Двухэтапное старение
Если мы построим кривую интенсивности смертности людей, то увидим, что интенсивность смертности в начале уменьшается до подросткового возраста (это своеобразный этап приработки, когда из популяции эллиминируются особи плохо приспособленные к жизни), затем лет с 13 до 35 интенсивность смертности приблизительно стабильна и минимальна - это этап функционирования молодого здорового организма, после чего начинается этап старения и интенсивность смертности монотонно растет с ускорением. Если более детально присмотреться к этапу старения, то там можно выделить пару переломных моментов, когда интенсивность смертности редко ускоряется, это около 45-50 лет и дальше 65-70.
Aging as a multifactorial disorder with two stages (Gems et al., 2025)
Авторы предлагают новую концепцию старения: старение — это не единый процесс, а двухэтапное нарушение, в котором ранние повреждения и поздние изменения экспрессии генов взаимодействуют и приводят к болезням.
Основные идеи статьи
Старение — многофакторное расстройство, а не просто накопление повреждений.
Оно развивается в два этапа, каждый из которых вносит свой вклад в болезни позднего возраста.
Ранние повреждения могут долго оставаться скрытыми, но становятся опасными, когда организм теряет способность их контролировать.
Поздние изменения генетической активности — это не адаптация, а «дезрегуляция», которая ухудшает работу систем восстановления.
Болезни старения — результат взаимодействия этих двух этапов, а не только возраста или только повреждений.
Этап 1 — ранние повреждения (early-life damage)
Начинается ещё в детстве и молодости.
Источники повреждений:
инфекции
физические травмы
генетические мутации
токсические воздействия
ошибки клеточного деления
Организм обычно справляется, но не идеально. Часть повреждений остаётся в виде:
латентных мутаций
эпигенетических следов
микровоспаления
нарушений в тканях
Эти «спящие» дефекты не вызывают болезни сразу, но создают фундамент для будущих проблем.
Этап 2 — поздняя дезрегуляция генов (late-life dysregulation)
Наступает в среднем и пожилом возрасте.
Что происходит:
экспрессия генов начинает меняться не в пользу организма
нарушается работа иммунной системы
снижается способность к восстановлению
усиливается хроническое воспаление
ухудшается контроль над ранними повреждениями
Именно на этом этапе «спящие» проблемы из Этапа 1 активируются и превращаются в:
рак
диабет 2 типа
сердечно‑сосудистые заболевания
https://www.aging-us.com/article/206339/text?utm_source=copilot.com
Если мы построим кривую интенсивности смертности людей, то увидим, что интенсивность смертности в начале уменьшается до подросткового возраста (это своеобразный этап приработки, когда из популяции эллиминируются особи плохо приспособленные к жизни), затем лет с 13 до 35 интенсивность смертности приблизительно стабильна и минимальна - это этап функционирования молодого здорового организма, после чего начинается этап старения и интенсивность смертности монотонно растет с ускорением. Если более детально присмотреться к этапу старения, то там можно выделить пару переломных моментов, когда интенсивность смертности редко ускоряется, это около 45-50 лет и дальше 65-70.
Aging as a multifactorial disorder with two stages (Gems et al., 2025)
Авторы предлагают новую концепцию старения: старение — это не единый процесс, а двухэтапное нарушение, в котором ранние повреждения и поздние изменения экспрессии генов взаимодействуют и приводят к болезням.
Основные идеи статьи
Старение — многофакторное расстройство, а не просто накопление повреждений.
Оно развивается в два этапа, каждый из которых вносит свой вклад в болезни позднего возраста.
Ранние повреждения могут долго оставаться скрытыми, но становятся опасными, когда организм теряет способность их контролировать.
Поздние изменения генетической активности — это не адаптация, а «дезрегуляция», которая ухудшает работу систем восстановления.
Болезни старения — результат взаимодействия этих двух этапов, а не только возраста или только повреждений.
Этап 1 — ранние повреждения (early-life damage)
Начинается ещё в детстве и молодости.
Источники повреждений:
инфекции
физические травмы
генетические мутации
токсические воздействия
ошибки клеточного деления
Организм обычно справляется, но не идеально. Часть повреждений остаётся в виде:
латентных мутаций
эпигенетических следов
микровоспаления
нарушений в тканях
Эти «спящие» дефекты не вызывают болезни сразу, но создают фундамент для будущих проблем.
Этап 2 — поздняя дезрегуляция генов (late-life dysregulation)
Наступает в среднем и пожилом возрасте.
Что происходит:
экспрессия генов начинает меняться не в пользу организма
нарушается работа иммунной системы
снижается способность к восстановлению
усиливается хроническое воспаление
ухудшается контроль над ранними повреждениями
Именно на этом этапе «спящие» проблемы из Этапа 1 активируются и превращаются в:
рак
диабет 2 типа
сердечно‑сосудистые заболевания
https://www.aging-us.com/article/206339/text?utm_source=copilot.com
Aging-Us
Aging as a multifactorial disorder with two stages | Aging
Aging (senescence) is characterized by development of diverse senescent pathologies and diseases, leading eventually to death. The major diseases of aging, including cardiovascular disease, cancer and
👏2👍1🤔1
Распространенность совершения насильственных действий линейно снижается с увеличением IQ.
Факт совершения насилия в этой работе устанавливался с помощью следующего вопроса: "Участвовали ли вы в физической драке или намеренно ударяли кого-либо за последние 5 лет?".
Исследование: Jacob L, Haro JM, Koyanagi A. Association between intelligence quotient and violence perpetration in the English general population. Psychol Med. 2019 Jun;49(8):1316-1323. doi: 10.1017/S0033291718001939.
Факт совершения насилия в этой работе устанавливался с помощью следующего вопроса: "Участвовали ли вы в физической драке или намеренно ударяли кого-либо за последние 5 лет?".
Исследование: Jacob L, Haro JM, Koyanagi A. Association between intelligence quotient and violence perpetration in the English general population. Psychol Med. 2019 Jun;49(8):1316-1323. doi: 10.1017/S0033291718001939.
🤔3
Быстрые решения в исследовании действительно оказались связаны с более высоким качеством ходов, чем долгие раздумья. Учёные обнаружили устойчивую отрицательную корреляцию между временем на ход и его качеством во всех форматах игры. Одно из возможных объяснений — опытные игроки быстрее распознают правильные паттерны и не нуждаются в долгом анализе. Однако есть и альтернативная интерпретация: в сложных позициях люди неизбежно думают дольше и чаще ошибаются, поэтому связь может быть частично ложной и отражать не влияние времени, а рост сложности. Подробности в статье: https://www.pnas.org/doi/10.1073/pnas.2531472123
PNAS
Speed and quality of complex strategic decisions | PNAS
Many strategic decisions involve both substantial complexity and time pressure, but
the association between decision speed and decision quality of ...
the association between decision speed and decision quality of ...
👍4
Размеры объектов вселенной. Есть ли здесь периодичность и закономерность?
🤔2😁1
О природе шаровой молнии
В 50-70-е годы XX века приходило столько свидетельств от очевидцев, которые наблюдали шаровую молнию, просто мешки писем, что академик Капица, Нобелевский лауреат по физике, вынужден был искать объяснения, он даже написал статью в серьезном научном журнале, в которой излагал разные физические гипотезы, что же такое шаровая молния с точки зрения физики.
Сказать, что ее просто нет не получалось, раз мы имеем тысячи свидетельств, не могут же все эти люди врать?
Но как только в мире начало стремительно расти число видеокамер, так оказалось, что шаровые молнии в них не попадают. Миллиард видеокамер по всему миру и нет шаровой молнии!
Шаровая молния оказалась просто массовым психозом. А редкие видео кадры больше похожи на умышленную подделку или случайное наблюдение совсем другого явления, которое только напоминает шаровую молнию.
В 50-70-е годы XX века приходило столько свидетельств от очевидцев, которые наблюдали шаровую молнию, просто мешки писем, что академик Капица, Нобелевский лауреат по физике, вынужден был искать объяснения, он даже написал статью в серьезном научном журнале, в которой излагал разные физические гипотезы, что же такое шаровая молния с точки зрения физики.
Сказать, что ее просто нет не получалось, раз мы имеем тысячи свидетельств, не могут же все эти люди врать?
Но как только в мире начало стремительно расти число видеокамер, так оказалось, что шаровые молнии в них не попадают. Миллиард видеокамер по всему миру и нет шаровой молнии!
Шаровая молния оказалась просто массовым психозом. А редкие видео кадры больше похожи на умышленную подделку или случайное наблюдение совсем другого явления, которое только напоминает шаровую молнию.
🤯6❤2🤣1
Собственно, что психологически ИИ меняет в работе программиста... Человек потратил определенные усилия на изучение языка программирования, после чего имея эти скилзы, зная баги и фичи он становится локально незаменимым, т.е. в данной конкретной компании только он знает как работает этот кусок кода, начальство это понимает и вынужденно ценить. Теперь же оказалось, что многие знаний не уникальны, большинство программистов легко заменяются другими. Исчезло уважение...
🤔1🤯1
Forwarded from Что-то стартаперское
Я сделала работу с ИИ обязательной
— и за месяц потеряла двух инженеров.
Звучит как история про «ИИ выгоняет людей». Но оба разработчика ушли сами.
Если разобраться, что вообще сейчас происходит с профессиями в IT — картина сложнее, чем кажется.
Давайте по порядку.
👉 Сначала — про тех, кто реально уходит от ИИ.
Лучше всех это сформулировал разработчик из маленького городка в Болгарии, Алекс. Он сам вынес это на YouTube, поэтому процитирую от первого лица:
Под видео — сотни таких же. Стаж 10–18 лет, и все пишут: сыты по горло.
Один после 15 лет ушел водить грузовики и говорит, что впервые за годы чувствует себя хорошо.
Кто-то — в деревообработку, на стройку.
Мотив один: код из творчества превратился в "быть нянькой и прибирать за ИИ". Это боль настоящих, сильных людей, и я их очень-очень хорошо понимаю.
👉 А теперь — то, о чем вслух почти не говорят.
ИИ сделал работу прозрачной. И это меняет в индустрии гораздо больше, чем кажется.
В нашей работе всегда были задачи-укрытия: чинить один баг неделю, заниматься рефакторингом, сутками «исследовать GitHub».
Каждый менеджер хоть раз догадывался, что в команде сидит такой «вечный исследователь». Но боялся тронуть. Потому что заменишь — а новый не разберется в коде, что-нибудь сломает, и станет хуже. Полкоманды нередко держались на этом страхе руководителя.
Это была теневая, но всеми принятая часть профессии. С ИИ этого тумана больше нет — и многих это выбивает из колеи, потому что к такой прозрачности никто не готовился. Это не про «плохих работников». Это про то, что исчезла привычная всем зона, где можно было выдохнуть. Это сняло с руководителей невидимый груз, но и заставил всех — и руководителей, и инженеров — переосмыслить, как вообще устроена работа.
Что приводит нас к другой проблеме👇
— и за месяц потеряла двух инженеров.
Звучит как история про «ИИ выгоняет людей». Но оба разработчика ушли сами.
Если разобраться, что вообще сейчас происходит с профессиями в IT — картина сложнее, чем кажется.
Давайте по порядку.
👉 Сначала — про тех, кто реально уходит от ИИ.
Лучше всех это сформулировал разработчик из маленького городка в Болгарии, Алекс. Он сам вынес это на YouTube, поэтому процитирую от первого лица:
Я в середине своего "творческого отпуска". Я совершенно истощен: раньше я надевал наушники, брал кофе и погружался в проблему: читал доку, копал GitHub, неделю жил внутри задачи. Это была часть работы, которую я любил. С ИИ путь от проблемы до решения стал таким коротким, что я не успеваю "вложить в него голову". А читать код ИИ — не значит понимать его».
Под видео — сотни таких же. Стаж 10–18 лет, и все пишут: сыты по горло.
Один после 15 лет ушел водить грузовики и говорит, что впервые за годы чувствует себя хорошо.
Кто-то — в деревообработку, на стройку.
Мотив один: код из творчества превратился в "быть нянькой и прибирать за ИИ". Это боль настоящих, сильных людей, и я их очень-очень хорошо понимаю.
👉 А теперь — то, о чем вслух почти не говорят.
ИИ сделал работу прозрачной. И это меняет в индустрии гораздо больше, чем кажется.
В нашей работе всегда были задачи-укрытия: чинить один баг неделю, заниматься рефакторингом, сутками «исследовать GitHub».
Каждый менеджер хоть раз догадывался, что в команде сидит такой «вечный исследователь». Но боялся тронуть. Потому что заменишь — а новый не разберется в коде, что-нибудь сломает, и станет хуже. Полкоманды нередко держались на этом страхе руководителя.
Это была теневая, но всеми принятая часть профессии. С ИИ этого тумана больше нет — и многих это выбивает из колеи, потому что к такой прозрачности никто не готовился. Это не про «плохих работников». Это про то, что исчезла привычная всем зона, где можно было выдохнуть. Это сняло с руководителей невидимый груз, но и заставил всех — и руководителей, и инженеров — переосмыслить, как вообще устроена работа.
Что приводит нас к другой проблеме👇
👍4🤔3❤1
MONIAC — это уникальный аналоговый компьютер, созданный в 1949 году новозеландским экономистом Уильямом Филлипсом.
Машина была построена для наглядной демонстрации макроэкономических процессов в экономике Великобритании.
Вместо электрического тока или цифрового кода в ней использовалась обычная подкрашенная вода.
Вода циркулировала по сложной системе прозрачных пластиковых баков, трубок и клапанов.
Каждый резервуар символизировал определенный сектор экономики, например, налоги, сбережения, инвестиции или импорт.
Денежные потоки моделировались скоростью и объемами переливания жидкости из одного бака в другой.
Оператор мог менять параметры, открывая или закрывая краны, чтобы увидеть последствия роста налогов или снижения расходов.
Итоговые результаты и экономические графики выводились с помощью карандашей, прикрепленных к специальным поплавкам.
Точность этой гидравлической симуляции поражала современников и составляла около двух процентов.
Всего было создано около четырнадцати таких аппаратов, один из которых вдохновил писателя Терри Пратчетта.
https://ru.wikipedia.org/wiki/MONIAC
Машина была построена для наглядной демонстрации макроэкономических процессов в экономике Великобритании.
Вместо электрического тока или цифрового кода в ней использовалась обычная подкрашенная вода.
Вода циркулировала по сложной системе прозрачных пластиковых баков, трубок и клапанов.
Каждый резервуар символизировал определенный сектор экономики, например, налоги, сбережения, инвестиции или импорт.
Денежные потоки моделировались скоростью и объемами переливания жидкости из одного бака в другой.
Оператор мог менять параметры, открывая или закрывая краны, чтобы увидеть последствия роста налогов или снижения расходов.
Итоговые результаты и экономические графики выводились с помощью карандашей, прикрепленных к специальным поплавкам.
Точность этой гидравлической симуляции поражала современников и составляла около двух процентов.
Всего было создано около четырнадцати таких аппаратов, один из которых вдохновил писателя Терри Пратчетта.
https://ru.wikipedia.org/wiki/MONIAC
Wikipedia
MONIAC
MONIAC (Monetary National Income Analogue Computer, также известный как Гидравлический компьютер Филлипса и Финансофалограф) был создан в 1949 году в Новой Зеландии студентом-экономистом Лондонской школы экономики Уильямом Филлипсом, чтобы моделировать национальные…
🔥5👍1🤔1
Самая продаваемая в мире игра Minecraft оказалась не только полной по Тьюрингу, т.е. в ней можно реализовать универсальный компьютер для любых вычислений, но в ней ещё и число ПИ можно вычислить используя метод Монте-Карло на основе имеющихся генераторов случайных чисел.
https://www.tandfonline.com/doi/full/10.1080/0025570X.2024.2415846
https://www.tandfonline.com/doi/full/10.1080/0025570X.2024.2415846
Taylor & Francis
Approximating Mathematical Constants using Minecraft
Published in Mathematics Magazine (Vol. 98, No. 1, 2025)
🤯3🎉2
В большинстве задач вполне хватает обычных псевдослучайных чисел, которые легко генерируются на компьютере. Но есть области где генератор случайных чисел должен быть особенно хорош: например, это научное сложное имитационное моделирование, это криптография, это проведение лотерей и розыгрышей, это обучение ИИ и облачные вычисления.
Физики из ETH Zurich впервые создали математически идеальную случайность, используя квантовую запутанность и тесты Белла.
https://www.sciencealert.com/physicists-just-achieved-perfect-randomness-for-the-first-time-ever
Физики из ETH Zurich впервые создали математически идеальную случайность, используя квантовую запутанность и тесты Белла.
https://www.sciencealert.com/physicists-just-achieved-perfect-randomness-for-the-first-time-ever
ScienceAlert
Physicists Just Achieved 'Perfect Randomness' For The First Time Ever
This used to be impossible.
🎉3🔥1
Стоит ли пользоваться платными подписками на большие языковые модели?
В статье приведены данные, что открытые бесплатные ИИ уступают их платным закрытым аналогам, а с другой стороны, разрыв всего в 4 месяца, т.е. совсем чуть-чуть подождав мы уже имеем бесплатно, то за что нужно было платить.
https://epoch.ai/data-insights/open-closed-eci-gap
В статье приведены данные, что открытые бесплатные ИИ уступают их платным закрытым аналогам, а с другой стороны, разрыв всего в 4 месяца, т.е. совсем чуть-чуть подождав мы уже имеем бесплатно, то за что нужно было платить.
https://epoch.ai/data-insights/open-closed-eci-gap
Epoch AI
Open models lag state-of-the-art closed models by 4 months
Since January 2026, the most capable open-weight models have lagged frontier closed models by an average of four months, or 8 ECI points.
🤯3❤1
Большие языковые модели ворвались в нашу жизнь как свежи ветер, нечто подобное было только во времена появления интернета. С другой стороны, когда все обсуждают LLM классическое машинное обучение ML продолжает успешно работать: управлять роботами и автомобилями, распознавать образы, торговать на бирже, следить за умным домом...
https://habr.com/ru/articles/1043056/
https://habr.com/ru/articles/1043056/
👍3🤔1
"Подвинут" ли большие языковые модели классические методы машинного обучения?
В настоящий момент точно нет!
На данный момент классические модели машинного обучения (ML) и специализированные нейросети справляются с обработкой структурированных табличных данных, точными вычислениями, предсказанием числовых рядов и работой в условиях жестких ограничений по ресурсам значительно лучше, чем большие языковые модели (LLM).
В то время как LLM преобразуют мир генерации текста и кода, они остаются слишком громоздкими, дорогими и склонными к «галлюцинациям» в ряде специфических задач.
1. Работа с табличными данными (Tabular Data)
Алгоритмы: Градиентный бустинг (XGBoost, LightGBM, CatBoost) и классические полносвязные сети.
Преимущество: Лучше находят скрытые закономерности в базах данных, CRM-системах и Excel-таблицах.
Причина: LLM оптимизированы под последовательности слов (текст), а не под жесткие структуры строк и столбцов.
2. Точечное прогнозирование временных рядов (Time Series Forecasting)
Алгоритмы: LSTM, GRU, ARIMA, Prophet.
Преимущество: Точнее предсказывают курсы валют, котировки акций, спрос на товары или нагрузку на электросети.
Причина: Классический ML оперирует точными непрерывными числами, тогда как LLM разбивают числа на токены, что часто приводит к математическим ошибкам.
3. Компьютерное зрение и детекция объектов (Computer Vision)
Алгоритмы: YOLO v8/v10/v11, сегментационные сети (U-Net), ResNet.
Преимущество: Моментально находят дефекты на заводах, распознают лица на камерах или сканируют медицинские снимки (КТ/МРТ).
Причина: Мультимодальные LLM могут описать картинку текстом, но они слишком медленные и неточные для выделения пиксельных границ объектов в реальном времени.
4. Скорость работы и экономия ресурсов (Efficiency & Edge AI)
Алгоритмы: Малопараметрические специализированные сети, случайные леса (Random Forest).
Преимущество: Могут работать локально на смартфонах, датчиках умного дома, в автомобилях и микроконтроллерах без интернета.
Причина: Классической модели ML часто нужно всего несколько мегабайт памяти и микросекунды на ответ. Для работы даже «маленькой» LLM требуются гигабайты видеопамяти (VRAM).
5. Скоринг и детекция аномалий (Classification & Fraud Detection)
Алгоритмы: Изоляционный лес (Isolation Forest), логистическая регрессия, SVM.
Преимущество: Мгновенно блокируют подозрительные банковские транзакции и рассчитывают кредитные риски.
Причина: В этих сферах критически важна стопроцентная воспроизводимость результата и полное отсутствие выдуманных данных («галлюцинаций»).
6. Интерпретируемость решений (Explainable AI)
Алгоритмы: Деревья решений (Decision Trees), линейные модели.
Преимущество: Позволяют четко понять, на основе каких конкретно факторов (например, возраст, доход, стаж) модель приняла решение.
Причина: LLM представляют собой «черный ящик» со всеми вытекающими юридическими рисками в регулируемых сферах (медицина, банки).
В настоящий момент точно нет!
На данный момент классические модели машинного обучения (ML) и специализированные нейросети справляются с обработкой структурированных табличных данных, точными вычислениями, предсказанием числовых рядов и работой в условиях жестких ограничений по ресурсам значительно лучше, чем большие языковые модели (LLM).
В то время как LLM преобразуют мир генерации текста и кода, они остаются слишком громоздкими, дорогими и склонными к «галлюцинациям» в ряде специфических задач.
1. Работа с табличными данными (Tabular Data)
Алгоритмы: Градиентный бустинг (XGBoost, LightGBM, CatBoost) и классические полносвязные сети.
Преимущество: Лучше находят скрытые закономерности в базах данных, CRM-системах и Excel-таблицах.
Причина: LLM оптимизированы под последовательности слов (текст), а не под жесткие структуры строк и столбцов.
2. Точечное прогнозирование временных рядов (Time Series Forecasting)
Алгоритмы: LSTM, GRU, ARIMA, Prophet.
Преимущество: Точнее предсказывают курсы валют, котировки акций, спрос на товары или нагрузку на электросети.
Причина: Классический ML оперирует точными непрерывными числами, тогда как LLM разбивают числа на токены, что часто приводит к математическим ошибкам.
3. Компьютерное зрение и детекция объектов (Computer Vision)
Алгоритмы: YOLO v8/v10/v11, сегментационные сети (U-Net), ResNet.
Преимущество: Моментально находят дефекты на заводах, распознают лица на камерах или сканируют медицинские снимки (КТ/МРТ).
Причина: Мультимодальные LLM могут описать картинку текстом, но они слишком медленные и неточные для выделения пиксельных границ объектов в реальном времени.
4. Скорость работы и экономия ресурсов (Efficiency & Edge AI)
Алгоритмы: Малопараметрические специализированные сети, случайные леса (Random Forest).
Преимущество: Могут работать локально на смартфонах, датчиках умного дома, в автомобилях и микроконтроллерах без интернета.
Причина: Классической модели ML часто нужно всего несколько мегабайт памяти и микросекунды на ответ. Для работы даже «маленькой» LLM требуются гигабайты видеопамяти (VRAM).
5. Скоринг и детекция аномалий (Classification & Fraud Detection)
Алгоритмы: Изоляционный лес (Isolation Forest), логистическая регрессия, SVM.
Преимущество: Мгновенно блокируют подозрительные банковские транзакции и рассчитывают кредитные риски.
Причина: В этих сферах критически важна стопроцентная воспроизводимость результата и полное отсутствие выдуманных данных («галлюцинаций»).
6. Интерпретируемость решений (Explainable AI)
Алгоритмы: Деревья решений (Decision Trees), линейные модели.
Преимущество: Позволяют четко понять, на основе каких конкретно факторов (например, возраст, доход, стаж) модель приняла решение.
Причина: LLM представляют собой «черный ящик» со всеми вытекающими юридическими рисками в регулируемых сферах (медицина, банки).
🔥5
Немножко механики... Про редуктор...
Взаимодействующие зубчатые колеса (шестерни) редуктора должны быть взаимно простыми числами по количеству зубьев (не иметь общих делителей, кроме единицы). Это гарантирует, что зубья одной шестерни будут равномерно контактировать со всеми зубьями другой, предотвращая преждевременный локальный износ.
Равномерный износ: Если количества зубьев не являются взаимно простыми (например, число зубьев ведомой шестерни делится без остатка на число зубьев ведущей), одни и те же зубья будут постоянно соприкасаться друг с другом в цикле. Из-за малейших производственных погрешностей это приведет к неравномерной выработке и быстрому разрушению передачи.
Принцип самопритирки: При взаимно простых числах зубьев (например, \(21\) и \(24\) не подойдут, а \(21\) и \(25\) — идеальная пара) каждый зуб одной шестерни встретится с каждым зубом другой шестерни, обеспечивая идеальную притирку деталей со временем.
Взаимодействующие зубчатые колеса (шестерни) редуктора должны быть взаимно простыми числами по количеству зубьев (не иметь общих делителей, кроме единицы). Это гарантирует, что зубья одной шестерни будут равномерно контактировать со всеми зубьями другой, предотвращая преждевременный локальный износ.
Равномерный износ: Если количества зубьев не являются взаимно простыми (например, число зубьев ведомой шестерни делится без остатка на число зубьев ведущей), одни и те же зубья будут постоянно соприкасаться друг с другом в цикле. Из-за малейших производственных погрешностей это приведет к неравномерной выработке и быстрому разрушению передачи.
Принцип самопритирки: При взаимно простых числах зубьев (например, \(21\) и \(24\) не подойдут, а \(21\) и \(25\) — идеальная пара) каждый зуб одной шестерни встретится с каждым зубом другой шестерни, обеспечивая идеальную притирку деталей со временем.
🤔2🤯2❤1🔥1
Разработчики большой языковой модели признаются, что сами уже не пишут код для последующих версий, за них система его пишет сама.
https://www.anthropic.com/institute/recursive-self-improvement
https://www.anthropic.com/institute/recursive-self-improvement
Anthropic
When AI builds itself
Our progress toward recursive self-improvement, and its implications.
🤯4😁1
О транзакционных издержках
В экономике в силу разницы цен в разных регионах для сравнения экономических показателей придуман паритет покупательной способности (ППС). Но ведь цена товара или услуги, это не все... Один и тот же товар прямо сейчас и по предоплате через три месяца - это совсем разное качество потребления, хотя цена по ППС может быть и одинаковой. Как здесь привести к единым показателям, сколько стоит время?
В экономике в силу разницы цен в разных регионах для сравнения экономических показателей придуман паритет покупательной способности (ППС). Но ведь цена товара или услуги, это не все... Один и тот же товар прямо сейчас и по предоплате через три месяца - это совсем разное качество потребления, хотя цена по ППС может быть и одинаковой. Как здесь привести к единым показателям, сколько стоит время?
🤔3
Построена математическая модель, которая на основе генетического анализа позволяет предсказывать старение организма
Учёные из МГУ и Гарварда создали транскриптомные часы старения tAge, опубликованные в Nature.
Модель предсказывает биологический возраст, риск болезней и ожидаемую продолжительность жизни по экспрессии тысяч генов.
В отличие от эпигенетических часов, tAge работает на уровне транскриптома — то есть анализирует активность генов.
Для обучения использовали более 11 000 образцов из 25 типов тканей четырёх видов млекопитающих.
Модель основана на машинном обучении, но не на классической нейросети: это регрессионная модель с модульной структурой, обученная на больших матрицах экспрессии генов.
Исследователи выделили функциональные модули — группы генов, меняющих активность синхронно и отражающих разные аспекты старения.
Ограничение калорий замедляет метаболические модули, а болезни ускоряют воспалительные.
В эмбриогенезе мышей tAge обнаружили U‑образный тренд: сначала биологический возраст падает, затем растёт.
Омолаживающие воздействия — теломераза, перепрограммирование в иПСК, парабиоз — снижали tAge.
Модель хорошо работает и на людях, предсказывая риск сердечно‑сосудистых заболеваний и помогая искать геропротекторы.
https://www.nature.com/articles/s41586-026-10542-3
Учёные из МГУ и Гарварда создали транскриптомные часы старения tAge, опубликованные в Nature.
Модель предсказывает биологический возраст, риск болезней и ожидаемую продолжительность жизни по экспрессии тысяч генов.
В отличие от эпигенетических часов, tAge работает на уровне транскриптома — то есть анализирует активность генов.
Для обучения использовали более 11 000 образцов из 25 типов тканей четырёх видов млекопитающих.
Модель основана на машинном обучении, но не на классической нейросети: это регрессионная модель с модульной структурой, обученная на больших матрицах экспрессии генов.
Исследователи выделили функциональные модули — группы генов, меняющих активность синхронно и отражающих разные аспекты старения.
Ограничение калорий замедляет метаболические модули, а болезни ускоряют воспалительные.
В эмбриогенезе мышей tAge обнаружили U‑образный тренд: сначала биологический возраст падает, затем растёт.
Омолаживающие воздействия — теломераза, перепрограммирование в иПСК, парабиоз — снижали tAge.
Модель хорошо работает и на людях, предсказывая риск сердечно‑сосудистых заболеваний и помогая искать геропротекторы.
https://www.nature.com/articles/s41586-026-10542-3
Nature
Universal transcriptomic hallmarks of mammalian ageing and mortality
Nature - Integration of gene expression data from multiple tissues across four mammalian species reveals conserved transcriptomic signatures of mammalian ageing and mortality and uncovers the...
👍2✍1🤷♂1🤔1
Во внутренние KPI компании для сотрудников был записан процент решения задач с помощью AI. В результате пока верхний менеджмент опомнился за месят на оплату ИИ был потрачен миллиард долларов.
https://naked-science.ru/community/1192555
https://naked-science.ru/community/1192555
😁5
О критериях наличия сознания
Современные большие языковые модели уже способны проходить тест Тьюринга, поэтому исследователи приходят к выводу: внешнее поведение больше не может служить критерием наличия сознания. Вместо этого внимание смещается к тому, как именно устроена система внутри — какие вычислительные механизмы она реализует и как обрабатывает информацию.
Новый подход: сознание как свойство внутренней архитектуры
Авторы статьи в Trends in Cognitive Sciences, среди которых философ и когнитивист Колин Кляйн, утверждают:
поведение — даже очень убедительное — может вводить в заблуждение. Гораздо важнее структура обработки сигналов, способность системы:
разрешать конфликты между конкурирующими целями,
использовать сложные обратные связи,
интегрировать разнородную информацию в единую вычислительную рамку.
Эти признаки взяты из разных теорий сознания и образуют перекрёстный набор индикаторов, не привязанный к одной-единственной концепции.
Вывод исследователей:
Современные ИИ, включая ChatGPT, не обладают сознанием, потому что их архитектура принципиально отличается от биологических систем.
Даже если поведение кажется осмысленным, отсутствуют необходимые вычислительные механизмы, которые могли бы порождать субъективный опыт.
🐜 Параллель в биологии: минимальное сознание у насекомых
В Philosophical Transactions B опубликована работа, предлагающая модель минимального сознания у насекомых.
Она не привязана к конкретным анатомическим структурам, а описывает общие вычислительные принципы:
необходимость координировать сложное тело,
интеграцию множества сенсорных сигналов,
разрешение конфликтующих потребностей.
Согласно авторам, именно такие механизмы могут лежать в основе субъективного опыта даже у очень простых организмов.
И исследования ИИ, и исследования животных сходятся в одном:
Это смещает дискуссию от вопроса
«похожа ли система на сознательное существо?»
к вопросу
«реализует ли она вычислительные механизмы, способные породить субъективный опыт?»
Такой подход может изменить как нейробиологию, так и этику взаимодействия с ИИ и животными.
🔗 Ссылки на оригинальные статьи
Статья о критериях сознания (Trends in Cognitive Sciences)
Colin Klein et al., Phenomenal interface theory: a model for basal consciousness
DOI: 10.1098/rstb.2024.0301
Статья о минимальном сознании у насекомых (Philosophical Transactions B)
Lars Chittka et al., The exploration of consciousness in insects
DOI: 10.1098/rstb.2024.0302
Современные большие языковые модели уже способны проходить тест Тьюринга, поэтому исследователи приходят к выводу: внешнее поведение больше не может служить критерием наличия сознания. Вместо этого внимание смещается к тому, как именно устроена система внутри — какие вычислительные механизмы она реализует и как обрабатывает информацию.
Новый подход: сознание как свойство внутренней архитектуры
Авторы статьи в Trends in Cognitive Sciences, среди которых философ и когнитивист Колин Кляйн, утверждают:
поведение — даже очень убедительное — может вводить в заблуждение. Гораздо важнее структура обработки сигналов, способность системы:
разрешать конфликты между конкурирующими целями,
использовать сложные обратные связи,
интегрировать разнородную информацию в единую вычислительную рамку.
Эти признаки взяты из разных теорий сознания и образуют перекрёстный набор индикаторов, не привязанный к одной-единственной концепции.
Вывод исследователей:
Современные ИИ, включая ChatGPT, не обладают сознанием, потому что их архитектура принципиально отличается от биологических систем.
Даже если поведение кажется осмысленным, отсутствуют необходимые вычислительные механизмы, которые могли бы порождать субъективный опыт.
🐜 Параллель в биологии: минимальное сознание у насекомых
В Philosophical Transactions B опубликована работа, предлагающая модель минимального сознания у насекомых.
Она не привязана к конкретным анатомическим структурам, а описывает общие вычислительные принципы:
необходимость координировать сложное тело,
интеграцию множества сенсорных сигналов,
разрешение конфликтующих потребностей.
Согласно авторам, именно такие механизмы могут лежать в основе субъективного опыта даже у очень простых организмов.
И исследования ИИ, и исследования животных сходятся в одном:
Поведение — ненадёжный индикатор сознания.
Гораздо важнее внутренняя организация вычислений.
Это смещает дискуссию от вопроса
«похожа ли система на сознательное существо?»
к вопросу
«реализует ли она вычислительные механизмы, способные породить субъективный опыт?»
Такой подход может изменить как нейробиологию, так и этику взаимодействия с ИИ и животными.
🔗 Ссылки на оригинальные статьи
Статья о критериях сознания (Trends in Cognitive Sciences)
Colin Klein et al., Phenomenal interface theory: a model for basal consciousness
DOI: 10.1098/rstb.2024.0301
Статья о минимальном сознании у насекомых (Philosophical Transactions B)
Lars Chittka et al., The exploration of consciousness in insects
DOI: 10.1098/rstb.2024.0302
🤔3🔥2