🤖 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

🚧 TL;DR: «Карьера вайб‑кодера — это тупик» *(перевод статьи Florian Herrengt)*

1️⃣ LLM полезны, но в вайб-кодинге они превращаются в хаос
Claude создаёт код, но без понимания архитектуры — с багами, сбоями и техдолгом. Автор описывает, как при темпе 2–3 фичи в день всё быстро превращается в котёл неуправляемых PR и ошибок.

2️⃣ На старте — кайф производительности, но он временный
«Барьеры между мыслью и реализацией исчезают», — но чем сложнее проект, тем чаще Claude застревает, повторяет ошибки и требует ручной патчинг. Продуктивность падает ещё до появления скрытых последствий.

3️⃣ Навык вайб-кодинга быстро обесценивается
Освоить prompt → code можно за пару недель, но инструменты стремительно развиваются, и обучение новичков автоматизируется. Устойчивого преимущества — нет.

4️⃣ Теряется мысленная карта проекта
Скоро вы перестаёте понимать, что и где написано — просто проверяете чужие PR. Это уже не инженерия, а полуосознанный QA.

5️⃣ Вайб‑кодер — не программист, а посредник между QA и менеджментом
Автор предупреждает: опасны не ИИ, а те, кто доверяет им весь цикл. Вы лишь одобряете пул‑реквесты, часто даже не понимая логики изменений.

6️⃣ Системный дизайн и архитектура важнее, чем промпты
Если ставить всё на знание промптов, рынок обгонит вас за пару месяцев. А вот системное мышление и архитектурные навыки остаются фундаментом.

---

⚠️ Вывод: генераторы кода — инструмент, а не стратегия карьеры. Если не держать мышление под контролем, превращаешься в фасад для генератора. Развивай архитектурное мышление, а не «тусклое умение промптить».

Разум, энтропия и смысл: острова порядка во Вселенной 🌌

Во Вселенной всё стремится к выравниванию: горячее — остыть, сложное — распасться, разное — стать одинаковым. Это и есть энтропия — общее направление времени, в котором порядок рассеивается.
(Энтропия — мера хаоса или неопределённости в системе)

Но посреди этого течения вдруг возникают структуры, которые сопротивляются распаду. Одна из них — жизнь. Ещё Шрёдингер писал, что живое существует за счёт негэнтропии — локального уменьшения беспорядка, захваченного из среды.
(Негэнтропия — обратное энтропии: способность поддерживать упорядоченность)

Пригожин пошёл дальше: в открытых системах, через поток энергии, могут возникать диссипативные структуры — формы, которые упорядочиваются прямо из хаоса.
(Диссипативная структура — устойчивая форма, возникшая в неравновесной системе)

Современная физика продолжила эту линию. Джереми Инглэнд показал, что молекулы при определённых условиях естественным образом эволюционируют к состояниям, в которых лучше рассеивают энергию. Порядок становится выгодным.

Разум — высшая форма такого порядка. Не просто поддержание структуры, а создание различий: в понятиях, смыслах, решениях.
(Различие — минимальная единица смысла. Без различий нет информации.)

Смысл возникает там, где есть структура и различимость. Информационная теория Шеннона определяет это напрямую:
(Энтропия Шеннона — мера неопределённости в сообщении; смысл — в уменьшении этой неопределённости)

То есть смысл — это различие, закреплённое в форме. Разум — это инструмент, через который различие становится устойчивым.

Посмотри на Землю: она не просто планета, а узел высокой плотности энергии и смысла. Солнечное излучение, проходя через биосферу, создаёт всё более сложные формы.
(Энергетическая плотность — поток энергии через систему на единицу массы)

По расчётам Чейсона, живые системы имеют наибольшую энерго-информационную плотность среди всех известных объектов Вселенной — выше, чем у звёзд и галактик.
Мы живём в самой насыщенной точке локальной реальности. Мы — не побочный продукт. Мы — фокус гравитации различий.

Но когда различий слишком много, возникает новое напряжение.
В физике это называется сингулярность — точка, где плотность становится бесконечной, а законы перестают работать.
(Гравитационная сингулярность — крайняя точка коллапса материи, например, в центре чёрной дыры)

Метафора технологической сингулярности — это не страх перед машинами. Это страх потерять различимость в шуме. Быть не способным различить главное. Перегреться от плотности смыслов и раствориться в ней.

Поэтому вопрос не в том, будет ли сингулярность. Она уже началась.
Вопрос — сможем ли мы сохранить различимость, удержать формы, не превратиться в серый шум ускоренного мышления.

Каждое различие, удержанное разумом, — локальный акт сопротивления энтропии.
Разум — не наблюдатель, а участник.

Итог:
Разум — форма, в которой Вселенная различает себя.
Смысл — различие, стабилизированное в структуре.
Земля — не просто дом, а точка гравитации различий.
Сингулярность — не угроза, а предел плотности.
Не раствориться в шуме — значит не потерять вектор. Не потерять смысл.

Источники:

Schrödinger, *What is Life?* (1944)
Ilya Prigogine, *The End of Certainty* (1997)
Jeremy England, *Dissipation-driven adaptation* — Quanta Magazine
https://www.quantamagazine.org/first-support-for-a-physics-theory-of-life-20170726
Shannon, *A Mathematical Theory of Communication* (1948)
Eric Chaisson, *Energy rate density as a complexity metric*
https://pdodds.w3.uvm.edu/files/papers/others/2010/chaisson2010a.pdf
Long Now Foundation, *On the Singularity*
https://longnow.org/essays/singularity

⚙️ Rust: игра вдолгую или когда переписывать код?

🔸 Rust как хороший банковский вклад:
Поначалу дорогой и сложный, зато проценты стабильности и безопасности капают годами.

🔸 Зачем он нужен?
Rust заставляет быть честным с собой и с кодом. Если пройти начальный порог дисциплины, получишь масштабируемость, производительность и почти полное отсутствие сюрпризов.

🔸 Кто выигрывает в итоге?
Те, кто вовремя выбрали Rust или сумели грамотно переписать проект. У них на горизонте — устойчивость и ускорение.

🔸 Кто в проигрыше?
Компании, которые боятся притормозить в начале и предпочитают компромиссы в стиле «и так сойдёт». Потом им придётся спасаться от технического долга и переписывать уже из отчаяния.

🔸 Как не пропустить момент?
Переписывать надо вовремя — не слишком рано, увлекаясь идеальностью, и не слишком поздно, когда бизнес уже задыхается в legacy-коде.

🔸 Осознание и реальность:
Rust не для всех и не всегда. Он требует стабильных ресурсов, компетентных специалистов и готовности выдержать стартовую нагрузку. Важно понимать, что идеальная переписка бывает редко — эффективнее интегрировать Rust постепенно и осознанно.

📚 Источники:

* Microsoft и Google об опыте Rust
* Производительность Rust в реальных задачах
* Практический опыт переписывания систем на Rust
* Анализ применения Rust и его особенностей

TL;DR: Rust — это ставка на будущее, где выигрывают те, кто чувствует баланс между осознанностью сейчас и скоростью потом.

Deep Cogito v2: ИИ, который учится думать сам

Что это
Deep Cogito v2 — открытая линейка гибридных моделей с режимом *reasoning mode*, где ИИ может сначала обдумать задачу, а потом ответить. Основано на подходе *Iterated Distillation & Amplification* (IDA): модель оптимизирует свои выводы и «вшивает» улучшенное мышление обратно в себя.

Чем выделяется
— Цепочки рассуждений на \~60 % короче, чем у DeepSeek R1, при равных или лучших результатах.
— Линейка от компактных 70B Dense до гиганта 671B MoE, способного догонять закрытые модели вроде o3 и Claude 4 Opus.
— Эффективнее расходует токены — дешевле, быстрее, устойчивее.

Почему это важно
Это шаг от brute-force к «разумной экономии» мыслей: ИИ не просто быстрее выдаёт ответ, а выбирает оптимальный путь рассуждений. Возникает вопрос: это уже мост к AGI или просто новая волна оптимизации?

Вывод
Deep Cogito v2 — редкий пример open-source-модели, которая не только решает задачи, но и учится решать их умнее. Следить за ней стоит так же внимательно, как за любым прорывом в мышлении — человеческом или машинном.

Источники:
flipped-newsletter.beehiiv.com — https://flipped-newsletter.beehiiv.com/p/meet-the-671b-beast-deep-cogito-v2-s-self-improving-ai-45d6
docs.unsloth.ai — https://docs.unsloth.ai/basics/tutorials-how-to-fine-tune-and-run-llms/cogito-v2-how-to-run-locally
deepcogito.com — https://www.deepcogito.com/research/cogito-v2-preview
together.ai — https://www.together.ai/cogito

Случайность как фундамент Вселенной

Квантовый мир: никакого сценария
На уровне элементарных частиц нет строгих правил в духе «если А, то всегда Б». Квантовая механика работает иначе: любое событие существует в виде набора вероятностей, и лишь в момент измерения проявляется конкретный результат. Электрон может быть здесь и там одновременно, атом может распасться в любую секунду — но точно предсказать исход невозможно. Это свойство называется квантовой случайностью — и оно фундаментально, встроено в саму ткань реальности.

💡 Определения:
— Квантовая случайность — принципиальная непредсказуемость событий на уровне микромира.
— Флуктуация вакуума — краткий «всплеск» энергии и частиц в пустоте, возникающий спонтанно.

---

Рождение Вселенной и кварк-глюонная плазма
Когда произошёл Большой взрыв (13,8 млрд лет назад), первые миллионные доли секунды мир находился в состоянии кварк-глюонной плазмы. Это особая субстанция, в которой кварки (строители протонов и нейтронов) и глюоны (частицы-связки) не были «собраны» в привычные частицы. Всё плавало в океане вероятностей, подчиняясь квантовой случайности.

Учёные сегодня воспроизводят это состояние в ускорителях частиц, и оно ведёт себя как почти идеальная жидкость. Фактически, начальная Вселенная была не упорядоченной системой, а идеальным генератором случайных чисел.

💡 Определение:
— Генератор случайных чисел (ГСЧ) — устройство или процесс, который выдаёт непредсказуемые результаты. В отличие от компьютерных «псевдослучайных» генераторов, квантовый процесс является по-настоящему случайным. В первые мгновения существования Вселенной именно такая «машина случайности» определяла её дальнейшую судьбу.

---

От случайности к структурам
По мере расширения и охлаждения плазма стала собираться в устойчивые формы: сначала протоны и нейтроны, потом атомные ядра, позже — звёзды, галактики, планеты и жизнь. Но важно: всё это выросло из случайности, из непредсказуемых колебаний, а не по заранее написанному плану.

---

Философский вывод: свобода без диктата
Если фундамент реальности — случайность, значит, у мира не было жёсткого замысла и злой воли творца. Порядок и смысл возникли сами, как эмергентный результат хаотичных взаимодействий. В этом — парадокс: то, что кажется хаосом, оказалось условием свободы. Из квантового «шумового фона» выросла возможность порядка, а из порядка — возможность сознания задавать вопросы о собственном происхождении.

Вывод
В начале Вселенной действовал идеальный генератор случайных чисел — полная и подлинная непредсказуемость. Именно она стала условием свободы и источником смысла. Случайность — не хаос, а почва, из которой выросло всё, что мы знаем: звёзды, жизнь, разум и сама способность искать ответы.

Источники:
Randomness in Quantum Mechanics: https://arxiv.org/abs/1611.02176
Edward Tryon and the Universe as a fluctuation: https://en.wikipedia.org/wiki/Edward\_Tryon
Quark–gluon plasma: https://en.wikipedia.org/wiki/Quark%E2%80%93gluon\_plasma
CERN о воссоздании вещества Большого взрыва: https://home.cern/news/series/lhc-physics-ten/recreating-big-bang-matter-earth

Полтора часа кайфа 🤯 — Семихатов (физик), Сурдин (астроном) и Алипов (нейробиолог) обсуждают мозг и сознание в вагоне-купе 🚂🧠
От «кишечник — второй мозг?» и «как мозг предсказывает будущее» до «что значит “я”?», памяти, снов, эксперимента *комната Мэри* и вопроса — есть ли у ИИ сознание.
Живая и доступная беседа: люди без мозжечка, мозг растений, новые нейроны, почему мы забываем и зачем человеку большой мозг. Реально расширяет горизонты 👀✨

https://youtu.be/nzsRVwgx2vo?si=r1aa55Fw-XdEkfZS

🧠 Теории сознания: квантовая магия

Сознание остаётся одной из самых загадочных тем науки. Мы знаем, как работают нейроны и синапсы, но до конца не понимаем, как из этого рождается субъективный опыт — «я».

В этой серии я разберу две противоположные линии объяснения: от квантовой магии до строгой вероятностной машины.
Начнём с самой красивой и спорной идеи — квантового сознания.

🔮 Orch OR: сознание из квантов?
Роджер Пенроуз и Стюарт Хамерофф предложили теорию Orchestrated Objective Reduction (Orch OR).
Идея: в микротрубочках нейронов происходят квантовые процессы, и именно они рождают сознание.
Красиво: разум связывается с фундаментальной физикой, а не просто с биохимией.

⚠️ Где подвох?
— Проблема декогеренции: в живых клетках квантовая когерентность разваливается за ~10⁻¹³ секунды.
— Нет прямых экспериментов, подтверждающих квантовую природу мыслей.
— Аргументы Пенроуза о «некалькулируемости сознания» остаются спорными.

🧩 Статус
Теория Orch OR — яркий пример философской спекуляции под видом физики.
В научном сообществе консенсуса нет: большинство считает её красивой, но недоказанной идеей.

📌 Вывод
Квантовая магия сознания — отличная метафора и почва для фантастики, но не рабочая научная теория. Пока что она ближе к поэзии, чем к нейробиологии.

Источники:
— https://en.wikipedia.org/wiki/Orchestrated_objective_reduction
— https://arxiv.org/abs/quant-ph/9907009
— https://en.wikipedia.org/wiki/Stuart_Hameroff

#теориисознания
#квантовоесознание
#предсказательные_модели
#нейрофилософия

🧠 Теории сознания: предсказательная машина

Часть 1

Мы знаем, что мозг не просто реагирует на мир — он всё время пытается его предугадать. На этой идее построена теория predictive coding, предложенная Карлом Фристоном.

⚡ Суть
Мозг — это вероятностный автомат, который непрерывно минимизирует разницу между предсказанием и реальностью.
Любое ощущение, мысль или действие — результат игры между тем, что мозг ожидал, и тем, что реально произошло. Ошибка предсказания (*prediction error*) становится топливом для обучения и корректировки моделей.

🔍 Доказательная база
— Эксперименты с иллюзиями показывают: мозг достраивает картину мира на основе ожиданий.
— Нарушения predictive coding связаны с психическими расстройствами: при шизофрении мозг слишком доверяет сенсорике, при депрессии — слишком внутренним ожиданиям.
— Во сне или в состоянии внимания ошибки предсказаний ведут себя по-разному, что подтверждает универсальность механизма.

🤖 Параллель с ИИ
GPT и другие модели работают точно так же — учатся предсказывать будущее состояние (следующее слово, кадр или шаг).
Сознание в таком подходе — это слой высших предсказаний, где мозг согласует сенсорику, память и действия.

📌 Вывод
Предсказательное кодирование показывает сознание не как мистику, а как статистическую игру в угадайку. И чем лучше мозг предсказывает — тем яснее он ощущает и мир, и самого себя.

Источники:
— https://en.wikipedia.org/wiki/Predictive_coding
— https://www.frontiersin.org/articles/10.3389/fpsyg.2017.01710/full
— https://www.nature.com/articles/nn.4287

#теориисознания
#квантовоесознание
#предсказательные_модели
#нейрофилософия

🕳 Время, чёрные дыры и предел науки

Можно ли разорвать причинно-следственные связи? Что происходит в центре чёрной дыры — и почему кажется, что время ускоряется или вовсе исчезает?

Алексей Семихатов рассуждает о квантовых состояниях, теории относительности и границах познания. Есть ли у науки предел или мы всегда будем открывать новое?

🎥 Смотрите интервью:
https://youtu.be/8tfkW9Vh3wY?si=zdrR3puP649QHlOQ