✔ Нейросеть нового поколения с архитектурой, подобной мозгу, учится видеть как люди.

All-TNN - нейросеть, структура которой имитирует организацию нейронов в человеческом мозге. В отличие от традиционных CNN, которые отлично распознают текстуры, но плохо справляются с формами, All-TNN демонстрирует смещения, характерные для людей. Например, она «ожидает» увидеть самолет в верхней части изображения, а не в нижней.

Ключевое отличие - отказ от weight sharing, неестественного для биологических систем. Вместо этого каждый нейрон обучается индивидуально, но со сглаживающим ограничением, которое заставляет соседние нейроны учиться схожим признакам.

Несмотря на то, что All-TNN пока уступает CNN в точности классификации, она потребляет в 10 раз меньше энергии при 13х большем размере. spectrum.ieee.org (https://spectrum.ieee.org/topographic-neural-network)

✔ Replit заключила стратегическое партнерство с Microsoft.

По соглашению, Replit станет доступен в магазине Azure и будет интегрирован с облачными сервисами Microsoft, включая контейнеры, виртуальные машины и базу данных Neon Serverless Postgres. Компании позиционируют совместное предложение как инструмент для быстрого прототипирования, ориентированный не только на программистов, но и на бизнес-пользователей без опыта в кодинге.

Это событие примечательно, поскольку Replit традиционно считалась одним из ключевых клиентов и партнеров Google Cloud, где размещались созданные на платформе приложения. Replit подтвердил, что компания не уходит от Google, а расширяет поддержку на экосистему Microsoft, становясь мультиоблачным решением. Для Microsoft это партнерство - способ привлечь на свою платформу разработчиков и проекты, ранее ориентированные на конкурента. prnewswire.com (https://www.prnewswire.com/news-releases/replit-collaborates...)

✔ Moonvalley представила видеомодель Marey.

Moonvalley, основанная выходцами из DeepMind, открыла публичный доступ к своей модели для генерации видео Marey, которая была обучена исключительно на открыто лицензированных данных. Решение позиционируется как инструмент для «гибридного кинопроизводства», предлагая кинопродакшену значительно больше контроля, чем стандартные text-to-video модели.

Модель отличается «осведомленностью о 3D-пространстве» и возможностью свободного управления виртуальной камерой. Пользователи могут в реальном времени изменять траекторию, панорамировать и масштабировать изображение простым движением мыши. Marey также позволяет контролировать объекты, персонажей и менять фон в исходном видео.

Доступ к Marey, способной генерировать ролики до 5 секунд, предоставляется по платной подписке - $14,99 за 100 кредитов, $34,99 за 250 кредитов и $149,99 за 1000 кредитов. techcrunch.com (https://techcrunch.com/2025/07/08/moonvalleys-ethical-ai-vid...)

✔ Компания Марка Цукрберга купила долю в производителе умных очков.

Техгигант приобрел миноритарную долю в EssilorLuxottica, крупнейшем в мире производителе очков и владельце бренда Ray-Ban. Сумма сделки составила 3,5 млрд. долларов за пакет акций размером менее 3%. Сделка значительно углубляет партнерство двух компаний, которые уже совместно выпускают умные очки Ray-Ban.

Для Марка Цукерберга это стратегический шаг в рамках его масштабного плана по развитию ИИ и созданию собственных аппаратных платформ. Умные очки рассматриваются как ключевое устройство будущего, которое избавит от привязки к смартфонам конкурентов, Apple и Google. bloomberg.com (https://www.bloomberg.com/news/articles/2025-07-08/meta-inve...)

✔ Hugging Face показали, как ускорить обучение мультимодальных моделей, устранив главное узкое место — неэффективную загрузку данных.

Они представили Multimodal Data Pipeline (MMDP) — мощный, но простой пайплайн, который решает проблему простоя GPU из-за паддинга и медленного I/O.

Вот как это работает:

1. Визуализация данных — сначала анализируются длины текстов и структура мультимодальных примеров.

2. Constrained Padding — вместо бездумного паддинга, обрезаются аномально длинные примеры.

3. Packing как bin-packing — батчи собираются по максимальному числу токенов, а не по фиксированному количеству примеров.

4. Multimodal-aware batching — учитывается и число изображений в батче.

5. ConstantLengthDataset — кастомный класс с producer-consumer очередями и плотной упаковкой без паддинга.

💡 Результат — более плотные батчи, меньше токенов вхолостую, выше эффективность обучения.

Исходники и туториал:

📌 https://huggingface.co/blog/mmdp

📌 https://github.com/ariG23498/mmdp

✔ Немецкие учёные выпустили ИИ-модель, которая имитирует поведение человека

Модель называется **Centaur**. Она обучена предсказывать, как человек поведёт себя в разных ситуациях — причём делает это с высокой точностью, даже на новых сценариях, которых не было в обучающей выборке.

Что использовали: - Датасет из **160 поведенческих экспериментов** - **10+ миллионов примеров** реакций людей

То есть модель буквально «смотрела», как люди действуют в разных условиях → запоминала → училась **повторять** поведенческие паттерны.

📌 Что умеет: - Предсказывать действия человека - Объяснять **почему** он так поступит - Даже оценивать **время реакции** - Причём активации сети коррелируют с **реальными МРТ-сканами мозга**

🧬 Под капотом — **LLaMA 3.1 70B**, дообученная с помощью **QLoRA**. Всё открыто: выложены веса и облегчённая версия, которую можно запустить даже в Google Colab.

🔍 Потенциал огромен: Centaur можно использовать как симулятор для психологии, нейронауки и изучения когнитивных расстройств. Это шаг к **единой эмпирической теории поведения** — мечте исследователей последних столетий.

Компания уже объявила о реструктуризации бизнеса Samsung Foundry и, возможно, выделении этого направления в отдельную структуру. Также ожидается ускоренное продвижение следующего чипа — Exynos 2600, который, предположительно, будет производиться по 2-нм техпроцессу и может стать частью Galaxy S26.

В чём суть?

Google меняет стратегию, чтобы улучшить качество и стабильность своих смартфонов. Samsung теряет важного клиента и теперь вынуждена догонять. Это интересный поворот в технологической гонке — и он может повлиять на всю индустрию.

💬 Как считаете, получится ли у Samsung вернуть доверие крупных партнёров? Или TSMC окончательно заберёт себе рынок флагманских чипов? Пишите мнение в комментариях 👇

Спортивный микроб, воронежские мамонты, мозг в кубе и зубы предков
https://oper.ru/news/read.php?t=1051626971

00:00 Начало
00:35 Спортсмены и клизма для мышей
04:25 Откуда прилетел астероид апокалипсиса
07:45 Офис в кармане
09:30 Редкая находка археологов под Воронежем
11:40 Что приносит золотая осень
13:05 Самая подробная карта мозга

Аудиоверсия: https://oper.ru/video/getaudio/nauka_asteroid.mp3

Микроструктура мозга играет ключевую роль в наших когнитивных способностях. Однако наше понимание этой структуры ограничено из-за недостатка доступа к высококачественным образцам мозговой ткани. Например, биопсия может предоставить ценные сведения о функционировании органа и его патологических состояниях, но такие исследования на человеческом мозге проводятся редко.

С другой стороны, сегодня можно воссоздать патологии на клеточных культурах или органоидах. Тем не менее, моделей, точно отражающих заболевания мозга, недостаточно. Более того, хотя животные служат неплохими моделями для изучения некоторых заболеваний, их мозг, включая мозг других приматов, существенно отличается от человеческого.

Для заполнения этих пробелов было создано множество атласов, отображающих связи между нейронами человеческого мозга, но большинство из них обладает ограниченным разрешением. Этот новый тип атласа, известный как "коннектом", позволяет отслеживать сложные взаимосвязи на уровне отдельных нейронов. По мнению исследователей из Гарварда и Google, такое наномасштабное картирование необходимо для расширения наших знаний о функционировании мозга и механизмах заболеваний, которые его поражают.

"Чтобы исследовать, как работает человеческий мозг, как он обрабатывает информацию, как хранит воспоминания, нам нужна карта с таким высоким разрешением", - отмечает Вирен Джайн, ведущий исследователь из Google, в интервью MIT Technology Review. Новая карта коннектома, созданная Джайном и его коллегами, представляет собой наиболее четкое и подробное изображение на сегодняшний день.

Стимулирующие нейроны окрашены в соответствии с их размером, от самых крупных (красных) до самых мелких (синих). Их диаметр варьируется от 15 до 30 микрометров.

Для создания новой карты, описанной в журнале Science, исследователям пришлось преодолеть несколько трудностей, включая сложность отслеживания связей между нейронами. Внешний слой мозга содержит около 16 миллиардов нейронов, связанных между собой сотнями миллиардов синапсов. Это делает создание коннектома чрезвычайно сложным, даже для очень малой области мозга.

Еще одной проблемой было получение высококачественного образца ткани мозга, достаточно хорошо сохранившегося. Однако, учитывая быстрое разрушение мозга после смерти, трупные образцы не подходили. Для преодоления этой проблемы команде удалось получить свежий образец размером один кубический миллиметр из передней височной доли пациента с эпилепсией. Образец был удален во время операции для снижения приступов. Затем его обработали смолой и разрезали на несколько слоев, которые исследовали с помощью высокоскоростного электронного микроскопа, специально разработанного для этого проекта.

Еще одной сложностью является то, что аксоны ориентированы во всех направлениях, образуя различные связи. Однако любая ошибка в соединениях аксонов может привести к неверным результатам. Для предотвращения этого риска исследователи использовали модель машинного обучения, чтобы точно связать участки мозговой ткани с соединениями нейронов в цифровом формате. Затем искусственный интеллект окрасил каждую связь и идентифицировал их индивидуально.

Новый коннетом показал, что в кубическом миллиметре мозговой ткани содержится 57 000 нейронов, 230 миллиметров кровеносных сосудов и 150 миллионов синапсов. Несмотря на то что это лишь малая часть мозга, картирование потребовало огромного объема данных: 1,4 петабайта (1400 терабайт). Это самый большой объем данных о структуре человеческого мозга с таким высоким разрешением, когда-либо собранный.

"Слово 'фрагмент' может показаться ироничным", - объясняет Джефф Лихтман, руководитель проекта, в интервью The Harvard Gazette. "Для многих людей терабайт - это огромный объем, но фрагмент человеческого мозга все равно представляет собой тысячи терабайт", - добавляет он. Таким образом, для картирования всего человеческого мозга потребуется около 1 эксабайта (EB) данных, что соответствует емкости центров данных ЦЕРН для Большого адронного коллайдера (БАК).

Удивительно, но исследователи обнаружили, что некоторые пары нейронов имеют многочисленные связи друг с другом через аксоны - до 50 связей. Некоторые аксоны образуют сложные узлы, которые назвали "аксонными витками". Такие витки встречаются редко и иногда встраиваются в структуру других нейронов.

Более того, некоторые кластеры нейронов ориентированы "зеркально" по отношению к другим. На данный момент эксперты не могут сказать, связаны ли такие структуры с патологическими состояниями или они являются лишь редкими кластерами, собранными случайным образом. "Мы столкнулись с таким количеством неожиданных результатов, которые не укладываются в рамки существующих теорий", - отмечает Лихтман.

В качестве следующего шага команда планирует составить карту гиппокампа мыши - области, играющей важную роль в неврологии из-за ее участия в формировании памяти и различных неврологических заболеваниях. Пока же коннектом доступен бесплатно на платформе Neuroglancer.

1. Фундаментальная ошибка атрибуции. Звучит сложно, правда? Заключается эта ошибка в том, что мы склонны объяснять поведение других людей их индивидуальными особенностями, их характером или какими-то качествами, а своё же поведение мы объясняем ситуацией или внешними обстоятельствами. Например, возьмём студента, у которого плохо получается писать диплом и руководителя, который его исправляет. Студент будет ссылаться на плохое самочувствие, личные проблемы, завалом по другим предметам, в то время как руководитель будет считать этого студента ленивым, слабым, без сильного стремления к учебе. Этот термин был предложен в 1977 году американским психологом Ли Россом и он указал несколько причин возникновения фундаментальной ошибки атрибуции:

1) ложное согласие — у человека есть только одна правильная точка зрения, если же она отличается от мнения другого человека, то это всё из-за его личностных особенностей, но никак не из-за внешних обстоятельств. Поэтому, если руководитель считает тебя ленивым, а ты не смог дописать главу из-за боли в зубе, то для руководителя ты всё равно ленив и отмазываешься.

2)неравные возможности — если взять тех же студентов, которые пишут диплом, тот, у кого нет проблем со здоровьем или чем-то еще и у него достаточно времени, скорее всего напишет диплом лучше. Но другие посчитают, что он просто умнее и менее ленив, не беря во внимание другие факторы.

2. Розовая ретроспекция. Когда нам прошлое кажется более позитивным, чем в момент, когда эти события проживались. Объясняется это тем, что когда мы переживаем определенные моменты, мы имеем как позитивные, так и негативные мысли. Однако негативные факторы относительно недолговечны и мы забываем о них спустя какое-то время после события, но при этом сохраняем положительные воспоминания, что и приводит к общей положительной оценке. Например, прошлым летом у тебя был отпуск и были некоторые проблемы с заселением, иногда невкусная еда, скучная экскурсия. Со временем эти негативные моменты стерлись, а общее впечатление об отпуске осталось хорошим, хотя в тот момент так не считалось. Но это может работать и в обратную сторону, если что-то оставило слишком негативный отпечаток, то с большей вероятностью мы забудем о всём хорошем и будем ожидать негативный опыт в будущем. Польза розовой ретроспекции в том, что она позволяет сгладить негативный опыт прошлого, формируя позитивные воспоминания, а так же помогая нам рискнуть в будущих ситуациях.

3. Эффект Даннинга-Крюгера. Этот эффект заключается в том, что низкоквалифицированные люди не осознают, что совершают ошибки и принимают неудачные решения из-за неполноты своих знаний, навыков и умений, то есть они максимально уверены в своей правильности. В то время как высоко квалифицированные люди часто сомневаются в своих суждениях и страдают от недостаточной уверенности в своих силах, считая других более компетентными. Это еще называется синдромом самозванца. Но мы сейчас не об этом. Гипотеза о существовании подобного феномена была выдвинута в 1999 году Джастином Крюгером и Дэвидом Даннингом, которые ссылались на высказывания Чарльза Дарвина и Бертрана Рассела. Чарльз Дарвин говорил: "Уверенность чаще порождается невежеством, нежели знанием". А слова Бертрана Рассела звучат следующим образом: "Одно из неприятных свойств нашего времени состоит в том, что те, кто испытывает уверенность, глупы, а те, кто обладает хоть каким-то воображением и пониманием, исполнены сомнений и нерешительности". После серии экспериментов Крюгер и Даннинг выдвинули гипотезу, что для людей с низкой квалификацией характерно следующее: 1)они склонны переоценивать собственные умения;

2)они неспособны адекватно оценивать действительно высокий уровень умений у других;

3)они неспособны осознавать всю глубину своей некомпетентности.

За это исследованиям авторам была присуждена Шнобелевская премия по психологии за 2000 год. И да, действительно существует Шнобелевская премия, которая является пародией на Нобелевскую премию и ей награждают за необычные и остроумные исследования.

4. Эффект google или цифровая амнезия. Этот эффект заключается в том, что мы перестали запоминать ту информацию, которую легко можно загуглить. Прочитали и через пол часа уже забыли, ведь зачем запоминать, когда гугл под рукой и в случае необходимости мы знаем, где можно найти нужную информацию. У меня такое было с конспектами в универе, я спрашивала себя, а если мне понадобится эта информация, я буду искать её в конспекте или загуглю? Ответ был, конечно же, что загуглю. Первое исследование было проведено под руководством Бетси Спэрроу, в котором испытуемым предоставили простые утверждения, которые нужно было запомнить. Первой группе сообщили, что эти выражения будут сохранены в файле на компьютере, а второй группе не сказали, что они будут сохранены. Как ты можешь уже предположить, с заданием лучше справилась вторая группа, а первая группа лучше запомнила, как называется файл и где его можно найти, нежели сами утверждения. В этом эффекте есть как плюсы, так и минусы. Он спасает нас от скопления большого количества ненужной информации, но так же и делает нас более ленивыми на запоминание фактов.

5. Эффект привязки или эффект якоря. Этот эффект заключается в том, что мы сосредотачиваемся на первой доступной информации и исключаем другие факторы из поле зрения. Это часто можно встретить в магазинах, когда мы что-то видим с разными скидками и предложениями. К примеру возьмём книгу стоимостью в 10 тысяч рублей, эта сумма будет нашим якорем или привязкой. Эта стоимость кажется нам неоправданно высокой и вот мы видим, что на неё уже скидка 50% и стоит она уже 5 тысяч рублей, что всё еще дорого. Но мы настолько привязались к первой цене, что вторая нам кажется очень выгодной и шанс того, что мы купим её вырастет, не смотря на то, что реальная цена этой книги пару тысяч. И этот эффект не исчезнет даже если используются неадекватно большие числа и когда мы знаем, что существует такой эффект. Так что его использовали, используют и будут использовать в торговле.

Я рассказала о достаточно частых уловках мышления и как они работают, а вот будешь ты их отслеживать или нет это уже решать тебе, пиши в комментариях на чём ты себя часто ловишь.