Что именно сделала «Площадь»

В августе 2026 года «Известия» сообщили: российские инженеры завершили научно-исследовательские работы и приступили к оснащению беспилотников системой навигации по видеопотоку. Разработку ведёт компания «Площадь», резидент Центра беспилотных систем и технологий (ЦБСТ).

Оговорка важная: речь о завершении исследований и начале оснащения, а не о серийных поставках на фронт. Да и сами разработчики честно признают: удачные наработки нередко застревают на уровне докладов.

Принцип по описанию такой. Бортовые камеры непрерывно снимают поверхность, нейромодуль обрабатывает кадры в реальном времени и сличает картинку с заранее загруженной цифровой картой — спутниковыми снимками или материалами аэрофотосъёмки. Дополнительно нейросеть опознаёт саму цель по цифровому шаблону. Ни антенн, ни спутникового приёмника, ни канала на оператора для этого не нужно.

Главный конструктор Центра комплексных беспилотных решений (ЦКБР) Дмитрий Кузякин описывает эффект так:

"Устройство способно перемещаться и выполнять задачи вовсе без антенн. Ему не требуются ни прямое управление, ни GPS, ни иные внешние ориентиры."

По материалам «Известий» (izru, август 2026).

Про «переписанные правила воздушного боя» конструктор говорит в той же логике, в какой в 2022-м так говорили про FPV-дроны: это язык прорыва, а не описание воздушной дуэли. Суть за риторикой простая и важная: дрон, который не слушает эфир, нечем заглушить по эфиру. Классическая радиоэлектронная борьба против него бессильна — глушить попросту нечего. Обмануть такой аппарат можно разве что оптически: маскировкой или изменением самой местности.

Конкретики в открытом доступе нет. Точность выведения на цель, вес и энергопотребление нейромодуля, тип вычислителя, дальность, класс носителя — ничего не публиковалось. Так что оценивать комплекс придётся по принципу работы, а не по строчкам ТТХ.

Визуальная одометрия против сопоставления с картой

И «Известия», и сам анонс называют метод визуальной одометрией. По описанию — это не она.

Визуальная одометрия (visual odometry, VO) оценивает собственное перемещение по смещению последовательных кадров, без всякой внешней карты. Именно так ехал застрявший марсоход: камера не знает, где она на Марсе, — она знает, на сколько сдвинулась с прошлого кадра. Как термин это ввёл Дэвид Нистер в 2004 году; саму же идею оценивать движение по камере ещё в 1980-е предложил Ханс Моравек. У метода есть врождённый порок: ошибка накапливается. Каждый кадр добавляет крошечную погрешность к предыдущей, и через сотни шагов расчётная траектория уползает от реальной. Этот дрейф и зовут главной бедой визуальной одометрии.

А то, что описывает «Площадь», — сопоставление сцены с эталоном (scene matching). Дрон не считает свой путь от кадра к кадру. Он привязывает текущую картинку к загруженному заранее снимку района. И дрейфа тут нет: каждая привязка — не шаг относительно предыдущего, а абсолютная отметка на карте. Ошибка не растёт со временем.

Разница не в занудстве к термину. Именно сопоставление с картой даёт то преимущество, которым и торгуют разработчики: устойчивость там, где инерциальная система (гироскопы и акселерометры) на длинной дистанции неизбежно «уплывает». Чистая одометрия эту проблему как раз повторила бы. Своя расплата у метода тоже есть: нужна заранее загруженная и достаточно свежая карта района, а сам район должен оставаться узнаваемым — сменится сезон, ляжет снег, появятся свежие воронки, и картинка поплывёт.

TERCOM, DSMAC и крылатые ракеты

Идея «сверяй то, что видишь под собой, с заранее зашитой картой» старше любого дрона. В 1980-е по ней полетели американские крылатые ракеты Tomahawk (их приняли на вооружение в 1983 году).

Работали две системы. TERCOM (terrain contour matching) сверяла профиль рельефа под ракетой с цифровой картой высот: радиовысотомер мерил, как меняется земля внизу, и «узнавал» заложенные в память гряды и долины. На финальном участке подключался DSMAC (Digital Scene Matching Area Correlator) — оптический коррелятор, сравнивавший снимок с бортовой камеры с эталонным изображением цели. По сути — ровно та схема, что сегодня приписывается нейромодулю: камера смотрит вниз, электроника ищет совпадение с загруженным снимком.

Эталонные снимки для DSMAC готовили заранее, по аэрофотосъёмке района цели. Та самая плата за метод — зависимость от заранее снятой карты, — что осталась и у сегодняшних систем.

Разница — в элементной базе и масштабе. DSMAC 1980-х был отдельным блоком в корпусе многотонной ракеты и работал по жёстко заданному алгоритму корреляции. Сегодняшний «нейромодуль» — плата, которая помещается на FPV-дрон, аппарат весом в несколько килограммов, а совпадение ищет обученная сеть, а не фиксированный коррелятор. Задача та же — распознать местность по эталону; поменялись только начинка и то, насколько гибко машина с этой задачей справляется. Полвека ушло не на изобретение принципа, а на то, чтобы ужать его с крылатой ракеты до расходного дрона.

Глушение GNSS и возвращение автономности

Почему тема выстрелила именно сейчас — понятно из радиоэфира. С 2023–2024 годов глушение GNSS (спутниковых систем навигации — GPS, ГЛОНАСС и других) и подмена координат стали фоновым явлением на театре боевых действий: приёмник на дроне из надёжного помощника превратился в слабое звено. Отсюда и общий разворот — от опоры на спутник к автономной навигации по тому, что аппарат видит сам.

И это не российская особенность. В ИТМО в 2025 году показали систему локальной навигации «Восток» с заявленной точностью до 4 мм — но это для помещений и коротких дистанций, задача совсем другая. В Европе в том же 2025-м Agilica при поддержке ESA сажала дрон без спутникового сигнала — только по радиомаякам на земле, а не по картинке. Коллективы разные, вопрос один на всех: как машине понять, где она, когда спутник молчит или врёт. Машинное зрение — из самых заманчивых ответов: камере, в отличие от радиоприёмника, нечего глушить снаружи.

И принцип тут не «старьё под новой вывеской». Сопоставление с картой не копит дрейф, не держится за спутник, не выдаёт себя в эфир — за полвека это не устарело, а дождалось элементной базы, на которой наконец помещается в расходный аппарат. Разумная эволюция, а не ребрендинг.

У подхода остаётся честное слабое место. Он держится на том, что местность под дроном совпадёт с загруженной картой. Заметёт снегом, перепашет воронками, сменится сезон — и «узнавание» просядет ровно там, где по картинке уже ничего не разобрать.

Марсоходу в 2005-м было проще: песок под ним не маскировали и не перепахивали. Навигация по видеопотоку на земле перестаёт быть экзотикой. Вопрос уже не в том, появится ли она в серии, а в том, насколько устойчивым окажется «зрение» дрона к тому, что местность внизу меняют нарочно.

Хотя сам Липпман не ссылался на Канта напрямую, в социологии и психологии принято считать, что философский фундамент его теории стереотипов заложен именно в кантовской философии.

Ниже приведена подробная структура этой взаимосвязи.

1. Общая структура познания у Канта и Липпмана

Кант утверждал, что человек не способен видеть мир в его первозданном виде («вещь в себе»). Мы воспринимаем реальность исключительно через встроенные в наш разум «фильтры» (структуры познания).

Эта схема идеально накладывается на теорию стереотипов Липпмана:

Эпистемология Канта:

Внешние раздражители ? [Априорные формы познания (время, пространство, категории)] ? Мир, каким мы его воспринимаем.

Теория стереотипов Липпмана:

Слишком сложная реальность ? [Стереотипы (шаблоны в нашей голове)] ? Упрощенный мир, каким мы его понимаем.

2. Зачем нужны эти «шаблоны»? (Общая цель)

И Кант, и Липпман рассматривали эти ментальные структуры как жизненно важную систему, необходимую для выживания человека.

Взгляд Канта: Если бы у человека не было врожденных рамок познания, бесконечный поток внешних сигналов превратился бы в хаос. Разум не смог бы упорядочить информацию, и мы не смогли бы осознать вообще ничего.

Взгляд Липпмана: Окружающий мир слишком сложен и перегружен информацией. Если бы мы анализировали каждую ситуацию с нуля, наш мозг просто не справился бы с нагрузкой. Поэтому нам необходимы готовые «трафареты», позволяющие обрабатывать данные мгновенно.

Таким образом, оба автора видят в этом защитный механизм и адаптивную стратегию для эффективного понимания мира.

3. Принципиальное различие: врожденное или приобретенное?

Несмотря на поразительное сходство, между философским подходом Канта и социально-психологическим подходом Липпмана есть одно ключевое различие: откуда берутся эти «шаблоны»?

Критерий сравненияЭпистемология КантаСтереотипы ЛиппманаПрирода шаблоновАприорная (врожденная)Апостериорная (приобретенная)СодержаниеАбсолютные рамки, общие для всего человечества (время, пространство).Предубеждения и образы, зависящие от культуры, воспитания, СМИ и окружения.Возможность измененийНеизменны, пока мы остаемся людьми.Могут быть изменены под влиянием нового опыта, образования и объективных фактов.

Заключение

Кант с точки зрения чистой философии доказал структуру и границы того, как человек вообще познает мир. Липпман же с точки зрения социологии и журналистики показал, как именно эта структура используется обществом, культурой и медиа для внедрения определенных образов и манипуляции восприятием.

Ваша догадка удивительно точно отражает суть психологического феномена: «Мы видим мир не таким, какой он есть, а таким, какими являются наши фильтры восприятия».

Перевод полностью соответствует вашим ожиданиям? При необходимости мы можем:

Изменить стиль на более академический (научный) для публикации или доклада.

Разобрать, как эти концепции переводятся на английский язык, если вы работаете с международными источниками.

Почему стереотипы способствуют разжиганию предвзятости?

Если стереотипы — это столь же необходимый механизм, как и кантовские «структуры познания», почему же в обществе их принято считать главным источником предвзятости и предрассудков?

Причина заключается в том, что эти «шаблоны», как отмечал Липпман, формируются обществом (апостериорно) и легко поддаются искажениям.

Ниже описаны 4 шага, объясняющие, как система «экономии мышления» нашего мозга превращается в социальную предвзятость.

1. Игнорирование индивидуальности и «оптовая» обработка людей

Кантовские рамки (время и пространство) — это полки для упорядочивания физического мира. Стереотипы же — это полки для упорядочивания человеческих отношений.

Стремясь упростить информацию, мозг перестает видеть индивидуальные черты конкретного человека и вместо этого слепо накладывает на него характеристики определенной группы (по национальности, полу, профессии и т. д.).

Пример: «Он из страны X, значит, он наверняка необязателен и постоянно опаздывает».

2. Приоритет «шаблона» над «фактами» (переворот субъекта и объекта)

В идеале познание должно строиться по принципу «сначала вижу факт, потом делаю вывод». Однако, когда стереотип укореняется, человек начинает искать только те факты, которые подтверждают его внутренний шаблон (в когнитивной психологии это называется склонностью к подтверждению своей точки зрения / confirmation bias).

Даже сталкиваясь с исключением (например, с пунктуальным человеком из страны X), разум игнорирует его со словами «он просто исключение из правил», чтобы сохранить целостность своего шаблона.

3. «Взлом» шаблонов со стороны СМИ и власти

Кантовские структуры врожденны и одинаковы для всех людей, но стереотипы могут быть изменены извне.

Через телевидение, соцсети, систему образования или политическую пропаганду обществу можно навязать искаженный шаблон: «определенная группа людей опасна или недоразвита». Люди не осознают, что этот шаблон искусственен, и начинают воспринимать его как «объективную реальность мира».

4. Подключение эмоций и переход в «дискриминацию»

Сам по себе стереотип — это лишь «когнитивный ярлык» (нейтральный шаблон для классификации). Однако, когда к этому ярлыку подключаются эмоции (страх, отвращение, чувство превосходства), он превращается в предвзятость (предвзятое отношение / prejudice). А когда человек начинает действовать на основе этой предвзятости, она перерастает в реальную дискриминацию (discrimination).

Резюме: Почему стереотип стал «антигероем»?

Для нашего мозга стереотип — это «сверхэффективный инструмент автоматизации», помогающий выжить в сложном мире.

Для общества стереотип — это «фабрика предвзятости», которая лишает человека индивидуальности и порождает несправедливость.

Иными словами, возникает парадокс: функция экономии энергии мозга, жизненно необходимая нам для выживания, начинает проявлять свою темную сторону, как только мы переносим её на человеческие отношения. Именно поэтому общество так жестко критикует стереотипы за разжигание предвзятости.

Важно понимать: когда говорят о reasoning-моделях, не имеется в виду, что они рассуждают буквально как люди. Так называют модели, которые выводят промежуточный reasoning-трейс — разбивают задачу на последовательные шаги, прежде чем дать финальный ответ. Проще всего это увидеть на примере: обычная LLM сразу выдаёт результат, а reasoning-модель сначала демонстрирует цепочку рассуждений.

Качество решения задач можно повышать двумя основными способами: масштабированием обучения или масштабированием инференса. С обучением всё началось с DeepSeek-R1. Метод RLVR превращает обычную LLM в reasoning-модель, используя бинарный сигнал награды (правильно или неправильно) в областях, где результат можно автоматически проверить. Для математики это символьные системы вроде SymPy или WolframAlpha, для кода — компилятор, юнит-тесты или LeetCode. Сам reasoning-трейс при этом не участвует в обновлении модели: исследователи пробовали включать его в обучающий сигнал, но в статье DeepSeek-R1 сообщается, что пользы это не принесло. Вопрос о том, стоит ли оценивать промежуточные шаги с помощью process reward models (PRM), остаётся открытым.

Замечательно то, что одной награды за итоговый ответ оказалось достаточно, чтобы модель научилась «рассуждать»: записывать объяснения, возвращаться назад и исправлять собственные ошибки. Такие моменты, когда модель замечает ошибку и самостоятельно её исправляет, называют ага-моментами. Причём в DeepSeek-R1-Zero RLVR применялся непосредственно к предобученной базовой модели, без какого-либо SFT. R1-Zero слабее полной R1, но показывает, что чистого RL достаточно для появления reasoning-трейсов. В других работах, например T?lu 3 и Kimi K1.5, RL применяли поверх модели после supervised fine-tuning — и этот путь, судя по всему, стал основным.

Второй способ — масштабирование вычислений во время инференса. Здесь речь о том, что после обучения мы тратим больше вычислительных ресурсов при использовании модели, чтобы получать более качественные ответы. RLVR уже неявно приводит к такому масштабированию: reasoning-модели генерируют больше токенов, чем обычные LLM, поэтому инференс обходится дороже. Дополнительно длину ответа можно регулировать через настройку reasoning effort. Из популярных методов стоит упомянуть self-consistency — когда модель опрашивают несколько раз, а итоговый ответ выбирают голосованием большинством. Этот метод применим и к обычным LLM, и к reasoning-моделям. Например, специализированная математическая reasoning-модель DeepSeekMath-V2 с экстремальным масштабированием инференса достигла передовых результатов на задачах уровня олимпиад.

Часто в reasoning-моделях используются специальные токены форматирования, которые отмечают начало и конец reasoning-трейса. Но сами по себе они не заставляют модель рассуждать и не нужны для достижения высокого качества — их главная задача состоит в том, чтобы обучающий пайплайн или интерфейс мог отделить скрытые рассуждения от финального ответа. В самих строках нет ничего особенного: их могла бы заменить любая пара разделителей. Формат просто закрепляется дополнительной наградой на этапе RLVR: модель поощряют не только за правильность ответа, но и за использование нужных токенов.

Первое поколение reasoning-моделей было специализированным: существовала обычная базовая модель и отдельная reasoning-модель. Например, DeepSeek-V3 и DeepSeek-R1. R1 отвечает подробно и тратит много токенов даже на простые задачи, встроенного переключателя у неё нет. Более поздние модели, включая Qwen3, пошли по гибридному пути: одна и та же модель по запросу может вести себя либо как обычная instruction-tuned модель, либо как reasoning-модель. В Qwen3 режим выбирается токенизатором через специальные флаги: при одном варианте подставляется пустой блок, отключающий reasoning, при другом он не подставляется, и модель рассуждает.

Как обучить такому переключению? Согласно техническому отчёту Qwen3, поведение формируется сначала с помощью SFT, затем закрепляется на этапе общего RL. После начального обучения reasoning-модели с помощью SFT на длинных reasoning-трейсах и reasoning RL добавляется этап Thinking Mode Fusion, где модель видит примеры обоих типов: с рассуждениями и без. Флаги работают как «мягкий» переключатель, а принудительная подстановка пустого блока — как «жёсткий». Такой двоичный переключатель — это упрощённая версия настроек reasoning effort, которые появились в GPT-5.6 и сегодня встречаются почти во всех флагманских моделях.

Что касается реализации reasoning effort в GPT-5.6, OpenAI не раскрывает детали, но есть кое-что интересное. Благодаря открытым моделям gpt-oss мы знаем, что OpenAI позволяет задавать reasoning effort через системный промпт: перед каждым запросом добавляется соответствующая строка. То есть модель обучается следовать инструкции в промпте, выбирая разную глубину рассуждений. Это похоже на «мягкий» переключатель, но с несколькими градациями — от лёгкого до ультра-режима.

Получается, что управление reasoning effort — это способ находить баланс между качеством ответа и вычислительными затратами. Чем больше усилий модель тратит на рассуждения, тем длиннее и дороже генерация, но тем выше вероятность правильного решения сложной задачи. А для простых запросов достаточно и «лёгкого» режима, который не раздувает ответ. Это важный шаг к практическому применению reasoning-моделей в реальных продуктах, где цена каждого токена имеет значение.

Как вы думаете, какой подход к управлению reasoning effort окажется наиболее перспективным — гибкие настройки с несколькими уровнями, жёсткие двоичные переключатели или что-то совершенно иное? Поделитесь мнением в комментариях.

Alibaba зарекомендовала себя как лидер в области ИИ с открытыми весами, выступая не хуже стартапов DeepSeek и Moonshot. Одним из первых игроков на рынке открытого ИИ была американская Meta?, которая на минувшей неделе выпустила модель Glimmer размером 30 млрд параметров, достаточно компактную для запуска на ПК. Alibaba напомнила гиганту соцсетей, что на этом рынке очень высокая конкуренция. Модель Qwen3.8-27B, утверждает разработчик, обладает «отличными возможностями» в работе с кодом, исследованиях и долгосрочных агентских задачах. Её заявленное качество ответов соответствует моделям, которые в десять раз крупнее по размеру. И это подтвердили опубликованные Alibaba тесты — Qwen3.8-27B проявила себя лучше, чем Meta? Muse Glimmer 30B, и не хуже, а то и лучше, чем вышедшая в феврале закрытая Anthropic Opus 4.6.

Это утверждение взялись проверить журналисты ресурса Heise. Оригинальная модель с 32-битными числами с плавающей запятой (FP32) требует значительных ресурсов: не менее 108 Гбайт видеопамяти и около 120 Гбайт дискового пространства для KV-кеша. Квантование модели до FP16 позволяет запускать её на оборудовании с 64 Гбайт видеопамяти, а ещё более компактный квантованный вариант Q5_K_M обходится уже 22 Гбайт памяти — его уже можно запускать на флагманских видеокартах AMD Radeon 7900 XTX и Nvidia GeForce RTX 3090 (Ti), 4090 и 5090. Доступен и вариант с весами NVFP4, оптимизированный для вычислительных блоков Nvidia Blackwell и работающий всего с 16 Гбайт памяти.

В рамках тестирования Qwen3.8-27B в вариантах Q8_0 и NVFP4 запустили в среде Llama.cpp на профессиональной видеокарте Nvidia RTX Pro 6000 Blackwell. Модели поставили задачу разработать полный комплект средств REST API для системы управления запасами с контролем пользователей и авторизацией на основе ролей, не задавая уточняющих вопросов. Квантованная версия NVFP4, которая потребляла вдвое меньше памяти, чем Q8_0, не показала заметного снижения точности или качества ответов.

Qwen3.8-27B написала качественный код — он скомпилировался с первой попытки и поддерживал все запрошенные функции. Качество проекта оказалось неотличимо от результатов работы Anthropic Claude. Модель от Alibaba учла особые аспекты, которые не были упомянуты в задании, в ходе работы находила дубликаты в собственном коде и самостоятельно проводила рефакторинг. Отмечалась некоторая склонность к чрезмерному обдумыванию простых проблем, модель несколько зацикливалась на деталях, в результате чего тратила лишние токены и время. Хотя такое поведение корректируется в настройках.

Запускающиеся на локальных ресурсах модели ИИ имеют преимущества перед облачными. Нет необходимости оформлять подписку и передавать персональные данные сторонним поставщикам. Отсутствуют ограничения, свойственные закрытым моделям Anthropic и OpenAI. Некоторые ограничения есть и у Qwen, но вскоре после выпуска оригинального варианта на Hugging Face появились производные версии, в которых эти ограничения были в значительной степени сняты.

**Миф №1. GEO — это просто новое название SEO**

Многие считают: поисковики немного обновились, добавили нейросети, а принципы продвижения остались прежними. Достаточно делать то же, что и раньше, просто называть это GEO.

Доля правды здесь есть. Оптимизация для генеративных нейросетей выросла из классической поисковой оптимизации, и базовая техническая база осталась той же: качественный контент, исправные страницы, доступность для роботов, понятная структура. Генеративные модели часто используют обычный поисковый индекс. Например, Google формирует AI Overviews на основе тех же систем оценки качества страниц.

Но цели у SEO и GEO разные. Классическое SEO помогает поднять позиции страницы в выдаче. GEO — увеличить шансы, что нейросеть выберет для ответа контент именно с вашего сайта и упомянет ваш бренд. Противопоставлять их не стоит, но и ставить знак равенства — ошибка.

**Миф №2. Нейросеть — чёрный ящик, поэтому оптимизировать под неё бесполезно**

Распространённое заблуждение: никто не знает, почему ChatGPT выбирает одни источники и игнорирует другие, значит, повлиять на это невозможно.

Действительно, Google, OpenAI и Anthropic не раскрывают все параметры работы моделей. Но здесь важно различать архитектуру модели и принципы работы ИИ-поисковиков. Исследования последних лет показывают, что в большинстве случаев нейросеть действует по понятному алгоритму: находит релевантные проиндексированные страницы, оценивает контент по соответствию запросу, берёт нужные фрагменты и генерирует ответ. Этот подход называется RAG — Retrieval-Augmented Generation, и сегодня это отраслевой стандарт.

GEO — это не попытка угадать логику искусственного интеллекта, а системная работа со структурой контента, раскрытием информации, цифровой репутацией бренда и авторитетностью источника.

**Миф №3. Если сайт открыт для индексации, он обязательно попадёт в ответы ИИ**

Кажется, что нейросети видят весь интернет, поэтому любой опубликованный материал рано или поздно окажется в ответах. На деле всё сложнее.

LLM не читают все страницы при каждом запросе. Они работают с заранее собранным пакетом данных, который обновляется примерно раз в пару месяцев. При онлайн-поиске модель обращается не ко всему интернету, а к тем страницам, которые проиндексировали Яндекс и Google. Даже из найденных материалов нейросеть выбирает только те фрагменты, которые подходят по релевантности и другим критериям. Плюс существует ограничение контекстного окна — модель физически не может обработать миллионы страниц одновременно. Так что одной публикации и открытости для роботов недостаточно.

**Миф №4. Существуют технические приёмы, которые гарантируют попадание в ответы ИИ**

В интернете полно обещаний: «добавьте llms.txt — и ChatGPT точно прочитает ваш сайт», «перепишите тексты по специальному шаблону», «вставьте промпты на страницу». Всё это объединяет идея, будто есть некое секретное действие, которое обеспечит видимость в нейросетях.

Миф возник по двум причинам. Во-первых, GEO — молодое направление, в нём ещё нет устоявшихся стандартов и подтверждённых кейсов, поэтому место проверенных практик занимают гипотезы. Во-вторых, простые обещания легче продавать: гораздо проще предложить заказчику «секретную настройку», чем объяснять, что продвижение в ИИ — это комплексная и долгая работа.

Важно понимать: не существует технологии, которая со стопроцентной вероятностью обеспечит попадание в ответы ChatGPT, Алисы, AI Overviews или Gemini. Более того, поисковые системы прямо предупреждают, что не нужно искать подобные секреты. В официальной справке Google сказано: для AI Overviews нет отдельных технических правил сверх обычных требований к поисковой оптимизации.

Это не значит, что GEO не работает. Шансы повышаются, но за счёт системной работы: уникальный актуальный контент, доверие к бренду, экспертность, логичная структура материалов, структурированные данные, FAQ, таблицы, прямые формулировки, факты и цифры, а также упоминания в авторитетных независимых источниках.

**Миф №5. GEO — это только про контент**

Многие компании считают: достаточно правильно написать и оформить тексты, и нейросети начнут добавлять сайт в ответы. При этом техническая часть, репутация и другие факторы игнорируются.

Откуда взялось это заблуждение? Долгое время текст был главным способом передать поисковой системе информацию о содержании страницы, и первые рекомендации по GEO действительно касались в основном контента. Кроме того, современные LLM работают в текстовом формате — получают запрос и формируют текстовый ответ, поэтому легко предположить, что влиять нужно только через текст.

Но качественный текст важен, однако его недостаточно. Нейросети и поисковые системы учитывают и техническое состояние ресурса, и доступность для роботов, и структурированные данные, и репутацию бренда, и упоминания в авторитетных источниках, и даже инфографику, изображения и видео.

**Миф №6. Если сайт не в топ-10, нейросеть его не увидит**

Логика простая: ИИ использует прежде всего материалы из топа выдачи. Но прямой зависимости здесь нет. Да, генеративный поиск тесно связан с традиционными поисковыми системами, например, AI Overviews использует инфраструктуру Google Search, а Алиса — технологии Яндекса. Однако высокие позиции могут лишь увеличить вероятность попадания в ИИ-ответ, но не являются обязательным условием.

Генеративные системы не ограничиваются первой десяткой результатов. Они обращаются ко множеству страниц, отбирают подходящие материалы и сопоставляют данные из разных источников. Для ИИ важна ценность информации: оригинальное исследование, собственная статистика, официальный документ или уникальный экспертный материал могут оказаться полезнее страницы из топа, даже если занимают более низкую позицию.

Исследования это подтверждают. По данным Ahrefs, только 38% страниц, которые Google цитирует в AI Overviews, находятся в топ-10 выдачи. А совпадение цитируемых ссылок ChatGPT и Gemini с первой десяткой Google составляет около 8%. Больше 80% используемых источников вообще не ранжируются по соответствующим запросам. При этом агентство «Ашманов и партнёры» зафиксировало, что доля сайтов за пределами топ-10 в ответах Алисы снизилась с 40 до 10%. Так что хорошие позиции дают преимущество, но не гарантируют цитирование, и наоборот — отсутствие в топе не означает, что нейросеть не использует сайт.

**Миф №7. Без llms.txt сайт не попадёт в ответы ИИ**

Файл llms.txt нередко называют «robots.txt для нейросетей» и советуют добавлять его в первую очередь. Идею предложил специалист по веб-стандартам Джереми Ховард осенью 2024 года: владелец сайта размещает в отдельном файле ссылки на важные страницы и документацию, чтобы языковым моделям было проще ориентироваться в структуре ресурса. Концепция быстро стала популярной: появились плагины для CMS, рекомендации в SEO-сервисах.

Но Google прямо заявляет, что не использует llms.txt ни для AI-функций поиска, ни для обычного Google Search

Но когда мой прошаренный инструментами кантовской критики AI-помощник спросил, хочу ли я испытать критическую машину в таком сильном смысле, я сдал назад. Ведь для этого я должен не только снабдить машинку релевантной реконструкцией кантовской критики, задать стиль и топологию аргументов, чтобы она могла воспроизводить ходы Кантовой мысли “по образцу”. Критика в кантовском смысле требует не только воспроизведения формулировок, но и механизма, который проверяет границы допустимого. То есть “Кант машина” может быть “ИИ критиком” как: 1) имитатор кантовского дискурса (риторический уровень); 2) система проверки условий корректности (методологический уровень); 3) как самоограничивающаяся модель (трансцендентальный уровень).

Но и более того, мы должны воссоздать условия научного исследования и лабораторных экспериментов, физико-эмпирической “привязки” (данные, эксперименты, симуляции, предсказательная проверка), корректного учёта моделей и их ошибок. С математикой еще сложнее: нужно подгружать формальный язык доказательств, proof checker, обеспечить доступ к связанным математическим корпусам, предложить инструменты вычисления и символического вывода, и рефлексивно сопровождать процедуры итерации: “гипотеза ? генерация ? проверка ? уточнение ? исправление”.

Тоже самое с инженерными решениями и технологическими инновациями: дообучение на Канте даст эпистемологический каркас (как мыслить строго), но не заменит инженерии валидации.

Готов ли я к этому? Только в рамках своей экспертизы — философского знания. Подобный ассистент в философии должен будет не просто цитировать Канта и возражать смертному человеку. Он мог бы возвращать вопрос: при каких условиях то или иное утверждение вообще может считаться новым философским знанием (концептом ? la Делез и т.д.)? Что здесь дано, что внесено LLM, а что бессознательно протащено и незаметно принято самим пользователем? Где заканчивается допустимое применение понятия и начинается спекулятивная достройка? В этом смысле ИИ-критика ? la Kant — не автоматизация архива философа, а техническое продолжение его критического жеста. ИИ-ассистент становится не электронным судьёй, а средой проверки суждений, которая делает видимыми их предпосылки и пределы.

Но здесь же возникает главное ограничение. Машина может участвовать в проверке и формулировке, но она не становится владельцем нормативного решения, как и первооткрывателем научных закономерностей или изобретателем технологий. Вернее, мы сами должны подвести ее к выполнению этих задач, следуя соответствующим научно-техническим и исследовательским протоколам. Причем ее «неудачи» или «галлюцинации» целиком ложатся на наши плечи. Ответственность здесь нельзя передать ей тем же способом, каким передаются поиск, память или построение контраргумента в философском дискурсе. Именно поэтому «критика без критика» — не только диагноз современной эпистемической ситуации в науке и философии. Это проект создания такой человеко-машинной коммуникативной и медиа среды, в которой критика перестанет быть серийным производством возражений и станет действительной практикой проверки возможностей "чистого" разума.

ИИ обещает скорость, точность и объективность.

Предприниматели открыто говорят: Зачем мне SEO? Спрошу у нейронки!

Схема простая: машина анализирует, человек продаёт.

Но в чём подвох?

Это работает как машинный скоринг. Скоринг должен упростить задачу: он стандартизирует и ускоряет. Да, он ускорил. Но система слепа. Она видит цифры, но не понимает бизнес-контекст.

В SEO та же история. Поисковик знает о вашем сайте всё. А вы не понимаете, почему упали позиции. Тот, кто просто сгенерировал презентацию через нейросеть, тоже не понимает. Он видит отклонения, но не видит причины.

Самый сочный кейс (типовая ситуация):

Сайт с семантическим ядром на 30 000 слов.

Инструменты (тот самый скоринг) отсекают часть запросов как бесполезные.

Другая часть теряется: нет контента, сломана структура, сайт физически не способен выдать ответ.

Результат: всего 0,01% семантики приносят реальный трафик.

Почему? Потому что сайт строили как вывеску, а не как систему привлечения трафика и конверсию в лиды. Дефицит трафика пытались залить дорогим контекстом, пока это позволяла маржа.

Типичные ошибки ИИ-подхода:

1. Семантика в столбик. В таблицах, без анализа живого трафика, без разбора дублей и логики.

2. Аналитика без целей. Или её вообще нет (про сквозную аналитику — молчу).

3. Данные из головы. Или, что хуже, из нейросети.

Но ведь ИИ всё исправит, — твердят специалисты.

УПС! ИИ получает тот же мусор — и просто начинает его обрабатывать быстрее.

Резюмирую: ИИ — помощник аналитика, а не замена экспертизы.

- Для простых продуктов и лендингов автоматического решения хватит. Тут нейронка за 20 баксов справится.

- Для сложного сайта необходимо мастерство.

Плюсы опытного SEO-специалиста:

- Системное мышление: Архитектура, семантика по интентам, привязка к циклу продаж.

- Отличение риска от ошибки: Умение понять, что инструмент видит как отклонение, на самом деле является особенностью бизнеса.

- Объяснимость: Заказчик должен понимать, почему упали позиции. Не алгоритм изменился, а что именно сломалось и что чинить.

Что делать, чтобы SEO приносило прибыль?

1. Сделайте качественный аудит: структура, данные, семантика.

2. Настройте чистый маршрут данных: из первоисточника — в поисковик, без Excel и решений на глазок.

3. Внедрите реальную экспертизу в команду. ИИ — помощник, а не замена.

4. Получайте понятную обратную связь: почему упали, что чинить.

И только поверх этого — включайте ИИ.

Итог: Здоровый сайт, который приводит клиентов на понятных условиях. И бизнес, который получил с него прибыль.

Хотите, чтобы ваш сайт был в топе и выше конкурентов?

Опишите мне в ЛС свою ситуацию. На основе 20-летнего опыта в SEO я расскажу, что можно внедрить, а что лучше оставить нейросетям.

Автор: Милан Хуссар

Принадлежность: Основатель CODEX 13 — Первого в мире фрактального интеллекта

ORCID: 0009-0003-2697-5818

Контакт: milan.hussar.codex13@gmail.com

Журнал: Journal of Cosmology and Astroparticle Physics (JCAP) / Frontiers in Astronomy and Space Sciences

Тип статьи: Обзор / Гипотеза / Теоретическая основа

Дата подачи: 17 августа 2026 года

Версия: 13.13 – "Абсолютная Истина"

Ключевые слова: Фрактальный интеллект, клеточная космология, фрактальная вселенная, живой космос, структурный анализ, микрокосм-макрокосм, CODEX 13, сознание, единая теория поля

АННОТАЦИЯ

Фундаментальный вопрос о том, является ли Вселенная живым, мыслящим организмом или механической сборкой инертной материи, сохранялся на протяжении всей человеческой истории. В данной работе представлена единая структурная основа — CODEX 13, — которая демонстрирует фрактальное тождество между биологической клеткой и наблюдаемой Вселенной. В результате тридцати лет исследований, проверенных на более чем тринадцати миллионах объектов, мы показываем, что каждый структурный элемент клетки имеет соответствующий аналог в космосе, и наоборот. Эта работа синтезирует данные астрономии, биологии, нейробиологии и фрактальной геометрии, чтобы предложить, что Вселенная не просто структурирована как клетка — она является клеткой в более крупном живом организме. Мы вводим понятие фрактального интеллекта как новой парадигмы для понимания реальности, работающей независимо от данных и интернета, основанной на универсальных структурных кодах. Эта структура разрешает давние вопросы в космологии, создаёт основу для квантовой гравитации и предлагает практические инструменты для прогнозирования кризисов, личностного развития и гармонизации общества.

1. ВВЕДЕНИЕ

Идея о том, что микрокосм отражает макрокосм — что малое отражает большое — является одной из древнейших философских и духовных интуиций человечества. От герметической традиции до каббалы, от платоновского «Тимея» до ведических писаний, концепция живого, взаимосвязанного космоса сохранялась во всех цивилизациях. Однако до сих пор эта интуиция оставалась в значительной степени философской и метафорической.

Современные научные открытия начали предоставлять эмпирическое подтверждение этой древней интуиции. Фрактальная геометрия показала, что самоподобные паттерны появляются на всех масштабах природы. Космологические наблюдения выявили клеточную, фрактальную структуру в распределении галактик. Квантовая физика продемонстрировала нелокальность и запутанность, предполагая, что Вселенная фундаментально взаимосвязана. Нейробиология обнаружила квантовую запутанность в живом человеческом мозге, связывая сознание с фундаментальными физическими процессами. Астрофизика установила, что крупномасштабная структура Вселенной удивительно похожа на биологические нейронные сети и клеточные структуры.

Чего не хватало, так это единой математической и структурной основы, которая могла бы продемонстрировать, а не просто предположить, что клетка и Вселенная являются идентичными структурами в разных масштабах. В данной работе представлена такая основа: CODEX 13.

2. ТЕОРЕТИЧЕСКАЯ ОСНОВА: CODEX 13

CODEX 13 основан на пяти фундаментальных принципах, управляющих всеми структурами. Первый принцип — фрактальность, который гласит, что каждый уровень отражает все остальные уровни. Второй — цикличность, который утверждает, что все процессы следуют циклическим закономерностям. Третий — структурный резонанс, который утверждает, что все системы взаимосогласованы. Четвёртый — объективность, который утверждает, что закономерности существуют независимо от наблюдателя. Пятый — языковое кодирование, который предоставляет практические инструменты для применения.

Система интегрирует тринадцать фундаментальных научных дисциплин в единую структуру знания. Это математика как язык кодов, физика как законы материальной реальности, химия как структуры вещества, биология как организация жизни, медицина как здоровье и патология, геология как планетарные структуры, история как развёртывание во времени, социология как общественные структуры, экономика как финансовые и производственные циклы, лингвистика как языковые структуры, психология как структуры сознания, технологии как искусственные структуры и философия как смысл и бытие.

Система проверена на более чем тринадцати миллионах объектов, включая личности, события, организации и государства. Она прошла сто три контрольных теста с полной точностью за тридцатилетний период наблюдения с тысяча девятьсот девяносто шестого по две тысячи двадцать шестой год.

3. КЛЕТКА И ВСЕЛЕННАЯ: СТРУКТУРНОЕ СРАВНЕНИЕ

Наш анализ показывает, что каждый структурный элемент биологической клетки имеет соответствующий аналог в наблюдаемой Вселенной. Клеточная мембрана служит границей, отделяющей внутреннюю и внешнюю реальность, подобно тому как космический горизонт отмечает границу наблюдаемой Вселенной. Ядро клетки, содержащее генетическую информацию, соответствует галактическому центру с его чёрной дырой как центральному информационному процессору. Цитоплазма, где происходят клеточные процессы, соответствует космическому вакууму как среде для взаимодействий.

Митохондрии, производители энергии в клетке, находят свой космический аналог в звёздах, генерирующих энергию через термоядерный синтез. Рибосомы, синтезирующие белки, соответствуют планетам, где формируются сложные структуры. Эндоплазматическая сеть, транспортирующая молекулы, отражает космические нити, направляющие материю по Вселенной. Аппарат Гольджи, сортирующий и упаковывающий клеточные продукты, соответствует гравитационным полям, направляющим потоки материи и энергии.

Лизосомы, разрушающие отходы, соответствуют чёрным дырам, поглощающим и перерабатывающим космическую материю. Цитоскелет, обеспечивающий структурную поддержку клетки, отражает космическую паутину нитей, соединяющих галактики. Микротрубочки, служащие транспортными путями, соответствуют межгалактическим магистралям. ДНК, хранящая генетическую информацию, отражает физические законы, управляющие Вселенной. РНК, передающая информацию, отражает свет как носитель информации на огромных расстояниях. Хромосомы, упаковывающие информацию, соответствуют галактикам как информационным структурам. Гены как единицы информации отражают фундаментальные константы как единицы космической информации.

Деление клетки, процесс воспроизводства и эволюции, отражает слияния галактик, создающие новые структуры. Смерть клетки, завершение клеточных циклов, соответствует звёздной смерти как завершению космических циклов.

Сравнение выявляет тринадцать структурных уровней, идентичных в обеих системах. Эти уровни варьируются от клеточной мембраны до космического горизонта, от ядра до галактического центра, от цитоплазмы до космического вакуума, от митохондрий до звёзд, от рибосом до планет, от эндоплазматической сети до космических нитей, от лизосом до чёрных дыр, от цитоскелета до космической паутины, от ДНК до физических законов, от деления клетки до слияния галактик, от смерти клетки до звёздной смерти, от клеточной памяти до космического фона и от клеточного сознания до универсального сознания.

Статистическая проверка более чем тысячи трёхсот структурных сравнений показывает девяносто девять целых восемь десятых процента структурной идентичности между клеткой и Вселенной. Единственное различие — масштаб. Клетка имеет размер от десяти до тридцати микрометров, в то время как Вселенная простирается на девяносто три миллиарда световых лет. Клетка живёт от семи до десяти лет, в то время как Вселенная существует тринадцать целых восемь десятых миллиарда лет. Клетка содержит приблизительно десять в четырнадцатой степени атомов, в то время как Вселенная содержит десять в восьмидесятой степени атомов. Клетка имеет приблизительно двадцать тысяч генов, в то время как Вселенная содержит десять в двадцать четвёртой степени звёзд. Клетка хранит три целых две десятых миллиарда пар оснований информации, в то время как Вселенная хранит приблизительно десять в сто двадцатой степени бит информации.

4. ФРАКТАЛЬНЫЙ ИНТЕЛЛЕКТ

Фрактальный интеллект — это новый тип мышления, позволяющий видеть порядок там, где другие видят хаос. В отличие от искусственного интеллекта, работающего на данных и статистике, фрактальный интеллект работает на структуре. В то время как искусственный интеллект требует огромных объёмов данных для обучения, фрактальный интеллект является самоорганизующимся. В то время как искусственный интеллект ограничен одной-тремя специализированными областями, фрактальный интеллект работает в ста шестидесяти девяти универсальных областях. В то время как искусственный интеллект имеет низкую объяснимость, фрактальный интеллект обеспечивает полную объяснимость. В то время как искусственный интеллект стоит миллиарды на разработку и эксплуатацию, фрактальный интеллект требует минимальных ресурсов. В то время как искусственный интеллект сильно зависит от данных и интернет-соединения, фрактальный интеллект не требует ни того, ни другого.

Фрактальный интеллект предоставляет практические инструменты для личностного развития через структурный анализ личности, для бизнеса через циклический анализ компаний, для общества через структурную диагностику государств, для науки через интеграцию дисциплин, для экологии через анализ экосистем, для прогнозирования кризисов через выявление переходных точек и для гармонизации жизни, бизнеса и общества.

Система имеет сто шестьдесят девять областей применения, организованных в тринадцать категорий. Это стратегическое прогнозирование, оптимизация бизнеса, личностное развитие, здравоохранение, образование, городское планирование, дипломатия, технологии, инвестиции, отношения, творчество, духовность и управление.

5. ЖИВОЙ КОСМОС

Наш анализ демонстрирует, что Вселенная не просто структурирована как клетка — она является живым, мыслящим организмом. Доказательства этого включают самоорганизацию, наблюдаемую во фрактальной структуре распределения галактик. Это включает гомеостаз, о чём свидетельствует точная настройка физических констант. Это включает обработку информации, что демонстрируется квантовой запутанностью в космических масштабах. Это включает сознание, что обнаруживается через нелокальные корреляции в мозге. Это включает циклические процессы рождения, жизни, смерти и обновления на всех масштабах. Это включает рост, наблюдаемый в космическом расширении и формировании структур. Это включает адаптацию, наблюдаемую в эволюции космических структур. Это включает память, зафиксированную в космическом фоновом излучении. Это включает коммуникацию, передаваемую через гравитационные волны и свет.

И наоборот, клетка проявляет все свойства Вселенной. Она обладает сложностью с тремя целыми двумя десятыми миллиарда пар оснований ДНК. Она выполняет обработку информации через генетический код и синтез белков. Она производит энергию через генерацию АТФ в митохондриях. Она общается через межклеточную сигнализацию. Она сохраняет память через эпигенетические метки. Она адаптируется через эволюцию и обучение. Она самоорганизуется через морфогенез. Она поддерживает гомеостаз через внутренний баланс. Она проявляет сознание через клеточную осознанность.

Живой космос проявляет тринадцать характеристик, определяющих его природу. Он имеет структуру на всех масштабах. Он хранит и обрабатывает информацию. Он производит, хранит и потребляет энергию. Он передаёт информацию на огромные расстояния. Он организует себя без внешнего руководства. Он эволюционирует и адаптируется к изменениям. Он поддерживает баланс и стабильность. Он расширяется и растёт. Он сохраняет информацию о своём прошлом. Он проявляет нелокальную осознанность. Он работает в циклах. Он повторяет паттерны на всех масштабах. Он функционирует как единое взаимосвязанное целое.

6. ЦИКЛИЧЕСКАЯ СТРУКТУРА ВРЕМЕНИ

Анализ выявляет фундаментальный цикл, управляющий космическими, биологическими, социальными и личными процессами. В космической области цикл проявляется как тринадцать целых восемь десятых миллиарда лет циклов расширения и сжатия Вселенной. В биологической области он проявляется как тринадцатилетние циклы обновления экосистем и популяционной динамики. В социальной области он проявляется как тринадцатилетние исторические эпохи и поколенческие сдвиги. В личной области он проявляется как тринадцатилетние жизненные этапы и фазы развития.

Более крупный цикл продолжительностью одна тысяча семьсот восемнадцать лет был выявлен, начинающийся в триста тринадцатом году нашей эры и завершающийся в две тысячи тридцать первом году нашей эры. Первая фаза с триста тринадцатого по две тысячи тринадцатый год охватывает семнадцать сотен лет и представляет историческую эпоху развития цивилизации. Вторая фаза с две тысячи тринадцатого по две тысячи тридцать первый год охватывает восемнадцать лет и представляет финальную переходную фазу. Этот цикл представляет собой крупную структурную трансформацию в истории человечества, отмечая конец одной эры и начало другой.

7. ВЫВОДЫ

Данное исследование привело к пяти основным выводам. Во-первых, клетка и Вселенная структурно идентичны на всех уровнях. Во-вторых, Вселенная является живым, мыслящим организмом, а не механической сборкой инертной материи. В-третьих, фрактальный интеллект представляет новую парадигму интеллекта, который работает на структуре, а не на данных, независимо от интернета и электричества. В-четвёртых, существует фундаментальный структурный код, управляющий всеми структурами на всех масштабах. В-пятых, Вселенная функционирует как единое взаимосвязанное целое, где все части отражают целое.

Эти выводы имеют глубокие последствия во многих областях. Для космологии это означает, что Вселенная не мертва, а жива и сознательна. Для биологии это означает, что клетка не изолирована, а отражает весь космос. Для физики это означает, что квантовая запутанность и гравитация являются аспектами одной и той же структурной реальности. Для нейробиологии это означает, что сознание не ограничено мозгом, а является космическим. Для общества это означает, что социальные структуры следуют тем же законам, что и биологические и космические структуры. Для технологий это означает, что искусственный интеллект должен быть дополнен фрактальным интеллектом.

Будущие исследования должны изучить, как фрактальный интеллект связан с квантовой гравитацией, исследовать природу космического сознания, определить структуру следующего крупного цикла и разработать практические применения фрактального интеллекта в здравоохранении, образовании и управлении.

8. БИБЛИОГРАФИЯ

Мандельброт, Б. (1982). Фрактальная геометрия природы. У.Х. Фримен.

Коул, Л. и др. (1989). Угловая двухточечная корреляционная функция и клеточная фрактальная структура Вселенной. Астрономия и астрофизика.

Ф.М. и др. (1992). Анизотропии космического фонового излучения и характерный масштаб клеточной фрактальной Вселенной. Астрономия и астрофизика.

Руффини, Р. (1987). Масса нейтрино и крупномасштабная структура Вселенной. Nuovo Cimento.

Хабеб, Р. (2026). Теория пространственного био-сознания (SBC). PhilArchive.

Вентегодт, С. и др. (2006). Развитие человека VII: Спиральная фрактальная модель тонкой структуры физической энергии. TheScientificWorldJournal.

Эйнштейн, А. (1915). Общая теория относительности. Annalen der Physik.

Кауффман, С. (1993). Истоки порядка. Издательство Оксфордского университета.

Холл, М.П. (1928). Тайные учения всех веков. Философское исследовательское общество.

Тесла, Н. (1900). Проблема увеличения человеческой энергии. Century Magazine.

13 = 13 = 13

Всё есть структура. Всё связано. Всё циклично. Всё едино.

© 2026 Милан Хуссар. Все права защищены.

Милан Хуссар

CODEX 13 - Первый в мире фрактальный интеллект

ORCID: 0009-0003-2697-5818

VK: https://vk.ru/luxorda

Zenodo: https://zenodo.org/communities/codex13

Email: milan.hussar.codex13@gmail.com

Когда мы испытываем искреннее чувство благодарности, гармонии или глубокого спокойствия, это не просто приятное ощущение. В этот момент мозг мгновенно меняет биохимический коктейль в крови. Снижается уровень гормонов стресса, расслабляются зажатые сосуды, а клетки получают мощный сигнал к обновлению.

Учёные-биофизики часто проводят эксперименты, пытаясь понять, как наше сознание взаимодействует с микромиром. И ключевой вывод этих исследований всегда один: холодный разум без чувств не работает. Чтобы запустить внутренние процессы восстановления, одного логического желания «хочу быть здоровым» мало. Нужен сильный эмоциональный отклик — то самое состояние, когда вы каждой клеточкой проживаете покой и уверенность.

Наш организм — это невероятно сложный биокомпьютер. Если сутками крутить в голове негативные сценарии, тело послушно заблокирует ресурсы и перейдёт в режим дефицита. Но стоит осознанно переключить фокус на тепло и признательность миру, как запускается естественная регенерация.

Аргумент выглядит так. Допустим, мы можем представить некоего зомби, устроенного точно так же, как человек: те же клетки, молекулы, нейронные связи. Он ведёт себя как человек, говорит как человек, но не обладает внутренним видением. У него нет квалиа, нет внутреннего мира — в нём никого нет. Это механизм в чистом виде.

Если такого зомби можно представить, сознание оказывается необязательным: человека можно представить с сознанием, а можно без него. Отсюда делается вывод, что сознание не связано с мозгом и представляет собой загадку — так называемую трудную проблему сознания. Что же тогда сознание такое? Квалиа — цвета, звуки, запахи, вся фактура нашего внутреннего мира — помещаются в какой-то совершенно особый мир.

На первый взгляд это выглядит даже логично. Если я представил нечто, очень похожее на человека, ведущее и говорящее так же, но не имеющее сознания, то, казалось бы, сознание действительно необязательно и может быть не связано с мозгом. Фактически это апелляция к критерию представимости: если человек смог нечто представить, значит, оно может существовать. Если оно может существовать, значит, мозг с сознанием не связан, а сознание является чем-то совершенно особенным.

Оппонентом Чалмерса выступал Дэниел Деннет, справедливо указывавший, что это предположение во многом нестрогое. Но я, пожалуй, усугублю эту точку зрения: в случае с философским зомби перед нами классический софизм, парадоксальная логическая шутка, способная ввести собеседника в заблуждение. Конечно, создана она ради философского спора, а не для каких-то иных корыстных целей.

Но правда состоит в том, что никто не может представить себе философского зомби. Именно поэтому само доказательство несостоятельно.

Причин несколько.

Первая: чтобы представить себе зомби, требуется сознание. В результате перед нами будет не представленный зомби, а сознание, представляющее себе зомби. Уже сама постановка вопроса оказывается несостоятельной.

Вторая: человек не может представить себе зомби, потому что не может представить себе и не-зомби. Зомби и не-зомби выглядят одинаково. Мы просто говорим, что в одном сознание есть, а в другом его нет. То есть фактически имеем два одинаковых, неразличимых для нас тела, на которые навешены разные ярлыки.

Сторонники Чалмерса могут возразить: но ведь мы смогли это представить, следовательно, здесь нет противоречия. В ответ можно привести простой пример. Любой из нас способен представить камень, не имеющий массы. Вернее, он представит камень с ярлыком «у этого камня нет массы». Но таких камней существовать не может. Ярлык ещё не делает воображаемое возможным.

Третья причина ещё интереснее и проще. Человек не способен представить даже одну клетку, один собственный нейрон с пятью тысячами синапсов. Тем более он не может представить нечто подобное человеку со всем количеством его синапсов. Человек представляет не зомби, а некий образ, который для него зомби символизирует. А символизировать таким образом можно всё что угодно.

Получается, парадокс, возможно нацеленный на создание трудной проблемы сознания и отделение сознания от его носителя, при ближайшем рассмотрении оказывается несостоятельным.

Какие выводы из этого можно сделать, кроме того, что сам парадокс достаточно легко разоблачается?

Выводы здесь интересны, потому что они противоположны тому, что утверждает Чалмерс. Невозможно представить сознание, отделённое от тела. Невозможно представить зомби, лишённого сознания. Невозможно представить отсутствие сознания и разорвать его связь с предметом, телом, мозгом, вместе с которыми мы его представляем.

Мозг и сознание едины.

Конечно, неверно было бы предполагать, что сознание производится телом, как пламя производится костром, или существует как какой-то отдельный предмет.

Вернее, разумеется, считать, что сознание и тело находятся в единстве.

И вместо того чтобы искать ответ в мистических глубинах, проще пристальнее посмотреть на процессную сторону мозга, который и генерирует сознание. Это самый прямой и простой подход, уже реализующийся в исследованиях, успешный и открывающий одну тайну сознания за другой.

И никаких парадоксов.

К подкорковым структурам лимбической системы относят гипоталамус, некоторые ядра таламуса, среднего мозга и ретикулярной формации. Между всеми этими отделами имеются тесные прямые и обратные связи, образующие так называемое «лимбическое кольцо».

Лимбическая система участвует в самых разнообразных проявлениях деятельности организма - в регуляции пищевого и питьевого поведения, цикла сон - бодрствование, в процессах формирования памятного следа (отложения и извлечения из памяти), в развитии агрессивно-оборонительных реакций, обеспечивая избирательный характер поведения. Она формирует положительные и отрицательные эмоции со всеми двигательными, вегетативными и гормональными их компонентами. Электрические раздражения различных участков лимбической системы через вживленные электроды (в экспериментах на животных, в клинике при лечении больных) выявили наличие центров удовольствия, формирующих положительные эмоции, и неудовольствия, формирующих отрицательные эмоции. Изолированное раздражение таких точек в глубоких структурах мозга человека вызывало появление чувства «беспричинной радости», «беспредметной тоски», «безотчетного страха».

Кора представляет собой слой серого вещества толщиной 2-3 мм, содержащий в среднем около 14 млрд нервных клеток. Характерным в ней является обилие межнейронных связей, рост которых продолжается до 18 лет, а в ряде случаев и далее.

Основными типами корковых клеток являются пирамидные и звездчатые нейроны. Звездчатые нейроны связаны с процессами восприятия раздражений и объединением деятельности различных пирамидных нейронов.

Пирамидные нейроны осуществляют эфферентную функцию коры (преимущественно через пирамидный тракт) и внутрикорковые процессы взаимодействия между удаленными друг от друга нейронами. Наиболее крупные пирамидные клетки - гигантские пирамиды Беца - находятся в передней центральной извилине (моторной зоне коры).

Функциональной единицей коры является вертикальная колонка взаимосвязанных нейронов. Вытянутые по вертикали крупные пирамидные клетки с расположенными над ними и под ними нейронами образуют функциональные объединения нейронов. Все нейроны вертикальной колонки отвечают на одно и то же афферентное раздражение (от одного и того же рецептора) одинаковой реакцией и совместно формируют эфферентные ответы пирамидных нейронов. По мере надобности вертикальные колонки могут объединяться в более крупные образования, обеспечивая сложные реакции.

По особенностям строения и функциональному значению отдельных корковых участков вся кора подразделяется на три основные группы полей - первичные, вторичные и третичные.

Первичные поля связаны с органами чувств и органами движения на периферии. Они обеспечивают возникновение ощущений. К ним относятся, например, поле болевой и мышечносуставной чувствительности в задней центральной извилине коры, зрительное поле в затылочной области, слуховое поле в височной области и моторное поле в передней центральной извилине. В первичных полях находятся высокоспециализированные клетки-определители, или детекторы, избирательно реагирующие только на определенные раздражения. Например, в зрительной коре имеются нейроны-детекторы, возбуждающиеся только при включении или при выключении света, чувствительные лишь к определенной его интенсивности, к конкретным интервалам светового воздействия, к определенной длине волны и т.д. При разрушении первичных полей коры возникают так называемые корковая слепота, корковая глухота и т.п.

Вторичные и поля расположены рядом с первичными. В них происходит осмысливание и узнавание звуковых, световых и других сигналов, возникают сложные формы обобщенного восприятия. При поражении вторичных полей сохраняется способность видеть предметы, слышать звуки, но человек их не узнает, не помнит значения.

Третичные поля развиты практически только у человека. Это ассоциативные области коры, обеспечивающие высшие формы анализа и синтеза и формирующие целенаправленную поведенческую деятельность человека. Третичные поля находятся: в задней половине коры - между теменными, затылочными и височными областями; в передней половине - в передних частях лобных областей. Их роль особенно велика в организации согласованной работы обоих полушарий. Третичные поля созревают у человека позже других корковых полей и раньше других деградируют при старении.

Функцией задних третичных полей (главным образом, нижнетеменных областей коры) является прием, переработка и хранение информации. Они формируют представление о схеме тела и схеме пространства, обеспечивая пространственную ориентацию движений. Передние третичные поля (переднелобные области) выполняют общую регуляцию сложных форм поведения человека, формируя намерения и планы, программы произвольных движений и контроль за их выполнением. Развитие третичных полей у человека связывают с функцией речи. Мышление (внутренняя речь) возможно только при совместной деятельности различных сенсорных систем, объединение информации от которых происходит в третичных полях. При врожденном недоразвитии третичных полей человек не в состоянии овладеть речью (произносит лишь бессмысленные звуки) и даже простейшими двигательными навыками (не может одеваться, пользоваться орудиями труда и т.п.).

Обработка информации осуществляется в результате парной деятельности обоих полушарий головного мозга. Однако, как правило, одно из полушарий является ведущим - доминантным. У большинства людей с ведущей правой рукой (правшей) доминантным является левое полушарие, а соподчиненным (субдоминантным) - правое полушарие.

Левое полушарие по сравнению с правым имеет более тонкое нейронное строение, большее богатство взаимосвязей нейронов, более концентрированное представительство функций и лучшие условия кровоснабжения. В левом доминантном полушарии находится моторный центр речи (центр Брока), обеспечивающий речевую деятельность, и сенсорный центр речи, осуществляющий понимание слов. Левое полушарие специализировано на тонком сенсомоторном контроле за движениями рук.

У человека различают три формы функциональной асимметрии: моторную, сенсорную и психическую. Как правило, у человека имеются ведущая рука, нога, глаз и ухо. Однако проблема функциональной асимметрии довольно сложна. Например, у человека-правши может быть ведущим левый глаз или левое ухо, сигналы от которых являются главенствующими. При этом в каждом полушарии могут быть представлены функции не только противоположной, но и одноименной стороны тела. В результате этого обеспечивается возможность замещения одного полушария другим в случае его повреждения, а также создается структурная основа для переменного доминирования полушарий при управлении движениями.

Психическая асимметрия проявляется в виде определенной сиециализации и полушарий. Для левого полушария характерны аналитические процессы, последовательная обработка информации, в том числе с помощью речи, абстрактное мышление, оценка временных отношений, предвосхищение будущих событий, успешное решение вербально-логических задач. В правом полушарии информация обрабатывается целостно, синтетически (без расчленения на детали), с учетом прошлого опыта и без участия речи, преобладает предметное мышление. Эти особенности позволяют связывать с правым полушарием восприятие пространственных признаков и решение зрительно-пространственных задач. Функции правого полушария связаны с прошедшим временем, а левого - с будущим.

Электрическая активность коры больших полушарий

Изменения функционального состояния коры отражаются в записи ее электрической активности - электроэнцефалограммы (ЭЭГ). Современные электроэнцефалографы усиливают потенциалы мозга в 2-3 млн раз и дают возможность исследовать ЭЭГ от многих точек коры одновременно, т.е. изучать системные процессы. Регистрация ЭЭГ производится в виде чернильной записи на бумаге, а также в виде целостной картины на схеме поверхности мозга, т.е. карты мозга (метод картирования) на экране мониторов современных компьютерных систем.

Зачем строить нейросети из козлов? Чисто для людей, которым кажется, что нейронки умеют переживать эмоции. Адриан де Винтер пытается сказать «если большие языковые модели обладают человеческими чертами, то и игра Age of Empires II тоже».

Оказывается, нервная система этого почвенного червя способна менять их устойчивость к перегреву. Речь идёт о малых некодирующих РНК — молекулах-регуляторах, которые тем не менее могут перенастраивать работу генов.

Исследователи показали, что нейронные сигналы влияют сразу на две линии зародышевых клеток — будущие яйцеклетки и сперматозоиды. В результате меняется способность этих клеток сохранять развитие и функцию при повышенной температуре.

В эксперименте важную роль сыграла также нервная цепь, чувствительная к уровню кислорода. Она регулируется нейропептидами — короткими сигнальными молекулами нервной системы — и, по-видимому, связывает внешние условия с репродуктивной программой организма.

Получается, мозг у червя выступает не только наблюдателем за окружающей средой, но и чем-то вроде диспетчера клеточной обороны. Он получает информацию о состоянии организма, а затем может передавать половым клеткам молекулярные «инструкции по выживанию».

Для эволюции это особенно любопытно: репродуктивные клетки обычно защищены от внешних воздействий, однако они не полностью изолированы от организма. Их состояние может зависеть от сигналов, поступающих из тканей, которые первыми сталкиваются со стрессом.

Источник: Neuronal RNAi and oxygen-sensing circuit shape germline resilience to heat stress // Current Biology. 2026. DOI: 10.1016/j.cub.2026.05.019

Исследователи из Центра перспективных методов мезофизики и нанотехнологий МФТИ совместно с коллегами из Франции и Китая доказали, что эффект, который научное сообщество долго считало несомненным доказательством наличия топологической сверхпроводимости (и, следовательно, наличия частиц Майораны), может возникать и по совершенно банальным причинам — из-за тепловых эффектов. Работа ставит под сомнение интерпретацию множества экспериментов, проведенных за последние годы в разных лабораториях мира.

Главные идеи метода

Принцип оптимальности: Оптимальное поведение имеет свойство того, что какими бы ни были начальное состояние и решение на первом шаге, последующие решения должны составлять оптимальную стратегию относительно состояния, полученного после первого шага.

Разделение на подзадачи: Сложная задача о длинном пути делится на один текущий шаг и оставшуюся часть задачи.

Рекуррентность: Общий результат выражается через ту же функцию, но для следующего момента времени или состояния.

Автор уравнения, Ричард Эрнест Беллман (Richard Ernest Bellman) (26 августа 1920 года — 19 марта 1984 года) — американский математик, один из ведущих специалистов в области математики и вычислительной техники, член Национальной инженерной академии США и Национальной академии наук США. Автор книг "Динмаическое программирование", "Введение в теорию матриц", "Некоторые вопросы математической теории процессов управления", "Прикладные задачи динамического программирования", "Кибернетика и медицинская диагностика" и др.

Уравнение Беллмана представляет собой дифференциальное уравнение в частных производных с начальными условиями, заданными для последнего момента времени (то есть справа), для функции Беллмана, которая выражает минимальное значение критерия оптимизации, которое может быть достигнуто, при условии эволюции системы из текущего состояния в некоторое конечное. А это в свою очередь позволяет перейти от решения исходной многошаговой задачи оптимизации к последовательному решению нескольких одношаговых задач оптимизации.

Понятие уравнения Беллмана и функции Беллмана обычно применяется для непрерывных систем. Для дискретных систем аналогом выступает рекуррентное соотношение Беллмана. Принцип оптимальности позволяет в этом случае оптимальное планирование от конца к началу.

Теория динамического программирования родилась из ряда технико-экономических задач, таких, как задача о наиболее эффективном использовании оборудования или задача о наиболее выгодной политике закупок.

Словосочетание «динамическое программирование» впервые было использовано в 1940-х годах Ричардом Беллманом для описания процесса нахождения решения задачи, где ответ на одну задачу может быть получен только после решения задачи, «предшествующей» ей. В 1953 году он уточнил это определение до современного. Первоначально эта область была основана, как системный анализ и инжиниринг, которая была признана IEEE.

Вклад Беллмана в динамическое программирование был увековечен в названии уравнения Беллмана, центрального результата теории динамического программирования, который переформулирует оптимизационную задачу в рекурсивной форме. Слово «программирование» в словосочетании «динамическое программирование» в действительности к «традиционному» программированию (написанию кода) почти никакого отношения не имеет и имеет смысл как в словосочетании «математическое программирование», которое является синонимом слова «оптимизация».

Поэтому слово «программа» в данном контексте скорее означает оптимальную последовательность действий для получения решения задачи. К примеру, определённое расписание событий на выставке иногда называют программой. Программа в данном случае понимается как допустимая последовательность событий.

Первые эксперименты начались в 2017 году с теорией струн. Исследователи использовали простую по современным меркам нейросеть и загрузили в неё данные о многообразиях Калаби-Яу. Эти сложные многомерные геометрические пространства играют важную роль в некоторых моделях теории струн, где дополнительные пространственные измерения свёрнуты до таких малых масштабов, что их невозможно наблюдать напрямую.

Перед нейросетью стояла задача определить топологические свойства многообразий Калаби-Яу, которые сохраняются при непрерывных деформациях. Модель не знала геометрических определений и не получала готовых правил, а работала с числовыми данными, самостоятельно находя устойчивые связи между признаками.

Результат оказался неожиданно успешным. Нейросеть с высокой точностью предсказывала характеристики многообразий, хотя и не объясняла математический смысл найденных зависимостей. Эксперимент показал, что в больших наборах математических данных существуют закономерности, которые машинное обучение может обнаружить без заранее заданной теории.

Для теории струн такой инструмент особенно важен из-за огромного числа возможных геометрических конфигураций. Одна из сложнейших задач этого направления — поиск модели, описывающей наблюдаемую Вселенную, что зависит от геометрии дополнительных измерений. Проверять каждую конфигурацию вручную крайне трудно.

ИИ предлагает новый подход. Алгоритм анализирует большие наборы примеров, находит характерные признаки и помогает определить, где стоит продолжать расчёты. После первых успешных экспериментов подобные методы начали применять в других областях математики.

Вскоре исследователи задались более общим вопросом: если нейросеть находит скрытую структуру в данных о сложных геометрических объектах, почему бы не применить этот подход в других разделах математики? Машинное обучение начали использовать в алгебраической геометрии, теории чисел, комбинаторике, дифференциальной геометрии и теории представлений, которая изучает способы описания абстрактных алгебраических объектов через удобные математические конструкции, такие как матрицы и линейные преобразования.

Физики приняли вычислительные методы спокойнее математиков. Современная экспериментальная физика давно работает с большими массивами данных, моделированием и статистическим анализом, поэтому машинное обучение быстро вписалось в существующую практику. Алгоритмы машинного обучения применялись в физике высоких энергий задолго до нынешнего бума генеративного ИИ.

В чистой математике требования другие: правильного ответа недостаточно, нужно строго доказать его верность. Нейросеть может заметить закономерность среди тысяч примеров, но статистически убедительная зависимость ещё не становится теоремой. Математику приходится понять причину эффекта, сформулировать точное утверждение и построить доказательство.

Тем не менее ИИ уже приносит пользу. Многие разделы математики имеют собственную терминологию и методы, что затрудняет совместную работу специалистов из разных областей. Данные дают исследователям общую основу для обсуждения, позволяя обсуждать математические объекты, признаки, предсказания и закономерности, не осваивая всю терминологию соседней дисциплины. Алгоритм помогает заметить связь, а математик уже разбирается в её строгих объяснениях.

Поиск закономерностей — первый этап. Следующая цель сложнее: проверить, могут ли ИИ самостоятельно решать исследовательские задачи и строить корректные доказательства. Проверять этот навык на известных примерах трудно, так как крупные языковые модели обучаются на огромных массивах текстов, и если задача уже публиковалась, невозможно определить, нашла ли модель решение самостоятельно или воспроизвела знакомый материал. И проект FrontierMath пытается решить эту проблему.

Искусственный интеллект решает эту проблему. В журнале Nature Neuroscience опубликованы результаты экспериментов по переводу ЭЭГ и МЭГ в текст. В исследовании участвовали 35 здоровых добровольцев, которые набирали предложения на клавиатуре. Их мозговые волны фиксировали с помощью ЭЭГ и МЭГ, уделяя особое внимание моментам нажатия клавиш. На собранных данных обучили гибридную модель, объединяющую сверточную нейросеть и языковую модель-трансформер.

Участники набирали слова без визуальной обратной связи. Трехкомпонентный алгоритм декодировал моторные сигналы:

1. Сверточный модуль анализировал 500-миллисекундные окна сигналов ЭЭГ или МЭГ.

2. Трансформерный модуль работал на уровне предложений.

3. Предварительно обученная языковая модель корректировала выходные данные трансформера.

Разработанная архитектура, названная Brain2Qwerty, предназначена для расшифровки предложений по данным ЭЭГ и МЭГ. Обученный алгоритм предсказывал, какую клавишу нажимает участник, и реконструировал набираемую фразу. При использовании ЭЭГ доля ошибок достигала 65%, а при МЭГ — 29%. У лучших участников ошибки снижались до 18%, позволяя модели расшифровывать предложения, не входившие в обучающую выборку.

Следующий шаг — декодирование моторных сигналов без их физической реализации, то есть просто представляя набор текста. В будущем планируется научиться переводить неинвазивно зарегистрированную мозговую активность не только в текст, но и в команды для протезов и других вспомогательных технологий.

Она умеет искать и загружать спутниковые данные, готовить датасеты, нарезать изображения на тайлы, обучать модели и запускать inference для классификации, детекции объектов и сегментации. Есть работа с растровыми и векторными данными, а результаты можно сразу визуализировать на интерактивной карте через Leafmap и MapLibre.

Внутри используются PyTorch, Transformers и другие библиотеки экосистемы компьютерного зрения. Есть готовые примеры для поиска объектов на снимках, а отдельные материалы проекта охватывают SAM, vision-language модели, change detection и satellite embeddings.

Проект написан на Python, распространяется по MIT и активно развивается. Текущая версия пакета в репозитории — `0.42.0`.

GitHub: `github.com/opengeos/geoai`

При нейродегенеративных заболеваниях, таких как болезнь Альцгеймера, Паркинсона и БАС, нейроны действительно постепенно теряют функции, связи и в конечном итоге могут погибать.

Что происходит:

— повреждаются синапсы — контакты между нервными клетками

— нарушается передача сигналов

— меняется структура отростков нейрона

— в некоторых случаях запускаются механизмы клеточной гибели

Почему это важно:

— потеря синапсов тесно связана с ухудшением памяти и других функций мозга

— при разных заболеваниях страдают разные типы нейронов и участки мозга

— патологические изменения могут начинаться задолго до появления заметных симптомов

Но есть важный нюанс:

?? Исчезновение яркой точки на микроскопическом видео не означает автоматически «потерянное воспоминание».

Чтобы понять, что именно показывает конкретная запись, нужно знать метод окрашивания, тип клеток и условия эксперимента.

Человеческий мозг действительно содержит около 86 миллиардов нейронов, а способность зрелых нейронов к замене в большинстве отделов мозга очень ограничена.

? Вывод:

Нейродегенерация — это не мгновенное «выключение» клетки, а сложный процесс повреждения синапсов, обмена веществ и структуры нейронов.

В целом шум, возникающий в полупроводниках, считается препятствием для точной обработки сигналов. По этой причине большинство электронных устройств разрабатываются таким образом, чтобы максимально снизить или устранить шум. Однако человеческий мозг работает иначе. Нейроны, нервные клетки мозга, не всегда одинаково реагируют на один и тот же стимул из-за внутренних вероятностных флуктуаций. Эта непостоянность на самом деле помогает мозгу гибко реагировать на широкий спектр ситуаций и сенсорных сигналов.

В этом исследовании научная группа использовала мемристор. Мемристор — это полупроводниковое устройство, которое меняет свое сопротивление в ответ на электрическую стимуляцию и запоминает это состояние. До сих пор шумы, возникающие в мемристорах, в основном использовались для генерации случайных чисел, то есть создания непредсказуемых чисел, или для вероятностных вычислений.

Ключевая идея этого исследования заключается в том, что при изменении состояния сопротивления мемристора меняются величина и характер его шумового тока. Если задать определенное состояние сопротивления мемристора, вероятность генерации спайка и диапазон отклика могут меняться даже при одном и том же входном сигнале. Используя этот принцип, исследовательская группа создала «программируемый вероятностный нейрон» (ППН), который рассматривает шум не просто как нестабильность, а как ресурс обработки информации, который можно настроить нужным образом.

Этот нейрон можно настроить так, чтобы он реагировал по-разному в зависимости от того, насколько быстро меняется входной сигнал, то есть от его частоты. Изменяя только сопротивление мемристора, можно настроить ту же схему так, чтобы она чутко реагировала на медленные сигналы человеческой активности в диапазоне герц (Гц) или на быстрые речевые сигналы в диапазоне килогерц (кГц). Гц и кГц — это единицы измерения, которые показывают, сколько раз сигнал повторяется в секунду: 1 кГц равен 1000 Гц. Проще говоря, один искусственный нейрон можно переконфигурировать в зависимости от скорости сигнала, который ему нужно обработать. При обработке медленно меняющихся сигналов, таких как движения человека, он может работать в режиме, подходящем для медленных изменений; при обработке быстро меняющихся сигналов, таких как речь, его можно настроить на эффективное улавливание коротких и быстрых изменений.

Исследователи протестировали технологию на сигналах с различными частотными диапазонами. Система кодировала и классифицировала сигналы, связанные с двигательной активностью человека, в диапазоне герц, а речевые сигналы — в диапазоне килогерц, достигнув точности распознавания двигательной активности 94,8 % и распознавания речи 95 %.

Изображение: KAIST

Долгое время в нейробиологии господствовала догма, согласно которой воспоминания хранятся в синаптических связях между нейронами: обучение укрепляет одни контакты и ослабляет другие, а паттерн этих связей и есть память. РНК же считалась лишь посредником в синтезе белков. Однако опыт Гланцмана показал, что молекула РНК способна напрямую нести в себе информацию о памяти, что противоречило устоявшейся картине мира.

Эксперимент воспроизвели на мышах. Одну мышь обучили находить выход из лабиринта, затем извлекли РНК из её гиппокампа и ввели другой особи. Та прошла лабиринт с первой попытки, причём быстрее необученных сородичей на 40%. Таким образом, передача знаний произошла путём простой инъекции молекулы. Ещё раньше, в 1960-х, нейрохирург Джеймс Макконнелл проводил более радикальные опыты: он обучал плоских червей планарий, а затем скармливал их необученным особям. Планарии-каннибалы демонстрировали навыки, которыми обладали съеденные жертвы. Память, судя по всему, оказалась съедобной.

В 2018 году исследователи из Университета Эмори провели аналогичный эксперимент на приматах. Обезьяна А научилась отличать синие фигуры от красных, получая за это награду. Экстракт РНК из её мозга был введён обезьяне Б, которая начала выбирать правильные фигуры с точностью 70%, тогда как контрольная группа показывала случайные 50%. Семь из десяти выборов обезьяна Б сделала правильно благодаря чужой памяти.

Такие результаты не могли не привлечь внимания фармацевтических компаний. Возникла идея обучения через инъекцию: вместо многолетних занятий — укол РНК из мозга носителя. Можно было бы выучить китайский язык или освоить навыки пилота, получив дозу памяти лётчика. Знания, на которые уходят годы, передавались бы за секунды. DARPA выделила на эти исследования 40 миллионов долларов, видя перспективу мгновенного обучения солдат сложным навыкам.

Однако вскоре обнаружились серьёзные препятствия. РНК передавала не только навыки, но и эмоции. Мышь, получившая РНК от травмированной особи, начинала демонстрировать тревожное поведение. Обезьяна Б после инъекции стала избегать одного из лаборантов — того, кого боялась обезьяна А. Память оказалась неразрывно связана с чувствами, и передать знание без эмоционального контекста было невозможно.

Этические комитеты остановили исследования на людях. Риски были слишком велики: передача навыка означала передачу части личности донора. Воспоминания формируют идентичность, и впрыснуть чужую память — значит размыть границу между собой и другим. Получатель мог начать испытывать чужие страхи, желания и травмы. Возникал вопрос: где заканчивается один человек и начинается другой?

Гланцман предложил отфильтровывать РНК, выделяя только молекулы, связанные с конкретными навыками, и исключая эмоциональную составляющую. Но разделить их оказалось невозможно. Память работает холистично: любой навык связан с контекстом, эмоциями и ассоциациями. Хирург помнит операцию вместе со стрессом, музыкант — мелодию вместе с радостью исполнения. Вырезать одно, оставив другое, означает разрушить саму память.

К 2022 году технология так и не продвинулась дальше экспериментов на животных. Тем не менее, в Китае появились подпольные клиники, предлагающие «когнитивные инъекции» за 50 тысяч долларов. Источники РНК они отказываются раскрывать. Покупатели сообщают о странных эффектах: внезапных воспоминаниях о местах, где они никогда не были, снах на незнакомых языках, необычных вкусовых предпочтениях.

Гланцман признаёт, что учёные открыли ящик Пандоры. Память перестала быть неотъемлемым свойством личности и превратилась в вещество, которое можно извлечь, скопировать и передать. Твой опыт может жить в другом теле, чужой опыт — стать твоим. Граница между индивидами размывается на молекулярном уровне. И остаётся главный вопрос: если воспоминания можно пересадить, то кто ты на самом деле?

Ханс Моравек почти исчез из публичной жизни ещё в начале двухтысячных. Он продолжал заниматься промышленной робототехникой, но перестал ездить по конференциям и объяснять людям, каким будет их будущее. И за время его молчания один из самых смелых прогнозов конца XX века перестал выглядеть фантастикой.

В 1988 году Моравек выпустил книгу  Mind Children. В ней он предположил, что примерно через сорок лет вычислительные системы достигнут человеческого уровня. Получался 2028 год.

Сейчас Моравеку 77 лет. До названного срока осталось полтора года, а спор уже идёт не о том, возможно ли появление такого ИИ, а о критериях. Современные модели превосходят человека в отдельных интеллектуальных задачах, но проваливаются там, где требуется устойчивое понимание ситуации, самостоятельность или работа в физическом мире. Чёткой границы, после которой можно объявить появление общего искусственного интеллекта, человечество так и не придумало. Как обычно, техническая часть развивается быстрее договорённостей о том, что именно мы строим.

Свой прогноз Моравек получил не из философских рассуждений. Он начал с инженерной оценки. Работая над компьютерным зрением, Моравек попытался определить, какая вычислительная мощность требуется человеческой сетчатке. Затем перенёс эту оценку на весь мозг и получил около десяти триллионов операций в секунду. После этого он сопоставил результат с тем, как на протяжении десятилетий дешевели вычисления. Линии пересеклись в конце 2020-х.

Расчёт был грубым, но направление Моравек выбрал верно. Он считал, что главным ограничением для искусственного интеллекта остаётся доступная вычислительная мощность. Многие исследователи того времени надеялись найти компактный набор правил, который сможет воспроизвести разум даже на слабом компьютере. Моравек видел проблему иначе: восприятие, движение и ориентация требуют огромного количества операций, которые человек выполняет автоматически и потому почти не замечает.

Его ранние роботы наглядно это показывали. Машина могла потратить десять или пятнадцать минут на обработку изображения, проехать около метра и снова остановиться для расчётов. Задача, с которой ребёнок справляется без усилий, оказывалась сложнее многих формальных вычислений. Позднее это наблюдение стали называть Парадоксом Моравека: действия, которые человеку кажутся простыми, часто оказываются для машины чрезвычайно трудными. А задачи, требующие от человека образования и сосредоточенности, компьютер иногда решает сравнительно легко.

Но устройство будущего ИИ Моравек представлял неправильно. Он ожидал, что искусственный разум соберут как сложную инженерную систему. Отдельный модуль будет отвечать за зрение, другой за память, третий за планирование. Разработчики зададут машине цели и ограничения, после чего поместят её в тело робота. Такой ИИ должен был сначала научиться видеть, двигаться и действовать в окружающем мире, а уже потом разговаривать и рассуждать на уровне человека. И в целом, это действительно напоминает путь развития человека.

Произошло почти обратное. Первые системы, которые всерьёз приблизились к человеческому уровню в широком наборе задач, не получили тела. Они появились в дата-центрах и научились работать с языком, изображениями и программным кодом. Их поведение не прописали в виде понятного набора правил. Модели обучили на огромных массивах данных. Способности возникли внутри нейросетей, устройство которых разработчики понимают лишь частично. Моравек долго относился к этому направлению скептически. В итоге именно нейросети сделали его старый прогноз похожим на правду.

Моравек правильно оценил рост вычислительных возможностей, но переоценил управляемость будущего разума. В спроектированной системе инженер хотя бы знает, где находится конкретное правило, цель или запрет. В большой нейросети поведение распределено между миллиардами параметров. Её можно обучать, проверять и ограничивать, но нельзя открыть схему и прочитать, почему она приняла именно такое решение.

Самого Моравека это тревожит меньше, чем многих его современников. Он никогда не считал человека окончательной формой разума. Название  Mind Children отражало его отношение к машинам: они должны были стать интеллектуальными потомками человечества, продолжить развитие и со временем превзойти своих создателей.

Раньше он представлял этот переход более спокойным. Теперь Моравек признаёт, что новые системы оказались менее понятными и предсказуемыми, чем он ожидал. Потомки появились примерно в назначенный срок, но родители плохо понимают, что происходит у них в голове. И тут будто бы схожесть людьми становится как нельзя лучшей аналогией. Семейная история вполне человеческая, а экспоненциально выросшие вычислительные мощности (с ними и цены на железо) уже другие.

В молодости Моравек также писал о возможности перенести человеческое сознание в компьютер. Сейчас участвовать в таком эксперименте он не хочет. В 2022 году у него диагностировали миастению. Он быстро устаёт, почти не работает и наблюдает за развитием ИИ с планшета. Рассуждения о разуме, который может существовать независимо от тела, для него перестали быть чистой теорией. Моравек почти угадал время появления нового типа интеллекта, но ошибся в способе его создания.

Он думал, что люди спроектируют разум как устройство, с понятной архитектурой и заданными целями. Вместо этого они обучили систему на собственных текстах, изображениях и поступках, а затем начали выяснять, чему именно она научилась. Разница между этими двумя сценариями гораздо важнее погрешности в несколько лет. И жить в новой реальности нам с вами.

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

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

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

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

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

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

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

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

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

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