Чёрт, мозговая ткань умершего человека всё ещё может продолжать обучаться.

Французская команда буквально подключила «мёртвую человеческую мозговую ткань» к роботу и научила её играть на пианино.

И это не научная фантастика — работа только что опубликована на платформе препринтов.

Исследователи взяли срезы ткани мозга взрослого человека вскоре после смерти, пока клетки всё ещё сохраняли активность, и подключили их к микроэлектродам, микрофону и роботизированной руке, создав замкнутый цикл «восприятие → обучение → действие».

Обучение происходило так: сначала роботизированная рука нажимала клавишу пианино, а ткань мозга одновременно получала соответствующий звук и электрическую стимуляцию.

После нескольких дней повторного обучения, когда исследователи просто проигрывали определённую ноту, мозговая ткань начинала генерировать соответствующую нейронную активность и управляла роботизированной рукой так, чтобы та нажимала нужную клавишу.

То есть:

Человек уже умер, но извлечённая из его мозга нейронная ткань всё ещё способна продолжать учиться совершенно новым вещам, которым она никогда раньше не обучалась.

После трёх дней обучения точность в эксперименте выросла примерно с 31% до 58,5%, а некоторые образцы смогли правильно воспроизводить все три ноты.

И что ещё более жутко — этот новый результат обучения не исчезает сразу.

Исследователи обнаружили, что некоторые образцы мозговой ткани сохраняли сформированные ранее ассоциации даже через 17 дней после окончания обучения.

Конечно, это не означает, что мы научились воскрешать мёртвых.

Речь всё ещё идёт о живых срезах мозговой ткани, которые научились очень простым сенсорно-моторным ассоциациям. Никаких доказательств наличия сознания у них нет.

Но сам факт уже достаточно безумный.

Раньше мы исходили из того, что «обучение» — это то, чем занимаются только живые люди.

Теперь получается, что, по крайней мере на уровне нейронов, после окончания жизни человека часть его мозга, возможно, ещё не перестала учиться.

Немного жутко, да? Сразу вспоминается «мозг в колбе»...

Неужели «Матрица» скоро станет реальностью?

👉 @PythonPortal

Срочная новость: OpenAI тайно и очень сильно урезала лимиты некоторым подписчикам Codex 💔

Если последние пару дней вам казалось, что лимит Codex расходуется с какой-то абсурдной скоростью, пока не спешите паниковать.

Например, вчера вечером я сбросил свой недельный лимит, а только что запустил простую задачу — и бац, уже минус 2% лимита.

Тем временем на Reddit в последнее время появилось множество похожих сообщений.

Один пользователь Pro 20x отправил всего один запрос, и его недельный лимит сразу уменьшился на 20%.

Другой даже провёл контролируемый тест:

41 минута, 32,8 млн входных токенов, причём подавляющее большинство из них были закэшированными — это соответствует примерно 605 потраченным кредитам.

Результат? Недельный лимит сразу уменьшился на 3%.

Если считать в обратную сторону по этим цифрам, получается, что у этого аккаунта Pro 20x на самом деле всего около 20 000 кредитов в неделю.

Проблема в том, что раньше сообщество с помощью обратного анализа пришло к выводу, что обычный аккаунт Pro 20x получает примерно 50 000–60 000 кредитов в неделю.

Другими словами, некоторые аккаунты с пометкой «20x» на деле могут получать лимиты, близкие к уровню 5x.

Буквально на днях один человек в китайском сообществе покопался в серверной части Codex и подтвердил серьёзное сокращение лимитов для некоторых пользователей.

В частности, в Codex Analytics есть конечная точка под названием daily-workspace-usage-counts.

Через неё можно напрямую посмотреть фактическое ежедневное потребление кредитов, количество ходов, диалогов, а также закэшированных и незакэшированных токенов.

Кроме того, некоторые предполагают, что OpenAI недавно обновила систему контроля рисков Codex.

Высокая одновременная нагрузка, огромное количество диалогов, совместное использование аккаунта, распределение запросов через прокси и тому подобное могут привести к тому, что аккаунт начнёт обслуживаться по другой политике лимитов.

Официального подтверждения этому пока нет.

Но сами аномалии с лимитами уже вызвали огромное количество жалоб пользователей.

К тому же только в конце июля OpenAI признала проблему с расходом Sol, из-за которой лимиты Codex сгорали слишком быстро.

Прошло меньше месяца — и вот мы снова здесь.

Поэтому, если ваш лимит Codex в последнее время внезапно начал исчезать, я бы для начала посоветовал проверить фактическое количество своих кредитов.

👉 @PythonPortal

Обычный VPS у большинства провайдеров стоит $20–40 в месяц. А этот README на GitHub ещё с 2015 года рассказывает, как получить примерно то же самое за $0.

Проект называется free-for-dev. У него 132 тысячи звёзд, он до сих пор ежедневно поддерживается, а больше 1600 участников постоянно добавляют новые бесплатные тарифы и удаляют те, которые больше не работают.

И речь не про 14-дневные пробные периоды. Правило простое: если сервис не остаётся бесплатным как минимум год, его не добавляют в список.

Внутри:

→ Oracle Cloud — 2 сервера, 12 ГБ оперативной памяти, бесплатно навсегда, без ограничения по времени
→ AWS Lambda — до 1 млн запусков кода в месяц бесплатно
→ Cloudflare — неограниченное количество сайтов, DNS, SSL и глобальная CDN бесплатно
→ Google Cloud Run — до 2 млн запросов в месяц бесплатно

Есть ещё одно правило, которое они никогда не нарушают: если сертификат безопасности тоже не бесплатный, сервис удаляют из списка.

Практически каждый небольшой проект начинается с одних и тех же 20 минут поиска в Google: «А это точно бесплатно?»

Этот репозиторий уже проделал всю эту работу за вас и продолжает перепроверять всё каждую неделю.

Сохраните его перед следующим проектом, чтобы снова не тратить время на тот же самый поиск.

http://github.com/ripienaar/free-for-dev

👉 @PythonPortal

Библиотеку промптов для GPT-Image 2 открыли всего два дня назад, а она уже набрала 18 тысяч звёзд на GitHub. До сих пор не добавили себе? А-я-я-я-й

Внутри — готовый движок промптов, огромная коллекция шаблонов и постоянные обновления. Можно брать и использовать сразу.

Не сохраните сейчас — через пару недель вся лента будет забита картинками, сделанными с её помощью, а вы будете просто смотреть со стороны. 🍿

https://github.com/freestylefly/awesome-gpt-image-2

👉 @PythonPortal

Большинство голосовых ассистентов работают по очереди — сначала говорите вы, потом отвечает он, и так по кругу.

NVIDIA сделала модель, которая работает иначе, и её уже можно попробовать.

Она называется Nemotron 3 VoiceChat и входит в открытый набор NeMo Speech.

Модель слушает и отвечает в реальном времени в полнодуплексном режиме, поэтому её можно перебить прямо посреди фразы — почти как в обычном разговоре.

Для локального запуска самого фреймворка нужны GPU и CUDA.

Но у модели есть живая демоверсия, которую может открыть и попробовать любой.

https://github.com/NVIDIA-NeMo/Speech

👉 @PythonPortal

Интерактивный учебник на 7 500 строк, который учит с нуля собирать современную языковую модель.

Весь путь реализован на Python, а код подробно прокомментирован, чтобы можно было последовательно разобраться, как устроено обучение GPT-подобной модели, а не просто запускать готовые библиотеки.

https://github.com/raiyanyahya/how-to-train-your-gpt

👉 @PythonPortal

Парень сделал отслеживание рук в реальном времени с физикой цифровой ткани, используя только веб-камеру, TouchDesigner и одни выходные после просмотра презентации Vision Pro.

Система отслеживает 21 точку на каждой руке при 60 кадрах в секунду, включая кончики пальцев, костяшки и суставы, и привязывает их к трёхмерному скелету. Цифровой шёлк свисает, сминается и складывается с настоящей физикой в зависимости от положения рук.

Никакого шлема, перчаток или устройства за $3500 — только ноутбук и веб-камера.

Apple потратила 7 лет и просит $3500 за устройство. Он потратил выходные.

👉 @PythonPortal

Создатель Node.js только что запустил Dactyl.

Нативные приложения для iPhone и Android прямо из веба. Без Mac, Xcode и Android Studio.

✓ Симулятор SwiftUI прямо в браузере через WASM
✓ Один и тот же код для iOS и Android
✓ Можно использовать свою подписку ChatGPT

https://dactyl.dev/

👉 @PythonPortal

Если хотите разобраться, как обучить большую модель с нуля, рекомендую посмотреть вот это ↓

Сооснователь ARC Prize и создатель Keras Франсуа Шолле недавно посоветовал путь для изучения LLM с нуля.

Он сказал, что если вам 17 лет или вообще сколько угодно и вы хотите с нуля научиться создавать LLM, просто прочитайте главы 15 и 16 его книги *Deep Learning with Python*.

Я бегло их просмотрел, и эти две главы точно стоит сохранить.

Глава 15 начинается с самых базовых языковых моделей и постепенно доходит до

Character-level Language Model → Seq2Seq → Attention → QKV → Scaled Dot-Product Attention → Multi-Head Attention → Self-Attention → Transformer

Там даже есть отдельный раздел с объяснением того, почему вообще работает Dot-Product Attention.

Сам он говорит, что это одно из лучших объяснений этой темы.

Автор не останавливается на формулах вроде QKᵀ / √d. Он начинает с Word2Vec и пространства эмбеддингов, а затем объясняет, как Transformer слой за слоем через Attention постепенно превращает связи между токенами в отношения расстояний в векторном пространстве.

Глава 16 ещё практичнее. В ней напрямую показывают, как обучить mini-GPT с нуля.

Разбирается, как взять почти 1 миллиард токенов из C4, собрать словарь SentencePiece на 32 тысячи токенов, настроить mini-GPT на 41 миллион параметров с 8 слоями, 8 головами внимания и размером скрытого состояния 512, а затем самостоятельно собрать конвейер данных, сделать weight tying, прогрев скорости обучения, предобучение и генерацию с temperature и top-k.

От токенизатора, конвейера данных, causal attention, weight tying и прогрева скорости обучения до предобучения, greedy decoding, temperature и top-k sampling. По сути, вас шаг за шагом проводят через полный процесс обучения GPT.

Для этого даже не нужен дорогой сервер.

В официальном примечании указано, что весь пример можно запустить на бесплатной T4 в Google Colab. Обучение займёт около 6 часов. На A100 — чуть больше часа.

Дальше в книге разбираются Gemma, SFT, RLHF, RAG и мультимодальные модели.

Поэтому если меня спросят

«Я никогда раньше не обучал большую модель. С чего начать?»

Эти две главы действительно могут быть отличной отправной точкой.

Третье издание *Deep Learning with Python* сейчас доступно для бесплатного чтения онлайн, а все сопутствующие ноутбуки полностью открыты. Их можно просто загрузить в Colab и запустить.

В 2026 году для изучения LLM уже необязательно сразу садиться и разбирать сотню научных статей.

Если один раз самостоятельно обучить GPT на 41 миллион параметров от подготовки данных до генерации текста, очень многие концепции после этого естественным образом складываются в единую картину.

👉 @PythonPortal