• Чётко поставленные задачи под надзором человека.
• 3,1 дня работы агентов на день человека показывают объём использования, а не ускорение исследований.
• Данные внутренние и предварительные; независимой проверки в отчёте нет.

Что измерила OpenAI

По данным OpenAI, к середине августа медианный по использованию агентов исследователь расходовал на инференс более $600 в день по API-ценам; у 10% самых активных пользователей показатель превышал $7000 в день. Инференс — выполнение запросов к модели. По всей исследовательской организации на восьмичасовой день человеческой работы приходилось 3,1 агентного рабочего дня.

Более половины успешных задач на 4–8 часов человеческой работы за последние шесть месяцев сопровождались хотя бы одним вмешательством человека. Люди выбирают приоритеты и решают, масштабировать, остановить или развернуть систему. Рост числа экспериментов коррелировал с распространением Codex, но одновременно выросли вычислительные ресурсы. Публикация не позволяет приписать изменение одному фактору.

Как интерпретировать заявление OpenAI

Разработчик Саймон Уиллисон обратил внимание на резкий рост расходов на агентов в конце июля. Он предположил, что тогда сотрудники получили внутренний доступ к модели, которую позднее выпустили как GPT-6 Astra. Ниже — перевод его гипотезы; сам график причину скачка не устанавливает.

Моя главная гипотеза: именно тогда сотрудники получили доступ к модели, позднее выпущенной как GPT-6 Astra.

Сравнивая отчёт OpenAI со своей практикой, проверьте главный показатель: сокращается ли путь от поставленной задачи до результата, который человек готов принять.

По данным авторов препринта, система собрана из 20 480 вычислительных узлов. В каждом процессоре LX2 — две кристаллические пластины с 304 ядрами суммарно, восемь стеков HBM общим объёмом 32 ГБ и 128 ГБ DDR-памяти. Связь между узлами обеспечивает собственная сеть LingQi компании Hangzhou LingQi Technology.

• LineShine возглавил TOP500 с результатом 2,198 эксафлопс в тесте Linpack.
• Система использует только отечественные китайские процессоры LX2 на базе Armv9.
• В конфигурации нет процессоров Nvidia, Intel или AMD.
• Теоретический пик — 2,736 эксафлопс, в тестах достигнуто около 80 %.
• Машина работает под управлением ОС KylinOS на базе Linux.

Процессоры LX2 используют лицензируемые ядра Armv9, поэтому полностью «вакуумной» разработкой система не является — в этом можно усмотреть и вклад британской Arm. Тем не менее вычислительные кристаллы, межсоединения и программный стек создавались в Китае. Машина работает под KylinOS — дистрибутивом Linux с открытым исходным кодом и международными контрибьюторами.

Технические характеристики

В документе указано, что каждый процессор LX2 выдаёт до 60,3 терафлопс в FP64 и 120,6 терафлопс в FP32 благодаря блокам SME и SVE. Узлы связаны через сеть LingQi с топологией dual-plane multi-rail fat-tree и пропускной способностью 1,6 Тбит/с на узел. Важный нюанс: это первая система в TOP500, которая преодолела порог в два эксафлопса устойчивой двойной точности, используя только центральные процессоры.

Почему это важно

Результат LineShine совпадает с курсом Пекина на импортозамещение в сфере высокопроизводительных вычислений и ИИ. Китай активно сокращает зависимость от западных полупроводников, особенно после ограничений на поставку GPU в страну. Лидерство в TOP500 даёт аргумент в пользу политики технологического суверенитета, хотя GPU-отрасль КНР пока отстаёт от Nvidia и AMD примерно на четыре-пять лет.

Выводы

LineShine стала первой системой в TOP500, которая превысила два эксафлопса устойчивой двойной точности, используя только CPU.

Для индустрии HPC это сигнал о том, что китайская экосистема процессоров и межсоединений вышла на новый уровень. Пока рано говорить о глобальном доминировании, но лидерство в TOP500 без американских чипов — веха, которую будут учитывать и политики, и инженеры при планировании следующих поколений суперкомпьютеров.

Источник: Chinese supercomputer using local processors heads TOP500 list — The Register.

1. Советские математики заложили базу для российских бигтехов

Чтобы понять, откуда в России вообще взялись программисты, вернемся в конец 1940-х годов. После Великой Отечественной войны началась технологическая гонка вооружений. У США уже была ядерная бомба, поэтому Советскому Союзу нужно было срочно создать свою. Для разработки похожего оружия применяли сложные математические расчеты, которые люди с механическими арифмометрами выполняли бы годами, поэтому Советский Союз взял курс на создание своих вычислительных машин.

Для проектирования машинных алгоритмов тогда использовали блок-схемы: их придумали еще в 1920-х годах, а позже физик Джон фон Нейман адаптировал этот формат для компьютеров. Именно блок-схемы стали первым языком, с помощью которого инженеры смогли общаться с вычислительной техникой.

Развитие советской техники возглавил ученый Сергей Лебедев. Сначала он построил первую отечественную ЭВМ — МЭСМ (малую электронную счетную машину), а после начал разработку серии БЭСМ (больших электронных счетных машин).

Больше о том, как создавались первые советские ЭВМ, узнайте в подкасте Контура и студии «Послушайте!» «От нуля до единицы. История российского IT». Там про это рассказывает антрополог и автор книги «Антропология русского интернета» Наталья Конрадова — с деталями, которых нет ни в этой, ни в других популярных статьях.

Вершиной разработки в Советском Союзе стала БЭСМ-6, она серийно производилась с 1968 по 1987 год и стала основным инструментом для ученых и инженеров. На этой машине считали траектории ракет и моделировали ядерные реакции. Именно на ней учили программированию студентов лучших технических вузов страны.

Работа с первыми ЭВМ сформировала советскую инженерную культуру. Специалисты привыкли писать алгоритмы в условиях ограничений вычислительных ресурсов.

2. Программирование стало языком — и это открыло рынок для коммерческих продуктов

Пока советские ученые строили железо, западные решали другую проблему: как вообще объяснять машине, что нужно делать, если не знаешь ее внутреннее устройство. Изначально программы писали в нулях и единицах прямо под конкретную архитектуру процессора. Из-за этого перенести готовый код на другую машину было физически невозможно. В 1949 году появился ассемблер — низкоуровневый язык программирования, в котором длинные машинные коды заменили на понятные короткие слова-команды. Писать код действительно стало проще, но проблему переносимости между разными компьютерами это не решило.

Прорыв случился в середине 1950-х годов в США — именно тогда появился первый язык Fortran: один и тот же код можно было запустить на разных машинах без полного переписывания. Это был принципиальный сдвиг в индустрии, потому что разработчик перестал зависеть от конкретного железа и начал думать над созданием новых архитектур и алгоритмов.

В СССР этот мировой принцип быстро подхватили и развили локально. Программист Владимир Курочкин написал транслятор универсального языка Алгол-60 сначала для БЭСМ-2, а затем для БЭСМ-6. На этой базе выучились тысячи советских инженеров, которые впоследствии стали основателями ведущих отечественных IT-компаний.

Можем предположить, что современный бигтех строили инженеры. Они научились разрабатывать сложные лингвистические и математические алгоритмы, благодаря советской университетской школе и работе на тех самых первых машинах.

3. Технологии 50-х годов помогли заложить основы для автоматизации документооборота

В 1950-х военный кибернетик Анатолий Китов первым сформулировал идею, которая сегодня кажется очевидной: управлять экономикой огромной страны только через бумажный документооборот невозможно. Люди в столице собирали статистику с производств на бумаге и рассылали обратно готовые производственные планы. Из-за долгой переписки возникали ошибки, а на складах регулярно скапливались лишние товары.

Китов предложил создать единую сеть вычислительных центров, чтобы собирать все данные автоматически. Поскольку сам он служил в армии, первый такой проект Китов предложил реализовать на базе вычислительных мощностей Министерства обороны. Эту идею реализовать он не успел: из-за резкой критики руководства Китова исключили из КПСС и сняли с должности.

Позже эту идею подхватил Виктор Глушков, возглавивший Институт кибернетики. Он развил идеи Китова и довел их до уровня масштабного государственного проекта — ОГАС (общегосударственной автоматизированной системы учета и обработки информации). Эта система должна была объединить все министерства и заводы страны единой вычислительной сетью, чтобы управлять экономикой в реальном времени.

Важно понимать, на каком техническом уровне проектировалась эта сложная система. Инженеры в лабораториях работали с перфолентой — бумажным носителем, на котором программы хранились в виде физически пробитых отверстий.

Каждую команду нужно было набить вручную, распечатать, проверить и только потом загрузить в машину. Именно с помощью таких инструментов планировалось автоматизировать учет в стране.

Идея оказалась слишком дорогой: расходы на реализацию были примерно такими же, как на всю советскую космическую программу. Но у Министерства обороны, в отличие от гражданских ведомств, были собственные закрытые бюджеты и конкретная потребность — мгновенно передавать приказы между военными частями. Военные забрали наработки ученых и сами проспонсировали создание вычислительных сетей.

К концу 1970-х компьютеры на разных базах уже обменивались данными напрямую, и армейская инфраструктура стала работать как полноценный интранет.

У гражданских объектов, заводов, государственных учреждений потребность обмениваться электронными документами с годами никуда не исчезла. И когда в конце 1980-х годов гражданам разрешили создавать кооперативы, частные инженеры начали разрабатывать софт для упрощения документооборота. Именно это сделал и Контур, когда в 1988 году запустил свой первый продукт «Учет труда и заработной платы — АМБа».

4. До хакатонов были олимпиады: как школьные соревнования воспитали первых разработчиков коммерческого софта

Сегодня IT-специалисты соревнуются на хакатонах, а в Советском Союзе были олимпиады по программированию. В 1981-м в Москве прошло первое такое соревнование среди школьников, а уже через четыре года информатика официально стала школьным предметом. К 1988 году в Свердловске (ныне Екатеринбург — родина Контура) организовали уже всесоюзное соревнование.

Туда приехали около ста участников, чтобы пройти два тура: теоретический и практический. Персональных компьютеров на сотню участников не хватало. Поэтому правила были жесткими: сначала школьники решали теорию на бумаге, и только лучшие получали доступ к настоящим ПК на практическом туре.

Для тех времен возможность просто поработать за такой машиной уже была огромным событием.

Те, кто справлялся с теорией, переходили к практике на компьютерах. Школьники писали программы на Паскале или Бейсике, а жюри читало их код вручную. Оценивали не только итоговый ответ, но и наличие комментариев, логику и математическую красоту решения. Победителем становился тот, кто придумывал быструю формулу, а не заставлял машину долго перебирать варианты.

Победителям хотели подарить отечественный персональный компьютер за 500 рублей при зарплате инженера около 100 рублей в месяц. Денег у организаторов не нашлось, поэтому вручили бумажные дипломы и пригласили поступать в МГУ. Из таких олимпиадников и выросло поколение, написавшее первые коммерческие продукты.

5. Кооперативы 1987 года — точка, где наука стала бизнесом

До 1987 года у инженера из НИИ было ровно два пути: работать на государство за 120 рублей в месяц или уйти в никуда. Закон о кооперативах дал им возможность легально открывать свои компании и продавать разработки. Спрос на программы уже был: заводам и госструктурам требовалась автоматизация учета, но готового софта в СССР не существовало.

В 1988 году трое выпускников Уральского политехнического института (УПИ) создали компанию СКБ Контур. Их первым продуктом стала программа «АМБа» — с ней бухгалтеры смогли вести электронный учет труда и зарплаты на предприятиях. Первыми покупателями стали предприятия Свердловска, в том числе Уральский алюминиевый завод.

В начале девяностых компания пыталась диверсифицироваться и заниматься самыми разными направлениями — от выпуска детской игровой приставки «Кроха» до собственного издательства, которое печатало зарубежную фантастику. Но в итоге компания сконцентрировалась на разработке корпоративного софта.

Со временем алгоритмы и опыт разработки «АМБы» стали базой для новых IT-продуктов Контура. К 2000 году появился «Контур.Экстерн» — платформа для сдачи электронной отчетности в госорганы. Она работает и развивается уже 26 лет.

6. Горбушка и пиратство создали инженерную школу реверс-инжиниринга

На московском рынке Горбушка в 1990-х продавцы торговали прямо с ящиков: запчасти для ZX Spectrum, пиратские операционные системы, бухгалтерские программы на дискетах.

Часто продавцы сами не понимали, что именно продают — просто знали, что это нужно и покупают. В стране не существовало законов об авторских правах на цифровую собственность, поэтому инженеры занимались реверс-инжинирингом западного софта совершенно открыто.

В условиях постоянной нехватки денег и информации сформировалась уникальная техническая культура. Программисты набивали руку на сложных задачах: они учились разбирать чужие системы изнутри, понимать скрытые архитектурные решения без официальной документации и воспроизводить сложную функциональность с нуля. Государство технологический сектор в тот период никак не поддерживало, поэтому специалисты выживали самостоятельно. Часть построила собственные компании, часть уехала работать в западные корпорации вроде Microsoft и Oracle — и в обоих случаях сформировала международную репутацию российских инженеров как людей, которые могут решать сложные задачи при минимуме ресурсов.

Как именно выглядел этот период изнутри — рассказывают во втором эпизоде подкаста «От нуля до единицы». Там же — про утечку мозгов, первых провайдеров и то, что покупка компьютера в 90-е занимала целый день и требовала помощи знакомого студента УПИ, объезжавшего полуподвальные магазинчики.

7. Релком доказал, что открытые сети работают — и дал старт провайдерскому рынку

Параллельно с развитием стихийных рынков ПО появлялись отечественные сети связи. В начале 1990-х годов в подвале Курчатовского института группа ученых подняла первую публичную компьютерную сеть в стране — Релком. Секретные военные вычислительные центры прошлого оставались строго изолированными системами. Релком подключал всех: нужен был компьютер, модем и телефонная линия. Инфраструктура строилась на операционной системе UNIX и машинах производства DEC.

Сеть сначала объединила Москву, затем продолжилась в регионах и вышла за пределы страны. Из этого комьюнити вышли первые отечественные провайдеры и первые технологические стартаперы.

Локализация победила глобальных игроков — и это стало моделью для всего российского бигтеха

В девяностые и нулевые российские IT-компании часто выигрывали конкуренцию у мировых гигантов за счет понимания местной специфики. Например, Яндекс лучше зарубежных поисковиков работал с морфологией русского языка, а Лаборатория Касперского быстрее реагировала на локальные киберугрозы.

Тот же сценарий сработал на рынке корпоративного софта. Зарубежные программы не могли быстро адаптироваться под сложную российскую бюрократию, строгие налоговые правила и частые изменения в законах.

Разработчики Контура тоже двигались по этому пути: они начали с профильных программ для бухгалтерии и шаг за шагом переносили бумажное делопроизводство в электронный вид. Решение сложных и рутинных задач бизнеса оказалось отличной стратегией: постепенно продуктовый портфель Контура превратился в экосистему — по такой же логике развивались многие другие российские компании.

Как в нулевые взрывался рынок интернета и какими были первые социальные сети — в третьем эпизоде подкаста «От нуля до единицы». Там же — про то, почему самым популярным сайтом Рунета в 1997 году был ресурс с анекдотами и чем это время отличалось от нынешнего.

О том, как это устроено, рассказала Теа Аррестад, доцент физики частиц в ETH Zurich, на конференции Monster Scale Summit. А open-source транспайлер HLS4ML, который делает это возможным, уже доступен для всех. Подробности — в материале The Register.

— LHC производит ~40 000 экзабайт нефильтрованных данных в год, хранить удаётся ничтожную долю

— Level-1 Trigger — система из ~1000 FPGA, которая фильтрует данные за менее чем 50 наносекунд

— AXOL1TL — нейросеть для обнаружения аномалий, прошитая прямо в чип

— HLS4ML — open-source транспайлер: Python-модель → C++ → прошивка FPGA или ASIC

— Модели квантизированы, обрезаны и дистиллированы до минимального размера

— Подход применим за пределами физики: edge ИИ, IoT, медицина, автономные системы

Проблема: 40 000 экзабайт данных в год

В 27-километровом кольце на глубине 100 метров под границей Швейцарии и Франции протоны разгоняются до околосветовых скоростей. Около 2800 пучков протонов несутся по кольцу с интервалом в 25 наносекунд. Из миллиардов протонов в каждом пучке столкнуться напрямую удаётся лишь ~60 парам.

Каждое столкновение порождает каскад новых частиц и несколько мегабайт данных. При миллиарде столкновений в секунду это даёт примерно петабайт данных ежесекундно — объём, сопоставимый со всей библиотекой Netflix.

«Если бы у нас было бесконечное количество вычислительных ресурсов, мы бы смотрели все данные», — говорит Аррестад. Но реальность такова, что сохранить и проанализировать удаётся менее 0,02% от всего массива. Остальное необходимо отбросить в реальном времени — прямо на уровне детекторов.

Решение: нейросеть в кремнии

Детекторы LHC, построенные на ASIC-чипах, буферизуют данные лишь на 4 микросекунды. После этого данные «падают со скалы» — они навсегда потеряны, если не были сохранены.

За принятие решения отвечает Level-1 Trigger — агрегат из примерно 1000 FPGA-чипов. Он получает сжатую информацию о событии по оптоволокну со скоростью ~10 ТБ/с и выдаёт единственное значение: «принять» (1) или «отклонить» (0).

Решение принимает алгоритм AXOL1TL — нейросеть для обнаружения аномалий, прошитая непосредственно в FPGA. Она обучена на «фоне» — известных событиях Стандартной модели. Всё, что выходит за рамки типичной картины столкновения, помечается как потенциально интересное. Как выразилась Аррестад, алгоритм «охотится за редкой физикой».

Время на решение — менее 50 наносекунд. Лишь ~110 000 событий в секунду (0,02% от всех столкновений) проходят фильтр и отправляются на поверхность. Далее данные проходят вторую стадию фильтрации — High Level Trigger на 25 600 CPU и 400 GPU — и сокращаются до ~1000 событий в секунду, порождая около петабайта данных в день.

HLS4ML: как модель попадает в чип

Стандартные библиотеки машинного обучения для edge-устройств (MLPerfMobile, MLPerfTiny) не справляются с потоковыми данными и задержками уровня CERN. Поэтому инженеры создали собственный инструментарий — HLS4ML.

HLS4ML — это open-source транспайлер, который преобразует обученную модель машинного обучения в C++-код, оптимизированный под конкретную аппаратную платформу: FPGA, ASIC или систему на кристалле. Фактически, он позволяет «напечатать» нейросеть в кремнии.

Цепочка выглядит так:

1. Модель обучается в Python (PyTorch, TensorFlow, scikit-learn)
2. Агрессивная оптимизация: квантизация (уникальная битовая ширина для каждого параметра), pruning (удаление лишних связей), дистилляция (передача знаний из большой модели в крошечную)
3. HLS4ML транспилирует модель в C++, адаптированный под целевую платформу
4. C++-код компилируется в bitstream — прошивку FPGA

Архитектура FPGA принципиально отличается от классической фон-неймановской модели, где процессор последовательно извлекает инструкции из памяти и выполняет их одну за другой. В FPGA нет такого цикла — вычисления запускаются сразу, как только на вход поступают данные. Каждый слой нейросети реализован как отдельный физический блок на чипе, а значительная часть кремния отведена под предвычисленные таблицы поиска (LUT), которые заменяют сложные арифметические операции мгновенной выдачей результата.

Интересно, что для этих задач древовидные модели (tree-based) оказались не менее эффективными, чем глубокое обучение, но при значительно меньших затратах ресурсов. Это логично: данные Стандартной модели — по сути табличные, а для каждого столкновения LHC выдаёт структурированный набор дискретных измерений.

Почему не GPU?

Может показаться, что GPU — естественный выбор для ИИ-задач. Но для Level-1 Trigger они не подходят по нескольким причинам:

• Латентность. GPU работают с задержками в микро- и миллисекунды. Для Level-1 Trigger нужны наносекунды — на три порядка быстрее
• Детерминизм. FPGA обеспечивают жёсткое детерминированное время выполнения. GPU с их конвейерами и шедулерами такого не гарантируют
• Энергопотребление. Тысяча FPGA потребляет значительно меньше энергии, чем эквивалентное количество GPU
• Всё на чипе. Решения должны приниматься без обращения к внешней памяти — даже к очень быстрой. На FPGA модель буквально впаяна в кремний

GPU используются на второй стадии фильтрации (High Level Trigger), где допустимы задержки в миллисекунды и есть время на реконструкцию полной картины столкновения. Но на первом уровне, где данные живут лишь 4 микросекунды, компромиссов быть не может.

За пределами физики частиц

Пока гиганты вроде OpenAI и Google строят всё более крупные модели, CERN движется в противоположном направлении — к максимально компактному ИИ. И этот подход применим далеко за пределами физики высоких энергий:

• Edge ИИ и IoT. Промышленные датчики, системы умного города и автономные устройства часто не могут позволить себе связь с облаком. Модель в FPGA работает автономно и с минимальной задержкой
• Медицина. Например, компания Xilinx (ныне AMD) уже использует FPGA для ускорения обработки геномных данных в секвенаторах ДНК. Аналогичный подход применим к анализу данных МРТ, ЭКГ или потоков с хирургических роботов в реальном времени
• Автономный транспорт. Принятие решений в беспилотных автомобилях и дронах, где задержка при обращении к облаку недопустима
• Телеком и кибербезопасность. Инспекция сетевого трафика на скоростях в сотни гигабит без снижения пропускной способности

HLS4ML — проект с открытым исходным кодом, опубликованный на GitHub. Любой инженер может использовать тот же инструментарий, что и учёные CERN, для компиляции моделей машинного обучения в прошивку FPGA.

FAQ

Что такое FPGA и чем она отличается от GPU?

FPGA (Field-Programmable Gate Array) — это микросхема, логику которой можно перепрограммировать после производства. В отличие от GPU, где тысячи универсальных ядер выполняют инструкции последовательно, FPGA реализует алгоритм как физическую схему: данные проходят через логические вентили без каких-либо программных инструкций. Это даёт наносекундные задержки и детерминированное время выполнения.

Можно ли использовать HLS4ML вне CERN?

Да. HLS4ML — проект с открытым исходным кодом, опубликованный на opensource.web.cern.ch. Согласно документации проекта, он поддерживает модели из Keras, PyTorch и ONNX и генерирует C++-код для синтеза на различных платформах FPGA (Xilinx Vivado HLS, Intel HLS). Инструмент активно используется в академической среде и начинает проникать в промышленность.

Насколько маленькими должны быть модели для FPGA?

Модели для Level-1 Trigger в CERN — это единицы-десятки килобайт параметров с агрессивной квантизацией (уникальная битовая ширина для каждого веса). Для сравнения: GPT-4 занимает сотни гигабайт. Всё дело в компромиссе: модель должна целиком умещаться на чипе без обращения к внешней памяти, потому что даже обращение к DRAM занимает десятки наносекунд — слишком медленно для Level-1 Trigger.

Выводы

CERN показывает, что будущее ИИ — не только в масштабировании. Иногда самый мощный подход — это максимально сжатая модель, прошитая в кремний и работающая быстрее, чем данные успевают покинуть детектор.

По данным CERN, команда подготовила прошивку AXOL1TL для включения в trigger menu LHC — набор алгоритмов, которые решают, какие столкновения сохранить. А в конце года коллайдер остановят для модернизации до High-Luminosity LHC (запуск в 2031), который увеличит поток данных в 10 раз — до 63 ТБ/с. Это потребует ещё более агрессивной компрессии моделей.

Инструменты, созданные для физики частиц, уже выходят за пределы лаборатории. HLS4ML с открытым исходным кодом позволяет любому разработчику применить подход CERN к своим задачам — от промышленной автоматизации до медицинских устройств. А с переходом на High-Luminosity LHC ограничения станут жёстче, и именно эти методы компрессии определят, какие открытия сможет сделать следующее поколение детекторов.

Distance-Engagement Oscillation (DEO) — это метод промптинга, основанный на теории перцептивного рефрейминга (Perceptual Reframing Theory, PRT). Рефрейминг — это способность посмотреть на проблему под другим углом, сменив «рамку» восприятия. DEO заставляет языковую модель чередовать два когнитивных режима: аналитическую дистанцию (анализ проблемы со стороны) и эмоциональное вовлечение (проживание проблемы изнутри). Автор метода — Гёкхан Гёкмен из Технического университета Бурсы.

Результаты эксперимента на трёх open-source LLM показали: DEO-промптинг повышает качество креативного мышления модели на 40–55% по сравнению с обычными промптами. Эффект подтверждён тремя независимыми оценщиками с размером эффекта Cohen's d от 1.29 до 1.63 («очень большой»).

Главное:
— DEO-промптинг улучшает креативное мышление LLM на 40–55% (Cohen's d = 1.29–1.63)
— Предсказанный порядок DEO > Distance > Engagement ≥ Vanilla подтвердился во всех 9 комбинациях модель×оценщик (p < .001)
— Метод работает без дообучения — только через структуру промпта
— Тестировалось на Llama 3.3 70B, Qwen3 32B и Llama 4 Scout
— Код и данные открыты на GitHub под лицензией CC BY 4.0

Как работает DEO-промптинг

В основе метода лежит Perceptual Reframing Theory (PRT) — теория, объединяющая исследования из области инсайтов, самодистанцирования, теории уровней конструирования и психотерапии. PRT описывает девять когнитивных путей, которыми люди переключают восприятие при решении творческих задач.

DEO использует четыре шага, чередуя аналитическую дистанцию и эмоциональное вовлечение:

1. ANALYSE (дистанция) — модель анализирует проблему со стороны, выявляя скрытые допущения и рамки мышления
2. FEEL (вовлечение) — модель «проживает» проблему, подключая эмпатию и эмоциональный контекст
3. REFRAME (дистанция) — модель формулирует альтернативные интерпретации на основе обоих режимов
4. ENVISION (вовлечение) — модель представляет конкретную реализацию нового решения

Ключевая идея: ни дистанция, ни вовлечение по отдельности не дают максимального эффекта. Именно чередование между ними создаёт качественный сдвиг в мышлении модели.

Дизайн эксперимента

Исследование включало два анализа с общим объёмом в 13 500 вызовов генерации:

Анализ 1: промпты с рефреймингом vs обычные промпты

• 50 оригинальных задач из 8 категорий когнитивных ловушек: якорение, ложная бинарность, функциональная фиксированность, фрейминговая ловушка, нарративный замок, нулевая сумма, эффект Эйнштеллунга, многоходовые задачи
• 3 open-source LLM: Llama 3.3 70B, Qwen3 32B, Llama 4 Scout 17B-16E
• 5 запусков на каждое условие (temperature 0.7) с усреднением
• 3 независимых оценщика: самооценка модели + Claude Sonnet 4 + GPT-4.1 (все слепые к условию)
• 5 критериев оценки: разнообразие фреймов, выявление допущений, новизна решения, ревизия предпосылок, корректность

Анализ 2: четыре условия DEO

Для 20 задач с чистыми путями дистанции сравнивались четыре условия:

• Vanilla — обычный промпт без дополнительной структуры
• Distance-only — только аналитическая дистанция
• Engagement-only — только эмоциональное вовлечение
• DEO — полная осцилляция между дистанцией и вовлечением

Результаты

Предсказанный теорией порядок DEO > Distance > Engagement ≥ Vanilla подтвердился во всех 9 комбинациях модель × оценщик (все Friedman p < .001).

Анализ 1: рефрейминг значимо лучше обычных промптов

Средние баллы по 5-балльной шкале рефрейминга:

• Llama 3.3 70B — vanilla: 2.84, рефрейминг: 3.99 (Δ = +1.15, d = 1.29)
• Qwen3 32B — vanilla: 2.86, рефрейминг: 4.00 (Δ = +1.14, d = 1.56)
• Llama 4 Scout — vanilla: 2.82, рефрейминг: 3.98 (Δ = +1.16, d = 1.42)

Все 9 пар модель × оценщик показали статистическую значимость на уровне p < .001. При этом корректность ответов не снизилась — напротив, также значимо выросла.

Анализ 2: осцилляция эффективнее любого режима по отдельности

Средние баллы по четырём условиям (оценщик OpenAI, Llama 3.3 70B):

• Vanilla: 2.37
• Engagement-only: 2.92
• Distance-only: 3.61
• DEO: 4.06

Дистанция значительно превосходит вовлечение во всех 9 случаях — это подтверждает гипотезу PRT о том, что увидеть фрейм мышления сложнее, чем прочувствовать проблему. DEO добавляет значимое улучшение поверх дистанции в 4 из 9 случаев (d = 0.40–1.06).

Какие задачи выигрывают больше всего

Максимальный эффект DEO наблюдается на задачах с нарративным замком (narrative lock-in) — когда модель застревает в одной истории или интерпретации. Здесь прирост достигает Δ = +2.14, d = 3.23. На втором месте — задачи с фрейминговой ловушкой и эффектом Эйнштеллунга (фиксация на привычном методе решения).

Девять путей рефрейминга PRT

Теория PRT выделяет девять когнитивных путей, которые используются как промпт-стратегии:

1. Name the Frame — назвать скрытую рамку мышления (Δ до +1.60)
2. Decompose to Generic — разложить задачу на абстрактные компоненты
3. Distant Analogy — применить аналогию из другой области (Δ до +1.64)
4. Incubate & Reset — сделать паузу и вернуться к задаче заново
5. Invert — перевернуть задачу наоборот (Δ до +1.38)
6. Premise Reflection — поставить под сомнение исходные предпосылки (Δ до +1.56)
7. Surprise as Signal — использовать удивление как сигнал для рефрейминга (Δ до +1.87)
8. Confidence Calibration — калибровать уверенность в ответе
9. Step Outside — посмотреть на задачу глазами другого человека (Δ до +1.34)

Самые эффективные пути: Name the Frame, Distant Analogy и Surprise as Signal. Все три связаны с дистанцией — способностью модели "увидеть" рамку, в которой она мыслит.

Как попробовать DEO самому

Репозиторий включает slash-команду /reframe для Claude Code. Она применяет четырёхшаговую осцилляцию DEO к любой задаче:

Claude пройдёт четыре этапа — ANALYSE, FEEL, REFRAME, ENVISION — и выдаст рефреймированный ответ с альтернативными интерпретациями проблемы.

Для воспроизведения полного эксперимента:

Полный эксперимент (3 модели, 4 условия, 5 запусков, 3 оценщика) обходится примерно в $15–20.

FAQ

Что такое DEO-промптинг?

DEO (Distance-Engagement Oscillation) — это метод промптинга, в котором языковая модель чередует аналитический режим (дистанция) и эмоциональный режим (вовлечение). Такое чередование помогает модели выйти за рамки привычного мышления и находить более креативные решения. Метод основан на теории перцептивного рефрейминга (PRT) из когнитивной психологии.

На каких моделях работает DEO?

В исследовании метод тестировался на трёх open-source моделях: Llama 3.3 70B, Qwen3 32B и Llama 4 Scout 17B-16E. Эффект был стабильно значимым на всех трёх. Поскольку DEO работает на уровне промпта (zero-shot, без дообучения), он применим к любой LLM, способной следовать структурированным инструкциям.

Чем DEO отличается от Chain-of-Thought?

Chain-of-Thought заставляет модель рассуждать пошагово в одном когнитивном режиме. DEO добавляет переключение между режимами — от анализа к эмпатии и обратно. Это помогает модели не просто "думать дольше", а "думать иначе", выявляя скрытые предпосылки и рамки мышления, которые блокируют креативные решения.

Снижается ли корректность ответов при использовании DEO?

Нет. В эксперименте корректность ответов значимо выросла во всех 9 комбинациях модель × оценщик (p < .001). DEO не жертвует точностью ради креативности — оба показателя улучшаются одновременно.

Можно ли использовать DEO в продакшене?

Код и данные открыты под лицензией CC BY 4.0. Метод не требует дообучения или специальной инфраструктуры — достаточно модифицировать системный промпт. Четырёхшаговая структура ANALYSE–FEEL–REFRAME–ENVISION легко интегрируется в любой пайплайн.

Выводы

Аналитическая дистанция показывает модели, что рамка мышления существует. Эмоциональное вовлечение делает сдвиг восприятия устойчивым. Именно осцилляция между ними даёт максимальный эффект.

Исследование Гёкмена — первый эмпирический тест механизма DEO и одна из немногих работ, применяющих когнитивную психологию рефрейминга к промпт-инжинирингу. Результаты показывают, что структура промпта важнее, чем размер модели: правильно организованное чередование дистанции и вовлечения даёт стабильный и воспроизводимый прирост креативного мышления LLM.

Полный код эксперимента, 307 JSON-файлов с ответами моделей и статистический анализ доступны в репозитории на GitHub. Препринт статьи опубликован на Zenodo (DOI: 10.5281/zenodo.19252225).

Попробуйте DEO-промптинг на своих задачах — возможно, ваша LLM способна на большее, чем вы думаете.

Итог оказался тревожным: в среднем участники почти не различали синтетические и настоящие лица.

Даже «суперраспознаватели» не спасают

Лучшие результаты показали люди с выдающимися навыками распознавания лиц — так называемые super recognisers. Однако и они дали правильный ответ лишь в 57% случаев.

Это всего немного выше случайного угадывания (50%) и лишь на ~15% лучше средних показателей предыдущих исследований. Иными словами, даже самые внимательные наблюдатели регулярно ошибаются.

Почему ИИ-лица выглядят «слишком нормальными»

Авторы объясняют эффект особенностями генерации изображений. Алгоритмы создают так называемые гиперсредние лица — усредненные комбинации множества черт.

В терминах когнитивной психологии это смещение к центру face-space — условного пространства, где представлены все вариации человеческих лиц.

Чем ближе лицо к «среднему», тем более естественным и привычным оно кажется мозгу. В результате ИИ-портреты выглядят правдоподобнее реальных, которые часто содержат асимметрию и уникальные особенности.

Зрение больше не гарантия

Исследователи подчеркивают: интуиция и «на глаз» больше не работают как защита от синтетических личностей. Наиболее надежный подход — сочетание методов:

• участие людей с высоким навыком распознавания лиц;
• коллективная оценка;
• технические инструменты детекции ИИ-изображений.

И главный вывод здесь философский: если мозг эволюционно натренирован узнавать лица, а теперь не справляется — значит, генеративные модели уже очень глубоко приблизились к человеческой норме.

Зачем детям 3D-моделирование в Blender или Tinkercad

Представьте, что ваш ребенок получает возможность не просто рисовать на бумаге или экране, а создавать целые миры, которые можно рассмотреть со всех сторон, оживить или даже распечатать на 3D-принтере. Именно это дает детям знание программ для 3D-моделирования — уникальный навык XXI века, который сегодня доступен уже с младшего школьного возраста.

Но зачем это нужно? Помимо очевидного «это интересно», 3D-моделирование — это мощный инструмент для развития мышления и творческих способностей:

Пространственное мышление: видеть мир в объеме

Креативность: от идеи к осязаемому результату

Цифровые навыки: владение языком будущего

Умение работать в 3D-среде — это уже не просто дополнительный кружок, а базовая грамотность нового времени. Ребенок осваивает логику цифровых инструментов, понимает принципы построения виртуальных объектов, учится технической терпеливости и точности. Эти компетенции становятся все более востребованными в самых разных областях.

Tinkercad для детей — цифровой конструктор для первых открытий

Tinkercad — это онлайн-платформа для 3D-моделирования, которая легко превращает первые шаги в цифровом творчестве в увлекательную и понятную игру. Tinkercad можно представить как безграничный набор волшебных кубиков, из которых можно собрать все что угодно: от маленького брелока до модели космической станции. Причем эти кубики не лежат на столе — они живут в браузере.

Например, чтобы создать модель домика, нужно взять куб (это основа), поставить на него треугольную призму (крыша), а затем с помощью инструмента «Отверстие» вырезать в кубе дверь и окна, используя другие кубы и цилиндры. Этот принцип «вычитания» одного объема из другого или их «сложения» — ключевой для понимания логики 3D.

Панель инструментов Tinkercad минималистична и визуально понятна. Все основные действия — взять фигуру, повернуть ее, изменить размер, сгруппировать с другой — выполняются мышкой с помощью понятных «точек захвата» и плоских кнопок. Рабочая область — это виртуальный стол, на котором можно свободно вращать камеру, чтобы осмотреть объект со всех сторон. Знакомый с играми или другими конструкторами ребенок освоит интерфейс Tinkercad за 10-15 минут.

Главные преимущества:

• Нулевой порог входа. Не нужно ничего скачивать и устанавливать. Достаточно компьютера с выходом в интернет и современным браузером.
• Бесплатность. Полный функционал платформы от компании Autodesk доступен свободно после простой регистрации.
• Мгновенная отдача. Уже на первом занятии ребенок создает свой первый объект и испытывает восторг от того, что эту модель можно сделать настоящей, отправив ее на 3D-печать.
• Идеальная база для понимания 3D-логики. Платформа блестяще учит основам: что такое оси координат (X, Y, Z), как работает объем, что такое группировка объектов. Это азбука, без которой сложно двигаться дальше.

Минусы Tinkercad — это обратная сторона его простоты. Программа не предназначена для создания плавных, органичных форм — например, моделирования реалистичного человеческого лица, животного или сложного изогнутого дизайнерского кресла. Она работает с четкими геометрическими формами. Для многих творческих и технических задач этого более чем достаточно, но рано или поздно ребенок, желающий создавать персонажей для игр или сложные арт-объекты, упрется в этот «потолок».

Tinkercad подойдет для детей от 6 лет, делающих самые первые шаги в 3D, а также для любого новичка, чья цель — быстро и весело научиться основам, чтобы создавать функциональные модели для 3D-печати (игрушки, держатели, сувениры), простые макеты или архитектурные формы.

Если ребенок с удовольствием собирает модели в Tinkercad, его интерес можно развить и углубить. В этом поможет наш курс по 3D-моделированию для детей в Tinkercad, где эта программа становится полноценным инструментом для реализации серьезных проектов. Под руководством нашего педагога дети не просто комбинируют кубики, а учатся профессиональному подходу: от эскиза и технического расчета пропорций до подготовки сложной модели для печати. К концу курса каждый ученик создаст собственное портфолио из готовых работ — например, многосоставную головоломку, действующий механический механизм (вроде шарнирного робота) или детализированный архитектурный макет.

Первый урок курса по Tinkercad для детей можно пройти бесплатно, запись на бесплатный пробный урок по ссылке.

Blender для детей — цифровая студия для будущих профессионалов

Если Tinkercad можно сравнить с удобным конструктором, то Blender — это целая мастерская скульптора, инженера и режиссера под одной крышей. Это не просто программа для 3D-моделирования, доступная детям, это — полноценная профессиональная студия для создания трехмерной графики, которая при этом остается абсолютно бесплатной. Здесь нет готовых кубиков — здесь есть цифровая глина, из которой можно вылепить что угодно, от ювелирного украшения до целой анимированной сцены из фэнтези-мира.

Blender — это универсальный комплекс, охватывающий все этапы производства 3D-контента. Его ядро — продвинутое полигональное моделирование, где объекты создаются из сетки-«каркаса» (полигонов), вершины которого можно двигать, формируя любые, даже самые плавные и сложные формы. Для создания органических объектов (персонажей, существ) есть инструмент скульптинга, имитирующий работу с настоящей глиной: можно «вдавливать», «вытягивать» и «сглаживать» поверхность.

Но на этом возможности не заканчиваются. В Blender можно:

• Текстурировать и назначать материалы (сделать объект блестящим, матовым, прозрачным).
• Выстраивать освещение и визуализировать (создавать фотореалистичные или стилизованные «снимки» — рендеры).
• Анимировать объекты и персонажей, заставляя их двигаться.
• Монтировать видео, добавлять спецэффекты и даже работать со звуком.

Первое впечатление от интерфейса Blender может озадачить ребенка: множество панелей, вкладок и сотни кнопок. Это закономерно — так выглядит профессиональный инструмент. Однако это не хаос, а четко структурированная система. Основной секрет комфортной работы — в горячих клавишах. Опытные пользователи управляют программой в основном с клавиатуры, что делает процесс очень быстрым. Но для новичка это значит, что первые уроки будут посвящены не столько творчеству, сколько знакомству с этой логикой и основными комбинациями (например, G — переместить, R — повернуть, S — масштабировать). После этого барьер входа резко снижается.

Главные преимущества:

• Безграничные творческие возможности. Ограничением в Blender является только фантазия ребенка. Хочет создать робота с идеально ровными гранями? Пожалуйста. Мечтает вылепить фантастического дракона? И это возможно.
• Промышленный стандарт в индустрии. Навыки работы в Blender для ребенка — это серьезная строка в будущем портфолио. Программа активно используется независимыми студиями в геймдеве, анимации, рекламе и дизайне.
• Развитие комплексного, глубокого мышления. Работа над проектом учит видеть процесс от начала до конца: концепт → моделирование → текстурирование → постановка света → финальный рендер. Это воспитывает терпение, внимание к деталям и системный подход.

Также важно учитывать требования к уровню подготовки ребенка и технике:

• Высокий порог входа. Чтобы начать создавать что-то осмысленное, потребуется пройти этап изучения интерфейса и базовых инструментов. Это требует усидчивости и готовности к тому, что не все будет получаться сразу.
• Требования к компьютеру. Для комфортной работы, особенно при рендеринге сложных сцен, потребуется достаточно производительный ПК или ноутбук с хорошей видеокартой.
• Необходимость в структурированном обучении. Самостоятельное освоение Blender «методом тыка» часто приводит к разочарованию. Намного эффективнее двигаться по выверенной учебной программе с поддержкой преподавателя.

Blender — для целеустремленных детей и подростков 12-16 лет, которые всерьез увлечены миром компьютерной графики, мечтают создавать собственных персонажей для игр, короткометражные анимационные ролики или сложные визуализации. Это выбор для тех, кто готов инвестировать время и силы, чтобы получить по-настоящему мощный и востребованный навык.

Приглашаем на специализированный курс по Blender для детей и подростков в Школе программирования «Пиксель». Наши педагоги помогут преодолеть сложный начальный этап и построить прочный фундамент знаний. На курсе дети не просто изучат интерфейс Blender, а освоят полный цикл работы: от идеи и скетча до финального рендера. К концу обучения каждый ученик создаст собственное профессиональное портфолио, которое может включать, например, полностью текстурированного и анимированного 3D-персонажа или законченную стилизованную сцену с качественной визуализацией.

Записаться на бесплатный пробный урок курса «3D-моделирование в Blender для детей» можно здесь.

Перспективы изучения программ для 3D-моделирования для детей

Увлечение детей 3D-моделированием, которое начинается с простой фигурки в Tinkercad или первого персонажа в Blender, — это не просто хобби. Это ранний старт в освоении навыка, который сегодня лежит в основе десятков высокооплачиваемых профессий. Цифровое трехмерное пространство стало новой реальностью для творчества, инженерии и науки, и умение работать в нем сравнимо с владением популярным языком программирования.

Давайте рассмотрим конкретные направления, где сегодня востребованы навыки 3D-моделирования, и какие задачи решают специалисты в каждой из них.

Геймдев и анимация

Это одна из самых очевидных и желанных для детей подростков сфер. Здесь 3D-художники — настоящие творцы реальностей.

• Что делают: создают 3D-персонажей (от концепта до детализированной модели с текстурами и скелетом для анимации), окружение (города, леса, интерьеры космических кораблей), пропсы (оружие, транспорт, предметы быта) и визуальные эффекты (магические заклинания, взрывы).
• Пример задачи: получив концепт-арт фэнтезийного воина, художник по персонажам должен создать его 3D-модель, которая будет одинаково убедительно выглядеть с любого ракурса в игре, а аниматор — «оживить» его, запрограммировав движения бега, атаки и реакции.
• Главный инструмент — Blender.

Промышленный и предметный дизайн

Практически каждый объект, которым мы пользуемся, от зубной щетки до смартфона, прошел стадию 3D-моделирования.

• Что делают специалисты в этой области: разрабатывают внешний вид, эргономику и функциональность изделий. Создают цифровые прототипы, которые можно проверить на виртуальные нагрузки, собрать виртуально и только потом отправить в производство.
• Пример задачи: дизайнер получает техническое задание на разработку беспроводной колонки. В 3D-редакторе он создает ее форму, прорабатывает расположение кнопок и динамиков, подбирает материалы (пластик, ткань, металл) и создает фотореалистичные изображения для презентации клиенту.
• Какие инструменты используют: Tinkercad отлично подходит для первых шагов, обучения основам и создания простых концептов. Blender и другие профессиональные CAD-программы (Fusion 360, SolidWorks) используются для сложных инженерных задач.

Архитектура и визуализация

Современные архитекторы и визуализаторы больше не чертят на ватмане — они строят точные цифровые копии зданий.

• Что делают: создают архитектурные макеты и интерьеры в 3D, проводят виртуальные туры, визуализируют, как будет выглядеть здание в разное время суток или в разные сезоны. Это позволяет «прогуляться» по дому еще до закладки фундамента.
• Пример задачи: визуализатор получает чертежи будущей квартиры. Его задача — смоделировать ее в 3D, «расставить» мебель, подобрать отделочные материалы, настроить реалистичное освещение от виртуальных окон и создать серию изображений, неотличимых от фотографий.
• Какие инструменты используют: Tinkercad может стать первым инструментом для создания простых макетов. Для профессиональной работы используется Blender (особенно для сложного и креативного дизайна), а также специализированный софт вроде 3ds Max, SketchUp или Archicad.

Инженерное дело и 3D-печать

3D-печать перевернула подход к созданию вещей, но она невозможна без 3D-моделей.

• 3D-инженеры проектируют детали сложных механизмов (от дронов до протезов), проверяя их на прочность в симуляциях. Специалисты по 3D-печати адаптируют и готовят модели к печати, следя за тем, чтобы виртуальный объект можно было корректно воплотить в пластике, металле или смоле.
• Пример задачи: инженер должен смоделировать нестандартную деталь для ремонтного комплекта вышедшего из производства станка. Модель должна быть геометрически точной и учитывать физические свойства выбранного для печати материала.
• Какие инструменты используют: Tinkercad — идеальная площадка для знакомства с логикой 3D-печати, создания первых простых, но функциональных моделей. Для сложных технических задач используются Blender (для органических форм) и профессиональные CAD-системы.

Медицина и наука

В этой сфере 3D-технологии носят не коммерческий, а исследовательский и прикладной характер.

• Ученые создают 3D-модели молекул и кристаллических решеток для наглядного изучения, реконструируют внешний вид археологических находок по останкам, готовят модели органов пациента на основе данных КТ для планирования сложной операции.
• Пример задачи: ученый, изучающий новое химическое соединение, строит его точную трехмерную модель, чтобы понять, как он взаимодействует с другими молекулами. Эта модель становится ключом к разработке лекарства.

Как выбрать программу для 3D-моделирования, подходящую для вашего ребенка

Чтобы выбрать между Tinkercad и Blender для ребенка, не нужно быть экспертом в 3D-графике. Достаточно ответить на три вопроса: сколько лет ребенку, какова его ближайшая цель и сколько времени он готов уделять обучению. Эти критерии станут вашим основным ориентиром.

Ориентируйтесь на возраст и способность к самостоятельному обучению

• Tinkercad оптимален для детей 6-12 лет. В этом возрасте важнее всего быстрое ощущение успеха и понятная, игровая механика творчества. Ребенок еще не готов к долгому изучению сложного интерфейса, но с удовольствием будет собирать модели как цифровой конструктор и сразу видеть результат своей работы, особенно если есть возможность ее напечатать.
• Blender — для детей от 12-13 лет и старше, особенно если у ребенка есть выраженный интерес к конкретным сферам — играм, анимации, визуальным эффектам. В этом возрасте уже хватает усидчивости для преодоления начального, самого сложного этапа освоения профессионального инструмента. Ключевой фактор здесь — наличие внутренней мотивации.

Четко определите первую практическую цель

• Если цель — делать свои игрушки и сувениры для 3D-принтера, то ребенку нужен Tinkercad. Эта платформа идеально заточена под быструю подготовку моделей к печати. Ее инструментов хватит для создания 90% бытовых и декоративных предметов.
• Если ребенок хочет создавать крутых персонажей для игр или собственных мультфильмов — путь ведет к Blender. Никакой другой бесплатный инструмент не даст такой свободы в создании органических форм, детализированных персонажей и их дальнейшей анимации. Важно понимать, что это полноценный профессиональный софт, и для эффективного старта крайне желательна помощь преподавателя или структурированный курс.

Не бойтесь начинать с простого — это лучшая основа для сложного

Самый гармоничный и психологически верный путь в 3D-моделировании — последовательный. Начните с Tinkercad, даже если ребенок видит себя в будущем в геймдеве. Это даст ему бесценные преимущества:

• Уверенность в своих силах благодаря мгновенным и осязаемым результатам.
• Понимание работы с объемом, масштабом и композицией в трехмерном пространстве.
• Дети без проблем переходят на Blender, когда возможности Tinkercad становятся тесны для новых идей. Такой переход будет осознанным: ребенок уже будет понимать, зачем ему нужны более сложные инструменты.

Выбор первой программы — не окончательный, это лишь точка старта в увлекательном путешествии. Гораздо важнее, чтобы этот старт был успешным и вдохновляющим.

Реклама. Рекламодатель ООО «Пиксель.Стади», ИНН 5074078988, erid: 2W5zFGart4G

При этом парадокс заключается в том, что даже их создатели до конца не понимают, что именно происходит внутри этих систем в момент принятия решения. Классический инженерный подход — разложить алгоритм на формулы и правила — перестал работать.

Поэтому исследователи начали менять подход. Вместо того, чтобы анализировать ИИ как программу, его все чаще изучают как биологическую систему. Примерно так же, как ученые изучают человеческий мозг.

ИИ под «МРТ»: механистическая интерпретируемость

Как пишет MIT Technology Review, исследователи из Anthropic разработали инструменты для так называемой механистической интерпретируемости.

Они позволяют отслеживать, какие внутренние структуры модели активируются при выполнении конкретной задачи.

По аналогии с медициной, это похоже на МРТ: мы не знаем, как именно работает сознание, но можем наблюдать активность и делать выводы. Один из ученых Anthropic Джош Батсон прямо говорит, что такой анализ ближе к биологии, чем к математике или физике.

«Органоиды» для ИИ

Еще один подход вдохновлен биологией напрямую. В медицине для исследований используют органоиды — миниатюрные аналоги человеческих органов.

В ИИ похожую роль играют специальные нейросети, например sparse autoencoder. Это упрощенные модели, внутреннюю логику которых легче анализировать, чем у полноценных LLM.

Такие «упрощенные мозги» позволяют понять, какие представления формируются внутри модели и как они связаны с итоговым поведением.

Вслушаться во внутренний монолог

Отдельное направление — мониторинг цепочек рассуждений (chain-of-thought monitoring). Модели просят объяснять, почему они пришли к тому или иному выводу. Это похоже на попытку услышать внутренний монолог человека.

По словам исследователя OpenAI Боэна Бейкера, этот метод оказался неожиданно эффективным. Он уже помог выявлять случаи, когда модель действует «плохо» или расходится с собственными правилами безопасности и истинности.

Почему ученые спешат

Главная причина спешки скрыта в тревоге. Специалисты опасаются сложности будущих моделей.

Есть риск, что ИИ станет настолько запутанным (особенно если новые системы будут проектироваться другими ИИ), что инженеры полностью перестанут понимать принцип работы технологии.

Опасность не абстрактная. В новостях уже появляются реальные случаи, когда люди вредили себе из-за советов ИИ. И это происходит на фоне того, что мы все еще не понимаем, как именно эти системы формируют ответы

По его словам, AGI не существует в принципе. И более того, его нет даже у людей. Лекун называет саму концепцию «полной чушью» и утверждает, что так называемая универсальность человеческого мышления — не более, чем удобный миф.

В его трактовке интеллект — это способность строить предсказательные модели мира и использовать их для планирования действий. Никакой «универсальной когнитивной сущности», которая одинаково хорошо справилась бы с любыми задачами, по мнению Лекуна, не существует.

Человеческий мозг — специализированная система, жестко ограниченная своей биологической архитектурой.

Скепсис к AGI и страхам перед ИИ

Из этой позиции вытекает и отношение Лекуна к рискам сверхразумного ИИ. Он последовательно критикует сторонников идеи, что умные машины неизбежно станут угрозой человечеству.

Интеллект, подчеркивает Лекун, сам по себе не порождает стремление к доминированию или самосохранению.

Даже если машины когда-нибудь превзойдут людей по интеллекту, это не означает автоматической опасности. Особенно жестко он высказывается о прогнозах скорого появления AGI, называя заявления о его приходе в ближайшие годы самообманом и очередным циклом завышенных ожиданий вокруг ИИ.

Ответ Google DeepMind: интеллект все-таки «общий»

С такой позицией не согласился глава Google DeepMind Демис Хассабис. По его мнению, Лекун смешивает разные уровни абстракции.

Хассабис предлагает различать «универсальный» и «общий» интеллект. Да, человеческий мозг не универсален в строгом математическом смысле, но при этом он остается одним из самых общих когнитивных механизмов, известных науке.

Представитель Google также считает, что подобные системы в теории способны осваивать любые вычислимые задачи при наличии достаточного времени, данных и ресурсов. Именно в этом смысле человеческий мозг и современные фундаментальные ИИ-модели можно рассматривать как приближенные универсальные вычислительные системы.

Шахматы как символ спора

Отдельной темой дискуссии стали шахматы. Лекун (*Meta) приводит их как пример ограниченности человеческого интеллекта: люди проигрывают машинам из-за нехватки памяти и скорости перебора вариантов.

Хассабис (Google) же смещает фокус. По его мнению, куда важнее то, что люди вообще смогли придумать шахматы, науку и технологии, будучи эволюционно приспособленными к совсем другим задачам.

*Компания Meta и ее продукты признаны экстремистскими, их деятельность запрещена на территории РФ

Тогда эксперимент выглядел скорее как забавный трюк: животные бегали по упрощенному коридору, а любое движение вперед засчитывалось как «игра».

Спустя четыре года проект вернулся. И теперь это уже не просто мем, а куда более серьезная техническая система.

Команду по-прежнему возглавляет нейроинженер Виктор Тот. За это время установка эволюционировала во второе поколение и получила поддержку более сложных действий внутри движка DOOM.

Как крысы «играют» в DOOM сегодня

В основе эксперимента — так называемая сферическая беговая дорожка. Крыса находится в специальной упряжи и бежит по свободно вращающемуся шару, а ее движения переводятся в команды управления персонажем в DOOM.

Главное отличие новой версии — значительно более богатый ввод.

Вместо плоских экранов теперь используется изогнутый AMOLED-дисплей, который охватывает почти все поле зрения животного. Это создает более стабильную и понятную визуальную среду.

Для ориентации в пространстве применяется система мягких воздушных импульсов: если крыса «врезается» в стену, она получает легкий поток воздуха в морду — так животному дают понять, что оно столкнулось с препятствием.

Но самое важное нововведение — возможность стрелять. В установке появился физический триггер, который крыса может активировать. Это означает, что животное теперь выполняет не одно действие, а несколько: движение, навигацию и активацию стрельбы.

Без имплантов и нейроинтерфейсов

Авторы эксперимента подчеркивают, что никакого вмешательства в мозг животных нет. Вся система построена на внешних датчиках, механике, отслеживании движений и обучении с подкреплением — за правильные действия крысы получают вознаграждение.

Проект остается открытым и сравнительно доступным с точки зрения железа. Вместо того, чтобы собирать закрытую лабораторную платформу, ученые решили создать сборку, использующую открытое ПО и классический игровой движок.

Зачем все это нужно науке

Цель эксперимента — не доказать, что крысы «понимают» DOOM или осознают происходящее на экране. Главное, по словам авторов проекта, это показать, что игровые движки могут служить универсальной виртуальной средой для исследования поведения.

DOOM здесь был выбран не случайно: он легкий, модифицируемый и хорошо изученный.

Исследователь и инженер Нихил Линдерман решил разобраться, почему так происходит. Для этого он построил математическую модель рабочего дня на основе реальных данных об отвлечениях.

Вывод получился неприятным, но точным: в современных офисах глубокая концентрация — редкость.

Линдерман показывает, что на продуктивность влияют три параметра:

• как часто мы отвлекаемся (λ);
• сколько времени нужно, чтобы снова «войти в поток» после каждого сбоя (Δ);
• и какой минимальный непрерывный фокус-блок требуется для настоящей работы (θ).

В простой визуализации восьмичасового дня видно: даже при среднем уровне отвлечений огромная часть времени уходит не на работу, а на попытки вернуться в контекст.

Часто за день получается только один фокус-блок длиннее часа.

Что показала модель: небольшие изменения дают мощный эффект

Линдерман смоделировал сотни рабочих дней в разных условиях.

Оказалось, что стоит уменьшить частоту отвлечений всего на единицу в час и день начинает заполняться длинными «зелеными» периодами настоящей работы.

При λ = 1 и Δ = 10 минут глубокой концентрации возникает в разы больше, чем при λ = 2 и Δ = 20. Не менее важен параметр θ — минимальное время, нужное для ощутимого прогресса.

Если задача требует часа непрерывного фокуса, обычный офисный день делает ее почти нереальной. Но если разбить работу на куски по 20–30 минут, шанс «поймать» такие окна значительно увеличивается — даже в шумной среде.

Что происходит в реальности: все еще хуже

Исследования показывают, что реальные условия сложнее, чем любые модели. Так, внутренние тесты Microsoft выявили: активные сотрудники отвлекаются примерно каждые две минуты.

В такой среде рабочий день распадается на множество коротких фрагментов и почти ни один не дотягивает до минимального продуктивного блока.

Что с этим делать: три пути вверх по «карте концентрации»

Линдерман предлагает относиться к рабочему дню как к системе, которой можно управлять:

• снижать λ: реже проверять почту, закрывать мессенджеры;
• уменьшать Δ: оставлять себе короткие заметки, использовать ритуалы для возвращения в задачу, избегать резких смен контекста;
• подбирать θ под реальность: дробить большие задачи, а самые сложные переносить на периоды минимального трафика.

Главный вывод модели прост: даже небольшие изменения дают огромный выигрыш.

Это попытка взломать главный секрет современных LLM: почему они принимают те или иные решения. И почему иногда ошибаются.

Почему это важно

Актуальные большие модели все еще представляют из себя черные ящики. Даже создатели не могут до конца объяснить, как формируются выводы, откуда берутся галлюцинации и какие внутренние механизмы отвечают за поведение модели.

Новый эксперимент OpenAI — шаг к тому, чтобы эти механизмы наконец-то увидеть.

Что сделали исследователи

OpenAI создала разреженный трансформер. Это модель, в которой нейроны соединены не со всеми соседними слоями, а лишь с небольшим числом других нейронов.

Такая сеть работает намного медленнее и слабее (по мощности ее сравнивают с GPT-1).

Но она и значительно прозрачнее: признаки и функции оказываются «локализованы», а не размазаны по десяткам тысяч весов. Это позволяет буквально проследить путь мысли модели.

Например, исследователи смогли увидеть полный алгоритм, по которому модель ставит закрывающую кавычку — шаг за шагом, через конкретные цепочки нейронов.

Новая интерпретируемость

Такой подход относится к направлению mechanistic interpretability — попытке разобраться, какие именно внутренние «цепочки» отвечают за конкретные умения модели.

«Мы нашли вручную понятный алгоритм, который модель выучила сама. Это впечатляет», — говорит исследователь OpenAI Лео Гао.

Эксперты, не связанные с OpenAI, также оценивают работу положительно.

По словам математика Элизенды Григсби из Boston College, новые методы могут существенно продвинуть исследования интерпретируемости.

Ограничения

Разреженные трансформеры очень медленные и почти бесполезны как продукты. Они не смогут конкурировать с GPT-5 или Claude.

Но здесь и цель иная: понять как работают большие модели, а не построить новый коммерческий продукт.

OpenAI рассчитывает, что в перспективе такие техники можно будет масштабировать — хотя бы до уровня GPT-3. Тогда исследователи впервые смогут буквально «открыть» модель и увидеть, как устроен каждый ее шаг.

Модель не просто анализирует биологические данные — она сформулировала новое научное предположение о поведении раковых клеток, которое исследователи подтвердили экспериментально.

Как это работает

C2S-Scale построена на открытой архитектуре Gemma и обучена на данных по экспрессии генов отдельных клеток.

Ученые дали ей задачу: найти препарат, который усилит иммунный ответ организма против опухолей. Но ограничили поиск определенным контекстом — когда иммунная система уже частично активирована интерфероном, но не в состоянии распознать опухоль полностью.

Такой контекстно-зависимый анализ оказался недостижим для меньших моделей: только C2S-Scale смогла выявить молекулы, работающие избирательно.

Неожиданная находка

ИИ-модель выделила ингибитор киназы CK2 под названием силмитасертиб (CX-4945) — препарат, ранее не связывавшийся напрямую с усилением иммунного ответа.

C2S-Scale предсказала, что при сочетании с малой дозой интерферона это вещество увеличит экспрессию антигенов MHC-I, делая опухоль «видимой» для иммунной системы.

В лаборатории исследователи проверили гипотезу на человеческих клетках, которые модель не «видела» при обучении. Результат подтвердился:

• сам по себе силмитасертиб не влиял на антигенную активность;
• интерферон давал слабый эффект;
• а их комбинация вызывала рост антигенной презентации примерно на 50% — потенциально делая «холодные» опухоли восприимчивыми к иммунотерапии.

Значение открытия

Это первый случай, когда крупная ИИ-модель сгенерировала научную гипотезу о механизме опухолевого иммунитета и подтвердила ее в экспериментах.

C2S-Scale открывает путь к новой эпохе биоинформатики, где алгоритмы не просто анализируют данные, а предсказывают биологию и ускоряют разработку лекарств.

Google уже открыла доступ к модели и ресурсам для исследовательского сообщества. В Йеле команда продолжает валидацию других гипотез C2S-Scale. И, возможно, уже вскоре мы увидим первые клинические испытания ИИ-сгенерированных противораковых терапий.

Что внутри

• Материал: термопластичный полиуретан (TPU) — эластичный, стойкий к ударам и усталости.
• Посадка: модель сделана под конкретные диски автора, STEP и F3D-файлы доступны для адаптации.
• Открытая разработка: Makerneer выложил не только STL, но и исходники конструкции — редкость для DIY-проектов.

Как напечатали рисунок «LEGO-протектора»

Оригинальный рисунок протектора пришлось переработать: автор снял фаски на «кубиках», чтобы избежать «мостов» при печати. Для TPU это критично: материал любит непрерывные контуры и не терпит провисаний.

Задумка по ощущениям, а не только по мемам

На видео (да, вертикальном) шина заметно мягче, чем run-flat — и это сделано намеренно. Makerneer не понравилась жёсткость непневматических шин, которые он пробовал, поэтому он спроектировал свою — с упругостью, которая «работает» на вибрирующей технике вроде дровокола. Если хотите меньше свиста на ходу — понизьте/перенастройте infill в слайсере.

Как повторить: что понадобится

• Колесо LEGO® (лучше 1–4 шт.) — для снятия размеров и визуальной отсылки к протектору.
• Стандартная 10″ утилитарная шина — для сравнения и подгонки геометрии. Автор использовал Harbor Freight 10″ Pneumatic Tire: https://www.harborfreight.com/10-inch-pneumatic-tire-30900.html
• Цифровой штангенциркуль для точных замеров (линейка/рулетка тоже пригодится).
• ПК с CAD-софтом. Автор моделировал в Autodesk Fusion (персональная версия): https://www.autodesk.com/products/fusion-360/personal
• CAD-файл.
• 3D-принтер, печатающий гибкими материалами и с рабочим полем не меньше 10″ по диагонали/оси детали. Автор печатал на Bambu Lab X1C.
• Гибкий филамент TPU. Изначально планировался Bambu HF-TPU 95A (https://us.store.bambulab.com/products/tpu-95a-hf),
  но по факту использовали YOYI TPU, чёрный — из-за нехватки HF-TPU.
• Ключи на 1/2″ или 13 мм — чтобы разобрать штатную втулку/ступицу утилитарного колеса.
• Опционально: жёлтая аэрозольная краска — для «лего-хаба» и финального вида.

Небольшие советы перед стартом

• Для TPU держите скорость ниже, температуру сопла выше, включайте прямой экструдер (если есть) и минимум ретрактов.
• Чтобы снизить «свист» и подобрать мягкость, поиграйте infill-паттерном и плотностью, а также количеством периметров.
• Перед основной печатью сделайте тест-сектор протектора (1/8 окружности) — так быстрее поймёте, подходят ли настройки и жёсткость.

Как моделировали: замеры, CAD и апскейл

Почему не 3D-скан? Колёса LEGO® простые по форме, поэтому автор пошёл по пути ручных замеров вместо сканирования/трассировки.

Единицы измерения — мм. По двум причинам:

1. много очень мелких размеров — в мм проще не запутаться, чем в «шестидесятых долях» дюйма;
2. цель — «brick-like» модель, а не идеальная реплика, поэтому округляем до 0,5 мм ради здравого смысла.

Выбор референса. Автор промерил несколько «кирпичных» колёс и не увидел очевидной «формулы» (число и размер шашек протектора различаются). Для работы взято среднее колесо из LEGO® Technic.

Посмотреть подробную инструкцию от первого лица и скачать материалы можно на сайте автора:

Жизнеспособность

Полевые тесты автора показывают: TPU-шина оказалась выносливее любых альтернатив из жёстких пластиков, которые он печатал ранее. И в отличие от печатной велошины из интернета, это решение не только забавное, но и практичное: дровоколу не нужна гоночная управляемость — ему нужна долговечность и отсутствие проколов.

Участникам предоставляется доступ к менторской поддержке и отраслевой экспертизе, возможность сотрудничества с компаниями из инвестиционного портфеля Газпромбанка. В этом году программа включает три трека: Финтех, Диптех и Наука, каждый из которых ориентирован на разный уровень зрелости проектов — от стадии идеи до готового продукта с подтвержденным рыночным спросом.

Запуская эту акселерационную программу, мы делаем целенаправленные инвестиции в развитие российских технологий . Наша цель — создать инфраструктуру для трансфера перспективных разработок в реальную экономику. Программа открыта для проектов самого разного уровня — от смелой научной идеи до готового продукта с подтвержденным спросом. Мы уверены, что лучшие команды получат именно то, что нужно для роста: не просто финансирование, но также экспертизу, пилотные внедрения и прямой диалог с бизнес-заказчиками.

Финтех трек акселератора направлен на технологические решения, которые можно внедрить внутри банка. В фокусе:

• Маркетинг и новые каналы продаж, развитие клиентского сервиса и оптимизация клиентского пути;
• Кибербезопасность, управление рисками, антифрод (внутренний, пользовательский, внешний, транзакционный);
• Моделирование и скоринг, управление и работа с данными;
• Удобные и безопасные транзакции;
• Управление человеческим капиталом.

В этот трек принимаются проекты от стадии MVP с подтвержденной работоспособностью прототипа.

Технологический конкурс DeepTech-проектов ориентирован на привлечение инвестиций компаниями, разрабатывающими передовые решения по направлениям:

• Новые технологии сбережения здоровья;
• Экономика данных и цифровая трансформация государства;
• Космические технологии;
• Новые атомные и энергетические технологии;
• Новые материалы и химия;
• Средства производства и автоматизации;
• Технологическое обеспечение биоэкономики.

К участию приглашаются проекты, которые уже прошли стадию пилота или демонстрации в реальной среде и готовы к масштабированию.

Трек акселератора «Наука» открыт для ранних проектов, основанных на научных разработках. Участие возможно даже на стадии идеи — при наличии потенциала для технологического роста и будущей коммерциализации. В трек «Наука» приглашаются университеты - участники программы стратегического академического лидерства «Приоритет-2030» и проекта «Передовые инженерные школы».

Технологические направления проектов:

• Новые материалы и химия (катализаторы, малотоннажная химия, нефтехимия, моделирование и синтез катализаторов;
• Новые технологии сбережения здоровья (биомедтех, агротех,бионика, медицинские изделия);
• Средства производства и автоматизации (производственные технологии, станкостроение;
• Новые атомные и энергетические технологии (системы накопления энергии, электрохимия);
• Развитие многоспутниковой орбитальной группировки (космические технологии, плазменные двигатели, лазерная связь);
• Экономика данных и цифровая трансформация (микроэлектроника, квантовые технологии).

Полный список направлений и критериев отбора представлен на официальном сайте программы. Участие — бесплатное и открыто для юридических лиц и индивидуальных предпринимателей, зарегистрированных в России.

Программа реализуется в гибридном формате: ключевые активности проходят как в очном, так и онлайн форматах, а финальные презентации — на Демо-дне в очной форме.

При запуске акселератора организаторы опирались на успешный опыт предыдущего сезона и вывели его на новый уровень с расширенной программой и углубленной экспертизой. В прошлом году в программу подали заявки более 280 проектов по 14 направлениям. Эксперты Газпромбанка отобрали 20 финалистов, шесть из которых стали победителями. Все финалисты получили рекомендации по развитию продукта и провели встречи с профильными бизнес-заказчиками. По итогам акселератора два проекта уже запустили пилотные внедрения, еще пять находятся на стадии структурирования.

Смотреть видео о прошлогоднем акселераторе

Заявки принимаются до 10 октября 2025 г. в треки «финтех» и «диптех» и до в трек «наука» до 30 сентября через официальный сайт программы.

По вопросам участия: accelerator@twinscom.ru

Сайт: www.gazprombank.ru/business/accelerator-gpbtech-2025/

Реклама. Рекламодатель АО БАНК ГПБ, ИНН 7744001497, erid 2W5zFGRVg6c

Как это работает

Вместо традиционной пошаговой цифровой обработки, этот чип использует настраиваемые микроволновые волноводы, действующие как «эмиттеры нейронов». Они формируют сигналы в виде амплитуды, фазы и частоты, которые физически интерферируют и образуют паттерны для последующего распознавания — всё это происходит в реальном времени, без задержек, связанных с цифровыми вычислениями

В результате, чип способен классифицировать типы беспроводных сигналов с точностью не менее 88%, что сопоставимо с традиционными цифровыми нейронными сетями, но при гораздо меньшем энергопотреблении и на более компактной аппаратной базе. Он подходит для задач реального времени, включая декодирование радиосигналов, слежение за радарами, обнаружение аномалий в сетях — поскольку чип реагирует напрямую на входящие сигналы.

Исследование опубликовано в Nature Electronics (14 августа 2025). Ведущий автор — лаборант Бал Говинд, участниками стали аспиранты Максвелл Андерсон и другие сотрудники Корнелла. Финансирование обеспечили DARPA и Национальный научный фонд США.

Результаты

• Энергоэффективность. Менее 200 мВт — рекордно низкий показатель для AI-чипов такой мощности.

• Гибкость. Чип может менять задачу программно с помощью аналоговых настроек, без необходимости переобучения.

• Применимость. Подход идеален для периферийных устройств — носимых гаджетов, смартфонов, систем с AI на краю (edge computing) — и для военных или промышленных приложений, где важна локальная обработка без облака.

Исследователи полагают, что смогут ещё больше снизить энергопотребление, сделав чип пригодным для периферийных вычислений. Его компактный размер позволит использовать локальные нейронные сети на смартфонах и носимых устройствах, снижая зависимость от облачных сетей. Пока технологические гиганты продвигают устройства с поддержкой ИИ, такие как умные часы и очки, потенциал нейронных сетей на носимых устройствах остаётся практически неисследованным.

Зимой 2024 года художник Дуг Макдауэлл приобрёл в комиссионном магазине капельную кофеварку General Electric Coffeematic 1980-х годов. Его целью было создание ретро-игрового компьютера, но идея трансформировалась: устройство стало гибридом — и компьютером, и кофемашиной. Так появился Coffeematic PC.

Работает и как компьютер, и как кофеварка

Машина полностью функциональна: она умеет заваривать кофе и выполнять вычисления. Более того — горячая Java (в прямом смысле) используется в качестве элемента системы охлаждения. Насос перекачивает горячий (~90°C) кофе через два радиатора к процессору, а затем обратно в графин. Цикл повторяется, пока устройство работает.

На базе Coffeematic PC Макдауэлл собрал систему сбора данных, которая фиксирует параметры работы машины. В ходе наблюдений выяснилось, что компьютер стабилизируется при температуре около 33°C — вполне рабочие условия.

Спецификации и компоненты

Внутри — переработанные и современные комплектующие:

• Материнская плата: ASUS M2NPV-VM AM2
• Процессор: AMD Athlon II X4 640
• ОЗУ: 1 ГБ DDR2 Hynix
• Накопитель: SSD 240 ГБ
• Видеокарта: Radeon HD 4670
• ОС: Linux Mint
• Система охлаждения: кофейная жидкость, насос, радиаторы
• Пищевая силиконовая трубка, латунные штуцеры, мембранный насос и водонепроницаемые тумблеры

Макдауэлл потратил около месяца на проектирование и сборку. Большинство деталей — переработанная электроника или простые компоненты из магазина для аквариумистов и сантехники.

Произведение искусства

Coffeematic PC — пятое устройство в истории компьютеров-кофеварок, начиная с The Caffeine Machine 2002 года, и первое, в котором горячий кофе задействован как элемент охлаждения. Родословная включает также Zotac Mekspresso (2018), Mr. Coffee PC (2019) и проект NerdForge (2024).

Макдауэлл представил свою работу на художественной выставке Sparklines, где объединил хенд-мейд компьютер с нарисованными вручную визуализациями данных. По его словам, проект — часть большого исследования на стыке искусства, технологии и бытовой абсурдности.

Представьте: вы листаете ленту соцсети. Видите пост с тысячей лайков и сотнями восторженных комментариев о «новом прорыве» или «скандальном разоблачении». Задумывались ли, сколько из этих реакций принадлежит реальным людям? А что если сам контент — продукт алгоритма, а не человеческой мысли?

Эта тревожная идея легла в основу теории «мёртвого интернета». Она утверждает: значительная часть того, что мы видим онлайн, создана ботами и искусственным интеллектом ради манипуляций, монетизации или просто заполнения цифровой пустоты. Теория вирусная, эмоциональная, но насколько она соответствует действительности? И почему именно сейчас, в 2025 году, она находит такой отклик? Разберёмся, опираясь на факты, исследования и мнения экспертов — без теорий заговора и шапочек из фольги.

Истоки цифровой легенды — от анонимных форумов к массовой тревоге

Теория «мёртвого интернета» родилась не в академических кругах, а на задворках сети. Впервые она прозвучала на форуме Agora Road’s Macintosh Cafe — в сообществе, увлечённом эстетикой раннего интернета.

В 2021 году пользователь под ником IlluminatiPirate опубликовал манифест «Теория мёртвого интернета: большая часть интернета — фейк». Его ключевой тезис звучал вполне апокалиптично: примерно с 2016-2017 годов большая часть контента в сети генерируется не людьми, а ботами и алгоритмами, контролируемыми корпорациями и правительствами для управления мнениями и поведением аудитории.

Интернет, по мнению автора, превратился в «стерильную пустыню», где искреннее человеческое общение и уникальный контент вытеснены однообразной массой симулякров. Этот текст, подхваченный пользователями форумов 4chan и Reddit, стал семенем, упавшим в благодатную почву всеобщей цифровой усталости.

Почему идея прижилась:

• Давала простое объяснение нарастающему ощущению «странности» сети. Многие пользователи стали замечать неестественную активность под постами, повторяющиеся шаблонные комментарии, всплески интереса к абсурдным темам.
• Резонировала с реальными трендами— взрывным развитием генеративного ИИ после появления ChatGPT в 2022 году и растущим процентом бот-трафика, фиксируемым аналитическими компаниями.

Теория стала своеобразной призмой, через которую пользователи стали интерпретировать свои онлайн-впечатления.

Три столпа теории: факты, домыслы и конспирология

Сторонники «мёртвого интернета» опираются на три основных аргумента.

Засилье ботов-провокаторов

Неоспоримый факт: ботам принадлежит значительная доля интернет-трафика. Ежегодные отчёты компаний вроде Imperva подтверждают это. Их Bad Bot Report за 2024 год указывал, что 50% всего глобального веб-трафика было сгенерировано ботами.

Даже глава X* (* — бывший Twitter, запрещен в РФ) Илон Маск в 2022 году, на этапе покупки платформы, заявлял, что до 20-25% аккаунтов могут быть фейковыми. Эти цифры пугают и создают почву для экстраполяции: если ботов так много, может, они всем и заправляют?

Однако важно понимать: не все боты одинаково «плохие». Значительная часть — это функциональные инструменты: поисковые роботы Google/Яндекс, боты мониторинга доступности сайтов, агрегаторы новостей. Их задача — обслуживать инфраструктуру сети. Проблему представляют именно злонамеренные и спам-боты, искажающие онлайн-среду.

Поток ИИ-контента

После революции 2022-2023 годов, вызванной ChatGPT, Midjourney и другими ИИ-инструментами, генерация текстов, изображений, аудио и видео стала доступна миллионам. Это привело к лавинообразному росту ИИ-контента.

Яркий пример – феномен «ИИ-слизи» (AI Slime): бесконечные потоки видео с неестественно двигающимися анимированными персонажами (младенцы, животные в странных костюмах). За ними стоят автоматизированные фермы контента, гонящиеся за монетизацией.

Соцсети, особенно Facebook* (* — компания Meta признана экстремистской на территории РФ и запрещена), столкнулись с наводнением абсурдных страниц и групп, заполненных сгенерированными ИИ картинками (Иисус с огромной креветкой, коты в скафандрах) — этому феномену даже посвящено полноценное исследование Стэнфордского университета. В Рунете тоже много низкокачественных новостных агрегаторов и «сайтов-дорвеев», заполняемых ИИ-текстами.

Факт: Объем ИИ-генерируемого контента растет экспоненциально.

Домысел теории: Большая часть интернета уже создана ИИ. Пока это преувеличение. Создание масштабируемого, качественного и незаметного ИИ-контента остается сложной задачей, особенно в аналитике или творчестве. Многие ИИ-тексты легко распознаются по шаблонности и отсутствию подлинного опыта.

Тирания алгоритмов вовлечения

Это, пожалуй, самый сильный аргумент, имеющий солидную доказательную базу. Алгоритмы ведущих соцсетей (TikTok, YouTube и т.д.) и поисковиков (Google, Яндекс) оптимизированы под ключевую метрику: удержание внимания пользователя.

Как следствие, они активно продвигают контент, провоцирующий сильные эмоции (часто негативные — возмущение, страх), вызывающий споры и/или легко усваивающийся. Это создаёт парадокс: алгоритмы не делают «мёртвый» контент, но вытесняют сложные, глубокие, «живые» и аналитические материалы, требующие усилий для восприятия.

В ленте побеждает яркий заголовок вроде «ШОК! Ученые СКРЫВАЮТ ПРАВДУ о Луне!» или поток коротких развлекательных роликов, а не научная статья с доказательной базой. Результат — ощущение «пустоты» и «повторяемости», интерпретируемое как признак «смерти» сети, то есть отсутствия в ней контента, созданного человеком. Исследовательские группы, такие как Center for Strategic Corporate Foresight, давно бьют тревогу по поводу влияния таких алгоритмов.

Экономика призраков — кому выгоден «мёртвый» интернет?

Теория «мёртвого интернета» — не просто философская концепция. За ней стоит мощная экономическая мотивация.

Монетизация внимания любыми средствами

Основной двигатель «ботификации» и наводнения ИИ-контентом — рекламные деньги. Автоматизированные системы генерируют огромные объемы контента (статьи, видео, посты) с минимальными затратами. Этот контент, даже если он низкого качества, привлекает трафик. Трафик = показы рекламы = доход.

Фабрики контента используют ИИ для всего цикла: генерация идеи, написание сценария, создание изображений/видео, озвучка, публикация. Это конвейер: ИИ делает сотни вариаций сценария на базе трендовых запросов. Цель — заполнить платформы контентом, который хоть на секунду привлечёт взгляд и замотивирует на клик. Смысл и качество вторичны, главное — объём и скорость. Рекламные сети платят за показы, часто не разбираясь в источнике трафика.

Цифровые кукловоды

Всем заправляют виртуальные инфлюенсеры и маркетинговые боты. Эволюция ботов — это не только спам в комментариях. Появился целый класс «продвинутых симулякров».

Китайские компании массово внедряют цифровых двойников для коммерции и медиа. Яркий пример — компания SenseTime, создавшая в 2024 году цифрового клона своего умершего основателя Тан Сяоу. Его ИИ-аватар выступил с речью перед сотрудниками, демонстрируя зрелость технологии. Блогеры используют таких клонов для круглосуточной рекламы, а объём этого рынка в Китае превысил 12 млрд юаней.

Компании вроде Arcads.ai предлагают услуги по созданию «реалистичных» ИИ-персонажей для продвижения брендов в соцсетях. Банки (включая Сбер) и крупные онлайн-магазины массово внедряют чат-ботов на базе ИИ для первичного общения с клиентами, обработки заказов и поддержки. Эти боты полезны для бизнеса, но размывают грань между человеческим и машинным взаимодействием.

Политика и пропаганда

Здесь теория пересекается с давно известными проблемами. В марте 2024 года исследователи Стэнфордского университета зафиксировали, как координированные сети ботов и фейковых аккаунтов использовались для искусственного накручивания политической повестки. Цель — создать видимость массовой поддержки спорных законопроектов и дискредитировать оппонентов. Генеративный ИИ применялся в тысячах уникальных комментариев, что кратно снижает трудоемкость таких операций.

Последствия: Чем опасна «ботификация» сети

Если тренды усилятся, нас ждут серьёзные вызовы.

Эрозия доверия. Когда любой текст, фото или видео могут быть сгенерированы ИИ, а любой комментарий — написан ботом, фундаментально подрывается доверие ко всему в онлайн. Как отличить правду от вымысла? Мнение эксперта от искусного ИИ-текста?

Это подпитывает теории заговора и делает общество уязвимым к дезинформации. Основной риск — потеря человеческого голоса в информационном поле. Если ИИ будет массово генерировать контент, имитирующий человека, мы рискуем утонуть в море симулякров. Это не только усилит фейковые новости, но и может привести к культурному обеднению.

Девальвация человеческого творчества и экспертизы. Зачем тратить недели на исследование, если ИИ за минуты выдаст десяток текстов, а алгоритм охотнее продвинет яркий кликбейт? Это демотивирует создателей и снижает общее качество информационной среды.

«Эхо-камеры» и поляризация. Алгоритмы, подсовывающие нам то, что мы, скорее всего, лайкнем (часто — спорное или эмоциональное), вкупе с конфликтующими ботами, усиливают общественную поляризацию и эффект «эхо-камеры» — это среда, где люди встречают исключительно ту информацию, которая отражает и подкрепляет их собственные взгляды.

Люди изолируются в информационных пузырях, где их мнение только подтверждается, а дискуссия с противоположной точкой зрения заменяется ботами или исчезает.

Борьба за живое: Что можно сделать?

Теория «мёртвого интернета» — не приговор, а тревожный симптом. Борьба за «живой» интернет ведётся на нескольких фронтах.

Технологии детекции и маркировки

Активно развиваются инструменты для выявления ИИ-контента и ботов, проверки текстов, изображений и аудио. Крупные платформы внедряют обязательную или добровольную маркировку сгенерированного ИИ контента.

Поисковые системы (Google, Яндекс) совершенствуют алгоритмы для понижения в выдаче спама и низкокачественного ИИ-контента, отдавая предпочтение оригинальным, экспертным материалам (Google E-E-A-T принципы). Однако это технологическая «гонка вооружений»: создатели ботов и ИИ тоже совершенствуют методы обхода детекции.

Ценность аутентичности и сообществ

Парадоксально, но угроза «мёртвого интернета» вызывает обратную реакцию — рост спроса на подлинность. Платформы для авторских рассылок набирают популярность. Ценятся нишевые форумы, профессиональные сообщества, где живое обсуждение и экспертность в приоритете.

Ряд СМИ вводит запрет на использование ИИ для написания новостных материалов, делая ставку на человеческий фактор. Пользователи всё чаще ценят личный бренд и доверие.

Цифровая грамотность и критическое мышление

Ключевая линия обороны — сам пользователь. Понимание, как работают алгоритмы соцсетей, умение критически оценивать источник информации, проверять факты и распознавать признаки ботов (шаблонные комментарии, мгновенная массовая реакция, пустые профили) становятся необходимыми навыками. Образовательные инициативы в этой сфере крайне важны.

Регулирование и этика

На уровне государств и платформ обсуждаются и принимаются меры. Это может быть законодательство, обязывающее маркировать ИИ-контент или бороться с дезинформацией, как Закон ЕС об искусственном интеллекте.

Сами платформы обновляют правила, запрещающие массовое создание фейковых аккаунтов и распространение неразмеченного синтетического медиа. Разработчики ИИ (OpenAI, Anthropic, Yandex) внедряют технические средства «водяных знаков» в генерируемый контент (исследования вроде работ Anthropic).

Итоги расследования: не труп, а пациент в реанимации

Итак, умер ли интернет? Данные нашего расследования говорят: нет, но он серьёзно болен. Теория «мёртвого интернета» преувеличивает масштабы проблемы, утверждая о полном доминировании ботов и ИИ.

Главная проблема не в «смерти», а в «ожирении» и «токсикозе». Интернет страдает от переизбытка низкокачественного, автоматически сгенерированного или манипулятивного контента, который алгоритмы платформ активно продвигают, потому что он дёшевый и цепляет внимание.

Почему теория стала вирусной именно сейчас? Потому что в 2025 году мы на острие изменений. Мощь генеративного ИИ стала осязаемой. Алгоритмическая подача контента достигла невиданной изощренности. Пользователи устали от шума и манипуляций. Теория предложила простое, хоть и гиперболизированное объяснение этим тревожным процессам. Она стала криком души о потере аутентичности.

Но будущее интернета не предопределено. Оно зависит от технологий детекции, решений платформ и регуляторов, экономических стимулов и нашей цифровой грамотности. Интернет, где все посты и комменты пишут чат-боты — это скучно и слишком пресно. Задача — не допустить этой пресности, сохранив пространство для подлинного общения, творчества и знаний.

На видео машина по щелчку рычага запускает видимый процесс вычислений. Каждое число вводится вручную — положение рычагов соответствует двоичным единицам и нолям. Затем механический реечный привод пошагово производит операцию. Всё — на виду: каждое движение, передача, пересчёт. Машина также обрабатывает отрицательные числа с помощью представления в дополнительном коде, как в реальных 8-битных процессорах.

K'NEX ALU позволяет создавать инженерные модели с основами логики и цифровой арифметики. Внутри — десятки взаимосвязанных компонентов. Shadowman39 добился демонстрации не только точной механики, но и глубокого понимания архитектуры вычислительных машин.

Когда электричество ещё не стало обыденностью, люди уже создавали машины, способные выполнять задачи, которые мы сегодня поручаем электронике. Транспорт, промышленность, сельское хозяйство — всё имело свои механические аналоги. Тогда уже существовали механические компьютеры: от астролябий до аналитической машины Чарльза Бэббиджа.

Электронные компьютеры, конечно, опережают механические по всем параметрам — от скорости до энергоэффективности. Но по визуальной эстетике и образовательной ценности таким машинам нет равных. Механические вычисления — это красота, которую можно наблюдать и трогать.

На видео показано только АЛУ — «мозг» вычислителя. Но блогер уже работает над следующими модулями. Возможно, впереди — механическая память, логические элементы управления, ввод-вывод или даже простейшая форма программирования.

Это уже не первая работа энтузиаста. Ранее он создал механический автомат для игры в скибол с работающим монетоприемником и моторизованным табло. Проект занял больше года и включал свыше 10 000 деталей. Но K'NEX ALU стал, пожалуй, самым точным и поразительным из его творений.

Энтузиасты механических вычислений порой идут ещё дальше — собирают релейные компьютеры, полностью построенные на электромеханических реле. Такие проекты — идеальный способ понять, что происходит внутри чипа, когда вы нажимаете клавишу.

В эпоху «чёрных ящиков», когда вычисления скрыты внутри устройств, такие механические компьютеры напоминают о том, как устроены вычисления на самом деле. Такой механический K'NEX-компьютер — идеальный инструмент для будущих инженеров, студентов и просто любопытных умов. Ведь он наглядно показывает, что происходит внутри нашей техники.

Теперь AirPods Pro 2 можно использовать как слуховые аппараты, а Apple Watch научились отслеживать признаки апноэ во сне. Новые функции уже доступны пользователям в Австралии, Индонезии, Тайване, Вьетнаме и других странах.

Apple Watch фиксируют признаки удушья во сне

Apple Watch научились определять симптомы синдрома обструктивного апноэ. Часы анализируют дыхание во время сна и, если фиксируются длительные паузы, система предупреждает пользователя о возможной проблеме.

В приложении можно увидеть сводку показателей и при необходимости экспортировать отчет в PDF для консультации с врачом.

Это важное обновление: апноэ часто остаётся незамеченным, но может серьезно повлиять на здоровье, вызывая усталость, гипертонию и другие болезни.

AirPods Pro 2 стали аналогом слуховых аппаратов

Еще одно важное нововведение касается AirPods Pro 2. Теперь наушники можно использовать как слуховые аппараты клинического уровня. Встроенный аудиотест определяет степень потери слуха и подстраивает звук в зависимости от результатов.

Пользователь получает возможность лучше слышать речь, музыку, видео и звонки. AirPods адаптируются автоматически, обеспечивая поддержку в реальном времени.

Почему это важно

Apple последовательно превращает свои гаджеты в инструменты для заботы о здоровье. Ранее компания добавила в Apple Watch функции ЭКГ, контроля уровня кислорода в крови и мониторинга пульса. Теперь в арсенале — борьба с апноэ и поддержка людей с нарушениями слуха.

Этот диссонанс — не исключительно российская проблема. В Германии 20% взрослых функционально неграмотны, а в США 37% выпускников колледжей отрицают теорию эволюции и другие базовые научные парадигмы. Чем больше дипломов получает население, тем меньше оно знает. Почему?

Главная причина — подмена целей. Образование превратилось в формальность: школы натаскивают на ЕГЭ, вузы штампуют «корочки», а студенты учатся не думать, а запоминать. Даже преподаватели признают: современные программы развивают память, но не критическое мышление.

Из статьи вы узнаете, почему диплом перестал быть гарантией знаний, как интернет, соцсети и ИИ усугубляют кризис, какие решения нужно принять, пока проблема не переросла в катастрофу.

Дипломы есть у всех. А где знания?

Кажется, мы живем в эпоху всеобщей образованности. Цифры выглядят впечатляюще: почти половина молодежи в мире (48% в возрасте 25–34 лет) сегодня заканчивает вузы — против 27% в 2000-м. В Южной Корее и Канаде дипломы есть у двух третей взрослого населения, а Китай за 30 лет увеличил число студентов в 10 раз — с 3,8 млн до 50 млн. В России почти каждый третий взрослый человек имеет «вышку».

Но вот вопрос: если дипломов стало больше, почему мир не превратился в цитадель просвещенных эрудитов? Почему вместо этого мы получаем армии «специалистов», которые не могут отличить ДНК от РНК, путают Гражданскую войну с Отечественной и верят, что Земля плоская?

Глобальный бум высшего образования

Тренд очевиден — мир массово учится. В OECD (Организации экономического развития) подсчитали, что среди 25–34-летних женщин и мужчин дипломы об образовании есть у 50%. Лидеры — Южная Корея (69%) и Канада (66,4%), но даже отстающие страны вроде Турции или Мексики показывают рост. Европа к 2030 году планирует довести долю людей с высшим образованием до 45%, а Китай уже сейчас значительно превысил этот показатель.

В России цифры скромнее, но динамика похожая: если в 2000-х вузы заканчивали 25% работающих, то сейчас — 31%. В Москве и Питере дипломы среди молодежи 25–34 лет есть у 41%. Однако наличие «корочки» еще не гарантирует реальных знаний.

На этом графике показан процент сотрудников с высшим образованием:

Почему все рвутся в вузы

Ответ прост: рынок требует. В развитых странах ручной труд и низкоквалифицированные работы вытесняются автоматизацией, а в развивающихся образование стало социальным лифтом. Китай, например, делает ставку на массовую подготовку инженеров и IT-специалистов, чтобы удержать экономический рост.

Но есть и обратная сторона. Когда диплом превращается в формальность (нужен «для галочки» при приеме на работу), его ценность падает. В России, например, 45% трудоспособного населения имеют среднее профобразование — то есть фактически «отсидели» в колледжах, но не получили глубоких знаний. С вузовскими дипломами ситуация не лучше.

Парадокс: больше дипломов — меньше грамотности

Казалось бы, если образование доступно, люди должны становиться умнее. Но данные PISA и TIMSS (центры международных исследований и оценки компетенций) показывают обратное: школьники в развитых странах стабильно теряют навыки чтения, математики и науки.

В причинах подобной ситуации мы будем подробно разбираться в одном из следующих разделов, но основные факторы нужно указать сразу. Современная система образования во многих странах нацелена на «прохождение» программ, а не на понимание. Тесты вроде ЕГЭ учат запоминать и угадывать, а не мыслить.

Перекос в сторону STEM-образования (то есть естественных и технических дисциплин) снижает значимость гуманитарных знаний (история, философия, логика). В итоге прогер умеет писать сложный код, но не отличает пропаганду от фактов.

Важный фактор — инфошум. Соцсети и алгоритмы заменяют глубокий анализ кликбейтом. Зачем учить историю, если «все и всех» уже разоблачили в Ютубе или ТикТоке?

Пока система не перестанет штамповать «корочки» и не начнет учить думать, парадокс будет только усугубляться.

Образованный — не значит умный

По данным Росстата, за последние 20 лет доля людей с дипломами среди трудоспособного населения выросла с 25% до 35%. В Москве и Санкт-Петербурге показатели еще выше — здесь вузы заканчивают около половины жителей. Казалось бы, перед нами общество образованных граждан.

Но реальность разбивает этот стереотип:

• 30% россиян не могут назвать точные годы ВОВ.
• Каждый пятый уверен, что Солнце вращается вокруг Земли.
• 15% считают, что радиоактивное молоко становится безопасным после кипячения.

Эти цифры — не статистические погрешности. Они отражают системный кризис, когда формальное образование перестало гарантировать реальные знания.

К слову, многие американцы уверены, что шоколадное молоко дают коричневые коровы, не говоря уже о том, что более 40% населения в Штатах с трудом умеют читать и писать.

Глобальная картина: образованные, но неграмотные

Проблема носит мировой характер. В Германии, некогда известной своей качественной системой образования, пятая часть взрослых испытывают трудности с пониманием инструкций к лекарствам. Во Франции 40% выпускников школ не могут объяснить, что собой представляют молекулы и атомы.

В США, где 38% населения имеют степень бакалавра, ситуация еще тревожнее:

• треть американцев не могут назвать три ветви власти;
• 37% отрицают теорию эволюции;
• 41% не знают исторического значения Освенцима.

Особенно удручает ситуация с исторической памятью. В Европе 40% молодежи не могут объяснить, что такое Холокост. В России, по данным статистических агентств, около половины респондентов путаются в исторических событиях XX века. При этом подавляющее большинство этих людей имеют как минимум среднее образование.

Информационный хаос vs. знания

Социальные сети окончательно подорвали традиционные образовательные парадигмы. Алгоритмы TikTok и YouTube сознательно продвигают контент, который вызывает эмоции, а не формирует фундаментальные знания.

Последствия:

• около половины молодых россиян получают новости из Telegram-каналов сомнительной достоверности;
• каждый третий выпускник вуза верит хотя бы в одну теорию заговора;
• 60% студентов не проверяют информацию, если она выглядит правдоподобно.

Причины: почему образованные люди становятся невежественными

Дипломы перестали быть гарантией эрудиции — сегодня даже выпускники престижных вузов могут верить в плоскую Землю или отрицать эволюцию. В чем корень проблемы?

Образование, которое не учит думать

Система обучения все чаще работает на количественные показатели, а не на качество знаний. В России за последнее десятилетие число часов на историю и литературу в школах сократилось на 20%, тогда как технические дисциплины сохранили свои позиции. Школьникам с раннего возраста внушают, что единственная цель образования — получить навыки и дипломы, которые помогут им заработать деньги во взрослой жизни

Это не значит, что STEM-науки не важны — проблема в дисбалансе. Когда из программы исчезают философия, логика и анализ источников, даже талантливый инженер может стать жертвой манипуляций.

ЕГЭ и аналогичные системы оценивания усугубляют ситуацию. Школы натаскивают на тесты, а не учат работать с информацией. Результат:выпускники не могут отличить научную публикацию от псевдонаучного текста. Они запоминают формулы, но не понимают, как применять знания в реальной жизни.

Информационный потоп: когда правда тонет в шуме

Алгоритмы поощряют контент, который вызывает эмоции, а не размышления:

• видео с теориями заговора набирают втрое больше просмотров, чем научно-популярные ролики;
• множество пользователей соцсетей никогда не проверяют факты, если заголовок соответствует их убеждениям.

Эксперты называют это «эффектом обратного отбора»: чем громче и увереннее звучит заявление, тем больше у него шансов распространиться. В результате блогер-дилетант с миллионной аудиторией становится для многих авторитетнее профессора. Упадок экспертного сообщества — довольно значимая причина нашего невежества.

Культура быстрых ответов

Раньше образование было инвестицией в себя. Сегодня большинство студентов рассматривают вуз как «пункт выдачи дипломов» для работодателя.

Это меняет мотивацию:

• вместо глубокого изучения предмета — стратегия «сдать и забыть»;
• вместо чтения первоисточников — поиск кратких конспектов в интернете;
• вместо дискуссий с преподавателями — готовые ответы от ИИ.

Книги проигрывают клиповому контенту: за 10 лет среднее время чтения у россиян сократилось до нескольких часов в неделю. Когда человек привыкает получать информацию порциями по 15 секунд, он теряет способность анализировать сложные тексты.

Эти тенденции не фатальны. В следующих разделах мы разберем, какие решения предлагают ученые — от реформы образования до цифровой гигиены. Пока же ясно одно: диплом больше не защищает от невежества. В мире, где правду приходится фильтровать вручную, критическое мышление становится важнее любых корочек.

Эволюция ИТ и уровень знаний: почему доступ к информации не сделал нас умнее

За последние 20 лет информационные технологии радикально изменили способ получения знаний. В 2005 году только 25% россиян имели постоянный доступ к интернету, сегодня — около 90%. Казалось бы, это должно было привести к взрывному росту образованности. Но парадокс в том, что, получив неограниченный доступ к информации, люди разучились ей пользоваться.

Доступ к информации и девальвация знаний

Интернет устранил географические барьеры: студент из провинции может слушать лекции МГУ, а школьник — изучать квантовую физику по YouTube. В России за последнее десятилетие число онлайн-курсов выросло в десятки раз, а дистанционное обучение стало нормой даже в традиционных вузах. Однако большинство студентов использует эти ресурсы для поверхностного изучения темы, а не системного образования.

Проблема не в отсутствии информации, а в ее избытке. Когда Google выдает 400 тысяч ссылок по запросу «информационные технологии в экономике», лишь 5% из них содержат достоверные данные.

Цифровой разрыв: когда технологии не помогают, а мешают

ИТ создал новый тип неравенства — доступ к информации есть у всех, но лишь единицы способны ее обрабатывать и критически оценивать

При этом:

• Школы до сих пор делают акцент на запоминании, а не анализе. Хотя 90% учебных заведений оснащены компьютерами, лишь 15% учителей используют их для развития критического мышления.
• Университеты внедряют ИТ формально. Например, 70% преподавателей применяют PowerPoint, но только 10% — интерактивные симуляторы или виртуальные лаборатории.

Особенно тревожит «эффект Google»: студенты запоминают не факты, а пути к ним. Значительная часть пользователей не может воспроизвести информацию, найденную в сети, уже через неделю после прочтения.

ИТ vs. фундаментальные навыки

Технологии изменили не только способы обучения, но и содержание. В России за 10 лет вдвое сократилось количество часов на историю и литературу, зато программирование ввели даже в начальной школе.

Это создало перекос:

• Технические навыки растут. Каждый третий студент IT-специальностей к выпуску имеет опыт коммерческой разработки.
• Гуманитарная грамотность падает. Треть молодых специалистов не может написать отчет без шаблонов, многие путают Гражданскую войну с Отечественной.

При этом сами ИТ-компании жалуются на дефицит soft skills. Но даже сильный программист не справится с проектом, если не понимает логики исторических процессов или не видит причинно-следственных связей.

ИТ — это инструмент, который усиливает существующие тенденции. Если система образования продолжит делать акцент на тестах и «корочках», технологии лишь ускорят деградацию знаний. Но если пересмотреть подходы — например, заменить зубрежку анализом Big Data или дискуссиями в виртуальных лабораториях — у следующего поколения есть шанс стать по-настоящему образованным.

Последствия: чем это грозит обществу

Когда дипломы перестают гарантировать компетентность, а критическое мышление становится роскошью, страдает вся общественная система. Последствия этого кризиса уже видны в политике, науке и экономике.

Политика: эпоха манипуляций

Недостаток базовых знаний делает избирателей уязвимыми для популизма. В Великобритании уровень образования оказался ключевым фактором в голосовании за Brexit — менее образованные граждане в основном поддерживали выход из ЕС, даже не понимая экономических последствий. В России лишь единицы способны объяснить, как санкции реально влияют на экономику.

Проблема глубже, чем кажется. Когда люди не разбираются в механизмах власти или не знают содержание Конституции, они голосуют не за программы, а за эмоции. В результате политики тратят ресурсы не на решения, а на пиар-кампании, где громкий лозунг важнее, чем факты.

Наука: война с фактами

Антивакцинное движение, отрицание эволюции и вера в плоскую Землю — это не просто курьезы. Если 25% населения сомневается в шарообразности планеты, такие заблуждения напрямую угрожают прогрессу:

• Медицина. Неверие в науку тормозит внедрение генетических технологий, хотя именно они, по прогнозам, к 2030 году позволят лечить рак и наследственные заболевания. Уже сейчас значительная часть населения не доверяет вакцинам — определенные основания для опасений есть, но полное отрицание вакцинации повышает риски эпидемий.
• Технологии. В США более трети выпускников вузов отрицают, что люди произошли от других видов. Если будущие инженеры не понимают базовых принципов биологии, как они создадут биосенсоры или отредактируют геном?

Особенно тревожит рост «альтернативных экспертов». Блогеры без образования обсуждают квантовую физику или эпидемиологию, собирая миллионы просмотров, а профессиональные ученые теряют авторитет. В результате общество делится на два лагеря: те, кто верит в «тайные знания», и те, кто устал спорить.

Экономика: дипломы без навыков

Российские компании уже сталкиваются с дефицитом квалифицированных кадров. Многие работники не умеют грамотно пользоваться компьютерами в профессиональной деятельности, при этом работодатели жалуются, что сотрудники не умеют решать нестандартные задачи.

Вузы продолжают выпускать специалистов, чьи знания не соответствуют рынку:

• Производительность труда в РФ ниже чем в КНР и ряде развитых стран. Одна из причин — образовательная система не учит применять знания на практике. Вместо анализа кейсов студенты зубрят теорию для экзаменов.
• Инновации. Российские компании неохотно инвестируют в разработки, хотя уровень образования — не единственная причина такого состояния. Однако факт налицо — без критического мышления сотрудники не способны генерировать новые идеи, а бизнес предпочитает копировать успешные западные модели.

Формально образованных людей больше, чем когда-либо, но экономика страдает от нехватки реальных компетенций. Закрыть этот разрыв можно только пересмотром подходов к обучению — но система продолжает штамповать «корочки».

Общество, где дипломы есть у многих, а знания — у единиц, рискует скатиться в эпоху «нового средневековья». Уже сейчас мы видим последствия: наука теряет доверие, уступая место теориям заговора., а экономика тормозит из-за кадрового кризиса.

Исправить ситуацию можно, только вернув в образование главный критерий — не количество дипломов, а качество мышления. Пока же тренд обратный: хотя в 2025 году россияне среди ключевых навыков будущего назвали «умение адаптироваться» (27%) и «критическое мышление» (22%), школ и вузов, которые действительно учат этому, — единицы.

Как вернуть знаниям ценность: инструкция по спасению образования

Кризис, при котором дипломы перестали гарантировать компетентность, требует системных решений. Ситуация парадоксальна: вузы выпускают рекордное число специалистов, но работодатели жалуются на дефицит квалифицированных кадров. Исправить это можно, если пересмотреть три ключевых аспекта: содержание образования, методы работы с информацией и роль технологий.

Перезагрузка школы: от тестов к мышлению

Финская модель давно доказала: зубрежка уступает анализу. В России тоже начинают понимать эту необходимость. С 2024 года в школах внедряют учебники по искусственному интеллекту для 5–9 классов, где учат не просто запоминать алгоритмы, а понимать принципы их работы. Однако этого недостаточно.

Основная проблема — ЕГЭ в том виде, в котором эта институция существует в настоящий момент. Система, созданная для объективности, превратилась в «натаскивание на варианты». Учителя тратят больше половины учебного времени на подготовку к тестам, сокращая часы на дискуссии и анализ источников.

Альтернатива — постепенный отказ от формата «единственно верного ответа». Пилотные проекты в Москве и Казани уже экспериментируют с заданиями, где нужно сопоставлять точки зрения или находить скрытые логические ошибки.

Гуманитарные дисциплины — второй фронт борьбы за знания. Сокращение часов на историю и литературу привело к тому, что студенты технических вузов не могут аргументированно поддержать беседу о классической культуре. Возвращение логики и философии в программы — не ностальгия по СССР, а необходимость. Как показывает практика, студенты, изучавшие основы критического мышления, гораздо реже попадаются на фейки в соцсетях.

Медиагигиена: прививка от дезинформации

В 2025 году в российских школах запустили проект «Медиаритм». Ученики создают контент, разбирают кейсы фейков и учатся работать с нейросетями. Важный акцент — не просто технические навыки, а этика: как не стать распространителем дезинформации даже случайно. Первые результаты обнадеживают: участники программы реже репостят непроверенные новости.

Но одних курсов мало. Нужна «цифровая гигиена» на уровне привычек:

• Проверка источников. Простой лайфхак: если новость не публикуют минимум три крупных СМИ, ей нельзя доверять.
• Критика алгоритмов. Видеохостинги показывают то, что вызывает эмоции, а не то, что соответствует истине. Об этом стоит напоминать чаще.
• Практика дискуссий. В том же «Медиаритме» школьники проводят дебаты, где учатся аргументировать позицию без перехода на личности.

Технологии как инструмент, а не замена знаниям

ИИ — не враг образования, если использовать его правильно. Студенты применяют нейросети для учебы, но лишь некоторые из них делают это осознанно: задают уточняющие вопросы, проверяют факты. Остальные просто копируют ответы.

Перспективное решение — интеграция ИИ в учебный процесс как «собеседника». В некоторых вузах уже тестируют систему, где нейросеть не дает готовых решений, а задает наводящие вопросы, помогая студенту прийти к выводу самостоятельно. Например, вместо «Вот формула дискриминанта» — «Как ты думаешь, почему в этом уравнении нельзя просто извлечь корень?».

Виртуальная реальность — еще один инструмент. Вместо сухих параграфов о Древнем Риме школьники надевают VR-очки и гуляют по Форуму, видя, как работали законы и общество. Пилотные проекты в Москве показали: такой материал запоминается гораздо лучше.

Изменения уже начинаются. В 2025 году большая часть педагогов поддержала идею внедрения ИИ в обучение, а многие вузы разрабатывают курсы по медиаграмотности. Но скорость реформ отстает от вызовов времени.

Чтобы диплом снова стал символом знаний, а не формальностью, нужно:

• пересмотреть приоритеты ЕГЭ, заменив тесты на задачи с анализом;
• вернуть в школы философию и логику — не как «лишние предметы», а как основу мышления;
• сделать медиаграмотность таким же обязательным навыком, как чтение.

Как показали проекты типа Skillbox или «ТопБЛОГ», молодежь готова учиться — если давать не абстрактные теории, а практические инструменты. Осталось сделать этот запрос системным.

Главный вывод прост: образование должно готовить не к экзаменам, а к реальной жизни. Когда диплом перестанет быть самоцелью, а станет подтверждением навыков, мы наконец преодолеем разрыв между количеством «образованных» и качеством их знаний. Пока же каждый может начать с себя — развивать привычку проверять информацию и учиться не для галочки, а для понимания мира.

Как проводили исследование

Почти 3000 человек играли в пять классических экономических игр: «Ультиматум», «Доверие», «Дилемма заключенного», «Охота на оленя» и «Координация». Участникам говорили, что их партнер либо просто человек, либо человек, который делегировал решение ChatGPT. Иногда — явно, иногда скрыто.

Результаты оказались неожиданными. Люди меньше кооперировали, если знали, что решение за партнера принимал ИИ. Даже рациональные и выгодные действия вызывали пониженное доверие.

Люди сами охотно делегируют — но скрытно

Когда участники сами могли выбрать, использовать ли ChatGPT, они охотно делегировали принятие решений, особенно если другая сторона об этом не знала. В условиях непрозрачности делегирование удваивалось.

Это говорит о том, что участники понимают возможную негативную реакцию на ИИ и предпочитают скрывать его участие.

Персонализация не спасает

Даже когда ChatGPT адаптировал поведение под личные предпочтения пользователя, уровень доверия не восстанавливался. Люди продолжали считать, что ИИ не отражает их взглядов.

Прозрачность ухудшает ситуацию

Главный вывод — открытое использование ИИ не увеличивает доверие, а наоборот. Чем больше люди знали об участии ИИ, тем меньше честности и кооперации было в их поведении.

Это противоречит ожиданиям, что прозрачность повышает этичность. На практике она делает взаимодействие холодным и отчужденным.

LAGNet объединяет методы квантовой химии и искусственного интеллекта. Ее задача — рассчитать электронную плотность молекул, то есть определить, как электроны распределяются вокруг атомов. Эта информация критически важна при создании новых препаратов, т.к влияет на свойства и активность молекулы.

В чем отличие от других ИИ

Классические методы вычислений требуют от нескольких часов до пары суток на одну молекулу. Современные нейросети умеют делать это за 5–6 секунд, но обычно нуждаются в огромных объемах обучающих данных — до 100 ТБ.

LAGNet решает проблему с помощью решетки Лебедева — математического метода, разработанного в СССР, который позволяет равномерно распределить точки на сфере. Благодаря этому, система учится в 42 раза быстрее, занимает в 8 раз меньше места и требует всего 12,5 ТБ данных.

Почему это важно

LAGNet точнее предшественников, особенно в работе с лекарственными молекулами, содержащими серу, бром и йод — элементы, часто встречающиеся в рецептурах. По сравнению с предыдущей моделью DeepDFT, ошибка предсказания у LAGNet в два раза ниже.

Кроме расчетов, систему можно использовать для визуализации молекул — графическое представление помогает исследователям быстрее понять свойства вещества и выбрать перспективные соединения.

Что дальше

Пока система не умеет работать с соединениями на основе лития и белками — например, инсулином или семаглутидом. Но разработчики обещают, что это лишь временное ограничение. В планах — адаптировать LAGNet под все ключевые классы лекарств.

Больше новостей — в нашем тг-канале «Представляешь»

Социальные издержки продуктивности

Команда из Школы бизнеса Фукуа провела серию из четырёх экспериментов с участием более 4400 человек. Результат: использование ИИ на работе сопровождается стойкими негативными суждениями — как со стороны коллег, так и со стороны руководства.

«Наши результаты выявляют дилемму: хотя ИИ может повысить производительность, его использование влечёт за собой социальные издержки», — отмечают авторы.

Как проходило исследование

Участников просили представить, что сотрудник использует на работе либо инструмент ИИ (например, ChatGPT, Claude, Gemini), либо классический цифровой инструмент, вроде конструктора дашбордов. Даже в такой нейтральной ситуации сотрудники, применяющие ИИ, воспринимались как:

• менее компетентные,
• менее усердные,
• менее независимые,
• более ленивые,
• более легко заменяемые.

Более того, сами пользователи ИИ ожидали такой оценки от коллег и старались скрывать факт обращения к цифровому помощнику.

Предвзятость влияет на реальные решения

Во втором эксперименте участники оценивали описания гипотетических сотрудников. Те, кто упоминал использование ИИ, получали более низкие оценки по всем ключевым параметрам. При моделировании процессов найма менеджеры, не пользующиеся ИИ, с меньшей вероятностью хотели брать на работу таких кандидатов. Зато менеджеры, регулярно использующие ИИ, наоборот, высказывали положительное отношение к «коллегам по цеху».

Стигма вне демографических рамок

Исследователи отдельно проверили: зависит ли восприятие от пола, возраста или рода занятий. Ответ — нет. Предвзятость против использования ИИ проявлялась вне зависимости от этих факторов. Это означает, что стигма — массовое и устойчивое явление.

Есть нюанс: ИИ может реабилитироваться

Последний эксперимент показал: негатив можно смягчить, если подчеркнуть пользу ИИ для выполнения конкретной задачи. Особенно сильно на оценку влиял личный опыт — те, кто сам регулярно использует искусственный интеллект, гораздо реже осуждают других за это.

ИИ = лень? Историческая параллель

Авторы исследования сравнивают текущую ситуацию с реакцией на другие технологии в прошлом. С появлением калькуляторов, офисного ПО и автоматизации также возникали опасения, что это «заменяет мышление» или «отучает работать». Сегодня — аналогичная ситуация: генеративный ИИ может вызывать тревожность, непонимание и сопротивление, особенно если в корпоративной культуре не проговариваются правила его использования.

Другие исследования — тоже не в пользу ИИ

Ранее экономисты Чикагского и Копенгагенского университетов выяснили: хотя 64–90% работников сообщают об экономии времени с помощью ИИ, 8,4% отмечают, что технология парадоксально создала им дополнительную работу. Анализ компании Uplevel среди 800 разработчиков показал, что ИИ для написания кода не улучшил производительность, а лишь увеличил количество ошибок.

По мнению исследователей, ИИ — это не только про эффективность, но и про имидж. И пока компании массово внедряют новые инструменты, отдельные сотрудники всё чаще задаются вопросом: «А как это выглядит в глазах других?» Ответ на него, как показывает наука, далеко не всегда обнадёживающий.

Но понять, есть ли за этим настоящая система, было почти невозможно. До появления искусственного интеллекта.

Теперь в проект включилась Google. Совместно с исследовательской инициативой Wild Dolphin Project (WDP) компания разработала модель DolphinGemma — ИИ, который анализирует дельфиньи звуки с помощью технологий, схожих с языковыми моделями вроде ChatGPT.

Мозг и уши под водой

Wild Dolphin Project с 1985 года наблюдает за атлантическими пятнистыми дельфинами, собирая архив подводных аудио- и видеозаписей. Исследователи заметили закономерности: у дельфинов есть уникальные свисты, похожие на имена, а также шаблонные сигналы, связанные с агрессией, играми и спариванием.

Система DolphinGemma построена на SoundStream — аудиотехнологии Google, которая преобразует звук в токены (единицы, с которыми работает ИИ).

Как и в языковых моделях, ИИ обучается предсказывать следующий «звук» на основе предыдущего. Это позволяет ему не только распознавать паттерны, но и потенциально генерировать ответные сигналы, которые дельфины могут воспринимать как осмысленные.

ИИ, который можно взять с собой в океан

Одна из особенностей DolphinGemma — компактность. Модель весит около 400 млн параметров, и этого достаточно, чтобы запускать её прямо на смартфоне Pixel. Для полевых исследований это критично: учёные работают на лодках и под водой, где интернет и серверные мощности недоступны.

Ранее WDP уже использовала систему CHAT на базе Pixel 6. С выходом Pixel 9 модель стала мощнее, а обработка данных — быстрее.

Пока не переводчик, но уже прорыв

Сейчас DolphinGemma не умеет «разговаривать» с дельфинами напрямую, но может стать ключом к расшифровке их языка. Это шаг к будущему, где человек и дельфин смогут обмениваться хотя бы базовой информацией.

Google обещает открыть модель летом 2025 года. Причём она может быть адаптирована не только под пятнистых дельфинов, но и под других китообразных — косаток, белух и даже кашалотов.

Пока все обсуждают новости, мы сделали то, что реально экономит часы: гайд по 70+ ИИ-инструментам.

В ходе тестирования система предсказала исследовательские направления ещё до их публикации.

Как работает ИИ-учёный от Google

Google описывает систему как мультиагентную ИИ-модель, работающую в несколько этапов:

• Генерация гипотез
• Ранжирование перспективных направлений
• Автоматическое уточнение исследовательских вопросов
• Проверка гипотез на основе существующих данных

Система не заменяет учёных, а ускоряет «процесс поиска открытий», помогая исследователям сфокусироваться на значимых задачах.

ИИ угадал неопубликованные исследования

Во время тестирования в Имперском колледже Лондона, ИИ изучил данные о механизме переноса бактериальных генов и самостоятельно выделил это направление как перспективное, совпав с результатами, которые ещё не были опубликованы.

В другом эксперименте, проведённом в Стэнфорде, ИИ проанализировал фармацевтические базы и предложил переиспользование двух классов лекарств для лечения фиброза печени — ровно те же гипотезы уже разрабатывали учёные.

Часть глобальной стратегии Google

Новый ИИ-ассистент — не просто эксперимент, а часть более крупной стратегии Google по интеграции ИИ в науку.

Компания уже активно развивает DeepMind AlphaFold, который совершил прорыв в биологии, прогнозируя взаимодействие молекул для разработки лекарств.

Кроме того, Google сотрудничает с BioNTech, создавая ИИ-помощников для лабораторий, которые автоматизируют ранние стадии научных исследований.

Конкуренты тоже не отстают

Google — не единственная компания, разрабатывающая ИИ-исследователей:

• OpenAI недавно добавила «глубокий исследовательский режим» в ChatGPT, который позволяет вести пошаговые научные изыскания.
• Perplexity AI представила свой аналог «глубокого поиска», который структурирует знания, чтобы конкурировать с Google и OpenAI.

Судя по темпам развития, ИИ-помощники для науки станут стандартом как в академических, так и в промышленных исследованиях.

Цель сотрудничества — ускорить научные исследования с использованием передовых ИИ-моделей. Это не первый случай взаимодействия OpenAI с государственными структурами страны.

Ранее компания запустила ChatGPT Gov — специальную версию ChatGPT для правительственных агентств, а также сотрудничала с оборонной компанией Anduril Industries для интеграции своих технологий в военные системы.

Что известно о партнерстве

OpenAI предоставит свои модели серии o-series для использования на суперкомпьютере Venado, расположенном в Национальной лаборатории Лос-Аламоса (LANL).

Этот суперкомпьютер, созданный на базе чипов NVIDIA Grace Hopper, был введен в эксплуатацию в апреле 2023 года и способен выполнять до 10 экзафлопс операций в секунду.

Модели o-series, в частности o1, были представлены в сентябре 2022 года и отличаются способностью к длительному «мышлению» перед выдачей ответа.

Как будут использоваться технологии OpenAI

Согласно заявлению компании, модели OpenAI помогут в решении ряда ключевых задач:

• Ускорение фундаментальных исследований для укрепления технологического лидерства США.
• Поиск новых подходов к лечению и профилактике заболеваний.
• Улучшение кибербезопасности и защита энергосистем страны.
• Развитие энергетического сектора за счет оптимизации использования природных ресурсов.
• Повышение национальной безопасности через раннее обнаружение угроз, включая биологические и кибератаки.
• Углубление понимания фундаментальных законов Вселенной, от математики до физики высоких энергий.

Роль в снижении ядерных рисков

OpenAI также заявила о намерении поддержать Национальные лаборатории в программе по снижению рисков ядерной войны.

Компания считает, что ее модели могут сыграть важную роль в обеспечении национальной безопасности, помогая анализировать и предотвращать потенциальные угрозы.

Заместитель Председателя Правительства России, член Попечительского совета фонда «Вызов» Дмитрий Чернышенко прокомментировал итоги заявочной кампании:

Технологическое лидерство — одна из национальных целей, которую определил Президент Владимир Путин. Создавать собственные прорывные технологии помогают наши талантливые изобретатели. Премия «Вызов» отмечает и поддерживает научные разработки и проекты. Перед учеными сейчас открываются широкие перспективы. К 2030 году расходы на российскую науку должны увеличиться до 2% ВВП, в том числе за счет внебюджетных средств. Огромное значение имеет участие в научной сфере бизнес-сообщества, а Фонд «Вызов» и одноименная премия являются ярким примером такой синергии.

Заместитель Председателя Правления Газпромбанка Дмитрий Зауэрс, член Совета фонда «Вызов» отметил, что премия является драйвером популяризации науки и технологического развития.

Помимо премии «Вызов» фонд является организатором множества мероприятий, которые популяризируют науку, вовлекая учёных в более практико-ориентированные проекты, создаёт экспертное сообщество из учёных, которые могут предоставить качественную экспертизу бизнесу. Проекты фонда «Вызов» — часть огромной экосистемы и для Газпромбанка, и для всей страны, помогающие ускорить достижение Россией технологического лидерства.

Президент фонда развития научно-культурных связей «Вызов» Леонид Шляховер указал, что премия в этом году вышла на международный уровень.

Сейчас в мире есть большой запрос на беспристрастную, независимую и политически неангажированную научную премию. И поэтому мы решили в этом году вывести премию «Вызов» на новый уровень и учредить международную номинацию Discovery. Наша премия открыта для учёных всего мира независимо от их взглядов, гражданства, национальности. В этом году мы получили множество заявок из разных стран, что говорит о доверии к нашей премии.

На пресс-конференции были объявлены лауреаты премии 2024 года, ими стали выдающиеся ученые, чьи открытия были признаны научным комитетом перспективными с точки зрения создания новых технологий.

Лауреат в номинации «Перспектива» — Леонид Ферштат, доктор химических наук, заведующий лабораторией азотсодержащих соединений Института органической химии им. Н.Д. Зелинского РАН, профессор базовой кафедры Института органической химии им. Н.Д. Зелинского НИУ ВШЭ. Он удостоен премии «За передовые исследования в области создания органических функциональных материалов многоцелевого назначения на основе высокоазотных молекулярных архитектур».

Лауреат в номинации «Инженерное решение» — Сергей Таскаев, доктор физико-математических наук, заведующий лабораторией бор-нейтронозахватной терапии Новосибирского государственного университета, главный научный сотрудник Института ядерной физики СО РАН, президент Фонда развития нейтрон-захватной терапии «ФОРА». Премию «ВЫЗОВ» он получил «За разработку компактного ускорительного источника нейтронов, пригодного для широкого круга исследований, в том числе для нейтронозахватной терапии».

Лауреат в номинации «Прорыв» — Евгений Антипов, заведующий кафедрой электрохимии химического факультета МГУ им. М.В. Ломоносова, профессор Сколковского института науки и технологий, член-корреспондент РАН. Солауреат: Артём Абакумов, кандидат химических наук, директор Центра энергетических технологий Сколковского института науки и технологий, заслуженный профессор Сколковского института науки и технологий. Они удостоены премии «За создание фундаментальных и практических основ разработки и производства электродных материалов для металл-ионных аккумуляторов нового поколения».

Лауреат в международной номинации «Discovery» (Открытие) — Никос Логотетис, PhD по нейробиологии человека, директор Международного центра исследований мозга приматов (ICPBR), почётный директор Института биологической кибернетики им. Макса Планка. Он удостоен премии «За основополагающий вклад в создание метода функциональной магнитно-резонансной томографии и введение его в повседневную научную и клиническую практику для исследования активности мозга человека».

Лауреат в номинации «Учёный года» — Валерий Тучин, доктор физико-математических наук, заведующий лабораторией лазерной диагностики технических и живых систем ИПТМУ РАН, заведующий кафедрой оптики и биофотоники СГУ, член-корреспондент РАН. Он отмечен наградой «За выдающийся вклад в области наук о жизни, а также в новую междисциплинарную область знаний и технологий – биофотонику».

Церемония награждения пройдет 19 декабря в Москве. Лауреаты получат денежные призы в размере 11 млн рублей, а также памятные статуэтки.

Расширенные возможности ChatGPT Pro

Подписка ChatGPT Pro включает:

• Неограниченный доступ к модели OpenAI o1: самой продвинутой модели компании, способной решать сложные задачи благодаря углубленному анализу перед предоставлением ответа.
• Режим o1 pro: специальная версия модели o1, использующая больше вычислительных ресурсов для решения наиболее сложных проблем.
• Доступ к o1-mini и GPT-4o: дополнительные модели для различных сценариев использования.
• Расширенный голосовой режим: улучшенные функции голосового взаимодействия.

По данным OpenAI, режим o1 pro обеспечивает более надежные и точные ответы, особенно в областях, требующих глубокого анализа, таких как наука о данных, программирование и юридический анализ.

Программа грантов ChatGPT Pro

В рамках инициативы по поддержке научных исследований, приносящих пользу человечеству, OpenAI предоставляет 10 грантов на использование ChatGPT Pro медицинским исследователям из ведущих учреждений США.

В будущем планируется расширить программу на другие регионы и области исследований.

Будущие обновления

OpenAI намерена продолжать улучшать ChatGPT Pro, добавляя новые функции и возможности, требующие значительных вычислительных ресурсов. Многие из этих нововведений станут доступны и другим подписчикам.

Это позволило крысе не только воспринимать стимулы, но и отвечать на сложные научные вопросы.

Как работает система

Крыса по имени Пифия была оснащена нейроинтерфейсом, который взаимодействует с ИИ. Электроды передавали сигналы в разные зоны мозга, вызывая ощущения для ответов «да» и «нет».

За правильные ответы Пифия получала вознаграждение, что и стимулировало её участие.

Результаты и достижения

Во время эксперимента, Пифия правильно отвечала на вопросы о квазарах, миелиновых оболочках, языке программирования Python и дате рождения Альберта Эйнштейна.

Ученые подчеркнули, что аналогичная технология в будущем может быть применена для людей, позволяя мгновенно получать доступ к знаниям человечества.

Будущее проекта «ИИнтуиция»

Проект Neiry под названием «ИИнтуиция» направлен на разработку нейротехнологий, которые смогут повысить эффективность работы и обучения человека.

Генеральный директор Neiry Александр Панов отметил, что технологии помогут пользователям интуитивно чувствовать правильные ответы и принимать более обоснованные решения.

«Мы стремимся к тому, чтобы ИИ стал надежным симбиотическим помощником человека», — отметил Панов.

Этот шаг стал необходимым после завершения поддержки Scientific Linux в июне 2024 года — ОС, которая многие годы была основой вычислительных систем в научных учреждениях.

Почему AlmaLinux?

AlmaLinux, как и предшественник, основана на Red Hat Enterprise Linux (RHEL), что обеспечило плавный переход.

Учёные отметили ключевые преимущества AlmaLinux: долгосрочную поддержку до 2032 года, быструю реакцию на обновления и улучшенную безопасность. Все это очень важно, учитывая, что стабильность и защита данных имеют критическое значение в научной сфере.

Конец эры Scientific Linux

Scientific Linux когда-то была разработана специально для нужд ЦЕРН и Фермилаб, но её развитие прекратилось в 2019 году.

Несмотря на своё название, она не содержала большого набора специализированного научного ПО, но обеспечивала стабильную базу для исследований. AlmaLinux взяла на себя эту роль, предлагая современную и надёжную операционку.

Напомним, что модель демонстрирует способность к продуманным цепочкам рассуждений, что делает её особенно эффективной в программировании и науке.

Повышенная точность и адаптация

Сравнительные тесты показали, что ChatGPT-o1 значительно опережает GPT-4o на экзаменах по математике, программированию и задачам уровня PhD в таких областях, как физика и биология.

Например, в соревнованиях по программированию на платформе Codeforces, модель заняла 89-й перцентиль, показывая высокий уровень решений.

Обучение на основе цепочек рассуждений

Основной особенностью модели стало использование цепочки рассуждений.

Благодаря этому методу, модель способна разбивать сложные задачи на упрощенные шаги, что увеличивает её производительность и позволяет эффективно решать новые проблемы.

ChatGPT-o1 обучена корректировать свои ошибки и выбирать альтернативные подходы в случае неудачи, что значительно улучшает качество работы модели в реальных задачах.

Безопасность и использование

OpenAI уделила особое внимание безопасности модели. В ходе тестов модель успешно справилась с рядом потенциально опасных запросов, минимизируя ошибки и обеспечивая высокую надёжность ответов.

По данным OpenAI, ChatGPT-o1 готова к использованию в таких областях, как наука, программирование и анализ данных, благодаря высокой точности и безопасности.

Это увлекательная теория, давно обсуждаемая философами и популяризированная фильмом «Матрица» в 1999 году.

Но что, если существует способ окончательно выяснить, живем ли мы внутри компьютера?

Эксперименты Томаса Кэмпбелла

Бывший физик NASA Томас Кэмпбелл взял на себя эту задачу. Он разработал несколько экспериментов, описанных в статье 2017 года, опубликованной в журнале The International Journal of Quantum Foundations. Они призваны выявить, происходит ли рендеринг окружающего нас мира, как в видеоигре.

Сейчас ученые из Калифорнийского государственного политехнического университета (CalPoly) начали проводить первый из этих экспериментов, проверяя гипотезу Кэмпбелла.

Экс-сотрудников космического агентства также основал некоммерческую организацию под названием Центр объединения науки и сознания (CUSAC) для финансирования этих начинаний.

По словам организации, ожидается, что эксперименты «предоставят сильные научные доказательства того, что мы живем в компьютерно-симулированной виртуальной реальности».

Гипотеза симуляции

Эксперименты Кэмпбелла включают новый подход к эксперименту с двойной щелью, демонстрации физики, показывающей, как свет и материя могут вести себя как волны и частицы.

Кэмпбелл считает, что, исключив наблюдателя из этих экспериментов, записанная информация фактически никогда не будет существовать. Это противоречит текущей квантовой физике, предполагающей существование запутанности, связывающей частицы на расстоянии.

В простых терминах, без игрока окружающая их вселенная не существует, прямо как в видеоигре. Это, по мнению Кэмпбелла, очевидно доказывает то, что вселенная исключительно «участническая».

Идея Кэмпбелла и предшествующие исследования

Кэмпбелл не первый, кто исследует гипотезу симуляции.

Еще в 2003 году шведский философ Ник Бостром опубликовал статью под названием «Живете ли вы в компьютерной симуляции?».

Его идея заключалась в том, что, если мы достаточно продвинемся технологически, мы, вероятно, будем запускать симуляцию наших предков. Дайте этим симулированным предкам достаточно времени, и они начнут симулировать своих предков.

В итоге, большинство разумов будет существовать внутри слоев симуляций — что, вероятно, включает и нас.

Однако для достижения полного потенциала этих технологий необходимо соединить несколько квантовых компьютеров в квантовые сети.

Учёные из Университета Чикаго разработали новый подход для создания таких сетей — использование вакуумных труб с рядами линз, которые могут передавать квантовую информацию на тысячи километров.

Новая методика передачи данных

Исследователи из Инженерной школы Притцкера предложили построить длинные квантовые каналы с использованием вакуумных труб, в которых через определённые промежутки будут установлены линзы.

Эти вакуумные направляющие, диаметром около 20 см, могут передавать данные со скоростью более 10 трлн кубитов в секунду.

Фотонные лучи, содержащие квантовую информацию, будут перемещаться по вакуумным трубам и фокусироваться с помощью линз, что предотвращает потерю данных.

Преимущества и применение

Профессор Лян Цзян, старший автор исследования, отметил, что эта технология может быть использована не только для безопасной связи, но и для создания распределённых квантовых вычислительных сетей, квантовых сенсорных технологий и синхронизированных часов.

Разработка была выполнена в сотрудничестве с учёными из Стэнфордского университета и Калифорнийского технологического института.

Основные сложности и решения

Одной из основных проблем передачи квантовых данных является то, что квантовые состояния не могут быть переданы через классические сети.

Учёные пробовали использовать оптоволоконные кабели и спутники для передачи фотонов, но эти методы имеют ограничения из-за поглощения и потерь данных.

Применение технологии LIGO

Исследователи вдохновились работой в Обсерватории гравитационных волн с лазерным интерферометром (LIGO), где используются вакуумные трубы для обнаружения гравитационных волн.

В новой теоретической работе учёные показали, что вакуумные трубы меньшего размера могут эффективно передавать фотоны между квантовыми компьютерами. Эти трубы требуют лишь среднего вакуума (10^-4 атмосферного давления), что значительно проще в эксплуатации.

Будущие эксперименты и перспективы

Группа планирует провести лабораторные эксперименты для проверки своей идеи, а затем использовать более крупные вакуумные трубы для работы над стабилизацией фотонных лучей на больших расстояниях.

Внедрение этой технологии на большом масштабе потребует решения инженерных задач, но потенциал её огромен, включая возможность передачи десятков терабайтов данных в секунду.

Этот инновационный проект позволил семи людям, потерявшим нижнюю конечность, ходить практически так же быстро, как и люди без ампутации.

Технология и испытания

Бионическая конечность использует интерфейс, который усиливает нервные сигналы от мышц оставшейся части ноги, позволяя пользователю управлять протезом с помощью своих мыслей и естественных рефлексов.

В рамках клинических испытаний, в котором участвовали 14 человек, те, кто использовал этот интерфейс, ходили на 41% быстрее, чем те, кто использовал стандартные роботизированные ноги.

Участники с новым интерфейсом также демонстрировали лучшую балансировку, способность изменять скорость, подниматься по лестнице и преодолевать препятствия.

Устройство и принцип работы

Протез включает в себя специальный голеностопный сустав с встроенными датчиками и электродами, прикрепленными к коже.

Эти электроды улавливают сигналы, производимые мышцами на месте ампутации, и передают их на маленький компьютер для декодирования. Вес ноги составляет 2.75 кг, что сопоставимо со средней массой натуральной нижней конечности.

Преимущества и перспективы

Представленная технология позволяет пользователям чувствовать протез как естественную часть своего тела и управлять им без сознательного усилия.

Ожидается, что дальнейшие исследования и разработки приведут к созданию еще более легких и функциональных протезов, которые смогут справляться с более сложными задачами, такими как бег и прыжки.

Ученые уже объявили о планах продолжить работы по улучшению дизайна протезов и исследованию возможности применения малых магнитных сфер для более точного отслеживания движений мышц.

Этот мозг, созданный из стволовых клеток человека, позволяет роботу выполнять различные задачи.

Технология «мозг на чипе»

Технология, известная как «мозг на чипе», сочетает органоид мозга — ткань, полученную из стволовых клеток человека — с чипом нейронного интерфейса. Такая система позволяет роботу избегать препятствий и хватать предметы.

Разработка представляет собой значительный шаг в развитии интерфейсов мозг-компьютер (ИМК), которые объединяют электрические сигналы мозга с внешними вычислительными мощностями.

Особенности и перспективы

Это первая в мире подобная система с открытым исходным кодом. Об этом заявили представители Тяньцзиньского университета. Технология может привести к развитию «мозгоподобных вычислений».

Органоиды мозга создаются из плюрипотентных стволовых клеток, которые могут развиваться в различные виды тканей, включая нервные.

При пересадке в мозг они могут устанавливать функциональные связи с мозгом хозяина. Исследования показывают, что использование низкоинтенсивного ультразвука помогает органоидам лучше интегрироваться и расти в мозге, что в свою очередь может привести к новым методам лечения нейроразвития и восстановлению повреждений коры головного мозга.

Применение и будущее

Представленная технология также открывает возможности для создания гибридного человеко-роботизированного интеллекта.

Отметим, что подобный подход привлек широкое внимание благодаря проекту Neuralink, разработанному Илоном Маском. Он уже позволяет пациентам управлять устройствами с помощью мыслей. Исследования Тяньцзиньского университета могут значительно продвинуть эту область.

OpenCRISPR-1 – это редактор генов, состоящий из белка, похожего на Cas9, и направляющей РНК. Он был разработан с использованием больших языковых моделей (LLM), что позволило ученым выйти за рамки традиционных методов генной инженерии и создать принципиально новый инструмент.

Ключевые преимущества OpenCRISPR-1

• Высокая точность: OpenCRISPR-1 обладает значительно меньшей вероятностью вызывать нежелательные мутации по сравнению с существующими редакторами генов, что делает его более безопасным и эффективным для применения.
• Расширенные возможности: OpenCRISPR-1 совместим с «каноническими» гРНК SpCas9, что позволяет использовать его в широком спектре исследований и терапевтических протоколов.
• Доступность: Profluent предоставляет OpenCRISPR-1 бесплатно для некоммерческих целей, делая его доступным для широкого круга ученых.

Борьба с неизлечимыми заболеваниями

В Profluent выразили надежду, что OpenCRISPR-1 станет ключевым инструментом в разработке новых методов лечения нейродегенеративных заболеваний, таких как болезнь Альцгеймера и Паркинсона.

Использование ИИ для создания технологии открыло новую эру в генной терапии, делая ее более доступной, точной и эффективной.

При этом Profluent приглашает ученых и разработчиков лекарств к тестированию OpenCRISPR-1. Единственное, чего ждут от специалистов — предоставление отзывов для дальнейшего совершенствования технологии.

В этот раз мы расскажем, как ChatGPT написала и помогла студенту РГГУ защитить диплом бакалавра, как она написала речь для конгрессмена США и как она повлияла на Microsoft, которая решила воскресить поисковик Yahoo.

ChatGPT — новая языковая модель на основе GPT 3.5. Она может очень натурально поддерживать разговоры, вести себя как настоящий Linux-терминал, проверять код на ошибки, составлять документацию, дописывать код и даже генерировать рабочие скрипты по запросу с нуля.

OpenAI добавляет скрытый вотермарк к текстам от ChatGPT

OpenAI рассказала, что вотермарк добавляется к тексту через шифрование. Для обычного пользователя текст выглядит обычным, но в нём зашифрована последовательность, которая позволяет языковой модели отличить свой текст от написанного человеком. Для шифрования используются последовательности слов, букв и знаков препинания. О наличии такого шифрования рассказал Скотт Ааронсон, который был нанят OpenAI в июне 2022 года.

Это может быть полезно для предотвращения академического плагиата, очевидно, но также, например, для массового создания пропаганды…

Однако в светлых намерениях OpenAI успели усомниться:

Если вы думали что они это делают, потому что они добрые и заботливые – подумайте еще. На самом деле они это делают, что бы не учить свои сети на своем же сгенерированном мусоре.

Создатель Gmail заявил, что ChatGPT уничтожит Google за 2 года

Создатель Gmail Пол Буххайт заявил, что ChatGPT может уничтожить бизнес Google из-за того, что в языковой модели нет рекламы. Из-за этого прибыли Google могут существенно сократиться. При этом нейросеть угрожает всем существующим поисковикам, а не только американской корпорации.

Даже если они догонят ИИ, они не смогут полностью внедрить его, не разрушив самую ценную часть своего бизнеса!

Журналисты спросили саму ChatGPT, согласна ли она с таким заявлением. Языковая модель ответила, что не была создана, чтобы разрушать чей-то бизнес. Поиск информации — одна из доступных функций ChatGPT, но не основная, а значит, у нейросети нет цели составить конкуренцию конкретной компании.

Студент из Москвы защитил диплом, написанный ChatGPT

Студент написал тред в Твиттере о своём опыте. В треде он рассказывает, что с самого начала не хотел заниматься написанием диплома, так как уже работает по специальности. Платить сторонним авторам он не хотел, поэтому решил протестировать ChatGPT.

В итоге, языковая модель составила для него план научной работы, который он согласовал с научруком, сама написала работу, добавила в неё ссылки на литературу.

Итоговая работа получила оригинальность в 82%. Студенту всё же пришлось править диплом под требования вуза, но основную работу выполнила нейросеть. Весь процесс занял 23 часа. ВКР получила оценку “удовлетворительно”.

Поздравляем студента с окончанием бакалавриата РГГУ!

Microsoft воскрешает Yahoo. Всё из-за ChatGPT

Microsoft открыла вакансии для специалистов в Yahoo. Это случилось предположительно потому, что Microsoft инвестировала в OpenAI и получила доступ к разработкам компании. Возможно, в Yahoo Search будут использованы решения с нейросетью вроде ChatGPT.

В Твиттер-аккаунте Yahoo при этом появился небольшой тизер.

До этого поиск Yahoo был закрыт, а сотрудники были переведены для работы над Microsoft Bing.

Конгрессмен США выступил с речью, написанной ChatGPT

Американский конгрессмен Джейк Окинклосс выступил с речью, которая подчёркивала важность открытия центра развития ИИ. Чтобы подчеркнуть величие искусственного интеллекта, он использовал сгенерированную нейросетью речь.

Конгрессмен рассказал, что ChatGPT была поставлена задача написать речь на 100 слов о важности развития ИИ-отрасли. Окинклосс всё же добавил, что его команде пришлось несколько раз корректировать запрос, чтобы получить нужный результат.

Я хотел привлечь внимание Конгресса к этому, чтобы мы сейчас обсуждали целенаправленную политику в отношении ИИ, а не отставали на 10 лет, как многие политики в отношении социальных сетей.

Добиваем дайджест шутками: возможно, скоро нам придётся доказывать на собеседованиях, что работы в портфолио сделали именно мы, а не ChatGPT.

Понравился дайджест? Прочтите предыдущую подборку новостей о том, как Microsoft инвестировал 10 миллиардов долларов в OpenAI, а сама языковая модель получила степень магистра делового администрирования.

Также попробуйте поработать в ChatGPT сами с помощью нашего гайда. Здесь же можно найти открытое зеркало ChatGPT для российской аудитории.

По словам разработчиков, созданный ими смарт-ковёр Magic Carpet может найти своё место в более безопасной и конфиденциальной медицине. Речь идёт о тех пациентах, которым жизненно необходимо удаленное наблюдение медработников.

В основу инструмента легла нейронная сеть. Она, используя датчики на ковре, определяет, выполняет ли человек назначенные процедуры: приседания, растяжку и т.д.

Общая площадь устройства — около 3,3 квадратных метра. На ней расположились интегрированная тактильная сенсорная матрица, которая в свою очередь состоит из более чем 9 тыс датчиков давления. Также Magic Carpet включает в себя схемы считывания, позволяющие в реальном времени записывать взаимодействие людей с собой.

Источник: MIT

Представители технологического гиганта заявили, что суперкомпьютер обладает производительностью почти в 4 экзафлопс. Ожидается, что ею воспользуются более 7 тыс исследователей.

Отметим, что уже сейчас известно о планах учёных использовать более 20 приложений, созданных для решения задач по астрофизике, климатологии и прочих областей. Одним из проектов, который запустят на Perlmutter — это создание самой большой на сегодняшний день 3D-карты видимой Вселенной.

По словам учёных, задачи, которые раньше занимали бы недели или месяцы, с помощью нового суперкомпьютера могут быть решены всего за несколько дней.

Сообщается, что новинка поддерживает популярные инструменты, в том числе OpenMP и прочие популярные модели программирования, поддерживаемые NVIDIA HPC SDK.

Источник: SlashGear

Основой новой системы стал лазер. В нём была сделана специальная полость в форме песочных часов. Внутри этой полости генерируются случайные узоры, формируемые световыми лучами.

Специалисты выяснили, что непредсказуемость поведения лучей привела к генерации около 250 ТБ случайных битов за одну секунду. Это в 100+ раз быстрее того, на что способны существующие компьютерные генераторы случайных чисел.

Журналисты уже подсчитали, что за 12 секунд система сможет создать совокупность случайных чисел, эквивалентных размеру информации в самой большой библиотеке на планете — Библиотеке Конгресса США.

Источник: Phys.org

Нанотехнологи в роли строителей

Основные инструменты μRobotex — устройство для впрыска газа и ионная пушка. Постройка велась в вакуумной камере. Строительным материалом послужил диоксид кремния, нарезаемый потоком ионов. Для перемещения и склеивания фрагментов использовался газ, позволивший добиться отклонений не более двух нанометров. Происходящее в камере можно было наблюдать с помощью электронного микроскопа.

Площадкой для конструкции стал кончик оптоволокна, которое тоньше человеческого волоса. Исследователи надеются, что в будущем они смогут располагать на таких проводниках крохотные датчики. В частности, речь идет о химических анализаторах, распознающих прилипшие к ним молекулы.

Наука макроскопическими шагами продвигается дальше и дальше в изучении микромира, а ученые работают и с более крохотными объектами. Например, в марте 2017 года исследователи компании IBM записали один бит информации на атом и считали ее.

Этот способ записи данных позволить повысить плотность данных в тысячи раз: например, записать все 35 миллионов песен из библиотеки iTunes на устройство размером с кредитную карту.

Что они сделали?

Современные жёсткие диски используют примерно 100 тысяч атомов для хранения одного бита. Учёные уже записывали данные на отдельные атомы, но никогда ещё для этого не использовался магнетизм — технология, которая не требует движения атомов, рассказывает Кристофер Лютц, руководитель команды исследователей, занимающих этим проектом.

После того, как учёные смогли поместить бит в атом, они решили проверить, насколько близко можно расположить другие таких атомы, не потеряв при этом данные. Выяснилось, что одного нанометра достаточно — таким образом, теоретически возможно достичь плотности в 600 терабит на 1 кв. дюйм.

Так, ну и когда я смогу купить такой диск?

Мы же сказали — теоретически. К сожалению, в ближайшее время рассчитывать на практическое применение этой технологии не стоит. Лютц рассказал, что условия эксперимента, в рамках которого был получен такой результат, не воспроизводимы при использовании обычных устройств. Потребовались практически абсолютный вакуум, отсутствие вибрации и сверхнизкая температура.

Целью эксперимента было выяснить, сколько атомов потребуется для создания надежного магнитного бита — и она была достигнута. Теперь команда попробует перенести эксперимент за стены лаборатории и проверить работу системы атомов при комнатной температуре.

Но как это всё-таки работает?

Исследователи воспользовались тем фактом, что у всех магнитов есть два полюса, которые можно вращать для представления “0” или “1”. Они пустили электрический ток через атом редкоземельного минерала гольмия, который часто используется в сильных магнитах, и намагнитили его в одном направлении. Затем они пустили другой ток, «перевернув» его для отображения другого значения. Ток передавался специальной иголкой в сканирующем туннельном микроскопе.

Данные считывались измерением магнитного тока, проходящего через одиночный атом железа. По словам IBM, этот способ также является новым.