В заполненном осадками провале на севере ЮАР лежат 210 каменных остриёв. У двадцати трёх истончено основание — так делают, когда камень собираются вставить в расщеп древка, а не держать в кулаке. На тринадцати процентах всей выборки — сколы того типа, который возникает при ударе в цель, и ровно этот признак сорок лет не даёт археологам договориться.

Спор идёт не о том, ломались ли острия. Ломались, и часто. Спор о том, что именно сломанный кончик доказывает.

Воронка, набитая костями

Кату-Пан 1 — тот самый провал в провинции Северный Кейп, ЮАР. Копал его Питер Бомон. Интересующий нас слой — 4a, возраст около 500 тысяч лет: цифру получили двумя лабораторными методами по излучению, накопленному в песчинках кварца из жерла древнего источника — Porat и соавторы, Journal of Archaeological Science, 2010.

Наконечниками копий эти камни назвали в ноябре 2012 года — Уилкинс, Шовилл, Браун и Чазан в Science.

Деталь, ради которой стоит остановиться: у 23 остриёв из 210 основание стёсано тоньше. Мастер снял лишние сколы с той части изделия, которая в работе не участвует и ничего не режет. Так стёсывают конец черенка, пока лопата не сядет без люфта: работает лезвие, а возятся с рукояткой. Тонкое основание нужно ровно для одного — чтобы камень сел в расщеп деревянного древка и не раскачивался. Это уже не орудие в руке, а деталь сборки, у которой есть ответная часть.

Дату надо подавать честно: она спорная. Методическая критика указывает, что альтернативные источники повреждения кварцевых зёрен учтены недостаточно. Живёт эта критика в блоге, а не в научном журнале, и я привожу её как признак спора, не как установленный факт.

С хозяином находки ещё хуже. Обычно называют Homo heidelbergensis, но это предположение по возрасту и региону: черепа на месте нет. Наш вид тогда не появился — придумали составное орудие не мы.

Кату-Пан не одинок. В Эфиопии, на стоянках Гадемотта и Кулкулетти, лежат острия из вулканического стекла древнее 279 тысяч лет с такими же сколами на кончиках — Sahle и соавторы, PLOS ONE, 2013.

Рука, от которой остался клей

Письменных источников тут нет. Всё, что мы знаем о руке, реконструировано по двум вещам: по составу клея и по повторению — когда современный человек садится и делает то же самое, чтобы понять, где не получится.

Клей среднего каменного века — это не смола из ведра. Красная охра плюс камедь — застывший сок растений, как капли на стволе вишни; по ходу варки меняется кислотность, смесь сохнет у огня, густота гуляет. Ближе всего это к варке варенья: густоту ловят не по часам, а по ложке. Аналогия кончается там, где варенье не обязано держать удар. Уодли, Ходжскисс и Грант в PNAS за 2009 год разбирают этот рецепт по шагам и утверждают, что часть шагов невозможно выполнить, не удерживая в голове несколько задач сразу.

Нужную смолу южное хвойное дерево само не выделяет: её вытапливали в яме под землёй или собирали осевшей из дыма — Шмидт и соавторы, PNAS, 2022. Клей тут сам изделие, со своей цепочкой шагов и своим браком.

У неандертальцев на другом конце Старого Света — берёзовый дёготь. Кремнёвый скол, на треть покрытый дёгтем, подняли тралом со дна Северного моря у побережья Нидерландов; возраст около 50 тысяч лет, датировка радиоуглеродная — Никус и соавторы, PNAS, 2019.

Оговорюсь сразу, иначе получится подлог. Все эти клеи моложе Кату-Пан на сотни тысяч лет. Про клей на самом Кату-Пан я сказать ничего не могу: в собранных мной материалах его нет. Остались камни с истончённым основанием — и вывод, что у основания была ответная часть, сделан по форме камня, а не по следам вещества.

Рука тут вот в чём. Клей, древко, камень и жила связаны в последовательность, где промах на любом шаге обесценивает предыдущие. Слишком горячий костёр — смола выгорела. Слишком толстое основание — камень не сел. Идея, проходя через материал, платит на каждом стыке.

Тринадцать процентов и сорок лет несогласия

Дальше начинается то, ради чего выпуск написан.

Каменное остриё, попавшее в кость, ломается узнаваемо: кончик отламывается ступенькой, от места слома отлетают мелкие чешуйки, вдоль края откалывается узкая полоска. По тому, как часто и где такое случается на большом числе находок, можно отличить копьё от стрелы. На Кату-Пан таких изломов 13 процентов — заметно больше, чем набирается без всякой охоты.

Чтобы понять, много это или мало, поставили опыт. Тридцать две копии из того же камня насадили на деревянные древки и по одной выпустили из арбалета с выверенной силой выстрела в тушу антилопы.

А теперь неприятное. Сами авторы метода предупреждали, что излом, который принято считать признаком удара, не всегда о нём говорит: Фишер, Веммин Хансен и Расмуссен ещё в 1984 году писали, что такие же изломы возникают, когда мастер только обрабатывает камень. Оговорка шла в комплекте с методом, как инструкция в коробке с дрелью. Метод разошёлся по дисциплине быстрее инструкции.

Через тридцать лет Верле Ротс и Юбер Плиссон написали статью с названием без дипломатии: «Снаряды и злоупотребление чтением следов износа в поисках удара». Кату-Пан разобран там как образцовый случай: часть изломов объяснена иначе — случайные сколы при обработке, а не попадание в зверя.

Уилкинс и соавторы ответили в 2015 году: обработка камня сама по себе не объясняет стёсанного основания, а вывод они делают по всем находкам сразу и в терминах вероятности. Отдельный камень при таком подходе ничего не решает. Позже Коппе и Ротс собрали из опытов образцовую коллекцию изломов, чтобы спор шёл хотя бы на общих числах.

Сломанный кончик — не показание свидетеля. Это улика, которую ещё надо связать с делом.

Что у нас всё-таки остаётся

Формулировка «изобретение — это прочитанная ошибка» не моя. Генри Петроски, «The Evolution of Useful Things», 1992 год, принцип form follows failure — форма следует за неудачей. Вторая половина тезиса занята ещё плотнее: чтение производства по браку и есть археологический метод, у него сто лет истории: сколы собирают обратно в камень и восстанавливают всю цепочку изготовления. Бамфорт и Финлей в 2008 году и вовсе читали брак подмастерьев как данные.

Фраза занята. Свободно число. Про 3D-оцифровку каменных орудий пишут как про сохранение и доступ; про то, что отбирают для сканирования, сказано словами, но не посчитано. Без счёта это риторика, поэтому 12 сентября я сел считать.

Шесть открытых источников. На Sketchfab я просмотрел 96 карточек подряд по запросу «lithic»; в счёт пошли 93 — две записи оказались неархеологическими, одна заявленной репродукцией. На MorphoSource — 38 уникальных записей по семи запросам, на OSF — единственный профильный проект с десятью моделями со стоянок Костёнки. Zenodo выброшен из суммы: сообщество 3DBigDataSpace оказалось копией того же Sketchfab, считать одно и то же дважды нечестно. Open Context и ADS дали честные нули: у ADS при 24 306 текстовых совпадениях на «lithic» тип данных «3d» стоит у трёх записей, и все три — архивы раскопок, объёмные снимки раскопов и памятников, а не отдельные предметы.

93 плюс 38 плюс 10 — это 141 модель. Из них 13 — отходы, обломки или брак, 107 — целые витринные орудия, 21 не определить по названию. Моделей, где сколы собраны обратно в камень, — две из 141.

Музейная витрина, где стоят целые тарелки, а черепки при описи ушли в отвал: их тут 13 на 141 предмет. По этой витрине мы и восстанавливаем, как люди ели.

И ни в одном из шести источников нет отдельного поля «отход производства», по которому можно отобрать записи. Там, где категория вообще различима, она держится на слове в заголовке, которое придумал загрузивший: flake, Abschlag, lasca.

Словами это уже сказано. Саймон Уайетт-Спратт в 2022 году писал, что в объёмном изучении каменных орудий заметно предпочтение двусторонне обработанных изделий, остриёв и других узнаваемых типов в ущерб наспех сделанным и слабо обработанным. Ни одной цифры и ни одного названного репозитория в этой фразе нет — цифры, кажется, до сих пор не было. Но наблюдение сделано до нас, и приписывать его себе я не буду.

А теперь контрпример, без которого всё предыдущее было бы подлогом. Фалуччи и соавторы в 2025 году выложили 2016 3D-моделей итальянского палеолита и дали собственную разбивку: заготовки — отщепы и пластины — 732 модели, 36,3 процента; орудия — 527, 26,1 процента. Заготовок там больше, чем орудий, и девятью процентами не пахнет. Дело в цели: эту коллекцию собирали, чтобы понять, как раскалывали камень, а не ради витрины.

Моя собственная выборка смещена ровно так же, только в другую сторону. Большая часть «целых орудий» на Sketchfab — систематическая справочная коллекция именованных типов наконечников одного института, а 33 из 38 записей MorphoSource принадлежат одному проекту, который тоже сканировал только наконечники.

Отсюда вывод, который я считаю нашим. Доля брака в цифровой коллекции — не свойство прошлого и не закон природы. Она равна тому, зачем включали сканер.

Повадка выпуска: доказательство по уцелевшему

Признак простой. Вывод строится на том, что дожило до нас, а исчезнувшее не попадает даже в общий счёт. Витринные наконечники лежат в коллекции, а тысячи отщепов, ради которых их и делали, остались в отвале или вовсе не подняты.

Я собирался назвать эту повадку новой. Проверка новизны вернула заявку: имён у явления уже минимум четыре. Ошибка выжившего по работе Абрахама Вальда 1943 года. Смещение сохранности в палеонтологии: окаменевает не всё, что жило. Эффект Синьора–Липпса 1982 года. И «помпейская предпосылка»: термин ввёл Роберт Эшер в 1961 году, а Льюис Бинфорд в 1981-м обратил его против Майкла Шиффера — не читайте то, что лежит в земле, как застывший момент жизни, это запись выбрасывания. Шиффер ответил в 1985 году, и спор с тех пор идёт о том, искажение это или сам предмет изучения.

Четыре имени на одно явление — не богатство, а след того, что каждая дисциплина открывала его заново и через забор не смотрела. Поэтому повадка идёт в определитель под нашим именем, но со ссылкой на все четыре.

В графу «чем проверить» я беру Синьора–Липпса, а не Вальда. Вальд говорит, что эффект искажён по силе. Синьор и Липпс добавляют то, что хуже: искажается форма эффекта во времени. Резкое событие в неполной записи выглядит постепенным. Рабочий вопрос к своим данным: если бы то, что я описываю как плавный процесс, случилось рывком, — чем бы моя запись отличалась от нынешней?

Кто назначил критерий истины

У изобретателя петля была своя и короткая. Копьё держит удар или разваливается, зверь падает или уходит. Проверить эту петлю мы не можем: человека нет, зверя нет, древка нет.

Критерий, который у нас есть, назначен на полмиллиона лет позже и назначен археологами. Он из трёх частей, и ни одна не работает в одиночку.

Первое — форма: стёсанное основание, которого не требует ни резание, ни скобление. Второе — расположение повреждений: у наконечника они собраны на кончике, а не размазаны по краю, как у ножа. Уилкинс и соавторы считали распределение повреждений по краю количественно, сравнивая находки с опытными копиями. Третье — эксперимент с известной причиной поломки: арбалет, туша, тридцать две копии. Это и есть архив неудач, где к каждой неудаче приложена её причина.

Вторая опора того же рода — сборка сколов обратно на исходный камень, как пазл, чтобы восстановить порядок ударов. Та же витрина, только черепки не выбросили: их складывают обратно, чтобы понять не как посуда выглядела, а в каком порядке билась. Здесь брак работает единственным носителем последовательности. Доля успешной сборки гуляет широко, от единиц процентов до семидесяти с лишним, и зависит от числа находок и от часов, вложенных в разбор. По самому Кату-Пан числа мне найти не удалось.

Знание не лежит в сломанном острие. Оно лежит вокруг него: в слое, в соседних сколах, в протоколе опыта, где записано, чем именно били.

Где сканер путают со свидетелем

Теперь то же самое, но с машинами.

Vesuvius Challenge читает обугленные геркуланумские свитки: нейросеть ищет следы чернил на КТ-сканах свёрнутого папируса. В мае 2025 года Марсель Рот и Миха Новак получили приз в 60 тысяч долларов за прочтение названия свитка PHerc. 172. Год с небольшим спустя, 25 июня 2026-го, PHerc. 1667 стал первым свитком, развёрнутым и прочитанным целиком. Петля: предсказание плюс проверка людьми. Приз выдают после независимой проверки знатоками древних папирусов. Критика внутри самого проекта: из 45 отсканированных свитков и фрагментов чернила проявились в девяти, и не всегда разборчиво, а «Master Plan» 2025 года признаёт, что автоматизация виртуального разворачивания не решена.

Кэтрин Пек из Университета Нью-Мексико учила модель находить памятники на лазерной съёмке рельефа, обучая её на придуманных данных: нарисованные компьютером формы объектов, в том числе смоляных печей, вставляли в настоящие карты рельефа. Причина прямо относится к нашей теме: настоящих примеров редких объектов, где заранее известно, что это памятник, физически не хватает, и недостающий архив пришлось изготовить. Так учат по муляжам, когда настоящих случаев на группу не хватает. Аналогия кончается там, где муляжи вкладывали в настоящий рельеф. Результат: три метода дали 9, 12 и 11 из двенадцати известных целей и 12 новых кандидатов. Цена — от 127 до 686 ложных срабатываний, и авторы сами пишут, что нужна смесь реальных и симулированных данных. Петля: предсказание плюс проверка людьми, полевая работа за археологами.

Проект LUWA учит нейросеть различать под микроскопом блеск, который работа оставляет на каменном орудии: от дерева он один, от кости другой. Это то самое чтение следов износа, из-за которого ссорились Ротс и Уилкинс. Лучшая связка нейросети и анализа рисунка поверхности даёт максимум 93 процента точности. Критический обзор в JCAA разобрал 48 таких случаев: точность от 65 до 100 процентов и предупреждение, что высокая точность часто получается просто потому, что примеров мало и они перекошены. Удобную рамку «ИИ пока слабее эксперта» ломает сравнительная проверка самого LUWA: в задаче, где даны всего несколько образцов, модели набирают 67,05 процента, археологи-эксперты — 43,75. Петля: предсказание плюс проверка людьми. Обратите внимание, чего не хватает. Не снимков, а контролируемого брака с известной причиной — того самого арбалета с тушей антилопы, только в цифре.

Четвёртый случай самый близкий к теме. Алгоритм сборки сколов ищет, к какому месту исходного камня подходит скол, по очертаниям его поверхности — вручную такая сборка занимает месяцы. Петля: предсказание плюс проверка людьми. Критика: тестирование прошло на 43 моделях, а процент удачных совпадений и ошибок не опубликован, так что превосходство над прежними методами не проверить. Единственный алгоритм, который по существу работает с браком, испытан на выборке меньше той, что я пересчитал руками за день.

Обзор Беллат и соавторов 2025 года разобрал 135 статей и 147 случаев применения машинного обучения в археологии: успешными заявлены 79 случаев, смешанными 40, открыто неудачными — 15, то есть 10,2 процента. Авторы объясняют перекос просто: неудачи реже печатают, и они оседают в ящике стола. Работа в Heritage за 2024 год добавляет, что машинное обучение усиливает перекосы старых каталогов.

И есть работа, которая сильнее любого моего анекдота. Чаухан, «Dead Science Walking», не утверждает, а измеряет, насколько неудачные опыты выпадают из опубликованного: разрыв около 0,60 в поиске лекарств, 0,56 в психологии, 0,35 в изучении рака, а цепочка из трёх этапов обработки раздувает перекос в 2,18 раза. Это не «брак никто не оцифровывает», это число с методикой. Рядом Ли показывает, что модели перенимают перекос в сторону удач из текстов, на которых учились. Есть и попытка лечения: банк неудач для ИИ-агентов, специально собранная память о том, что не сработало. Замысел тот же, что у эксперимента с арбалетом, — сохранить не только факт поломки, но и причину.

Что мы на самом деле теряем

Я начинал этот выпуск с уверенностью, что напишу про недооценённый архив неудач. Кончаю с другим. Археология — одна из немногих дисциплин, где архив неудач уцелел физически: отщепы не удаляются, они лежат там, где упали. Рядом стоят шлаки древних плавилен, гончарные отвалы, кости в слоях у палеонтологов — компания у неё есть. И ровно в археологии сорок лет идёт спор, доказывает ли этот архив хоть что-нибудь, — потому что сам по себе он не доказывает ничего.

Сломанное остриё становится знанием при трёх условиях: известен слой, доступны соседние сколы, поставлен опыт с записанной причиной поломки. Уберите любое — и остаётся камень со сколом, из которого одинаково выводится удар в антилопу и промах при обработке. Когда мы оцифровываем коллекцию или собираем обучающую выборку, брак как раз переживает всех. Теряется то, что делало его читаемым, — порядок, соседство, протокол. И тогда наследуется уверенность, что уцелевшее и есть всё; это самый дешёвый вид уверенности, и стоит он ровно столько, сколько стоит счёт, в который не вписали выброшенное.

Что меня опровергнет

Открытая 3D-коллекция или обучающая выборка с отдельным полем «отход производства», по которому можно отобрать записи, где записана ещё и причина, и где отходов не меньше, чем орудий. Или просто пересчёт моих 141 модели с другим результатом: метод у меня грубый, категоризация шла по названиям, а не по осмотру геометрии.

Принесите — пересчитаю публично и напишу, что был неправ.

Дальше

В следующем выпуске — огонь. Его приручили раньше, чем колесо. Но приручили ли — или он приручил нас?

Источники и материалы

1. Wilkins J., Schoville B.J., Brown K.S., Chazan M. Evidence for Early Hafted Hunting Technology. Science 338(6109), 2012, 942–946. DOI 10.1126/science.1227608

2. Porat N. et al. New radiometric ages for the Fauresmith industry from Kathu Pan, southern Africa. Journal of Archaeological Science, 2010. PDF

3. Rots V., Plisson H. Projectiles and the abuse of the use-wear method in a search for impact. Journal of Archaeological Science 48, 2014, 154–165. DOI 10.1016/j.jas.2013.10.027

4. Wilkins J., Schoville B.J., Brown K.S., Chazan M. Kathu Pan 1 points and the assemblage-scale, probabilistic approach: a response to Rots and Plisson. Journal of Archaeological Science 54, 2015, 294–299. DOI 10.1016/j.jas.2014.12.003

5. Fischer A., Vemming Hansen P., Rasmussen P. Macro and Micro Wear Traces on Lithic Projectile Points. Journal of Danish Archaeology 3, 1984, 19–46. DOI 10.1080/0108464X.1984.10589910 · открытый доступ, tidsskrift.dk

6. Hutchings W.K. When Is a Point a Projectile? Morphology, Impact Fractures, Scientific Rigor, and the Limits of Inference. Vertebrate Paleobiology and Paleoanthropology, 2016. DOI 10.1007/978-94-017-7602-8_1

7. Coppe J., Rots V. Focus on the target. The importance of a transparent fracture terminology for understanding projectile points and projecting modes. Journal of Archaeological Science: Reports 12, 2017, 109–123. PDF в репозитории ORBi Льежского университета

8. Wadley L., Hodgskiss T., Grant M. Implications for complex cognition from the hafting of tools with compound adhesives in the Middle Stone Age. PNAS 106(24), 2009. DOI 10.1073/pnas.0900957106

9. Schmidt P., Koch T.J., February E. Archaeological adhesives made from Podocarpus document innovative potential in the African Middle Stone Age. PNAS 119(40), 2022. DOI 10.1073/pnas.2209592119

10. Niekus M.J.L.Th. et al. Middle Paleolithic complex technology and a Neandertal tar-backed tool from the Dutch North Sea. PNAS 116(44), 2019. DOI 10.1073/pnas.1907828116

11. Sahle Y. et al. Earliest Stone-Tipped Projectiles from the Ethiopian Rift Date to >279,000 Years Ago. PLOS ONE, 2013. DOI 10.1371/journal.pone.0078092

12. Petroski H. The Evolution of Useful Things. 1992. Копия на archive.org

13. Binford L.R. Behavioral Archaeology and the «Pompeii Premise». Journal of Anthropological Research 37(3), 1981. DOI 10.1086/jar.37.3.3629723

14. Schiffer M.B. Is There a «Pompeii Premise» in Archaeology? Journal of Anthropological Research 41(1), 1985, 18–41. DOI 10.1086/jar.41.1.3630269

15. Ascher R. Analogy in Archaeological Interpretation. Southwestern Journal of Anthropology 17(4), 1961. DOI 10.1086/soutjanth.17.4.3628943

16. Bamforth D.B., Finlay N. Introduction: Archaeological Approaches to Lithic Production Skill and Craft Learning. Journal of Archaeological Method and Theory 15, 2008, 1–27. DOI 10.1007/s10816-007-9043-3

17. Wyatt-Spratt S. After the Revolution: A Review of 3D Modelling as a Tool for Stone Artefact Analysis. JCAA 5(1), 2022, 215–237. DOI 10.5334/jcaa.103

18. Falcucci A. et al. The Open Aurignacian Project: 3D scanning and the digital preservation of the Italian Paleolithic record. Scientific Data 12:1037, 2025. DOI 10.1038/s41597-025-05330-z

19. Bellat M., Figueroa J., Reeves J., Taghizadeh-Mehrjardi R. Machine Learning Applications in Archaeological Practices: A Review. Journal of Computer Applications in Archaeology 8(1), 2025, 282–321. DOI 10.5334/jcaa.201

20. Foka A., Griffin G. AI, Cultural Heritage, and Bias: Some Key Queries That Arise from the Use of GenAI. Heritage 7(11), 2024, 6125–6136. DOI 10.3390/heritage7110287

21. Tenzer M. et al. Debating AI in Archaeology: applications, implications, and ethical considerations. Internet Archaeology 67, 2024. Полный текст

22. Eleftheriadou A., McPherron S., Marreiros J. Machine Learning Applications in Use-Wear Analysis: A Critical Review. Journal of Computer Applications in Archaeology 8(1), 2025. DOI 10.5334/jcaa.190

23. Eleftheriadou A., Djellal Y., McPherron S., Marreiros J. Classifying polish in use-wear analysis with convolutional neural networks. Scientific Reports 15, 2025. Статья в Nature · версия в NSF-PAR

24. Бенчмарк LUWA, arXiv:2403.13171. Препринт

25. Altansukh A. et al. A New Matching Algorithm for Stone Tool Reassembly Based on Contour Points of Flake Surface. The Journal of the Society for Art and Science 23(2), 2024, 4:1–4:17. PDF

26. Peck C., Gravel-Miguel C., Snitker G. Using Simulated Training Data to Locate Archaeological Sites with Machine Learning. Advances in Archaeological Practice 14(2), 2026, 179–197. Статья на Cambridge Core

27. Vesuvius Challenge. Сайт конкурса · объявление приза в 60 000 долларов

28. Chauhan. Dead Science Walking. arXiv:2606.04220. Препринт

29. Lee. LLMs Have Made Failure Worth Publishing. arXiv:2604.06236. Препринт

30. Negative Knowledge as Failure-aware Shared Memory. arXiv:2606.21024. Препринт

31. Собственный подсчёт 3D-моделей от 12.09.2026: Sketchfab, MorphoSource, Zenodo/3DBigDataSpace, Open Context, ADS, OSF. Метод, ограничения и полные таблицы — в рабочем файле 01-count-3d.md.

Иллюстрации к выпуску: открывающая сцена и реконструкции — сгенерированные изображения, а не фотографии находок; графики построены по числам из этого текста и подписаны отдельно.

Вопрос к тем, кто работает с данными: есть ли у вас отдельное поле для того, что не получилось? Или неудачи живут в заметках и в памяти?

Если знаете открытую коллекцию, где брак записан вместе с причиной, — принесите, пересчитаю.

После GPT-5.5 особенно заметно, что развитие ИИ резко ускорилось. Новые модели выходят всё чаще, лучше пишут код, решают сложные задачи и заметно увереннее рассуждают. Возникает вопрос: что именно изменилось? Просто стало больше мощных компьютеров, нейросети начали дольше обучать или появились новые способы обучения, или это какой то "супер" алгоритм, или же дело в инвестициях.

Чтобы ответить на это, сначала нужно понять самое главное: как нейросеть вообще учится и что именно меняется внутри неё во время обучения. Начнём с самого простого примера — как почти ничего не знающая модель постепенно учится правильно продолжать фразу.

Как нейросеть учится на примерах

Чтобы понять работу нейросети, проще не начинать с терминов вроде «параметры» и «матрицы», а посмотреть на один простой пример.

Допустим, мы хотим научить "молодую" нейросеть продолжать фразы. Мы показываем ей:

«Земля вращается вокруг...»

Пока она ничего толком не знает и отвечает примерно с такой вероятностью:

Луны — 50% Марса — 30% Солнца — 20%

Правильный ответ — «Солнца». Значит, модель ошиблась.

Что происходит после ошибки

Внутри нейросети находится огромное количество чисел. Можно представить их как маленькие регуляторы.

Для простоты допустим, что у нашей модели всего три таких регулятора:

A = 0,50 B = 0,50 C = 0,50

* В реальной модели их не три, а миллиарды.

Эти числа участвуют в расчёте ответа. После ошибки программа проверяет: какие настройки сильнее подтолкнули модель к неверным вариантам и какие, наоборот, помогали правильному.

Например, выясняется:

• параметр A слишком за вариант «Луны»;

• параметр B почти не влиял;

• параметр C немного помогал варианту «Солнца».

Тогда программа делает небольшие изменения:

A: 0,50 → 0,49 B: 0,50 → 0,50 C: 0,50 → 0,51

И снова показывает ту же или похожую задачу.

Теперь результат может быть таким:

Луны — 45% Марса — 28% Солнца — 27%

Модель всё ещё ошибается, но стала чуть ближе к правильному ответу.

Потом ей показывают другие примеры

Например:

«Земля — третья планета от...»

Модель отвечает:

Луны — 40% Солнца — 35% Марса — 25%

Правильный ответ снова «Солнца».

Параметры снова немного меняются.

Потом:

«Планеты Солнечной системы движутся вокруг...»

И снова корректировка.

Потом:

«Солнце находится в центре Солнечной...»

И ещё одна корректировка.

После тысяч похожих примеров модель уже гораздо увереннее связывает понятия Земля, планета, Солнце, Солнечная система.

Теперь на фразу:

«Земля вращается вокруг...»

она может ответить:

Солнца — 97% Луны — 2% остальное — 1%

Никто не писал ей отдельное правило:

«Запомни, что Земля вращается вокруг Солнца».

Она пришла к этому через множество примеров и исправлений.

То же самое происходит со словами и понятиями

Возьмём другой пример.

Модель видит много предложений:

Собака лает. Кошка мяукает. Собака — животное. Кошка — животное. Щенок — молодая собака. Котёнок — молодая кошка.

Постепенно модель замечает, что слова «собака» и «кошка» часто встречаются в похожих ситуациях.

Если ей дать:

«Собака живёт в...»

она уже ожидает что-то вроде «доме», «будке», «семье», а не «таблице умножения».

Никто заранее не создавал для неё категорию «животные». Она сама пришла к тому, что такие слова связаны между собой, потому что это помогает лучше угадывать продолжение текста.

А если пример сложнее?

Допустим, модель видит:

«Петя выше Васи. Вася выше Коли. Кто самый высокий?»

Необученная модель может просто угадывать.

Но если во время обучения она видит тысячи похожих задач:

А выше Б. Б выше В. Кто выше всех? Маша старше Оли. Оля старше Лены. Кто старше? Красный ящик тяжелее синего. Синий тяжелее зелёного. Какой самый тяжёлый?

то параметры постепенно настраиваются так, что модель начинает замечать сам принцип:

если А выше Б, а Б выше В, значит, А выше В.

То есть нейросеть учит не только отдельные ответы. При достаточном количестве похожих примеров она может начать улавливать общую закономерность.

Почему один параметр не равен одному знанию

Можно подумать, что где-то внутри модели есть отдельная настройка:

«Земля вращается вокруг Солнца = 0,873»

Но так нейросеть не устроена.

Возьмём лицо человека. Мы узнаём его не по одному признаку. Важны глаза, нос, форма головы, расстояние между чертами и их сочетание.

Примерно так же работает и нейросеть. Знание о Земле и Солнце создаётся не одним числом, а совместной работой огромного количества параметров.

Причём эти же параметры одновременно участвуют и в других знаниях.

Почему модель нельзя обучить одним примером

Представим, что мы показали ей только:

«Земля вращается вокруг Солнца».

Она может просто слишком сильно подстроиться именно под эту фразу.

Но если показать множество вариантов:

«Земля обращается вокруг Солнца». «Наша планета движется по орбите вокруг Солнца». «За сколько Земля совершает оборот вокруг Солнца?» «Что находится в центре земной орбиты?»

тогда модель должна уловить уже не конкретную фразу, а саму связь между понятиями.

Чем разнообразнее примеры, тем меньше модель просто запоминает форму предложения и тем больше учится общей закономерности.

Если совсем коротко

Обучение нейросети можно представить так:

показали пример → модель попыталась ответить → сравнили с правильным ответом → немного изменили внутренние настройки → дали следующий пример.

И так миллионы и миллиарды раз.

В начале модель почти случайно угадывает слова. Потом начинает замечать простые связи. Затем более сложные закономерности.

И отсюда возникает следующий вопрос: если нейросеть в основном училась угадывать продолжение текста, почему в какой-то момент она научилась решать задачи, писать код и рассуждать?

Об этом — во второй части.

P.S. особенно интересно, могут ли они в итоге в своём обучении обойтись вообще без участия человека.. об этом попробуем задуматься в конце...

Мой канал «В мире много интересного»:
https://dzen.ru/v_mire_mnogo_interesnogo

Сразу спойлер: это не измельчённый ПЭТ, замешанный в тесто. Сначала пластик и сельскохозяйственные отходы — например, кукурузные стебли и листья — расщепили водой, кислородом, высокой температурой и давлением. Затем инженерные дрожжи превратили получившиеся соединения в белки, жиры, кислоты, витамины и ароматические вещества. Смесь дополняют крахмалом, клетчаткой и подсластителем, а потом печатают на 3D-принтере.

Так появились белковые печенья µBites — «микробайтс».

Оригинальное видео и описание проекта — ACS

Русский пересказ: Hi-Tech Mail.ru

Идея выросла из космической программы NASA. На Луне, Марсе или подводной лодке было бы очень кстати превращать доступные отходы в сырьё для еды прямо на месте.

Дегустацию ещё не разрешили. Это пока лабораторный эксперимент.

Смогли ли бы вы спокойно съесть печенье, которое когда-то было пластиковой бутылкой?

Не менее важны они и для диагностики подводных объектов. Газопроводы, портовые сооружения, мостовые переходы и кабели связи пролегают вдоль береговой линии и требуют постоянного контроля. Часто необитаемые аппараты становятся единственным решением для таких задач, поскольку могут работать подо льдом, при сильном загрязнении или течении, то есть там, где работа водолаза невозможна или опасна.

В основном такие конструкции компактные и рассчитаны на глубину до 50–300 метров, то есть отлично подходят для прибрежных зон. Но именно малые габариты создают главную проблему: внутри них нельзя разместить мощные двигатели и эффективные системы стабилизации. В результате они получаются неустойчивыми — их сносит даже слабым течением, и для удержания положения требуется постоянная ручная корректировка.

Это сказывается и на времени автономной работы. Небольшие конструкции функционируют всего 30–40 минут, а за такой срок они физически не успевают выполнить большой объем задач. Если за отведенное время устройству не удается найти повреждение или провести полную съемку участка, приходится повторять погружение. В итоге на обследование одного объекта может уходить несколько дней, а стоимость работ оказывается крайне высокой.

Проблема в том, что попытки инженеров увеличить продолжительность погружения или улучшить устойчивость приводят к сильному усложнению и утяжелению конструкции, а значит, она перестает быть удобной и компактной, что мешает использовать ее в стесненных водных условиях. Сегодня в мире этот технологический тупик остается нерешенным: не существует серийных моделей, которые были бы одновременно легкими, эффективными и недорогими.

Ученые Пермского Политеха предложили новую конструкцию малогабаритного подводного аппарата. В отличие от существующих решений, он способен работать автономно не менее часа. При этом его вес и стоимость будут примерно в 2–3 раза ниже за счет использования 3D-печати вместо литья металлом. Устройство рассчитано на глубину до 100 метров и подходит для исследования прибрежных территорий.

Чтобы сделать аппарат более функциональным, исследователи отказались от классической цилиндрической формы корпуса, которая используется в большинстве подобных устройств, в пользу более обтекаемой. Такое решение снижает сопротивление воды и позволяет двигаться эффективнее.

Также вместо обычного винта исследователи внедрили водомёт. Он работает так: вода засасывается внутрь и с силой выбрасывается назад через наконечник, который можно направлять в разные стороны. Благодаря этому аппарат может плыть не только прямо, но и мгновенно менять курс. Но главное, что водомёт создает меньше сопротивления и позволяет экономить заряд аккумулятора, увеличивая время автономной работы.

— В дополнение к новой конструкции мы разработали умную систему управления. Если устройство начинает наклоняться вперед, назад или в сторону, система возвращает его в ровное положение. Это поможет аппарату устойчиво держаться на глубине и не сбиваться с курса даже при сильном течении, — рассказал Павел Кулешов, доцент кафедры «Информационные технологии и автоматизированные системы» ПНИПУ, кандидат технических наук.

Чтобы протестировать решение, исследователи построили трёхмерную модель и провели виртуальные испытания в условиях, максимально приближенных к реальным: течение и гидродинамические нагрузки, характерные для прибрежной зоны. Они также взяли для расчетов глубину вплоть до 100 метров. Такую величину выбрали с запасом, чтобы проверить, сохраняет ли конструкция устойчивость к разрушению корпуса и управляемость при более сильном давлении.

Расчеты подтвердили, что аппарат устойчив при движении, а обтекаемая форма обеспечивает низкое сопротивление и равномерное распределение нагрузки, что предотвращает деформацию и потерю герметичности.

— Вес готового аппарата по предварительным оценкам будет всего 10 килограммов — для сравнения, масса большинства существующих аналогов достигает 30–50. При этом время автономной работы составит почти час, что также превосходит показатели других компактных моделей. Такой результат будет возможен в том числе благодаря применению 3D-печати из полимера. Обычно корпуса подводных аппаратов делают из стали или титановых сплавов, чтобы они выдерживали давление, однако современные композитные материалы по прочности сопоставимы с металлами, но при этом значительно легче. Это позволит снизить стоимость устройства примерно в 2–3 раза без потери надежности, — отметил Павел Кулешов.

Новая конструкция в будущем сможет применяться для широкого круга задач: инспекции подводных трубопроводов, портовых сооружений, картографии дна или экологического мониторинга. Следующий этап — проведение физических испытаний в водоемах. Это позволит проверить работу всех систем в реальных условиях и улучшить конструкцию перед запуском в серийное производство.