Forwarded from AI Projects (Vladimir Ivanov)
Исторически я много общаюсь с менеджерами, т.к. пока занимался разработкой Microsoft Project и его продвижением через YouTube, обучил ему более 2 миллионов человек. В основном элита проектного менеджмента — строительная и из IT. Все основные методики project management пришли из этих отраслей.
И я бы отметил именно менеджерам, что сейчас есть уникальная возможность «вписаться в ИИ-тренд», т.к. агентский софт делает необычайно востребованным менеджерский навык — составлять инструкции по бизнес-процессам и ставить задачи.
Разработчикам агентов я бы тоже отметил: ваш «промпт-инженер» возможно выглядит не так, как вы думаете, — а кто-то из ваших руководителей.
По факту ИИ-агент — это «виртуальный сотрудник». Текущий подход дать ему эмулятор мышки/клавиатуры и работать в старом ПО через «зрение скриншотами» крайне неэффективен.
Более эффективный путь — создавать Tools (инструменты) для ИИ-агентов, которыми они могут напрямую манипулировать данными в тех же ERP/ETL/BI-системах.
ИИ на обучении прочитал огромное количество бизнес-инструкций и даже их обобщил. У него огромные знания отраслевой специфики. Однако сам по себе ИИ не может ставить себе корневые цели, а когда декомпозирует поставленные — возникает дрейф. Также обычные решения ИИ — это «от Капитана Очевидность» по частотным примерам из обучения, а не самые правильные именно для вашей ситуации. Поэтому нужна экспертиза в целеполагании и постановке задач, которую обычно имеют опытные менеджеры. Нужно только учитывать специфику мышления ИИ как «суперпозицию смыслов» и т.п. Тем не менее, менеджерский навык описывать цель может быть применён почти полностью.
Поскольку ИИ уже «начитался» бюрократии и инструкций, то он — идеальный бюрократ. Он может исполнять регламенты «не по букве, а по духу», т.е. с приоритетом цели (это особенность RL-обучения). Тем не менее, кто-то должен эти регламенты вместе с ИИ создать. Сам он не может сделать их автономно, т.к. целеполагание, в том числе на создание регламентов, — внешний фактор.
Основная специфика ИИ-агентов в том, что регламент — это не «бла-бла-бла» типа корпоративной «воды», а крайне конкретный и сводится к чтению/созданию артефактов/документов по ходу бизнес-процесса и исполнению действий через вызовы Tools. На скриншоте — часть Tools моего ERP-агента. Обычно норма — 50+ инструментов для них.
Отмечу, что в части регламентации бизнес-процессов с ИИ работать даже проще, чем с людьми, т.к. это более конкретные инструкции, и сам ИИ будет активно помогать вам их составлять.
Спрос на такой дизайн бизнес-процессов через большие базы знаний для агентов будет скоро очень большим. Такие агенты будут сразу вытеснять офисный персонал, если ИИ получит доступ к его системам через Tools. Однако бизнес будет вкладывать огромные деньги в эту регламентацию, т.к. именно возможность сократить персонал быстро окупает такие ИИ-системы.
Дополнительный фактор: большинство «офисного планктона» делают низкоквалифицированную работу — просто «перекладывают бумажки» и выполняют простые функции типа заполнения форм. Для замены такого персонала по факту не нужна даже LLM, а скорее SLM до 10B параметров. Это 100 тысяч рублей за замену офисного служащего — экономия сразу же огромная.
Тем не менее, сам по себе ИИ не сможет заменять офисных клерков — ему надо в этом помочь. ИИ нужны регламенты, как работать по бизнес-процессам, а также «руки» в виде Tools.
Давайте поможем ИИ это сделать. 😎
И я бы отметил именно менеджерам, что сейчас есть уникальная возможность «вписаться в ИИ-тренд», т.к. агентский софт делает необычайно востребованным менеджерский навык — составлять инструкции по бизнес-процессам и ставить задачи.
Разработчикам агентов я бы тоже отметил: ваш «промпт-инженер» возможно выглядит не так, как вы думаете, — а кто-то из ваших руководителей.
По факту ИИ-агент — это «виртуальный сотрудник». Текущий подход дать ему эмулятор мышки/клавиатуры и работать в старом ПО через «зрение скриншотами» крайне неэффективен.
Более эффективный путь — создавать Tools (инструменты) для ИИ-агентов, которыми они могут напрямую манипулировать данными в тех же ERP/ETL/BI-системах.
ИИ на обучении прочитал огромное количество бизнес-инструкций и даже их обобщил. У него огромные знания отраслевой специфики. Однако сам по себе ИИ не может ставить себе корневые цели, а когда декомпозирует поставленные — возникает дрейф. Также обычные решения ИИ — это «от Капитана Очевидность» по частотным примерам из обучения, а не самые правильные именно для вашей ситуации. Поэтому нужна экспертиза в целеполагании и постановке задач, которую обычно имеют опытные менеджеры. Нужно только учитывать специфику мышления ИИ как «суперпозицию смыслов» и т.п. Тем не менее, менеджерский навык описывать цель может быть применён почти полностью.
Поскольку ИИ уже «начитался» бюрократии и инструкций, то он — идеальный бюрократ. Он может исполнять регламенты «не по букве, а по духу», т.е. с приоритетом цели (это особенность RL-обучения). Тем не менее, кто-то должен эти регламенты вместе с ИИ создать. Сам он не может сделать их автономно, т.к. целеполагание, в том числе на создание регламентов, — внешний фактор.
Основная специфика ИИ-агентов в том, что регламент — это не «бла-бла-бла» типа корпоративной «воды», а крайне конкретный и сводится к чтению/созданию артефактов/документов по ходу бизнес-процесса и исполнению действий через вызовы Tools. На скриншоте — часть Tools моего ERP-агента. Обычно норма — 50+ инструментов для них.
Отмечу, что в части регламентации бизнес-процессов с ИИ работать даже проще, чем с людьми, т.к. это более конкретные инструкции, и сам ИИ будет активно помогать вам их составлять.
Спрос на такой дизайн бизнес-процессов через большие базы знаний для агентов будет скоро очень большим. Такие агенты будут сразу вытеснять офисный персонал, если ИИ получит доступ к его системам через Tools. Однако бизнес будет вкладывать огромные деньги в эту регламентацию, т.к. именно возможность сократить персонал быстро окупает такие ИИ-системы.
Дополнительный фактор: большинство «офисного планктона» делают низкоквалифицированную работу — просто «перекладывают бумажки» и выполняют простые функции типа заполнения форм. Для замены такого персонала по факту не нужна даже LLM, а скорее SLM до 10B параметров. Это 100 тысяч рублей за замену офисного служащего — экономия сразу же огромная.
Тем не менее, сам по себе ИИ не сможет заменять офисных клерков — ему надо в этом помочь. ИИ нужны регламенты, как работать по бизнес-процессам, а также «руки» в виде Tools.
Давайте поможем ИИ это сделать. 😎
👍1
Forwarded from Data Secrets
Нейросети думают сложными геометрическими структурами – новое исследование от Goodfire
Эта статья вызвала в последние дни очень много интереса в сообществе. Исследователи из Goodfire впервые показали занятную вещь: внутреннее пространство активаций моделей организовано не хаотично, а в виде многомерных форм, поверхностей и траекторий. Часто эти многообразия вполне интерпретируемы.
Выглядит это примерно как на первом видео. Авторы назвали явление neural geometry. Причем наблюдается оно не только в LLM, но и в vision моделях, и даже в хайповых world models.
Отличный пример – дни недели. Внутри модели они лежат не по прямой, а по круговой траектории. То есть Monday → Tuesday → Wednesday → … → Sunday образуют циклическую структуру в пространстве активаций.
На практике это значит, что если пытаться линейно перейти от понедельника к пятнице, промежуточные состояния будут бессмысленны, а вот если двигаться, глубо говоря, по окружности – с изменением угла, а не линейным смешиванием координат, – то по пути попадутся вторник, среда и четверг (второе видео).
Подобным геометрическим образом на многообразиях определенных форм лежат время, числа, цвета, биологическая таксономия и куча всего другого.
Авторы настаивают, что исследования neural geometry – это новый фронтир в интерпретации нейросетей, и именно геометрия может стать ключом от черного ящика.
www.goodfire.ai/research/the-world-inside-neural-networks#
Эта статья вызвала в последние дни очень много интереса в сообществе. Исследователи из Goodfire впервые показали занятную вещь: внутреннее пространство активаций моделей организовано не хаотично, а в виде многомерных форм, поверхностей и траекторий. Часто эти многообразия вполне интерпретируемы.
Выглядит это примерно как на первом видео. Авторы назвали явление neural geometry. Причем наблюдается оно не только в LLM, но и в vision моделях, и даже в хайповых world models.
Отличный пример – дни недели. Внутри модели они лежат не по прямой, а по круговой траектории. То есть Monday → Tuesday → Wednesday → … → Sunday образуют циклическую структуру в пространстве активаций.
На практике это значит, что если пытаться линейно перейти от понедельника к пятнице, промежуточные состояния будут бессмысленны, а вот если двигаться, глубо говоря, по окружности – с изменением угла, а не линейным смешиванием координат, – то по пути попадутся вторник, среда и четверг (второе видео).
Подобным геометрическим образом на многообразиях определенных форм лежат время, числа, цвета, биологическая таксономия и куча всего другого.
Авторы настаивают, что исследования neural geometry – это новый фронтир в интерпретации нейросетей, и именно геометрия может стать ключом от черного ящика.
www.goodfire.ai/research/the-world-inside-neural-networks#
👍1
Forwarded from Психиатрия. Канал доктора Гилёва о психиатрии.
Редкие вариации в кодирующих генах при ОКР указывают на наличие общих генов с другими психическими расстройствами.
РЕЗУЛЬТАТЫ: Анализ показал, что примерно 470 аутосомных генов могут влиять на риск развития ОКР за счет редких генетических вариантов. Ген CHD8 достиг общегеномной значимости (q < 0,05). Мета-анализ с данными по хроническим тикозным расстройствам (ХТР) выявил дополнительные гены риска, включая CELSR3 (q < 0,05), QRICH1 и WWC1 (q < 0,1). Мы наблюдали значительное генетическое перекрытие между ОКР, расстройством аутистического спектра (РАС) и задержкой развития: 33% генов, ассоциированных с РАС при FDR < 0,1, показали связь с ОКР (p < 0,001), а 36% продемонстрировали возможные ассоциации в общей генетической архитектуре ОКР-ХТР (p < 0,001), однако перекрытие по редким вариантам с генами риска биполярного расстройства и шизофрении было минимальным. Мы также обнаружили, что гены, регулируемые CHD8, были обогащены ассоциациями как с редкими, так и с распространенными вариантами при ОКР.
ВЫВОДЫ И ЗНАЧИМОСТЬ: В этом крупнейшем на сегодняшний день исследовании редких кодирующих вариантов при ОКР мы подтверждаем, что CHD8 является первым геном риска, связанным с редкими вариантами и достигшим общегеномной значимости; показано, что гены-мишени CHD8 могут нести риск развития ОКР как за счет редких, так и распространенных вариантов; и идентифицированы многочисленные дополнительные гены и пути, вовлеченные в формирование риска. В совокупности полученные данные свидетельствуют о том, что ОКР имеет значительно большее генетическое сходство с расстройствами нейроразвития, чем с психическими заболеваниями взрослого возраста, что уточняет нейроразвивающую модель ОКР и определяет направления для будущих механистических и клинических исследований.
КЛЮЧЕВЫЕ ПОЛОЖЕНИЯ:
· Вопрос: Как редкие генетические варианты влияют на риск развития ОКР и в какой степени они перекрываются с вариантами, связанными с хроническими тикозными расстройствами (ХТР) и другими состояниями нейроразвития?
· Результаты: Секвенирование экзомов 6071 пациента с ОКР продемонстрировало значительное обогащение редких повреждающих вариантов в эволюционно консервативных генах, а CHD8 стал первым геном риска ОКР, достигшим общегеномной значимости. Профили редких вариантов при ОКР и ХТР соответствовали таковым при расстройствах нейроразвития, но не при психических заболеваниях взрослого возраста, что указывает на общие нейроразвивающие пути.
· Значение: Эти данные уточняют нейроразвивающую генетическую архитектуру ОКР, идентифицируют CHD8 как ключевой путь риска и выявляют перекрытие с ХТР и другими состояниями.
РЕЗУЛЬТАТЫ: Анализ показал, что примерно 470 аутосомных генов могут влиять на риск развития ОКР за счет редких генетических вариантов. Ген CHD8 достиг общегеномной значимости (q < 0,05). Мета-анализ с данными по хроническим тикозным расстройствам (ХТР) выявил дополнительные гены риска, включая CELSR3 (q < 0,05), QRICH1 и WWC1 (q < 0,1). Мы наблюдали значительное генетическое перекрытие между ОКР, расстройством аутистического спектра (РАС) и задержкой развития: 33% генов, ассоциированных с РАС при FDR < 0,1, показали связь с ОКР (p < 0,001), а 36% продемонстрировали возможные ассоциации в общей генетической архитектуре ОКР-ХТР (p < 0,001), однако перекрытие по редким вариантам с генами риска биполярного расстройства и шизофрении было минимальным. Мы также обнаружили, что гены, регулируемые CHD8, были обогащены ассоциациями как с редкими, так и с распространенными вариантами при ОКР.
ВЫВОДЫ И ЗНАЧИМОСТЬ: В этом крупнейшем на сегодняшний день исследовании редких кодирующих вариантов при ОКР мы подтверждаем, что CHD8 является первым геном риска, связанным с редкими вариантами и достигшим общегеномной значимости; показано, что гены-мишени CHD8 могут нести риск развития ОКР как за счет редких, так и распространенных вариантов; и идентифицированы многочисленные дополнительные гены и пути, вовлеченные в формирование риска. В совокупности полученные данные свидетельствуют о том, что ОКР имеет значительно большее генетическое сходство с расстройствами нейроразвития, чем с психическими заболеваниями взрослого возраста, что уточняет нейроразвивающую модель ОКР и определяет направления для будущих механистических и клинических исследований.
КЛЮЧЕВЫЕ ПОЛОЖЕНИЯ:
· Вопрос: Как редкие генетические варианты влияют на риск развития ОКР и в какой степени они перекрываются с вариантами, связанными с хроническими тикозными расстройствами (ХТР) и другими состояниями нейроразвития?
· Результаты: Секвенирование экзомов 6071 пациента с ОКР продемонстрировало значительное обогащение редких повреждающих вариантов в эволюционно консервативных генах, а CHD8 стал первым геном риска ОКР, достигшим общегеномной значимости. Профили редких вариантов при ОКР и ХТР соответствовали таковым при расстройствах нейроразвития, но не при психических заболеваниях взрослого возраста, что указывает на общие нейроразвивающие пути.
· Значение: Эти данные уточняют нейроразвивающую генетическую архитектуру ОКР, идентифицируют CHD8 как ключевой путь риска и выявляют перекрытие с ХТР и другими состояниями.
👍1
Forwarded from Denis Sexy IT 🤖
В очередной раз помучал агентскую систему для ученых (она по научным статьям ищет), и передал весь собранный контекст в GPT 5.5 Pro с вопросом:
Ответ примерно такой – мозг обожает угадывать, что будет дальше, поэтому нам нравится музыка💃 💃 💃
Музыка – в каокй-то степени легкий тренажёр предсказаний, мозг слушает ритм, мелодию, гармонию, голос, бас, паузы – и всё время строит прогноз: “ага, сейчас будет вот эта нота”, “тут должен упасть бит”, “сейчас припев”, “ну давай уже возьми этот аккорд, не мучай”
И «удовольствие от прослушивания музыки» начинается не когда музыка предсказуемая, и не когда она хаотичная, а когда она где-то между: человек угадывает куда всё идёт, но его всё равно чуть-чуть обманывают
Представьте: вы ждёте, что песня сейчас перейдет к припеву, а она делает микропаузу – на полсекунды – и потом раз, припев. Вроде ничего не произошло, просто ожидаемый звук пришёл чуть позже, но мозг такой:👏 ~OH MY 👏 – то есть мы буквально радуемся хорошо оформленной задержке
Сейчас главное теория примерно такая: мозг получает удовольствие от связи между ожиданием, сюрпризом и разрешением ожиданий – музыка умеет создавать напряжение, держать его, а потом отпускать, поэтому хороший трек ощущается не как набор звуков, а как маленькая эмоциональная история (хороший пример 1, 2, 3, 4)
И конечно же в ситеме «восприятия музыки» активен не только слух – память, движение, тело, дофамин, старые ассоциации, странные сцены из прошлого, поэтому одна и та же песня может для одного человека быть “обычный трек”, а для другого – портал в Казантип, дискотека в школе и тп
Если теория верная, то в быту это выглядит примерно так:
– бит-дроп приносит удовольствие не сам по себе, а потому что перед ним тебя аккуратно держали в ожидании (известная песня «не расслабляйся» – первые 30 секунд про это же)
– грустная музыка может нравиться, потому что она даёт безопасную версию грусти мозгу – эмоция есть, а реальной катастрофы нет, а не потому что вы грустный и Том Йорк украл вашу душу
– “мурашки от музыки” часто появляются в момент сильного совпадения: ожидал, напрягся, дождался – и мозг выдал маленький фейерверк дофамина
– earwormer (приедливая мелодия) — это, возможно, кусок музыки, который слишком хорошо застрял в предсказательной машине: простой, повторяемый, но с маленькой незавершённостью внутри
В общем, с нетерпением жду когда музыкантам дадут доступный МРТ-симулятор (ну или эту штуку на музыку натравят), кучу АИ и укодинг агентов и они сломают наши дофамин-лупы
Вот тут можно целиком анализ почитать
tldr: живой – значит на движениях🥳
Почему на людей действует музыка, какая сейчас главная научная теория?
Ответ примерно такой – мозг обожает угадывать, что будет дальше, поэтому нам нравится музыка
Музыка – в каокй-то степени легкий тренажёр предсказаний, мозг слушает ритм, мелодию, гармонию, голос, бас, паузы – и всё время строит прогноз: “ага, сейчас будет вот эта нота”, “тут должен упасть бит”, “сейчас припев”, “ну давай уже возьми этот аккорд, не мучай”
И «удовольствие от прослушивания музыки» начинается не когда музыка предсказуемая, и не когда она хаотичная, а когда она где-то между: человек угадывает куда всё идёт, но его всё равно чуть-чуть обманывают
Представьте: вы ждёте, что песня сейчас перейдет к припеву, а она делает микропаузу – на полсекунды – и потом раз, припев. Вроде ничего не произошло, просто ожидаемый звук пришёл чуть позже, но мозг такой:
Сейчас главное теория примерно такая: мозг получает удовольствие от связи между ожиданием, сюрпризом и разрешением ожиданий – музыка умеет создавать напряжение, держать его, а потом отпускать, поэтому хороший трек ощущается не как набор звуков, а как маленькая эмоциональная история (хороший пример 1, 2, 3, 4)
И конечно же в ситеме «восприятия музыки» активен не только слух – память, движение, тело, дофамин, старые ассоциации, странные сцены из прошлого, поэтому одна и та же песня может для одного человека быть “обычный трек”, а для другого – портал в Казантип, дискотека в школе и тп
Если теория верная, то в быту это выглядит примерно так:
– бит-дроп приносит удовольствие не сам по себе, а потому что перед ним тебя аккуратно держали в ожидании (известная песня «не расслабляйся» – первые 30 секунд про это же)
– грустная музыка может нравиться, потому что она даёт безопасную версию грусти мозгу – эмоция есть, а реальной катастрофы нет, а не потому что вы грустный и Том Йорк украл вашу душу
– “мурашки от музыки” часто появляются в момент сильного совпадения: ожидал, напрягся, дождался – и мозг выдал маленький фейерверк дофамина
– earwormer (приедливая мелодия) — это, возможно, кусок музыки, который слишком хорошо застрял в предсказательной машине: простой, повторяемый, но с маленькой незавершённостью внутри
В общем, с нетерпением жду когда музыкантам дадут доступный МРТ-симулятор (ну или эту штуку на музыку натравят), кучу АИ и укодинг агентов и они сломают наши дофамин-лупы
Вот тут можно целиком анализ почитать
tldr: живой – значит на движениях
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6👍1
Forwarded from НИИ «Панорама» РАН
⚡️В РАН сообщили об отмене стипендий академиков — деньги пустят на покупку квартир молодым ученым
Минобрнауки объявило о полной отмене ежемесячных государственных стипендий для академиков (200к) и членов-корреспондентов (100к) РАН. Высвободившиеся средства, более 3.3 миллиарда рублей в год, будут перенаправлены на обеспечение жильем молодых ученых в возрасте до 35 лет.
Согласно утвержденной программе, ежегодно государство сможет приобретать более 100 квартир стоимостью до 30 миллионов рублей каждая для распределения среди перспективных исследователей.
Приоритет будет отдаваться специалистам в области искусственного интеллекта, квантовых технологий, ядерной физики и другим естественно-научным направлениям.
Минобрнауки объявило о полной отмене ежемесячных государственных стипендий для академиков (200к) и членов-корреспондентов (100к) РАН. Высвободившиеся средства, более 3.3 миллиарда рублей в год, будут перенаправлены на обеспечение жильем молодых ученых в возрасте до 35 лет.
Согласно утвержденной программе, ежегодно государство сможет приобретать более 100 квартир стоимостью до 30 миллионов рублей каждая для распределения среди перспективных исследователей.
Приоритет будет отдаваться специалистам в области искусственного интеллекта, квантовых технологий, ядерной физики и другим естественно-научным направлениям.
"Вкладывать 3 миллиарда в год в людей, которые уже все открыли — это как платить садовнику за деревья, которые он посадил 40 лет назад. Поливать надо саженцы, а не гербарий. Молодые ученые ютятся в общагах и уезжают заграницу, пока заслуженные дедушки получают стипендию, сопоставимую с зарплатой айтишника." — прокомментировал изданию анонимный источник.
😁6👍3🤯3🔥1😢1
Forwarded from ТехноЛоджия
В 70-х годах в одной больнице в Пенсильвании врач Роджер Ульрих заметил, что необъяснимым образом в одних палатах пациенты восстанавливаются после хирургии лучше, чем в других. Другой бы ну заметил и заметил, мало ли странностей бывает, но Роджер решил применить научный метод и собрать данные! Для чистоты эксперимента ему нужно было собрать достаточное количество пациентов с одинаковой операцией, за которыми следят одни и те же медсестры, чтобы отличались действительно только палаты. В качестве операции было выбрано удаление желчного пузыря. На сбор данных ушло 9 лет.
В 1984 году Роджер опубликовал статью в журнале Science (Top 2 мировой научный журнал) с аккуратным названием: «View through a window may influence recovery from surgery».
Данные указывали на то, что ключевым фактором является вид из окна. Пациенты, у которых из окна был виден сад, восстанавливались лучше, требовали меньше обезболивающих и меньше жаловались медсестрам. В палатах с видом на стену дела обстояли заметно хуже.
Эта работа считается основополагающей в области изучения влияния природы на человеческое здоровье.
В 2019 году в журнале Nature Scientific Reports (не совсем Nature, который второй в Топ 2 мировой научный журнал, но тоже довольно серьезно) вышла статья, которая говорит о серьезном улучшении и физического и психологического здоровья, если хотя бы 2 часа в неделю проводить на природе. Причем не важно, это 2 часа раз в неделю или по 20 минут в день. Дополнительный час ещё дает улучшение, а вот 5 или 10 или 20 часов уже разницы особой не дают.
Похожее исследование показывало, что если 90 минут гулять на природе, меньше руминации (это когда негативные мысли по кругу ходят в голове и не отпускают) и стресса по этому поводу. И именно на природе, 90-минутная прогулка в городе от руминации не помогает. В Японии есть даже специальный термин — лесные ванны. Shinrin-yoku. Исследование показало, что неплохо повышают иммунитет.
Очень интересно, что картинки с природой тоже улучшают самочувствие.
Это я к чему. «Иди потрогай траву» — не просто мемный совет, а вполне себе научно обоснованный способ улучшить свое самочувствие. Ну и к тому, что ИИ, похоже, не заменит только лошадей 🐎
В 1984 году Роджер опубликовал статью в журнале Science (Top 2 мировой научный журнал) с аккуратным названием: «View through a window may influence recovery from surgery».
Данные указывали на то, что ключевым фактором является вид из окна. Пациенты, у которых из окна был виден сад, восстанавливались лучше, требовали меньше обезболивающих и меньше жаловались медсестрам. В палатах с видом на стену дела обстояли заметно хуже.
Эта работа считается основополагающей в области изучения влияния природы на человеческое здоровье.
В 2019 году в журнале Nature Scientific Reports (не совсем Nature, который второй в Топ 2 мировой научный журнал, но тоже довольно серьезно) вышла статья, которая говорит о серьезном улучшении и физического и психологического здоровья, если хотя бы 2 часа в неделю проводить на природе. Причем не важно, это 2 часа раз в неделю или по 20 минут в день. Дополнительный час ещё дает улучшение, а вот 5 или 10 или 20 часов уже разницы особой не дают.
Похожее исследование показывало, что если 90 минут гулять на природе, меньше руминации (это когда негативные мысли по кругу ходят в голове и не отпускают) и стресса по этому поводу. И именно на природе, 90-минутная прогулка в городе от руминации не помогает. В Японии есть даже специальный термин — лесные ванны. Shinrin-yoku. Исследование показало, что неплохо повышают иммунитет.
Очень интересно, что картинки с природой тоже улучшают самочувствие.
Это я к чему. «Иди потрогай траву» — не просто мемный совет, а вполне себе научно обоснованный способ улучшить свое самочувствие. Ну и к тому, что ИИ, похоже, не заменит только лошадей 🐎
👍2🔥2
Forwarded from ⚡️INVESTBLOG⚡️
Media is too big
VIEW IN TELEGRAM
🇷🇺На ПМЭФ заявили, что многие россияне воспринимают будущее через призму исторических страхов — «ссылок и лагерей», из-за чего общество избегает неопределённости и с опаской смотрит вперёд. Декан экономфака МГУ Александр Аузан считает, что стране нужно научиться не бояться ошибок и экспериментов, иначе будет сложно конкурировать в будущем.
💯2👍1😢1
Forwarded from gonzo-обзоры ML статей
Или есть там всё-таки этот бэкпроп...
This is how the Neocortex Learns
Randall C. O'Reilly
Paper: https://compcogneuro.org/oreilly-2026-cortlearn (https://arxiv.org/abs/2606.08720)
Review: https://arxiviq.substack.com/p/this-is-how-the-neocortex-learns
Code: N/A
Model: N/A
# TL;DR
ЧТО сделали: Автор представил масштабный междисциплинарный теоретический синтез, доказывающий, что неокортекс млекопитающих обучается путём аппроксимации алгоритма обратного распространения ошибки. Эта аппроксимация реализуется через «модель временной производной» (temporal derivative model): градиенты ошибок неявно кодируются как разность между последовательными состояниями активации предсказания и результата в рамках 200-миллисекундного тета-цикла. Биологически модель опирается на двунаправленные кортикоталамические петли, а на субклеточном уровне — на конкурентную синаптическую пластичность под управлением киназ.
ПОЧЕМУ это важно: Эта работа разрешает давний, длившийся десятилетиями спор о биологической правдоподобности глубокого распределения ответственности (credit assignment) в мозге. Показывая, как неокортекс может неявно выполнять градиентный спуск без выделенных «нейронов ошибок» или физически невозможных обратных связей, предложенный фреймворк даёт единую теорию обучения млекопитающих.
Для практиков: Работа предлагает чёткий чертёж для проектирования энергоэффективных аппаратных правил обучения на чипе и нейроморфных архитектур, способных масштабироваться подобно глубоким нейросетям.
Искать бэкпроп здесь: https://t.me/gonzo_ML_podcasts/4031
This is how the Neocortex Learns
Randall C. O'Reilly
Paper: https://compcogneuro.org/oreilly-2026-cortlearn (https://arxiv.org/abs/2606.08720)
Review: https://arxiviq.substack.com/p/this-is-how-the-neocortex-learns
Code: N/A
Model: N/A
# TL;DR
ЧТО сделали: Автор представил масштабный междисциплинарный теоретический синтез, доказывающий, что неокортекс млекопитающих обучается путём аппроксимации алгоритма обратного распространения ошибки. Эта аппроксимация реализуется через «модель временной производной» (temporal derivative model): градиенты ошибок неявно кодируются как разность между последовательными состояниями активации предсказания и результата в рамках 200-миллисекундного тета-цикла. Биологически модель опирается на двунаправленные кортикоталамические петли, а на субклеточном уровне — на конкурентную синаптическую пластичность под управлением киназ.
ПОЧЕМУ это важно: Эта работа разрешает давний, длившийся десятилетиями спор о биологической правдоподобности глубокого распределения ответственности (credit assignment) в мозге. Показывая, как неокортекс может неявно выполнять градиентный спуск без выделенных «нейронов ошибок» или физически невозможных обратных связей, предложенный фреймворк даёт единую теорию обучения млекопитающих.
Для практиков: Работа предлагает чёткий чертёж для проектирования энергоэффективных аппаратных правил обучения на чипе и нейроморфных архитектур, способных масштабироваться подобно глубоким нейросетям.
Искать бэкпроп здесь: https://t.me/gonzo_ML_podcasts/4031
Computational Cognitive Neuroscience
OReilly (2026) Cortical Learning
Understanding how the neocortex learns is perhaps the single most important step in understanding human intelligence, because our cognitive functions emerge over years of experience-driven learning within this brain structure, which is unique to mammals and…