Один из нарративов, который часто транслируется в различных формах — что ИИ закрывает вход в профессию программиста: компании якобы перестали нанимать джунов, потому что задачи начального уровня теперь дешевле отдать большим языковым моделям. На Хабре как раз вышла статья, где объясняется отчёт за авторством Stanford Digital Economy Lab.
Автор статьи пересказывает суть отчёта: на рынке происходят сдвиги в найме молодых специалистов после 2023 года, и прежде всего в ролях с высокой долей рутинных, воспроизводимых процедур. В качестве объяснения предлагается различие между «явными» знаниями, которые БЯМ воспроизводят хорошо, и «неявными» компетенциями, присущими более опытным сотрудникам. Утверждается, что поэтому компании реже берут джунов, не сокращая мидлов и сеньоров, что деформирует привычную карьерную лестницу.
При всём уважении к личности автора хочется вынести собственный комментарий из пространства под этой статьёй в отдельную публикацию для раздела «Посты». Сразу предупреждаю, что отчёт американский, поэтому обсуждать будем заокеанские биопроблемы.
Большинство подобных прогнозов удобным для себя образом умалчивают: кончился период вливания денег в экономику во время глобальной пандемии коронавируса. Три года назад денег было навалом, на работу брали любого человека с пульсом, сейчас лафа кончилась. Изобретать всемогущий ИИ для объяснения не приходится, если есть фискальная политика Федрезерва США.
Дополнительно это умножается на эффект того, что образовательные институты наконец-то нарожали достаточно молодых специалистов с корочками computer science, как это годами и умоляли сделать в индустрии. И вот тут они как раз невовремя — девать вагоны этих джунов теперь некуда.
И упаси вас господь наглядно показать, что по сей момент число работников в крупных технологических компаниях раза в полтора выше, чем до пандемии. Посмотрите, в «Гугле» образца 2024 года работает в полтора раза больше человек, чем было в 2019.
И кстати, что же случилось в 2013 году? (Реструктуризация Motorola и масштабные чистки в Motorola Mobility). Неужто никакой ИИ не нужен для массовых увольнений, а сокращения штата могут быть продиктованы экономикой и банальными интересами бизнеса?
Нарратив «это я, а этого автоматизируем» уже не удовлетворяет ситуации. Дарио Амодей заявил, что через 6 месяцев 90 % кода будет писать ИИ. Сделал он в марте этого года. Вот уже сентябрь — и языковые модели разве что щупают потолок своих возможностей, но не пробивают его.
Одна из последних надежд США обойти Китай экономически — это надежда на всемогущий ИИ. Отказываться от вливаний в ИИ нельзя ни под каким соусом. Поэтому новый подсознательный нарратив гласит, что пострадают в первую очередь джуны, а потом и вам достанется.
Это ведь научная деятельность так выглядит: мы изобретаем красивые сказки, и чья звучит лучше, в ту и верим. Если непонятно, то говорю прямым текстом: меня эти выводы из чьих-то отчётов про незанятых джунов не устраивают абсолютно. В очередной раз попытка придумать красивое объяснение и истолковать статистику объяснениями про ИИ, а не общими экономическими условиями. Эффект от больших языковых моделей может и есть, но почему все аккуратно молчат про макроэкономическую ситуацию в целом?
Есть объяснение куда лучше: общее уменьшение всех экономических показателей везде и непредсказуемая деятельность человека на посту президента США. Выбранный нами на Госуслугах Трамп то вводит какие-то новые огромные таможенные сборы, то убирает; то заявляет об их исключительно экономической природе, то внезапно начинает тарифами играть в геополитику; то чуть ли не бросается в пляс, то прямо сейчас не появляется на публике.
Политическая непредсказуемость — поцелуй смерти для любой стабильной экономической деятельности. Ненайм джунов — прямое следствие нестабильности в экономической политике США. Нет абсолютно ничего удивительного в том, что в такой штормоопасной ситуации американские технологические компании не спешат нанимать молодых разработчиков. Это не ИИ, а экономика.
История одного изобретателя: в 57 лет пошёл в магистратуру, чтобы запатентовать ИИ-экосистему
Ну что ж, обещанная мной статья не прошла песочницу, так что выложу часть в виде поста. Спасибо минусовщикам и равнодушным – дай бог вам всем здоровья, добрые люди!
Итак, ещё раз: меня зовут Фёдор Марьясов. Я студент и… независимый изобретатель. Эта история не про быстрые деньги, а про идеи и защиту интеллектуального актива, который может принести большую пользу стране и человечеству. История про то, как одиночка, не имеющий на старте ничего, отчаянно пытается победить систему и прорваться за горизонт.
Очередной раз став студентом, за последние полгода я разработал и подал в Роспатент более 30 патентных заявок. Некоторые из них имеют фундаментальный, прорывной характер. И это не отдельные изобретения, а целостная ИИ-экосистема для развития человеческого потенциала.
Одно из ядер — принципиально новый подход к адаптивному обучению: система, которая понимает когнитивное состояние человека (усталость, концентрацию) и подстраивает под него весь учебный процесс. Но это лишь первая область применения. Заложенные методы универсальны и формируют фундамент для аналогичных систем в других областях: когнитивная инженерия, управление персоналом, предотвращение выгорания, технологии для медицины будущего (долголетие, омоложение) и пр. По сути, я патентую архитектуру для нового поколения адаптивных человеко-машинных систем. И сейчас приступил к патентованию третьего своего портфеля заявок, содержащего идеи, которые кажутся откровенно фантастическими. Но они вполне реализуемы уже сегодня.
Это не просто слова. Первая заявка из портфеля «Система адаптивного обучения» уже прошла экспертизу и стала патентом RU 2843494 C1. Вторая, ещё более мощная, флагманская, успешно прошла патентный поиск и находится на финальной стадии регистрации. Второй портфель заявок носит говорящее название: «Оракул». Это уже не просто адаптивные, а проактивные человеко-машинные системы, которые можно применять в самых разных сферах. Третий, над которым работаю сейчас, носит ещё более говорящее название – «Ангел-Хранитель». Заявки из второго и третьего патентных портфелей – это завтрашний день человечества, фантастика, выходящая за понимание среднестатистического обывателя. Но они все реальны, подтверждаются либо научными исследованиями, либо накопленным опытом человечества - некоторые имеют колоссальный коммерческий потенциал. Прекрасно понимаю, что эти слова могут вызвать улыбку и недоверие у профессионала либо критично мыслящего человека - но это так. То, что я не сумасшедший, может подтвердить мой научный руководитель.
А теперь то, ради чего я пришёл на Хабр. Вся эта архитектура будущего оказалась под угрозой. Каждая из 30+ заявок требует оплаты государственных пошлин. Поскольку я одиночка, из-за отсутствия внешнего финансирования уже не справляюсь и рискую потерять права на ключевые части экосистемы. Несколько заявок уже «подвисли», но я продолжаю подавать новые, несмотря ни на что.
Пришлось запустить публичную кампанию «Архитекторы Будущего», чтобы найти единомышленников и защитить этот интеллектуальный актив. Честно говоря, пока дела идут неважно. Я не прошу инвестиций — это задача следующего этапа, когда начнётся процедура международного патентования и выход на стартапы. Пока же я предлагаю стать частью движения, стать «архитекторами будущего». Собранные средства пойдут исключительно на оплату патентных пошлин. Вся информация, философия и история изложены на сайте-манифесте проекта.
Если Хабр даст возможность публиковать статьи, то по мере прохождения моими заявками экспертизы по существу - смогу рассказать много любопытного, полезного и интересного. А нет – так нет. Буду пробиваться своими силами дальше. Кому интересно - найдут информацию самостоятельно.
Спасибо за ваше внимание, всем добра!
Can a Machine Think?
Пару дней назад я нашёл свою первую публично опубликованную статью, которую написал более 5 лет назад
Через 2 года после того, как OpenAI выпустили документ "Improving Language Understanding by Generative Pre-Training" — то, что можно считать основой GPT-1
Тогда рассуждения об ИИ, с которым можно качественно общаться, воспринимались как что то далекое. Похоже на то, о чем рассуждал ещё Алан Тьюринг
А Siri и Google Assistant были вершиной публично доступных чат-ботов
Но прошло 5 лет, и ИИ агенты это уже данность. Они спокойно проходят не только тесты Тьюринга, но и вообще любые тесты
Но есть одна проблема...
Мы уперлись в стену
GPT-5 показывает фундаментальное ограничение GPT моделей — мы близки к исчерпанию всех оцифрованных человеческих знаний, которые нужны моделям на стадии предобучения
Можно улучшать модели через мелкие улучшения изнутри, увеличивать reasoning tokens за счет роста вычислительных мощностей и структур сетей, но от этого подобные модели не перестанут быть next token prediction
Если привести аналогию, то модель "пытается познать мир", находясь внутри библиотеки. Но насколько большую библиотеку ты не создавай, по настоящему познавать мир через нее у модели не получится
Для познания мира мы, люди, используем совершенно другой механизм — любопытство.
И это — наше главное эволюционное преимущество, которое привело нас туда, где мы есть
В чём разница между пересказом и пониманием?
«Откуда мы знаем, что существуют чёрные дыры, квазары, взрываются сверхновые и образовываются всевозможные химические элементы, из которых состоит наше тело и Земля? Ведь это невообразимо далеко и невероятно сложно»
«Мы это знаем благодаря телескопам и измерительным устройствам» — это плохое объяснение«Мы знаем, что существуют конкретные законы физики, мы проверили эти законы много раз, мы получили много информации о том, что эти законы соблюдаются и на Земле и за миллиарды километров, поэтому мы с хорошей точностью знаем что происходит при взрыве сверхновой» — это хорошее объяснение
Объяснения — это самый базовый элемент, который позволяет человечеству создавать новые знания
Которые создаются только таким способом
— Выдвинуть гипотезу — догадаться/предположить, что что-то устроено определённым образом
— Сделать действия — проверить гипотезу экспериментами
— Обработать данные — получить обратную связь от мира
— Сделать выводы — выбросить гипотезу, принять или доработатьА затем ждать лучшего объяснения
И да, это стандартный продуктовый подход через HADI циклы
И именно этот процесс привёл к созданию всего знания, всех инструментов в мире
Другого процесса создания знания не существует
Библиотека vs Лаборатория
Мы посадили ИИ в библиотеку, а ему нужна лаборатория
Текущие модели — отличные библиотекари. Они идеально пересказывают существующие знания, комбинируют их и даже делают инсайты на основе прочитанного
Но если мы хотим настоящий AGI, то он должен стать учёным. Он должен создавать новые знания
Bottle Neck человечества для создания знаний
На планете менее 1% людей в определённый момент времени занимаются созданием знаний на границе неизвестного
Мы ограничены количеством мозгов и рук, которые способны выдвинуть гипотезу, проверить ее и сделать выводы
Вот где настоящее бутылочное горлышко роста знаний — не в данных, а в количестве мозгов и рук, способных выдвинуть и проверить гипотезу.
Путь к сингулярности
Для создания AGI нам нужно научить ИИ
Выдвигать гипотезы
Проверять их экспериментально
Делать выводы и, в идеале, делиться ими
Для этого ему понадобится доступ к нашему миру через сенсоры. И развитие робототехники — необходимый шаг
AGI = Модель + HADI циклы + Реальный мир
После того, как мы научим ИИ проходить HADI циклы, мы войдём в эру сингулярности знаний
Рост знаний будет ограничен только вычислительными мощностями, а не количеством любопытных людей на планете.
Вместо 1% человечества, которые генерируют знания, нам нужно будет создать ИИ-ученых, работающих 24/7
Это и будет состояние мира, близкого к настоящей сингулярности
При чтении раздела постов Хабра моё внимание привлекла публикация, где автор размышлял про опечатки в промптах. Хочется вынести пару собственных мыслей из комментария в отдельный пост.
Да, слова разбиваются на токены. В токенизаторе обычно много слов английского языка, слабее представлены уже остальные западноевропейские. Некоторые языки — например русский — у многих моделей выражены как соответствие одного токена на одну букву. В любом случае, кажется, что если изменить одну букву в слове, то всё сломается, и качество ответов катастрофически упадёт, поскольку искомый токен (или их последовательность) не получится.
На деле не всё так плохо. Без каких-либо особых усилий языковые модели легко выдерживают небольшое число опечаток в промпте и не снижают качество ответов (arXiv:2407.08989). Конечно, не последнюю роль играет, в каких словах сделана опечатка (arXiv:2411.05345).
Сейчас доступ к моделям с reasoning кое-где дают даже бесплатно. Такие чат-боты не пытаются быстренько ответить, а могут несколько секунд, пару минут или хоть чертверть часа размышлять над ответом, самостоятельно искать дополнительную информацию в Интернете и вызывать другие внешние инструменты. Если заглянуть внутрь, то обычно один из первых шагов размышлений — это перефразирование пользовательского запроса. Модель говорит сама себе: «Пользователь хочет X». Из ещё одной статьи известно, что простое перефразирование пользовательского запроса повышает качество ответов (arXiv:2309.10687).
Но это всё скучные исследования. Практическая демонстрация: возможно получить хороший внятный ответ хоть на запрос вида «Rgw suddwewbxw vwrqwwb X, E%1 cwxreia>». В примере ниже ChatGPT 5 Thinking сама догадывается, что пальцы пользователя соскочили на одну клавишу влево.
На самом деле этот пример я додумал из подсмотренного на подреддите /r/OpenAI. Три недели назад реддитор mimic751 показал, что ChatGPT без размышлений ответил на вопрос с огромным числом опечаток — у пользователя пальцы не попадали по клавиатуре и нажимали на кнопки рядом с нужными буквами. При этом в отличие от моего примера это был не строгий шифр, а мешанина из примерно десятка правильных нажатий с двумя десятками опечаток.
Как видно, опечатки в промптах нежелательны, но языковые модели из-за своей статистической натуры прощают очень многое.
Здравствуйте, Хабр!
Меня зовут Фёдор Марьясов, и я рад присоединиться к сообществу.
Сейчас я работаю над, возможно, главным проектом своей жизни — завершением и защитой патентного портфеля из 30+ заявок, описывающего целостную ИИ-экосистему для проактивного управления состоянием человека.
Это архитектура для нового поколения адаптивных систем в EdTech, HR-Tech и медицине долголетия.
Первый патент уже получен. В данный момент я готовлю большую статью для Хабра, где расскажу свою нетипичную историю: как я, бывший журналист, в 57 лет поступил в магистратуру, чтобы превратить видение в технологию, и с какими вызовами столкнулся на этом пути.
Буду рад видеть вас среди читателей.
Японец Хадзиме Миура занял первое место в дисциплине «фристайл с двумя йо-йо» на чемпионате World Yo-Yo Contest 2025. Это уже восьмой титул Миура.
Лаборатория солнечной астрономии ИКИ РАН сообщила, что 17 августа в 12:03 по московскому времени с нашей планетой сблизится астероид размером около 50 метров.
Астероид 2025 PM диаметром 50 метров пройдёт по расчётам на расстоянии около одного диаметра лунной орбиты от Земли. Благодаря необычно близкому сближению с планетой, небесное тело входит в число потенциально опасных астероидов. В целом, к этой категории относят тела, сближающиеся с Землёй на расстояние ближе 10 диаметров лунных орбит.
Этот астероид является одним из наиболее крупных, приближавшихся за последнее время к Земле на расстояние ближе миллиона километров. Пролёт тела большего размера на сравнимом расстоянии, ожидается в этом году ещё лишь однажды, в конце сентября.
Астероид 2025 PM был обнаружен только 1 августа этого года, около 2 недель назад. Объект не проявляет кометных свойств и, скорее всего, представляет собой каменную глыбу без следов летучих веществ, но, в целом, крайне плохо изучен. Камень относится к группе Аполлонов, то есть околоземных астероидов, чьи орбиты пересекают земную орбиту с внешней стороны. Период обращения объекта вокруг Солнца составляет чуть больше 2 лет.
Шахматы, кроссворды, велосипеды... — почему то, что считалось пороком, становится нашей добродетелью?
Многие занятия, которые сегодня мы считаем приятными и полезными для тела и ума, ещё недавно воспринимались как пустая трата времени, а порой — как вредные привычки, способные довести до безумия или даже вызвать проблемы со здоровьем.
Сейчас мы гордимся увлечением осознанным спортом, шахматными партиями или разгадыванием кроссвордов в приложении. А всего сто лет назад эти хобби считались опасными для здоровья, морали и психики: игроков в шахматы обвиняли в безумии, ролики называли антицерковным грехом, а любителей кроссвордов — угрозой трудовой дисциплине.
Если вам интересно, как меняется картинка мира и почему мода на умные развлечения чаще всего рождается вопреки запретам и предрассудкам — читайте нашу статью «Добродетели, которые раньше считались пороками» на Хабре.
Правда ли, что взрослые болеют ветрянкой тяжелее? Увы, да. Я инфекционист docmed Ирина Сливинская, и коротко расскажу про последствия ветряной оспы и случаях, когда нужно прививаться
Ветряная оспа (ВО) — заболевание, вызываемое вирусом герпеса 3 типа Varicella Zoster. Однажды попав в организм, вирус поселяется в нервных ганглиях и остаётся там навсегда
В течение жизни вирус может активироваться и проявиться в виде опоясывающего лишая. Спровоцировать это могут:
- стресс
- перенесённое ОРВИ
- избыток солнечного облучения
- ослабление иммунитета — например, при беременности
Вот почему вакцинация от ветряной оспы так важна
Как передаётся ветрянка?
воздушно-капельным путём
контактным путём — при соприкосновении с высыпаниями до стадии образования корочек
Заболевший становится заразным за 48 часов до появления первых высыпаний и остаётся таковым до превращения всех элементов сыпи в корочки
Как болеют взрослые?
Наверняка вы слышали, что взрослые болеют ветрянкой тяжелее — это правда. Ветрянка у взрослых проявляется:
недомоганием, общей слабостью, головной болью, ломотой в мышцах и суставах
повышением температуры — у взрослых чаще наблюдается подъём до высоких цифр
высыпаниями на теле: сначала — покраснение, затем — плотные бугорки, позже — пузырьки с прозрачной жидкостью
увеличением и болезненностью лимфатических узлов — чаще затылочных и заднешейных при высыпаниях на голове
Возможные осложнения при тяжёлом течении:
бактериальная инфекция и нагноение высыпаний
миокардит — поражение сердечной мышцы
пневмония
гепатит — поражение печени
энцефалит — поражение головного мозга
Как диагностируют ветрянку?
Для постановки диагноза врачу часто достаточно осмотра — высыпания и симптомы типичны. Дополнительно можно:
определить ДНК вируса в крови
определить антитела Ig M к Varicella Zoster
Лечение — только по назначению врача
Когда нужна вакцинация?
💉 вы не болели (или нет точных сведений)
💉 не вакцинировались
💉 если вы не помните, что болели, можно сдать анализ крови на антитела Ig G к Varicella Zoster. И если они не выявлены — прививаться
Unitree Robotics представила видео с передвижением по пересечённой местности робота-пса A2 Stellar Explorer. Робот весом 37 кг может преодолевать до 20 км и непрерывно идти до пяти часов без подзарядки и без нагрузки.
A2 может нести до 25 кг груза, в статичном положении может выдержать до 100 кг. При полной нагрузке он может непрерывно идти три часа, преодолевая за это время 12,5 км. Максимальная скорость A2 — пять метров в секунду. По словам разработчиков, робот может работать при температурах от -20°C до 55°C. Он оснащён HD‑камерой и широкоугольным лидаром для сканирования окружающей среды.
Летний челлендж от Практикума
Лето — время не только для учёбы, но и для того, чтобы перевести дух. Особенно если ощущаете, что постоянный онлайн выматывает. Мы это прекрасно понимаем, поэтому придумали 10-дневный челлендж, который поможет поразмышлять о своих цифровых привычках и параллельно подтянуть английский.
С 21 по 30 июля — каждый день новый квиз с интересными заданиями. Будем разбирать триггеры и узнавать, что вносит в вашу жизнь постоянный поток уведомлений и ярких экранов.
Заодно учим английский: пополняем лексику по теме, прокачиваем аудирование, чтение и письмо — прямо в контексте диджитал-детокса.
Выполните задания — получите промокод на скидку и возможность выиграть 8 бесплатных занятий.
Переходите по ссылке и присоединяйтесь к нашему летнему челленджу.
20 мая на конференции Google I/O холдинг Alphabet представил модель генерации видеороликов Veo 3. Этот продукт создаёт небольшие клипы. Казалось бы, подобные решения уже существовали до этого — взять тот же Sora от OpenAI. Важное отличие заключается в том, что Veo 3 выдаёт не просто какой-то видеоряд, а снабжает его нужной аудиодорожкой. Эпоха немого нейросетевого кино кончилась; наступила эра звука.
Что ещё более важно, модель Veo 3 быстро вышла практически в общий, пусть и платный доступ, сейчас есть даже API. Если сравнивать с Sora, то OpenAI своим продуктом изначально делилась лишь с неким узким кругом киноделов и лишь через почти 10 месяцев (объявление о продукте 15 февраля 2024 года, релиз 9 декабря) добавила модель в подписки ChatGPT Plus и Pro. API у Sora нет до сих пор.
Veo 3 немедленно захватила умы любителей вбивать в генеративные модели какой-нибудь глупый промпт, а потом делиться невозможным и несбыточным. В таких образцах сразу очевидно, что видеоролик сгенерировала нейросеть. Это мог быть личный видеоблог от говорящей гориллы, к примеру. На самом деле такое быстро наскучивает.
Известный исследователь искусственного интеллекта Итан Моллик пошёл от обратного и попытался изобразить обыденное. У себя в микроблоге Моллик показал несколько забавных клипов от Veo 3, где изображена постановка театра самодеятельности. Итан даже приводит полный промпт, который он вбивал в модель: [название игры] as a community theater production.
Во врезке ниже склеены несколько его примеров. Игры в порядке их следования: Grand Theft Auto, Pokemon, Mario Kart, «Ведьмак-3», Stardew Valley, «Тетрис», Mortal Kombat, The Sims и Death Stranding. Затем идёт клип от промпта pokemon as a community theater production, ash throws a pokeball and pikachu jumps out of it (Эш бросает покебол, из него выпрыгивает Пикачу). Видео заканчивается примерами генерации, где вместо [название игры] стояли Kirby, Portal, Mario, Pacman, Sonic и Minecraft.
Любопытно, что эти примеры поражают куда сильнее любых пасущихся в саванне вязаных слонов или разъезжающих на бегемоте пенсионерок. Хотя часты грубые ошибки генерации (пропадания объектов и их появление из ниоткуда) и мелкие огрехи (в костюме крипера женщина, а говорит она мужским голосом), часто невозможно отличить происходящее от съёмки реального кружка самодеятельности. Модель будто понимает физические ограничения самостоятельно пошитых костюмов и цветного картона, а на лицах актёров читается любительская игра.
В комментариях предложили другие игры: Doom, Rimworld, Silent Hill, Half-Life и Grim Fandango. Сам Моллик придумал показать закулисье этих драмкружков и записать речь о подобном театре.
Ближайшие события
Марта Шкрета — одна из авторов научной статьи «Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts» (arXiv:2503.02819). В работе описывается применение корректоров Фейнмана — Каца, теоретически выверенной процедуры коррекции траекторий в уже обученных диффузионных моделях, позволяющей генерировать выборки точно из новой, заданной пользователем плотности, а не полагаться на эвристическое смешение скоров.
Статья получила приглашение на International Conference on Machine Learning этого, 2025 года. В рамках конференции ICML в числе прочих форматов проводятся постерные доклады в выставочном зале. В данном формате в отведённый слот времени авторы прикрепляют плакаты одного из типовых размеров (рекомендуется до 182 см в длину) и общаются с любым подошедшим участником. По сути, это сотни одновременных мини-презентаций для тех, кого не посчитали достаточно интересным для большого доклада.
При всей сложности научной работы Шкреты и её соавторов команда подошла к оформлению своего постера с юмором. Авторы воспользовались созвучием сокращения англоязычного написания «Feynman — Kac formula» и названия сети ресторанов быстрого питания KFC. У себя в микроблоге Марта выложила фотографию постера. Заметно, как дизайн постера повторяет шрифты и прочие элементы оформления ресторанов с курятиной, а текст обильно снабжён разнообразными отсылками к еде и её приготовлению.
Есть два вида веры в силу науки.
Первый, наиболее распространённый, заключается в том, что наука настолько крута, настолько многого достигла, что в целом все законы природы уже открыты и требуют лишь незначительных уточнений.
Второй и, увы, более редкий, заключается в том, что наука настолько крута, что она способна совершить открытия, которые могут полностью перевернуть современные устоявшиеся представления.
К первому типу относился, например, Альберт Майкельсон, сказавший:
Наиболее важные фундаментальные законы и факты физической науки уже открыты, и они настолько твердо установлены, что возможность их изменения в результате новых открытий крайне маловероятна… Наши будущие открытия должны быть ограничены поиском шестого знака после запятой.
Обычно эту цитату приписывают Уильяму Томсону, лорду Кельвину, однако это не так. Хотя он тоже высказывался в похожем ключе: в физике осталось всего два "облачка", которые мешают считать физику "завершённой".
Альберт Майкельсон впервые сделал своё высказывание в 1896, затем повторил в 1903. Просто напомню, что в 1903 году:
не было теории относительности, даже специальной;
не было квантовой механики;
не было представления о других галактиках, наша галактика считалась всей Вселенной;
единственной известной элементарной частицей был электрон.
Прошло больше века, но людей, думающих как Альберт Майкельсон, становится только больше.
Астрофотограф по имени Карл рассказал. что потратил всего $20 в магазине хозтоваров и полностью преобразил резкость своих астрофотографий.
В небольшом видео он показал три простых самодельных мода для астрофотографии, которые могут значительно улучшить снимки глубокого космоса без лишних трат, включая маску Бахтинова, напечатанную на 3D-принтере и флокирование трубы телескопа фетровыми полосками. Эти простые усовершенствования телескопа стоят меньше, чем один окуляр, но дают результаты, сравнимые с профессиональным оборудованием для астрофотографии.
В декабре 2024 года солнечный зонд Parker НАСА вошёл в историю, максимально приблизившись к Солнцу, и мы наконец-то можем увидеть некоторые из полученных им снимков. Космическое агентство опубликовало покадровую съёмку наблюдений, сделанных с помощью широкоугольного сканера Parker Wide-Field Imager for Solar Probe (WISPR) во время прохождения зонда через солнечную корону (внешнюю атмосферу) 25 декабря 2024 года, что позволяет детально рассмотреть поведение солнечного ветра вскоре после его выхода. Зонд сделал эти снимки, находясь всего в 6,5 миллионах километров от поверхности Солнца. Для наглядности, в видеоролике НАСА поясняется: «Если бы Земля и Солнце находились на расстоянии одного фута (30 см) друг от друга, зонд Parker Solar Probe находился бы примерно в полудюйме (1,3 см) от Солнца».
Когда в 1977 году с Земли стартовали межзвёздные зонды «Вояджер-1» и «Вояджер-2», инженеры NASA понимали, что им предстоит передавать научные данные с расстояний в миллиарды километров. Для защиты от ошибок, вызванных космическими помехами, в бортовые компьютеры изначально были заложены бинарные коды Голея (23,12,7).
Этот код — совершенный линейный блоковый код, способный исправлять до 3 ошибок в каждом 23-битном блоке, построенном из 12 бит данных и 11 бит избыточности. Таким образом, каждое исходное сообщение удваивалось по объёму — накладные расходы составляли 100%. Это было приемлемо для первых этапов миссии, например, при передаче изображений с Юпитера и Сатурна, где помехи были серьёзной проблемой, а расстояние до Земли — ещё не максимальное.
Однако по мере удаления аппаратов от Сатурна и ослабления сигнала стало ясно, что эффективность системы кодирования необходимо пересмотреть. Тогда на борт было дистанционно загружено обновление с реализацией кодов Рида–Соломона — более совершенного метода коррекции ошибок, основанного на конечных полях GF(2^m), работающего с символами, а не битами.
К примеру, код RS(255,223) добавляет 32 символа избыточности к 223 символам полезной информации и способен исправлять до 16 ошибочных символов. В отличие от кодов Голея, здесь накладные расходы составляют около 14–20%, в зависимости от параметров, но при этом значительно выше надёжность: частота ошибок снизилась с 5 на 100 000 бит до 1 на миллион.
Этот переход стал ключевым для долговечности миссии. Он позволил «Вояджерам» продолжать передачу научных данных из-за пределов гелиосферы.
Всё это и много другое — ТГ «Математика не для всех»
Взгляд на философию со стороны разочарованного технаря ТГ "Философия не для всех"
Зачем говорить с китами?
Закончилась моя вахта в экспедиции по мониторингу морских млекопитающих у Кольского полуострова.
В этих водах наблюдения никогда не проводились на постоянной основе. У ученых нет понимания, сколько животных там появляется и как они мигрируют. Яркое напоминание о том, как мало мы о них знаем. Всю поездку я читал переведенную с помощью Gemini книгу How To Speak Whale, вышедшую в 2022 году. Она не дает четкого ответа на вопрос «как говорить с китами», скорее объясняет, почему стоит попробовать. Однако, за три года, прошедшие с печати, этой задачей занимались в Google в партнерстве с The Wild Dolphin Project и Технологическим институтом Джорджии. В апреле они представили проект DolphinGemma.
DolphinGemma — нейросеть, вдохновленная архитектурой больших языковых моделей, но работающая со звуком. Ее обучили на записях одной группы дельфинов с Багам. С 1985 года команда WDP документирует их жизнь, взаимодействия и вокализации.
DolphinGemma работает как аудиопроцессор: анализирует последовательности естественных звуков дельфинов, выявляет закономерности и структуры, а затем прогнозирует вероятные следующие звуки в последовательности. Примерно так же большие языковые модели предсказывают следующее слово в предложении.
В медиа ее сразу окрестили «переводчиком с дельфиньего». Однако большинство серьезных исследователей морских млекопитающих, включая Куницу, относятся к этой идее скептически: полноценного языка у морских млекопитающих может и не быть. DolphinGemma — не переводчик, а аналитический инструмент.
Как это работает
Модель прослушивает, какие звуки дельфины издают один за другим, и выявляет устойчивые паттерны. Например, если после звуков A и B чаще всего следует звук C — это может быть отдельный сигнал A-B-C. Тогда исследователи возвращаются к видео и смотрят, что в такие моменты делали дельфины. Допустим, в 80% случаев они играли — значит, можно предположить, что это типичная игровая вокализация.
Главная фишка в том, что модель находит такие закономерности в терабайтах данных намного быстрее, чем это сделал бы человек, годами прослушивая записи. С ее помощью можно обнаруживать неизвестные звуковые паттерны, которые могли ускользнуть от человеческого внимания, а затем попытаться найти их связь с действиями дельфинов.
Эксперимент с двусторонней коммуникацией
В то же время у DolphinGemma есть и другая функция — генерация звуков. Она может создавать сигналы, похожие на дельфиньи — а значит, животным будет проще их воспроизвести. Исследователи планируют применить их в экспериментах.
Логика такая: люди создают искусственные свисты для конкретных предметов — шарфов, водорослей, игрушек. Они ныряют, воспроизводят синтетические звуки и демонстративно обмениваются предметами между собой — так, чтобы дельфины это видели и поняли правила игры: звук = предмет.
Надежда на то, что любопытные дельфины начнут имитировать эти звуки, когда захотят получить конкретный предмет. Специальный носимый компьютер на базе смартфона Pixel в реальном времени распознает, какой именно звук имитирует дельфин, и через подводные наушники сообщит исследователю: «Дельфин просит шарф». Исследователь даст ему шарф, закрепляя связь звук-предмет.
Это не язык, скорее простая сигнальная система, как у людей и собак, но если животные научатся ею пользоваться — это скажет многое об их разуме.
Хотите знать больше? Подписывайтесь на меня в Telegram.
Тайные битвы на фронтах ИБ: DLP против стеганографии
Почему стеганография у производителей DLP‑систем была нелюбимой падчерицей? Как совершенствуются СЗИ из-за изменения структуры утечек в компаниях и прокачки навыков злоумышленников? Какие встречаются приемы по сокрытию конфиденциальных файлов?
В нашей новой статье ведущий кейс‑аналитик InfoWatch Эликс Смирнов рассказывает об истории и методах стеганографии, а также о том, как DLP-системы детектируют скрытую информацию.