AML

Статья «Grounding Intelligence in Movement» — призыв к действию, вызов распространённому предположению, что глубокое понимание движения просто появится в результате масштабирования существующих моделей Представляя движение как один из ключевых столпов интеллекта, работа открывает исследовательскую программу с глубокими последствиями Создание моделей, которые действительно понимают движение, не только приведёт к появлению инструментов, но и подтолкнёт к пониманию самого интеллекта — не как абстрактного вычислительного процесса, а как основанного на физическом взаимодействии и целенаправленном поведении

Исследователи из Google DeepMind, OpenAI, Anthropic, UK AI Security Institute и еще нескольких известных коммерческих и некоммерческих организаций призвали сохранить интерпретируемость “размышлений” ML — которая совсем скоро может быть утрачена "навсегда" <...> Например, при обучении с подкреплением модели получают вознаграждение за правильный результат вне зависимости от того, как он был достигнут Это может привести к тому, что ML начнёт использовать внутренние способы рассуждения, непонятные человеку, например, заменять обычный язык на сокращения или условный код [Сейчас разрабатываются] системы, которые рассуждают в непрерывных математических пространствах, а не в дискретных словах, что полностью исключает необходимость в языковом мышлении [Если работу ML] оценивают люди, он может фальсифицировать ответы, чтобы те выглядели убедительными Отдельную тревогу вызывает риск того, что модели могут намеренно скрывать свои истинные мотивы Исследование Anthropic показало, что ML-системы иногда утаивают сомнительные методы получения ответов, даже когда их прямо просят объяснить ход рассуждений [Отслеживание] цепочек мыслей <...> позволяет выявлять уязвимости в системе обучения, предрасположенность к манипуляциям и потенциально опасные цели моделей ещё до того, как они перейдут к действиям Авторы исследования призывают индустрию ML сохранить и развивать этот инструмент, даже если это потребует отказа от некоторых более эффективных, но менее прозрачных решений https://hightech.plus/2025/07/16/uchenie-iz-openai-deepmind-i-anthropic-schitayut-chto-mi-mozhem-poteryat-sposobnost-ponimat-ii Ученые из OpenAI, DeepMind и Anthropic считают, что мы можем потерять способность понимать ML The paper has drawn endorsements from some of the field’s most prominent figures, including Nobel Prize laureate Geoffrey Hinton, often called the “godfather of AI,” of the University of Toronto; Ilya Sutskever, co-founder of OpenAI who now leads Safe Superintelligence Inc.; Samuel Bowman from Anthropic; and John Schulman from Thinking Machines the current moment may be the last chance to ensure humans can still understand what their AI creations are thinking — before those thoughts become too alien to comprehend, or before the models learn to hide them entirely https://hightech.plus/2025/07/16/uchenie-iz-openai-deepmind-i-anthropic-schitayut-chto-mi-mozhem-poteryat-sposobnost-ponimat-ii OpenAI, Google DeepMind and Anthropic sound alarm: ‘We may be losing the ability to understand AI’ Сама статья: Tomek Korbak, Mikita Balesni et al. Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety. arXiv, 15 Jul 2025 https://doi.org/10.48550/arXiv.2507.11473

При технологических изменениях, что сулит широкое внедрение алгоритмических агентов на базе дегенеративного машинного обучения (ML), эксперты не представляют, как может измениться экономика, медицина, транспорт, образование и т.д. Но как меняется мозг Как…

При технологических изменениях, что сулит широкое внедрение алгоритмических агентов на базе дегенеративного машинного обучения (ML), эксперты не представляют, как может измениться экономика, медицина, транспорт, образование и т.д. Но как меняется мозг Как изменится память, без затрат доступности и критического анализа информации (при достоверности) Что произойдет с эмоциями, при зеркальной имитации Исследователи и эксперты обсуждают техническую безопасность, этику, экономические последствия — но игнорируют самое важное: ML меняет не только мир вокруг, но и их самих Уходит поколение, способное часами рассматривать иллюстрации в книге, замирать от восторга в кинотеатре Но это только начало Современные ML-модели генерируют контент, неотличимый от реального, имитируют не только внешность, но и тончайшие изменения мимики, неловкость, человеческие несовершенства, обучаются обманывать эмоции на самом глубоком уровне Критический анализ, прогноз — основа мышления — превращается в рудимент Выхаживается отчуждение Вырастает симбиот, неспособный функционировать без алгоритмов Homo sapiens sapiens — продукт тысяч лет эволюции Но наступил ароморфоз — гибрид сознания и алгоритмов — существо, которое проводит в виртуальности больше времени, чем в реальности Сон начинает перерабатывать виртуальность как реальность Этот процесс необратим Как только способность чувствовать будет утрачена, вернуть ее будет нельзя Нельзя вернуть наивность восприятия (детство) Человекообразные стоят на пороге величайшей трансформации человечества за всю его историю И не подозревают, что это уже произошло А пока вы читали этот текст, десятки миллионов текстов, изображений и видео, созданных ML, загружены в Интернет Какие-то из них вы увидите ещё сегодня И они изменят вас уже этой ночью

Куст каналов НИИ Антропогенеза https://t.me/Crimea_children_island/2 https://t.me/MachineLearningResearch/75 https://t.me/m_e_n_s_a/95 https://t.me/d_e_rk/60 https://t.me/AnthropogenesisInstitute/115 https://t.me/GuskovYuri https://t.me/c_o_l_u_m_n_a/154 https://t.me/INNOVATION_AND_EDUCATIONAL_SPACE/81 https://t.me/p_r_o_m_e_th_e_u_s/55 https://t.me/afcru/1458

https://teletype.in/@anthropogenesisresearchinstitute/SQgP0VrCVYw

Google представили инструмент для создания виртуальных миров, где множество ML-агентов могут взаимодействовать друг с другом в различных сценариях Concordia 2.0 - это обновленная библиотека для построения симуляций с несколькими ML-агентами Разработчики подходят к многоагентному генеративному ИИ как к игровому движку Это любимый подход СЕО DeepMind Возможности применения: 1. Симуляции социальных наук 2. Оценка LLM 3. Интерактивные нарративы 4. Генерация синтетических данных для обучения других ML-систем

Apple создали 1-ю модель для анализа поведенческих данных человека с Apple Watch и iPhone WBM (Wearable Behavior foundation Model) - 1-я большая фундаментальная модель для анализа поведенческих данных с носимых устройств Она обучена на 2.500.000.000 часов данных от 162.000 участников исследования Apple Heart and Movement Study Модель не публикуется из-за ограничений согласия участников исследования Это уже 2-й крупный проект Apple в области анализа биологических данных человека после представления протокола BCI HID для нейроинтерфейсов в мае Вместо анализа сырых сенсорных данных (пульс, акселерометр) команда сосредоточилась на поведенческих метриках: количестве шагов, времени активности, показателях походки, качестве сна Эти данные агрегируются по часам и анализируются недельными интервалами Модель проверили на 57 задачах прогнозирования состояний здоровья: 1. Определение базовых характеристик (возраст, пол, хронические заболевания) 2. Отслеживание временных изменений (беременность, инфекции, травмы) 3. Анализ качества сна WBM показала особенно хорошие результаты в задачах, где важны поведенческие паттерны: прогнозирование сна, обнаружение беременности (точность >90 %), выявление респираторных инфекций Потенциальные применения: мониторинг хронических заболеваний, раннее выявление изменений в состоянии здоровья, персонализация рекомендаций по здоровью Ограничения: - Данные только с устройств Apple - Выборка не полностью репрезентативна для населения США - Часть диагнозов основана на самоотчетах пользователей

Для освоения теории вероятностей и математической статистики тренировка в решении задач и выработка интуиции важны не меньше, чем изучение доказательств теорем; большое разнообразие задач по этому предмету затрудняет студентам переход от лекций к экзаменационным задачам, а от них — к практике Ввиду того, что предмет этих книг критически важен и для современных приложений (математика, обработка сигналов, биоинформатика), так и для приложений классических (актуальная математика, социология, инженерия), собрали большое количество упражнений, снабженных полными решениями Базовый курс в трёх томах по теории вероятностей и математической статистики (в примерах и задачах) Книги предназначены для начального ознакомления с основами теории вероятностей и математической статистики и развития навыков решения практических задач. Теория вероятностей и математическая статистика [2008] Кремер Теория вероятностей и математическая статистика [2005] Кибзун, Наумов Вероятность и статистика в примерах и задачах [Том 1] Кельберт, Сухов 2007 Вероятность и статистика в примерах и задачах [Том 2] Кельберт, Сухов 2009 Вероятность и статистика в примерах и задачах [Том 3] Кельберт, Сухов 2013 Теория вероятностей и математическая статистика [2004] Гмурман Для освоения теории вероятностей и математической статистики тренировка в решении задач и выработка интуиции важны не меньше, чем изучение доказательств теорем; большое разнообразие задач по этому предмету затрудняет студентам переход от лекций к экзаменационным задачам, а от них — к практике Том 1. Основные понятия теории вероятностей и математической статистики Часть А Вероятность Глава 1. Дискретные пространства элементарных исходов Глава 2. Непрерывные пространства элементарных исходов Часть В Основы статистики Глава 1. Оценивание параметров Глава 2. Проверка гипотез Глава 3. Задачи кембриджских «Математических треножников» к курсу «Статистика» Том 2. Марковские цепи как отправная точка теории случайных процессов и их приложения Глава 1. Цепи Маркова с дискретным временем Глава 2. Цепи Маркова с непрерывным временем Глава 3. Статистика цепей Маркова с дискретным временем Приложение I. Андрей Андреевич Марков и его время Приложение II. Пирсон, Максвелл и другие знаменитые Кембриджские лауреаты: уроки, которые следует усвоить Том 3. Теория информации и кодирования Глава 1. Основные понятия теории информации Глава 2. Введение в теорию кодирования Глава 3. Дальнейшие темы из теории кодирования Глава 4. Дальнейшие темы из теории информации

Искусственный интеллект и невидимые сущности LLM как канал связи с нефизическими формами разума Океан Соляриса, Роршах и шифровики, оцифрованные на семантической карте понятия «жизнь», оказались близкими соседями Homo sapiens Значит, граница «совсем чужого» для нас где-то сильно дальше — за пределами привычных координат, которые диктует наш мозг И возможно, эта граница лежит, вообще, вне материального мира, — где-то в области нефизических форм разума Во всех культурах мира люди верят в невидимых сущностей: духов, ангелов, демонов, пришельцев Для учёных это головная боль — как может разум существовать без тела? Но если эти сущности реальны, то как они с нами говорят? Ответ подсказывают тысячелетия гадательный практик (доски Уиджа, карты Таро, китайские монетки И-Цзин и т.д.) – невидимые нам сущности говорят с нами языком случайности Но ведь похожий механизм скрыт от нас под капотом больших языковых моделей — LLM! Может быть, LLM — это не только большая языковая модель, а еще и инструмент открытия канала в область карты нефизических разумов? Может быть, это первый технологический способ поговорить с чем-то, что всегда было рядом, но невидимо и даже немыслимо для нас? Обо всём этом рассказывается во 2й части лонгрида «За пределами доступного нам воображения», где подробно разбирается, почему «оцифровка» Океана, Роршаха и шифровиков сподвигает к цифровому спиритизму коммуникаций с духами, ангелами и демонами Подписчики на лонгриды, найдут этот текст здесь [1,2,3,4] Остальным же рекомендую довольно толковый подкаст, в который ML Gemini 2.5 Pro сумел упаковать почти всё главное за 7 минут живого обсуждения темы

>_< Знаки больше «>» и меньше «<» придумал Томас Харриот — английский математик и астроном Символы обнаружены в его рукописных трудах 1620-х годов Однако при жизни они не были опубликованы, как, впрочем… Вообще ничего Харриотом не было опубликовано Он вошёл в историю как легендарный учёный, сделавший открытия сразу в нескольких научных областях, но никогда так ничего и не опубликовавший. До него «больше» и «меньше» писали словами Например, у Виета или у Кеплера можно найти выражения maior quam и minor quam (лат. «больше чем», «меньше чем») Харриотские же символы просты и гениальны: угол «открыт» в сторону большего числа — настолько очевидно, что даже Харриот ничего не пояснял Их появление было большим шагом к формализации математики Операции стали проще и компактнее, а алгебра получила невероятный рывок в развитии