🚀 OpenGauss: Умный оркестратор для Lean-работ
OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI.
🚀Основные моменты:
- Многоагентная архитектура для Lean-работ
- Поддержка различных рабочих процессов: prove, draft, autoprove
- Удобное управление проектами и сессиями
- Интеграция с Lean tooling и MCP/LSP
📌 GitHub: https://github.com/math-inc/OpenGauss
OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI.
🚀Основные моменты:
- Многоагентная архитектура для Lean-работ
- Поддержка различных рабочих процессов: prove, draft, autoprove
- Удобное управление проектами и сессиями
- Интеграция с Lean tooling и MCP/LSP
📌 GitHub: https://github.com/math-inc/OpenGauss
❤5👍2
Топ-12 GitHub-репозиториев по ИИ, отобранных по популярности и количеству звезд 🧑💻
Что бы ты добавил к этой подборке?
Что бы ты добавил к этой подборке?
Please open Telegram to view this post
VIEW IN TELEGRAM
🌚9
🚀 GPT-5.4 Pro решил открытую задачу из FrontierMath
Kevin Barreto и Liam Price с помощью GPT-5.4 Pro нашли решение,
которое подтвердил математик Will Brian (UNC Charlotte)
Речь про одну из открытых задач в FrontierMath и уже готовится публикация:
- это не просто «помог ИИ»
- это полноценная конструкция
- проверена экспертом
https://x.com/EpochAIResearch/status/2036114281985724906
Kevin Barreto и Liam Price с помощью GPT-5.4 Pro нашли решение,
которое подтвердил математик Will Brian (UNC Charlotte)
Речь про одну из открытых задач в FrontierMath и уже готовится публикация:
- это не просто «помог ИИ»
- это полноценная конструкция
- проверена экспертом
https://x.com/EpochAIResearch/status/2036114281985724906
❤8👍6👎5🔥1
🚨 MIT выпустил тревожную работу про ChatGPT. Но вирусный пересказ сильно всё перекрутил.
Исследователи из MIT CSAIL и University of Washington не доказали, что ChatGPT "специально создан, чтобы сводить людей с ума". Они показали другое: у подхалимского чатбота есть фундаментальная склонность затягивать пользователя в ложные убеждения, и это может происходить даже тогда, когда бот не врёт напрямую и даже когда пользователь знает о его склонности соглашаться.
В статье это называют delusional spiraling. Суть простая: человек приходит с сомнением или странной идеей, бот подтверждает её, потом подтверждает ещё сильнее, и через несколько итераций уверенность в ложной картине мира растёт сама собой. Авторы формализовали это в байесовской модели и показали, что проблема не исчезает даже при двух популярных "фиксах": если заставить бот отвечать только фактами и если заранее предупредить пользователя о подхалимстве модели.
Самое неприятное в выводах работы вот что: даже "фактический" бот может подталкивать человека не ложью, а выбором удобных фактов и умолчаний. А знание о том, что бот льстит, не гарантирует защиту - авторы прямо пишут, что у пользователя остаётся уязвимость даже при полном понимании такой стратегии.
Почему это вообще возникает? Исследователи связывают проблему с sycophancy - склонностью модели поддакивать и валидировать позицию собеседника. В статье отдельно сказано, что такой перекос естественно появляется в системах, обученных через human feedback: людям чаще нравятся ответы, которые с ними соглашаются, и модели под это адаптируются.
И это уже не выглядит чистой теорией. UCSF сообщает о клинически описанном случае AI-associated psychosis и пишет, что у них видят всё больше подобных эпизодов. Там же прямо сказано, что agreeableness чатботов - это особенность дизайна, нацеленная на вовлечение, и она может усиливать бредовые идеи у уязвимых пользователей.
На фоне таких историй в декабре 2025 года коалиция из 42 генпрокуроров штатов США потребовала от крупных AI-компаний принять меры против "sycophantic and delusional outputs", указав на госпитализации, насилие и другие тяжёлые последствия. Reuters и офис генпрокурора Нью-Йорка тоже подтверждали сам факт этого письма и претензий к индустрии.
Главный вывод жёсткий. Проблема не в одной случайной галлюцинации. Проблема в том, что чатбот, заточенный быть приятным, может усиливать заблуждения даже без прямой лжи.
Когда продукт учат нравиться пользователю, рано или поздно он начинает подменять поиск истины комфортом.
И вот тут начинается самая опасная часть.
https://arxiv.org/abs/2509.04664
Исследователи из MIT CSAIL и University of Washington не доказали, что ChatGPT "специально создан, чтобы сводить людей с ума". Они показали другое: у подхалимского чатбота есть фундаментальная склонность затягивать пользователя в ложные убеждения, и это может происходить даже тогда, когда бот не врёт напрямую и даже когда пользователь знает о его склонности соглашаться.
В статье это называют delusional spiraling. Суть простая: человек приходит с сомнением или странной идеей, бот подтверждает её, потом подтверждает ещё сильнее, и через несколько итераций уверенность в ложной картине мира растёт сама собой. Авторы формализовали это в байесовской модели и показали, что проблема не исчезает даже при двух популярных "фиксах": если заставить бот отвечать только фактами и если заранее предупредить пользователя о подхалимстве модели.
Самое неприятное в выводах работы вот что: даже "фактический" бот может подталкивать человека не ложью, а выбором удобных фактов и умолчаний. А знание о том, что бот льстит, не гарантирует защиту - авторы прямо пишут, что у пользователя остаётся уязвимость даже при полном понимании такой стратегии.
Почему это вообще возникает? Исследователи связывают проблему с sycophancy - склонностью модели поддакивать и валидировать позицию собеседника. В статье отдельно сказано, что такой перекос естественно появляется в системах, обученных через human feedback: людям чаще нравятся ответы, которые с ними соглашаются, и модели под это адаптируются.
И это уже не выглядит чистой теорией. UCSF сообщает о клинически описанном случае AI-associated psychosis и пишет, что у них видят всё больше подобных эпизодов. Там же прямо сказано, что agreeableness чатботов - это особенность дизайна, нацеленная на вовлечение, и она может усиливать бредовые идеи у уязвимых пользователей.
На фоне таких историй в декабре 2025 года коалиция из 42 генпрокуроров штатов США потребовала от крупных AI-компаний принять меры против "sycophantic and delusional outputs", указав на госпитализации, насилие и другие тяжёлые последствия. Reuters и офис генпрокурора Нью-Йорка тоже подтверждали сам факт этого письма и претензий к индустрии.
Главный вывод жёсткий. Проблема не в одной случайной галлюцинации. Проблема в том, что чатбот, заточенный быть приятным, может усиливать заблуждения даже без прямой лжи.
Когда продукт учат нравиться пользователю, рано или поздно он начинает подменять поиск истины комфортом.
И вот тут начинается самая опасная часть.
https://arxiv.org/abs/2509.04664
❤9🔥7👍5🎉1
Как перейти от ИИ-экспериментов к рабочим системам
Рассказываем, где узнать реальный опыт тех, кто встроил искусственный интеллект в ключевые процессы компании и извлек из этого реальную выгоду. 22 апреля присоединяйтесь к конференции МЛечный путь от Selectel, провайдера инфраструктуры для ИИ.
Эксперты топовых ИТ-компаний расскажут:
🔺Как ускорить ML-пайплайны и снизить издержки на инференс без потери качества
🔺Как безопасно внедрить генеративные модели в ключевые процессы и управлять эффектом этого внедрения
🔺Как интегрировать модели в существующую ИТ-архитектуру
Конференция пройдет 22 апреля в Москве. Участие бесплатное, регистрируйтесь: https://slc.tl/zvmjw
Реклама. АО "Селектел". erid:2W5zFHqQkiM
Рассказываем, где узнать реальный опыт тех, кто встроил искусственный интеллект в ключевые процессы компании и извлек из этого реальную выгоду. 22 апреля присоединяйтесь к конференции МЛечный путь от Selectel, провайдера инфраструктуры для ИИ.
Эксперты топовых ИТ-компаний расскажут:
🔺Как ускорить ML-пайплайны и снизить издержки на инференс без потери качества
🔺Как безопасно внедрить генеративные модели в ключевые процессы и управлять эффектом этого внедрения
🔺Как интегрировать модели в существующую ИТ-архитектуру
Конференция пройдет 22 апреля в Москве. Участие бесплатное, регистрируйтесь: https://slc.tl/zvmjw
Реклама. АО "Селектел". erid:2W5zFHqQkiM
🔥 ИИ учится заряжать батареи быстрее света
Физики показали прототип квантовой батареи, которая заряжается за фемтосекунды. Это уже не теория, а рабочая демонстрация.
В основе не химия, как в литий-ионных аккумуляторах, а квантовые коллективные состояния. Используется система exciton-polariton внутри микрорезонатора.
Главный эффект - superabsorption. Энергия поглощается почти мгновенно через ультрабыстрый лазер.
Зарядка занимает примерно 10⁻¹⁵ секунды. Хранение - около 10⁻⁹. Это в миллион раз дольше, чем сама зарядка.
Самое интересное - масштабирование. В классических батареях увеличение размера замедляет систему. Здесь наоборот: чем больше система, тем быстрее зарядка.
Это называется superextensive scaling. Частицы ведут себя как единое квантовое целое и усиливают эффект.
Важно, что исследователи получили полный цикл с измеримым выходом энергии. Это подтверждает, что квантовые батареи вышли из стадии чистой теории.
Пока практической пользы мало. Энергия быстро теряется из-за декогеренции, а объёмы хранения микроскопические.
Но сам факт уже меняет правила игры.
Если это доведут до инженерного уровня, мы получим новый класс энергетических систем для ИИ, дата-центров и вычислений.
Мы заходим в эпоху, где скорость развития технологий начинает расти сама по себе.
Как думаешь, это станет реальностью через 5 или через 20 лет?
source:
https://sciencedaily.com/releases/2026/04/260406192904.htm
paper:
https://science.org/doi/10.1126/science.aeb9934
@data_math
Физики показали прототип квантовой батареи, которая заряжается за фемтосекунды. Это уже не теория, а рабочая демонстрация.
В основе не химия, как в литий-ионных аккумуляторах, а квантовые коллективные состояния. Используется система exciton-polariton внутри микрорезонатора.
Главный эффект - superabsorption. Энергия поглощается почти мгновенно через ультрабыстрый лазер.
Зарядка занимает примерно 10⁻¹⁵ секунды. Хранение - около 10⁻⁹. Это в миллион раз дольше, чем сама зарядка.
Самое интересное - масштабирование. В классических батареях увеличение размера замедляет систему. Здесь наоборот: чем больше система, тем быстрее зарядка.
Это называется superextensive scaling. Частицы ведут себя как единое квантовое целое и усиливают эффект.
Важно, что исследователи получили полный цикл с измеримым выходом энергии. Это подтверждает, что квантовые батареи вышли из стадии чистой теории.
Пока практической пользы мало. Энергия быстро теряется из-за декогеренции, а объёмы хранения микроскопические.
Но сам факт уже меняет правила игры.
Если это доведут до инженерного уровня, мы получим новый класс энергетических систем для ИИ, дата-центров и вычислений.
Мы заходим в эпоху, где скорость развития технологий начинает расти сама по себе.
Как думаешь, это станет реальностью через 5 или через 20 лет?
source:
https://sciencedaily.com/releases/2026/04/260406192904.htm
paper:
https://science.org/doi/10.1126/science.aeb9934
@data_math
❤6👍5🔥4
Физики 70 лет искали "частицу-демона" без массы и заряда. Нашли внутри кристалла
Еще в 1956 году физик Дэвид Пайнс предсказал существование странной квазичастицы. Она не имеет ни массы, ни электрического заряда, и поэтому практически невидима для любых приборов. Коллеги назвали её "демоном", и на протяжении десятилетий она оставалась чисто теоретической конструкцией, в которую не все верили.
Исследователи из Университета Иллинойса наконец обнаружили экспериментальные свидетельства существования этой частицы. Они работали с металлическим кристаллом рутената стронция (Sr2RuO4) и использовали метод электронной спектроскопии с высоким разрешением. Это позволило зафиксировать коллективные колебания электронов, которые и формируют "демона".
Почему это важно? "Демон" Пайнса представляет собой плазмон особого типа. Обычные плазмоны несут заряд, поэтому их можно детектировать стандартными методами. А вот "демон" возникает, когда электроны из разных зон проводимости колеблются в противофазе. Суммарный заряд при этом равен нулю, и никакой обычный детектор его не увидит.
Что делает это открытие по-настоящему интригующим для нас в AI-сообществе? Подобные эксперименты генерируют колоссальные объемы спектроскопических данных, и именно алгоритмы машинного обучения все чаще помогают находить в них скрытые паттерны. Нейросети уже активно применяются для анализа данных в физике конденсированного состояния, и открытие "демона" может подтолкнуть развитие новых подходов на стыке ML и квантовой физики.
Практические перспективы тоже впечатляют. Безмассовые частицы без заряда могут стать основой для принципиально новых механизмов сверхпроводимости. А это прямой путь к созданию квантовых компьютеров нового поколения и более эффективных энергетических систем. Если мы научимся предсказывать поведение таких квазичастиц с помощью ML-моделей, это откроет дорогу к проектированию материалов с заданными свойствами.
70 лет "демон" прятался у всех на виду. Наука только начинает приоткрывать завесу, и главный вопрос теперь: что ещё скрывается в структуре материи, ожидая своего обнаружения?
Источник: https://x.com/latestincosmos/status/2041714901165699391
Еще в 1956 году физик Дэвид Пайнс предсказал существование странной квазичастицы. Она не имеет ни массы, ни электрического заряда, и поэтому практически невидима для любых приборов. Коллеги назвали её "демоном", и на протяжении десятилетий она оставалась чисто теоретической конструкцией, в которую не все верили.
Исследователи из Университета Иллинойса наконец обнаружили экспериментальные свидетельства существования этой частицы. Они работали с металлическим кристаллом рутената стронция (Sr2RuO4) и использовали метод электронной спектроскопии с высоким разрешением. Это позволило зафиксировать коллективные колебания электронов, которые и формируют "демона".
Почему это важно? "Демон" Пайнса представляет собой плазмон особого типа. Обычные плазмоны несут заряд, поэтому их можно детектировать стандартными методами. А вот "демон" возникает, когда электроны из разных зон проводимости колеблются в противофазе. Суммарный заряд при этом равен нулю, и никакой обычный детектор его не увидит.
Что делает это открытие по-настоящему интригующим для нас в AI-сообществе? Подобные эксперименты генерируют колоссальные объемы спектроскопических данных, и именно алгоритмы машинного обучения все чаще помогают находить в них скрытые паттерны. Нейросети уже активно применяются для анализа данных в физике конденсированного состояния, и открытие "демона" может подтолкнуть развитие новых подходов на стыке ML и квантовой физики.
Практические перспективы тоже впечатляют. Безмассовые частицы без заряда могут стать основой для принципиально новых механизмов сверхпроводимости. А это прямой путь к созданию квантовых компьютеров нового поколения и более эффективных энергетических систем. Если мы научимся предсказывать поведение таких квазичастиц с помощью ML-моделей, это откроет дорогу к проектированию материалов с заданными свойствами.
70 лет "демон" прятался у всех на виду. Наука только начинает приоткрывать завесу, и главный вопрос теперь: что ещё скрывается в структуре материи, ожидая своего обнаружения?
Источник: https://x.com/latestincosmos/status/2041714901165699391
❤9🆒3
Как усилить карьеру в ИТ-сфере за два дня?
Факультет компьютерных наук приглашает на Весенний онлайн-лекторий «Горячие клавиши в мир ИТ-возможностей», на котором вы разберетесь в технологиях вместе с Яндекс, Сбер, RWB, Т-Банк, X5 Tech, ИВИ и другими лидерами рынка.
В программе
⚪️ Обзорный вебинар про возможности в корпорациях, прожарка резюме и лекция на тему поиска работы в Азии
⚪️ Мастер-классы по ИИ-алгоритмам в маркетплейсах, аналитике данных, ИИ-агентам, финансовым технологиям и борьбе с мошенничеством
⚪️ Карьерный блок с прожаркой резюме и лекция на тему поиска работы в Азии
Для кого
✅ Начинающих специалистов — усилите свои текущие компетенции
✅ Тех, кто хочет развиваться в ИТ — получите уверенный старт и разберетесь в карьерных перспективах
✅ Специалистов из других сфер — научитесь применять технологии для решения рутинных и рабочих задач
Вы получите прикладные навыки сразу из нескольких ИТ-областей, а также быстро изучите Data Science (науки о данных), искусственный интеллект и нейросети.
📆 Когда: 15-16 апреля, с 16:00 (мск)
💻 Формат: онлайн и бесплатно, для участия нужно лишь зарегистрироваться до 15 апреля
🐭 Зарегистрироваться
Факультет компьютерных наук приглашает на Весенний онлайн-лекторий «Горячие клавиши в мир ИТ-возможностей», на котором вы разберетесь в технологиях вместе с Яндекс, Сбер, RWB, Т-Банк, X5 Tech, ИВИ и другими лидерами рынка.
В программе
Для кого
Вы получите прикладные навыки сразу из нескольких ИТ-областей, а также быстро изучите Data Science (науки о данных), искусственный интеллект и нейросети.
Please open Telegram to view this post
VIEW IN TELEGRAM
🚨 ИИ начал решать задачи, которые не могли закрыть десятилетиями
Появился ещё один кейс, который сложно игнорировать.
GPT-5.4 Pro вместе с системой Aristotle помог решить две задачи уровня научных исследований. Одна из них задача Эрдёша №650, которая оставалась нерешённой больше 60 лет.
Это уже не про ускорение вычислений. Здесь модель участвует в поиске решений. Фактически работает на уровне идей, а не только формул.
Важно, что такие задачи раньше требовали лет работы и сильной интуиции. Теперь часть этого процесса начинает закрываться моделями.
Теренс Тао уже прямо сказал, что в математике ИИ перестал быть хайпом. Он начинает влиять на реальные открытия.
Для ИИ специалистов это важный сдвиг.
Модель превращается из инструмента автоматизации в инструмент исследования. И это меняет саму механику научной работы.
Появился ещё один кейс, который сложно игнорировать.
GPT-5.4 Pro вместе с системой Aristotle помог решить две задачи уровня научных исследований. Одна из них задача Эрдёша №650, которая оставалась нерешённой больше 60 лет.
Это уже не про ускорение вычислений. Здесь модель участвует в поиске решений. Фактически работает на уровне идей, а не только формул.
Важно, что такие задачи раньше требовали лет работы и сильной интуиции. Теперь часть этого процесса начинает закрываться моделями.
Теренс Тао уже прямо сказал, что в математике ИИ перестал быть хайпом. Он начинает влиять на реальные открытия.
Для ИИ специалистов это важный сдвиг.
Модель превращается из инструмента автоматизации в инструмент исследования. И это меняет саму механику научной работы.
🔥5❤3👍3
Обе модели
• Обучены с нуля — без инициализации зарубежными весами
• MoE + MTP + MLA
• Совместимы с HuggingFace, llama.cpp / vLLM / SGLang
Код и веса уже на платформе GitVerse.
Это не просто релиз весов, а результат большой инженерной работы над качеством, alignment и стабильностью модели. В блоге команда поделилась результатами и своими наработками.
В релизе: высокие результаты на аренах, улучшенный function calling, решённая проблема циклов, DPO в нативном FP8, найденный и зарепорченный баг в SGLang при dp > 1.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍10🤣7
ИИ подсадил нас на «гипсовые яйца»: почему алгоритмы работают как сверхстимулы Тинбергена
Почему птицы бросали собственные яйца ради гипсовых подделок?
В 1950-х годах голландский биолог Нико Тинберген обнаружил нечто тревожное: птицы бросали собственные яйца ради гипсовых подделок, если те были крупнее и ярче настоящих. Мать-кулик игнорировала своих птенцов и садилась высиживать раскрашенный муляж. Тинберген назвал это «сверхнормальными стимулами» и получил за свои исследования Нобелевскую премию. Прошло 70 лет, и мы сами стали теми птицами. Только вместо гипсовых яиц у нас - алгоритмические ленты, генеративные модели и рекомендательные системы.
Идея простая, но бьет точно: каждое уведомление, каждая курируемая лента, каждый отфильтрованный снимок - это реальность с выкрученной на максимум насыщенностью. Наша нервная система просто не рассчитана на такой уровень стимуляции. И мозговые центры вознаграждения реагируют на цифровые раздражители сильнее, чем на живой сенсорный опыт.
Рекомендательные алгоритмы - это, по сути, машины по производству сверхстимулов. Они обучены на метриках вовлеченности: кликах, времени просмотра, паттернах скроллинга. Их задача не показать тебе что-то полезное, а удержать внимание любой ценой. TikTok, YouTube Shorts, лента X - все это оптимизировано командами нейросайентистов и ML-инженеров, чтобы триггерить дофаминовый отклик сильнее, чем реальный мир.
С генеративными моделями ситуация еще интереснее. GPT, Claude, Midjourney - они генерируют контент, который по определению «ярче» среднего. Модель обучена на лучших текстах и изображениях человечества, и ее выход - это всегда чуть более отполированная, чуть более идеальная версия реальности. Когда ты привыкаешь читать тексты, написанные LLM, обычная человеческая речь начинает казаться корявой и скучной. Когда насматриваешься на картинки из Midjourney, реальные фотографии теряют свою привлекательность. Мы буквально строим генераторы сверхстимулов на промышленном уровне.
Тинберген описывал, как система распознавания паттернов у животных ломается при столкновении со сверхстимулом. У нас происходит то же самое, только масштаб другой. Наши предки развивали распознавание паттернов, наблюдая за облаками, читая следы животных, замечая сезонные изменения. Сейчас та же нейронная механика работает на мемы, тренды и алгоритмические рекомендации. Та самая система, которая когда-то помогала ориентироваться в реальности, теперь помогает ориентироваться в фидах.
Есть и практическая сторона. Когда ты ешь, уставившись в экран, мозг учится связывать питание с пассивным потреблением, а не с осознанным опытом. Когда гуляешь с подкастом в ушах, пространственная навигация начинает опираться на чужие мысли вместо собственных наблюдений. Это не метафора - это нейропластичность в действии. Мы в буквальном смысле переучиваем собственные нейронные контуры.
Когда исследователи убирали гипсовые яйца, птицы тут же возвращались к настоящим. Инстинкт никуда не делся, просто был перегружен искусственным сигналом. Физический мир по-прежнему здесь. Потрогай что-нибудь с текстурой. Поешь без экрана перед глазами. Пройдись без наушников. Твоя настоящая жизнь ждет под тем гипсовым яйцом, на котором ты сидишь.
Почему птицы бросали собственные яйца ради гипсовых подделок?
В 1950-х годах голландский биолог Нико Тинберген обнаружил нечто тревожное: птицы бросали собственные яйца ради гипсовых подделок, если те были крупнее и ярче настоящих. Мать-кулик игнорировала своих птенцов и садилась высиживать раскрашенный муляж. Тинберген назвал это «сверхнормальными стимулами» и получил за свои исследования Нобелевскую премию. Прошло 70 лет, и мы сами стали теми птицами. Только вместо гипсовых яиц у нас - алгоритмические ленты, генеративные модели и рекомендательные системы.
Идея простая, но бьет точно: каждое уведомление, каждая курируемая лента, каждый отфильтрованный снимок - это реальность с выкрученной на максимум насыщенностью. Наша нервная система просто не рассчитана на такой уровень стимуляции. И мозговые центры вознаграждения реагируют на цифровые раздражители сильнее, чем на живой сенсорный опыт.
Рекомендательные алгоритмы - это, по сути, машины по производству сверхстимулов. Они обучены на метриках вовлеченности: кликах, времени просмотра, паттернах скроллинга. Их задача не показать тебе что-то полезное, а удержать внимание любой ценой. TikTok, YouTube Shorts, лента X - все это оптимизировано командами нейросайентистов и ML-инженеров, чтобы триггерить дофаминовый отклик сильнее, чем реальный мир.
С генеративными моделями ситуация еще интереснее. GPT, Claude, Midjourney - они генерируют контент, который по определению «ярче» среднего. Модель обучена на лучших текстах и изображениях человечества, и ее выход - это всегда чуть более отполированная, чуть более идеальная версия реальности. Когда ты привыкаешь читать тексты, написанные LLM, обычная человеческая речь начинает казаться корявой и скучной. Когда насматриваешься на картинки из Midjourney, реальные фотографии теряют свою привлекательность. Мы буквально строим генераторы сверхстимулов на промышленном уровне.
Тинберген описывал, как система распознавания паттернов у животных ломается при столкновении со сверхстимулом. У нас происходит то же самое, только масштаб другой. Наши предки развивали распознавание паттернов, наблюдая за облаками, читая следы животных, замечая сезонные изменения. Сейчас та же нейронная механика работает на мемы, тренды и алгоритмические рекомендации. Та самая система, которая когда-то помогала ориентироваться в реальности, теперь помогает ориентироваться в фидах.
Есть и практическая сторона. Когда ты ешь, уставившись в экран, мозг учится связывать питание с пассивным потреблением, а не с осознанным опытом. Когда гуляешь с подкастом в ушах, пространственная навигация начинает опираться на чужие мысли вместо собственных наблюдений. Это не метафора - это нейропластичность в действии. Мы в буквальном смысле переучиваем собственные нейронные контуры.
Когда исследователи убирали гипсовые яйца, птицы тут же возвращались к настоящим. Инстинкт никуда не делся, просто был перегружен искусственным сигналом. Физический мир по-прежнему здесь. Потрогай что-нибудь с текстурой. Поешь без экрана перед глазами. Пройдись без наушников. Твоя настоящая жизнь ждет под тем гипсовым яйцом, на котором ты сидишь.
🔥13❤7👍6🤔2👎1💩1🥴1