Neuroscience — August 2026

5 августа - Международный день светофора.

Нейроньюз

Обещала вам большой Денежный промт, благодаря которому я когда-то заработала свои первые 1,5 млн🙏🏼 история тут ❤️🫶🏼

Пользуйтесь во благо🩷

Шаг 1: Предварительно загружаем полную историю своей жизни со всеми подробностями и этапами, начиная с рождения в память своей нейронки: можно любую, но лучше - claude на пк (рекомендую использовать голосовую надиктовку)

Шаг 2: Вставляем в чат следующий промт, дополнив его вашими ответами. Все что выделено капсом, заменить при необходимости на вашу сферу или удалить, если сферы нет. Важно: ответы должны быть очень подробные, копайте вплоть до своего детства. Чем больше вы дадите информации, тем более достоверными будут ваши результаты.

Промт: Задача: исходя из моих навыков, ресурсов, вводных данных и целей, сгенерировать 100+ идея для моих новых проектов и видов заработка (ОСНОВАНЫХ НА ЛИЧНОМ БРЕНДЕ И ВНЕ ЕГО). Но 10 самых подходящих выдели и распиши почему именно они. Подойди к вопросу очень широко, не ограничивай себя в фантазии, придумай много и очевидных и нетривиальных идей для моих будущих проектов и способов заработка. Ориентируйся на опыт других БЛОГЕРОВ И ПРЕДПРИНИМАТЕЛЕЙ, НЕ РАССМАТРИВАЙ ОФФЛАЙН-БИЗНЕСЫ И ПРОИЗВОДСТВА ФИЗИЧЕСКИХ ТОВАРОВ

• От чего я больше всего кайфую (большой список) • Какие у меня есть ресурсы (все, что только придет в голову) • Что я действительно хорошо умею делать (даже самые небольшие навыки) • Мои карьерные цели на этот год (накопить/укрепить имеющееся...) • Положительный опыт заработка • Негативный опыт заработка, который повторять не хочу

Курение — это активность одного нейрона в мозге

Его можно «выключить», как и тягу к сладкому, мучному, страхи или фобии

Например, удаётся быстро похудеть, снижая аппетит без чувства голода, курить без зависимости от никотина или спать всего 2–3 часа без усталости. Такой эффект дают практики «настройки сознания» от канала @В теме

Всего 10 минут в неделю — и вы быстро приведёте себя в форму, избавитесь от вредных привычек, страхов, негативных установок и тревожности 🧠✨

Психология Отношений

🚨 Бывший агент ФБР украл почти $1 млн и попросил ChatGPT помочь сбежать в Европу

В США разгорается громкий скандал. По версии следствия, бывший сотрудник ФБР перевел себе почти $925 тысяч с криптокошельков, доступ к которым получил во время расследования.

Перед арестом он консультировался с ChatGPT, спрашивая, как переехать в Европу с миллионом долларов и где лучше начать новую жизнь.

ИИ предложил ему Португалию, а следователи нашли билеты, документы для оформления ВНЖ и даже планы заняться виноделием. Правда, вместо новой жизни бывший агент получил уголовное дело.

🫠 Как считаете, виноват ли здесь ИИ?

❤️ — Нет, решения принимает человек 🤓 — Да, такие советы не стоило давать

✨ Веб-платформа | 🤖 Канал Нейрон | 🧠 Бот Нейрон | 🧪 Нейрон Lab

🚨 Бывший агент ФБР украл почти $1 млн и попросил ChatGPT помочь сбежать в Европу

В США разгорается громкий скандал. По версии следствия, бывший сотрудник ФБР перевел себе почти $925 тысяч с криптокошельков, доступ к которым получил во время расследования.

Перед арестом он консультировался с ChatGPT, спрашивая, как переехать в Европу с миллионом долларов и где лучше начать новую жизнь.

ИИ предложил ему Португалию, а следователи нашли билеты, документы для оформления ВНЖ и даже планы заняться виноделием. Правда, вместо новой жизни бывший агент получил уголовное дело.

🫠 Как считаете, виноват ли здесь ИИ?

❤️ — Нет, решения принимает человек 🤓 — Да, такие советы не стоило давать

✨ Веб-платформа | 🤖 Канал Нейрон | 🧠 Бот Нейрон | 🧪 Нейрон Lab

"Всех ИТшников заменит ИИ" (с) Так же влияние ИИ на найм в ИТ-компании:

Пояснение: Тут ребята с одной джобборды посмотрели динамику числа вакансий разных ИТ-компаний (от бигтеха до стартапов), наложили получившийся график на даты выхода самых заметных нейронок. И получили интересную картину - несмотря на то, что в сравнении с постковидным бумом, мы сейчас живём в сильно просевшем рынке, нейронки на найм повлияли примерно никак...

🎁Gift Charts 2.0 (ну почти) Прошло больше года с момента запуска приложения. И за это время я понял одну вещь: когда ты делаешь первый проект практически без опыта (еще и в основном с помощью нейронки тех времен), рано или поздно наступает момент, когда проще…

Продолжение. Начало тут.

2/2 ⠀ Про первое мне мало что есть сказать: я ознакомилась и с материалами экологов, и с мнением, что это все — перенос ответственности с больших корпораций на отдельных пользователей, которых легко завиноватить и невротизировать. Своего мнения по вопросам AI и экологии у меня нет. Я стараюсь по возможности отправлять запросы в гугл, а не в нейросеть, но и он в последнее время отвечает через нейронку, так что особо путей избавиться от прогресса в этом месте я не вижу. ⠀ Про второе опасение мне понятнее. Я сама училась, как академический музыкант — представитель искусства, которое когда-то доминировало в своей области, а сейчас составляет 0.5-2% прослушиваний на стримингах и по разным источникам 1-6% доходов в индустрии. Весь XX век представлял из себя изобретение драм-машин, усилителей, авто-тюна и семплирования, что каждый раз неизменно резало рабочие места для музыкантов. Но если мои коллеги-музыковеды, к примеру, начинали игнорировать или отменять музыку, созданную с помощью этих машинок, то они выпадали из обоймы, переставали ее аназилировать и плавно утопали в прошлом, держась за Прокофьева и Шёнберга. ⠀ Поэтому меня травмирует позиция, при которой все, созданное ИИ, является плохим. Когда-то такой же подход практически убил мою профессию. ⠀ Вопрос про вред AI остается для меня открытым, позиция «любой ИИ в творчестве = плохо» — опасной, а Лиза — в любом случае смелой красоткой, которой я выражаю любовь и поддержку.

🎁Gift Charts 2.0 (ну почти)

Прошло больше года с момента запуска приложения. И за это время я понял одну вещь: когда ты делаешь первый проект практически без опыта (еще и в основном с помощью нейронки тех времен), рано или поздно наступает момент, когда проще переписать все с нуля, чем продолжать бесконечно исправлять ошибки.

Именно этим я и занимался в последнее время.

Если коротко, то я переписал все с новым стэком, и теперь, когда все сделано по человечески, добавлять новый функционал станет гораздо проще и быстрее.

В следующих постах распишу, что нового было добавлено, а что временно прибрано😇

Деконструкция генеративной цепи: нефакториальное разреженное кодирование как интерпретируемый диффузионный движок

Toward a Mechanistic Understanding of Inference in Visual Cortex and Diffusion Models Zeyu Yun, Alexander Belsten, Dasheng Bi, Zahra Kadkhodaie, Yubei Chen, Bruno A. Olshausen Paper: https://arxiv.org/abs/2607.15693 Review: https://arxiviq.substack.com/p/toward-a-mechanistic-understanding Code: N/A Model: N/A

# TL;DR

ЧТО сделали: Авторы предложили фреймворк нефакториального разреженного кодирования (non-factorial sparse coding), который выступает в роли математически прозрачной и минималистичной диффузионной модели. Расширив классическое разреженное кодирование за счёт матрицы парных взаимодействий латентов M и оптимизируя рекуррентную динамику инференса через Denoising Score Matching и теорему о неявной функции (Implicit Function Theorem), модель достигла генеративного качества на уровне U-Net, сохранив возможность точного аналитического разложения якобиана обесшумливания.

ПОЧЕМУ это важно: Работа связывает нейробиологию зрения и глубокое генеративное моделирование. Авторы показывают, что рекуррентная динамика первичной зрительной коры (V1) и искусственные диффузионные модели решают одну и ту же геометрическую задачу оценки плотности распределения. Это даёт интерпретируемый инструмент для обратного инжиниринга того, как нейронные цепи строят адаптивные представления, достраивают контуры и обеспечивают глобальную семантическую согласованность.

Для практиков: Модель доказывает, что интерпретируемые рекуррентные архитектуры из первых принципов способны соревноваться со сложными нейросетями прямого распространения (black-box U-Net), открывая путь к созданию полностью прозрачных и контролируемых генеративных систем без потери качества.

# Мясо 🍖

🧠 Парадокс интерпретируемости в генеративном моделировании

Глубокие диффузионные архитектуры на базе score matching (вроде U-Net) прекрасно генерируют сложные изображения, однако их внутренние механизмы остаются «чёрным ящиком» (black-box). С другой стороны, классические модели разреженного кодирования (например, работа Olshausen & Field, 1996) отлично интерпретируемы с биологической точки зрения — они восстанавливают ориентационно-селективные рецептивные поля, похожие на фильтры Габора. Однако они опираются на жёсткие факториальные априорные распределения (factorial priors), предполагающие полную статистическую независимость латентных переменных (|z|_1).

Из-за этого допущения о независимости классическое разреженное кодирование не способно улавливать структуры более высокого порядка: коллинеарную непрерывность контуров, пространственную соосность или глобальные семантические связи между масштабами. Существующие нефакториальные и иерархические варианты обычно требуют сложных процедур сэмплинга или эвристических аппроксимаций, которые плохо масштабируются. Главная цель работы — решить этот парадокс. Авторы дополняют стандартное разреженное кодирование обученной матрицей парных латентных взаимодействий без ограничений и оптимизируют её через score matching, создавая единую, математически прозрачную модель зрительного инференса, связывающую динамику зрительной коры V1 и современные диффузионные модели.

⚡️ Нефакториальное разреженное кодирование из первых принципов

Теоретический фундамент модели строится на непрерывной функции энергии `E_θ,σ​(x,z) над пространством пикселей x∈R^D и пространством латентных нейронов z∈R^K`. Здесь `x=y+σϵ представляет собой зашумлённое наблюдение, полученное добавлением изотропного гауссовского шума ϵ∼N(0,I) со стандартным отклонением `σ к чистому изображению y. Словарь `Φ∈R^{D×K}` содержит базисные функции пространственных признаков, колонки которого соответствуют зрительным рецептивным полям.

Ключевое нововведение — статистика совместной встречаемости латентов моделируется матрицей парных взаимодействий `M∈R^{K×K} без ограничений, что расширяет классический `L_1-штраф за разреженность до нефакториального априорного распределения. Полная энергия формулируется следующим образом:

Параметры оптимизируются с использованием Denoising Score Matching (DSM) по расписанию из Elucidating Diffusion Models (EDM):

\mathcal{L}_{\text{DSM}}(\theta) = \mathbb{E}_{\sigma, y, \epsilon} \left[ \tilde{w}(\sigma) \| \Phi z^*(x; \sigma, \theta) - y \|_2^2 \right]

где масштаб шума сэмплируется лог-нормально `ln(σ)∼N(P_mean​,P^2_std​), а функция `\tilde{w}(\sigma) = \frac{\sigma^2 + \sigma_{\text{data}}^2}{\sigma^4 \cdot \sigma_{\text{data}}^2} балансирует величину градиентов на разных уровнях шума. Стабильность оптимизации усиливается за счёт экспоненциального скользящего среднего (EMA) весов сети с динамическим коэффициентом затухания \beta = 0.5^{\frac{N_{\text{batch}}}{\max(k_{\text{img}} \times 1000, 1)}}. Для высокоразмерных датасетов пространственная динамика реализуется с помощью конвертируемых по масштабу сверточных словарей Φ^{(i)} поверх оператора пирамиды Лапласа P, организованных через асимметричную схему Гаусса — Зейделя по масштабам.

🔬 Разложение Неймана и эмерджентная иерархия

Поскольку обесшумливатель (denoiser) работает как линейная проекция сошедшегося латентного кода `fθ(x)=Φ z^*, его якобиан в пространстве пикселей `J(x) = \frac{dx_{\text{clean}}}{dx_{\text{noise}}} можно аналитически разложить как J(x)=ΦJ_z​Φ^⊤`. Разложение J_z в бесконечный ряд Неймана даёт `J_{z,i}​=e_i​+ηΣWe_i​+η^2 ΣWΣWe_i​+… для активных нейронов (z_i^* > 0), где `W=Φ^⊤Φ+σ^2γ(σ)M. Такая формулировка наглядно показывает, как локальное латеральное распространение (ηΣW), ограниченное активным разреженным стробированием (Σ), формирует геометрически адаптивные гармонические базисные функции, заполняющие пробелы в фрагментированных входных данных.

При оценке на сложных распределениях, таких как датасет лиц CelebA (64x64), модель демонстрирует впечатляющую семантическую обобщающую способность. Анализ обученного словаря Φ выявляет структурную бифуркацию: примерно 30% нейронной популяции выучивают близкие к нулю нормы колонок. Реконструкция изображений исключительно по этим «отсоединённым нейронам» (detached neurons) не создаёт видимых пространственных признаков. Однако удаление (абляция) их рекуррентных связей приводит к катастрофическому падению PSNR обесшумливания при высоких уровнях шума (SNR \ll 0) — производительность падает более чем на 10 дБ.

Эти «отсоединённые нейроны» работают как эмерджентный латентный слой более высокого уровня внутри однослойной цепи. Используя горизонтальные связи M, они координируют долгосрочные семантические зависимости — например, синхронно смещают оба глаза — сохраняя при этом глобальную согласованность низкоуровневых признаков. Более того, бенчмарки подтверждают, что модель достигает полного генеративного паритета с аналогичным по количеству параметров «чёрным ящиком» U-Net, демонстрируя идентичные траектории PSNR на всех масштабах шума от -10 дБ до 30 дБ и генерируя визуально неотличимые сэмплы при обратной диффузии.

🌉 Мост между нейробиологией зрения и генеративным ИИ

Эта работа напрямую опирается на классические модели разреженного кодирования первичной зрительной коры, созданные Олсхаузеном и Филдом (1996), а также на их расширения с нефакториальными априорными распределениями. Однако если предыдущие нефакториальные модели полагались на вручную созданные групповые априорные знания или сложные алгоритмы сэмплинга, предложенный фреймворк объединяет современные парадигмы score matching и взвешенные целевые функции диффузии. Рассматривая рекуррентный инференс ISTA через призму неявного глубокого обучения (implicit deep learning) и моделей глубокого равновесия (Deep Equilibrium Models), авторы строят чёткий мост к недавним механистическим исследованиям обобщающей способности диффузии.

⚠️ Теоретические допущения и ограничения

E_{\theta,\sigma}(x, z) = \frac{1}{2\sigma^2} \|x - \Phi z\|_2^2 + \gamma(\sigma) \left( \|\lambda \circ z\|_1 + \frac{1}{2} z^\top M z \right)

где `λ∈R^K` — вектор обучаемых параметров разреженности для каждого элемента, ∘ — произведение Адамара, а `γ(σ)` — скалярная функция, параметризованная двухслойным перцептроном с весами ψ, которая динамически балансирует правдоподобие данных и нефакториальное априорное знание по мере изменения уровня шума. Полный набор обучаемых параметров обозначается как θ={Φ,M,λ,ψ}.

При аппроксимации максимума апостериорной вероятности (MAP), когда предполагается, что апостериорное распределение p_θ,σ​(z∣x) остро пикировано вокруг моды z^∗(x;σ,θ)=argmin_z ​E_θ,σ​(x,z), маргинальная функция score упрощается до линейного синтеза в замкнутой форме:

\nabla_x \log p_{\theta,\sigma}(x) \approx \frac{1}{\sigma^2} (\Phi z^*(x; \sigma, \theta) - x)

Это превращает задачу score matching напрямую во взвешенную цель реконструкции поверх оптимальной латентной неподвижной точки.

🔄 Рекуррентный инференс и динамика активации

Для вычисления сходящегося MAP-состояния z^* модель разворачивает процесс инференса как рекуррентную нейронную цепь с использованием алгоритма ISTA (Iterative Shrinkage-Thresholding Algorithm). Начиная с нулевого состояния z_0 = 0, активность нейронов на шаге t+1 обновляется по правилу (5):

z_{t+1} = \text{ReLU} \left( z_t + \eta \left[ \Phi^\top x - \left( \Phi^\top \Phi + \sigma^2 \gamma(\sigma) M \right) z_t - \gamma(\sigma) \lambda \right] \right)

где `η>0` задаёт шаг интегрирования. Это правило обновления чётко делит динамику нейронов на три функциональных компонента: прямое воздействие Φ^⊤ x (проекция сенсорного входа на базис словаря), рекуррентное воздействие (Φ^⊤Φ+σ^2γ(σ)M)z_t (объединяющее перекрестные помехи на основе матрицы Грама и парные взаимодействия латентов, взвешенные по шуму) и динамический порог разреженности γ(σ)λ`.

Чтобы наглядно проиллюстрировать этот механизм, рассмотрим неоднозначное входное изображение, содержащее разрозненные сегменты Габора, которые образуют скрытый контур. При подаче на вход сети прямые сигналы сначала активируют подмножество латентов, настроенных на эти сегменты. По мере итераций латеральные сигналы распространяются через матрицу взаимодействия `M`. Матрица M естественным образом выучивает коллинеарное облегчение (collinear facilitation) — развивает сильные возбуждающие связи между пространственно смещёнными нейронами с соосными ориентациями, одновременно обеспечивая самоторможение.

По мере эволюции активности стробирующая матрица `Σ=diag(1_{z∗>0}​)` работает как динамическая маска: она подавляет внеосевой шум и позволяет возбуждающим сигналам распространяться исключительно вдоль линии контура. С помощью такой рекуррентной динамики разрозненные элементы на входе превращаются в гладкий непрерывный контур на выходе.

⚙️ Неявная оптимизация и фантомные градиенты

Обучение рекуррентной цепи сквозным образом (end-to-end) через стандартное обратное распространение ошибки во времени (BPTT) потребовало бы нереалистичных объёмов памяти из-за длинных итеративных траекторий, необходимых для сходимости к неподвижной точке. Авторы обходят это ограничение с помощью теоремы о неявной функции (Implicit Function Theorem, IFT). Определив невязку неподвижной точки как `F(z^∗;x,σ,θ)=z^∗−T(z^∗;σ)=0`, аналитический неявный градиент сходящегося состояния по параметрам можно записать как:

\frac{\partial z^*}{\partial \theta} = - [\nabla_z F(z^*; x, \sigma, \theta)]^{-1} \nabla_\theta F(z^*; x, \sigma, \theta)

Чтобы эффективно вычислять это выражение без явного обращения многомерных якобианов, авторы используют метод фантомных градиентов на основе развёртки (Unrolling-based Phantom Gradient, UPG). Сначала состояние z^* находится без отслеживания градиентов, после чего динамика разворачивается ещё на `m∈{1,2,3} шагов (`z_m = T^m(z^*)) с включённым autograd. Обратное распространение ошибки через эти шаги естественным образом оценивает усечённое разложение в ряд Неймана `∑k=0:m​ J^k`, приближая точный неявный градиент.

Несмотря на аналитическую чистоту, фреймворк опирается на ряд упрощающих допущений, создающих потенциальные точки сбоя. Главное теоретическое ограничение — это MAP-аппроксимация, используемая для оценки score-функции. Она предполагает, что апостериорное распределение `p_θ,σ​(z∣x) ` сильно сконцентрировано вокруг одной моды. В условиях экстремального визуального шума или высокой неоднозначности, когда истинное апостериорное распределение становится мультимодальным, это допущение деградирует, что может приводить к некорректной оценке поля score.

Кроме того, хотя квадратная энергия парного взаимодействия z^⊤ M z успешно улавливает статистику совместной встречаемости второго порядка, ей не хватает выразительной мощности для представления нелинейных взаимодействий признаков более высокого порядка без глубокого иерархического стеккинга. Наконец, разворачивание динамики неподвижной точки на каждом шаге обратного диффузионного сэмплинга создаёт ощутимые итерационные вычислительные накладные расходы по сравнению с сетями прямого распространения за один проход.

🎯 Значение для нейронаук и интерпретируемости

Доказав, что биологически правдоподобная однослойная рекуррентная цепь может сравняться по генеративному качеству с глубокими U-Net, авторы предлагают убедительный единый фреймворк для вычислительной нейробиологии и машинного обучения. Помимо создания прозрачного инструмента для анализа обобщения диффузионных моделей, модель предлагает конкретные и проверяемые нейрофизиологические предсказания.

В частности, модель предсказывает, что в условиях низкого контраста или высокого уровня шума масштабирующий множитель `σ^2γ(σ)` заставляет динамику биологической зоны V1 переключаться с доминирования прямого правдоподобия на коллинеарное облегчение, управляемое априорным знанием, динамически направляя возбуждение вдоль контекстно активных нейронных путей. Эта работа служит наглядной демонстрацией механистической интерпретируемости, доказывая, что сложные возможности глубокого обучения можно объяснить с помощью прозрачных нейронных цепей, выведенных из первых принципов.

💡 Data Scientist (Audio / Антидипфейк) от 350 000 ₽ Гибрид (Москва)

Сбербанк — крупнейший банк в России, Центральной и Восточной Европе, один из ведущих международных финансовых институтов. Самый дорогой российский бренд и самый сильный банковский бренд в мире по версии Brand Finance.

Требования: — Опыт работы в Data Science от 3 лет. — Опыт работы с Deep Learning в Аудио и других областях, опыт использования современных архитектур нейронок в Audio/CV. — Владение различными методами обучения нейронных сетей: Incremental learning, Self-Supervised Learning и т.п. — Понимание подходов к формированию фичей для анализа аудиоданных: Фурье-разложение, Мел-спектрограммы, Вейвлет-преобразование и прочее. — Понимание современных end-to-end подходов к формированию аудио фичей. — Свободное владение PyTorch.

➡️ Подробнее о вакансии на getmatch.ru

📍 Навигация: База знаний • Задачи • Собеседования

🧠 Как приручить свой мозг к хорошему за 3 недели

Знаешь, я сам когда-то был мастером негативного мышления. Каждое утро начинал с мыслей о проблемах. Пока не понял простую вещь: мозг — это мышца, которую можно переучить.

Честно говоря, первые две недели будут адом. Твой мозг будет сопротивляться как капризный ребенок. Но вот что реально работает:

Переключай фокус. Вместо "у меня проблемы" думай "какие у меня есть варианты?" Звучит банально? А ты попробуй делать это каждый час.

Ведение дневника благодарности — это не про духовность, а про нейропластичность. Записывай 3 вещи, за которые благодарен. Мозг начнет автоматически искать хорошее.

Физические упражнения — твой секретный чит-код. Всего 30 минут, и уровень BDNF (белка роста нейронов) взлетает. Проще говоря, мозг становится пластичнее.

Я сам однажды целый месяц каждое утро начинал с фразы "сегодня будет отличный день". Сначала смеялся над собой, но через 3 недели понял — это работает.

Главное — маленькие шаги каждый день. Не пытайся стать оптимистом за неделю. Мозг не любит резких перемен.

Готов попробовать? Поставь 👍🏻, если решился на эксперимент!

Исторический момент (по крайней мере, для меня): поменял название своего самого крупного YouTube-канала "Книжный чел" на "Мастридер".

Переименование назрело давно. У большинства людей возникал рассинхрон, когда они видели название "Книжный чел", но получали контент далеко не только про литературу.

В 2018 году, когда я запустил свой ютюб, "КЧ" было идеальным названием — тогда на канале выходило только одноименное шоу про литературу и любимые книги интересных людей. С тех пор многое поменялось, а "Книжный чел" стал лишь одним из форматов в контентной линейке канала (помимо него, был "Бизнес-чел", "Терминальное чтиво", а потом — ещё и ролики про шахматы, для которых со временем я завёл отдельный канал).

Сейчас на "КЧ" (точнее, уже на "Мастридере") выходят в основном мои подкасты с технологическими визионерами современности. Последние несколько выпусков были про нейронки. Надеюсь, вы смотрите и кайфуете — на мой взгляд, у канала сейчас новый прайм с точки зрения стабильного качества контента и гостей.

Название я поменял, осталось вернуть галочку верификации (она исчезает при смене названия, так что придётся заново её получать). И поменять шапку канала (широкая картинка сверху скриншота), а то там все фотографии — из конца 2010-х, с тех пор много воды утекло.

Уважаемый Александр Владимирович! Поздравляем Вас с днём рождения! Благодарим Вас за неоценимый вклад в развитие НИИ нейронаук СамГМУ, внедрение передовых нейротехнологий и развитие фундаментальной медицины. Желаем Вам крепкого здоровья, грандиозных научных успехов, смелых идей и их успешной реализации. Пусть удача сопутствует всем Вашим начинаниям!

🤩🤩🤩🤩 Сегодня разбираем очень крутой сервис для дизайна, в котором уже есть все нужные скиллы, чтобы сделать красивый сайт или презу + к нему можно подключить любую нейронку

📺Смотреть тут

🤩🤩🤩🤩🤩 🤩🤩🤩🤩🤩🤩

Сейчас у меня в процессе чтения весьма любопытная история на стыке жанров научной фантастики и социальной философии. Добавьте сюда немного медицинской составляющей и получите занимательный коктейль.

Не скажу, что погружение в сюжет идёт легко, я продвигаюсь медленно и с перерывами, однако это не отменяет того факта, что книга действительно интересная.

🤩🤩🤩🤩🤩🤩🤩🤩🤩 Почему гибнут одни цивилизации и расцветают другие, почему некоторые страны богаче прочих — главным вопросом современности задается и герой книги — талантливый нейрохирург Сергей Романов, при помощи научной установки РОД, искусственного интеллекта и специальных химических веществ помогающий людям с тяжелыми поражениями мозга восстановить нейронные цепочки и вернуться к полноценной жизни. Попадая в опасные приключения, путешествуя по собственным осознанным сновидениям и воспоминаниям пациентов, Сергей разрабатывает философскую систему о духовно-нравственных скрепах общества – формулах, на которых зиждется благополучие экономически развитых цивилизаций.

Автор определённо проделал большую работу, и мне ещё предстоит оценить результат.

Пока хочется отметить достаточно необычную задумку, за реализацией которой хочется наблюдать, а также тот факт, что в книге автор поднимает достаточно важные и интересные вопросы, заставляющие читателя пуститься в размышления.

Любите экспериментировать с жанрами? Как вам такая задумка?

#margo_читает #впроцессе

🧠 Математике нейросетей уже 83 года. ChatGPT - всего несколько лет

В 1943 году Уоррен Маккаллок и Уолтер Питтс описали математическую модель нейрона: на вход поступают сигналы, проверяется порог, после чего нейрон либо активируется, либо нет.

Обучаться такая система ещё не умела. Но авторы показали главное - сети простых нейронов способны выполнять логические операции вроде AND, OR и NOT. Иными словами, несколько пороговых правил можно соединить в вычислительную систему.

В 1957-1958 годах Фрэнк Розенблатт создал перцептрон, веса которого уже могли изменяться:

предсказание → сравнение с правильным ответом → корректировка весов

Этот цикл до сих пор лежит в основе обучения многих нейросетей.

В 1969 году Марвин Минский и Сеймур Пейперт подробно показали ограничения однослойных перцептронов. Интерес к направлению заметно снизился, хотя историки до сих пор спорят, насколько именно их работа повлияла на начало «зимы ИИ».

Перелом произошёл в 1986 году. Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс продемонстрировали, что обратное распространение ошибки позволяет эффективно обучать многослойные сети и формировать внутри них полезные представления.

С тех пор появились трансформеры, новые методы обучения, миллиарды параметров и огромные вычислительные кластеры.

Но фундаментальные идеи современных нейросетей были опубликованы ещё до появления микропроцессора.

Не первый год и не один десяток раз вы слышали от меня про сильную мужскую позицию. Про то, как важно ее сохранять и удерживать.

Но тем не менее я продолжаю замечать в комментариях под роликами ютуба и в чатах приватного канала недопонимания мужчин и когнитивные искажения. Все равно вижу непонимание того, что это за зверь такой – сильная мужская позиция – и с чем ее едят.

С этого текста я начинаю серию постов, где до молекул разжую вам, что такое сильная мужская позиция, какая она, из чего состоит, как работает и как ее обрести.

Итак, начнем.

На консультациях в личных беседах женщины рассказывают мне то, что мужчинам никогда не расскажут. Знаю, что они РЕАЛЬНО думают и как РЕАЛЬНО реагируют на различные мужские действия и фразы.

И вот что я вижу.

Мужчина начитался, насмотрелся, выписал себе формулировки. Вечером на мелкий бытовой конфликт выдает женщине таким строгим голосом: «Я сам решу. Я тебя услышал. Со мной так нельзя». Ну или нечто подобное.

Фраза отличная? Ну вроде бы да...

Видит женщина сильную мужскую позицию? Нет.

А что она видит? Несостыковочки его слов с его состоянием и с его устоявшимся в ее голове образом.

И что она думает? Примерно так: «Оооо, вот это новости! Он все тот же, но нахватался где-то фигни, наскреб по сусекам храбрости».

«НЕ ВЕРЮ!» – по Станиславскому реагирует ее мозг.

Помните, я рассказывала вам про зеркальные нейроны? Женщина считывает состояние и установки на раз-два. Слова идут отдельно, состояние отдельно. Когда они не сходятся, она чувствует фальш.

И вот что нужно понять: женский мозг ВСЕГДА видит попытку мужчины выглядеть сильнее, чем он есть на самом деле. Другим, не тем, кем хочет показаться. Это сквозит. Это считывается.

А попытка казаться всегда имеет одну причину: мужчина сам не верит. И поэтому такой диссонанс: слова не бьются с состоянием.

Продолжение: https://t.me/psy_annateo/648

Самое неожиданное для меня применение нейронки — генерация утилитарных моделей для 3д-печати. Например, органайзер для ящиков тумб. Готовые мне чем-то не заходили, поэтому Клод мне их просто сгенерил и на схемке показал, как будет работать. Первый ящик сейчас…

Backed by Neuroscience.

Zaroor dekho agar tum purana padhaya hua bhoolte jaa rahe ho.

https://youtu.be/GlyGW6SjxbI?si=kOS5rugBvRYy_c5T

Как же меня утомляют чат-гпт райтеры

18+ НАСТОЯЩИЙ МАТЕРИАЛ ПРОИЗВЕДЕН, РАСПРОСТРАНЕН ИНОСТРАННЫМ АГЕНТОМ ШТЕФАНОВЫМ АЛЕКСАНДРОМ АНДРЕЕВИЧЕМ

Делаешь вакансии, готов платить типа СИЛЬНО ВЫШЕ РЫНКА, а люди всё равно массово бездумно выполняют задания через чат-гпт. И, поймите правильно, нейросети — крутейший инструмент, его можно и нужно использовать. Но когда у тебя в тексте куски промпта остались, когда у тебя тупые нейрообороты в тексте, когда у тебя цитата российского должностного лица воспроизведена криво из-за того, что гптха статьи на инглише нашла и автопереводом перевела, когда у тебя галлюцинации нейронки не вычищены — за что ты хочешь получать зарплату?

Вообще, на ютубе сейчас добрая половина небольших научпоп каналов клепает нейрослоп такой и это печально. Я раньше на них надеялся как на оплот ремесленного труда. Но нет, всюду нейрослоп побеждает. Границы человеческой лени изучены на 1%. С другой стороны, легче конкурировать.

Вот такой текст про твои проблемы с соискателями, которые используют нейросети, я сделал. Хочешь, добавим ссылку на вакансию, чтобы люди могли подаваться на работу?

К слову, убрал дедлайн приёма заявок на вот эту вакансию, буду ещё разгребать заявки и искать кандидатов.