⚡️Александр Мордвинцев, исследователь из Google, создал цифровые системы на основе клеточных автоматов, где каждая клетка взаимодействует только со своими соседями.
Эти нейронные клеточные автоматы (Neural Cellular Automata) способны самособираться в заданные формы и даже восстанавливаться после повреждений.
В *Quanta Magazine* рассказали о том, как учёные научились обучать искусственные "клетки" собираться в заданные формы. Это похоже на игру «Жизнь» (*Game of Life*), но наоборот.
🧩 Что такое Game of Life?
Это простая компьютерная модель: есть сетка из клеток, у каждой клетки всего два состояния — «жива» или «мертва». Жизнь клетки зависит от соседей (например, если вокруг слишком много соседей, клетка умирает).
Обычно мы задаём правила и просто смотрим, что получится.
А теперь учёные сделали наоборот: сначала задаём цель (например, фигуру), а потом подбираем правила так, чтобы клетки сами в неё собрались.
⚙️ Что изменили учёные?
1. Непрерывные состояния - клетка не просто «вкл/выкл», а может быть наполовину активна. Это как лампочка с плавным регулятором яркости.
2. Скрытые переменные - у каждой клетки есть «внутренние параметры», которые влияют на её поведение. Представь, что у клетки есть «настроение» или «память», которое не видно исследователю напрямую.
3. Асинхронное обновление — клетки меняются в случайное время, а не все сразу. Это ближе к реальной жизни, где всё развивается не идеально синхронно.
💡 Зачем это нужно?
- Восстановление после повреждений: если часть фигуры «сломать», клетки могут достроить её заново.
- Децентрализация: нет главного управляющего - каждая клетка действует локально, но вместе они формируют систему.
- Устойчивость к шуму: клетки учатся справляться с хаосом и случайностями, а не просто повторяют выученный рисунок.
🟠Какие есть ограничения?
- Пока это работает для картинок и форм, но не для сложных живых организмов.
- Чтобы система умела «регенерировать», её нужно специально тренировать.
- Перенести эту идею в настоящие биологические клетки или роботов сложно — там много физических ограничений.
🟠 Где это можно применить?
- Медицина - модели самовосстановления тканей.
- Робототехника - рой роботов, которые без команды сверху сами собираются в нужную конструкцию.
- Материалы будущего — «умные» кирпичики или детали, которые сами подстраиваются под окружение.
- Новые вычислительные системы - компьютеры без центрального процессора, где решения рождаются распределённо.
Учёные показали, что нейронные клеточные автоматы можно рассматривать как модель эволюции: геном не задаёт форму напрямую, а запускает процесс её построения, что делает системы гибкими и адаптивными.
Главное отличие от природы в том, что эволюция не имеет цели, а автоматы обучают под задачу.
Эти модели предлагают новый тип вычислений: каждая клетка взаимодействует только с соседями, что делает архитектуру распределённой и потенциально энергоэффективной.
Уже есть впечатляющие результаты — от распознавания цифр и умножения матриц до решения задач вроде IQ-тестов и управления роями роботов, которые начинают вести себя как единый организм.
В итоге работы Мордвинцева соединяют биологию, компьютеры и робототехнику, возвращая к идее, что жизнь и вычисления — две стороны одного процесса.
🟢 Полная статья: https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/
@ai_machinelearning_big_data
#evolution#machinelearning#neuralnetworks#biology
Иногда появляется ощущение, что жизнь вокруг ИИ происходит в режиме быстрой перемотки. Меньше месяца назад Мета выпустила SAM для сегментации любых объектов на изображении, но такое ощущение, что это было всегда. Только за последние 2 дня я уже прочитал около десятка документов, описывающих прототипы использования SAM для изучения недр.
Например, на первых двух картинках (из этого поста) - берем шлиф(срез породы) -> пропускаем через SAM -> выделяем все зерна пород -> автоматически получаем распределение размера зерен (гранулометрия).
На последней картинке я просто кликнул мышкой и выделил все пыльцевые зерна на изображении полученном с помощью электронного микроскопа. Автоматически выделенные зерна можно классифицировать и использовать палеотнологами для определения геологического возраста породы.
#machinelearning#Geo
Иногда появляется ощущение, что жизнь вокруг ИИ происходит в режиме быстрой перемотки. Меньше месяца назад Мета выпустила SAM для сегментации любых объектов на изображении, но такое ощущение, что это было всегда. Только за последние 2 дня я уже прочитал около десятка документов, описывающих прототипы использования SAM для изучения недр.
Например, на первых двух картинках (из этого поста) - берем шлиф(срез породы) -> пропускаем через SAM -> выделяем все зерна пород -> автоматически получаем распределение размера зерен (гранулометрия).
На последней картинке я просто кликнул мышкой и выделил все пыльцевые зерна на изображении полученном с помощью электронного микроскопа. Автоматически выделенные зерна можно классифицировать и использовать палеотнологами для определения геологического возраста породы.
#machinelearning#Geo
🚨 Google готовится взорвать интернет: нейросеть, которая за секунды превратит ЛЮБОЙ текст в научпоп-тикток!
📝 Как это работает:
— Ваш документ/книга/записки сжимаются до короткого сценария
— Диктор зачитывает текст (с ИИ-озвучкой?)
— На фоне — тематическая анимация/видеоряд (спасибо видеогенератору Veo 3 под капотом)
🔥 Что известно:
1. Скорее всего, это апгрейд их модели Veo 3 (ранее генерировала HD-видео по запросу) — теперь с упором на «упаковку» сложного текста в формат для TikTok-аудитории.
2. Сегодня, 14 мая, ждём демо на Google I/O (старт в 19:00 МСК). Возможно, ответ на OpenAI Sora?
💡 Зачем это нужно:
— Автоматизация создания контента для блогеров/медиа "из коробки"
— Видеолекции из учебников за пару кликов
— В перспективе — личный «тиктокер» для каждого юзера?
P.S. Если Google добавит мемные переходы и шазам-эффекты — TikTok умрёт от зависти. Ждём анонса! 👀
#GoogleIO#AI#Veo3#NeuralNetworks
https://t.me/semasci
🔥Google превращает поиск в подкасты: пробуем Audio Overviews!
Новая фича от Google — Audio Overviews — генерирует мини-подкасты на основе ваших поисковых запросов! Вместо скучных текстовых ответов вы получаете живой диалог двух AI-ведущих, которые обсуждают тему, сводя данные из топовых источников. Вот что известно:
🔹Как работает?
- Ищете что-то сложное (например, «Как работают шумоподавляющие наушники?» или «Почему золото дорогое?»).
- Видите кнопку «Generate Audio Overview» под поисковой строкой.
- Через 5–40 сек AI создает подкаст со ссылками на источники .
🔹Особенности:
- Два голоса: Мужской и женский, с «живой» интонацией и шутками.
- Контроль: Регулировка скорости (0.25x–2x), пауза, громкость.
- Достоверность: Каждый факт подкреплен цитатой из 5–9 сайтов .
🔹Откуда взялось?
Фича дебютировала в NotebookLM (AI-ассистент Google для анализа документов) , а теперь тестируется в поиске через Google Search Labs . Пока доступно только в США на английском, но в NotebookLM уже поддерживает 76 языков — ждем экспансии!
😲Почему это прорыв?
- Экономит время: Слушайте конспект темы за 4 минуты вместо чтения десятка статей.
- Для учебы и работы: Идеально подойдет для изучения сложных тем «на ходу» .
- Дети реально верят, что ведущие — живые люди! (Тест ZDNet с 11-летним ребенком) .
⚠️Осторожно: AI иногда ошибается, а прервать «разговор» пока нельзя .
Англоязычные источники:
1. The Verge: Как Google тестирует AI-подкасты в поиске
2. ZDNet: Инструкция + примеры использования
3. TechCrunch: Поддержка 76 языков в NotebookLM
💬Ваше мнение? Стали бы слушать AI-подкасты вместо чтения?
#GoogleAI#Podcast#ИскусственныйИнтеллект#NeuralNetworks#TechNews
https://t.me/semasci
✅ Через неделю
Тренировка по машинному обучению
📅 3 марта / 11:30 (время МСК) / онлайн
💵 Бесплатно
📝 Регистрация тут: https://goo.gl/yosF5w
Каждые две недели в Яндексе проходят тренировки по машинному обучению. Эти встречи помогают участникам конкурсов в сфере анализа данных пообщаться и обменяться опытом.
Мероприятия состоят из практической части и докладов. Задачи для первой берутся с Kaggle и других схожих площадок.
🔗 Программа: https://goo.gl/YDyaQw
#MachineLearning#МашинноеОбучение#онлайн#online
✅ Завтра
Встреча российского сообщества Women in Big Data. Введение в машинное обучение
📅 28 февраля / 18:00 (время МСК) / Нижний Новгород, ул. Ульянова, 10 б
💵 Бесплатно
📝 Регистрация тут: https://goo.gl/wNgFN2
Профессор, доктор физико-математических наук Николай Юрьевич Золотых проведет лекцию «Введение в машинное обучение».
В программе лекции:
~ Основные типы задач машинного обучения: классификация, регрессия, кластеризация
~ Примеры задач и методы решения
~ Принципы работы с обучающей и тестовой выборкой данных
🔗 VK: https://goo.gl/y2jKB7
#BigData#MachineLearning#МашинноеОбучение#НижнийНовгород
✅ Через неделю
Встреча российского сообщества Women in Big Data. Введение в машинное обучение
📅 28 февраля / 18:00 (время МСК) / Нижний Новгород, ул. Ульянова, 10 б
💵 Бесплатно
📝 Регистрация тут: https://goo.gl/wNgFN2
Профессор, доктор физико-математических наук Николай Юрьевич Золотых проведет лекцию «Введение в машинное обучение».
В программе лекции:
~ Основные типы задач машинного обучения: классификация, регрессия, кластеризация
~ Примеры задач и методы решения
~ Принципы работы с обучающей и тестовой выборкой данных
🔗 VK: https://goo.gl/y2jKB7
#BigData#MachineLearning#МашинноеОбучение#НижнийНовгород
✅ Завтра
✅ AI.Hack Москва
📅 16–18 марта / 19:00–22:00 (время МСК) / Москва, проспект Мира, 121
💵 Бесплатно
📝 Регистрация тут: https://goo.gl/3gkRj6
Приглашаем программистов нейросетей, специалистов по machine learning, deep learning, data scientists, computer vision, предпринимателей с опытом развития технологичных бизнесов и всех заинтересованных принять участие!
Призовой фонд хакатона: 600 000 руб.
#MachineLearning#DeepLearning#DataScientists#Москва
🚁 На фоне коррупционных скандалов Зеленский обзавёлся новым чартером
#Зеленский#Украина#Киев#ИИ#Нейросети#Zelensky#Ukraine#Kyiv#Politics#AI#NeuralNetworks