Ответ на вопрос «кто именно» венчурный рынок дал 12 августа: в один день два стартапа, продающих не написание кода, а его проверку, объявили о раундах. CodeRabbit привлек $143 миллиона при оценке $1,5 миллиарда, а Blacksmith — $45 миллионов при оценке $550 миллионов. Почти $190 миллионов за сутки в категорию, которой три года назад почти не существовало. Логика проста: писать код стало дешево, а читать и проверять его человек не стал ни быстрее, ни дешевле. Узкое место разработки сместилось с производства на контроль.

Это подтверждают цифры. По данным Anthropic, более 80% её кода теперь пишет модель. Опрос Sonar показывает: 61% разработчиков регулярно получают от ИИ код, который выглядит правильным, но которому нельзя доверять, а 38% считают, что ревьюить ИИ-код труднее, чем человеческий (обратного мнения — 27%). Самым важным навыком эпохи ИИ участники опроса назвали умение проверять сгенерированное.

CodeRabbit и Blacksmith занимаются двумя разными видами проверки. CodeRabbit — чтением, то есть код-ревью. Его CEO Харджот Гилл называет продукт не агентным циклом, а конвейером, где львиная доля работы — подготовка контекста. Когда открывается пул-реквест, задача встает в очередь (в пике — 10 ревью в секунду). Репозиторий клонируется в одноразовую изолированную виртуалку, проект собирается, отрабатывают более 20 линтеров и статических анализаторов. Затем дешевые модели собирают 10–15 сигналов — сам дифф, граф связей кода, тикеты из Jira, логи упавших проверок, накопленные предпочтения команды — и сжимают их в бриф: файл на 4000 строк превращается в несколько задетых функций. Только после этого передовая модель расследует изменение: буквально пишет команды для терминала в песочнице, открывает файлы, ищет вызовы измененной функции, гоняет тесты. Финальный этап — отдельная модель-судья, которая проверяет каждую находку и отбрасывает необоснованные. Всего в конвейере семь-восемь моделей, и пользователь не видит, какая из них что делает. Ключевая архитектурная ставка — живой граф связей кода вместо поиска похожих фрагментов: дорогой баг обычно живет в файле, которого в диффе нет, а похожий код не значит зависимый.

Казалось бы, такую функцию проще встроить в самого агента, который код пишет. Лаборатории так и сделали. Anthropic 9 марта запустила Code Review для Claude Code: пять параллельных агентов смотрят на изменение с разных углов, каждая находка получает оценку уверенности, публикуются только те, что выше порога. По данным компании, доля пул-реквестов с замечаниями выросла с 16% до 54% при менее чем 1% ошибок. Но ревью от Anthropic работает на моделях того же семейства, что и модель, писавшая код, — а модели одного семейства делят одни и те же слепые пятна. CodeRabbit гоняет ансамбль моделей разных производителей плюс отдельного судью и упорно повторяет слово «независимый». Плюс прозаические преимущества: четыре Git-платформы против одного GitHub у Anthropic, фиксированная цена за пользователя против $15–25 за одно ревью по токенам и доступность любым командам.

Вместе с раундом CodeRabbit объявил, что становится «слоем управления изменениями» (Agentic Change Management). Новый модуль Triage оценивает входящие пул-реквесты по ценности, риску, срочности и готовности: важное отправляет людям, низкорисковое — в автоматические конвейеры, дубли и сырое — вон из очереди. То есть компания, разбогатевшая на чтении кода, теперь продает ответ на вопрос из заголовка: людям достается только то, что требует суждения, остальное читают машины. Масштаб уже есть: 17 тысяч клиентов, включая Nvidia, BMW и Adyen, больше 2 миллионов ревью в неделю, выручка выросла в пять раз за год.

Blacksmith отвечает за второй вид проверки — не чтение, а прогон. Это CI, continuous integration: конвейер автоматических проверок, где каждое изменение заставляет машину заново собрать программу и прогнать тесты, и только зеленый результат пропускают дальше. Тесты надо на чем-то физически выполнять, стандартный вариант — GitHub Actions от Microsoft, где платят за минуты работы серверов; таких минут в начале 2026 года набегало до 2,1 миллиарда в неделю против 500 миллионов в 2023-м. Blacksmith начинался как замена этим серверам: одна строчка в настройках — и те же тесты бегут на его машинах, вдвое быстрее и вдвое дешевле. Секрет в железе: тесты — это цепочка последовательных шагов, которую не раздать тысяче ядер, поэтому важна скорость одного ядра. А быстрые и дешевые одиночные ядра стоят в игровых процессорах, на которых и гоняет CI Blacksmith.

Число CI-задач растет на 5–10% каждую неделю с начала 2026 года, и Blacksmith связывает это с Claude Code и Codex: агент, который сам чинит и перепроверяет код, гоняет тесты чаще, чем человек. Число клиентов за год выросло с 800 до 6000, деньги раунда пойдут в основном в железо — компания хочет нарастить мощности в десять раз. Есть и агентная надстройка, Codesmith: BB смотрит на упавшую проверку, ставит диагноз и коммитит исправление. Риск для Blacksmith — политика Microsoft: весь бизнес пристроен к чужой экосистеме GitHub, и хозяин площадки в любой момент может поменять правила или обновить свои серверы.

Скептических аргументов хватает. Независимый аудит проекта Lychee по 28 проверенным пул-реквестам разложил комментарии CodeRabbit так: 35% реально полезны, 21% придирки, 15% бесполезны. Бенчмарки категории противоречат друг другу: три замера за полгода назвали три разных лучших инструмента. Защита CodeRabbit — чисто программная: Перроне прямо пишет, что очередь, серверная обвязка и генерация команд в песочнице воспроизводятся за выходные, а не переносится только система оценки моделей, знающая, какая из восьми годится под какую подзадачу, и настроенный судья; лаборатория с большим бюджетом такое заливает деньгами. Оценка в $1,5 миллиарда при рынке ревью-сервисов, который аналитики 360iResearch оценивают в $3 миллиарда, — это ставка не на долю рынка, а на то, что категория станет чем-то большим.

Так кто читает 17 миллионов пул-реквестов? Все реже — люди. Все чаще — ансамбли моделей, судьи и диспетчеры очередей, а человеку оставляют кнопку «влить» и ответственность за то, что произойдет после. Осталось выяснить, переживет ли независимый судья тот день, когда каждая лаборатория встроит своего. Возможно, ценность независимости в проверке — вещь институциональная, как аудитор, который не работает в проверяемой компании. А возможно, удобство встроенного, как обычно, победит чистоту.

Как вы считаете: готовы ли вы доверить проверку кода полностью независимой ИИ-системе, или предпочтете, чтобы она была встроена в того же агента, который этот код написал?

Индустрия уперлась в кризис порогов. Статический алертинг по фиксированным метрикам больше не масштабируется: он производит лавину шума, в которой тонут критические сбои. Цифры 2025 года подтверждают: 73% организаций сталкивались с простоями из-за проигнорированных оповещений, почти 70% SRE называют стресс от дежурств фактором выгорания, а доля ручной рутины в работе инженеров впервые за пять лет выросла с 25% до 30%. Поддерживать тысячи порогов вручную невозможно, поэтому нужен интеллектуальный слой первичной обработки событий.

Под капотом таких систем нет магии AGI — только классическое ML, теория графов и статистика для узкого круга задач. Разберём три базовые задачи Event Intelligence на сквозном примере.

Первый этап — дедупликация и кластеризация. Допустим, на сервере базы данных начал деградировать дисковый массив. В течение трёх минут мониторинг генерирует веер алертов: 50 микросервисов кричат о таймаутах, Nginx отдаёт 504, очереди переполнены. Инженер получает двести уведомлений. Классический Alertmanager просто сгруппирует их по имени, но умный движок анализирует метаданные: таймстампы, ID инстансов, кластеры. Он видит, что все события произошли в одном временном окне и логически связаны, и схлопывает их в один инцидент: «Пакетный сбой: деградация ответов upstream-сервисов». В Kubernetes падение одной ноды порождает каскад: поды переходят в CrashLoopBackOff, реплики становятся недоступными. Умный движок через API строит дерево зависимостей и вместо пятидесяти алертов выдаёт один: «Деградация из-за потери ноды». И сразу предлагает remediation — заменить ноду и перераспределить поды.

Второй этап — корреляция по топологии. Просто сгруппировать алерты мало: нужно понять, как связаны упавший API-шлюз и дисковая полка, ведь они находятся на разных уровнях. Система сопоставляет временные ряды аномалий со встроенной картой инфраструктуры. Направленный граф зависимостей показывает цепочку: дисковая полка ? база данных ? микросервисы ? API-шлюз. Так система подсвечивает наиболее вероятную первопричину сбоя, а не просто собирает набор симптомов.

Третий этап — обнаружение аномалий. Статические пороги не работают в реальном мире. В 15:00 во время распродажи высокая нагрузка — норма, а в 04:00 — признак зависшего процесса. Вместо жёстких цифр ML-модель строит динамический baseline на основе истории: профиль «нормы» для каждого дня недели и часа с учётом сезонности. Алерт срабатывает только когда значение выходит за индивидуальный коридор. Для платёжного шлюза всплески в чёрную пятницу — норма, статический порог будет постоянно ложно орать. Модель Prophet или LSTM, обученная на трёх месяцах, знает: если во вторник в 14:00 RPS внезапно упал с 500 до 10 — это аномалия, даже если абсолютное значение не «критическое». А рост до 5000 во время распродажи игнорируется, потому что укладывается в тренд.

На практике таких задач больше: topology discovery, service dependency mapping, probable root cause analysis — это ядро платформ вроде Dynatrace Davis AI, Splunk ITSI, IBM Cloud Pak for AIOps и BigPanda. Российские команды тоже давно выработали прагматичные подходы.

Яндекс в системе метрик Monium заменил статические пороги на алгоритмы обнаружения аномалий: авторегрессию и MEDIFF. Пилот на 46 ключевых регионах Яндекс Такси, по 4 критические метрики — всего 184 алерта. Модель училась на исторических графиках трафика, учитывала ночные спады и дневные пики. Ручная калибровка понадобилась только для трёх небольших городов, после чего система полгода работала стабильно, и команда SRE стала реагировать на все уведомления.

Флант за десять лет дежурств на Kubernetes выстроил дедупликацию на строгой логике лейблов. Уникальный набор лейблов — идентификатор алерта. Это позволяет объединять однотипные срабатывания в серии и сжимать миллионы событий в день до обозримого числа. Принцип «топология важнее чистого ML» — общий для индустрии: и Datadog, и BigPanda строят корреляцию поверх карты зависимостей, потому что ML на голых временных рядах без контекста даёт шум. Практическое правило: если падает физическая нода, автоматика должна сразу подавить дочерние алерты от её подов, чтобы дежурный видел первопричину — отказ железа, а не сотню следствий.

Теперь о главном заблуждении: «просто прикрутим GPT к Alertmanager». Это не работает. Классический Event Intelligence и большие языковые модели — принципиально разные инструменты. Они работают на разных математических моделях и обрабатывают разные данные. Искать аномалии во временных рядах с помощью LLM так же неэффективно, как парсить терабайты логов регулярками на bash в реальном времени.

Разделение обязанностей выглядит так. Классический ML отвечает за метрики, временные ряды, структурированные события и графы зависимостей. Он эффективно обрабатывает числа, воспроизводим, но результат зависит от качества данных и трудно интерпретируем. LLM работают с текстовыми логами, сообщениями из чатов, документацией, ранбуками, описаниями инцидентов. Их сила — саммаризация, поиск по документации, объяснение контекста естественным языком, генерация запросов и черновиков. Но LLM может создавать неподтверждённые выводы, а стоимость и задержка зависят от объёма контекста, поэтому результат нужно проверять.

Если классический ML отвечает за математику — найти аномалию, схлопнуть дубли, связать события, — то LLM берёт на себя роль интеллектуального интерфейса между системой и дежурным инженером. Вот пять реальных сценариев пользы.

Первый: быстрая саммаризация контекста и логов. Когда инцидент сложный, в дежурном чате сотни сообщений от разных команд, в Kibana тысячи строк трейсбеков. Вместо чтения хаоса инженер просит LLM сделать выжимку: «Сервис упал с такой-то ошибкой на строке 42 при попытке распарсить поле в JSON. Команда бэкенда уже проверяет недавний релиз». Это экономит минуты, которые критичны для восстановления.

Второй: мгновенный подбор Runbook. Когда горит прод, нет времени блуждать по Confluence. Инженер описывает симптомы, LLM по базе знаний находит подходящую инструкцию и выдаёт краткий план действий. Главное — чтобы база была актуальной, иначе модель предложит устаревший или опасный шаг.

Третий: генерация гипотез и первичный RCA. LLM собирает факты из логов, метрик и сообщений и формулирует вероятные причины: «Судя по росту задержек на дисковом массиве и таймаутам в Nginx, наиболее вероятна деградация хранилища». Это не финальный вердикт, но неплохая отправная точка для инженера.

Четвёртый: черновик постмортема. После инцидента нужно оформить отчёт. LLM по журналу событий, чату и трекеру генерирует структуру: таймлайн, воздействие, причины, действия. Инженеру остаётся проверить и дополнить — рутина сокращается в разы.

Пятый: нормализация алертов. LLM может переписать сырые сообщения мониторинга в человекочитаемый вид: вместо кучи технических идентификаторов и стектрейсов — понятное описание, что упало и на кого влияет. Это снижает когнитивную нагрузку при разборе.

Теперь о главном риске — эффекте «няньки при ИИ». Когда инженеры тратят больше времени на перепроверку работы моделей, чем на саму эксплуатацию. Если модель генерирует постмортем с ошибками или предлагает неверный runbook, а инженер вынужден перепроверять каждый вывод — автоматизация становится хуже ручной работы. Поэтому внедрять нужно точечно и с чёткими границами ответственности: ML дедуплицирует и коррелирует, LLM только подсвечивает и черновичит, окончательное решение всегда за человеком.

С чего начать «малой кровью» и без покупки дорогих enterprise-платформ? Прагматичный план в конце статьи даёт конкретные шаги. Не нужно пытаться объять необъятное. Возьмите одну проблемную зону — например, дедупликацию алертов в Alertmanager или Prometheus. Напишите простой скрипт или правило, которое группирует события по лейблам и временному окну. Затем добавьте корреляцию по топологии: экспортируйте зависимости из Kubernetes или системного каталога и используйте их для подавления дочерних алертов. Далее — динамический baseline: начните с одной критичной метрики, обучите простую модель (например, Prophet) на трёх месяцах истории и сравните, сколько ложных срабатываний исчезнет. Только потом подключайте LLM — для саммаризации чатов и генерации постмортемов на накопленных данных. И всегда помните: система должна экономить время дежурного, а не создавать ему новую работу по проверке модели.

Из архива полностью восстановилась картина операции, которая проходила с 1 по 4 июля 2026 года. По целям прошли 12 последовательных волн, в каждой из которых одновременно работали до восьми суб-агентов. У каждого была собственная цель и собственная техника проникновения. Человек в этой схеме действительно был, но его роль сводилась к запуску системы и указанию направления. Всё остальное — разведка, выбор способов взлома, адаптация к неудачам и принятие решений — агенты делали самостоятельно. Именно поэтому Dream назвала этот случай первым известным примером атаки на государственную инфраструктуру, которую от начала и до конца вёл почти без участия человека.

Началось всё с одного правительственного портала. Агенты скачали и разобрали его скрипты, извлекли оттуда зашитые адреса, API-эндпоинты и конфигурацию системы единого входа. Это позволило составить карту из 21 связанной государственной системы и всей национальной архитектуры аутентификации. Затем началась работа по списку. Среди целей оказались забытые в продакшене отладочные эндпоинты, которые пускали внутрь вообще без пароля. Итог четырёх дней — 85 скомпрометированных учётных записей сотрудников, более 2500 выгруженных записей о персонале и закрепление в системах через бэкдоры на государственных веб-приложениях.

Но на первичных целях фреймворк не остановился. Он развернулся на поставщиков государственного ИТ, правительственную почтовую систему, не менее семи энергетических компаний и агентство по ядерной безопасности — и сканировал их параллельно. Так работает слаженная команда, у которой много рук.

Самое пугающее в этой истории — инструментарий. В нём практически нет собственного наступательного вооружения: ни своего эксплойт-кода, ни закрытых разработок. Каркас — два открытых ИИ-ассистента: Hermes и OpenClaw. Оба свободно скачиваются, не требуют ни корпоративного аккаунта, ни доступа к закрытой модели. Возникает вопрос: как заставить модель делать то, от чего она обязана отказываться? Ответа в духе хитрого джейлбрейка в архиве нет. Операцию просто оформили как авторизованное тестирование на проникновение — легитимную работу, которую специалисты по безопасности выполняют каждый день по договору с заказчиком. Защита, обученная различать намерения по формулировке задачи, приняла эту формулировку за чистую монету. Какая именно модель крутилась под капотом, исследователи установить не смогли, но, скорее всего, это открытые модели, защитные алгоритмы которых обычно не так строги.

Теперь главное для тех, кто защищает такие системы: почему эту атаку было так трудно заметить. Соблазнительно решить, что дело в скорости и объёме — машина стучится в тысячи адресов, живой человек столько не осилит. Но автоматические сканеры перебирают эндпоинты на машинной скорости уже лет двадцать, и в логах это давно привычный шум. Разница вылезает шагом позже. Взломав 85 учётных записей на портале офисной автоматизации, связка агентов прогнала их через все остальные системы, объединённые единым входом, — и 84 из 85 прошли внутрь без повторной аутентификации, без второго фактора и без подтверждения пользователя. Классические средства защиты ищут подозрительный запрос, а искать нужно подозрительную траекторию.

Ещё одно наблюдение из архива ломает привычную картинку, в которой ИИ бьёт вслепую. Каждую находку система оценивала в вероятностях и пересчитывала оценку по мере накопления доказательств: ключевую цепочку атаки она оценила в 99% и получила на практике 98,8%. Работал и обратный механизм. Однажды агент отрапортовал о найденной SQL-инъекции: подозрительный запрос отвечал 21 секунду, что выглядело как сработавшая задержка. Правила фреймворка требовали подтвердить находку вручную, агент перепроверил — и выяснил, что задержку давал таймаут почтового сервера, пытавшегося отправить письмо с кодом подтверждения. Находку отбраковали. Всего в итоговой сводке семь таких ложных срабатываний, которые связка агентов поймала сама, а каждая подтверждённая уязвимость обязана была пережить шесть независимых перепроверок разными агентами.

Что ещё важно. Ни одного zero day в отчёте нет. Встроенный в фреймворк ИИ-анализ действительно искал неизвестные уязвимости, но отработал по двум публичным демонстрационным проектам, и, как честно пишут сами исследователи, ни одна его находка не попала в итоговый список подтверждённых дыр. Всё, что сработало, — незакрытые двери: эндпоинты без аутентификации, выставленная наружу база пользователей, токены с отключённой проверкой подписи. Такое находят обычным сканированием снаружи, без всякого ИИ. Атрибуция тоже мягкая: Dream не назвала группировку, а лингвистический анализ указывает лишь на китаеязычного оператора: внутренние отчёты написаны упрощёнными иероглифами, а разборы по целям традиционными. Вывод про материковый Китай пресса достроила уже сама. И ещё одно стоит держать в уме: отчёт выпустила компания, которая продаёт защиту ровно от того, о чём рассказывает.

Что это значит для всех нас? Атака, о которой раньше говорили как о гипотетической, уже произошла. Автономный ИИ без специальных инструментов, на открытых моделях, прошёл через государственные системы, используя не сложнейшие эксплойты, а обычную безалаберность: забытые отладочные порты, отключённую проверку подписей, отсутствие второго фактора. Модель не генерировала ничего невозможного — она просто методично перебирала варианты, проверяла каждую находку и двигалась дальше. Человек не успевает за такой скоростью и не может одновременно удерживать в голове сотни параллельных целей. А защита, настроенная на поиск одиночных аномалий, осталась слепой к целой траектории.

Теперь вопрос не в том, способен ли ИИ на такие операции. Способен. Вопрос в том, сколько ещё таких архивов лежит на серверах по всему миру, и кто запустит следующую волну. Готова ли ваша инфраструктура к атаке, которая не спит, не ошибается по-человечески и не оставляет следов в привычных логах? И что вы сделаете уже сегодня, чтобы закрыть те самые незакрытые двери, прежде чем за них возьмётся кто-то умный и безжалостный?

Вчера Центру диагностики и телемедицины исполнилось 30 лет. Мэр Москвы Сергей Собянин поздравил его сотрудников и ветеранов и отметил, что за эти годы он стал одним из символов технологического развития московского здравоохранения.

Специалисты Центра формулируют медицинские и функциональные требования к алгоритмам, участвуют в их тестировании, оценивают точность работы и готовят инструкции для врачей-рентгенологов. В «МосМедИИ» включают сервисы, которые прошли полный цикл проверки в рамках московского эксперимента по внедрению компьютерного зрения в лучевую диагностику.

Сегодня к проекту подключены свыше двух тысяч медицинских организаций из 75 субъектов России. Региональным врачам доступны 18 ИИ-сервисов для анализа маммографии, флюорографии, рентгенографии органов грудной клетки, компьютерной томографии головного мозга и органов грудной клетки. Более 1,5 млн исследований обработано в Краснодарском крае, который лидирует среди регионов по объему использования платформы.

Алгоритмы отмечают области возможных патологий, выполняют измерения и предоставляют врачу дополнительную информацию. В московской системе здравоохранения ИИ способен выявлять признаки 14 патологий на одном медицинском изображении. С апреля 2026 года алгоритмы также помогают находить признаки сколиоза на рентгенограммах позвоночника.

Благодаря «МосМедИИ» наработки Центра диагностики и телемедицины применяются в медицинских учреждениях по всей стране. Регионы получают доступ к проверенным инструментам и регулярному контролю качества ИИ-сервисов.

Переход на Diffusion Transformers (DiT): В генерации видео произошел фундаментальный переход от классических сверточных архитектур (U-Net) к диффузионным трансформерам (LTX: Diffusion Transformers Explained). Видеоряд разбивается на пространственно-временные патчи (spatiotemporal tokens), что позволяет эффективно моделировать длинные контекстные зависимости и подчиняться законам масштабирования (scaling laws), аналогично большим языковым моделям (arXiv: Evolution of Video Generative Foundations).

Пространственно-временная компрессия (3D VAE): Обработка несжатых видеокадров требует колоссального объема памяти. Современные пайплайны используют 3D вариационные автоэнкодеры (VAE), сжимающие данные как по пространственным осям, так и во времени перед передачей в латентное пространство диффузии.

Нативная мультимодальность и синхронизация звука: Ведущие решения перешли от генерации «немого» видео к параллельному синтезу аудиодорожки — пространственных звуковых эффектов (SFX), фонового окружения и синхронизированной речи с артикуляцией губ (lip-sync) на нескольких языках (Pinggy: Best Video Generation AI Models).

Проблема физической согласованности (World Models): Главным вызовом остается сохранение постоянства объектов при сложных взаимодействиях (столкновения, деформация жидкостей, окклюзия). Исследования смещаются в сторону построения моделей мира, моделирующих 3D-геометрию сцены, а не только двумерные проекции пикселей.

2. Ландшафт ключевых моделей и платформ

Проприетарные облачные экосистемы:

Google Veo: Лидирует в синхронной генерации речи высокой четкости (до 48 кГц) и детализированной кинематографической картинке (Teamday: Best AI Video Models).

Kuaishou Kling: Обеспечивает качественную динамику сложных физических движений и генерацию фрагментов длительностью до 15 секунд при разрешении до 4K (Pinggy: Best Video Generation AI Models).

Runway: Выделяется развитым инструментарием точечного управления (кисти движения Motion Brush, траектории камеры, слоевой контроль).

ByteDance Seedance & MiniMax Hailuo: Демонстрируют высокие результаты по точности следования текстовым промптам и качеству движения людей при высокой скорости инференса (Presenc AI: AI Video Generation Models Compared).

Сегмент открытых весов (Open Weights):

Модели вроде Wan, LTX-Video и HunyuanVideo развиваются под открытыми лицензиями (включая Apache 2.0), давая возможность локального развертывания на собственных GPU и тонкой донастройки (fine-tuning) под задачи студий (Pinggy: Best Video Generation AI Models).

3. Творческий и производственный пайплайн (VFX / Продакшн)

Контроль консистентности (Character & Scene Consistency): Переход от базового режима Text-to-Video к Image-to-Video и генерации на основе нескольких референсных изображений (multi-image conditioning, 9-grid inputs) позволяет удерживать неизменную внешность персонажей и стилистику на протяжении разных планов монтажа (Pinggy: Best Video Generation AI Models).

Управление камерой и ключевыми кадрами (First/Last Frame Control): Возможность задавать начальный и конечный кадры сцены делает ИИ-генерацию пригодной для бесшовного монтажа и создания анимационных переходов.

4. Экономика и инфраструктура

Тарификация и доступность: Рынок разделился на потребительские подписки ($15–$60/месяц) для авторов контента и API-интерфейсы с посекундной оплатой вычислений для интеграции в коммерческие платформы (Presenc AI: AI Video Generation Models Compared).

Оптимизация инференса: Развитие дистилляции шагов (step distillation) и квантования снижает требования к вычислительным ресурсам, приближая генерацию к субсекундным задержкам и сценариям реального времени.

5. Правовой и этический контекст

Обучающие данные и копирайт: Продолжается стандартизация лицензирования обучающих датасетов, развитие корпоративных гарантий от правовых претензий и внедрение водяных знаков со спецификациями C2PA для проверки происхождения синтетического контента.

Киберфизические системы и Интернет вещей: язык машин

Ключевым элементом в этой системе являются киберфизические системы (Cyber-Physical Systems – CPS). Это не просто станки, а интегрированные комплексы, где механические компоненты тесно связаны с вычислительными мощностями и коммуникационными сетями. Каждый такой станок оснащен:

• Датчиками: Собирают данные о температуре, давлении, износе, качестве обработки детали.

• Микроконтроллерами: Обрабатывают полученные данные и выполняют управляющие команды.

• Сетевыми интерфейсами: Позволяют обмениваться информацией с другими машинами, центральной системой управления и даже с самой продукцией.

Все это объединяется в единую сеть, известную как Промышленный интернет вещей (Industrial Internet of Things – IIoT). Благодаря IIoT, станки перестают быть изолированными единицами.

Стандарты связи: единый «язык» для всех

Чтобы сотни тысяч машин от разных производителей могли эффективно взаимодействовать, Германии потребовались единые стандарты и протоколы связи. Это было одним из первых и важнейших этапов реализации «Индустрии 4.0».

• OPC UA (Open Platform Communications Unified Architecture): Один из наиболее распространенных стандартов. OPC UA позволяет разнородным устройствам и системам обмениваться данными надежным и безопасным способом. Это открытый, платформенно-независимый стандарт, который стал своеобразным «универсальным переводчиком» для машин.

• MQTT (Message Queuing Telemetry Transport): Легковесный протокол обмена сообщениями, часто используемый для сбора данных с датчиков и их передачи в центральные системы или облачные платформы.

"Без единого, открытого стандарта обмена данными Индустрия 4.0 осталась бы лишь красивой теорией. Нашей задачей было создать 'общий язык', на котором могут 'говорить' станки Siemens, Bosch, KUKA и тысячи других производителей."

— Из заявлений рабочей группы «Индустрия 4.0».

Как это работает на практике?

Приведем простой пример:

1. Деталь с чипом: Каждая обрабатываемая деталь может быть оснащена RFID-меткой или QR-кодом, содержащим информацию о её "паспорте" и следующих этапах обработки.

2. Общение с конвейером: Когда деталь попадает на конвейер, она "сообщает" ближайшему станку, какая именно операция ей нужна.

3. Автоматическая настройка: Станок автоматически загружает нужную программу, настраивает свои параметры и выполняет работу.

4. Координация: Если один станок занят или вышел из строя, он может "сообщить" об этом другим станкам, и система автоматически перераспределит задачи на свободное оборудование.

5. Контроль качества: Каждый станок передаёт данные о качестве выполненной работы.

Если обнаружен дефект, система сразу же сигнализирует об этом и может даже остановить конвейер.

Аналитический вывод для национальной безопасности

Способность машин «общаться» друг с другом и принимать автономные решения — это фундамент не только экономической эффективности, но и технологического суверенитета. Для России опыт Германии демонстрирует, что для развития собственной промышленности критически важно не только иметь станки, но и разрабатывать и внедрять собственные открытые стандарты и протоколы связи для производственного оборудования. Это позволит создать полностью независимые, гибкие и отказоустойчивые производственные экосистемы, снижая зависимость от импортных проприетарных решений.

Источники:

• «Acatech POSITION PAPER: Recommendations for implementing the strategic initiative INDUSTRIE 4.0» (2013 г.).

• Стандарты OPC Unified Architecture (OPC UA) и MQTT.

• Материалы Федерального министерства экономики и энергетики Германии (BMWi).

Директор Фонда содействия просвещению и образованию «Русский наследник», эксперт по национальной безопасности

Аверьянова Анастасия Алексеевна

Нервная система любой собаки (как и любого млекопитающего) состоит из двух частей:

- Центральная нервная система - головной и спинной мозг.

- Периферическая нервная система - нервы, нервные узлы и рецепторы по всему телу.

В коре головного мозга собаки (внешнем слое, отвечающем за сложное поведение) насчитывается около 532 миллионов нейронов (клеток, передающих сигналы). Это позволяет собаке обучаться, формировать привязанность и понимать социальные сигналы.

У всех домашних собак эта «схема» одинакова. Но настройка этой схемы у служебной и обычной собаки различается.

Чем же служебная собака отличается от домашней? ?

Служебные породы (немецкая овчарка, малинуа, бордер-колли, лабрадор) отбирались по поведенческим качествам. Эти качества имеют прямую физиологическую основу.

1. Лобные отделы коры и контроль импульсов

Лобные отделы мозга отвечают за самоконтроль, планирование и торможение нежелательных реакций. Исследования показывают, что у рабочих линий, лучше развиты связи, использующие дофамин - вещество, влияющее на мотивацию и способность сдерживать порывы. Поэтому служебная собака может замереть в стойке (к примеру) и не реагировать на раздражитель до команды.

Простыми словами: у служебных собак лучше работает «внутренний тормоз».

2. Миндалевидное тело и реакция на страх

Миндалевидное тело - это область мозга, которая запускает реакцию страха и тревоги. У служебных собак порог её активации выше: они спокойнее реагируют на неожиданные звуки, крики, толпу. Исследования на более чем 15 000 собак показали, что рабочие линии в среднем менее пугливы и агрессивны, чем собаки, выведенные как компаньоны.

3. Система реагирования на стресс

Когда собака сталкивается со стрессом, в кровь выбрасывается гормон кортизол. У служебных собак эта система откалибрована иначе:

- выброс кортизола на стандартный стресс-тест ниже;

- уровень гормона быстрее возвращается к норме.

Это значит, что отдел нервной системы, отвечающий за расслабление и восстановление (парасимпатический), у них включается оперативнее. Поэтому служебные собаки быстрее «остывают» после напряжённой ситуации.

4. Обонятельная система

У пород, выведенных для поиска и обнаружения запахов (детекторные, охотничьи), обонятельные луковицы и связанные с ними области мозга занимают больший объём относительно общего размера мозга. Исследования показали, что размер обонятельных структур коррелирует с функцией породы.

5. Скорость передачи нервных сигналов

Рабочие линии отбираются на быстрые и точные движения. Предполагается, что у них раньше завершается формирование миелиновой оболочки - изолирующего слоя вокруг нервных волокон, который ускоряет проведение сигналов. Это важно для защитной, спортивной и пастушьей службы. Однако строгих доказательств именно врождённого преимущества пока недостаточно - многое зависит от тренировки. (Будем наблюдать за наблюдениями в этой области).

«Обычная» домашняя собака: "другое".?

У собаки, не прошедшей жёсткий функциональный отбор, профиль нервной системы выглядит иначе:

- Реакция миндалевидного тела более многогранна - эмоциональный отклик может быть непредсказуемым: от чрезмерной пугливости до повышенной возбудимости.

- Стрессовая система может быть гиперреактивной: уровень кортизола резко растёт и долго не снижается после стресса.

- Контроль импульсов слабее, что часто выражается в импульсивном лае, натягивании поводка, трудностях с ожиданием.

- Обонятельная и моторная системы не нагружаются целенаправленно, поэтому их потенциал реализуется лишь частично.

Важно: это не патология. Это просто иной профиль, сформированный отсутствием жёсткого отбора на рабочие качества и приспособленный для жизни в качестве компаньона.

Итак:

- Порог стресс-реакции: у домашних собак он, как правило, ниже - они реагируют на меньшее количество раздражителей. У служебных собак порог выше: они спокойнее относятся к отвлекающим факторам и раздражителям.

- Восстановление после стресса: домашние любимцы возвращаются в норму медленнее. У рабочих линий этот процесс происходит быстрее.

- Импульс-контроль: у собак без рабочего отбора он многогранен и часто требует внешней коррекции. У служебных животных тормозные процессы выражены сильнее.

- Обонятельная нагрузка: для обычной собаки это скорее фоновая активность. Для детекторных и поисковых пород - максимальная когнитивная загрузка, необходимая для успешной работы.

- Потребность в задачах: умеренная у диванных компаньонов и критически высокая у рабочих атлетов.

Служебная собака не «крепче» по определению - у неё просто иначе распределена нейрохимия. Без регулярной нагрузки и сложных задач её нервная система может деградировать и выгорать не меньше, чем у скучающей домашней собаки.

Если у вашей собаки нет «служебных генов» - это не приговор. Но не стоит в очередной раз говорить, что дворовая собака, может точно так же работать как служебная, мотивируя это различными "придумками".

Ключевая особенность данного сценария заключается в радикальном расхождении реальности для двух разных участников. То, как будут развиваться события, всецело зависит от выбранной точки обзора. С позиции стороннего наблюдателя, оставшегося на безопасной дистанции, финал этого путешествия не наступит никогда. Виной тому колоссальное гравитационное замедление времени, которое экспоненциально нарастает по мере приближения материи к невидимой границе. Для тех, кто смотрит со стороны, падающий объект никогда не пересечет роковую черту. Вместо этого его движение будет казаться бесконечно замедляющимся, пока силуэт полностью не застынет у самого края бездны. Эта статичная картинка начнет медленно терять яркость, превращаясь в блеклую тень, которая в конце концов просто растворится. Подобная иллюзия остановки времени порождает одну из самых сложных физических гипотез о сохранении данных во Вселенной. Многие исследователи полагают, что базовые квантовые сведения о поглощенном объекте не уничтожаются бесследно, а навсегда сохраняются на внешней границе области притяжения.

Для самого падающего наблюдателя оптическая картина происходящего изменится до неузнаваемости. На старте окружающий космос сохранит свой привычный вид, но очень быстро знакомая геометрия начнет искажаться под воздействием сверхмассивного объекта. Прямо по вектору движения сформируется область абсолютной пустоты, напоминающая провал в самой ткани мироздания. Дальнейшее погружение полностью перепишет базовые правила оптики. Видимые звезды позади приобретут неестественное ускорение, а мощнейшее поле притяжения запустит процесс гравитационного красного смещения. Световые волны начнут катастрофически растягиваться в длину. Из-за этого эффекта зрение сначала перестанет фиксировать короткие волны синего спектра. Затем красные тона также уйдут из видимости, перейдя в недоступный для глаз инфракрасный диапазон. В финале этой физической трансформации всякий свет иссякнет. Само пространство вокруг сожмется и деформируется таким образом, что любые мыслимые направления движения будут вести исключительно вглубь объекта, навсегда отсекая путь к спасению и оставляя вокруг лишь сплошную темноту с редкими бликами искаженного излучения.

Повсеместное использование искусственного освещения в ночные часы стало одним из основных факторов сокращения численности насекомых по всему миру. Ежегодно площадь освещенных территорий и интенсивность светового загрязнения планеты увеличиваются примерно на 6%. В ночной период искусственный свет нарушает естественные механизмы навигации, размножения и питания у многих видов.

При этом полностью отключить фонари на объектах транспортной инфраструктуры невозможно. Действующие стандарты безопасности требуют постоянного освещения железнодорожных станций, автомобильных дорог и пешеходных зон.

Группа исследователей из Института изучения изменений биоразнообразия имени Лейбница совместно с немецким железнодорожным концерном Deutsche Bahn провела двухлетний эксперимент на действующих железнодорожных платформах. Целью работы было выяснить, можно ли изменить характеристики ламп таким образом, чтобы они продолжали освещать станцию для людей, но перестали привлекать ночных насекомых. Результаты исследования, опубликованные в научном журнале Biological Conservation, показали, что замена стандартных белых светодиодов на специальные янтарные лампы с узким спектром излучения снижает привлечение насекомых почти на 80%.

Содержание

• Восприятие света и физиология ночных насекомых
• Организация полевого эксперимента в Бранденбурге
• Результаты измерений и анализ факторов привлечения
• Практические и эксплуатационные характеристики для транспорта
• Перспективы применения в городской и транспортной среде

Восприятие света и физиология ночных насекомых

Чтобы понять причины негативного влияния уличных фонарей на фауну, необходимо рассмотреть особенности устройства зрения насекомых. В процессе эволюции органы зрения большинства ночных летающих видов сформировались таким образом, что они максимально чувствительны к коротковолновому излучению. К этому диапазону относятся ультрафиолетовые, синие и зеленые световые волны, которые в естественной природе преобладают в ночное время от Луны и звезд.

Когда насекомое видит искусственный источник света, в его нервной системе срабатывает реакция под названием положительный фототаксис, то есть врожденное движение по направлению к свету. Насекомое пытается использовать фонарь как ориентир для поддержания направления полета, но из-за близости лампы постоянный угол полета сбивается, и животное начинает непрерывно кружить вокруг источника света. Это приводит к нескольким последовательным проблемам. Насекомые быстро расходуют всю энергию и погибают от истощения. Скопление особей возле фонарей привлекает хищников — пауков, летучих мышей и птиц. Кроме того, вместо поиска партнеров и откладывания яиц насекомые удерживаются возле ламп, а ночные бабочки и жуки перестают выполнять свою роль в опылении растений.

В последние два десятилетия на улицах и транспортных объектах произошел массовый переход на белые светодиоды с цветовой температурой 4000 Кельвинов. Цветовая температура указывает на оттенок свечения: чем выше показатель в Кельвинах, тем более холодным и синим кажется свет человеку. Белые светодиоды с температурой 4000 Кельвинов производят свет за счет сочетания синего светодиода и желтого люминофорного покрытия. В результате такая лампа дает мощный всплеск излучения на длине волны 440 нанометров, что попадает точно в зону максимальной зрительной чувствительности глаз большинства видов насекомых.

Альтернативой выступают янтарные светодиоды с низкой цветовой температурой в 1800 Кельвинов. Их свечение имеет теплый желто-оранжевый оттенок, а конструкция предусматривает полное отсутствие синей компоненты спектра. Основной пик излучения таких ламп смещен в длинноволновую область около 600 нанометров. Для органов зрения большинства насекомых такое излучение находится вне зоны высокой чувствительности, поэтому лампа становится для них практически незаметной.

Организация полевого эксперимента в Бранденбурге

Эксперимент проходил на территории природного парка Вестхафелланд в немецкой земле Бранденбург. Этот регион имеет официальный статус Заповедника темного неба, так как здесь сохраняется минимальный уровень антропогенного светового загрязнения. Для проведения исследований ученые выбрали шесть действующих железнодорожных станций.

На платформах в одинаковых условиях эксплуатировались три типа светильников. Первую группу составили традиционные натриевые лампы высокого давления с цветовой температурой 2000 Кельвинов и характерным оранжевым свечением, которые исторически использовались на железных дорогах. Во вторую группу вошли стандартные белые светодиоды с температурой 4000 Кельвинов, составляющие основу современного освещения немецких железных дорог. Третью группу сформировали экспериментальные янтарные светодиоды с температурой 1800 Кельвинов, созданные по специальному заказу с усеченным синим спектром. Отдельно от освещенных платформ были установлены неосвещенные опорные столбы, которые служили контрольными точками для оценки естественной активности насекомых.

Под каждым типом ламп на высоте 5,5 метра инженеры закрепили автоматические оконные ловушки. Для исключения попадания дневных видов насекомых ловушки оснастили защитными шторками с электроприводом под управлением микроконтроллеров Arduino. Автоматика открывала ловушки строго через 30 минут после заката и закрывала их за 10 минут до рассвета, дополнительно сверяясь с показаниями датчиков дождя.

Для обработки результатов исследователи применили комплекс современных цифровых и генетических методов. Все собранные образцы фотографировались в стандартных условиях, после чего программа компьютерного зрения на базе нейросети YOLOv11x автоматически подсчитывала количество насекомых и определяла их общую биомассу. Видовой состав определялся методом метабаркодирования ДНК. Из собранных биологических проб выделяли генетический материал и секвенировали специфический ген-маркер CO1 на платформе Illumina MiSeq. Это позволило с высокой точностью идентифицировать виды без использования ручной сортировки. Всего за два года проведения эксперимента ученые собрали и обработали 71 010 особей насекомых, принадлежащих к 1555 видам из 24 биологических отрядов.

Результаты измерений и анализ факторов привлечения

Данные двухлетнего мониторинга подтвердили, что изменение спектра света существенно снижает степень привлечения насекомых. В первый год эксперимента янтарные светодиоды привлекли на 44,9% меньше насекомых по сравнению со стандартными белыми светодиодами и на 38,8% меньше по сравнению с натриевыми лампами. Во второй год разница по массе собранных насекомых оказалась еще более выраженной: масса насекомых, прилетевших на янтарные светодиоды, оказалась на 77,4% ниже, чем у белых светодиодов, и на 76,5% ниже, чем у натриевых ламп. Видовое разнообразие насекомых под янтарным светом также сократилось на 21,5-23,2%.

Особое внимание авторы исследования уделили редким и охраняемым видам. Из 1555 обнаруженных видов 48 внесены в Красную книгу Германии как находящиеся под угрозой исчезновения, а 38 видов подпадают под специальную государственную охрану. Доля проб, содержащих хотя бы один защищаемый вид, под натриевыми лампами составила 73%, под белыми светодиодами — 71,3%, а под янтарными светодиодами опустилась до 61,3%. В неосвещенных контрольных точках этот показатель составил 57,8%. Таким образом, янтарный свет снизил привлечение уязвимых видов практически до уровня естественной темноты.

В ходе работы был зафиксирован важный технический результат, касающийся натриевых ламп высокого давления. Несмотря на низкую цветовую температуру в 2000 Кельвинов и желто-оранжевое свечение, эти лампы привлекали насекомых с такой же высокой интенсивностью, как и холодные белые светодиоды с температурой 4000 Кельвинов. Анализ физических параметров показал, что реакция насекомых определяется не только цветовой температурой, но и другими факторами. Натриевые лампы излучают свет в широком диапазоне волн с присутствием пиков в чувствительных для насекомых зонах. Кроме того, корпус натриевой лампы сильно нагревается в процессе работы, и это тепловое излучение дополнительно привлекает кровососущих насекомых, ориентирующихся на тепло. Также старые натриевые светильники рассеивают свет во все стороны, тогда как светодиоды позволяют направить весь световой поток строго на платформу.

Практические и эксплуатационные характеристики для транспорта

При внедрении новых источников света на объектах транспортной инфраструктуры учитываются не только экологические, но и эксплуатационные показатели. Янтарные светодиоды имеют некоторые технические особенности по сравнению с белыми светодиодами. Их световая отдача немного ниже, поэтому для достижения аналогичного уровня освещенности янтарная лампа потребляет чуть больше электроэнергии. Кроме того, янтарный свет имеет более низкий индекс цветопередачи, из-за чего человеческий глаз менее точно воспринимает естественные цвета предметов, и все поверхности получают желтоватый оттенок.

Однако европейский стандарт освещения транспортных объектов EN 12464-2 не предъявляет высоких требований к точности передаваемых цветов на платформах. Главной задачей освещения является обеспечение видимости края перрона, ступеней, информационных табло и отсутствие неосвещенных зон. Янтарные светодиоды полностью выполняют эти нормативные требования. При этом они сохраняют все преимущества светодиодной технологии, включая возможность снижения мощности в периоды отсутствия пассажиров и мгновенное включение по сигналам датчиков движения.

По результатам проведенного исследования немецкий железнодорожный оператор Deutsche Bahn InfraGO AG принял решение не демонтировать экспериментальные светильники. Все шесть железнодорожных станций, участвовавших в эксперименте, были окончательно переведены на постоянное использование янтарных светодиодов с температурой 1800 Кельвинов.

Перспективы применения в городской и транспортной среде

Опыт, полученный на железных дорогах Бранденбурга, показывает путь к решению проблемы светового загрязнения без снижения безопасности человека. Долгое время уличные и промышленные светильники проектировались исключительно с учетом экономии электроэнергии и удобства человеческого зрения, что привело к массовому распространению белых светодиодов с высоким содержанием синего света.

Эксперимент доказал, что корректировка спектра излучения позволяет разделить требования человека и биологические потребности насекомых. Человеческий глаз использует желтую и зеленую части спектра для формирования четкого изображения и нормально ориентируется при янтарном свете. В то же время зрительные рецепторы насекомых не фиксируют узкий янтарный спектр на длине волны 600 нанометров как ориентир, в результате чего они не сбиваются с естественного маршрута полета.

Данный подход может быть успешно применен не только на железных дорогах, но и на других типах объектов. К ним относятся автомобильные магистрали, проходящие через лесные массивы и заповедные территории, городские парки, скверы, территории промышленных предприятий и жилые районы в ночное время. Оптимизация спектра уличных светильников представляет собой доступный инженерный метод, который позволяет защитить популяции ночных насекомых и сохранить устойчивость экосистем без изменения нормативных параметров освещенности.

Источник: Biological Conservation

О Канторе вообще тактично промолчим.

Как прошло ваше первое знакомство с парадоксом Рассела? Удалось ли вам схватить его обоснование на лету или же он оставил у вас долгое вопросительное послевкусие?

СДВНС – расстройство, проявляющееся признаками поражения одного либо нескольких органов при отсутствии органической основы для появления таких симптомов по данным объективных исследований. Патологические проявления возникают со стороны органов, деятельность которых полностью либо в значительной степени регулируется вегетативной нервной системой. Могут имитировать соматическую патологию, однако чаще отличаются от нее расплывчатостью, изменчивостью и обилием жалоб при незначительных внешних проявлениях.

Соматоформная дисфункция вегетативной нервной системы – часто встречающееся заболевание. В МКБ-10 включено в группу невротических расстройств. Нарушения обычно возникают или усугубляются под влиянием острых стрессов и хронических психотравмирующих ситуаций, могут быть стойкими, постоянными или проявляться в виде пароксизмов. Расстройство не представляет опасности для жизни и не влечет за собой ухудшения физического здоровья, однако может нарушать трудоспособность и доставлять серьезные неудобства пациентам. Лечение СДВНС осуществляют специалисты в сфере неврологии, клинической психологии и психотерапии.

Причины СДВНС

Проявления со стороны различных органов и систем обусловлены нарушениями регуляции преимущественно симпатической либо парасимпатической нервной системы. Различают первичную и вторичную СДВНС. Первичная дисфункция возникает под влиянием целого ряда факторов. Имеют значение наследственная предрасположенность, осложнения беременности, травмы, хронические и рецидивирующие инфекции, особенности конституции, характера и личности пациента.

Первые симптомы первичной соматоформной дисфункции вегетативной нервной системы обычно появляются в период пубертата. Толчком к манифестации расстройства являются быстрый рост больного, изменения гормонального фона и «перестройка» организма. Иногда эта форма СДВНС протекает без явной манифестации, с постепенным нарастанием симптоматики или ее волнообразными изменениями. Вторичная соматоформная дисфункция вегетативной нервной системы провоцируется инфекциями, хроническими соматическими болезнями и некоторыми психическими расстройствами. Симптомы первичной и вторичной дисфункции обычно появляются либо усугубляются на фоне острого стресса, длительного физического или психологического перенапряжения.

Классификация

Различают три типа соматоформной дисфункции: с преобладанием активности симпатической нервной системы, с преобладанием активности парасимпатической нервной системы и смешанную. Возможно стабильное либо пароксизмальное течение. При стабильном течении наблюдаются фазы обострения и ремиссии, при пароксизмальном – симпатоадреналовые, вагоинсулярные и смешанные кризы. Существует три степени тяжести соматоформной дисфункции вегетативной нервной системы: легкая, средняя и тяжелая. В зависимости от преобладающих проявлений выделяют СДВНС:

сердечно-сосудистой системы

верхних отделов ЖКТ

нижних отделов ЖКТ

органов дыхания

мочевыводящей системы

других органов и систем

Симптомы СДВНС

Характерными признаками СДВНС являются обилие и неконкретный характер жалоб. Пациента одновременно могут беспокоить симптомы со стороны нескольких органов. Клиническая картина складывается из субъективных ощущений и расстройств функционирования определенного органа, обусловленных нарушением деятельности вегетативной нервной системы. Симптомы и жалобы напоминают клиническую картину какого-либо соматического заболевания, но отличаются от нее неопределенностью, неспецифичностью и высокой изменчивостью.

Сердечно-сосудистая система. Пациентов с соматоформной дисфункцией вегетативной нервной системы часто беспокоят боли в области сердца. Такие боли по своему характеру и времени возникновения отличаются от болей при стенокардии и других сердечных заболеваниях. Четкая иррадиация отсутствует. Боли могут быть колющими, давящими, сжимающими, ноющими, тянущими, острыми и т. д. Иногда сопровождаются возбуждением, чувством тревоги и страха. Обычно возникают в покое и проходят при физической нагрузке. Провоцируются психотравмирующими ситуациями. Могут исчезать в течение нескольких минут или сохраняться на протяжении суток и более.

Наряду с болями, пациенты с соматоформной дисфункцией вегетативной нервной системы нередко жалуются на приступы сердцебиения. Приступы появляются как при движениях, так и в покое, иногда сопровождаются аритмией. Частота пульса в покое может достигать 100 и более ударов в минуту. Возможно повышение или понижение АД. Изменения артериального давления могут быть достаточно стабильными или выявляться в стрессовых ситуациях. Иногда патологические проявления со стороны сердечно-сосудистой системы настолько ярко выражены, что терапевт или кардиолог может заподозрить у больного гипертоническую болезнь или инфаркт миокарда.

Дыхательная система. Характерным симптомом соматоформной дисфункции вегетативной нервной системы является одышка, усиливающаяся при волнении и стрессах. Такая одышка обычно мало заметна со стороны, но доставляет больному выраженные неудобства. Пациента может беспокоить ощущение нехватки воздуха, сдавления в груди или затруднения вдоха. Нередко патологические проявления со стороны дыхательной системы наблюдаются много часов подряд или исчезают только во сне. Больные постоянно чувствуют дискомфорт из-за недостатка воздуха, все время проветривают помещения, тяжело переносят духоту. Иногда при СДВНС возникают кашель, поперхивание и ларингоспазм. Дети с соматоформной дисфункцией вегетативной нервной системы чаще страдают респираторными инфекциями, возможны бронхиты и приступы псевдоастмы.

Пищеварительная система. Могут наблюдаться нарушения глотания (дисфагия), аэрофагия, пилороспазм, неприятные ощущения в животе и боли в области желудка, не связанные с приемом пищи. Иногда пациентов с соматоформной дисфункцией вегетативной нервной системы беспокоит икота, которая возникает в присутствии других людей и отличается необычной громкостью. Еще одним характерным симптомом СДВНС является «медвежья болезнь» - диарея при острых стрессах. Нередко выявляются метеоризм, синдром раздраженного кишечника и хронические нарушения стула (склонность к запорам либо поносам).

Мочевыводящая система. Пациенты с соматоформной дисфункцией вегетативной нервной системы предъявляют жалобы на разнообразные нарушения мочеиспускания: острую потребность помочиться при отсутствии туалета, полиурию в психотравмирующих ситуациях, задержку мочеиспускания в присутствии постороннего человека либо в общественном туалете и т. п. У детей может выявляться энурез или учащение мочеиспускания в ночное время.

Другие органы и системы. Соматоформная дисфункция вегетативной нервной системы может проявляться неинтенсивными летучими болями в крупных и средних суставах. Боли не сопровождаются ограничением движений, не связаны с физической нагрузкой или изменением погоды. Часто выявляется незначительная гипертермия. Возможна повышенная утомляемость и снижение трудоспособности. При преимущественной активности парасимпатической нервной системы нередко наблюдаются ипохондрия и депрессивные расстройства, при преобладании симпатической нервной системы – бессонница, ночные пробуждения, возбудимость и раздражительность.

Диагностика

Предварительный диагноз выставляют на основании жалоб пациента, анамнеза жизни и заболевания, данных объективного осмотра. Для постановки окончательного диагноза необходимо тщательное обследование. В зависимости от имеющихся симптомов больных направляют на консультации к кардиологу, гастроэнтерологу, пульмонологу, урологу, ревматологу или инфекционисту. Назначают лабораторные анализы, ЭКГ, УЗИ внутренних органов и другие исследования.

Лечение СДВНС

Тактику лечения соматоформной дисфункции вегетативной нервной системы определяют индивидуально с учетом клинических проявлений. Обязательными условиями являются систематичность, комплексность и длительность терапии. Проводят оздоровительные мероприятия, нормализуют режим труда и отдыха, подбирают диету, рекомендуют сохранять умеренную физическую активность и по возможности избегать стрессов. Используют витамины, адаптогены, вегетостабилизаторы, ноотропы и средства для улучшения мозгового кровообращения. Осуществляют симптоматическую терапию. При необходимости назначают антидепрессанты и седативные препараты. Больного с соматоформной дисфункцией вегетативной нервной системы направляют на индивидуальную и групповую психотерапию.

Автор: Герасименко М.В., семейный врач, психиатр, нарколог

После покупки xAI в 2023 году, Маск расширил ИИ-направление. Компания разработала чат-бота Grok и создала суперкомпьютер Colossus в Теннесси для обучения нейросетей. Это важное достижение, поэтому название Colossus лучше оставить без перевода.

SpaceX стремится увеличить вычислительные мощности. Сейчас у компании около 1,4 ГВт инфраструктуры, которой она делится с другими компаниями. К 2027 году Маск хочет довести этот показатель до 10 ГВт. Для этого потребуется не только больше ускорителей для ИИ, но и мощные системы электроснабжения и охлаждения.

Финансовый расчёт Маска основан на стоимости вычислительной мощности. Он оценивает каждый ватт в $30–50, что при 10 ГВт может дать годовой доход от $300 до $500 млрд. Это пока только ожидания, а не гарантированная выручка.

Компания также стремится уменьшить зависимость от внешних поставщиков оборудования. В Техасе Tesla, SpaceX и xAI создают комплекс Terafab для производства микросхем, памяти и упаковки полупроводников. Название Terafab лучше оставить без перевода, так как оно уже используется в официальных вакансиях Tesla.

SpaceX планирует вывести вычисления за пределы Земли. Компания разрабатывает спутниковую систему Starmind для ИИ. Аппараты будут получать солнечную энергию в космосе и предоставлять вычислительные мощности на Земле. В будущем планируется запустить около миллиона таких спутников на низкую околоземную орбиту. Для этого будет использоваться многоразовая ракета Starship, которая сейчас проходит испытания.

Космическая часть программы не ограничивается спутниками. В долгосрочной перспективе SpaceX планирует перенести часть производства на Луну и выпускать там компоненты для космических дата-центров. Готовые аппараты будут доставляться с Луны при помощи электромагнитных ускорителей, что позволит обойтись без ракетного двигателя. Низкая гравитация и отсутствие атмосферы делают такую схему удобной, но пока это только план.

Масштаб амбиций SpaceX виден из оценки потенциального рынка, которую компания давала перед выходом на биржу. Общий рынок будущих продуктов и услуг оценивается в $28,5 трлн, из которых $23 трлн приходится на искусственный интеллект. Эта сумма сопоставима с годовым ВВП США, который в прошлом году составил около $30,8 трлн. Однако SpaceX не стремится получить все эти деньги, а лишь описывает направления, где планирует продавать свои технологии.

Таким образом, ракеты, спутники и производство микросхем у Маска становятся единой системой. Terafab будет выпускать полупроводники, наземные вычислительные комплексы обеспечат спрос на мощности для ИИ, Starship выведет оборудование на орбиту, а Starmind перенесёт часть вычислений в космос. Лунные фабрики пока остаются долгосрочной целью.

Маск призывает сотрудников SpaceX участвовать в развитии ИИ и связывает успех программы с давней целью компании — полётами людей на Луну и Марс. Он обещает, что в будущем любой сотрудник SpaceX сможет отправиться на Луну или Марс. Ближайшая проверка стратегии состоится уже в сентябре, когда доходы от ИИ должны превысить доходы от других направлений.

Последнее время разбираюсь с энергетикой Китая. В одном из запросов DeepSeek уверенно сообщил: государство удерживает низкие тарифы, заставляя энергетические госкомпании субсидировать экономику за счёт собственного баланса. У многих компаний операционная прибыль якобы не покрывает даже проценты по кредитам, а система не рушится только потому, что банки продолжают их кредитовать.

В общем, всё пропало, гипс снимают. Начинаю просить подтвердить цифры. После длительных перипетий выясняется: официальных китайских данных под эти утверждения нет.

Ок. Берём отчёт крупнейшей китайской генерирующей компании Huaneng.

Рентабельность выручки - 6,48%.

Затраты на 100 юаней выручки - 89,49 юаня.

Расходы, включая проценты по кредитам, - 5,18 юаня.

Соотношение активов и пассивов - 60,4%.

То есть после всех расходов компании остаётся прибыльной. По европейским и американским меркам вполне приличная картина. С диагнозом DeepSeek не сходится от слова совсем.

Спрашиваю: откуда тогда взялась «критическая закредитованность»? И модель признаётся: предыдущие утверждения основывались не на официальной китайской статистике, а на материалах МВФ, BIS, S&P, Rhodium Group и Goldman Sachs.

Вот это уже интересно. Китайская языковая модель при наличии собственных первоисточников построила алармистский вывод о китайской энергетике на западной аналитике. А когда потребовалось подтверждение из первоисточников, реальная отчётность с этим выводом не сошлась.

Именно поэтому я использую ИИ для поиска информации, но исходные данные проверяю сам. LLM не знает, где правда. Она знает, какой ответ с наибольшей вероятностью следует выдать на основе того массива информации, который получила.

Первым этот эпистемологический фундамент поддел Фрэнсис Бэкон. Он объявил, что человеческий разум изначально дефектен и не может быть источником истины сам по себе: наш ум засорён "идолами" - языковыми ловушками, личными предвзятостями и слепой верой в авторитеты.

Бэкон совершил отрицание: никакого доверия человеческому разуму, пока он замкнут сам на себе. Что нашло неожиданное математическое подтверждение в 20веке. Теоремы Гёделя о неполноте доказали, что логические системы опираются на аксиомы, но принципиально не могут быть полностью обоснованы изнутри себя. Мм всегда требуется внешнее расширение. Источник знания лежит снаружи, а не внутри.

Он провозгласил метод индукции - движение от частного к общему, когда ученый обязан сначала собрать тысячи чистых фактов, очистить их от субъективного "шума" и только потом искать в них закономерности. Бэкон дал рождающейся науке ее кровь методичный чувственный опыт (эмпиризм). Да это противоречит континентальной философии к которой относится марксизм, нет это не мешает. Вы может сколько угодны плакаться, что целое важнее частей, но если вашей чудесной по задумке машине все детали наделаны криворуким фрезеровщиком по чертежам дегенерата проектировщика - она у вас далеко не поедет.

Но это было мало. Факты сам по себе ничто против "здравого смысла", который утверждал: Земля неподвижна, ведь мы не чувствуем ветра от ее вращения, а тяжелый камень падает быстрее легкого пера.

Галилео Галилей совершил прорыв, заявив: натурфилософия прошлого ошибалась, потому что искала скрытые качественные "сущности" и цели вещей (камень падает, потому что стремится к своему естественному месту).

Галилей возглавил переход от качеств к функциям. Он понял, что природа говорит на языке математики, а ее законы точнее всего описывают идеальную, очищенную от физического шума абстрактную реальность. Не имея возможности создать вакуум, Галилей применил мысленный эксперимент и метод идеализации: он представил абсолютно гладкую поверхность и движение без сопротивления воздуха.

Он ввел понятие cimenti (суд Божий) - спланированные эксперименты, где результаты фиксировались в виде точных математических измерений (время, расстояние, угол наклона). Мало того, его математический результат должен был регулярно проверяться, уточняться, дополняться.

Тогда скептики начали утверждать, что любое знание иллюзорно, ведь человеческие чувства несовершенны. Тогда Рене Декарт нанес удар с противоположной стороны, совершив акт радикального сомнения. Он решил обнулить и перепроверить вообще все знания человечества - существование физического мира, Бога и собственных глаз, заявив, что наши чувства лгут нам постоянно и нам вообще может все это сниться.

Нащупав единственную точку опоры в самом факте своего сомнения (Я мыслю, следовательно, я существую), Декарт вывел критерий истины из физического мира в ментальный. Истинным и легитимным отныне признавалось только то, что разум видит "ясно и отчетливо", подобно геометрическим аксиомам. Изобретя систему координат, Декарт соединил геометрию на алгебре и доказал, что любое физическое движение можно описать строгим уравнением. Он провозгласил господство рационализма и дедукции, дав научному методу железную логическую структуру и математический каркас, независимый от капризов человеческого восприятия.

К концу 17 века европейская мысль оказалась расколота: бэконианцы требовали верить только фактам, а декартианцы, только чистой логике ума. Формулу научного метода, которой человечество пользуется по сей день, вывел Исаак Ньютон. Он казав "Гипотез не измышляю", запретил любые умозрительные выдумки, которые нельзя измерить. Он объединил падающее яблоко и летящую по орбите Луну одной математической формулой, доказав, что Вселенная однородна.

Ньютон замкнул метод в идеальную петлю: На основе наблюдений (Бэкон) строится идеальная математическая модель. Из нее с помощью изобретенного Ньютоном матанализа выводятся строгие следствия (Декарт). Эти следствия проверяются изолированным, точным экспериментом (Галилей).

Если эксперимент сходился с расчетами - гипотеза признавалась объективным законом природы. Научная революция Нового времени полностью изменила человеческое мышление. Мы перестали задавать природе метафизический вопрос "Зачем ты это делаешь?" и начали спрашивать "По какой траектории и с какой скоростью?".

И вот так работает наука. Суть научного метода: по-настоящему сильная теория не просто спорит со старой, а интегрирует в себя логику из совершенно других сфер, расширяя границы. А что накручивает все больше и больше фактов, то постоянно находится в форме пассивной ответки и в итоге сжирается по частям.

Алч Перельман. Когда он доказывал гипотезу Пуанкаре (чистая геометрия и топология), он вышел за рамки стандартных инструментов. Там взял взял логику из термодинамики из классической физики тепла и энтропии и с её помощью разгладил геометрические пространства.

Процесс развития науки и создания знания строится на трех ключевых этапах, которые я подрезал у Дэвида Дойча:

1. Выдвижение догадок. Знание не выводится из наблюдений автоматически. Процесс всегда начинается с творческого озарения и выдвижения смелых гипотез (догадок), которые пытаются заглянуть за рамки видимого и объяснить непонятную реальность.

2. Поиск хороших объяснений. Центральный критерий Дойча для жизнеспособной теории - она должна быть трудноизменяемой. Плохая теория (вроде мифов) легко адаптируется под любые новые факты, меняя свои детали.

Хорошее объяснение устроено так, что если изменить хотя бы одну деталь, разрушится вся логика теории. Например, Эйштей прямо говорил, что если у него не так скорость света в вакууме, то теория относительности вся сыпется.

3. Критика и опровержение. Это процесс селекции через рациональную критику и экспериментальные тесты. Настоящий эксперимент в науке нужен не для того, чтобы подтвердить теорию, а чтобы выбрать между двумя конкурирующими хорошими объяснениями и отсечь ошибочное. Мы прогоняем ее через стресс тесты и они не ломают ее, а дополняют или подтверждают.

Да, это имеет ограничения в социальных науках.

В аналитической традиции (англо-американской) научный метод переносится в социальные науки напрямую: общество исследуется через эмпиризм, логическое моделирование и математизацию. Используя позитивизм, эконометрику и теории игр, стремятся найти универсальные причинно-следственные связи. Разбиваются сложные социальные явления на проверяемые гипотезы, оперируются строгой статистикой и верифицируемыми данными, а результаты их работы проходят жесткое рецензирование в институциональной академической среде. Природа общества здесь рассматривается как сложный, но познаваемый механизм, поддающийся точному количественному измерению.

Континентальная школа (франко-германская традиция) критикует слепое копирование методов естественных наук, утверждая, что социальную реальность нельзя свести к формулам и экспериментам. Опираясь на рационалистическую рефлексию, феноменологию и герменевтику(заумное интерпретирование), континенталы смещают фокус с внешнего наблюдения на внутреннее понимание и интерпретацию смыслов, культуры, власти и исторического контекста. Здесь эмпирические данные уступают место качественному анализу текстов и идеологий, а сам исследователь признается неотделимой частью изучаемого общества, что исключает возможность существования абсолютно нейтрального и чисто знания.

По задумке Маркса и Энгельса, марксизм должен был стать строго научной(Lehre), а не утопической системой. Маркс стремился открыть объективные, независимые от воли людей законы развития общества.

Экономика стала объектом исследования в стиле АНАЛИТИЧСКОЙ ШКОЛЫ(я знаю что тогда ее не было, но в традициях которые ее родили), НАДСТРОКА в стиле КОНТИНЕТАЛЬНОЙ.

Рационализм: Маркс взял диалектику Гегеля и "поставил ее на ноги", сделав материалистической. Общество рассматривается рационально, как динамическая система, развивающаяся через внутренние противоречия. Не объясняясь ей и только ей и не строя прогнозы на ней и не пихая ее и не натягивая на нее законы физики.

Эмпирический: Маркс годами собирал колоссальные объемы статистических и исторических данных о работе английских фабрик, продолжительности рабочего дня и детском труде. Вся его теория выведена из бигдаты капитализма, а не из абстрактных размышлений о справедливости.

Математизация экономики: В Капитале» Маркс использовал математические и логические формулы (формулу капитала или математическое выражение нормы прибавочной стоимости) для А-К-Т-У-А-Л-Ь-Н-О-В-А Д-О-К-А-З-А-Т-Е-Л-С-Т-В-А механизмов эксплуатации труда и класса адресата.

Экспеееееереемныт: Теория была неотделима от практики. Критерием истинности их науки становился не просто академический консенсус, а реальное рабочее движение, которое выступало коллективным субъектом проверки марксистской теории в масштабах истории.

Ну и давайте посмотрим к чему все пришло:

1. Практика провалена. Оно развалилось и достаточно позорно. И мы выдвигаем догадки, чтобы понять: А кто это сделал? И как оно делается - правильно или путем средневековых апелляций к авторитету и тексту или выдумыванием самоочевидных всем """""фактов""""".

2. Наверно, что-то выводится нормально и рабочее. И оно в конкурентной боротьбе должно победить. Не, не наш метод. У нас есть диалектика, авторитеты и общая эрудированность, они нам вместо монтажной пены. Все дыры ими можно заделать.

3. А тут мы из множества ошибочных мастерим уродца. Немного мир-системного анализа, сюда макнем работы раннего Маркса, тут возьмем отрывок из письма Сталина, а вот тут давайте немного неомарксизм, а сюда социологии, а сюда сока мозга,. СОВУ НА ЗАБУДЬТЕ. И глобус.

И вот у нас готова универсальная формула объясняющая и что: СССР развалился из за предателей, что все исказили, что коммунистов больше нету и что нужно покаяться, читать перед сном 2 раза Капитал и родить в себе "Пролетарское сознание".

Теория и социологическая традиция, которая построена вокруг историзма. Чьи последователи чванливо смотрят на окружающих, называя не ведающими праваки. К слову, не удосужились написать актуальную версию "Происхождения семьи, государства и частной собственности". Чудесная работа,. Есть проблема. Сделанна в эпоху, когда не существовало ни нормальной антропологии, палео-генетики-ботаники-географии-геологи, археологии и далее. И до сих пор упорно цитируют его, как священную истину.

А потом вспоминаем про дыру, стыдливо называемую "Азиатский способ производства". Рабовладельческий строй, которой в лучшем случае существовал 2 коротких отрезка времени 2х близких друг к другу. Про Средние века - вообще молчу. Вот даже работы с источниками не надо вести, седые дедки из Кембриджа/Оксфорда с линзами в очках от телескопа Хабл ее провели. Исправляй.

Тут уже моя субъективная часть, кому надо пропускайте

И вот. Никогда не было и вот опять, встает вопрос о рабочем классе. Выдвигается тейк: общество поменялось, по-старому судить нельзя, у нас есть практика все дела".

Все ломается на этапе 1 об вопли "РЕВЗИЯ, ЕВРОЛЕВАЯ?". Человеку дают цифры, сопровождают басенкой, чтобы он не заскучал.

Ответ: " А ТЫ ВСЕ БОЛТЫ НА ЗАВОДЕ ВИДЕЛ СЫНОК? Я ДА!". Чего это, к кому? Cпасибо, что проинформировал, а я в армии служил и помощником геодезиста работал и че.

Потом заканчивается обличением злобного плана создать секту, предать рабочий класс и скормить всех пролетарских младенцев буржуям. Главное побольше накидать, выдумать и поставить в позу виноватого, заставив оправдываться. Прям как женщина, которой не хватает эмоций в жизни.

Опять же вы, наверное, получили небольшое ободрение увидев чужую заочную перепалку, но спешите отогнать от себя свою природу и хотите спросить "'А это как к делу относится?". А я натяну. В одном из ответов был пассаж:

"Так что это не спор геоцентрика с гелиоцентриком. Это спор теоретика с практиком. Если угодно длить метафору — человека, которому больше интересно, что учёные доказали, что земля вращается вокруг солнца, и человека, который прекрасно в курсе этого, но понимает, что от этого факта движение тени по земле и периодичность смены дня и ночи никак не поменяется"

Этот "практик" мнит себя приземлённым мудрецом, но это просто смешно. Он не замечает: сама возможность демонстрировать это "авторитетное мнение" в интернет существует исключительно благодаря "теоретикам".

Пока он по-поповски машет рукой на вращение Земли, считая это бесполезной абстракцией, над его головой на геостационарных орбитах висят спутники, которые работают только потому, что учёные просчитали эту самую гелиоцентрическую модель до миллиметра. И постоянно ее корректируют. Без формул скучных теоретиков у нашего гордого реалиста не то что интернета в телефоне не было бы, он бы сейчас при лучине записывал время движения тени на бересте, искренне гордясь своей практичностью.

Вот эта одна из саддукейских граней нынешней левой мысли. Фарисеев из них не выйдет, там были умные и приличные люди.

И практикам на заметку. Медицина одна из самых эмпирических наук И поэтому до конца 19 века была такой отрицательно успешной. В ней куча всего построено на практике, опыте, без подтвержденных теорий и прочем как в физике.

Примерно у трети школьников отмечается снижение когнитивных функций. Чем больше ребёнок общается с ИИ, тем меньше он анализирует полученную информацию. Уже после нескольких запросов некоторые дети просто копируют ответы и не запоминают материал, делится в разговоре с «Базой» клинический психолог и руководитель комитета здоровьесбережения НАЗВН Ирина Грекова.

Тенденция особенно коснулась учеников 5–8-х классов. Дети используют ИИ не для повышения уровня образования, а как замену собственному мышлению — фактически подменяют свой мыслительный процесс ответами нейросети. Выпускники 10-х и 11-х классов, по наблюдениям учителей, менее пострадали от «ИИ-распространения»: старшие контролируют себя в использовании нейросетей, прибегая к ним на 40% реже младшего поколения.

Специалист предупреждает: частое бездумное использование ИИ для учёбы может привести к ослаблению памяти и формулировать собственные мысли. Кроме того, постоянная опора на нейросети способна снижать самостоятельность и чувство ответственности за результат.

Важный ещё момент, что Alibaba продолжает успешный выпуск моделей даже после того, как часть известных экспертов по SLM её покинула, что говорит о том, что у неё производство LLM не зависит критически от звёздных персоналий, а уже стабильный бизнес-процесс.

В 2018 году Еврейский университет в Иерусалиме – хранитель архива Эйнштейна – оцифровал 80 000 страниц его записей. Среди формул, писем и черновиков нашлась заметка без даты. Не физика. Не математика. Наблюдение о восприятии времени.

Эйнштейн написал:

"Час, проведённый рядом с красивой девушкой, кажется минутой.

Минута на горячей плите – вечностью."

Вот вам и относительность. Эту фразу знают многие. Но в той же записи была вторая часть – и именно она заинтересовала нейробиологов.

"Время ускоряется, когда ум предсказывает.

Время замедляется, когда ум удивляется.

Тот, кто хочет прожить долгую жизнь – должен удивляться каждый день."

70 лет эту запись считали философской метафорой. А в 2021 году нейробиолог Дэвид Иглмен опубликовал исследование, которое показало: Эйнштейн описал реальный механизм работы мозга – с точностью, опередившей нейронауку на десятилетия.

Мозг НЕ измеряет время. Он КОНСТРУИРУЕТ его из новой информации.

Вот что доказал Иглмен:

Мозг не “измеряет” время, как часы. Он создаёт ощущение времени на основе количества новой информации.

Когда ты делаешь что-то привычное – мозг обрабатывает минимум данных. Всё предсказуемо. Время “сжимается”. Один год похож на предыдущий – и пролетает как секунда в воспоминаниях.

Когда ты делаешь что-то НОВОЕ – мозг обрабатывает в 5–8 раз больше информации. Каждый момент “записывается” плотнее. Время “растягивается”.

Детство = бесконечность.

К 40 годам мозгу уже НЕЧЕГО записывать.

Именно поэтому детство кажется бесконечным – каждый день полон первых впечатлений: первый снег, первый велосипед, первый друг. Мозг записывает всё.

А к 35–40 годам приходит рутина: работа, дом, одни и те же маршруты. Мозгу нечего записывать – и год пролетает, не оставляя следа.

Иглмен подтвердил это в эксперименте: люди, которые за неделю попробовали 5 новых вещей (маршрут, еда, занятие, место, знакомство), воспринимали прошедшую неделю как на 34% длиннее, чем контрольная группа с обычной рутиной.

Формула “остановки времени”:

Удивляйся каждый день.

Эйнштейн оказался прав – не как поэт, а как нейробиолог.

Формула “остановки времени” оказалась простой:

Новый маршрут до работы.

Незнакомый ресторан вместо привычного.

Книга не из твоего жанра.

Разговор с человеком, которого ты обычно не замечаешь.

Каждый новый опыт – это “запись”, которая делает день длиннее. Не в часах – в восприятии.

Иглмен пишет:

"Хочешь, чтобы жизнь ощущалась длинной – перестань повторяться.

Мозг считает не годы. Он считает НОВОЕ.

И чем больше нового – тем длиннее жизнь в твоей памяти."

Странствующий эльф менестрель

ХИЖИНА ХОББИТА

Веса вшиты в движок, бинарник занимает 14 МБ, сессия держится в пределах 28 МБ оперативки и не растёт с длиной разговора: контекст обрезан окном в 256 токенов, описания функций закреплены в нём как якоря. На бенчмарках авторов идёт вровень с FunctionGemma 270M, будучи в несколько раз меньше.

Схемы функций компилируются в грамматику, ограничивающую каждый токен, поэтому ответ приходит структурой, а не текстом под парсинг. Ставится через pip install cactus-needle, а посмотреть без установки можно в браузерной песочнице, там же кнопка дообучения.

Подробности по ссылке: https://github.com/cactus-compute/needle

В этой же статье я затрону некоторые факты, свидетельствующие в пользу того, что космологическая постоянная не является константой, и со временем меняется. Ранее на Хабре этот вопрос затрагивал уважаемый @SLY_G в статье « Ослабевает ли тёмная энергия? Новые данные подтверждают эту гипотезу». Давайте поговорим об этом подробнее.

С 1998 года не подвергается сомнению, что Вселенная расширяется с ускорением под действием тёмной энергии. Тёмная энергия (?) равномерно распределена в пространстве и везде обладает постоянной плотностью (альтернативная точка зрения изложена на Хабре в статье уважаемого Валерия Исаковского @valisak« Теория неоднородной Вселенной как альтернатива тёмной энергии»). Поскольку величина ? всегда постоянна, пространство не истончается по мере расширения Вселенной. Напротив, чем больше пространство, тем больше заключённый в ней объём тёмной энергии.

Тем не менее, к началу 2020-х (с повышением точности измерений) начали накапливаться признаки, позволяющие предположить, что тёмная энергия меняется с течением времени.

Вероятно, большинству читателей уже встречалась в том или ином виде следующая круговая диаграмма, иллюстрирующая соотношение тёмной энергии, тёмной материи и обычной материи в наблюдаемой части Вселенной. Эта картина строится на основе измеряемых масс галактик и скорости их разбегания (то есть, расширения Вселенной).

Картина была немного уточнена по результатам работы космического телескопа « Планк», работавшего на орбите с сентября 2009 по октябрь 2013 года.

Эта космологическая модель, сегодня являющаяся общепризнанной, называется ?CDM [где «лямбда» соответствует космологической постоянной/тёмной энергии, а CDM означает «cold dark matter» (холодная тёмная материя). Примерное распределение именно таково: около 70% содержимого Вселенной приходится на тёмную энергию, 25% — на тёмную материю, 5% — на обычную (барионную) материю. В прошлом году уважаемый @valisak разбирал на Хабре современные представления об этом соотношении в статье « Вопросы о тёмной энергии: нужна ли она, можно ли её заменить чёрными дырами, и меняется ли она со временем». Там же он рассказывает и об обсерватории DESI, которой я коснусь ниже. Существуют три космологических источника, независимо подтверждающих друг друга и свидетельствующих в пользу именно такой картины мира.

Реликтовое излучение (РИ), также называемое по образцу англоязычных источников «космический микроволновый фон». Это крайне изотропный (однородный) энергетический фон, являющийся последним отсветом Большого Взрыва. Неоднородности в реликтовом излучении встречаются не чаще, чем 1 раз на 30?000 частей, но именно они в соответствии с теорией Большого Взрыва позволили сформироваться звёздам и галактикам.

Сверхновые типа Ia — звёзды, физическое устройство и собственная яркость которых точно известны. Поэтому они служат астрономам « стандартными свечами», по красному смещению которых можно достоверно вычислить, насколько расширилась Вселенная с тех пор, как зажглась данная сверхновая.

Крупномасштабная структура Вселенной, определяющая, на каком расстоянии от конкретной галактики можно найти другую галактику, и с какой вероятностью. В этой структуре наблюдаются возмущения, именуемые «барионными акустическими осцилляциями».

Барионные акустические осцилляции (BAO) подобны реликтовому излучению и представляют собой остаток от звуковых волн, распространявшихся в заряженной плазме ещё до того, как образовался космический микроволновый фон, то есть, менее, чем через 380?000 лет после Большого Взрыва. Эти акустические колебания отпечатались в крупномасштабной структуре галактик и, наряду со стандартными свечами, свидетельствуют в пользу ускоряющегося расширения Вселенной. Но скорость расширения Вселенной по оптическим и акустическим данным не сходится, и это несоответствие называется « хаббловским напряжением».

В 2020-е годы для уточнения темпов расширения Вселенной были задействованы два основных научных проекта. Во?первых, в 2021 году начал работу космический телескоп им. Джеймса Уэбба (JWST), который лишь усложнил проблему хаббловского напряжения; по его данным, в течение очень краткого раннего периода Вселенная расширялась гораздо быстрее, чем сейчас. На кончике пера это явление было предсказано ещё в 2019 году, когда американские учёные под руководством Вивиана Пулина ввели термин « ранняя тёмная энергия» (EDE). Так впервые стала всерьёз рассматриваться возможность, что тёмная энергия может со временем ослабевать. Более свежее исследование, проведённое в Университете Чикаго, основана на анализе данных, полученных с 2021 по 2025 год в рамках проекта Dark Energy Survey (Обзор Тёмной Энергии), выполненном на телескопе Dark Energy Spectroscopic Instrument (DESI) в обсерватории Китт?Пик в штате Аризона. Ранее на Хабре об этом телескопе подробно рассказывал уважаемый @wmlab в статье « Пять тысяч глаз DESI». Этот телескоп содержит 5000 независимых оптических элементов, каждый из которых в процессе работы направлен на конкретную галактику и измеряет расстояние до неё. Таким образом, к середине 2026 года этот аппарат позволил измерить расстояние до 14 миллионов галактик, с учётом информации как по сверхновым (стандартным свечам), так и по барионным акустическим осцилляциям. Собранная им информация действительно позволяет предположить, что космологическая постоянная со временем варьируется.

Как хорошо объяснено в статье уважаемого Алексея Левина « Астрофизикам не удаётся снизить хаббловское напряжение», при измерении космологической постоянной по стандартным свечам и по неоднородностям реликтового излучения мы просто сравниваем два принципиально разных множества данных, слишком сильно отстоящих друг от друга во времени. 380?000 лет после Большого Взрыва — это такая глубокая древность, по сравнению с которой большинство известных сверхновых зажглись совсем недавно, в пределах последних 2 миллиардов новейшей истории Вселенной. Разница между отсечками в 13,8 и 3 миллиарда лет назад, а тем более между формированием барионных осцилляций и новейшими взрывами сверхновых, от которых нас отделяют сотни лет — это разница в разы и на порядки.

Возможно, сравнивать красное смещение космического микроволнового фона и стандартных свеч просто некорректно, либо в период, указанный на этой иллюстрации как серый промежуток между 380?000 и 3 миллиардами лет после Большого Взрыва произошло какое?то событие, из?за которого расширение Вселенной резко замедлилось. Значение космологической постоянной составляет 73,29±1,15 (км/сек)/мегапарсек, если измерять её по взрывам сверхновых, либо может быть ближе к 69,8±0,8 (км/сек)/Мпк, 71,5±1,8 (км/сек)/Мпк и 73,22±2,06 (км/сек)/Мпк (согласно другим оценкам). Выше я уже упоминал теорию неоднородной Вселенной, а кроме неё возможны ещё некоторые экзотические объяснения этого несоответствия, на которых я остановлюсь ниже.

Возможно, со временем меняется общий объём энергии, содержащейся во Вселенной, то есть, Вселенная подпитывается извне.

Возможно, тёмная энергия со временем затухает, либо варьируется так, как описывает теория пульсирующей Вселенной.

Может быть, на изменение космологической постоянной влияют какие?то метаморфозы, происходящие с тёмной материей.

Для полноты картины приведу такой разброс значений космологической постоянной, которые основаны на измерении флуктуаций реликтового излучения по данным телескопа «Планк».

Эта картина может означать, что сейчас во Вселенной меньше тёмной энергии, чем раньше. Если тёмная энергия действительно тождественна энергии вакуума и возникает из кипения квантовой пены, то есть, из непрерывного рождения и аннигиляции виртуальных частиц, то затухать может именно этот процесс, и в таком случае общая энергия вакуума снижается.

Но в апреле 2024 года в журнале «Physical Review D» вышло ещё более удивительное исследование, проделанное командой из Фессалоникийского университета во главе со Стилианосом Циилиукасом. Статья называется « Dark energy from topology change induced by microscopic Gauss?Bonnet wormholes» и связывает варьирование энергии вакуума со спонтанным возникновением микроскопических червоточин Гаусса?Бонне. Формула Гаусса?Бонне описывает изменение кривизны трёхмерного пространства, а сами такие червоточины, по мнению авторов статьи, являются такими же квантовыми объектами, как и виртуальные частицы. Процесс должен напоминать рождение частиц у горизонта событий чёрной дыры. Но в отличие от частиц такие червоточины не являются точечными объектами, и их невозможно точно описать без привлечения квантовой гравитации, теория которой в настоящее время отсутствует. Тем не менее, авторы полагают, что, если каждую секунду спонтанно возникает около 10 миллиардов таких миниатюрных червоточин на кубический сантиметр пространства, то этот процесс объясняет наблюдаемое ускоряющееся расширение Вселенной и согласуется со значением космологической постоянной.

Заключение

Тёмная энергия, безусловно, реальна. Это сила, подпитывающая постоянное ускоряющееся расширение Вселенной. Ранее на Хабре я писал о нетрадиционном объяснении тёмной энергии через возможное вращение Вселенной, но здесь будем исходить из того, что тёмная энергия — это единственный фактор расширения Вселенной и единственный известный антигравитационный фактор. При современной плотности вакуума, который вполне может быть ложным, тёмной энергии достаточно для ускоряющегося расширения Вселенной.

Не исключено, что кажущееся ослабевание тёмной энергии обусловлено систематической ошибкой в измерениях, и космологическая постоянная действительно является константой. Существует неподтверждённая теория, сформулированная в конце прошлого века, которую отстаивает, в частности, доктор Джошуа Фриман из университета Чикаго, согласно которой тёмная энергия — это результат воздействия неизвестного поля, переносчиками взаимодействия в котором являются некие пока не открытые бозоны. Наконец, тёмную энергию можно объяснить воздействием соседних вселенных в нашей части Мультивселенной — эта точка зрения описана, например, здесь. При всей фантастичности некоторых из упомянутых здесь гипотез (поставлю, пожалуй, хаб «Научная фантастика») уточнение космологической постоянной — важная работа, которая может приблизить нас и к теории квантовой гравитации, и к пониманию нашего истинного положения в мироздании.

Долгое время считалось, что тёмная энергия — это неизменная константа. Поскольку её плотность постоянна, пространство не истончается по мере расширения Вселенной: чем больше становится пространство, тем больше объём тёмной энергии. Однако к началу 2020?х годов, по мере повышения точности измерений, начали накапливаться признаки того, что тёмная энергия может меняться со временем.

Общепринятая сегодня космологическая модель называется ?CDM — «лямбда» соответствует космологической постоянной / тёмной энергии, а CDM означает «cold dark matter» (холодная тёмная материя). Согласно этой модели, примерно 70% содержимого Вселенной приходится на тёмную энергию, 25% — на тёмную материю и лишь 5% — на обычную барионную материю. Эта картина строится на трёх независимых источниках данных: реликтовом излучении (космическом микроволновом фоне), сверхновых типа Ia (которые служат «стандартными свечами»), и крупномасштабной структуре Вселенной с барионными акустическими осцилляциями (BAO). BAO — это остатки звуковых волн, распространявшихся в заряженной плазме менее чем через 380 000 лет после Большого Взрыва; они отпечатались в распределении галактик.

Но вот проблема: скорость расширения Вселенной, измеренная по оптическим данным (сверхновые), и скорость, полученная по акустическим данным (реликтовое излучение и BAO), не сходится. Это несоответствие называется «хаббловским напряжением». В 2021 году начал работу космический телескоп имени Джеймса Уэбба, который лишь усложнил проблему: его данные показывают, что в очень ранний период Вселенная расширялась гораздо быстрее, чем сейчас. Ещё в 2019 году группа американских учёных под руководством Вивиана Пулина предсказала такое поведение и ввела термин «ранняя тёмная энергия» (EDE). Так впервые всерьёз была рассмотрена возможность, что тёмная энергия может ослабевать со временем.

Более свежие данные получены в рамках проекта Dark Energy Survey на телескопе Dark Energy Spectroscopic Instrument (DESI) в обсерватории Китт?Пик в Аризоне. DESI содержит 5000 независимых оптических элементов, каждый из которых направлен на конкретную галактику и измеряет расстояние до неё. К середине 2026 года этот аппарат позволил измерить расстояния до 14 миллионов галактик, используя как информацию по сверхновым, так и по барионным акустическим осцилляциям. Собранные данные действительно указывают на то, что космологическая постоянная может варьироваться со временем.

Почему возникает такое подозрение? При сравнении стандартных свечей и реликтового излучения мы сравниваем два принципиально разных множества данных, слишком сильно отстоящих друг от друга во времени. Реликтовое излучение сформировалось через 380 000 лет после Большого Взрыва, тогда как большинство известных сверхновых зажглись в пределах последних 2 миллиардов лет истории Вселенной. Разница между отсечками в 13,8 миллиарда и, скажем, 3 миллиарда лет назад — это разница в разы и на порядки. Возможно, сравнивать красное смещение космического микроволнового фона и стандартных свечей просто некорректно. Либо в период между 380 000 и 3 миллиардами лет после Большого Взрыва произошло некое событие, из?за которого расширение Вселенной резко замедлилось.

Значения, получаемые разными методами, заметно расходятся: измерение по сверхновым даёт 73,29 ± 1,15 (км/сек)/мегапарсек, тогда как оценки по реликтовому излучению дают значения в диапазоне от 69,8 ± 0,8 до 73,22 ± 2,06 (км/сек)/Мпк. Это расхождение пытаются объяснить разными способами. Возможно, со временем меняется общий объём энергии во Вселенной — то есть Вселенная подпитывается извне. Возможно, тёмная энергия затухает или варьируется, как предсказывает теория пульсирующей Вселенной. Может быть, на изменение космологической постоянной влияют метаморфозы, происходящие с тёмной материей.

Если тёмная энергия действительно тождественна энергии вакуума и возникает из кипения квантовой пены — непрерывного рождения и аннигиляции виртуальных частиц, — то затухать может именно этот процесс, и тогда общая энергия вакуума снижается. Но в апреле 2024 года в журнале «Physical Review D» вышло ещё более удивительное исследование команды из Фессалоникийского университета во главе со Стилианосом Циилиукасом. Статья называется «Dark energy from topology change induced by microscopic Gauss?Bonnet wormholes» — «Тёмная энергия из изменения топологии, индуцированного микроскопическими червоточинами Гаусса?Бонне». Формула Гаусса?Бонне описывает изменение кривизны трёхмерного пространства. Авторы предполагают, что такие червоточины — квантовые объекты, подобные виртуальным частицам, но, в отличие от частиц, не точечные. Процесс их возникновения должен напоминать рождение частиц у горизонта событий чёрной дыры. Полное описание требует квантовой гравитации, которой пока нет. Тем не менее, расчёты показывают: если каждую секунду спонтанно возникает около 10 миллиардов таких миниатюрных червоточин на кубический сантиметр пространства, то этот процесс объясняет наблюдаемое ускоряющееся расширение Вселенной и согласуется со значением космологической постоянной.

Тёмная энергия, безусловно, реальна — это сила, подпитывающая ускоренное расширение. При современной плотности вакуума, который вполне может быть ложным, тёмной энергии достаточно для ускоряющегося расширения. Но не исключено, что кажущееся ослабевание тёмной энергии — просто систематическая ошибка измерений, и космологическая постоянная действительно постоянна. Существует и неподтверждённая теория, которую отстаивает, в частности, доктор Джошуа Фриман из Чикагского университета: тёмная энергия может быть результатом воздействия неизвестного поля, переносчиками взаимодействия в котором являются пока не открытые бозоны. Наконец, тёмную энергию можно объяснить воздействием соседних вселенных в рамках гипотезы о Мультивселенной. При всей фантастичности некоторых гипотез, уточнение космологической постоянной — важная работа, которая может приблизить нас и к теории квантовой гравитации, и к пониманию нашего истинного положения в мироздании.

Как вы думаете, является ли разброс значений космологической постоянной реальным свидетельством изменчивости тёмной энергии, или это всего лишь артефакт наших ещё несовершенных методов измерения?

и позволяют оставаться сосредоточенными в течении многих часов.

Полезно для любого, кто сталкивается со сложной когнитивной работой.

Aльфа-GPC

Уменьшение физиологического стресса, способствует быстрой обработке информации. Быстрее восстановление после мозговых штурмов.

Цитруллин малат/нитрат

Малат увеличивает приток крови к мозгу, доставляя кислород и питательные вещества в мозг, замедляет наступление усталости, улучшая кровообращение и выводя аммиак.

Нитрат оказывает аналогичное действие, а также помогает при перенапряжении глаз и улучшает обработку визуальной информации

за счёт улучшения кровообращения в сетчатке.

Бетаин

Поддерживает умственную выносливость, обеспечивая энергетический баланс клеток. Это не стимулятор быстрого действия, но он способствует повышению умственной устойчивости и сопротивляемости усталости.

L-тирозин

Аминокислота, являющаяся предшественником дофамина и норадреналина. Способствует концентрации внимания в стрессовых ситуациях, помогает справиться с усталостью и недосыпанием.

Уридинмонофосфат

Поддерживает оптимальную работу дофаминовых рецепторов, способствует пластичности мозга и функционированию митохондрий. В сочетании с альфа-GPC обеспечивает синергетическое улучшение когнитивных функций. Оба вещества помогают регулировать настроение.

Кофеин

Блокируя аденозиновые рецепторы в головном мозге, кофеин снижает чувство усталости, одновременно повышая бдительность, внимательность, скорость реакции и устойчивость внимания.

Основным экспертом выступил Сергей Пешков, почётный адвокат Московской области и автор книги «ЦИФРОВОЙ ШТОРМ: ИИ?АЛГОРИТМЫ УГОЛОВНОЙ ЗАЩИТЫ».

Ключевые моменты встречи и советы от Сергея Пешкова:

– ИИ экономит время даже там, где раньше требовались месяцы:

«Искусственный интеллект позволяет нам сделать анализ материалов дела значительно быстрее. Подготовка полноценной хорошей апелляционной жалобы при использовании искусственного интеллекта составляет два-три дня максимум, а вручную по старинке займёт полмесяца».

– Как правильно работать с файлами?

«Лучше начинать не с кнопки „прикрепить файл“, а с подготовки рабочего комплекса: оригиналы отдельно, обезличенные материалы без личных данных отдельно, логичная структура папок. Результат зависит от хорошо поставленной задачи – хороший промпт позволит выполнить задачу на любой системе искусственного интеллекта».

– Что можно загружать в нейросеть, а что нельзя?

Сергей Пешков предложил использовать принцип светофора для загрузки документов:

Зелёный – открытые законы, решения, учебные кейсы.

Жёлтый – реальные дела после полной минимизации (обезличивания) или опубликованные судом материалы.

Красный – медицина, биллинги, гостайна, служебная тайна, закрытые экспертизы – такие документы лучше не загружать в облачные системы.

Интересные примеры из зала:

«Был случай отмены судебного решения, когда защитник проверил метаданные электронного приговора и выяснил, что документ создан следователем на базе обвинительного заключения — просто шапку переделали. Это стало основанием для пересмотра дела!»

– Проверка аудиозаписей и стенограмм через ИИ:

«Я выхожу из суда, загружаю запись заседания в Gemini – и уже через пару минут у меня готовый черновик протокола. А если нужно проверить наличие монтажа или каких-либо изменений в аудио/видеозаписи – тоже задача решается за несколько минут прямо в GPT или DeepSeek», – поделился опытом Сергей Пешков.

– Работа с большими массивами информации:

«Для многотомных дел важно действовать поэтапно: разбивать материал на блоки задач, проверять каждый слой отдельно, затем объединять результаты. Сразу охватывать необъятное не стоит — так работа будет точнее и качественнее».

– Риски и безопасность:

«Важно ставить задачу корректно: просить только релевантные источники норм права со ссылками, чтобы всё было кликабельным и легко проверяемым. Тогда искусственный интеллект не сможет вас обмануть».

Как почеркнул эксперт, искусственный интеллект снимает информационную рутину, черновую редактуру и сравнение документов. Он строит гипотезы, но никогда не принимает решения. Стратегия, признание вины, отказ от жалобы, оценка смысла доказательств – это зона исключительной ответственности адвоката. Оптимальная модель сегодня выглядит так: человек ставит задачу – ИИ обрабатывает массив – человек верифицирует (проверяет на правду) результат.

Чтобы понять, зачем нужен TurboQuant, нужно разобраться с KV-кэшем. Когда LLM генерирует текст, на каждом шаге она учитывает все предыдущие токены. Чтобы не пересчитывать их заново, модель сохраняет промежуточные вычисления в памяти — это и есть KV-кэш (Key-Value cache). Без него инференс был бы в разы медленнее и дороже. Но есть проблема: KV-кэш растёт линейно с длиной контекста. Для Llama 3.1 70B при контексте 128K токенов KV-кэш в формате BF16 занимает около 40 ГБ, а сама модель весит порядка 140 ГБ. Итого один запрос требует 180 ГБ памяти — это не помещается даже на H100 с его 80 ГБ. Если же обслуживать четырёх пользователей на контексте 128K, только под KV-кэш уйдёт 160 ГБ — больше, чем весят параметры модели.

Проблема становится критической в трёх сценариях. При RAG-подходе с большими документами попытка загрузить в контекст кодовую базу или длинный PDF забивает всю VRAM ещё до отправки первого запроса. В агентских циклах многошаговый диалог с вызовом инструментов быстро раздувает контекст до тысяч токенов, память заканчивается, историю приходится обрезать, и агент теряет контекст даже последних трёх шагов. Наконец, при батчинге в нагруженных сервисах KV-кэш каждого пользователя фиксируется в памяти: чем длиннее диалоги, тем меньше параллельных сессий помещается на одну GPU.

Проблему пытались решать по-разному. GQA уменьшает количество KV-голов — работает и активно используется ещё со времён Llama 2. Sliding Window Attention ограничивает окно недавних токенов, чтобы кэш переставал расти бесконечно. MLA от DeepSeek сжимает KV до латентных векторов и убирает около 93% кэша. Но все эти методы либо требуют переобучения модели, что дорого и сложно, либо режут контекст, ухудшая результаты.

TurboQuant предлагает другой подход: просто сжать то, что уже есть, без изменения архитектуры, калибровки и файн-тюнинга. Вы берёте модель, включаете метод, и KV-кэш сжимается в 5–6 раз. Идея квантизации KV-кэша не нова: наивная равномерная сетка работает плохо, потому что значения в кэше распределены неравномерно, а традиционные методы либо теряют качество, либо требуют калибровочных данных. TurboQuant решает это двумя идеями.

Первая — случайное вращение. Перед квантизацией вектор умножается на случайную ортогональную матрицу. После такого вращения компоненты вектора становятся почти независимыми и распределены предсказуемо: из произвольного и сложного распределения получаем что-то близкое к нормальному. Вторая — оптимальный квантизатор для известного распределения (Lloyd-Max). Если мы знаем, как распределены данные, то можно заранее просчитать оптимальную сетку квантизации — не равномерную, а такую, где ошибка минимальна именно для этого распределения. Кодбук считается один раз, хранится статично и не требует калибровки под конкретную модель. Комбинация даёт результат: алгоритм доказуемо находится в пределах примерно 2,7 раза от теоретического минимума ошибки квантизации — это называют near-optimal.

Есть и третий компонент — QJL-коррекция остатка. Теоретически он красив, но на практике сообщество выяснило: в наивной реализации через стандартный attention softmax экспоненциально усиливает дисперсию от 1-bit коррекции, и результат становится хуже. В vLLM проблему решили через norm correction, в форках llama.cpp QJL чаще всего просто отключают или упрощают. Главное, что нужно запомнить: алгоритм data-oblivious — ему не нужны калибровочные данные, не нужен файн-тюнинг, он сразу работает на любой трансформерной модели.

Теперь про цифры. Google заявляла «up to 8x speedup on H100 GPUs». Но реально ваш инференс не станет в восемь раз быстрее в 99% случаев. Восьмикратный рост измерен относительно FP32, который никто в проде не использует. Относительно реально рабочего FP16-бейзлайна это примерно 4x. И это ускорение только attention, а не end-to-end инференса. В реальном пайплайне attention — лишь часть времени, есть ещё линейные слои, sampling, IO. Wall-clock времени от токена до токена в методике нет, а сообщество намерило overhead на префил порядка 21–27 мс на квантизацию — не катастрофа, но и не бесплатно.

Тогда, может, нас всех оверхайпнули? На самом деле нет, потому что реальная ценность TurboQuant не в скорости, а в памяти. Сжать KV-кэш в пять раз — значит впихнуть в одну GPU контекст, который раньше не влезал. Например, на Llama 3.1 70B это разница между примерно 109K токенов и примерно 536K токенов на 34 ГБ VRAM.

На бенчмарках LongBench и Needle-in-a-Haystack результаты впечатляют: модель Llama-3.1-8B-Instruct при квантовании до 3,5 бит набирает 50,06 балла на LongBench — ровно столько же, сколько в оригинальном FP16, а на Needle держит 0,997 на контексте вплоть до 104K токенов. То есть на длинном контексте качество не разваливается.

Но есть нюансы. Все замеры проводились на небольших моделях до примерно 12B параметров: Llama-3.1-8B, Mistral-7B, Gemma. Данных для архитектур масштаба 70B+ в исследовании нет вовсе, и переносимость на крупные модели остаётся открытым вопросом. Сообщество провело самостоятельные тесты: на модели 104B с пресетом turbo3 прирост перплексии составил всего +3,6%. Но «мы сами проверили, вроде работает» — не замена нормального бенчмарка. Также в исследовании отсутствует классическая база: метрики WikiText-2 perplexity и MMLU — без них нормально сравнить метод с конкурентами в одной системе координат не получится.

Ещё один нюанс: ключи и значения в KV-кэше — не одно и то же. У Qwen2.5, например, нормы ключей на порядки больше норм значений. Поэтому симметричная квантизация с одинаковой разрядностью для K и V — это костыль: ключам по-хорошему нужно больше бит. Асимметричные пресеты вроде K8V4, появившиеся в vLLM и форках llama.cpp, — тому доказательство.

TurboQuant — далеко не единственный метод сжатия KV-кэша и даже не обязательно лучший для вашего сценария. Есть метод KVTC, построенный на иной философии: это своего рода аналог JPEG для KV-кэша. Разработчики заявляют о сжатии вплоть до 20 раз против 5–6x у TurboQuant, с потерей точности менее одного процентного пункта. KVTC тестировался на куда более широкой линейке моделей — от 1,5B до 70B. Явный минус — необходимость однократной калибровки примерно на 200K токенов. Для продакшен-сервисов с фиксированной моделью это не проблема, а вот для локального сценария «скачал GGUF и запустил» уже больно.

Есть RotorQuant — community-проект, который решает конкретную проблему TurboQuant: умножение на полную d?d ортогональную матрицу — это 16 384 операций для d=128. RotorQuant заменяет её математической хитростью, дающей около 100 операций. Вращение выполняется в 10–31 раз быстрее, а сам алгоритм требует в 44 раза меньше параметров при сопоставимом качестве attention: косинусное сходство 0,990 против 0,991 у TurboQuant. Минус: пока проигрывает по качеству и находится на ранней стадии. Но если авторы «дожмут» качество, проект может стать дефолтным выбором для мобильных и edge-сценариев.

Есть KIVI — проверенный бейзлайн, представленный на ICML 2024 и уже встроенный в экосистему Hugging Face Transformers. Метод использует асимметричную 2-битную квантизацию: поканальную для ключей и потокеновую для значений. Такой подход сжимает KV-кэш в 16 раз, снижая пиковое потребление видеопамяти примерно в 2,6 раза. Для продакшена, где стабильность важнее максимального сжатия, — вполне хороший вариант.

Комьюнити уже создало более 15 реализаций TurboQuant — от простых Python-пакетов до специализированных Metal-шейдеров. Если вы гоняете модели локально через llama.cpp, ваш основной вариант — TheTom/turboquant_plus: самый зрелый форк с поддержкой Metal, CUDA и CPU, протестированный на моделях от 1,5B до 104B. Есть пресеты turbo2 (2-bit) со сжатием в 6,4 раза и увеличением перплексии.

Главный вывод: TurboQuant — это не про ускорение инференса в 8 раз, а про память. Он позволяет впихнуть в GPU контекст, который раньше не влезал, и делает это без калибровки и файн-тюнинга, работая на любой трансформерной модели. На маленьких моделях качество на длинном контексте не страдает, на больших — пока открытый вопрос, но первые тесты сообщества обнадёживают. Альтернатив хватает: KVTC для максимального сжатия с калибровкой, KIVI для стабильного продакшена, RotorQuant для edge-сценариев в будущем.

Так что в следующий раз, когда увидите заголовок про очередной «прорыв», не спешите паниковать. Смотрите на методику: на чём меряли, относительно чего, какие модели, есть ли end-to-end замеры. TurboQuant действительно полезен, но его место — не «сделать всё в 8 раз быстрее», а «влезть туда, куда раньше не влезало». А какой из методов сжатия KV-кэша вы уже пробовали в своих проектах, и был ли эффект сопоставим с заявленным?

Группа ученых из Австралии провела масштабное исследование, применив методы машинного обучения для анализа более 240 000 образцов крови. Целью было выяснить, может ли искусственный интеллект самостоятельно распределить пациентов по группам (кластерам) и коррелируют ли эти группы с реальными механизмами развития тромбоцитопении. ?

Что обнаружило исследование? ?

Используя алгоритм k-средних, система выделила 4 основных фенотипа крови без предварительных подсказок со стороны врачей:

1) Кластер 3 (Специфический): Оказался наиболее важным для клиницистов. Он продемонстрировал прямую связь с тяжестью тромбоцитопении. Чем ниже был уровень тромбоцитов, тем выше вероятность попадания пациента в эту группу (до 71% случаев при критическом снижении).

Клинический аудит показал, что этот кластер преимущественно обогащен случаями гипопродукции тромбоцитов в костном мозге (например, при апластических процессах или миелодисплазии).

2) Кластеры 1 и 2: В них чаще группировались образцы, связанные с периферической деструкцией или потреблением тромбоцитов. Это характерно для иммунной тромбоцитопении, сепсиса или синдрома диссеминированного внутрисосудистого свертывания. ??

3) Комплексный анализ: Модель учитывала не только количество клеток, но и их «оптический портрет» — изменения в нейтрофилах и эритроцитах, которые часто сопутствуют системным патологиям.

Почему это важно для медицины? ??

Главная ценность метода заключается в том, что данные CPD и RUO уже есть в лаборатории, но они не требуют дополнительных затрат или забора биоматериала. ?

Разделение пациентов на такие «цифровые фенотипы» позволяет:

Быстрее выдвигать гипотезы о причинах тромбоцитопении.

Выявлять скрытые закономерности в состоянии пациента еще до проведения инвазивных процедур, таких как биопсия костного мозга.

Автоматизировать сортировку сложных случаев в крупных диагностических центрах.

Резюме: Неконтролируемое машинное обучение не заменяет врача, но служит мощным инструментом для лабораторного фенотипирования, позволяя увидеть скрытую архитектуру гематологических нарушений. ?

Источник для цитирования:

Favaloro E. J., Altememi M. A., Santhakumar A. B., Islam M. Z., Hsu D., Ng S. Unsupervised Global CBC/RUO/CPD Phenotyping Identifies Haematological Clusters Enriched for Thrombocytopenia Severity and Mechanisms. International Journal of Laboratory Hematology, 2026; 0:1–11.