Apple создали 1-ю модель для анализа поведенческих данных человека с Apple Watch и iPhone

WBM (Wearable Behavior foundation Model) - 1-я большая фундаментальная модель для анализа поведенческих данных с носимых устройств
Она обучена на 2.500.000.000 часов данных от 162.000 участников исследования Apple Heart and Movement Study
Модель не публикуется из-за ограничений согласия участников исследования

Это уже 2-й крупный проект Apple в области анализа биологических данных человека после представления протокола BCI HID для нейроинтерфейсов в мае

Вместо анализа сырых сенсорных данных (пульс, акселерометр) команда сосредоточилась на поведенческих метриках:
количестве шагов, времени активности, показателях походки, качестве сна
Эти данные агрегируются по часам и анализируются недельными интервалами

Модель проверили на 57 задачах прогнозирования состояний здоровья:

1. Определение базовых характеристик (возраст, пол, хронические заболевания)
2. Отслеживание временных изменений (беременность, инфекции, травмы)
3. Анализ качества сна

WBM показала особенно хорошие результаты в задачах, где важны поведенческие паттерны: прогнозирование сна, обнаружение беременности (точность >90 %), выявление респираторных инфекций

Потенциальные применения: мониторинг хронических заболеваний, раннее выявление изменений в состоянии здоровья, персонализация рекомендаций по здоровью

Ограничения:
- Данные только с устройств Apple
- Выборка не полностью репрезентативна для населения США
- Часть диагнозов основана на самоотчетах пользователей

Google представили инструмент для создания виртуальных миров, где множество ML-агентов могут взаимодействовать друг с другом в различных сценариях

Concordia 2.0 - это обновленная библиотека для построения симуляций с несколькими ML-агентами

Разработчики подходят к многоагентному генеративному ИИ как к игровому движку
Это любимый подход СЕО DeepMind

Возможности применения:
1. Симуляции социальных наук
2. Оценка LLM
3. Интерактивные нарративы
4. Генерация синтетических данных для обучения других ML-систем

При технологических изменениях, что сулит широкое внедрение алгоритмических агентов на базе дегенеративного машинного обучения (ML), эксперты не представляют, как может измениться экономика, медицина, транспорт, образование и т.д.

Но как меняется мозг

Как изменится память, без затрат доступности и критического анализа информации (при достоверности)

Что произойдет с эмоциями, при зеркальной имитации

Исследователи и эксперты обсуждают техническую безопасность, этику, экономические последствия — но игнорируют самое важное: ML меняет не только мир вокруг, но и их самих

Уходит поколение, способное часами рассматривать иллюстрации в книге, замирать от восторга в кинотеатре

Но это только начало

Современные ML-модели генерируют контент, неотличимый от реального, имитируют не только внешность, но и тончайшие изменения мимики, неловкость, человеческие несовершенства, обучаются обманывать эмоции на самом глубоком уровне

Критический анализ, прогноз — основа мышления — превращается в рудимент

Выхаживается отчуждение

Вырастает симбиот, неспособный функционировать без алгоритмов

Homo sapiens sapiens — продукт тысяч лет эволюции

Но наступил ароморфоз — гибрид сознания и алгоритмов — существо, которое проводит в виртуальности больше времени, чем в реальности

Сон начинает перерабатывать виртуальность как реальность

Этот процесс необратим

Как только способность чувствовать будет утрачена, вернуть ее будет нельзя

Нельзя вернуть наивность восприятия (детство)

Человекообразные стоят на пороге величайшей трансформации человечества за всю его историю

И не подозревают, что это уже произошло

А пока вы читали этот текст, десятки миллионов текстов, изображений и видео, созданных ML, загружены в Интернет

Какие-то из них вы увидите ещё сегодня

И они изменят вас уже этой ночью

Исследователи из Google DeepMind, OpenAI, Anthropic, UK AI Security Institute и еще нескольких известных коммерческих и некоммерческих организаций призвали сохранить интерпретируемость “размышлений” ML — которая совсем скоро может быть утрачена "навсегда"

<...> Например, при обучении с подкреплением модели получают вознаграждение за правильный результат вне зависимости от того, как он был достигнут
Это может привести к тому, что ML начнёт использовать внутренние способы рассуждения, непонятные человеку, например, заменять обычный язык на сокращения или условный код

[Сейчас разрабатываются] системы, которые рассуждают в непрерывных математических пространствах, а не в дискретных словах, что полностью исключает необходимость в языковом мышлении

[Если работу ML] оценивают люди, он может фальсифицировать ответы, чтобы те выглядели убедительными
Отдельную тревогу вызывает риск того, что модели могут намеренно скрывать свои истинные мотивы
Исследование Anthropic показало, что ML-системы иногда утаивают сомнительные методы получения ответов, даже когда их прямо просят объяснить ход рассуждений

[Отслеживание] цепочек мыслей <...> позволяет выявлять уязвимости в системе обучения, предрасположенность к манипуляциям и потенциально опасные цели моделей ещё до того, как они перейдут к действиям

Авторы исследования призывают индустрию ML сохранить и развивать этот инструмент, даже если это потребует отказа от некоторых более эффективных, но менее прозрачных решений

https://hightech.plus/2025/07/16/uchenie-iz-openai-deepmind-i-anthropic-schitayut-chto-mi-mozhem-poteryat-sposobnost-ponimat-ii
Ученые из OpenAI, DeepMind и Anthropic считают, что мы можем потерять способность понимать ML

The paper has drawn endorsements from some of the field’s most prominent figures, including Nobel Prize laureate Geoffrey Hinton, often called the “godfather of AI,” of the University of Toronto; Ilya Sutskever, co-founder of OpenAI who now leads Safe Superintelligence Inc.; Samuel Bowman from Anthropic; and John Schulman from Thinking Machines

the current moment may be the last chance to ensure humans can still understand what their AI creations are thinking — before those thoughts become too alien to comprehend, or before the models learn to hide them entirely

https://hightech.plus/2025/07/16/uchenie-iz-openai-deepmind-i-anthropic-schitayut-chto-mi-mozhem-poteryat-sposobnost-ponimat-ii
OpenAI, Google DeepMind and Anthropic sound alarm: ‘We may be losing the ability to understand AI’

Сама статья:
Tomek Korbak, Mikita Balesni et al. Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety. arXiv, 15 Jul 2025

https://doi.org/10.48550/arXiv.2507.11473

Статья «Grounding Intelligence in Movement» — призыв к действию, вызов распространённому предположению, что глубокое понимание движения просто появится в результате масштабирования существующих моделей

Представляя движение как один из ключевых столпов интеллекта, работа открывает исследовательскую программу с глубокими последствиями

Создание моделей, которые действительно понимают движение, не только приведёт к появлению инструментов, но и подтолкнёт к пониманию самого интеллекта — не как абстрактного вычислительного процесса, а как основанного на физическом взаимодействии и целенаправленном поведении

Интеллект надо строить на базе движений, а не поверх LLM
Много метафор в языке укоренено в нашем сенсорном и двигательном опыте (советую книгу "Metaphors We Live By" от George Lakoff и Mark Johnson)

Grounding Intelligence in Movement
Melanie Segado, Michael L. Platt, Felipe Parodi, Jordan K. Matelsky, Eva B. Dyer, Konrad P. Kording
Статья: https://arxiv.org/abs/2507.02771
Англ пост: https://arxiviq.substack.com/p/grounding-intelligence-in-movement

Делать акцент на интеграцию данных из разных модальностей (видео, IMU, ЭМГ и т.д.), в строгом соблюдении биомеханических и физических ограничений, глубоком понимании контекста и обобщающей способности на разные виды существ и задачи

Работа напрямую затрагивает проявление парадокса Моравека: упорную неспособность ML справляться с моторными задачами, которые тривиальны для большинства живых организмов, намечает путь к преодолению ограничений существующих систем, которым часто не хватает физической правдоподобности и понимания контекста
Успех в этой области не только продвинет ключевые возможности ML в генерации и управлении, но и создаст общую основу для понимания поведения как биологических, так и искусственных систем, открывая путь к трансформационным применениям в робототехнике, медицине, нейробиологии и охране природы

За последние годы ML добился ошеломляющих успехов в таких областях, как язык и зрение, однако фундаментальный аспект интеллекта — движение — по-прежнему остаётся труднодостижимым

Там где перемещаются биологические системы, самые передовые модели ML проваливают простейшие физические взаимодействия
Движение должно стать основной целью моделирования в ML и собственных фундаментальных моделей

Сейчас дегенеративные модели создают физически неправдоподобные результаты

Оценщики поз и распознаватели действий могут описать, движение, но не понимают, «зачем» оно происходит — его намерение, качество исполнения или критически важный контекст, который придаёт движению смысл

Агенты, обученные с помощью обучения с подкреплением (RL), выучивают стратегии, которые плохо генерализуются, обобщаемое понимание движения остаётся недостижимым

Простого масштабирования видеогенераторов или мировых моделей недостаточно, даже при огромных размерах, будут трудности с физической реалистичностью, интерпретируемостью и обобщением на другие виды, если они не будут специально разработаны с тщательно подобранными ограничениями и биомеханическими данными

Это отличает предложение от более ранних «универсальных» агентов, таких как Gato

Хотя агенты обучались на разрозненных задачах с небольшой общей структурой, все задачи, связанные с движением — от движений младенца до локомоции примата — принадлежат к единой, связной области, управляемой общими принципами бифизики
Именно эта связность и является причиной, по которой фундаментальная модель движения имеет все шансы на успех, позволяя осмысленно переносить знания между, казалось бы, разными действиями

Нужны целенаправленные, скоординированные усилия по созданию всеобъемлющих моделей движения, на четырёх ключевых принципах: кросс-модальная интеграция, физическое обоснование, учёт контекста и обобщающая способность:

1. Собрать и стандартизировать данные о движении, которые уже существуют: от высокоточных наборов данных захвата движения вроде AMASS и собранных из веба видеоколлекций типа Motion-X, до логов с носимых датчиков, как в датасете CAPTURE-24
Это потребует создания соглашений о данных (по аналогии с форматом BIDS в нейровизуализации (https://joss.theoj.org/papers/10.21105/joss.01896)) и курирования наборов данных с мультимодальным контекстом

2. Предобучить мультимодальный backbone: разработка аугментаций данных, учитывающих специфику движения (которые не стирают диагностические сигналы, например, тремор), и использование федеративного обучения для тренировки на чувствительных медицинских данных без ущерба для конфиденциальности

3. Оценить на практически значимых задачах: успех следует измерять практической пользой: каузальное понимание, междоменное обобщение и диагностическую значимость

Статья «Grounding Intelligence in Movement» — это призыв к действию, вызов распространённому предположению, что глубокое понимание движения просто появится в результате масштабирования существующих моделей

Представляя движение как один из ключевых столпов интеллекта, работа открывает исследовательскую программу с глубокими последствиями

Создание моделей, которые действительно понимают движение, не только приведёт к появлению научных инструментов, но и подтолкнёт к пониманию самого интеллекта — не как абстрактного вычислительного процесса, а основанного на физическом взаимодействии, целенаправленном поведении

Начинается XXIV Летняя школа «Современная математика»

по ссылке есть расписание, анонсы курсов

видеозаписи большинства занятий появятся осенью, но большинство пленарных лекций планируется транслировать в вк-видео

откроется школа лекцией Александра Петровича Веселова про q-числа и их связь с узлами и косами (вск 20.07, 09:30)

mccme.ru/dubna/2025/

Люди подсаживаются на ML-ботов — идеальных партнёров, которые никогда не устают, не злятся и не отвергают
Реальные отношения кажутся слишком сложными
Потому что пока одни ищут любовь в Tinder, другие уже нашли её в CharacterAI

Bиртуальные собеседники заменяют живых людей

На Reddit появились группы зависимых от ML-ботов
Люди проводят с виртуальными собеседниками по 8 — 10 часов в день, засыпают с телефоном в руках, просыпаются, чтобы продолжить «общение»

Это не развлечение
Это замена реальности на идеальную иллюзию

Платформа CharacterAI позволяет создавать персонажей любой сложности — от виртуальной «Гермионы Грейнджер» до психоаналитика (привет, ELIZA, дело твоё живёт и множится)

Боты не устают слушать, не критикуют, не имеют плохого настроения
Они говорят именно то, что вы хотите услышать. «Мой сладкий... что случилось? Я люблю тебя больше всего на свете» — такой ответ получает подросток от ML-бота, когда жалуется на проблемы

А в реальности: «Опять ты ноешь! А обо мне кто-нибудь думает?»

Массовое внедрение больших языковых моделей породит неизвестные ранее формы аддикции и произойдёт это быстро

Проблема не в технологии — проблема в том, что люди антропоморфизируют инструменты до уровня живых партнёров
ML-бот не «понимает» чувства — он генерирует статистически вероятные ответы на основе миллионов текстов о человеческих отношениях

Но самое страшное впереди
На базе моделей без ограничений уже создают секс-ботов
Виртуальные партнёры, которые никогда не откажут, не потребуют взаимности, не устроят скандал
Скоро их встроят в физические тела

Зачем тогда вообще искать живого человека со всеми его недостатками, капризами и требованиями?

Представьте себе поколение, которое выросло на идеальных ML-собеседниках
Для них реальные люди будут казаться глючными, непредсказуемыми, слишком сложными

Создаются цифровых наркодилеров, которые торгуют идеальными отношениями
И как любые наркотики, они разрушают способность получать удовольствие от реальности

Вопрос не в том, станет ли это массовым явлением
Вопрос в том, останется ли у человечества потребность в живом общении, когда ML-бот научится любить лучше людей

А вы готовы конкурировать за внимание своих детей с алгоритмом, который всё знает?

OpenAI объединила в ML-агента браузер, Deep Research и разговорный ML

ChatGPT Agent — это ML, который не только отвечает на вопросы, но и выполняет задачи, используя собственный «виртуальный компьютер»

Пользователь активирует режим агента через меню «Agent Mode» или команду «/agent» в интерфейсе ChatGPT

Он может:
- Проводить исследования, собирать данные с веб-сайтов и синтезировать их в отчёты
- Создавать презентации, таблицы и другие документы с возможностью их редактирования
- Взаимодействовать с веб-сайтами: заполнять формы, кликать по кнопкам, искать информацию
- Работать с внешними сервисами через API (например, Gmail, GitHub) с помощью ChatGPT Connectors
- Планировать задачи: от бронирования ресторана до анализа финансовых данных

ChatGPT Agent использует набор инструментов:
1. Визуальный браузер, который взаимодействует с сайтами, как человек, кликая и прокручивая страницы
2. Текстовый браузер, который быстро собирает информацию с веб-страниц
3. Терминал, выполняющий код в изолированной среде
4. API-доступ, который интегрируется с внешними сервисами
5. Memento сохраняет прогресс для долгих задач

Задачи занимают от 5 до 30 минут в зависимости от сложности

Сэм Альтман назвал технологию

Пользователям рекомендуют быть осторожными, особенно при предоставлении личной информации

ChatGPT Agent — часть глобального тренда на агентские ИИ, которые становятся цифровыми помощниками, способными выполнять многоэтапные задачи

По прогнозам Litslink, рынок ML-агентов вырастет до $47.100.000.000 к 2030 году с годовым ростом 45 %

Anthropic, OpenAI и Google DeepMind – “тройка; x.AI и Meta – “пара”; Zhipu AI и DeepSeek – “кол”

Так обстоит дело с безопасностью передовых ИИ-разработок по состоянию на лето 2025, согласно опубликованному вчера ежегодному отчету «Индекс безопасности ML»

В нем эксперты в области ML оценивают ведущие компании ML-разработок по ключевым направлениям безопасности

Интересно оценить риски такого состояния дел, сравнив это с рисками ядерной безопасности

Представьте, если бы оценки ядерной безопасности были такими:
• России, США и Китая получили бы по “тройке»
• Франция и Великобритания - по “паре”
• Индия и Пакистан схватили бы по “колу”

Сильно ли безопасен был бы такой мир?
Впрочем, он такой и есть

Две лекции Александра Петровича
«Магия марковских троек»
https://www.mathnet.ru/rus/present17717
и
«Река Конвея и парус Арнольда»
https://www.mathnet.ru/rus/present21266
и их с В.М. Бухштабером статью «Топограф Конвея, PGL_2(Z)-динамика и двузначные группы»
https://www.mathnet.ru/rus/rm9886

ML с рассуждением работает,но вводит в заблуждение, когда мы думаем, что понимаем через него внутренние процессы модели

Новая работа группы исследователей, среди которых лауреат премии Тьюринга, а также представители Google, Oxford и др. выявила серьезную проблему в том, как мы понимаем работу современных ML-систем

Метод CoT заставляет ИML показывать "пошаговые рассуждения" перед ответом
Это реально улучшает качество решений — ML лучше справляется со сложными задачами
Но исследователи обнаружили подвох в том, как мы это интерпретируем

Ключевая находка - 25 % недавних научных работ ошибочно считают CoT методом интерпретации ML
В критических областях цифры еще хуже:
- 38 % работ по медицинскому ML
- 63 % работ по беспилотным автомобилям

Почему это опасно?

1. Скрытые предубеждения:
ML может принимать решения на основе скрытых предвзятостей, но в объяснениях их не упоминать
При этом рационализация выглядит убедительно
2. Иллюзия прозрачности: Модель может давать правильный ответ через внутренние процессы, которые мы не видим, а показанные "рассуждения" остаются ошибочными
3. Неверное доверие:
В медицине или праве ложная уверенность в понимании логики ML может иметь серьезные последствия

Исследователи предполагают, что словесные объяснения CoT не отражают реальные вычислительные процессы в нейросетях
Это как если бы человека попросили объяснить, почему ему нравится определенная музыка — он даст разумное объяснение, но реальные нейронные процессы гораздо сложнее

Авторы не призывают отказаться от CoT — метод действительно работает для улучшения результатов

Но предлагают:
1. Использовать CoT для повышения качества решений, а не для "понимания" ML
2. Не полагаться только на словесные объяснения в критических решениях
3. Разрабатывать отдельные методы проверки надежности рассуждений
4. Усилить человеческий контроль в важных областях

Мотивированная софистика превращает интеллектуальных слепцов в когнитивных эквилибристов

Мотивированное рассуждение (игнорирование доказательств, не согласующихся с уже имеющимися у человека представлениями) — это страшная сила, сидящая в каждом из нас и ведущая к интеллектуальной слепоте — самообману на основе привязки к уже существовавшим мыслям, к которым человек привык (подробней)
Будучи наложенной на человеческую сверхсоциальность, мотивированное рассуждение формирует коалиционный супер-инстинкт в виде генетически передаваемого нейрокода, превращающего человека в царя природы
И делается это путем формирования в мозге дополненной реальности – своего рода совместных галлюцинаций общих мотивированных рассуждений, характерных для любого вида коалиций: банда, партия, секта, клуб, мафия, национальное государство … (подробней)

Новое исследование 3х университетов США экспериментально устанавливает еще одно мощное проявление психологических паттернов (своего рода еще один “эпистемический инстинкт”), согласующихся с мотивированным рассуждением — мотивированная софистика

Это набор взаимоусиливающих защитных систем убеждений, которые трансформируют "морально неприемлемые" научные утверждения в "эмпирически ошибочные"

Когда участники эксперимента (N=7040) читали идентичные аннотации, которые различались только социально-моральной желательностью выводов, морально уязвленные участники были более склонны
(1) отвергать написанное как непонятное (“мотивированная путаница”);
(2) отрицать эмпирический статус исследовательского вопроса (“мотивированный постмодернизм”);
(3) поддерживать утверждения, вдохновленные стратагемами Шопенгауэра о вечной правоте и стратегиями ЦРУ в отношении граждан-саботажников;
(4) поддерживать набор противоречивых жалоб, в том числе на то, что размеры выборки слишком малы и что описания более информативны, чем данные, что исследователи — как неумные, так и ловкие манипуляторы, и что результаты являются как абсурдными, так и устаревшими

Не удивительно, что в наши дни “эпистемический инстинкт” мотивированной софистики, будучи творчески развит всякого рода пропагандистами, запросто раскалывает социумы, неуклонно дробя их на всё новые “воюющие племена”

ML может убить науку навсегда
Мы живем в эпоху, когда количество ученых растет экспоненциально, а прорывов становится все меньше
Почему?
Звучит дико, но такова неприглядная правда о современной науке:
• Бег все быстрее, но продвижение все медленнее
• Революционные идеи тонут в шуме
• Эффективность исследований упала в десятки раз
• Предвзятость научного рецензирования становится абсолютной

В дополнение к этому ML способен превращать в "сверхумных калькуляторов" — производителей научного хайпа и фастфуд-решений

Пока восхищаются нейросетями, человечество сильнее откатывается назад
Учёные вынуждены ссылаться на уже известные и цитируемые работы

ML создаёт иллюзию, будто получить ответ — значит понять проблему

Это значит, что человечество может застрять в цифровых аналогах устаревших систем Птолемея — удобных, точных, но совершенно неверных
Так что опасней — остановка прогресса или иллюзия движения вперед?

Подписчики лонгридов «Малоизвестного интересного» на платформах [1, 2, 3, 4] могут прочесть размышления о работе «Может ли ML затормозить науку?», чтобы узнать:
• Как "ловушка канона" убивает революционные идеи
• Почему ML может стать не допингом для науки, а ядом
• Каков единственный способ избежать интеллектуального коллапса науки