Вчерашний мем про сравнение казино и вайбкодинга

можно еще сделать сравнение между постановкой задач разработчикам и написанием промтов для вабкодинга

там тоже могут быть как минимум:
- Может получиться приложение без багов а может и бред
- Подождите, я что потратил 3 часа на описание задачи которую бы сделал за 20 минут

Китайский BCI помогает человеку с ограничениями играть в видеоигры

В июне 2025 г. группа исследователей из Центра передового опыта в науках о мозге и искусственном интеллекте (CEBSIT) Китайской академии наук совместно с клиникой при Университете Фудань внедрила инвазивный интерфейс «мозг–компьютер» пациенту, лишённому всех четырёх конечностей после удара током 13 лет назад. Устройство размером с монету и гибкими электродами было имплантировано через минимальную трепанацию черепа. Через 2–3 недели реабилитации пациент уже управлял курсором, играл в автогонки и шахматы (Xinhua, 14 июня 2025).

Гибкие нейроды, длиной 5–8 мм и толщиной около 1 % человеческого волоса, содержат около 32 микросенсоров, способных считывать электрические сигналы нейронов с высоким разрешением. Они меняют форму вместе с мозговыми тканями, не вызывая воспалительных реакций. Благодаря этому устройство работает стабильно, без отказов и инфекций (WAM, 15 июня 2025).

Развитие идёт в несколько этапов:

1. Игры и манипуляции мышью: пациент уже демонстрирует способность к игрaм.
2. Роботизированные руки и ИИ‑агенты: цель на ближайшие этапы — управление робот‑рукой для захвата предметов и взаимодействия с роботами‑собаками (Xinhua, WAM).
3. Масштабирование и коммерциализация: крупные испытания планируются на 2026 г., а доступ на рынок — к 2028 г. Система инициируется как медицинское устройство для улучшения жизни людей с ампутациями, повреждениями спинного мозга и СППГ (ALS) (Tom's Hardware, Jun 16; Xinhua).

---

Почему это важно:

* Развитие BCI конкретно для реабилитации: не фантастика, а реальные впечатляющие кейсы.
* Инновационные нейроэлектроды: сверхгибкие, миниатюрные, совместимые с тканью мозга.
* Быстрые временные рамки: всего несколько недель до первых результатов.
* Путь к практическому применению: от игр к помощи в повседневной жизни через робототехнику.

---

Заключение:

CEBSIT в Китае демонстрирует прорыв — человек без конечностей играет в видеоигру и управляет компьютером только силой мысли благодаря монетному BCI‑импланту. Технология доказала себя стабильной, безопасной и перспективной. Следующие шаги — управление роботизированной рукой и масштабирование, с коммерческим стартом уже к 2028 году.

Источники:

* Xinhua, 14 июня 2025 — «Chinese research team launches clinical trial…»
* WAM, 15 июня 2025 — «…coin-sized BCI… ultra‑flexible electrodes…»
* Tom’s Hardware, 16 июня 2025 — «Tetraplegic patient could skillfully operate racing games…»

https://english.news.cn/20250614/ec48c9fa433342889b8a954a3958114d/c.html "Chinese research team launches clinical trial for invasive brain ..."
https://www.wam.ae/en/article/15mbilz-chinese-research-team-launches-clinical-trial-for "Chinese research team launches clinical trial for invasive brain ..."
https://www.the-independent.com/tech/ai-brain-chip-china-neuralink-b2770779.html "China tests brain chip to control AI agents | The Independent"
https://www.tomshardware.com/peripherals/wearable-tech/china-launches-first-ever-invasive-brain-computer-interface-clinical-trial-tetraplegic-patient-could-skillfully-operate-racing-games-after-just-three-weeks "China launches first-ever invasive brain-computer interface clinical ..."
https://news.cgtn.com/news/2025-07-06/China-s-brain-computer-interface-innovation-in-fast-lane-1EMA5RV3rnG/p.html "China's brain-computer interface innovation in fast lane - CGTN"

Ностальгическое:

Не учатся ничему некоторые, и учиться не хотят.
То ли туториалов от блогеров насмотрелись,
то ли крышу срывает от жажды метрик.
Ты ему про сингулярное разложение,
а он тебе: «А inference ускорит?»
Ни о чём думать не хотят, кроме latency и deploy.
Пока весь пайплайн не схлопнется в переобучение.

Робот-хирург провёл 8 операций с нулевой смертностью

Команда из Johns Hopkins University представила революционного робота-хирурга, который самостоятельно удаляет желчный пузырь без участия человека. И да, успех составляет 100% во всех восьми проведённых операциях.

Робот SRT-H (Surgical Robot Transformer-Hierarchy) обучался исключительно на видеозаписях реальных операций. Никаких заранее запрограммированных движений — только наблюдение за работой опытных хирургов и самостоятельное понимание процесса. Это кардинально отличается от предыдущих подходов.

Самое впечатляющее — робот понимает и адаптируется в реальном времени. Если ткани выглядят не так, как ожидалось, он корректирует свои действия. Может реагировать на голосовые команды медперсонала, словно опытный коллега в операционной. Естественно, машина работает на основе ИИ-модели.

Операция по удалению желчного пузыря требует выполнения 17 различных задач, каждая из которых длится несколько минут. Робот точно идентифицирует протоки и артерии, стратегически размещает зажимы и делает разрезы ножницами. Уровень механической точности сопоставим с работой опытных хирургов.

Доктор Азвл Кригер, руководивший исследованием, подчёркивает ключевое отличие: "Мы перешли от роботов, выполняющих конкретные хирургические задачи, к роботам, которые действительно понимают хирургические процедуры". Это понимание позволяет работать в непредсказуемых условиях реальной медицины.

Пока операции проводились на реалистичных человекоподобных моделях с тканями, максимально близкими к человеческим. Ранее тот же робот показал 100% успех при работе с органами свиньи, что подтверждает стабильность результатов на разных типах тканей.

SRT-H работает медленнее людей, но качество результатов остаётся на профессиональном уровне. Исследователи сравнивают процесс обучения робота с подготовкой хирургов-резидентов, которые тоже осваивают разные части операции с разной скоростью.

Следующий этап — расширение хирургического репертуара робота и повышение автономности. Цель амбициозная: создать систему, способную проводить сложные операции без какого-либо надзора или внешней обратной связи.

@vselennayaplus

ИИ охладил фасад — и не вспотел

С помощью машинного обучения учёные из США, Китая и Сингапура вывели формулу сверхотражающей краски, которая понижает температуру зданий до 20 °C. Без вентиляторов, без фреона — просто краска, которая отражает 96–98% солнечного света и пассивно "выдыхает" тепло в инфракрасном диапазоне.

Экономия на охлаждении — до 15 800 кВт·ч в год с одного дома. Это как выключить 10 000 кондиционеров на тысячу зданий. И всё это — не на этапе рендера, а на стадии реальных испытаний.

ИИ не просто решает задачи — он учится охлаждать города. Может, он и нас научит не перегреваться.

https://www.theguardian.com/technology/2025/jul/02/ai-helps-find-formula-for-paint-to-keep-buildings-cooler

Transformer (GPT) — не финал, а просто мост. Что дальше?

---

Что такое Transformer, простыми словами
Transformer — это архитектура, на которой работают почти все современные языковые модели, включая ChatGPT. Представь себе модель, которая читает весь текст сразу и пытается понять, какие слова важны друг для друга, даже если они далеко друг от друга.
Она делает это с помощью механизма внимания (attention) — как будто смотрит на текст и решает: “О, это слово связано с тем, а это — с другим”.
Благодаря этому Transformer хорошо справляется с переводом, написанием текстов, кодом, анализом изображений и даже музыкой. Но у него есть серьёзные ограничения — об этом дальше.

---

1. Почему Transformer уже не тянет
Чтобы понять каждый токен в тексте, Transformer сравнивает его со всеми остальными. Чем длиннее текст — тем больше вычислений. Это называется квадратичная сложность и это очень тормозит работу на длинных последовательностях.
Альтернатива — архитектуры вроде Mamba или RetNet, которые используют другой принцип: state space модели. Они масштабируются гораздо лучше — линейно, а не квадратично.

---

2. Что такое Mamba и в чём её фишка
Mamba работает не с “вниманием”, а с “памятью”. Она не сравнивает каждое слово с каждым, а запоминает суть, фильтрует лишнее и смотрит только на важное.
Она использует state space model (SSM) — это способ обработки последовательности, где важен порядок и контекст, но не нужно всё хранить в голове.

---

3. Простая структура — быстрая работа
У Mamba нет сложных блоков внимания. Всё основано на SSM + обычных слоях нейросети (MLP). Это делает её проще, быстрее и менее прожорливой. И при этом она показывает сравнимые (а иногда и лучшие) результаты.

---

4. Появляются гибриды — лучшее из обоих миров
Модели вроде RetNet, Hyena, MoE‑Mamba, Jamba объединяют разные подходы. Одни используют “пошаговую память”, другие — гибкую фильтрацию, третьи — делят задачи между “экспертами”.
Это уже не просто улучшение трансформера, а новые поколения ИИ.

---

5. Liquid Neural Networks — вдохновлены биологией
В MIT сделали нейросети, которые меняют поведение прямо во время работы — как нейроны в мозге. Они устойчивее, энергоэффективнее и умеют адаптироваться “на лету”. Это пока эксперимент, но очень перспективный.

---

Главная мысль
Transformer (и GPT) — это революция, но не конец истории. Он дал нам мощные языковые модели, но стал узким горлышком для следующего уровня.
Будущее — за гибридными и новыми архитектурами: Mamba, RetNet, Liquid‑сети, которые работают быстрее, проще, дешевле — и ближе к тому, как работает наш мозг.

---

Ссылки на источники:
Mamba (arXiv): arxiv.org/pdf/2312.00752
RetNet: arxiv.org/abs/2307.08621
Liquid Neural Networks (Wired): wired.com/story/liquid-ai-redesigning-neural-network
Mamba (Wikipedia): https://en.m.wikipedia.org/wiki/Mamba_(deep_learning_architecture)

ИИ, который думает как мозг — и что с этим делать в понедельник

🧠 Brain‑Inspired AI: нейросети с топографией разума
Исследователи из Georgia Tech представили архитектуру TopoNets, в которой нейроны группируются по функциям — как в мозге. Это не просто аналогия, а структурный подход: похожие вычисления — рядом.
Плюс до +20% эффективности и снижение энергозатрат.

Что меняется:

* Интерпретируемость: модель легче понимать и анализировать
* Гибкость: без доработок работает на разных задачах
* Модульность мышления: подход не кода, а смысла

Главная мысль
ИИ стремится к живому мышлению — это не подражание, а слияние. Модель структурирует мир как мозг: по смыслу, связям и приоритетам. То же можно делать с задачами, решениями и идеями — не линейно, а через сеть.

Источник: "Brain-Inspired AI Breakthrough Spotlighted at Global Conference": https://news.research.gatech.edu/2025/06/26/brain-inspired-ai-breakthrough-spotlighted-global-conference

Dyson переизобрел сельское хозяйство

Пока все думают о Dyson как о производителе пылесосов и фенов, Джеймс Дайсон тихо революционизирует агротехнологии. В графстве Линкольншир компания построила 26-акровую вертикальную ферму с 1,225,000 растений клубники — и это впечатляет не меньше их инженерных разработок.

Главная фишка фермы — гигантские вращающиеся колёса размером 24 на 5 метров, весом полтонны каждое. Это самая крупная конструкция, которую когда-либо создавал Dyson. Колёса медленно поворачиваются, обеспечивая растениям оптимальное освещение в течение дня — как космическая станция, только для ягод.

По проходам между растениями курсируют специализированные роботы. УФ-боты облучают листья светом, убивая плесень и грибки. Роботы-распределители выпускают полезных насекомых для борьбы с тлёй — биологическая защита вместо пестицидов. А когда ягоды созревают, 16 роботизированных рук деликатно собирают урожай.

Цифры впечатляют: за один месяц роботы собрали 200,000 ягод. Годовая производительность составляет 1,250 тонн клубники с площади, которая в традиционном сельском хозяйстве дала бы в разы меньший урожай.

Дайсон подходит к фермерству как инженер-производственник: "Выращивание — это как изготовление вещей. Я производитель, поэтому рассматриваю сельское хозяйство с этой точки зрения. Как сделать процесс эффективнее? Какие технологии улучшат качество, вкус продуктов, оптимизируют использование земли?"

Dyson-клубнику уже продают в Британии.

@vselennayaplus

ChatGPT как пилот космического корабля

1. Контекст эксперимента
В рамках симуляционного соревнования Kerbal Space Program Differential Game Challenge, исследователи из MIT и Политехнического университета Мадрида протестировали ChatGPT как бортовой ИИ. Ему предоставляли телеметрию в текстовом виде, а он генерировал команды управления кораблём.

Kerbal Space Program (KSP) — это реалистичный симулятор космических полётов, в котором игроки (или ИИ) проектируют ракеты, запускают их, выводят на орбиту и сажают на другие планеты. Игра известна своей точной физикой и давно используется не только энтузиастами, но и инженерами и учёными как платформа для тестирования орбитальной механики и автономных систем.

2. Как это работало
— Телеметрия корабля (позиция, скорость, цели) подавалась как текстовый ввод.
— ChatGPT генерировал пошаговые инструкции для пилотирования: включить двигатели, изменить курс, провести манёвр.
— Прослойка конвертировала команды в действия в симуляторе KSP.

3. Результаты
— ChatGPT занял второе место среди всех участников, включая классические алгоритмы навигации.
— Он показал способность принимать разумные решения в новых условиях, опираясь только на текстовое описание и встроенные знания.

4. Почему это важно
— ChatGPT не проходил специального обучения на данных из KSP.
— Он использовал обобщённые знания и контекстный reasoning для управления, что делает его потенциально универсальным инструментом для автономных миссий.

5. Ограничения
— Возможны галлюцинации и ошибки в критических условиях.
— Модель не обладает встроенным "пониманием" физики — всё работает через язык.
— В реальной миссии потребуется строгая фильтрация и валидация решений.

6. Что дальше
— Возможность использовать LLM в связке с физическими моделями (гибридный подход).
— Перспектива интеграции ChatGPT‑подобных агентов в системы автономного управления реальных космических аппаратов.
— Вопрос: если ИИ может управлять кораблём без обучения — стоит ли ему доверить что-то большее?

Источник:
https://www.space.com/space-exploration/launches-spacecraft/chatgpt-could-pilot-a-spacecraft-unexpectedly-well-early-tests-find

🤖 ИИ не заменит мышление. Как фастфуд не заменит вино и домашний хлеб.

Автоматизация — это массово. Но массовое ≠ глубокое.
ИИ собирает тексты, картинки, музыку, код — по шаблону.
Но не понимает, зачем и что это значит.
Он решает как, но не чувствует зачем.

🧠 Hand-made мышление снова в цене:
• мысли, не отрефреймленные по мануалу
• идеи вне обучающей выборки
• логика с трещинами — но своя

🌀 ИИ рождает инфо-барахолку.
А она — взращивает спрос на авторство.
На интуицию. На живую точку зрения.
На то, что не дообучить.

ИИ создаёт много.
Цениться будет уникальное.
ИИ спрашивает — как.
Человек отвечает — зачем.

Если ты умеешь думать по‑своему — ты не устареешь.

🧷 Люди с ИИ заменят тех, кто без него.
— Harvard Business Review: https://hbr.org/2023/08/ai-wont-replace-humans-but-humans-with-ai-will-replace-humans-without-ai

Тайна креативности ИИ

Физики из Стэнфорда разгадали один из главных парадоксов современного ИИ. Почему нейросети, которые копируют данные, вдруг начинают творить?

Диффузионные модели вроде DALL·E работают как "умный шредер" — превращают картинку в шум, а потом восстанавливают. Но вместо точной копии получается что-то новое и осмысленное. Как?

Мейсон Камб и Сурья Гангули нашли ответ в самих "недостатках" системы. Оказывается, креативность — это прямое следствие двух технических ограничений.

Первое — "локальность". Модель смотрит только на маленькие кусочки изображения, не видя общей картины. Камб сравнивает это с развитием эмбрионов — триллионы клеток координируются без "генерального директора", реагируя только на сигналы соседей. Второе — "эквивариантность": система автоматически подстраивается под любые сдвиги входных данных.

Исследователи создали математическую модель ELS, которая работает исключительно на этих двух принципах. Никакого обучения, никаких терабайтов данных — только чистая математика.

Результат оказался интересным: их простая модель предсказывала поведение сложнейших обученных нейросетей с точностью 90%! Для машинного обучения это "неслыханная" точность.

"Как только мы ввели локальность, креативность стала автоматической", — объясняет Камб. То есть те самые "ограничения", которые мешают нейросети делать точные копии, заставляют ее импровизировать.

Вспомните первые ИИ-изображения людей с лишними пальцами. Это не баг — это прямое следствие локального подхода! Как и в биологии, где иногда развитие эмбриона дает сбой и появляются дополнительные конечности, система рисует отдельные участки, не понимая, как они впишутся в финальную картину.

Открытие имеет огромное значение. Впервые удалось математически формализовать креативность ИИ и доказать, что она возникает из архитектуры системы.

Правда, это объясняет только диффузионные модели. Большие языковые модели тоже творят, но работают по другим принципам. Так что тайн в мире ИИ еще хватает!

@vselennayaplus

🧠 Дообучение маленьких моделей против больших: кто вывозит и когда

О чём вообще речь?

В машинном обучении (ML) часто берут уже готовую языковую модель и адаптируют под свою задачу — это называется fine-tuning, тонкая настройка.

Бывает два типа моделей:

– SLM (Small Language Model) — маленькая модель, до 7 млрд параметров
– LLM (Large Language Model) — большая, от 13 млрд и выше

Параметры — это числа в модели. Чем их больше, тем она «умнее»… и прожорливее.
LoRA / PEFT / QLoRA — методы, которые позволяют дообучать только часть модели. Быстро, дёшево, удобно.

---

Плюсы маленьких моделей (SLM)

⛽ Малый расход, большой выхлоп
Можно запускать локально. Даже на ноуте с RTX 4070 Ti. Быстро, дёшево, по-своему кайфово.

🎯 Лучше в узком
Если задача — документы, поддержка, медицина или база знаний компании — дообученный SLM даст точность выше GPT‑4.

🛡️ Приватность и контроль
Работаете с внутренними данными — всё остаётся на вашей стороне. Никаких API, никаких облаков.

🚀 Скорость
SLM отвечает мгновенно. Без лага, без прогрева. Как хороший собутыльник — сразу в точку.

📚 techradar: “Small models, big wins”
📚 blog.premai.io: “Fine-tuning Small Language Models”

---

Минусы маленьких моделей

🤏 Мало памяти = мало мышления
Контекст короткий, логика поверхностная. Сложные цепочки и философия — не про них.

📉 Переобучение
Если мало данных — модель начнёт "залипать" на повторении и деградировать. Это называется overfitting.

📚 medium.com: “Advantages and disadvantages of fine-tuning”

---

Плюсы больших моделей (LLM)

🌍 Широкий контекст
LLM натренированы на триллионах токенов. Они понимают язык, намёки, иронию, дают развёрнутые, логичные, даже творческие ответы.

🧩 Гибкость
Иногда даже без дообучения можно добиться хороших результатов просто промптами. А если обучить — получите универсального помощника.

🎨 Креатив
LLM умеет придумывать, связывать неочевидное, выдавать инсайты и оригинальные ходы.

---

Минусы больших моделей

💸 Цена
Для дообучения нужны A100, H100, куча VRAM и электричества. Даже inference дорого стоит, если речь про GPT‑4.

🕳️ Потеря контроля
Всё через облако, всё чужое. API = зависимость. Приватности — ноль.

🧠 Катастрофическое забывание
Если не умеешь обучать — модель может «забыть» старые знания. Называется catastrophic forgetting.

📚 arxiv.org: LoRA paper
📚 superannotate: “LLM fine-tuning: всё, что надо знать”

---

Как лучше всё организовать?

1. Начни с малого
Скачай SLM: LLaMA‑3‑8B, Mistral‑7B, Phi‑2 или TinyLlama.
Запусти через Ollama, llama.cpp или vLLM.

2. Подготовь датасет
300–3000 пар “вопрос–ответ” хватит, особенно если задача узкая. Можно частично сгенерить на GPT‑4 и вручную дообработать.

3. Используй LoRA / QLoRA / PEFT
Это способ дообучать быстро, не трогая всю модель. Работает на обычной видеокарте, занимает в разы меньше места.

4. Подключи RAG
Если нужен доступ к базе знаний или фактам — поставь Retrieval-Augmented Generation. SLM + поиск = сила.

5. Следи за качеством
Делай валидацию, останавливай обучение при переобучении, сравнивай с базовой моделью.

6. LLM — только если надо
Когда задача требует логики, креатива, многоконтекстности — да, бери GPT‑4 или Claude. Но осознанно и с уважением к ресурсам.

---

Вывод

Если бюджет ограничен, задача узкая, а хочется контроля — маленькая модель дообучается за день и работает локально.
Если нужна глубина, ширина, и немного магии — большой моделью не обойтись, но это уже другая лига.

SLM — для локального узкого интеллекта.
LLM — как креативный и логичный советник.
Они не конкуренты — они команда.

AWS запускает Agentic AI — ИИ‑агенты берут бизнес‑процессы под контроль

Что случилось?

На AWS Summit New York AWS анонсировали революционные инструменты: Kiro — IDE для агент‑ориентированной разработки, а также полноценную платформу Amazon Bedrock AgentCore, которая выводит агенты в продакшн с инфраструктурой, безопасностью, памятью, мониторингом и интеграциями

Почему это важно?

- Переход от прототипов к промышленных решениям — AgentCore позволяет масштабировать агенты на тысячи пользователей, с полной сессией и контролем доступа
- Игрушки становятся софт‑сервисом — по словам Swami Sivasubramanian, VP AWS Agentic AI, агенты — «Это тектонический сдвиг… самое значимое с момента появления Интернета»
- Прозрачность и доверие — платформа включает управление идентификацией, памятью, безопасным доступом к сервисам, наблюдением и журналированием

Что умеют агенты AWS?

- AgentCore Runtime — серверлесс‑среда с изолированными сессиями, масштабируемая до тысяч одновременных пользователей и поддерживающая выполнение агентов до 8 часов
- Memory & Identity — кратковременная и долговременная память + безопасный доступ к AWS и внешним сервисам
- Gateway, Browser, Code Interpreter — агенты получают API, могут ходить в браузер, писать и выполнять код в песочнице
- Observability — live‑мониторинг, трассировка, логика действий, причины принятия решений
- Kiro IDE — агент‑кодер преобразует идеи в архитектуру, тесты, документацию и финальный код

Что это меняет в бизнесе?

- 🛠 Скорость и надёжность — от идеи до продакшна в разы быстрее, без долгов и рисков.
- 🔐 Безопасность на уровне банковских операций — Identity и Memory защищают данные.
- 📦 Покупай и запускай — AWS Marketplace с агентами от Anthropic, IBM, Brave и др. запущен
- 💰 Инвестиции и экосистема — дополнительные $100 млн в пользу Agentic AI Innovation Center

Вывод:

AWS заявляет: агенты — не просто фича, а новая эра IT‑разработки. Это сдвиг парадигмы: самоуправляемый софт, изначально построенный как сервис — безопасный, масштабируемый, глубоко встроенный в процессы. Всё ближе к формуле “люби или умри без агента”.
Пора задать вопрос: сколько функций в вашем бизнесе уже можно передать ИИ‑агенту? И что, если завтра они будут управлять не только кодом, но и клиентским опытом, финансами и стратегией?

Источник: TechRadar, ссылка: https://techradar.com/pro/aws-launches-kiro-an-agentic-ai-ide-to-end-the-chaos-of-vibe-coding
Источник: TechRadar, ссылка: https://techradar.com/pro/aws-looks-to-super-charge-ai-agents-with-amazon-bedrock-agentcore
Источник: IT Pro, ссылка: https://itpro.com/cloud/cloud-computing/three-of-the-biggest-announcements-from-aws-summit-new-york
Источник: TechRadar, ссылка: https://techradar.com/pro/its-a-tectonic-change-aws-ai-head-calls-agents-the-most-impactful-change-weve-seen-since-the-dawn-of-the-internet

✍️ Дневник, 10–24 июля 2025
Краткий трек по изученному.

🦀 Rust
Разобрался с замыканиями: как они захватывают переменные (Fn, FnMut, FnOnce), как работают в итераторах

Сделал многопоточный счётчик на 200 потоков через Arc<Mutex<T>>

Освоил mpsc::channel(), реализовал асинхронную передачу сообщений, закрыл каналы вручную

Написал async-функции с задержками, поработал с tokio::join! и spawn

Потренировался с HashMap / HashSet, делал word counter и находил пересечения множеств

Поигрался с итераторами — .fold(), .partition(), .zip() — обработал статистику за один проход

Написал простой анализатор частоты слов в файле, подтянул fs::read_to_string, обработку ошибок через Result и ?

🧠 ML-направление
Пройден блок по линейной алгебре:

Векторы, матрицы, размерности

Норма, скалярное произведение, нормализация

Транспонирование, сложение векторов

Разобрали ЦПТ, биномиальное распределение, приближение к нормальному

Начал чувствовать философский слой в SVD: коллапс, вырождение, смысловая нагрузка в нейросетях

Wi-Fi вместо камер: как роутер научился узнавать людей

Представьте, что ваш обычный Wi-Fi роутер может узнавать, кто именно находится в комнате. Без камер, без микрофонов - только по тому, как радиоволны проходят через человеческое тело. Исследователи из Римского университета Ла Сапиенца создали систему WhoFi, которая делает именно это.

Суть технологии проста до гениальности. Когда Wi-Fi сигнал проходит через помещение, он сталкивается с препятствиями - стенами, мебелью и... людьми. Каждый человек по-своему искажает радиоволны. Наши кости, органы и даже состав тела создают уникальную "радиобиометрическую подпись". Это как отпечатки пальцев, только в радиодиапазоне.

Система анализирует CSI (Channel State Information) - детальную информацию о том, как меняется сигнал при прохождении через пространство. Обычные методы измеряли только силу сигнала, но CSI дает гораздо более точную картину на уровне отдельных поднесущих частот. Точность идентификации человека 95.5% с первой попытки при помощи нейросетей.

Преимущества перед камерами очевидны. Wi-Fi работает в полной темноте, проходит через стены и препятствия, не нарушает приватность (никто не увидит, во что вы одеты). При этом система различает людей даже когда они носят разную одежду - рюкзак или пальто не мешают идентификации.

Конечно, пока это только исследовательский проект. Тестирование проводилось всего на 14 участниках в контролируемых условиях. Но потенциал огромен - от умных домов, которые узнают членов семьи, до систем безопасности нового поколения. Или слежка против воли, тут уж выбирайте сами…

@vselennayaplus

Апатия — встроенный режим защиты, а не сбой мотивации

Свежая работа из Cold Spring Harbor Laboratory описывает нейронную цепь, через которую воспаление в крови подавляет мотивацию.
Иммунные сигналы активируют специфические клетки в мозге, вызывая снижение желания действовать. Это не субъективное ощущение, а физиологически детерминированный механизм.

Основные выводы:
• Апатия может быть прямым следствием воспаления, а не следствием психологических факторов.
• Обнаружена конкретная нейросхема, связывающая иммунный ответ с центрами мотивации.
• Такая реакция организма рассматривается как способ перераспределения энергии на восстановление.

Зачем это важно:
• Предлагается новая интерпретация хронической усталости при воспалительных заболеваниях.
• Возможны новые терапевтические подходы: в том числе — через воздействие на иммунные рецепторы в мозге.
• Пересматривается граница между «психологическим» и «физиологическим» в понятии воли к действию.

Контекст:
Исследование касается, в частности, состояний при онкологии, хронических воспалениях, а также ситуаций, где наблюдается системная апатия при отсутствии выраженных психологических причин.

Источник:
Cold Spring Harbor Laboratory, июль 2025
https://www.cshl.edu/mind-blowing-neuroscience-research

Пиковая альфа-частота и субъективное время: как мозг «нарезает» реальность на кадры

⏱️ Что такое пиковая альфа-частота и зачем она нам
Пиковая альфа-частота — это наиболее выраженная частота электрических колебаний мозга в альфа-диапазоне (примерно от 8 до 13 герц), которую можно увидеть на электроэнцефалограмме (ЭЭГ) в состоянии покоя с закрытыми глазами.
Проще говоря, это частота, с которой мозг "щелкает" внутренним метрономом, разбивая поток ощущений на небольшие фрагменты.

Эта частота не универсальна — у каждого она своя. И вот что интересно:
Чем выше у человека эта альфа-частота, тем лучше он различает события, происходящие с минимальным временным интервалом — например, две коротких вспышки света с разницей в доли секунды.
Это происходит потому, что у такого человека временное окно связывания (то есть диапазон, в который мозг сливает события в "одно") — ýже. Это и есть улучшенная "временная чёткость".

📊 Что показал метаанализ (Samaha & Romei, 2024)
Исследователи собрали данные из 27 научных работ с участием почти 800 человек.
Выяснилось, что у людей с более высокой альфа-частотой мозг точнее различает последовательность событий, происходящих с интервалом менее одной секунды.
Средняя сила связи между альфа-ритмом и временной точностью — около 0.43 по шкале корреляции, что довольно надёжно.
То есть — у таких людей нервная система буквально работает с более высокой "частотой кадров", как хороший монитор.

👁 Альфа-ритм и зрительное восприятие времени
Один из примеров — задержка глазных движений (так называемая латентность саккад).
Если у человека высокая альфа-частота, его глаза быстрее и точнее нацеливаются на новый объект.
У младенцев, например, в возрасте от 6 до 18 месяцев наблюдается рост этой частоты, и параллельно улучшается способность различать короткие визуальные события.
У взрослых людей было замечено, что фаза альфа-ритма даже синхронизирует движения глаз при чтении: как будто мозг подаёт сигнал — когда "перевести взгляд".

🧪 Можно ли напрямую повлиять на альфа-ритм?
Некоторые учёные пытались "подстроить" альфа-частоту с помощью слабых электрических колебаний (tACS — транскраниальная переменная стимуляция).
В ряде экспериментов это помогло: участники становились точнее в заданиях, где нужно различать мелькающие вспышки или определять порядок событий.
Но в других — не помогло совсем. Особенно, если задача требовала оценки более длинных промежутков времени или если человек был не в форме.
Вывод: пока нет надёжных доказательств, что можно стабильно изменить восприятие времени, просто воздействуя на альфа-ритм.

🌀 Почему во «включённом» состоянии время пролетает
Когда мы глубоко вовлечены во что-то — будь то работа, спорт или игра, — мы ощущаем, будто время "ускоряется".
Это связано не с изменением частоты альфа-ритма, а с временным "затуханием" активности лобных отделов мозга (феномен называют временной гипофронтальностью).
Мозг как бы отключает контроль и разрешает сенсорным каналам работать напрямую.
Ты не следишь за временем — ты просто в нём. И оно перестаёт тянуться, как на скучной лекции.

🎯 Как это применить на практике
— Попробуй почувствовать субъективное течение времени до и после разных практик: дыхания, медитации, чтения, прокрастинации.
— Наблюдай: замедляется ли восприятие, становится ли "острее" внимание.
— Тренируй внимательность и временную чувствительность с помощью ритмичных дыхательных упражнений, сосредоточенной прогулки, аудио-внимания к окружающим звукам.

Вывод:
Частота альфа-ритма — это не просто биомаркер, а возможно, ключ к нашему внутреннему времени.
Более высокий ритм — более тонкое восприятие происходящего, лучшее разделение событий, более быстрая реакция.
Хотя наука ещё не доказала окончательно, что это причина, а не просто корреляция, уже сейчас можно использовать альфа-ритм как инструмент настройки внимания и восприятия.

Источник: Samaha & Romei, 2024 — Alpha-Band Frequency and Temporal Windows in Perception: A Review and Living Meta-Analysis of 27 Experiments
https://direct.mit.edu/jocn/article-abstract/36/4/640/117868/Alpha-Band-Frequency-and-Temporal-Windows-in