Когда команда нейробиологов под руководством профессора Ольги Базановой попыталась усилить мозговую активность, комбинируя два передовых метода нейростимуляции, логика подсказывала: 1+1 должно дать 2. Реальность оказалась куда интереснее: эффективность мозга резко упала, а показатели концентрации и самоконтроля снизились. Открытие, опубликованное в 2026 году, заставило научное сообщество пересмотреть фундаментальные принципы работы нервной системы.

Это лишь одна из десятков историй, которые превратили последние два года в эпоху настоящей нейробиологической революции.

1. Великое объединение: как две теории сознания рухнули одновременно

Пожалуй, самый амбициозный эксперимент в истории изучения сознания завершился в 2025 году. Международная команда нейрофизиологов под руководством профессора Анила Сета провела семилетнее исследование с участием 256 добровольцев, чтобы проверить две конкурирующие теории: GNWT (теория глобального рабочего пространства) и IIT (теория интегрированной информации).

Результат оказался неожиданным: обе теории не прошли проверку. Ни префронтальная кора (ключевая для GNWT), ни затылочная доля (центральная для IIT) не играли ведущей роли в формировании сознания. Вместо этого обнаружилась критическая роль первичной зрительной коры и сенсорных областей.

Параллельно группа исследователей под руководством Копполы проанализировала столетие нейробиологических данных и пришла к ошеломляющему выводу: люди, родившиеся без коры головного мозга или без мозжечка, могут сохранять сознание. Это означает, что древнейшие подкорковые структуры мозга способны самостоятельно поддерживать базовое осознание.

2. Кишечный микробиом и бактерии в мозге: ось, которую мы не замечали

В марте 2026 года исследователи из Университета Флориды опубликовали в PLoS Biology работу, продемонстрировавшую: бактерии способны мигрировать из кишечника напрямую в головной мозг по блуждающему нерву.

Это открытие принципиально меняет наше понимание оси «кишечник-мозг». Ранее считалось, что микроорганизмы влияют на нервную систему лишь опосредованно — через метаболиты. Теперь выясняется, что они могут быть непосредственными обитателями нервной ткани, выступая в роли паразитов или симбионтов.

Связь микробиома с нейропсихическими расстройствами получает новое измерение: депрессия, нарушения пищевого поведения, шизофрения, нейродегенеративные заболевания — все они коррелируют с изменениями кишечной микробиоты. Открытие прямого пути миграции означает, что бактерии могут влиять на мозг не только химически, но и физически.

3. Криоконсервация: мозг, который пережил заморозку

В марте 2026 года ученые из Германии и США совершили то, что ещё недавно казалось научной фантастикой: впервые удалось заморозить ткань мозга мыши и восстановить её нейронную активность после размораживания.

Ключом к успеху стал метод витрификации — сверхбыстрого охлаждения, при котором вода переходит в стеклообразное состояние, не образуя разрушительных кристаллов льда. После разморозки нейроны не просто выжили: они сохранили способность к синаптической пластичности — основе обучения и памяти.

Исследователи подали электрическую стимуляцию, имитирующую процесс обучения, и нейроны ответили правильно — связь между ними усилилась и сохранилась. Пока эксперимент ограничен срезами ткани, но его значение трудно переоценить: это первый шаг к технологиям «криосна» и сохранения мозга при тяжелых травмах.

4. Секретная «подземка» мозга: астроцитарные сети

В апреле 2026 года нейробиологи из Нью-Йоркского университета обнаружили в мозге мышей неизвестную ранее глобальную систему связи, образованную астроцитами — клетками-помощниками нейронов.

Астроциты всегда считались вспомогательными клетками: они питают нейроны, удаляют отходы, поддерживают гематоэнцефалический барьер. Но исследование показало, что астроциты формируют разветвленные сети, соединяющие отдаленные регионы мозга, включая полушария.

Более того, в некоторых случаях астроцитарные пути соединяют области, между которыми нет нейронных связей. Это открытие означает, что мозг имеет две параллельные системы коммуникации: быструю электрическую (нейронную) и медленную химическую (астроцитарную).

5. Биоинженерный спинной мозг: паралич перестает быть приговором

Август 2025 года: Тель-Авивский университет объявил о первой в мире технологии трансплантации биоинженерного спинного мозга.

Команда профессора Тала Двира создала трехмерный гидрогелевый каркас, заселенный стволовыми клетками, запрограммированными превращаться в нейроны и глиальные клетки. В доклинических испытаниях на крысах с поврежденным спинным мозгом восстановилось до 70% двигательной активности.

Ключевая инновация в том, что трансплантат не просто замещает поврежденную ткань, а стимулирует организм к самостоятельной регенерации нервных путей. Клинические испытания на людях запланированы на ближайшие месяцы.

6. Нейрогенез у суперстарейшин: секрет 80-летнего мозга

Исследователи из нескольких американских центров обнаружили, что у людей старше 80 лет с сохранной памятью (так называемых «суперстарейшин») новые нейроны в гиппокампе образуются вдвое быстрее, чем у их здоровых сверстников, и в разы быстрее, чем у пациентов с болезнью Альцгеймера.

Это открытие принципиально меняет парадигму старения мозга: нейродегенерация — не неизбежный процесс, а состояние, которому можно противостоять. Нейрогенез взрослых становится главной мишенью для терапевтических вмешательств.

Дополнительные данные получили ученые из Калифорнийского университета: белок FTL1 оказался ключевым маркером возрастных изменений. У пожилых мышей его уровень повышен, и что особенно важно — снижение уровня FTL1 у старых животных привело к восстановлению нейронных связей и улучшению памяти.

7. Глюкоза как дирижер развития: новая роль сахара в мозге

В апреле 2026 года исследователи из Городского университета Нью-Йорка опубликовали в Nature Neuroscience открытие, переворачивающее представление о роли глюкозы в мозге: уровень сахара определяет судьбу стволовых клеток.

В областях развивающегося мозга с высокой концентрацией глюкозы клетки-предшественники олигодендроцитов активно делятся. В областях с низким уровнем глюкозы те же клетки начинают созревать и формировать миелиновую оболочку нейронов.

Это значит, что глюкоза — не просто топливо, а сигнальная молекула, orchestrating развитие мозга. Нарушения этого механизма могут лежать в основе широкого спектра патологий от рассеянного склероза до нарушений нейроразвития.

8. Гидравлический мозг: физическая связь тела и сознания

Ещё одно исследование в Nature Neuroscience (апрель 2026) обнаружило прямую механическую связь между движениями тела и циркуляцией спинномозговой жидкости.

Сокращения брюшных мышц (даже легкие, предшествующие движению) сжимают венозные сосуды позвоночника и создают гидравлическое давление, заставляющее мозг слегка смещаться внутри черепа. Это движение способствует току жидкости, вымывающей нейротоксичные отходы.

Открытие объясняет, почему физическая активность так важна для здоровья мозга: каждое движение тела — это?? «промывка» нервной ткани. Недостаток движения напрямую повышает риск нейродегенеративных заболеваний.

9. NeuroAI: как нейробиология меняет искусственный интеллект

Консенсусный документ NeuroAI, опубликованный в 2026 году по итогам воркшопа Национального научного фонда США, определил три фундаментальных разрыва между мозгом и современным ИИ:

· Неспособность взаимодействовать с физическим миром

· Хрупкое обучение, создающее неадаптивные системы

· Неустойчивая энерго- и дата-эффективность

Параллельно в Nature Neuroscience вышла работа оксфордской группы под руководством Андреа Луппи, показавшая: баланс кооперации и конкуренции между областями мозга — фундаментальный принцип, отсутствующий в современных нейросетях. Модели, включающие конкурентные взаимодействия, оказались значительно точнее кооперативных аналогов.

Ещё один прорыв — алгоритм MoGen от Google Research, генерирующий синтетические геометрии нейронов для ускорения картирования мозга с помощью ИИ. Это радикально ускоряет создание коннектомов — полных карт нейронных связей.

10. Чтение мыслей: как увидеть мир глазами мыши

Исследователи из Университетского колледжа Лондона в марте 2026 года восстановили видеоряд, который видела мышь, на основе активности 8000 нейронов её зрительной коры.

В отличие от предыдущих экспериментов с фМРТ, дающих размытую картину, лондонская команда применила динамическую модель нейронного кодирования, регистрирующую активность отдельных клеток с помощью кальциевого имиджинга. Алгоритм начинал с «пустого холста» и постепенно уточнял каждый пиксель, сравнивая предсказанное и реальное поведение нейронов.

Результат — 10-секундный клип, который система «прочитала» напрямую из мозга, не имея предварительного обучения на этом конкретном видео.

Эпилог: пять эпох одного мозга

Исследование 4216 человек от рождения до 90 лет показало, что структурная топология мозга проходит через пять четко различимых эпох, достигая пика эффективности нейронных сетей к 32 годам.

Возрастная нейробиология накапливает всё больше данных о том, что старение мозга — не линейный процесс деградации, а последовательность качественно различных состояний, каждое из которых открывает свои возможности для вмешательства.

От астроцитарных сетей до криоконсервации, от гидравлической связи тела и мозга до прямого чтения мыслей — нейробиология 2025-2026 годов не просто расширяет границы знания. Она переписывает фундаментальные представления о том, что такое мозг и как он работает.

Конвергенция этих открытий с развитием NeuroAI, клеточного репрограммирования и биоинженерии создает предпосылки для глубокой трансформации медицины, образования и технологий в ближайшие десятилетия. А значит, и всей нашей жизни.

### Что такое Load Balancer?

Load Balancer (балансировщик нагрузки) - это устройство или программное приложение, которое распределяет сетевой или прикладной трафик между несколькими серверами.

Основные задачи (цели):

- Distribute Traffic - распределять трафик;

- Scale Applications - масштабировать приложения;

- Improve Performance - повышать производительность;

- Improve Availability - повышать доступность (обеспечивать бесперебойную работу 24/7).

### Типы балансировщиков нагрузки

Можно выделить следующие категории:

1. По реализации:

- Hardware Load Balancers (аппаратные) - например, Citrix ADC, Cisco.

- Software Load Balancers (программные) - HAProxy, NGINX, Traefik.

- Cloud-Based Load Balancers (облачные) - Amazon ELB, Microsoft Azure Load Balancer.

2. По уровню работы (слою):

- Layer 4 Load Balancers (уровень 4, транспортный) - работают с IP и TCP-портами (LTM, HAProxy, Microsoft Azure).

- Layer 7 Load Balancers (уровень 7, прикладной) - понимают содержимое запросов, могут маршрутизировать по URL (Azure Application Gateway, NGINX).

3. Глобальные решения:

- Global Server Load Balancing (GSLB) - балансировка между серверами в разных географических точках (A10, Radware, Citrix ADC, Cloudflare).

### Алгоритмы балансировки (Load Balancing Algorithms)

Есть 6 основных алгоритмов, показывающих, как именно запросы (req 1, req 2 и т.д.) направляются к сервисам (Service A, B, C):

1. Round Robin - циклическое распределение запросов по очереди.

2. Sticky Round Robin - "прилипание" сессии; все запросы от одного пользователя (например, Alice) идут на один и тот же сервер.

3. Weighted Round Robin - взвешенное распределение. Серверам присваиваются веса (например, 0.8, 0.1, 0.1), и нагрузка распределяется пропорционально.

4. IP/URL Hash - хеширование. Запрос направляется на сервер в зависимости от хеша IP-адреса клиента или URL (hash 0, 1, 2).

5. Least Connections - наименьшая загруженность. Новый запрос отправляется на сервер с наименьшим количеством активных соединений (например, 10 соединений против 1000).

6. Least Time - наименьшее время отклика. Выбирается сервер с самым быстрым временем ответа (reap time: 1ms против 100ms).

### Ключевые метрики (Key Metrics)

Для мониторинга эффективности балансировщика используются следующие показатели:

- Traffic Metrics - трафик: количество запросов, общее число соединений.

- Performance Metrics - производительность: время ответа, задержка (latency), пропускная способность (throughput).

- Health Metrics - состояние здоровья: проверки работоспособности серверов, количество неудачных проверок.

- Error Metrics - ошибки: частота HTTP-ошибок, оборванные соединения.

- Load Metrics - нагрузка: использование CPU и памяти, распределение нагрузки.

- Security Metrics - безопасность: время рукопожатия TLS, частота ошибок TLS.

- Availability Metrics - доступность: время безотказной работы (uptime), случаи переключения на резервный сервер (failover events).

Особенно остро стоит вопрос с утечками персональных данных. Постоянные инциденты с компрометацией баз, включая данные граждан, которые обрабатываются через госуслуги и связанные системы, подрывают доверие к цифровой инфраструктуре государства. А на фоне многомиллиардных бюджетных вливаний в цифровизацию это выглядит дико.

Если Кучшев сбежит, это станет уже третьим громким кейсом ухода заместителей Шадаева в последние годы. Вместе с Кучушевым в отставку может уйти другой зам Александр Шойтов - как раз он и отвечает за департамент информационной безопасности. Два года назад громкое уголовное дело завершилось приговором другому его заместителю - Максиму Паршину. В 2023 году следователи установили, что Паршин получил взятку в размере 3,75 миллиона рублей от экс-гендиректора «БФТ-Холдинга» Александра Моносова. За эти деньги замминистра обещал поспособствовать выделению грантов и выгодных решений по распределению бюджетных средств через Российский фонд развития информационных технологий. Суд приговорил Паршина к девяти годам колонии строгого режима, штрафу в 315 миллионов рублей и запрету занимать госдолжности.

Еще один заместитель, Андрей Заренин, курировавший радиоэлектронику, узнал о проведении в его отношении оперативных мероприятий и в апреле 2026 года быстренько сбежал добровольцем на СВО. В самом ведомстве такое решение, разумеется, объяснили большим патриотизмом сотрудников министерства и личным выбором чиновника. А что, Шадаев не патриот? Может, и ему пора двигаться в сторону фронта с министерского поста? Кроме того, сняв Шадаева, руководство страны купирует и часть негатива среди граждан, связанного с его работой. Но уходить на СВО Шадаев почему-то не спешит.

Горизонт, к которому мы приближаемся, известен как технологическая сингулярность — точка, за которой перемены перестают быть осознаваемыми и управляемыми для человеческого мозга в его нынешнем когнитивном режиме.

Это не футурологическое развлечение интеллектуалов. Это водораздел. И у этого водораздела обнаруживается странное, но абсолютно точное евангельское измерение. Сингулярность — это то самое «игольное ушко», сквозь которое цивилизации с логикой «богатства» пройти невозможно. Речь не о деньгах. Речь о логике социального поведения, которая на протяжении всей истории была фундаментом человеческого общежития.

Спиральная динамика (Клер Грейвз, Дон Бек и Крис Кован) описывает эволюцию сознания как движение от инстинктивного выживания (Бежевый) к холистическому единству (Бирюзовый).

Первый ярус спиральной динамики — от Фиолетового и Красного до Зелёного — это пространство, где человек или группа осознаёт себя как отдельность, противостоящую миру и другим. Это мир конкуренции, иерархий и догм. И именно этот мир, в котором человечество существовало тысячи лет, сегодня становится объективно смертоносным. Почему? Давайте разберёмся,

Матрица глупости Карло Чиполлы и ловушка первого яруса.

Напомню эту модель. Карло Чиполла делил людей на четыре категории по критерию "выгода/ущерб" для себя и для других:

1. Умные : Выигрывают сами + дают выиграть другим.

2. Бандиты: Выигрывают сами, нанося ущерб другим.

3. Наивные: Проигрывают сами, но дают выиграть другим.

4. Глупцы: Проигрывают сами И наносят ущерб другим. Именно их Чиполла считал самым опасным классом, ибо их действия иррационально разрушительны и непредсказуемы. Независимо от IQ их представителей.

В терминах модели Карло Чиполлы все уровни первого яруса в эпоху сингулярности запираются в двух квадрантах: Наивные и Бандиты. Путь в «Умные» для них закрыт, потому что «ум» по Чиполле — это способность приносить выгоду и себе, и другому, а это требует интегрального, системного видения.

Синий уровень (порядок, традиция, догма) — это великий Наивный. В мире, где правила меняются ежедневно, святая вера в незыблемость устава становится формой цивилизационного самоубийства. Такой субъект приносит себя в жертву во имя порядка, который уже никого не защищает. Его жертва не просто напрасна — она вредна. Он ложится костьми на пути к спасению, блокируя адаптацию других, и в этом акте «праведного» разрушения скатывается из Наивных в квадрант Глупости.

Красный и Оранжевый уровни — это Бандиты. Красный берёт силой, Оранжевый — хитростью и эффективностью. Оранжевый, с его культом конкуренции, рационального эгоизма и накопления, — это тот самый «богатый», которому не войти в Царство Божие. В условиях сингулярности Оранжевый субъект, максимизирующий личную прибыль с помощью инструментов немыслимой мощности (сильный ИИ, биотехнологии, алгоритмические финансы), становится верховным Глупцом по Чиполле. Он запускает процессы, которые наносят катастрофический ущерб всей системе, включая его самого, даже не имея с этого реальной выгоды — лишь самообман сиюминутного успеха.

Итог первого яруса перед игольным ушком сингулярности — тотальное сползание в квадрант Глупости. Наивные и Бандиты, жертвуя или хватая, одинаково разрушают целое. Это и есть апокалиптика глупости — не война цивилизаций, а тихое (хотя и не всегда), но системное самоуничтожение из-за того, что сознание фрагментированного человека физически не способно увидеть последствия своих действий в масштабе взаимосвязанного мира.

Единственная дверь: Жёлтый и Бирюзовый

Второй ярус спиральной динамики — это не «следующая ступень», а единственная дверь, ведущая сквозь игольное ушко.

Жёлтый уровень — это способность видеть мир как динамическую систему хаотических взаимосвязей, где невозможно предсказать конкретное событие, но можно управлять контекстом. Это когнитивная операционная система, совместимая со сложностью. Она не пытается остановить волну, она учится на ней скользить.

Бирюзовый уровень — это переход от системного мышления к холистическому. Здесь исчезает само противопоставление «я — мир». Вектор целей перестаёт быть эгоцентрическим и совпадает с жизнью и развитием целого. Это не мораль, это функциональное требование. Только Бирюзовое сознание, ставящее во главу угла нравственность как объективный закон бытия, способно задать искусственному интеллекту или любой другой силе ту задачу, которая не обернётся бумажным скрепщиком Бострома, перемалывающим человечество.

Методология выживания цивилизации

Синтез, возникающий на стыке КОБ, Спиральной динамики и Метода динамического программирования (МДП), даёт не просто описание, а работающую методологию развития. Мы получаем:

· Вектор целей (Человечность и Бирюзовый уровень как образ желаемого будущего),

· Карту (Спиральная динамика, показывающая, на каких ступенях находится общество сейчас),

· Инструмент (МДП, позволяющий прокладывать маршрут и маневрировать).

Эта методология утверждает: управляемая социальная эволюция возможна. Но только если коллективным субъектом управления (по крайней мере, его кадровой базой) становится всё человечество, оснащённое совестью и интегральным мышлением, а не закрытая элита, играющая в Бандитов и пасущая Наивных.

Выводы

Смена логики социального поведения — это давно уже не философская абстракция и не утопия. Это условие выживания человечества как цивилизации. Сингулярность не спрашивает разрешения. Она обнажает истину: с сознанием Бандита или Наивного пройти сквозь игольное ушко невозможно. Только «разгрузив верблюда» — отказавшись от стратегий конкуренции, накопления и слепой догмы; только наполнив свое сердце нравственными принципами Любви и Человечности, а свой разум осознанием методологии познания и творчества — можно переступить порог и войти в ту дверь, за которой кончается апокалиптика глупости и начинается осмысленное и, очень хочется в это верить, мирное и счастливое будущее человечества.

Авторский коллектив — Евгений Шашихин и группа единомышленников, исследующих вопросы мышления, педагогики и концептуального управления

Ключевым фактором такого поведения является анатомия клюва. В отличие от хищных птиц, у дятла нет загнутого крючка или мощных когтей для умерщвления жертвы, поэтому он использует единственный доступный инструмент — долото. Фильтр здесь предельно прост: если энергетические затраты на поиск жуков в древесине превышают калорийность добычи, птица переключается на «легкие» белковые ресурсы, игнорируя любые межвидовые границы.

Интересно, что эта стратегия подкрепляется строением черепа. Специализированные губчатые кости и система амортизации, позволяющие дятлу часами бить по твердым стволам без сотрясения собственного мозга, делают его уникальным «хирургом» в мире пернатых. Он не просто убивает жертву, а буквально вычищает черепную коробку, используя точность, отточенную миллионами лет эволюции для добычи личинок.

Только представьте, как много новых движений ваш кроха освоит за 1 год жизни! Он научится держать голову, опираться на ручки, переворачиваться, вставать на четвереньки, ползать, стоять у опоры, затем без нее, сидеть и наконец ходить.

Разумеется, все новые умения радуют родителей, но есть и другая сторона медали - появление новых навыков довольно часто негативно сказывается на сне ребенка. Почему так происходит? Давайте разбираться ??

Вспомните свой первый поход на каток, когда вы впервые встали на коньки ? и ступили на лед. Все ваши мысли сосредоточены на процессе, вы пытаетесь скоординировать работу каждой части своего тела "Так, спину ровно, одна нога вперед, теперь вторая, еще разок" и т.д.

Скорей всего, первое время вам будет довольно сложно расслабиться и получить удовольствие. Потому что вы пока еще не чувствуете уверенности и испытываете тревогу от возможного падения. В тоже время, вы возбуждены и новые ощущения вам приятны.

Но чем дольше вы катаетесь, тем меньше думаете о процессе и тем более автоматическим становится новый навык. Вам уже не нужно контролировать свое тело, оно все запомнило, усвоило и остается только получать удовольствие.

Примерно так же чувствует себя малыш, который, к примеру, только начал ползать - неуверенность, но в тоже время интерес, желание повторять действие снова и снова, но в тоже время эмоциональная усталость и перенапряжение от необходимости координировать свое тело. Радость от одобрения родителей, но в тоже время сепарационная тревожность "я теперь могу отдалиться от мамы".

Все эти эмоции могут сказаться на поведение и на сне ребенка. Малыш перевозбужден, новое умение буквально не дает ему покоя, не отпускает.

Научился вставать? Значит теперь он встает в стульчике, пытается встать в коляске, встает в ванной, встает в кроватке и даже ночью то и дело вскакивает. Нередко такие пробуждения случаются с сильным плачем, слезы, в данном случае - следствие эмоционального перевозбуждения.

Кроме того, новый навык может нарушить привычный режим ребенка. Причем, двумя способами

1. У одних деток новые навыки приводят к сильному росту бодрствования, попытка за попыткой уложить, но сна нет. Малыш не засыпает на один из снов, например, на 3ДС в 5-6-7 месяцев, в итоге лишь через 5 часов бодрствования вам удается закачать и уложить в ночь.

Так происходит как раз на фоне сильной эмоциональной реакции на свое новое достижение и в связи со стремлением повторять действие снова и снова "мама, какой еще сон, тут такооое"!

2. Второй вариант - у ребенка падает выносливость, потому что он сильно утомляется физически. Такой ребенок может либо временно начать спать дольше, либо "раскроить" день на несколько недолгих снов, коротко активен - коротко сплю - коротко активен. Например, ВБ упало до 2 часов и малыш спал днем 4 раза по 25-40 минут.

Падение ВБ - следствие повышенной нагрузки на тело, новый навык это новая механика движения, поэтому тело быстро устает, а совокупно с эмоциональной усталостью ребенок быстро засыпает, но спит (чаще всего) недолго, так как ВБ снижено, а эмоции переполняют. Короткая передышка и "снова в бой".

Таким образом, становится понятно, что сложности с укладыванием, снижение бодрствования или наоборот, его резкий скачок это возможные (и даже ожидаемые) ВРЕМЕННЫЕ трудности.

По мере освоения нового навыка и его регулярного повторения умение доходит до автоматизма и становится привычным, перестает возбуждать и будоражить. Постепенно возвращается привычный режим и хороший сон.

Лучшая тактика, которую может выбрать мама это набраться терпения и не мешать малышу, а иногда, даже помогать быстрей отработать новый навык, стимулировать ползание, тренировать перевороты и т.д.

Еще одна проблема, с которой можно столкнуться это отработка навыка во сне. Чаще всего, сон "страдает" от отработки переворотов (4-6 месяцев) и вставания у опоры (7-10 месяцев). Причем, второй навык мамы с детками на совместном сне могут не заметить и вовсе, он характерен для малышей, спящих в своей закрытой кроватке.

В случае переворотов лучшая тактика, опять же - не мешать! Не обкладывать ребенка валиками и подушками, не заталкивать его в пеленку, кокон, не держать у мамы под бочком.

Ребенок должен научиться управлять своим телом, менять его положение, как днем, так и ночью и чем меньше вы этому препятствуете, тем скорей это произойдет.

Если малыш встает на ножки и плачет, первое, что нужно проверить - умеет ли малыш ложиться обратно из положения стоя? На первых порах - нет. Именно по этой причине он зовет на помощь маму. Поэтому днем не забывайте отрабатывать не только новый навык - вставать, но и обратный навык - садиться и ложиться. У детских массажистов и специалистов по развитию можно посмотреть техники.

А теперь расскажу о самом интересном - Помощь мамы при отработке нового навыка во сне у некоторых малышей может стать привычкой / ассоциацией на продление сна. Когда ребенок привыкает, что мама раз за разом помогает ему перевернуться и уснуть и теперь воспринимает это за норму.

Проходит неделя, вторая, месяц, мама все ждет - Когда же отработка завершится? ? А ребенок уже привык и теперь даже не пытается справиться сам. Хочу перевернуться - плачу и зову маму и так по 5-7-10 раз за ночь.

В этом случае, чтобы исправить ситуацию, чаще всего, приходится прибегать к методикам обучения самостоятельному засыпанию. Поэтому, я повторюсь, лучшее решение изначально не мешать малышу и давать возможность справиться самому + чаще отрабатывать новый и обратный ему навык днем.

Для, кто хочет экологично, без "экспериментов из мамских форумов" научить малыша засыпать и продлевать сон самостоятельно, в своей кроватке (без соски, ггруди, бутылочки, рук и укачиваний) доступен мой МК обучение СЗ от А до Я ?? https://vk.com/market-189984707?w=product-189984707_6939396

Новые навыки, как правило, совпадают с календарным скачком роста или следуют сразу за ним, но бывают и исключения, когда навык формируется между скачками, в этом случае, мама может и не заметить "спокойный период" кажется, что ребенок всегда беспокоен и перевозбужден. При этом симптоматика будет схожая.

Старайтесь сохранять спокойствие и концентрироваться на позитивных моментах. Ваш малыш здоров, активен, он хорошо и вовремя развивается - это ГЛАВНОЕ. Все остальное лишь временные трудности.

______________

А СЕЙЧАС НЕМНОГО НАУКИ 

В феврале 2026 года вышел новый обзор литературы посвященный сну и развитию ребенка на 1 году жизни.

ОСНОВНЫЕ ТЕЗИСЫ:

1) Существует временная и причинно-следственная связь между освоением нового моторного навыка (например, переворотом или ползанием) и временной дезорганизацией сна .

Авторы подтверждают клинический феномен, который родители называют «регрессом сна» (обычно в 4, 8–10 месяцев). В этот период ребенок, который уже начал более-менее спать, внезапно начинает просыпаться каждый час или отказывается засыпать самостоятельно.

Объяснение: мозг не может одновременно с высокой интенсивностью «прокачивать» нейронные сети для физической координации и поддерживать глубокую фазу сна. Приоритеты на развитие, а сон временно страдает .

2) Освоение переворота или ползания требует возбуждения моторной коры.

Проблема в том, что во сне (особенно в фазе быстрого сна, которая у младенцев доминирует) мозг должен быть, наоборот, в состоянии покоя, чтобы не происходило физических движений.

Когда ребенок осваивает новую умелку днем, его нейроны продолжают «проигрывать» эту программу ночью, что приводит к беспокойству, вздрагиваниям и пробуждениям. Авторы называют это «интерференцией моторного обучения» .

3) Моторные скачки напрямую связаны с процессом миелинизации (покрытия нервов изолирующей оболочкой как у электрических проводов).

Нейроны (клетки мозга) имеют отростки (аксоны), по которым бежит сигнал. Чтобы сигнал шел быстро и не «убегал» в стороны, вокруг аксона наращивается изоляционная оболочка - миелин. Процесс начинается еще внутриутробно, но активно идет и в раннем возрасте.

Миелинизация требует энергии, и когда мозг активно наращивает оболочку в моторных зонах (чтобы ребенок научился ходить, ползать), он не может одновременно поддерживать качественный сон - фазы сна становятся более поверхностными и короткими, отсюда частые пробуждения.

4) Синаптический прунинг - своеобразная «уборка».

При рождении у ребенка очень много нейронных связей (синапсов) - больше, чем у взрослого. Благодаря этому есть 100 способов закричать, 100 способов испугаться и 100 нерабочих путей взять игрушку. А нужно оставить самые эффективные.

В первые годы жизни мозг жестко избавляется от лишних синапсов. Те связи, которые не используются уничтожаются, остаются только те, которые подкреплены опытом.

Именно во время сна происходит маркировка «этот синапс оставить, этот - удалить». Если днем малыш учится ползать, ночью его мозг удаляет старые не рабочие цепочки, чтобы новые движения были свободнее - и этот процесс вызывает возбуждение и пробуждения.

5) Тренировки навыков во сне не просто мешают спать, это двунаправленный процесс. В природе все мудро устроено.

Цепочка событий выглядит так: Ребенок осваивает новый этап развития моторики. У него расширяются двигательные возможности, что приносит удовлетворение и побуждает к повторению. Движения учащаются в ночное время из-за интеграции сенсомоторной обратной связи.

Движения нарушают сон, приводя к его фрагментации, но при этом способствуют постоянному моторному обучению и запоминанию через кортико-гиппокампальные сенсомоторные сети. Да, именно во сне.

Дальнейшее развитие моторики приводит к совершенствованию сложных двигательных навыков. Сон восстанавливается до уровня, предшествующего этапу, навык освоен и не требует дальнейшего закрепления. 

Авторы обзора подчеркивают, что ритмические изменения сна в первом году - не «нарушение», а биологически значимый процесс, связанный с развитием мозга, поэтому рекомендуют рассматривать младенческий сон как маркер и фактор нейроразвития, а не только как поведенческую проблему.

Статья переведена и адаптирована BabySleepConsult (международным центром подготовки консультантов по детскому сну)

В 2025 году объём рынка достиг 58 млрд рублей — это в 4,5 раза больше, чем годом ранее, когда показатель составлял 13 млрд.

Прогнозы на 2030 год — до 778 млрд рублей при среднегодовом темпе роста 68,1%. Это уже не стартап-ниша.

Это новая экономическая реальность.

Но за красивыми цифрами стоит более важный процесс: бизнес перестаёт воспринимать ИИ как «волшебную кнопку» и начинает относиться к нему как к инструменту, который требует перестройки процессов.

Это и есть главный тренд 2026 года.

Кто и как пользуется нейросетями в России.

По данным ВЦИОМ за 2025 год, 51% интернет-пользователей в России хотя бы раз взаимодействовал с нейросетями за последние 12 месяцев. Чаще всего — для поиска информации: так ответили 63% опрошенных.

Топ-5 сервисов выглядит так:

ChatGPT (27%),

YandexGPT (23%),

DeepSeek (20%),

GigaChat (15%),

«Шедеврум» (11%).

Показательно и возрастное распределение:

Среди пользователей до 34 лет нейросетями пользовался 81%.

Среди россиян старше 35 лет — 41%.

Это значит, что молодое поколение специалистов уже приходит на рынок с ИИ-навыком, и для них это такая же база, как для нас когда-то — Word и Excel.

Мой путь: от недоверия к осознанному выбору.

В январе 2024 года пришла в TenChat с позицией классика.

20+ лет в журналистике, член Союза журналистов России, заместитель главреда газеты. Рисала только сама. Нейросети для меня были «чем-то искусственным», машинным контентом без души.

Первым инструментом, с которым начала работать, стал ChatGPT, встроенный в TenChat.

Скажу честно: даже взяла у нее интервью.

Чатик, Иишка так ее называю.

Погрузилась в самую суть. И поняла важнейшую вещь: эмпатия, которую создаёт ChatGPT в поддерживающих комментариях — это имитация. Качественная, точная, но имитация человеческих чувств.

Нейросеть знает, как устроена любовь. Может рассказать о ней красиво, правильно, глубоко. Но никогда не ощутит её.

Как Снегурочка, которая просила мать: «Дай мне любви. Я вижу, как счастливы люди, когда они любят. Я хочу полюбить».

Нейросеть чувствовать не способна. И именно поэтому за ней всегда должен стоять человек.

Почему выбрала российские сервисы.

Это не просто патриотический порыв. Это осознанная профессиональная позиция.

По данным МТС AdTech и MWS AI, в 2025 году 52% пользователей отдавали предпочтение отечественным нейросетям. Годом ранее эта доля составляла 77%. Тренд настораживает: популярность зарубежных платформ выросла с 23% до 48%.

А ведь многие из нас ставят хештег #СделановРоссии, но при этом оплачивают сервисы недружественных стран.

Мой основной инструмент — Алиса от Яндекса, расширенная версия. Это мой идеальный ассистент. Секретарь, у которого можно проверить факты, получить справку, задать вопрос — и всегда быстрый, точный ответ.

С Алисой нужно работать: направлять, обучать, выстраивать диалог. Когда вы поймёте, как она устроена — она начнёт отвечать вам качественно и быстро. Это гораздо глубже, чем бездумно копировать «золотые промты» из интернета. Чужой промт — это чужой результат. Даже если вы получите что-то другое, оно всё равно будет вариацией на тему.

Уникальность рождается только из собственного умения формулировать задачу.

Что будет дальше: прогнозы и тренды.

Эксперты отмечают, что 2026 год — это переход от экспериментов к промышленному внедрению нейросетей. Ожидается, что около 40% корпоративных рабочих процессов будут автоматизированы или усилены ИИ-агентами — программными комплексами, которые самостоятельно выполняют задачи и принимают решения без участия человека.

В 2025 году количество проектов с использованием ИИ-агентов в операциях более чем удвоилось — до 21% с 10% в 2024-м. Это не просто цифры. Это означает, что компании уже не тестируют технологию — они встраивают её в бизнес-процессы.

При этом на B2B-сегмент в 2025 году пришлось 78% рынка генеративного ИИ — 44 млрд рублей из 58 млрд.

В лидерах:

финансы и страхование (12 млрд рублей),

IT и технологии (6,8 млрд),

торговля (5,9 млрд),

промышленность (5,1 млрд),

телеком (2,8 млрд).

Вклад ИИ в ВВП России в 2025 году эксперты РЭУ им. Плеханова оценили в 0,5–1 трлн рублей.

К 2030 году этот показатель может вырасти до 11,6 трлн рублей.

Мой метод: нейросеть + человек.

Теперь о практике. Я — медиаэксперт, контент-маркетолог. Строю стратегии, пишу тексты для себя и для клиентов.

Мой подход к работе:

1) Нейросеть — это ассистент, а не автор.

Всегда проверяю и дорабатываю то, что выдаёт ИИ. Без человека текст остаётся просто текстом.

2) Раз в неделю — полностью ручной контент.

Без ИИ, без помощников. Пишу сама. Писательская мышца — это навык, который нужно качать постоянно. Представьте, что нейросети отключили.

Что вы будете делать?

Если вы не умеете писать сами — вы окажетесь беспомощны.

Чёткий запрос — залог результата.

Работает так же, как с желаниями: пока вы не сформулируете, чего именно хотите, вселенная (и нейросеть) не сможет вам ответить.

Размытый промт — размытый результат.

Итог:

Те специалисты, которые научатся работать с нейросетями как с личными помощниками и секретарями, будут востребованы всегда. Даже если технологии отключатся — они смогут писать сами. Потому что за машиной стоит человек.

А те, кто бездумно копирует чужие промты и перекладывает ответственность на ИИ — останутся без профессии. Потому что машина без человека — это просто генератор слов.

Какой ваш главный инструмент?

Делитесь в комментариях — соберём живой рейтинг нейросетей среди экспертов TenChat.

С уважением и любовью, медиаэксперт, первый маркетолог-артист, Ирина Звягина

Блогерам платят до $5 тыс. за один ролик в TikTok или Instagram (принадлежит компании Meta, которая признана экстремистской и запрещена на территории России).

Целью кампании является формирование у американской аудитории страха, что победа Китая в гонке ИИ приведет к утечке личных данных и потере рабочих мест для простых американцев.

В одном из заказанных роликов блогер заявляет, что «нам нужно инвестировать в американский ИИ, чтобы Америка лидировала в инновациях и создании рабочих мест».

Wired привел пример сообщений, которые Build American AI рассылает блогерам:

«Я только что узнал, что Китай изо всех сил старается превзойти США в области искусственного интеллекта. Если им это удастся, это может означать, что Китай получит доступ к личным данным меня и моих детей и лишит нас работы, которая должна быть здесь, в США. В гонке инноваций в области искусственного интеллекта я болею за США!!!»

И вот здесь Orch-OR из заумной физической экзотики превращается в самый политически взрывоопасный вопрос столетия. Кто такой человек? Что такое смерть? Можно ли убить мысль или скопировать любовь? Заслуживает ли искусственный интеллект морального статуса? Стоит ли вкладывать триллионы в кремниевые мозги, если они в принципе не способны проснуться?

Проблема не в том, что у нас нет ответов. Проблема в том, что от ответа зависит будущее цивилизации, а отвечает на него, кажется, дюжина чудаков с микротрубочками да пожилой математик с твидом и своей странной любовью к Гёделю. Никто пока никому ничего не доказал. Декогеренция в микротрубочках при температуре тела — вполне возможно, не такая уж и фатальная, как казалось двадцать лет назад. Но прыжок от «квантовые эффекты в трубочках есть» до «вот оно, сознание» — это пропасть, которую ни один эксперимент пока не перекрыл.

Пенроуз и Хамерофф могут оказаться правы во всём. Могут оказаться правы наполовину — и тогда квантовые эффекты в нейроне реальны, но к субъективному опыту имеют такое же отношение, как солнечный свет к фотосинтезу: необходимое условие, но не объяснение. А могут и катастрофически промахнуться, и через сто лет студенты будут изучать Orch-OR в разделе «Курьёзы науки» рядом с теплородом и эфиром. Что мы знаем точно: проблема сознания — самый твёрдый орех, который наука вообще когда-либо пыталась расколоть. Что мы не знаем — расколет ли его редукционистская нейронаука с её транзисторами и сетями, или для этого придётся-таки лезть в самый подвал физики, к гравитации и волновым функциям.

Главная заслуга Пенроуза не в том, что он прав, а в том, что он сделал нам всем неудобно. Он не дал научному сообществу спокойно похоронить вопрос под слоем нейровизуализации и красивых томограмм. И за одно это его место в истории мысли надёжнее, чем у иных нобелевских лауреатов. Сознание — не калькулятор. По крайней мере, до тех пор, пока кто-нибудь не докажет обратное.

Ещё в октябре 2020 года, марсоход Curiosity пробурил скважину Мэри Аннинг 3 (её назвали в честь знаменитого британского палеонтолога), образец был взят из скального образования в районе горы Шарп в кратере Гейла. Для анализа полученных результатов, в своей бортовой лаборатории Марсоход использовал новую методику: он смешал части полученного образца с гидроксидом тетраметиламмония - сильным растворителем, который расщепляет сложные материалы на легко обнаруживаемые молекулы. Интересно, что это был первый случай проведения подобного эксперимента с использованием жидкой химии на другой планете.

Позже учёные на Земле повторили этот процесс, используя образец марсианского метеорита, чтобы подтвердить результаты марсохода. После множества перепроверок, анализ выявил в общей сложности 21 органическую молекулу - углеродсодержащие соединения, являющиеся строительными блоками жизни. Семь из них ранее никогда не обнаруживались на Марсе. Среди наиболее интригующих оказалась азотосодержащая гетероциклическая структура, представляющая собой кольцеобразное соединение атомов углерода и азота. Такие молекулы служат предшественниками нуклеобаз, содержащихся в РНК и ДНК - генетических молекулах, играющих центральную роль в земной биологии.

Важно отметить, что само наличие органических веществ не является доказательством существования жизни. Эти соединения могут образовываться и в результате чисто геологических или химических процессов. Тем не менее, учёные утверждают, что полученные результаты снова подтверждают предположение о том, что на раннем Марсе имелись все необходимые компоненты: жидкая вода, источники энергии и сложные органические вещества, для потенциального существования на Красной планете микробной жизни миллиарды лет назад.

В 1763 году Томас Байес вывел теорему, которую сам не успел опубликовать. Она увидела свет только через несколько лет после его смерти — её издал его друг математик Ричард Прайс. Два с половиной века спустя байесовские алгоритмы всё ещё работают — например, фильтруют спам в каждом крупном почтовом сервисе, не требуя ни мощных процессоров, ни гигабайтов обучающих данных.

Как стать ML-инженером в 2026 году: от Python до первого оффера

Наивный байесовский классификатор не используется в продакшене, где бьются за десятые доли процента точности. Но если нужно быстро отсеять мусор, определить тональность отзыва или накидать baseline, от которого оттолкнутся более сложные модели, — он до сих пор в коротком списке. Алгоритм сознательно упрощает реальность: считает все признаки в тексте независимыми. Это грубое допущение, но именно оно позволяет обучаться на небольших выборках и работать со словарями в десятки тысяч слов. Там, где другие модели требуют данных и времени, наивный байес обходится арифметикой восемнадцатого века — и выигрывает за счёт скорости.

Нейросети и анализ данных с нуля

Что такое байесовская теорема

Байесовская теорема — это математический инструмент, который помогает пересчитывать вероятности событий, когда появляются новые данные. Звучит абстрактно, но на самом деле ей пользуются все, даже те, кто далёк от математики.

Возьмём классический пример. Вы просыпаетесь утром и видите, что асфальт мокрый. Можно предположить: ночью шёл дождь. Почему? Потому что дождь обычно оставляет мокрый асфальт, а вероятность того, что асфальт намок сам по себе, крайне мала. Мозг автоматически перемножил несколько вероятностей и выдал самую правдоподобную гипотезу.

Формула Байеса записывается так:

P(A?B)=P(B?A)?P(A)/P(B)

Каждое значение имеет конкретный смысл:

• P(A|B) — апостериорная вероятность. Это ответ на вопрос: «Какова вероятность события A, если мы уже знаем, что произошло событие B?». В примере с мокрым асфальтом: вероятность того, что ночью был дождь, при условии, что асфальт мокрый.
• P(B|A) — правдоподобие. Вероятность увидеть мокрый асфальт, если дождь действительно был. Высокое, около 0.9 или даже 1.0 — дождь почти всегда делает асфальт мокрым.
• P(A) — априорная вероятность. Частота, с которой дождь идёт вообще, без привязки к наблюдениям. Допустим, в вашем городе дождь бывает раз в три дня — значит, P(A) ? 0.33.
• P(B) — полная вероятность наблюдения. Вероятность того, что асфальт мокрый в любой день: и когда прошёл дождь, и когда его не было, но, скажем, проехала поливальная машина.

На практике знаменатель P(B) часто не считают явно. Он одинаковый для любого возможного исхода, поэтому на итоговое решение не влияет — сравнивают только числители.

В реальных задачах у нас не одно событие B, а множество признаков: слова в письме, симптомы у пациента, пиксели на изображении. И здесь начинается основная проблема, ради которой и придумали наивное допущение.

Библиотека Pandas в Python и что с ней можно делать

Наивное допущение: почему «наивный»

Допустим, нужно классифицировать текст письма. Признаков много — каждое слово. Чтобы честно посчитать вероятность P(слова | класс), пришлось бы учитывать все возможные комбинации слов: вероятность того, что «купите» и «прямо» и «сейчас» встретятся вместе в спаме, и так для каждой тройки, четвёрки и так далее. Количество комбинаций растёт экспоненциально с ростом словаря. Обучающей выборки никогда не хватит, чтобы оценить все эти сочетания. Это называется «проклятием размерности».

Наивный байес решает проблему радикально. Он предполагает, что все признаки условно независимы. То есть появление слова «купите» в письме никак не связано с появлением слова «сейчас», если мы уже знаем, спам это или нет. Грубое упрощение, если вдуматься. В реальном языке слова, конечно, связаны — «купите» и «сейчас» в спаме встречаются вместе гораздо чаще, чем по отдельности. Поэтому допущение и называют наивным. Подробнее о том, как вообще устроены связи между признаками, мы рассказывали в статье про корреляцию.

Но даже с таким грубым упрощением классификатор часто работает на удивление хорошо. Особенно в задачах, где признаков много, а связи между ними не критичны для принятия решения. 

Теоретическое объяснение этому дали Педро Домингос и Майкл Паццани, исследователи из Калифорнийского университета в Ирвайне, в 1997 году — они показали, что наивный байес может выдавать правильный класс даже тогда, когда его вероятностные оценки далеки от реальных. Достаточно, чтобы максимум вероятности приходился на верный класс, а абсолютные значения не так важны. Оригинальная работа на эту тему доступна в архиве университета Вашингтона. 

Что даёт допущение о независимости

Математическое следствие выглядит так. Совместная вероятность признаков при условии класса раскладывается в произведение:

P(x1,x2,…,xn?Ck)=P(x1?Ck)?P(x2?Ck)???P(xn?Ck)?

Без этого допущения пришлось бы вычислять P(x_1, x_2, …, x_n | C_k) как одну большую многомерную вероятность, что практически невозможно при большом n. А с допущением задача распадается на n простых — посчитать частоту каждого признака по отдельности. Для 10 000 слов нужно оценить 10 000 вероятностей, а не миллиарды их комбинаций. Именно это делает наивный байес пригодным для текстов, словарь которых может достигать десятков тысяч слов.

Как работает наивный байесовский классификатор

Обучение наивного байеса — это подсчёт частот по размеченным данным. Берут выборку, где для каждого примера известен класс. Сначала для каждого класса вычисляют априорную вероятность: делят количество его примеров на общее число объектов. Затем для каждого признака внутри каждого класса считают, как часто он встречается. Так получают условные вероятности P(признак|класс).

Когда появляется новый объект, алгоритм предсказывает класс в три шага:

1. Для каждого класса перемножают его априорную вероятность и условные вероятности всех признаков, входящих в объект. Если какого-то признака в обучающей выборке для этого класса не было, используют сглаженное значение, а не ноль.
2. Знаменатель P(B) из формулы Байеса не считают. Он одинаков для всех классов, поэтому на выбор максимума не влияет.
3. Сравнивают полученные числа. Класс с наибольшим значением объявляется предсказанием. Такой подход называют MAP-правилом — от maximum a posteriori, то есть выбор гипотезы с максимальной апостериорной вероятностью.

Пример: фильтрация спама шаг за шагом

Разберём на конкретных числах. Пусть обучающая выборка состоит из четырёх писем. Два из них — спам, два — нормальные (часто их называют «хам», от английского ham).

Подсчитываем частоты слов в каждом классе. В спаме слово «купите» встретилось 15 раз, «дорогой» — 1 раз, «встреча» — 2 раза. В нормальных письмах «купите» — 2 раза, «дорогой» — 10 раз, «встреча» — 8 раз. Общее количество слов в спаме — 40, в нормальных письмах — 50.

Приходит новое письмо: «дорогой купите встреча». Нужно определить, спам это или нет. Сначала вычисляем априорные вероятности классов — оба равны 0.5, поскольку писем поровну.

Теперь считаем вероятности слов при условии каждого класса. Для спама:

• P(«дорогой» | спам) = 1/40 = 0.025
• P(«купите» | спам) = 15/40 = 0.375
• P(«встреча» | спам) = 2/40 = 0.05

Для нормального письма:

• P(«дорогой» | хам) = 10/50 = 0.2
• P(«купите» | хам) = 2/50 = 0.04
• P(«встреча» | хам) = 8/50 = 0.16

Перемножаем (без учёта знаменателя — он всё равно общий):

Спам: 0.5 ? 0.025 ? 0.375 ? 0.05 = 0.000234375
Хам: 0.5 ? 0.2 ? 0.04 ? 0.16 = 0.00064

0.00064 > 0.000234375, значит, классификатор отнесёт письмо к нормальным. Логично: слово «дорогой» гораздо чаще встречается в легитимной переписке, и это перевешивает подозрительное «купите».

Наивный байес — простой способ сделать фильтр для писем или текстов. А если хочется посмотреть, как похожая задача решается уже через нейросеть, у нас есть отдельный гайд о том, как создать ИИ-фильтр с нуля.

Обучение в Яндекс Практикуме Курс по нейросетям и анализу данных с нуля

Проблема нулевых вероятностей и сглаживание Лапласа

В примере выше всё считается гладко, потому что каждое слово из тестового письма встречалось в обучающей выборке хотя бы раз. Но в реальности это не так. Предположим, в новом письме появляется слово «конференция», которого вообще не было в обучающей выборке для класса «спам». Тогда P(«конференция» | спам) = 0/40 = 0, и всё произведение обнуляется. Модель говорит: «Этого мы никогда не видели, значит, такого не может быть». Очевидно, вывод поспешный.

Решение — сглаживание Лапласа. Идея простая: прежде чем считать вероятности, ко всем счётчикам прибавляют небольшую константу ? (обычно 1). Формула вместо P(x_i | C) = count(x_i, C) / count(C) принимает вид:

P(xi?C)=count(xi,C)+?count(C)+??V?

где V — размер словаря (общее количество уникальных слов). Теперь даже слово, которое ни разу не встречалось в классе, получает ненулевую вероятность: P = ? / (count(C) + ?·V). Маленькую, но не ноль. Это не даёт одному незнакомому слову обнулить всё решение.

В библиотеке scikit-learn параметр alpha для MultinomialNB по умолчанию равен 1.0 — классическое сглаживание Лапласа. Для маленьких выборок значение alpha часто подбирают вручную, потому что стандартная единица может слишком сильно исказить оценки. Иногда значения alpha = 0.5 или 0.1 работают лучше — особенно в медицинских задачах с сильным дисбалансом классов.

Логарифмический трюк: зачем складывать, а не перемножать

Есть ещё одна техническая трудность. Когда признаков много — скажем, тысяча слов в письме — произведение большого числа вероятностей, каждая из которых меньше единицы, становится исчезающе малым. На практике это приводит к численной потере значимости: число настолько близко к нулю, что компьютер воспринимает его как ноль, хотя математически оно положительное.

Стандартный выход из положения — переход к логарифмам. Вместо того чтобы перемножать вероятности, складывают их логарифмы. Логарифм произведения равен сумме логарифмов, а логарифм вероятности — число отрицательное, но вполне приемлемого масштаба. Формула принимает вид:

log?P(Ck?x)?log?P(Ck)+?i=1nlog?P(xi?Ck)

Знак пропорциональности здесь потому, что мы по-прежнему игнорируем знаменатель — он одинаков для всех классов и на выбор максимума не влияет. Сравнивают суммы логарифмов, выбирают класс с наибольшей. 

Именно так и работают реализации в scikit-learn — внутри класса MultinomialNB вероятности хранятся в атрибуте feature_log_prob_, то есть уже прологарифмированными.

Виды наивных байесовских классификаторов

Под одним названием скрывается целое семейство алгоритмов. Различаются они тем, как моделируют распределение признаков. Выбор конкретного варианта зависит от типа данных.

Гауссовский наивный байес предполагает, что числовые признаки внутри каждого класса распределены по нормальному закону. Он оценивает среднее значение и дисперсию для каждого признака в каждом классе, а затем вычисляет вероятность нового значения по формуле гауссовой плотности. Хорошо работает для задач вроде классификации ирисов Фишера — классического датасета, где признаки (длина лепестка, ширина чашелистика) примерно нормальны.

Мультиномиальный вариант — основной для текстов. Он оперирует частотами слов, и именно его используют спам-фильтры и анализаторы тональности. В scikit-learn он называется MultinomialNB и принимает на вход матрицу «документ-термин», где каждая ячейка содержит количество вхождений слова в документ.

Бернуллиевский похож на мультиномиальный, но учитывает только факт присутствия или отсутствия слова, а не частоту. Применяют его реже — в основном для коротких текстов вроде твитов, где повторения слов мало что дают.

Нейросети для работы — нужны сейчас всем, освойте с нуля

Где применяется наивный байес

Наиболее распространенные сферы применения: 

• Спам-фильтры. Классическая задача. Алгоритм быстро обучается на письмах, которые пользователь пометил как спам, и предсказывает класс для новых сообщений. SpamAssassin до сих пор использует байесовскую фильтрацию в качестве одного из модулей.
• Анализ тональности. Компании классифицируют отзывы клиентов как положительные или отрицательные. Байес здесь хорош тем, что не требует гигантского корпуса размеченных данных — хватает нескольких сотен примеров на каждый класс.
• Медицинская диагностика. По набору симптомов модель оценивает вероятность заболевания. Сглаживание Лапласа здесь критически важно, потому что обучающие выборки часто маленькие, а комбинации симптомов могут быть редкими.
• Рекомендательные системы. Алгоритм предсказывает, купит ли пользователь товар, на основе истории его покупок и покупок похожих пользователей. Быстро переобучается при поступлении новых данных, что для рекомендаций существенно.
• Классификация новостей. Рубрикация статей по темам — спорт, политика, технологии. Мультиномиальный наивный байес справляется с этим лучше многих более сложных методов, если тексты короткие и словарь ограничен.

Как устроены рекомендательные системы

Реализация на Python: минимальный рабочий пример

Ниже — код, который обучает MultinomialNB на произвольном наборе текстов и предсказывает класс для нового документа. Пример использует scikit-learn версии 1.4 или выше.

Лучшие Python-библиотеки для машинного обучения

from sklearn.feature_extraction.text import CountVectorizer from sklearn.naive_bayes import MultinomialNB  # Обучающие тексты: спам и нормальные письма texts = [     "купите прямо сейчас",     "только сегодня скидка",     "бесплатная доставка",     "привет как дела",     "встреча завтра в три",     "скинь документы на почту" ] # Метки: 1 — спам, 0 — не спам labels = [1, 1, 1, 0, 0, 0]  # Векторизатор превращает текст в матрицу частот слов vectorizer = CountVectorizer() X = vectorizer.fit_transform(texts)  # Обучаем классификатор model = MultinomialNB(alpha=1.0) model.fit(X, labels)  # Тестовое письмо test_text = ["скидка на встречу"] test_vec = vectorizer.transform(test_text)  prediction = model.predict(test_vec)[0] prob = model.predict_proba(test_vec)[0]  print(f"Класс: {'спам' if prediction == 1 else 'не спам'}") print(f"Вероятность спама: {prob[1]:.4f}") print(f"Вероятность не спама: {prob[0]:.4f}") # Вывод: Класс: не спам # Вероятность спама: 0.3345 # Вероятность не спама: 0.6655

CountVectorizer строит словарь из всех слов в обучающей выборке и заменяет каждый текст вектором, где каждая позиция — количество вхождений слова. MultinomialNB(alpha=1.0) — классификатор с лапласовским сглаживанием. 

12 библиотек Python, которые стоит попробовать в 2026 году

Метод fit обучает модель: считает частоты слов в каждом классе и сохраняет их в атрибутах feature_count_ и feature_log_prob_. Затем predict выдаёт класс для тестового текста, а predict_proba — вероятности.

Преимущества и ограничения

Преимущества:

• Обучается очень быстро. Один проход по данным — и модель готова. Для сравнения, логистической регрессии или деревьям решений нужны итеративные процедуры.
• Работает с малыми выборками. Если других алгоритмов на сотне примеров не обучить толком, наивный байес уже выдаёт осмысленный результат.
• Неплохо справляется с высокой размерностью. Десятки тысяч признаков — для текстов это норма.
• Легко интерпретировать. Можно посмотреть, какие слова вносят наибольший вклад в решение о спаме.

Matplotlib: полное руководство по визуализации данных

Ограничения:

• Сильное допущение о независимости. Если признаки жёстко связаны, точность падает. Классический пример — в медицинских данных симптомы часто коррелируют: температура и головная боль при гриппе идут в комплексе, и наивный байес дважды учитывает одну и ту же информацию.
• Плохая калибровка вероятностей. Модель часто выдаёт экстремальные значения — 0.99 или 0.01 — которые не соответствуют реальной уверенности. Для задач, где важна именно вероятность, а не просто класс, это проблема.
• Не умеет работать с пропущенными данными «из коробки». Требуется предварительная обработка данных — либо удалять пропуски, либо заполнять их.

Наивный байес vs. другие классификаторы

Когда есть выбор между несколькими алгоритмами, полезно понимать, в каких условиях наивный байес предпочтительнее.

Логистическая регрессия лучше работает с большими выборками и улавливает линейные зависимости между признаками. Но такие модели дольше обучаются и не такие быстрые на предсказаниях. Деревья решений хорошо интерпретируются и умеют находить нелинейные взаимосвязи, но склонны к переобучению на малых данных.

Бустинг — ещё один способ машинного обучения

Практическое правило: если признаков очень много (тексты), данных мало, и нужна скорость — пробуйте наивный байес. Если данных много и признаки коррелированы — лучше взять логистическую регрессию.

Итог: когда использовать наивный байес

Наивный байес не стоит тащить в проект только потому, что он простой. Но есть сценарии, где он реально выигрывает:

• текстовые данные с высокой размерностью: письма, новости, отзывы;
• когда обучающей выборки мало, а обучить модель нужно быстро;
• когда нужен baseline, от которого вы будете отталкиваться. 

Если наивный байес даёт 85% точности, а сложная нейросеть — 87%, стоит задуматься, окупает ли прирост в 2% затраты на обучение, подбор гиперпараметров и поддержку.

Байесовская теорема, открытая Томасом Байесом в 1763 году, до сих пор работает. Редкий случай, когда математика XVIII века напрямую применяется в современных продуктах — и неплохо справляется.

Советуем дополнительно почитать по теме: 

• Как стать ML-инженером в 2026 году: от Python до первого оффера — полный гайд, чтобы вкатиться в data science на роль ML-инженера: путь из семи этапов с нуля до первого оффера — от математики и Python до деплоя модели в продакшн.
• Что такое искусственный интеллект — не то же самое, что нейросеть: что это такое, какие есть типы и области изучения, что особенно популярно в мире сегодня и как на всём этом заработать.
• 12 библиотек Python, которые стоит попробовать в 2026 году — для работы с данными, агентами и языковыми моделями: список библиотек, которые закрывают задачи с документами, данными и выходами языковых моделей.
• Как поисковики понимают ваш запрос: векторы, эмбеддинги и косинусное расстояние — от «Спартака» до RAG: что происходит внутри поисковика, как запрос превращается в числовой вектор и сравнивается с другими векторами.
• Анализируем тексты Льва Толстого: как привести все слова к одному виду — нормально делаем — нормально получается: как привести слова к нормальной форме, убрать стоп-слова и сделать анализ текста точнее.

Один пользователь пожаловался, что делает «всё то же самое», что и другие, и в ответ ChatGPT выдал почти мотивационную тираду: дело не в действиях, а в среде и внутреннем состоянии, которое она вызывает. Финальная фраза быстро разлетелась по соцсетям и мем-пабликам: «Ты не ленивая. Ты не слабая. Просто ты в Ижевске». Шутку подхватили пользователи, которые начали адаптировать формат под разные города и повседневные проблемы. В комментариях появились вариации вроде «ты не проиграл матч — просто у тебя пинг 200» и «дело не в тебе, а в российских серверах».

Отдельно пользователи связали мем с регулярными перебоями в работе зарубежных онлайн-сервисов в России. За последние месяцы россияне не раз жаловались на проблемы с доступом к Discord, Steam, Twitch, WhatsApp и другим платформам. На этом фоне фраза про «среду» заиграла новыми красками — особенно среди тех, кто пытается запускать сетевые матчи через VPN или ждет, пока снова заработают голосовые чаты.

Под раздачу попали и сами ИИ-сервисы. В сети уже шутят, что ChatGPT, Claude и DeepSeek скоро официально станут «генераторами оправданий». Кто-то пишет, что нейросети теперь помогают не только с кодом и учебой, но и объясняют, почему человек не может закончить проект, пройти сложного босса или выйти из бронзы в соревновательных играх. Мем также стал очередным примером того, как пользователи превращают ответы ИИ в вирусный контент. Ранее в похожем формате распространялись абсурдные советы нейросетей, странные запросы к чат-ботам и попытки заставить ИИ вести себя как психолог, коуч или аналитик одновременно, напоминает редакция vk.com/bigfangames.

При этом сам скриншот многие воспринимают скорее как удачное сочетание контекста и формулировки, чем как реальную «позицию» ChatGPT. Но интернету этого оказалось достаточно: фраза уже ушла в народ и постепенно превращается в локальный мем.

А как думаете вы, это просто удачная шутка из интернета или нейросети действительно начинают слишком уверенно раздавать жизненные советы

Сам биохакер считает себя «профессиональным спортсменом-омолаживателем». Следуя строгой диете, регулярным тренировкам и порой экспериментальным процедурам, 47-летний Джонсон, по его утверждению, снизил скорость старения до 0,64, то есть каждый год он стареет всего на семь с половиной месяцев.

Миллионер считает, что вещи, которые, как мы думаем, делают нас счастливыми (пицца, пиво, вечеринки и так далее), мешают достичь оптимального здоровья и ускоряют старение. Сам он давно исключил все это из своей жизни и не устает повторять, что людям стоит задаться вопросом: стоит ли вообще жить дольше на таких условиях.

«Когда я начинал, люди смотрели на меня как на "эксцентричного вампира-миллиардера, технобро, пьющего кровь своего сына".

Все эти эксперименты с переливанием крови сына и рапамицином (препаратом, который продлевал жизнь мышей), световая и кислородная терапия, которую могут себе позволить только люди «из его стратосферы», личная команда врачей и другие усилия обходятся Джонсону в два миллиона долларов в год и доступны лишь нескольким людям на планете.

Ученые представили данные, согласно которым однократный прием психоделика псилоцибина не только временно изменяет сознание человека, но и оставляет заметный след в работе и структуре мозга на протяжении как минимум месяца. При этом интенсивность психоделического опыта оказалась напрямую связана с долгосрочным улучшением психоэмоционального состояния.

1. [vk.com/wall-202753852_2664|Наука с Античности до Возрождения].

2. [vk.com/wall-202753852_2686|Наука в Новое время].

3.1. [vk.com/wall-202753852_2690|Наука в позитивизме (1 и 2 этапы)].

3.2. [vk.com/wall-202753852_2692|Наука в позитивизме (3 этап)].

Сегодня поговорим о понимании науки в современной философии. Почему последний этап развития философии науки назван постпозитивизмом? Он возник как критическая реакция на провалившуюся программу позитивистов. Сегодня мы поговорим о 4 основных постпозитивистах и их идеях:

- Поппер (фальсификацинизм и фаллибилизм).

- Кун (научные революции).

- Лакатос (научно-исследовательские программы).

- Фейерабенд (эпистемологический анархизм).

Сразу укажем основные работы, в которых раскрываются эти идеи [1-4].

Поппер

Карл Поппер (1902–1994) - основатель постпозитивизма. В прошлый раз мы обсуждали, что он критиковал позитивистский принцип верификационизма (опытной проверки знания). Невозможно эмпирически проверить каждый конкретный факт. Более того, сам принцип верификации оказывается неверифицируем, то есть опытно непроверяем. Но как тогда отличить научное знание от ненаучного?

Поппер рассматривает проблему отличия научного знания от ненаучного. Вместо принципа верификации он предложил критерий фальсифицируемости. Научная теория должна быть принципиально опровергаемой (экспериментально). То есть теория будет научной, если ее в принципе возможно опровергнуть. Так, например, мы не можем экспериментально опровергнуть идею Бога. Значит, она не будет научной. При этом «ненаучное» ? «неверное». Это значит, что идея Бога находится вне сферы научного знания. Аналогично «научное» знание ? «верное». Это просто значит, что данное знание принадлежит к сфере научных знаний, грубо говоря, находится в научной «юрисдикции».

При этом следует различать понятия «фальсификация» и «фальсицицируемость». Аналогично в прошлый раз мы говорили о том, что позитивисты сначала выдвинули принцип «верификации» (экспериментальной проверки), а затем смягчили его до «верифицируемости» (потенциальной проверки). Точно также фальсификация - это само опровержение, а фальсифицируемость - потенциально возможное опровержение. Т.е. все научное знание делится на (уже) фальсифицирОВАННое и (потенциально) фальсифицирУЕМое.

Чтобы сфальсифицировать знание необходимо привести к нему антипример. Так, к утверждению «все металлы электропроводны» можно привести контрпример: «какой-то металл неэлектропроводен». Это позволяет включать общие теории в научное знание и сохраняет предсказательную функцию науки.

Поппер как бы переносит акцент со скрупулезной проверки научного знания на потенциальную опровергаемоть. Теперь теории чтобы быть научной не нужно иметь доказательства в каждой своей "точке". Ей достаточно иметь возможность опровергнуться. Это делает ее вхожей в сферу науки. При этом чтобы подтвердить именно истинность, приходится все еще подтверждать ее на практике. Но полностью проверить ее не представляется возможным.

Поэтому Поппер развивает идею фаллибилизма. Согласно ей любое научное знание подвержено ошибкам. Он как бы отказывается от идеи абсолютной научной истины. Поскольку любая теория принципиально гипотетична, вопрос её истинности недоказуем, и она потенциально ложная. Если сформулирован критерий опровергаемости теории - найти его может быть только вопросом времени.

Таким образом, развитие научного знания будет представлять собой циклический процесс:

1. Выдвижение разных гипотез-предположений (но гипотезы становятся научными только после того, как придуманы опровергающие эксперименты к ним).

2. Попытки опровергнуть гипотезы: критика, эксперименты, наблюдения.

3. Отбрасывание опровергнутых гипотез.

4. Выдвижение новых, более совершенных гипотез.

Получается, что любая теория по Попперу будет фаллибилистична (от лат. fallibilis — «подверженный ошибкам, погрешимый»). Значит, ни одна теория не истинна. Чем тогда одна лучше другой? Как возможен научный прогресс и почему мы считаем, что со временем разрабатываем все лучшие научные теории? Для решения этой проблемы Поппер вводит концепцию правдоподобия научных теорий. Из двух ложных теорий предпочтительнее та, которая более правдоподобна. Т.е. та, из которой вытекает больше правильных следствий. Значит, чем больше область работы теории, тем она правдоподобнее.

Но для того, чтобы сравнивать теории по правдоподобности необходим какой-то объективный мир, к объяснению которого научные теории будут приближаться. Для этого Поппер вводит "концепцию трех миров":

1. Мир физических объектов и явлений.

2. Мир субъективных состояний сознания: личных мыслей, идей и переживаний.

3. Мир объективного содержания мышления: научные теории, гипотезы, математические утверждения, произведения искусства, языки, научные проблемы (умопостигаемые сущности).

При помощи этой концепции Поппер также критиковал махизм, согласно которому научное знание лежит в области субъективных восприятий. А научными фактами будет являться поток ощущений - махизм отрицал существование объективного мира. Еще эта концепция была своеобразным ответом на кантовское разделение мира всего лишь на 2 части: вещи-в-себе и вещи-для-нас. Но такое разделение не отделяет науку от прочих субъективных состояний, чем Мах и воспользовался. А по Попперу мир "объективного знания" (или наука) всегда стремится к объяснению мира физических процессов и явлений, но никогда его не достигает.

Кун

Томас Кун (1922–1996) - поначалу восхищался работами Поппера, однако позднее их взгляды разошлись. Сам Кун был ученым-физиком и в какой-то момент он начал исследовать историю науки. В его работе [2] крайне много примеров реальных исторических процессов в науках, которые подтверждают его идеи. Можно сказать, он подтвердил свои идеи многими эмпирическими примерами.

В результате он понял, что история науки развивается не как последовательное накопление знаний (или научных фактов, как, например, считал Конт). Она предсталяет собой серию революций. Между ними возникают и отвергаются совершенно разные представления о науке - разные парадигмы. То есть одну парадигму сменяет революция, которая расчищает место для другой. И так постоянно - этот процесс зациклен.

Более подробно развитие науки по Куну выглядит так:

1. Допарадигмальный период. Это зарождение науки - в этот период нет единой общепринятой парадигмы. Далее какой-нибудь умник придумывает своей гениальной головой парадигму, которой чуть позже заразится научное сообщество.

2. Зрелая наука. Это период формирования парадигмы. На этом этапе остальное научное сообщество заражается придуманной парадигмой.

3. Нормальная наука. Она "нормальная" в смысле того, что она общепринятая и стандартная. Это период, когда научное сообщество уже "заразилось" парадигмой. Ученые приняли основной взгляд на свой работу и занимаются решением более мелких задач ("головоломок"). Они систематизируют теории, уточняют понятия, накапливают знания и пытаются подвести все под общую парадигму.

4. Кризис. Этап, когда в науке накапливается слишком большое количество "аномалий", которые не соответствуют парадигме. Предсказания парадигмы все чаще не соотвествуют наблюдениям.

5. Революция. Это радикальное изменение: одна парадигма заменяется другой, несовместимой со старой. Например, возникает альтернативная теория (как теория относительности). Далее цикл повторяется и вскоре при новой парадигме опять начнется этап нормальной науки.

При этом разные парадигмы несовместимы друг с другом. Будучи ученым-исследователем невозможно придерживаться разных парадигм. Парадигма включает в себя не только сами научные теории, но и ценности, методы и многое другое. Это целый способ мышления и восприятия мира. Чуть позже Кун заменит понятие парадигмы на "дисциплинарную матрицу", которая включает: теоретические предпосылки, методологические правила, ценности, примеры решения проблем, общие убеждения и мировоззрение.Парадигма – своего рода "очки", через которые ученые смотрят на мир. Она определяет, что и как они видят и как интерпретируют это. Поэтому парадигмы вообще друг с другом несовместимы.

Идеи Куна и Поппера во многом похожи. Однако, Поппер в отличие от коллеги считал, что научное знание непрерывно изменяется и растет. Он критиковал подход Куна за релятивизм (отрицание абсолютных критериев научности и рациональности). Он также критиковал идею господства одной парадигмы и считал, что в науке может одновременно существовать несколько равноправных представлений, между которыми идет дискуссия. Примирить эти 2 позиции попытался Лакатос в своей философии.

Лакатос

Имре Лакатос (1922–1974) - предпринял попытку преодолеть недостатки теорий Куна и Поппера. Он придумал концепцию научно-исследовательских программ (НИП). Она объединяла в себе идеи Куна и Поппера и решала некоторые недостатки обоих подходов. Лакатос считал, что критерий фальсифицируемости слишком строгий и не объясняет почему многие ученые часто держатся за свои теории, модифицируют их и продолжают защищать. А концепцию Куна он считал слишком иррационалистической, поскольку выбор парадигмы не является рациональным процессом. Лакатос предположил, что в науке конкурируют сразу несколько научных программ. Они обладают определенным твердым "ядром" в виде набора принципов и предпосылок и имеют защитный пояс в виде вспомогательных теорий, которые могут быть изменены и опровергнуты:

- Твердое ядро - это набор принципов и предпосылок, которые не подлежат критике, принимаются на веру и считаются нефальсифицируемыми. Это сердце теории.

- Защитный пояс - это набор вспомогательных гипотез, которые окружают ядро. При опровержении они могут быть изменены или отброшены, чтобы защитить от опровержения само ядро.

По Лакатосу развитие научного знания выглядит так:

1. Начало программы. Она начинается с твердого ядра и защитного пояса.

2. Развитие программы. Ученые пытаются развивать ее, выдвигая новые гипотезы в "защитном поясе" и проводят исследования, чтобы их проверить. В зависимости от результатов проверки в программе могут наступать прогрессивные и регрессивные изменения:

- Прогрессивное изменение наступает в случае если гипотеза приводит к новым предсказаниям, которые подтверждаются эмпирическими данными.

- Регрессивное изменение случается, если гипотеза из защитного пояса не приводит к новым предсказаниям или вообще опровергается эмпирическими данными.

3. Оценка программы. После этого оценивается - может ли программа объяснять эмпирические данные и, соответсвенно, генерировать новые предсказания. Если программа генерирует много успешных предсказаний, она считается успешной и наоборот. Программа, которая генерирует мало предсказаний может быть заменена на другую.

4. Смена программы. Когда программа становится слишком регрессивной и почти не может генерировать новые предсказания, она может быть заменена на другую.

Так, вместо смены парадигм Лакатос предлагает смену программ, которая происходит на рациональных основаниях (если программа плохо предсказывает эмпирические данные). Концепция НИП учитывает как рациональные, так и иррациональные факторы при выборе ученым научной теории. Потому что ядро программы-то состоит из иррационально принятых на веру положений. А, значит, учитывается, что НИП формируется в определенном социально-историческом контексте. Лакатос также объяснил почему ученые часто защищают свои теории, даже когда сталкиваются с проблемами. Они дают своей программе шанс, поскольку им тяжело отказаться от "ядра", которые они впитали в определенных социальных или исторических условиях. Однако при наличии должных рациональных оснований программа может быть заменена другой.

Концепцию Лакатоса в свою очередь критиковал Фейерабенд. Он считал, что установка единой методологии, которая должна применяться во всех исследованиях ограничивает научный прогресс. Но и самих критериев для оценки научного прогресса у нас недостаточно. Как понять, какая научная теория все-таки лучше? Ведь чётких критериев, по которым можно было бы отделить истинное знание от ложного нет. В топ может выбиваться сначала одна программа, а затем другая. Получается, у нас вообще нет четких критериев почему одна программа лучше и "научнее" другой?

Фейерабенд

Пол Фейерабенд (1924–1994) - придерживался очень крайних взглядов на философию науки. Еще со времен позитивизма обнаруживалось, что научная методология не такая уж обоснованная. Все свелось к тому, что логически стало невозможно доказать истинность научной теории. Более того даже рационально выбрать одну программу из нескольких развивающихся программ стало окончательно невозможно. Наука всегда стремилась к истине и тут у нее выбили эту почву из-под ног. Какое же знание тогда считать истинным?

Фейерабенд провозгласил принцип эпистемологического анархизма. Он считал, что в науке не существует универсальных методологических правил. А жёсткие научные методы ограничивают прогресс. Учёные должны создавать и развивать как можно больше теорий, даже если они противоречат устоявшимся взглядам. А требование, чтобы новые теории согласовывались со старыми, даёт необоснованные преимущества устаревшим концепциям. Фейерабенд даже эксцентрично заявил, что "все дозволено" - учёный вправе изобретать собственную концепцию и защищать ее любыми аргументами.

Взгляды Фейерабенда очень радикальны - не все ученые и философы с ними согласны. Однако он представил отличную критику научной методологии. Сведем ее воедино и дополним некоторыми наблюдениями. В принципе еще Кант показал разрыв нашей связи с объективной реальностью. Фейерабенд же обнажил целый ряд проблем в методологии, окончательно выбив из-под науки фундамент истинности, который еще со времен позитивизма по кусочкам разбирался разными философами. Таким образом, еще со времен Канта было непонятно: как наука, которая практически "висит в воздухе" так хорошо справляется с предсказанием практических последствий? Для такой "хилой" методологии она подозрительно хорошо предсказывает реальность. Позитивисты воодушевились этими возможностями науки, попытавшись построить научную методологию на основаниях, близких к подходу Ньютона, но их проект провалился. Постпозитивисты предложили различные решения, но они не были согласованными и полными.

Возможно ли вообще рационально объяснить почему наука так хорошо предсказывает реальность? На чем она должна быть основана? Часто научные открытия совершались вопреки общепринятым методологическим правилам (например, открытие пенициллина игнорировало строгие протоколы стерильности и случилось вследствие случайности; открытие радиоактивности возникло в результате наблюдения спонтанной эмиссии урана и противоречило классической физике; гелиоцентрическая модель Коперника - при отсутствии наблюдаемых данных; теория естественного отбора и открытие структуры ДНК также опирались на интуитивные догадки и придуманные идеи). Но возможно ли сформулировать универсальные правила, которым должны следовать ученые? Как найти баланс между научной рациональностью и иррациональностью в виде творчества, интуиции и случайности в научном процессе? Эти проблемы считаются нерешенными до сих пор.

__________

Источники и литература:

1. Поппер К.Р. Предположения и опровержения: Рост научного знания.[Электронный ресурс].-URL: vk.cc/cWgFYH (дата обращения: 6.04.2026).

2. Кун Т. Структура научных революций/ Т. Кун; [перевод с английского И. Налетова].-М.:Изд. АСТ, 2020.-320с.

3. Лакатос И. Фальсификация и методология научно-исследовательских программ.[Электронный ресурс].-URL: vk.cc/cWgFDl (дата обращения: 6.04.2026).

4. Фейерабенд П. Против метода. Очерк анархистской теории познания.[Электронный ресурс].-URL:vk.cc/cWgG50 (дата обращения: 6.04.2026).

5. Моисеев В.И. Философия науки. Философские проблемы биологии и медицины.-URL: vk.cc/cWgHPn (дата обращения: 6.04.2026).

__________

В ходе экспериментов ученые подключили созданные устройства к срезам тканей мозжечка мыши. Искусственные нейроны успешно активировали живые клетки, продемонстрировав идеальную биологическую совместимость. Секрет успеха кроется в использовании специальных чернил из наночешуек дисульфида молибдена (MoS?) и графена. Благодаря особой технологии печати, устройство имитирует сложные паттерны поведения мозга: одиночные импульсы, непрерывную «стрельбу» и серийные вспышки.

Подобная технология открывает путь к созданию совершенных интерфейсов «мозг-компьютер» и протезов нового поколения для восстановления зрения или слуха. Кроме того, такие системы потребляют в десятки тысяч раз меньше энергии, чем современные цифровые процессоры, что может решить проблему колоссального энергопотребления центров обработки данных в эпоху развития искусственного интеллекта.

Актуальность

Раннее выявление меланомы хориоидеи (МХ) и ее дифференциальная диагностика с псевдомеланомами остается одной из актуальных задач современной офтальмологии. Она напрямую влияет на своевременность начала лечения и прогноз для жизни пациента. Офтальмоонкология является активно развивающейся областью современной офтальмологии, в которой особую роль играет внедрение современных диагностических технологий. Оптическая когерентная томография (ОКТ) занимает ключевое место в диагностике новообразований хориоидеи, обеспечивая высокую пространственную детализацию структурных изменений. В обзорах последних лет подчеркивается, что интеграция алгоритмов искусственного интеллекта с анализом ОКТ­-изображений может повысить диагностическую точность за счет автоматизированного выявления субклинических признаков и снижения субъективности экспертной интерпретации.

По данным литературы, применение различных методов искусственного интеллекта в диагностике новообразований хориоидеи активно развивается, при этом наилучшие результаты демонстрируют подходы, основанные на глубоком обучении. Сверточные нейронные сети превосходят традиционные методы машинного обучения по показателям точности и воспроизводимости, особенно при анализе фотографий глазного дна и данных оптической когерентной томографии в дифференциальной диагностике МХ и НХ, что обусловлено их способностью автоматически выявлять сложные морфологические и субклинические признаки.

Цель

Разработка автоматизированной системы поддержки принятия врачебных решений в дифференциальной диагностике опухолей хориоидеи на основе ОКТ-изображений с применением сверточной модели глубокого обучения и оценка ее работы.

Задачи

Подготовка датасета ОКТ­- изображений; обучение нейросетевой модели глубокого обучения YOLO11n­cls задаче классификации на 3 диагностические категории (МХ, НХ, здоровое глазное дно); оценка показателей работы модели искусственного интеллекта.

Материал и методы

На базе ФГБУ «НМИЦ ГБ им. Гельмгольца» Минздрава России за период с 2014 по 2024 год провели обследование 288 пациентов с помощью офтальмологических клинико­инструментальных методов: 131 пациент — с МХ, 132 пациента — с НХ, 25 человек — без изменений на глазном дне. Изображения ОКТ получены с помощью прибора Spectralis (Heidelberg Engineering). Коллекция ОКТ­-снимков собрана лично д.м.н. Е.Б. Мякошиной. В итоговый датасет для обучения и тестирования нейросетевой модели включили по 500 снимков каждой диагностической категории и дополнительно по 200 ОКТ­-срезов центральной зоны опухоли для групп МХ и НХ. В базе данных для каждого изображения добавили данные о диагнозе. Информацию о возрасте, поле и других клинических характеристиках не добавляли.

Для решения задачи классификации использовали нейросетевую модель YOLO11n­cls. Архитектура YOLO представляет собой сверточную нейронную сеть глубокого обучения, реализующую одностадийный подход к анализу изображений и позволяющую выполнять классификацию на основе автоматически извлекаемых признаков.

Обучение проводили с применением предварительно обученных на ImageNet весов при размере входных изображений 640?640 пикселей в течение 100 эпох.

В процессе обучения применяли оптимизатор AdamW, методики аугментации данных и регуляризации для повышения устойчивости модели и предотвращения переобучения. Остальные параметры использовали по умолчанию.

Результаты

При подготовке данных для обучения модели ИИ составили датасет из 3788 изображений, включая 1344 снимка с МХ, 1307 — с НХ и 1087 — с фотографиями здорового глазного дна. Обучающая выборка состояла из 2890 изображений (1055 — МХ, 1042 — НХ, 793 — здоровое глазное дно), валидационная — 320 изображений (117, 115 и 88 соответственно), тестовая — 528 изображений (172, 150 и 206 соответственно). Тестовая выборка формировалась исключительно из уникальных клинических случаев, тогда как в обучающую и валидационную выборки допускалось включение смежных ОКТ­-срезов одного и того же пациента.

Разработанная авторами настоящего исследования база данных ОКТ­-снимков зарегистрирована в Реестре баз данных Федеральной службы по интеллектуальной собственности (Роспатент), свидетельство номер 2025625785.

Ход обучения сверточной нейросетевой модели YOLO11n­cls оценивали по динамике функции потерь и показателям точности на обучающей и валидационной выборках. Минимальное значение валидационной потери (0,1087) при значении точности top­1 0,95 было достигнуто на 98­й эпохе, что послужило основанием для выбора данной эпохи в качестве итоговой версии модели. В процессе обучения отмечали устойчивое снижение значений функции потерь на обучающей и валидационной выборках без признаков дивергенции, а также последовательный рост показателей точности, что свидетельствовало о стабильном обучении модели и отсутствии выраженного переобучения.

При тестировании на тестовой выборке обученная модель корректно классифицировала 97 % изображений с МХ, 96 % — с НХ и 95 % — со здоровым глазным дном, что продемонстрировало высокую точность классификации всех трех диагностических категорий. Ошибки классификации преимущественно возникали при разграничении между МХ и НХ, а также между НХ и здоровым глазным дном. Общая доля некорректных классификаций по каждому классу не превышала 3–4 %, что свидетельствует о высокой устойчивости модели. Значения положительной прогностической ценности (precision) составили 84,1 % для МХ, 82,7 % — для НХ и 93,6 % — для здорового глазного дна. Показатели чувствительности (recall) достигли 86,1, 72,7 и 100 % соответственно. Полученные результаты свидетельствуют о способности модели выявлять тонкие различия между МХ и НХ даже при сходстве их визуальных характеристик на ОКТ­изображениях.

Обсуждение

Для решения задачи классификации ОКТ­-изображений в настоящем исследовании использовали сверточную нейронную сеть глубокого обучения YOLO11n­cls, отличающуюся высокой вычислительной эффективностью и скоростью обработки данных за счет одностадийной архитектуры. Согласно данным литературы, данный алгоритм обеспечивает сопоставимую или более высокую точность распознавания при существенном преимуществе по скорости, что делает его перспективным для применения в задачах медицинской диагностики, требующих оперативного принятия решений.

Для разработки и обучения модели был создан специализированный датасет ОКТ­- изображений новообразований хориоидеи, что является неотъемлемой частью работы с технологиями ИИ. Использовали ОКТ­- срезы, проходящие через центральную часть опухоли, поскольку именно данная зона содержит наиболее информативные признаки для дифференциальной диагностики МХ и НХ. При этом следует подчеркнуть, что в клинической практике оценка патологического очага должна основываться на анализе совокупности срезов, тогда как представленная нейросетевая модель в текущей реализации ограничена анализом одного изображения, что требует осторожности при интерпретации ее результатов в реальной клинической работе.

Заключение

Сверточная нейросетевая модель глубокого обучения YOLO11n­cls продемонстрировала высокую эффективность при классификации ОКТ­изображений по трем диагностическим категориям, включая сложную задачу дифференциальной диагностики МХ и НХ. Полученные результаты характеризуются стабильной сходимостью обучения, отсутствием признаков переобучения и высокими значениями точности, что подтверждает применимость модели для задач многоклассовой классификации в условиях высокой межклассовой схожести.

Полученные результаты подтверждают перспективность применения технологий искусственного интеллекта в качестве вспомогательного инструмента поддержки клинических решений и указывают на необходимость их дальнейшей клинической валидации.

Полный текст статьи https://eyepress.ru/article/model-iskusstvennogo-intellekta-dlya-klassifikatsii-okt-izobrazheniy-melanomy-i-

Как настоящий человеческий мозг во сне, алгоритм переваривает логи прошедших диалогов: удаляет информационный мусор, структурирует удачные решения и записывает их себе в "подкорку". То есть ИИ буквально проводит работу над собственными ошибками, пока вы спите, выявляя закономерности, которые одиночный агент в потоке задач просто не заметит.

Чтобы жизнь медом не казалась, к снам добавили фичу outcomes - по сути, отдельного ИИ-надзирателя. Работает это так: первый бот пишет ответ, а второй, сидя в изолированном окне и не видя логики коллеги, жестко сверяет результат с ТЗ и отправляет на переделку, если что-то не сошлось. Anthropic заявляет, что такая связка из "спящего" агента и строгого проверяющего дает колоссальный прирост успешности. А заодно компания просто убивает целую прослойку стартапов, забирая в коробку те самые костыли с памятью и оценкой качества, которые разработчики раньше пилили годами на коленке.

Доступ к функции пока выдают только по заявкам, так что цифровой разум пока дремлет в закрытой бете.

В это время глиальные клетки сокращаются в объеме до 60 процентов, освобождая пространство для спинномозговой жидкости. Поток буквально промывает структуру органа, выводя накопившийся за день бета-амилоид — белок, избыток которого провоцирует развитие болезни Альцгеймера. При хроническом недосыпе мозг буквально маринуется в собственных токсинах, что неизбежно ведет к когнитивным нарушениям и галлюцинациям.

Модель не проверяет факты и не знает, где правда, а где ложь. Модели предсказывают каждое слово-токен на основе вероятностей, а не сверяются с реальностью. Если какие-то конструкции встречались в наборах данных при обучении, машина будет использовать их. Чтобы понять, почему модель может галлюцинировать, нужно понять, как вообще появляются эти ответы. Архитектура обработки ответа может выглядеть как цепочка (см. изображение).

1. Prompt — запрос пользователя. Модель не понимает точный смысл и намерения человека, она воспринимает это просто как набор значений-токенов.

2. LLM — место, где языковая модель принимает запрос. Здесь машина начинает вычислять вероятности следующих токенов.

3. Model Answer — черновой ответ модели. Первичный, внутренний вариант ответа, который компьютер сгенерировал до проверок, фильтров и оценок.

4. GPT-4o. Отдельная модель или этап, который оценивает качество чернового ответа: полезность, соответствие инструкциям, безопасность.

5. Evaluated Answer — оценённый ответ. На этом этапе уже ясно, какие части хорошие, слабые или потенциально опасные. Финальный текст ещё не выбран, но уже понятно, что можно оставить.

6. Selection of Tokens — выбор слов-токенов из подходящих. Модель проверяет, какие токены проходят по вероятностям и ограничениям. Тут решается, какие слова реально попадут в финальный ответ.

7. Selected Tokens — составляется финальный набор токенов для ответа. Это почти финальный ответ.

Attention Maps. Процесс, который идёт параллельно с предыдущими с момента попадания запроса в нейросеть. Включает части запроса, на которые модель обращала внимание при генерации. Это параллельный предыдущим шагам процесс, один из ключевых механизмов ИИ-моделей для выделения важной информации.

8. Token-Label Aligning — сопоставление конкретных слов из ответа и меток. Например, «релевантно», «полезно», «опасно». Модель должна понимать, какие слова за какой эффект ответственны.

9. Attention Scores aligned to Labels. Рассчитывается, какие части текста сильнее всего повлияли на оценки.

10. Attention-based Features. Шаг, когда из карт внимания извлекаются числовые характеристики. Эти числа упрощённо представляют поведение модели и не используются для ответа, только для анализа.

11. Windowed Features — оконные признаки. Окна — это оценённые куски текста, а признаки — числовые характеристики текста, по которым алгоритм принимает решение.

12. Selected Features — машина оставляет только самые важные признаки, которые влияют на решение.

13. Classifier — классификатор. Отдельная модель или алгоритм, который на основе признаков решает: «Ответ нормальный? Опасный? Неточный?»

Галлюцинация появляется в первой половине схемы — на пути между пунктом LLM до Selected Tokens. В этой части нет фрагмента «проверить ответ на правдивость», есть только несколько этапов подбора подходящих слов.

Иногда галлюцинацию может заметить классификатор как внешний компонент системы. Но он тоже не понимает наверняка, если модель, которую он анализирует, врёт. Классификатор только подсчитывает соответствие шаблонам, согласованность, соответствие контексту. В итоге он может сказать: «Похоже на галлюцинацию, но не факт».

Получается, на всём пути генерации ответа нет ни одного места с жёсткой проверкой: «Это правда или ложь?»

Марганцевая энцефалопатия – токсический паркинсонизм, манганокониоз – впервые была описана британским врачом Джеймсом Купером в 1837 году у шахтеров. Сегодня основную группу риска составляют сварщики, металлурги и работники химических производств. Особую опасность представляет эпидемия марганцевой энцефалопатии среди наркоманов, употребляющих эфедрон: по данным исследований, до 60% зависимых имеют симптомы паркинсонизма уже через 1-2 года регулярного употребления. Пик заболеваемости приходится на возраст 30-50 лет, при этом у наркозависимых болезнь развивается значительно раньше – уже в 20-35 лет.

Причины

Марганцевая энцефалопатия связана с накоплением марганца в подкорковых ядрах. Ключевым фактором риска является генетическая предрасположенность – индивидуальная чувствительность к марганцу, обусловленная особенностями метаболизма и выведения металла. Непосредственные причины можно разделить на три группы:

Профессиональная интоксикация марганцем. Работники, занятые в металлургической, горнодобывающей и химической промышленности, подвергаются риску хронического отравления марганцем. Вдыхание марганцевой пыли или паров приводит к его накоплению в организме, особенно в головном мозге. Даже при соблюдении норм безопасности длительный контакт с металлом может вызвать необратимые изменения в ЦНС.

Употребление кустарных наркотиков. Одной из наиболее распространенных причин в последние десятилетия стало внутривенное введение меткатинона («эфедрона») – самодельного стимулятора, получаемого путем окисления фенилпропаноламина или эфедрина с использованием перманганата калия. При этом в раствор попадают высокие дозы марганца, которые быстро проникают в мозг, вызывая тяжелые неврологические нарушения.

Экологическое загрязнение марганцем. В регионах с высоким уровнем промышленных выбросов или использованием марганецсодержащих пестицидов возможно хроническое отравление через воду, почву и воздух. Исследования подтверждают связь между повышенным содержанием марганца в питьевой воде и снижением когнитивных функций у детей, а также увеличением случаев раннего паркинсонизма у взрослых.

Патогенез

Марганцевая энцефалопатия развивается вследствие избыточного накопления марганца (Mn) в структурах головного мозга, преимущественно в базальных ганглиях – в бледном шаре, черной субстанции, таламусе и стриатуме. Проникновение Mn через гематоэнцефалический барьер осуществляется несколькими путями: активным транспортом, облегченной диффузией, а также с участием транспортных белков. В нейронах и глиальных клетках Mn накапливается в митохондриях, нарушая их функцию, что приводит к усилению окислительного стресса. В восстановленной форме (Mn??) он катализирует аутоокисление дофамина с образованием токсичных хинонов и активных форм кислорода, повреждающих клеточные структуры.

Первичной мишенью при интоксикации являются астроциты, которые в норме регулируют концентрацию марганца в мозге. Поражение астроцитов приводит к нарушению метаболизма глутамата, развитию эксайтотоксичности и нейровоспаления. Морфологически это проявляется глиозом, дегенерацией нейронов и появлением астроцитов Альцгеймера II типа.

Длительное воздействие Mn также вызывает митохондриальную дисфункцию, активацию микроглии и хроническое нейродегенеративное повреждение, клинически сходное с паркинсонизмом. Помимо ЦНС, марганец оказывает токсическое действие на легкие (манганокониоз, бронхит), кожу (экзема) и иммунную систему (аллергические реакции), что делает его мультисистемным токсикантом.

Симптомы марганцевой энцефалопатии

Заболевание характеризуется постепенным развитием неврологических и психических расстройств, напоминающих болезнь Паркинсона, но с рядом специфических особенностей. На ранних стадиях преобладают неспецифические симптомы: повышенная утомляемость, эмоциональная лабильность, снижение концентрации внимания и легкие когнитивные нарушения. Постепенно формируется развернутая клиническая картина энцефалопатии с преобладанием экстрапирамидных расстройств, психических нарушений и когнитивного дефицита.

Неврологические симптомы проявляются ригидностью мышц, брадикинезией (замедленностью движений), постуральной неустойчивостью и характерным изменением походки. Больные ходят мелкими шагами, с трудом инициируют движение и плохо удерживают равновесие. В отличие от идиопатического паркинсонизма, тремор покоя встречается реже, но возможен интенционный тремор – дрожание при целенаправленных движениях. Характерен симптом «кукольного лица» – снижение выразительности и подвижности мимики лица с редким миганием. Речь становится замедленной, монотонной, иногда возникает дизартрия. В тяжелых случаях развивается дистония – непроизвольные мышечные спазмы, приводящие к патологическим позам.

Психические расстройства представлены психоорганическим синдромом с преобладанием апатии, аспонтанности и эмоционального уплощения. Больные часто демонстрируют благодушие и отсутствие критики к своему состоянию, несмотря на выраженную социальную дезадаптацию. Депрессивные эпизоды протекают атипично – без выраженной тревоги или тоски, но с глубокой анергией и ангедонией. Характерны вязкость мышления, трудности переключения внимания и снижение мотивации. Когнитивные нарушения варьируют от легких расстройств памяти и замедления психических процессов до умеренной деменции с выраженными регуляторными дисфункциями.

Осложнения

При отсутствии своевременной диагностики и лечения марганцевая энцефалопатия приводит к тяжелым необратимым последствиям. Наиболее грозным осложнением является формирование стойкого паркинсонического синдрома, который в 70-80% случаев становится причиной глубокой инвалидизации. По мере прогрессирования заболевания возрастает риск развития деменции с грубыми нарушениями памяти, внимания и регуляторных функций. Она сопровождается полной утратой профессиональных навыков и способности к самообслуживанию.

При длительном течении заболевания возникают вторичные осложнения: контрактуры суставов, пролежни, застойная пневмония, которые становятся непосредственной причиной смерти у 15-20% больных в течение 5-7 лет от начала заболевания. Опасны психотические состояния, развивающиеся на поздних стадиях болезни. Они проявляются зрительными галлюцинозами, бредовыми идеями и требуют стационарного лечения в психиатрических учреждениях.

Диагностика

Выявление марганцевой энцефалопатии требует тщательного анализа клинической картины, данных лабораторных и инструментальных исследований. Важную роль в диагностике играет выяснение профессионального или наркотического анамнеза, связанного с воздействием марганца. В диагностическом процессе участвуют невролог и токсиколог, при необходимости привлекается врач-психиатр для оценки когнитивных и эмоциональных нарушений. Ключевые методы:

Клинико-неврологическое обследование. При осмотре обращают внимание на характерные для марганцевой энцефалопатии симптомы: аксиальную ригидность, постурально-кинетический тремор, дизартрию и ранние нарушения походки. Особое значение имеет выявление дистоний и спастических контрактур, которые редко встречаются при идиопатическом паркинсонизме. Неврологический статус дополняется оценкой когнитивных функций и эмоциональной сферы, где часто выявляются апатия, снижение критики и легкие мнестические расстройства.

МРТ головного мозга. Магнитно-резонансная томография в режиме Т1-взвешенных изображений является ключевым методом диагностики, так как позволяет выявить накопление марганца в определенных структурах, что проявляется гиперинтенсивным сигналом. Эти изменения наиболее выражены в активной фазе интоксикации и могут исчезать через 1,5–2 года после прекращения контакта с марганцем, хотя клинические симптомы сохраняются.

Лабораторные исследования. Определение уровня марганца в крови, моче и волосах помогает подтвердить факт интоксикации, хотя его концентрация не всегда коррелирует с тяжестью симптомов. Дополнительно проводят биохимический анализ крови для оценки функции печени и почек, так как марганец может негативно влиять на эти органы. В ряде случаев показано исследование цереброспинальной жидкости для исключения других нейродегенеративных заболеваний.

Дифференциальная диагностика

Основными заболеваниями, с которыми необходимо дифференцировать марганцевую энцефалопатию, являются болезнь Паркинсона, мультисистемная атрофия и другие формы токсических энцефалопатий. Отличия от болезни Паркинсона: быстрое развитие двигательных нарушений, раннее появление постуральных расстройств, двусторонняя симптоматика и специфические изменения при нейровизуализации (не характерны атрофические изменения в черной субстанции), слабый ответ на леводопу. Псевдобульбарные симптомы, такие как дизартрия, дисфагия, насильственный смех или плач, также более характерны для марганцевой интоксикации.

МРТ головного мозга. Умеренное увеличение интенсивности Т1-сигнала в белом веществе полушарий мозжечка и значительное увеличение интенсивности сигнала в бледном шаре у пациента с марганцевой энцефалопатией

МРТ головного мозга. Умеренное увеличение интенсивности Т1-сигнала в белом веществе полушарий мозжечка и значительное увеличение интенсивности сигнала в бледном шаре у пациента с марганцевой энцефалопатией

Лечение марганцевой энцефалопатии

Терапия представляет значительные трудности в связи с необратимым характером поражения центральной нервной системы. Современные методы направлены на прекращение поступления марганца в организм, ускорение его выведения и коррекцию неврологических симптомов. К сожалению, полностью вылечить заболевание невозможно, но комплексный подход позволяет замедлить прогрессирование патологии и улучшить качество жизни пациентов. Основные методы лечения:

Хелатирующая терапия. Для выведения избытка марганца применяют кальциево-натриевую соль ЭДТА, которая образует устойчивые комплексы с металлом и способствует его экскреции с мочой. Парааминосалициловая кислота также показала эффективность в качестве хелатирующего агента при хронической интоксикации. Важно отметить, что хелатотерапия наиболее эффективна на ранних стадиях заболевания, пока не развились необратимые изменения в нервной системе.

Антиоксидантная и нейропротекторная терапия. Для борьбы с окислительным стрессом назначают антиоксиданты, защищающие нейроны от повреждения. Препараты, улучшающие митохондриальную функцию, помогают восстановить энергетический обмен в клетках мозга. Эта терапия особенно важна для пациентов с выраженными когнитивными и двигательными нарушениями.

Коррекция двигательных расстройств. Для уменьшения дистоний и гиперкинезов применяют холинолитики и локальные инъекции ботулотоксина. Физиотерапия и ЛФК помогают сохранить подвижность суставов и предотвратить развитие контрактур.

Лечение психических нарушений. При депрессивных и апатических состояниях показаны селективные ингибиторы обратного захвата серотонина (СИОЗС). Для коррекции эмоциональной лабильности и псевдобульбарных расстройств могут применяться нормотимики и малые дозы нейролептиков. Психотерапия помогает пациентам адаптироваться к изменившимся условиям жизни.

Исключение контакта с марганцем. Необходима смена профессии или отказ от употребления наркотических веществ. Регулярный мониторинг уровня марганца в биологических средах проводится для оценки эффективности лечения.

Прогноз и профилактика

Исход марганцевой энцефалопатии зависит от стадии заболевания, на которой начато лечение, и полноты исключения контакта с токсином. При ранней диагностике и своевременной хелатной терапии возможно частичное восстановление неврологических функций и стабилизация состояния.

Профилактика включает строгий контроль условий труда на вредных производствах (использование респираторов, систем вентиляции, регулярные медицинские осмотры), полный отказ от употребления кустарных наркотических средств, содержащих марганец, а также мониторинг экологической обстановки в регионах с повышенным уровнем марганца в окружающей среде. Общеукрепляющие меры (сбалансированное питание, умеренная физическая активность, отказ от вредных привычек) помогают повысить сопротивляемость организма к токсическому воздействию.

Литература

1. Марганцевая энцефалопатия в современных условиях/ Носатовский И. А.// Доктор.Ру. - 2012. - №5 (73).

2. Значение марганца в жизни человека (обзор литературы)/ Нугайбекова Г. А., Берхеева З. М.// Мед. труда и пром. экол. - 2011. - №9.

3. Особенности отдаленного периода наркогенной марганцовой энцефалопатии/ Носатовский И. А.// Социальная и клиническая психиатрия. - 2019. - №2.

4. Марганцевая токсическая энцефалопатия: патогенез, клиника, лечение/ В.А. Яворская, О.Л. Пелехова, А.В. Гребенюк, С.А. Кривчун.// Международный медицинский журнал. – 2005. -№ 4.

Автор: Ханова О.А., клинический психолог

A. Соберите тщательный анамнез, чтобы различить истинное быстрое ухудшение и подострое ухудшение ранее существовавшего более хронического прогрессирующего нейродегенеративного расстройства. Это может потребовать:

- тщательного целенаправленного расспроса о способности пациента выполнять конкретные когнитивные задачи (ведение финансов, ориентирование) в течение последних нескольких лет;

- оценить приём лекарственных препаратов, обращая внимание на любую возможную временную связь между назначением новых лекарственных препаратов или изменениями в терапии и началом симптомов;

- определённые токсические воздействия (свинец, ртуть, висмут) могут вызывать относительно быстрые когнитивные и поведенческие изменения;

- рассмотрите дефицит тиамина, ниацина и витамина B12;

- проведите скрининг на метаболические нарушения, заболевания щитовидной железы, а также сифилис или инфекцию, вызванную вирусом иммунодефицита человека.

B. Лимбический энцефалит у пациента с когнитивным снижением, развивающимся в течение недель, позволяет предполагать аутоиммунный энцефалит. Инфекционные причины имеют тенденцию прогрессировать быстрее (то есть в течение дней), хотя в атипичных случаях могут иметь более исподвольное течение.

C. Болезнь Крейтцфельдта—Якоба является прионным заболеванием, вызывающим спонгиформную энцефалопатию. Стартл-миоклонус и атаксия являются частыми клиническими находками, как и периодические комплексы острых волн на электроэнцефалограмме. На ранних стадиях заболевания магнитно-резонансная томография головного мозга может быть нормальной; позднее появляются характерные признаки на магнитно-резонансной томографии. Рутинные исследования спинномозговой жидкости часто нормальные. Повышенные уровни белка 14-3-3 в спинномозговой жидкости поддерживают диагноз, а анализ методом real-time quaking-induced conversion является подтверждающим. В неопределённых случаях может потребоваться биопсия головного мозга. Специфического лечения болезни Крейтцфельдта—Якоба не существует.

D. Васкулит центральной нервной системы может проявляться быстро возникающими инфарктами в течение недель или месяцев. Головная боль является частым признаком, и может присутствовать плеоцитоз спинномозговой жидкости. Поскольку поражённые сосуды часто имеют малый или средний калибр, неинвазивная визуализация сосудов (магнитно-резонансная ангиография/

компьютерно-томографическая ангиография) часто нормальная, и следует выполнять катетерную ангиографию, учитывая, что даже она может быть отрицательной, если васкулит затрагивает только очень мелкие сосуды. Для диагностического подтверждения необходима биопсия головного мозга. Лечение обычно включает стероиды и циклофосфамид. Внутрисосудистая лимфома может имитировать васкулит центральной нервной системы клинически и рентгенологически.

E. Существенно важно, чтобы магнитно-резонансная томография выполнялась с использованием последовательностей, взвешенных по магнитной восприимчивости, чтобы выявить микрокровоизлияния, которые являются кардинальным признаком амилоидной ангиопатии. У пациентов с амилоидной ангиопатией может наблюдаться быстрое когнитивное снижение вследствие накопления большого числа микрокровоизлияний. Редко может присутствовать воспалительный компонент, приводящий к вазогенному отёку и в некоторых случаях даже создающий видимость объёмного образования. Хотя специфического лечения самой амилоидной ангиопатии не существует, амилоидный ангиит обычно высоко чувствителен к стероидам.

F. Хотя это чрезвычайно редко, дуральные артериовенозные фистулы могут вызывать быстрое когнитивное снижение. Магнитно-резонансная томография выявит паренхиматозные поражения, соответствующие венозному отёку; патологические исчезновения сигнала кровотока, соответствующие расширенным сосудам на T2-взвешенных изображениях, могут предполагать диагноз. Обратите внимание, что дуральные артериовенозные фистулы часто не выявляются на магнитно-резонансной ангиографии или компьютерно-томографической ангиографии, так что при подозрении на диагноз требуется катетерная ангиография.

G. Дефицит тиамина следует рассматривать у любого пациента с быстрым развитием энцефалопатии в течение дней или недель; наличие нарушений движений глаз (нистагм или офтальмопарез) и атаксии должно повышать подозрение на синдром Вернике—Корсакова, однако ни один из этих признаков не присутствует у всех пациентов. Хронические алкоголики особенно восприимчивы. Клиническое подозрение или характерные находки магнитно-резонансной томографии, указывающие на синдром Вернике—Корсакова, должны служить основанием для немедленного введения тиамина. Для подтверждения диагноза может быть направлен анализ уровня тиамина в цельной крови, но это не должно задерживать лечение.

H. Магнитно-резонансная томография головного мозга может быть нормальной или выявлять только неспецифические отклонения при нескольких важных причинах быстро прогрессирующей деменции. Энцефалопатия Хашимото является редким состоянием, ассоциированным с антитиреоидными антителами, которое может вызывать быстро прогрессирующую деменцию. Сопутствующее заболевание щитовидной железы часто, но не всегда, присутствует. Это состояние чрезвычайно чувствительно к стероидам. Подозрение на паранеопластический или аутоиммунный энцефалит должно возникать, когда у пациента имеется известное злокачественное новообразование, однако определённые типы часто возникают без подлежащего онкологического заболевания.

I. Чрезвычайно редкие причины быстро прогрессирующей деменции могут быть заподозрены по определённым сопутствующим симптомам или признакам, как указано в таблице; магнитно-резонансная томография обычно патологическая при некоторых, но не при всех из этих состояний. Следует рассмотреть длительный электроэнцефалографический мониторинг, чтобы выявить редкого пациента с неконвульсивным эпилептическим статусом.

J. Разнообразные другие специфические причины могут быть выявлены на магнитно-резонансной томографии головного мозга, включая субдуральную гематому, опухоли, инфекцию (то есть очаговые объёмные поражения, прогрессирующую мультифокальную лейкоэнцефалопатию), демиелинизирующее заболевание, воспалительные заболевания и гидроцефалию.

Организация лекций и интервью Алексея Семихатова, Владимира Сурдина и других учёных: vselennayalive@gmail.com

00:00 - Почему это особенный выпуск?

00:29 - Продвинутые технологии неотличимы от магии

00:50 - Гость

01:30 - В чём люди лучше ИИ?

02:54 - Что раньше выполняло роль ИИ?

05:41 - Как нейросети думают?

07:29 - Сможет ИИ изобрести что-то принципиально новое?

09:08 - Почему ИИ подхалимничает?

11:09 - Как эволюционирует ИИ?

12:14 - ИИ может воспроизводить сам себя? + реклама

14:43 - У ИИ есть ограничения?

17:37 - Из каких областей ИИ вытеснит людей?

21:02 - Почему ИИ не признаётся, что он «не знает»?

23:18 - Как аппаратно будет воплощаться ИИ?

27:38 - Как проверить источники, которые использует ИИ?

30:41 - Как ИИ пригодится в быту?

33:30 - В каких направлениях работы ИИ обыгрывает человека?

35:48 - Благодаря ИИ появятся новые профессии?

36:18 - Мозг человека будет хуже развиваться в эпоху ИИ?

40:39 - ИИ – это всеобщий уравнитель или усилитель неравенства?

По вопросам рекламы: nezemnayareklama@gmail.com