие люди), вырабатывали свой, никому не понятный язык, специфичный задаче.
В теории, если делаю какую-то большую систему с помощью ИИ-агентов будущего, в каком-то 2035 году, - можно предположить, что сначала ИИ-агент разработает доменно-специфический язык для конкретной задачи, конкретной платформы и т.п. Просто один специальный язык для ИИ-агентов не имеет смысла. Раз уж у нас есть «мозг», который может писать много кода, - пусть он делает язык под задачу. В чём смысл иметь всего один язык?
В целом, в каком-то смысле, какие-то «нечеловеческие» языки уже есть - это разного рода P-код, байткод и т.д. Такое промежуточное звено между машинным кодом и языком, на котором пишет программы человек. Они, конечно, создавались для другого, но вот вопрос - а для чего именно должен быть создан ИИ-язык? См. пункт ниже.
Следующее соображение - если вернуться из великолепного (или не очень, если судить по трендам) 2035-го года в год 2026, то один из важнейших факторов успешности кодирования с помощью ИИ-агентов - это способность человека читать сгенерированный код и исправлять накосяченное. Ну вот ни разу не похоже, что тот код, который ИИ генерирует, можно пускать в продакшн без ревью и правок. Оговорюсь - для сколько-нибудь сложных / больших приложений.
Из этого автоматически следуют следующие качества используемого языка:
Легко читаем человеком, простые вещи делаются просто.
Мало или вообще нет неочевидных сайд-эффектов.
Распространённые вещи, такие как работа с БД или JWT-авторизация запросов, делаются при помощи библиотеки / фреймворка, а не «с нуля».
Из этих пунктов мы легко получаем на выходе тройку языков: Java / C# / TypeScript с фреймворками Spring Boot / NestJS / ASP.NET Core.
Драйвером развития всех трёх были именно пункты выше: легко читается, простые вещи делаются просто, минимизация неочевидных эффектов.
Да, все три не идеальны, но это лучшее, что у нас есть в этой области. Сможет ли ИИ придумать лучше? Точнее - люди для ИИ. В теории - да, но это десятки лет работы. Быстро не получится.
И последнее. ИИ не пишет код «сам», он по факту подбирает похожие кусочки из той базы, на которой он был обучен. Т.е. чтобы ИИ начал писать сколько-то адекватный код на каком-либо языке, ему нужно «скормить» миллионы (скорее всего - много больше) строк кода на этом языке, и писать этот код должен не ИИ.
На самом деле, даже живые программисты обучаются так же. Когда ты берёшь в руки книгу по совершенно незнакомому тебе языку, то первая реакция - «блин, как на этом код-то писать», потом ты начинаешь писать небольшие кусочки, понимаешь, что получается плохо, правишь, смотришь на чужой код, говоришь себе «Ага! Вот как надо!» - и как-то так понемногу двигаешься вперёд.
Подводя итог. В целом, идея специального языка витает в воздухе не первый десяток лет.
Скорее всего, это будут специальные языки под задачу.
Мы пока не там. ИИ-агенты, с одной стороны, заметно ускоряют разработку, но с другой стороны - программирование с помощью ИИ-агентов это гонка на костылях от ямы к яме. Требует очень высокого внимания и навыка со стороны человека.
В текущей ИИ-индустрии всё крутится вокруг обучения, и если нет хорошего датасета для обучения, то результат будет очень грустным. Какие-то опыты по самообучению ведутся, но мы пока не там. Например, Google сделал бота для игры в StarCraft, который обыгрывает большинство противников. Но бот изначально обучался на записях игр реальных людей и делает безумное количество бессмысленных вещей. Где взять датасет для обучения программированию на специальном ИИ-языке - непонятно.
Редакция МКТУ 2026 года: о чем нужно помнить
В 2026 году начала действовать 13-я редакция МКТУ (Международной классификации товаров и услуг). Разберемся, на что следует обратить внимание при изучении этого документа.
Зачем нужны МКТУ?
Для сферы регистрации товарных знаков — этот документ крайне важен. Заявитель оформляет свой бренд в определенной сфере, оплачивая соответствующие госпошлины. Это означает, что защита товарного знака будет распространяться только на ту сферу, в которой состоялась регистрация. Упоминаемая выше сфера в праве интеллектуальной собственности называется классом МКТУ.
И что конкретно изменилось?
Новая редакция МКТУ — это крайне масштабные корректировки:
Полтысячи изменений и дополнений к заголовкам классов;
Введено более 165 новых терминов. Имеющиеся 254 термина подверглись серьезной модификации.
И всё это читать? Можно ли узнать о самых значительных изменениях побыстрее?
Да. Основная модернизация коснулась:
«очков» и «спасательного транспорта». Первый — переехал в 10-й класс МКТУ, второй — в 12-й («Транспортные средства»). Отметим, что не все очки однозначно относятся к 10 классу. Например, в 9-м — остались технологические устройства, позволяющие создавать дополненную реальность;
«одежда с подогревом» переместилась в 25-й класс МКТУ. Если раньше ее считали «нагревательным прибором», то теперь — окончательно «Одеждой».
Кроме того, нельзя не упомянуть перенос ряда терминов из сборного 9 класса — в 10 и 12 классы.
Так мало корректировок? А мы думали, что будет больше…
Их значительно больше перечисленного. Просто мы акцентируем внимание на самых интересных.
Есть и другие. Например, в 35-м классе появились такие позиции, как «организация подписки на мультимедийный контент для третьих лиц», регистрация передачи прав и многое другое. Из этого же класса удалили — некоторые виды аренды.
41-й класс пополнился позицией организации деловых мероприятий, а также арендой электронных словарей и карманных переводчиков.
Есть и другие изменения. Ознакомиться с ними можно по ссылке.
____________________________________________________________________________
Бесплатный поиск (без регистрации) здесь. А регистрация товарного знака под ключ тут.
Наткнулся на видео https://www.youtube.com/watch?v=wWQ9YdreY9c и не сразу поверил, что в цикле всегда будет твой номер, объяснения из видео мне не хватило)) Для тех, кто не смотрел и не хочет смотреть, кратенько условие:
Имеется n коробок, пронумерованных от 1 до n. Внутри коробок лежат n карточек с теми же номерами от 1 до n, причем в каждой коробке лежит ровно одна карточка, и все номера уникальны. Нужно доказать, что если выбрать коробку с некоторым номером и каждый раз переходить к коробке, номер которой указан на лежащей в ней карточке, то рано или поздно мы найдем карточку с исходным номером.
И немного подумав, я сразу вспомнил про перестановки, и что любая перестановка это композиция циклических перестановок, и вообще большую часть алгебры с первого курса. Ну и само решение крайне простое, попытаюсь его изложить без какой-либо терминологии.
Нужно показать, что невозможно начать с какой-либо коробки i и не вернуться к ней же. Коробок конечное число, поэтому куда-то мы должны вернуться. Предположим, что не к изначальной, номер на ней обозначим за k. Но из этого сразу же следует, что в двух разных коробках лежат одинаковые карточки, потому что коробку, к которой они ведут, мы посетили дважды:
Первый раз, когда открывали коробки от i до k
Второй раз, когда вернулись в нее от коробки k
Получили противоречие, поэтому верно обратное, что все же мы вернемся к той коробке, с которой начинали.
Оффтоп
Приятно иногда так возвращаться к математике, особенно в таких мелочах, навевает прям ностальгию.
Здесь еще могла быть реклама моего тгк, но, увы, его нет и вряд ли будет:( Вместо этого вопрос, а можно ли как-то интересно усложнить задачку?
Web3, блокчейн и геймификация — в новом выпуске ПВЗ
ПВЗ — Почти Всё Знают — наш подкаст о технологиях, которые проникают во все сферы жизни. Его ведут эксперты Ozon Tech: Марина Самойлова, руководитель направления платформы данных, и Виктор Корейша, руководитель направления Managed Services.
Гость нового выпуска — Алексей Авдеев, CTO Mish Design. Алексей объяснил сущность Web3, причины, по которым эта версия не прижилась и потенциал, который может привести к синтезу технологий блокчейна и ИИ.
Также в выпуске: идеология децентрализованных соцсетей, решение скоростных проблем при репликации, уязвимости блокчейнов и тренды геймификации.
Смотрите и слушайте подкаст на любой удобной платформе:
🎞️ YouTube
🎞️ VK Видео
🎧 Аудиоплощадки
Мы достигли точки сингулярности в распознавании ИИ-видео. Теперь люди не лучше подбрасывания монетки распознают видео, созданные искусственным интеллектом.
Самое печальное, что мы теперь даже хуже монетки распознаем ИИ-видео с людьми (говорящие головы), лишь в 46,6% случаев. Это именно те пропагандистские видео, которые вы наблюдаете в своей ленте фейсбук. Для сравнения, точность определения фейков среди пейзажей составляет 54,7%, среди нечеловеческих животных - 51,7%.
Мультимодальность, то бишь видео в сочетании со звуком, немного увеличивает распознаваемость ИИ-видео, но только в случае, если этим звуком является речь на языке, которым респондент свободно владеет. Осведомленность о существовании ИИ-видео никак не влияет на результат, в отличие от возраста. Пожилые люди менее точны в идентификации синтетических медиа, чем молодые, по всем типам медиа.
Данные из исследования: Di Cooke, Abigail Edwards, Sophia Barkoff, Kathryn Kelly. As Good As A Coin Toss: Human detection of AI-generated images, videos, audio, and audiovisual stimuli. DOI: 10.48550/arXiv.2403.16760
Источник: https://www.facebook.com/4everscience
Как отказ от алкоголя и каннабиса делает сны более долгими и яркими?
Многие, кто бросает пить алкоголь или курить каннабис, замечают, что сны внезапно становятся яркими, длинными, насыщенными, а порой превращаются в изматывающие кошмары. Это не просто субъективное ощущение, а вполне себе измеримое физиологическое явление, именуемое в англоязычной литературе как REM-rebound, что переводится как “возврат к фазе быстрого сна”, в фазе, где чаще всего возникают сновидения.
У здоровых взрослых фаза быстрого сна, которую также называют БДГ-фазой (фаза быстрого движения глаз), составляет около 20%-25% от общего времени сна. Она повторяется примерно каждые 90 минут и постепенно увеличивается до пробуждения.
После недосыпа или отмены веществ, подавлявших БДГ-фазу (уменьшение частоты движений глаз и/или продолжительности фазы), сон не просто возвращается к норме. Продолжительность фазы быстро сна может временно превышать обычный уровень, вплоть до 60% от общего времени сна. Яркость сновидений увеличивается еще из-за увеличения плотности БДГ-фазы, то бишь частоты движений глаз внутри этой фазы, быстрые движения глаз — это буквально процесс “рассматривания” визуальных образов во сне. Все это временная компенсаторная реакция организма.
Что подавляет БДГ-фазу:
Некоторые антидепрессанты группы СИОЗс
*C алкоголем интересная и неоднозначная история, возврат к БДГ-фазе может начаться уже через 4 часа после однократного приема этанола, во второй половине сна из-за подавления БДГ-фазы в первой половине сна (седативное действие алкоголя). По мере снижения уровня алкоголя в крови до нуля во второй половине, наблюдается компенсаторное увеличение фазы быстрого сна. У людей же с расстройствами, связанными с употреблением алкоголя, возврат к БДГ-фазе наступает только через несколько дней или даже недель после отказа от алкоголя.
Почему возврат к БДГ-фазе может вызвать кошмары?
Во время фазы быстрого сна лобные области относительно деактивированы, что препятствует регуляции лимбической системы. Таким образом, кошмары могут отражать компенсацию подавленных эмоциональных переживаний, поскольку психологическое бегство во время сна больше невозможно.
Статические поля вместо динамических: новый подход к изучению квантовой динамики с максимальной точностью
Группа исследователей предложила новый протокол для изучения квантовых систем (Hamiltonian learning), который позволяет достичь фундаментального физического предела точности — предела Гейзенберга — используя только простые статические поля, без применения сложного и подверженного ошибкам оборудования.
Исследование предлагает решение одной из главных проблем квантовой инженерии: современные методы настройки систем требуют либо сложной «запутанности» множества кубитов, либо сверхбыстрого управления одним кубитом, что технически крайне сложно реализовать.
Ученные доказали что высокой точности можно добиться, используя простые статические поля (постоянной мощности) на одном кубите. Это делает технологию доступной для внедрения уже сейчас, устраняя необходимость в сложном высокочастотном контроле или многокубитных операциях, и делает высокоточную квантовую метрологию доступной на современном оборудовании.
Проблема и Решение
Чтобы настроить квантовый компьютер или сенсор, инженерам нужно знать его «энергетический паспорт» — гамильтониан. Традиционные методы решения этой задачи напоминали попытку настроить радио во время урагана. У инженеров было два пути, и оба плохие:
Использовать слишком много антенн (многокубитные операции), которые часто ломаются и дают неточные данные из-за сложности запутывания.
Пытаться крутить одну антенну в разные стороны с нечеловеческой скоростью (высокочастотное управление), что технически трудновыполнимо.
Новый алгоритм, предложенный авторами, использует постоянные (статические) поля, что кардинально проще в реализации. Главная «фишка» метода: вместо суеты — спокойствие. Протокол использует постоянное, стабильное воздействие на кубит. При этом доказана его устойчивость к ошибкам подготовки состояния и измерения (так называемая SPAM-устойчивость). В итоге достигается точность предела Гейзенберга — теоретический максимум, возможный в физике.
Практическое применение: Где это пригодится?
Квантовая сенсорика и навигация
Метод найдет применение в магнитометрах на основе NV-центров в алмазе для навигации в условиях отсутствия спутникового сигнала:
Навигация под водой: Подводные лодки смогут ориентироваться без GPS.
Навигация под землей: Поиск нефти и руды, а также мониторинг вулканической активности станут точнее и доступнее.
Медицина и Биология
Диагностика мозга: Магнитоэнцефалография (MEG) нового поколения позволит создавать легкие шлемы, работающие при комнатной температуре. Это поможет в выявлении эпилепсии и деменции на ранних стадиях.
Квантовая МРТ: Появится возможность визуализации структуры отдельных молекул и белков, что критически важно для создания новых лекарств.
Квантовые вычисления, компьютеры и симуляции
Протокол будет использоваться для калибровки квантовых процессоров и борьбы с системным шумом, что приведет к удешевлению и упрощению настройки квантовых чипов.
Анализ и Перспективы
Новый метод обладает рядом неоспоримых преимуществ:
Простота реализации и внедрения на текущем «железе».
Высочайшая теоретическая точность (достижение предела Гейзенберга).
Устойчивость к шуму (SPAM-устойчивость).
Однако существуют и ограничения: метод требует высокой точности и стабильности самих статических магнитных полей — они должны быть действительно стабильными. Кроме того, применимость пока ограничена определенными классами систем, хотя этот класс достаточно широк.
В перспективе это исследование переводит квантовую метрологию из разряда сложнейших экспериментов в практическую плоскость. Это шаг от теоретической квантовой физики к инженерной квантовой сенсорике — переход от экспериментов в лабораториях к созданию приборов, которые можно вынести «в поле».
Про сингулярность
Есть концепция AI-сингулярности. Конкретно это выглядит так. Человечество изобретает AI, тот начинает совершенствовать себя, становится умнее и так по кругу, пока AI не становится с человеческой точки зрения бесконечно умным, открывает недоступные нам законы физики (возможно, скорее всего), и наступает сингулярность: развитие цивилизации в ее текущем виде заканчивается, и либо мы все бесконечно процветаем, либо страдаем и умираем ((С) «У меня нет рта, но я должен кричать»), либо третья опция — когда мы страдаем, но AI убеждает нас, что это и есть процветание, либо мы вообще ничего (почти) не замечаем — вариант «Матрицы» (тут может оказаться, что сингулярность уже наступила, несколько раз, и мы строим N+1-ю сингулярность в мире N-й сингулярности).
Давайте рассмотрим ключевые моменты.
(1) Машины должны быть в состоянии самостоятельно совершенствовать software и hardware части самих себя. Так, чипы уже десятки лет проектируются при помощи какого-то софта, но тут мы говорим именно о AI, способном проектировать работающие чипы end-to-end (в принципе не обязательно производить - производить могут людишки, железные андроиды будут производить чипы или мясные - не важно). Должен ли это быть прям AGI, способный сочинять поэмы, принимать сложные этические решения и снимать кино, - не обязательно. Это может быть очень узко специализированный искусственный разум, заточенный под конкретные задачи.
(2) Этот искусственный разум должен быть достаточно умен. Т.е. если человечество построит искусственный интеллект, эквивалентный человеку с IQ 100, это будет, безусловно, грандиозная ачивка. AI сможет стоять на кассе в «Пятёрочке», принимать новые законы и заседать в советах директоров крупных компаний. Но вот созданию нового, более производительного железа или нового софта он не поможет, пожалуй, никак. Т.е. есть какой-то пороговый эквивалент IQ (EIQ), который нужен, чтобы сингулярность случилась.
Я думаю, что крупные разработчики чипов уже собрали в своих лабораториях большие команды очень умных людей и AI, и для того, чтобы сингулярность произошла, AI придется соревноваться с лучшими из лучших инженеров. Даже если AI будет по интеллекту как просто хороший инженер, это будет большим преимуществом - можно будет быстро загружать в кремниевый мозг громадные массивы знаний и быстро масштабироваться: «склонируйте мне еще 1000 вот этих крутых цифровых чуваков - подождите 30 минут, пока копируются данные». Это очень круто, и это радикально изменит существующий мир. Но сингулярность это не приблизит.
Т.е. для того, чтобы процесс пошел лавинообразно, AI должен как минимум сравняться с условным Андреем Карпатый, тогда его можно будет размножить на 10 000 клонов и прыгнуть вверх. Т.е. сингулярность наступит не тогда, когда мы получим AGI, а тогда, когда мы сделаем его умнее некоторого порогового значения.
(3) AGI должен быть не супердорогим. Давайте представим, что мы построили AI по интеллекту, равный Эйнштейну, но он занимает площадь 1 квадратный километр, стоит несколько десятков миллиардов баксов и питается собственной атомной станцией. Это все еще очень круто. Но построить 1000 таких AGI у нас не получится быстро. Сколько в мире атомных станций? Около 440 реакторов / энергоблоков на 2026 год.
Что дает нам, скажем, сотню Эйнштейнов по цене суммарного госдолга США - что, конечно, очень круто и рано или поздно действительно приведет нас к сингулярности. Но давайте предположим, что AGI разработал чип, который на 10% быстрее / лучше, чем существующий. Сам разработал - 10% это очень крутой прирост. Как быстро будут заменены чипы на этом самом квадратном километре серверов? И сколько это будет стоить? Т.е. прогресс в такой ситуации, конечно, будет, но будет он совсем не лавинообразным.
Интересный вопрос тут - не является ли наш естесвенный интеллект порогово возможным для существующих физических законов? Вдруг существующий человеческий мозг это тупо лучшее что вселенная может нам дать?
Напряжения в ΛCDM: инвентаризация без алармизма
На arXiv вышла обзорная работа arXiv:2501.00609 Элеоноры Ди Валентино под названием «Трещины в стандартной космологической модели: аномалии, противоречия и намеки на новую физику» (Cracks in the Standard Cosmological Model: Anomalies, Tensions, and Hints of New Physics), посвящённая согласованности наблюдательных данных в рамках стандартной космологической модели 
. Несмотря на громкое название, на деле это литературный обзор (11 страниц текста с обилием ссылок на источники, ещё 21 страница – библиография), который методично разбирает, насколько различные астрофизические и космологические наборы данных вообще совместимы при их одновременной подгонке.
Эта работа Элеоноры Ди Валентино – не самый захватывающий материал, но полезный для тех, кто хочет понимать, в каком состоянии сегодня находится стандартная космология. Она не предлагает новых результатов или теоретических моделей, сосредотачиваясь на инвентаризации текущего состояния наблюдений и их интерпретаций.
В центре внимания – уже известные, но всё ещё не закрытые напряжения: расхождения по постоянной Хаббла между локальными измерениями и экстраполяцией по данным 
, параметр кластеризации и слабое линзирование, аномалия линзирования , космологические ограничения на массу нейтрино в сравнении с лабораторными данными, а также параметрические расширения стандартной модели (в частности, связанные с ослаблением допущений о тёмной энергии) и возникающие при этом вырождения параметров
Ключевое наблюдение состоит в том, что многие «решения» одной проблемы ухудшают согласие с другими данными. Это не просто статистические флуктуации – речь идёт о структурной несовместимости подпространств параметров в рамках единой подгонки. Автор оригинальной работы не утверждают, что «сломалась». Вместо этого он акцентирует внутреннюю несогласованность: разные наблюдательные каналы предпочитают разные значения одних и тех же параметров.
Ди Валентино подчёркивает роль систематики, априорных предположений и модельных допущений. Особое внимание уделено оптической глубине 
, которая измерена только одним экспериментом (Planck low-ℓ EE) на уровне, близком к шуму, но входит как мультипликативный фактор подавления амплитуд во всём высоко-ℓ участке спектра мощности , включая область силковского (диффузионного) затухания.
Из заключения статьи:
Модель
Главный вывод заключается в том, что прецизионная космология имеет смысл только в том случае, если лежащие в ее основе данные внутренне согласованы и надежны. В противном случае существует риск ошибочного принятия артефактов за открытия, что превратит точность в ложное чувство уверенности. По мере совершенствования космологических измерений крайне важно, чтобы данные говорили сами за себя, даже если это потребует пересмотра давних предположений и методологий, прежде чем утверждать, что мы можем измерять Вселенную на процентном уровне.
Похоже, что сегодня космология сталкивается не столько с нехваткой данных, сколько с вопросом, насколько согласованно мы умеем их читать.
Ссылка: https://arxiv.org/abs/2501.00609
Дорогие читатели и подписчики нашего блога! Дорогие хабровчане!
2025-й год на Хабре мы провели вместе, и это был очень интересный и приятный опыт — 280 тысяч просмотров и 1000 комментариев, которые мы получили за эти 12 месяцев говорят, что интересно было не только нам, но и вам. Да, может быть цифры не самые большие, если сравнивать с другими корпоративными блогами — но для нашей маленькой отважной редакции это очень приятно и вдохновляюще!
Большая часть просмотров и комментариев происходит из нескольких самых популярных наших материалов: про то, что нейросети не являются ИИ; про миф о квантовых компьютерах; про кризис найма в IT отрасли (в двух частях) и поздней, почти под елочку, аналитики про суперботнет AISURU.
Хотя вам нравилось читать и другие материалы: про писателей-киберпанков Уильяма Гибсона и Брюса Стерлинга, или про историю северокорейских хакеров Lazarus.
Были в этом году и тексты, которые по нашим ожиданиям должны были вас заинтересовать, но не встретили большого внимания: например, история SETI, (довольно дикий) рассказ о первом кейсе Ransomware, или подробнейшая иллюстрированная история демосцены. Советуем заглянуть в эти материалы.
Любой текст в корпоративном блоге, не будем спорить с очевидным, это всегда компромисс между личным интересом и желанием сделать популярный материал.
Поэтому, чтобы лучше понимать, что нравится нашей аудитории, мы спрашиваем совета у вас же: что вам было интересно и неинтересно читать у нас в 2025 году? И о чем бы вы хотели прочесть в 2026-м? Ну и вообще можете писать в комментариях все, что лежит на душе.
С наступающим, будьте защищены, и пусть все будет хорошо.
Редактор блога Олег Антипов и команда DDoS-Guard
🚀 Роскосмос сообщает, что ракета «Союз» на старте, и 52 аппарата скоро отправятся на орбиту. Среди них и наш аппарат.
🛰 Пуск 28-го декабря, не переключайтесь.
Фото: Роскосмос (с)
Теория о поколениях на практике
«Зумеры ленивы, не хотят работать и уходят с обеда навсегда» — знакомые жалобы? Автор копает архивы и показывает: точно такие же претензии были к миллениалам («эгоисты без трудовой этики»), поколению X («бездельники MTV») и даже бэби-бумерам в 60-х.
Каждое поколение мнит себя жертвой, а стереотипы — нестареющая классика. Текст для тимлидов, HR и всех, кто устал от стереотипов — с историей, цитатами, опросами и мнениями из разных исследований и СМИ.
Читайте тут «Про душные истории о «зумерах» и претензиях к ним»
Факториалы и субфакториалы. Разбираемся с ними вместе с экспертами ИТ-компании «Криптонит».
Когда человек первый раз встречает восклицательный знак в математических записях, он обычно удивляется. Это выглядит, словно цены на распродаже: 50! 80! 100!
На самом деле запись вида n! называется факториал и означает произведение всех натуральных чисел от 1 до n. Например: 5! = 5 × 4 × 3 × 2 × 1 = 120.
Идея факториала встречалась ещё в Древней Индии, а современное обозначение n! ввёл французский математик Кристиан Крамп в 1808 году.
Функция вычисления факториала есть во многих математических библиотеках. Она применяется, в частности, при анализе алгоритмов сортировки для определения верхней границы их сложности.
В общем случае факториал n! показывает количество всех возможных перестановок ИЗ n элементов. Например, из трёх элементов [A, B, C] всего может быть 6 перестановок: ABC, ACB, BAC, BCA, CAB, CBA, т.е. 3! = 6.
Дальнейшее развитие идеи привело к появлению субфакториала.
Он обозначается !n и показывает число перестановок n элементов, в которых ни один элемент не остаётся на своём месте.
Для тех же трёх элементов [A, B, C] субфакториал записывается как !3 и равен двум, поскольку возможны только две комбинации, в которых каждый элемент меняет своё положение: [B, C, A] и [С, A, B].
Факториалы и субфакториалы используются в разных разделах математики.
В комбинаторике они выражают количество перестановок, в теории чисел их изучают в контексте делимости, в теории вероятностей — для подсчёта элементарных исходов.
Рассматриваем генетический код через призму машинного в новом выпуске ПВЗ
ПВЗ — подкаст команды Ozon Tech, в котором мы говорим о технологиях. На этот раз — о генной инженерии.
У микрофона ведущие Марина Самойлова, руководитель направления платформы данных, и Виктор Корейша, руководитель направления Managed Services. Гость выпуска: учёный-нейробиолог Владимир Алипов.
Разобрали, действительно ли у человека и бактерии один и тот же генетический код, возможности и этичность его редактирования. Узнали, с какой биг датой работают учёные и смогут ли они сделать человека умнее.
🎞️ Смотрите выпуск на YouTube или в VK Видео
🎧 Слушайте в аудиоформате
Индия вывела в космос гигантский спутник AST SpaceMobile с крупнейшей антенной для прямой связи со смартфонами.
24 декабря 2025 года индийская ракета LVM3 с космодрома имени Сатиша Дхавана успешно запустила BlueBird 6 - первый спутник нового поколения американской AST SpaceMobile. Это не просто спутник, а "космическая базовая станция" с рекордной антенной 223 м², способной обеспечивать broadband-интернет напрямую на обычные смартфоны. Запуск стал прорывом для direct-to-cell технологий и укрепил позиции Индии в коммерческом космосе.
Ключевые характеристики миссии:
Масса спутника: ~6.5 т (рекорд для LVM3).
Орбита: ~521 км.
Антенна: Развёрнутая фазированная решетка ~223 м² - крупнейшая коммерческая в на низкоразмещенных орбитах (в 3.5 раза больше предыдущих BlueBird 1-5).
Возможности: До 120 Мбит/с, поддержка 4G/5G, голос, данные, видео без наземных вышек.
Что это значит для рынка:
AST SpaceMobile переходит к масштабированию: план - 45–60 спутников к 2026, запуски каждые 1–2 месяца (с SpaceX, Blue Origin, ISRO).
Конкуренция со Starlink: AST на данное время единственный серьёзный соперник в broadband direct-to-cell. Партнёры: AT&T, Verizon и >50 операторов глобально.
Проблемы проекта: Задержки графика, потенциальные помехи астрономам от ярких антенн.
Заключение: Это шаг к устранению цифрового разрыва — связь везде, где есть небо, но пока не известно будет ли действовать на пост-советском пространстве. Индия в очередной раз подтвердила статус надёжного launch-провайдера, а AST приблизила эру "космического мобильного интернета".
Источники:
Официальная страница ISRO в Инстаграм* с информацией о запуске: LVM3-M6 / BlueBird Block-2 Mission.
Информация о самом спутнике
Пресс-релиз AST SpaceMobile о самом запуске от 23 декабря 2025.
*Instagram принадлежит компании Meta и признана экстремистской и запрещённой на территории РФ
В фильме «Дьявол носит Prada» есть несколько конфликтов, которые можно разобрать с помощью «Тучи» (Теории ограничений).
Пример «Тучи» для главной героини — Энди Сакс
1. Цель (Общая миссия) - «Стать успешной в карьере и сохранить личную жизнь»
2. Требование А - «Работать на Миранду Пристли (строить карьеру в модной индустрии)»
3. Требование Б- «Поддерживать отношения с близкими (парнем, друзьями, семьёй)»
4. Конфликт - Если Энди полностью посвятит себя работе → потеряет личные отношения.
Если Энди будет уделять время личной жизни → не справится с требованиями Миранды и упустит карьерные возможности.
5. Скрытые убеждения (предположения)
«Успех в карьере требует полного отказа от личной жизни».
«Работа в глянцевом журнале — это только тяжелая эксплуатация, а не путь к успеху».
«Если я не буду соответствовать ожиданиям Миранды, я провалюсь».
В фильме Энди сначала жертвует личной жизнью, но потом осознаёт, что карьера в таком формате её не устраивает. Это классический пример неразрешённого конфликта, который привёл к эмоциональному кризису.
Если бы она использовала «Тучу», то могла бы найти решение, которое сохраняет и карьеру, и отношения.
В Теории ограничений (ТОС, Theory of Constraints — TOC), разработанной Элияху Голдраттом, есть инструмент для решения конфликтов - Туча - диаграмма конфликта, которая помогает выявить скрытые предположения (почему мы считаем, что конфликт неизбежен?) и найти объединяющее решение. Структура "Тучи
Она состоит из 5 элементов, связанных логическими стрелками:
1. Цель (Общая миссия) – чего хочет достичь система (компания, человек).
2. Желание 1 (Требование А) – один из способов достичь цели.
3. Желание 2 (Требование Б) – другой способ достичь цели, который противоречит первому.
4. Конфликт (Проблема) – почему эти два желания не могут быть выполнены одновременно.
Таким образом конфликт визуализируется и начинается поиск решения, которое удовлетворяет оба желания.Туча помогает не просто увидеть конфликт, но и найти корень проблемы и прийти к прорывному решению (когда оба желания удовлетворены), а не к компромиссу (когда по сути не удовлетворяется ни одно).
Такие решения возможны, если:
Отказаться от «или-или» мышления.
Искать интересы всех сторон
Использовать дополнительные ресурсы (которые есть всегда).
5. Предположения (Скрытые убеждения) – глубинные причины конфликта, которые мешают найти решение.
Суть Теории ограничений — ломать ложные дилеммы!
Вселенная данных: Владимир Сурдин о том, когда цифровой мир встречается с космосом
В новом эпизоде подкаста «Почти всё знают» в гостях у Марины Самойловой и Виктора Корейши астроном Владимир Сурдин.
Поговорили с Владимиром Георгиевичем о том, как учёные собирают, хранят и анализируют космические данные. Спойлер: телескопы видят только часть неба, а Вселенная вовсе не такая, какой мы её представляем.
Какая она на самом деле — узнаете из этого выпуска. А ещё:
– какие компьютеры используют астрономы,
– что сегодня — самая большая проблема для астрономии,
– как учёные спасают Землю от астероидов и какой робот сможет отправиться на поиски жизни на других планетах.
Приятного просмотра!