⚪️ Возвращение экипажа МКС-74, гравитационный манёвр Psyche и солнечные вспышки Делимся еженедельной подборкой космических новостей. 🔹 Космический корабль «Союз МС-28» с экипажем вернулся на Землю с МКС 🔹 Компания «РЕШЕТНЁВ» разработала 12-метровый космический «зонт» для спутников 🔹 Зонд NASA Psyche разогнался возле Марса и проверил приборы перед встречей с астероидом Психея 🔹 Учёные выяснили, как дистанционно отличить токсичную лунную воду от безопасной 🔹 На Солнце произошла самая сильная вспышка за две недели 🔹 На космодром Восточный доставили ракету-носитель «Союз-2» 🔹 В Музее космонавтики в Москве открыли выставку к юбилеям конструктора Владимира Рачука и КБХА 🔹 Разбор полёта: как прошёл пуск первой частной индийской орбитальной ракеты «Викрам-1» 🔹 Космический громоотвод: в китайскую ракету при пуске ударила молния — к чему это привело 🔹 Cпутник Индии и США NISAR сфотографировал гигантскую ледяную колибри #дайджест@prokosmosru

Все там будем, или Почему игровые движки всегда заканчивают одинаково В движке «Блицкрига» нейтральные свиньи по недосмотру отнаследовались от боевого юнита. Завидев врага, они патриотично лезли за оружием, которого у них не было, зато патроны находились сами собой из неинициализированной переменной. Стрелять нечем, а боезапас есть, и свиньи дружно валили игру нулпоинтером. Починили изящно, выдав свиньям парабеллум, но обнулив патроны. Вся прелесть в том, что это не курьёз одной студии, а закономерная стадия, через которую проходит любой движок. Сначала весь код держится на наследовании от одного всемогущего класса, и баги в нём лечатся тем же наследованием, пока команда не упрётся в стену. Дальше по замкнутому кругу через компоненты, конфиги и собственный язык, и снова к началу. Посмотрим, какие четыре стадии проходит каждый движок и почему круг так тянет замкнуться: https://u.habr.com/elBSf

🪼ЧТО ПОЧИТАТЬ О КСЕНОПОЭЗИИ?🦃 Попросили философа техники и ИИ Михаила Федорченко, автора канала ᴍᴀᴄʜɪɴɪᴄ ᴇᴍʙᴏᴅɪᴍᴇɴᴛ, собрать подборочку с рекомендациями о том, что почитать о ксенопоэзии и трасформации языка! Ксенопоэзия — одна из самых молодых семиотических и (около)философских концепций в теории искусства и языка ранних 2020-х. Ксенопоэзией можно назвать не просто литературно-техническое упражнение по обращению к «чужому» (отсюда и ксено-), но и практикой новой семиотической, паразитарной онтологической парадигмы, в которой текст, слизь, нечеловеческое становятся живой, неконтролируемой субстанцией, оппонирующей как спекулятивной философии, так и постгуманизму, показывая намного более радикальное отношение между живой и неживой материей. 🐢 Кэндзи Сиратори — Кровь электрическая, тексты с Academia.edu, профиль на Substack

Японский музыкант, писатель и цифровой мистификатор, пишущий о том, что ксенопоэзия выдвигает на первый план отчуждение как пространство инноваций, бросая читателю вызов в отношении незнакомого, ненормативного, чужого, которое при этом становится «своим». Глитчи, ошибки в алгоритмах, разрывы в коммуникации — это не недостатки, а источники устойчивости и креативности, дестабилизирующие нормы, хромосомные мутации мира кибернетических взаимосвязанных сетей, окружающих нас в нашей меланхолии к новым продуктам технокапитала, тормозящим акселерацию с нечеловеческим.

🐢 Зоэтика Эбб — Xenopoem as Psychogametous Artform: Communication to the Subconscious in Xenopoetic Practice, A Kink in Cognition: Acentrism, Parallel Signal Literacy.

Художница, активно сотрудничает с Сиратори. Исследует материальность субстратов и вводит концепцию ацентризма — отхода от человекоцентричных моделей смысла, агентности и рецепции, которые зависят от человека как от своей концептуальной основы. Пытается создать а-значающую семиотику за границами человеческого восприятия и власти, децентрируя производство субъективности с человека на среды, коды, встречи с нечеловеческим, авторства, высвобождение информации.

🐢 Улисс Каррьер — Technically Man Dwells Upon this Earth

Философ, изучает технику, эстетику, ИИ. Стал известен после выхода книги Technically Man Dwells upon this Earth, где предлагает оригинальную философскую концепцию ИИ, искусства и техники. Утверждает, что ИИ не следует понимать как простое «внешнее продолжение» человеческого разума. Напротив, появление ИИ заставляет заново поставить вопрос о природе мышления. По его мнению, ИИ знаменует не столько конец человеческого творчества, сколько конец традиционного понимания искусства и открывает возможность заново определить, что такое искусство и воображение.

🐢 Дэвид Роден — Posthuman Life: Philosophy at the Edge of the Human, Диалог о нефилософии и спекулятивном постгуманизме.

Британский философ. Его основные работы посвящены взаимосвязи между деконструкцией и аналитической философией, натурализму, метафизике звука и постгуманизму. Автор концепции биоморфа — «заместителя» модифицированного и машинизируемого тела, которое меняет свои границы всеми возможными и невозможными способами, лежащими по ту сторону этики и антпропоцена.

🐢 Богна Кониор — Экзистенциальные технологии, «Тёмный лес»: теория интернета

Медиатеоретик и философ техники. Исследует, как технологии меняют представления о (не)человеческом и о будущем. В её работах ИИ рассматривается не только как инженерная технология, но и как культурный, философский и геополитический феномен. Особое внимание уделяет альтернативным историям ИИ — прежде всего китайским и восточноевропейским — стремясь выйти за пределы доминирующего западного нарратива о технологическом прогрессе.

🐢 Лаура Трипальди — Раскованные субстраты

Трансдисциплинарный исследователь на стыке науки, технологий и спекулятивного мышления. Изучает феномен материальности, её культурные импликации и технологическое будущее. А ещё у неё есть PhD в области материаловедения и нанотехнологий, полученная в Миланском университете Бикокка. Автор книги «Параллельные умы» (Parallel Minds, Urbanomic, 2022).

/cool.zip х @acceleratethefuture/

✔️ Constella: локальная память для файлов, заметок и AI-агентов Constella — open-source desktop-приложение, которое индексирует локальные файлы и превращает их в единую базу знаний для поиска и AI-агентов. Данные хранятся на устройстве: LanceDB используется для векторов, SQLite — для метаданных и knowledge graph. Что умеет: - индексировать Obsidian, Documents, Downloads и любые выбранные папки; - извлекать текст из PDF, DOCX, Markdown и изображений; - строить семантический поиск по локальным данным; - автоматически связывать заметки, темы и концепты; - работать с локальными и облачными LLM; - отдавать базу знаний через MCP в Claude Code; - использовать агентов и переиспользуемые workflows. Схема примерно такая:

Файлы
  ↓
chunks + embeddings
  ↓
LanceDB + SQLite
  ↓
Knowledge Graph
  ↓
поиск / агенты / MCP

https://github.com/Constella-OS/constella-desktop

Как работать с внутренним ощущением, что я не такой, как нужно? Спросили меня несколько раз в разных каналах после выхода этого ролика. Поделюсь одним неочевидным инструментом. Следить за критикой себя и особенно критикой других и уменьшать ее. Я помню, когда первый раз стала замечать, какими словами я разговариваю внутри сама с собой, я ужаснулась. Это было очень, очень, очень зло. Прямо зло. Я десятки раз на дню обыденно и как норму говорила себе, что я тупая, никчемная, облажалась, дура, толстая … и что похуже. Потом я стала замечать, как часто вслух тоже в разговорах я могу себя ругать. Потом как часто я критична к другим - если не в лицо (я довольно сдержана), то про себя. Одно в них не так, другое, здесь они не справились, здесь не доделали, там ленивые, тут глупые… и что похуже. И это была та же мелодия. По звучанию и источнику - абсолютно та же. И я стала учиться быть к себе добрее в словах. Просто учиться. Заменять на синонимы помягче, говорить пореже, замечать другие стороны, не только критичные… И в том числе я стала запрещать себе критиковать других людей вслух при других людях (не всегда выходит, вот сегодня, кстати, не вышло, и мне было потом не очень внутри). Не потому что про других людей говорить плохо или я хочу быть такой поддерживающей! Нет. Просто сначала мой голос ругает соседа, а потом он же бьет меня саму по голове, и мне страшно начинать новое, пробовать смелое и жить более широкую жизнь. …. И знаете, оно работает со временем. Не сразу, не всегда, никогда на 100%, но в какой-то момент я посмотрела назад и вижу, что у меня сейчас другая жизнь. И этой направленной на себя внутри злобы уже нет. Какой-то фон ее есть, конечно, но самой злобы нет. И это намного более счастливая жизнь.

Всплыл один из наших блокаутов в Atomic Heart Знакомый ютубер недавно выпустил очередной видос по Атомику с разбором контента предрелизной версии игры. Вам нужен тайм-код 01:58:46 И там, к моему великому удивлению, были остатки одного из уровней, над которыми работала ещё моя команда левел-дизайнеров. Большую часть вещей Владимир понял сам, но некоторые вещи я решил прокомментировать, чтобы этот контент (который уже очевидно никогда не увидит свет) получил более точное описание. Для истории так сказать =) 1. Это блокаут середины 2020 года, а не 2019. Исполнитель — один из моих тим-мейтов. Мы тогда занимались, помимо прочего, разработкой прототипа сюжетной кампании, это был один из финальных уровней. 2. Сюжет финала игры, в целом, не сильно отличался от финальной версии. Разница в том, что планировалось два дополнительных уровня. Конкретно этот левел (Челомей) в релизной версии заменили на кат-сцены с Бабой Зиной и босс-файтом с Близняшкой. Изначально этому сегменту предшествовал ещё один уровень на земле, где П-3 добывал летающую машину. С её помощью он врезался в один из двигателей, вызывал крен и, под общий шум, пробирался до главного здания города. 3. Здания и правда вдохновлены рельсовыми постройками Москвы с Тверской улицы. 4. Геймплейный референс - корабль во время шторма со скользящими от наклонка судна грузами в Uncharted 3. То ли 12, то ли 13 глава. Эффект крена у нас достигался аналогичным образом: поворот камеры и неба, импульс для резкого открытия створок и метания физических предметов, линейное медленное смещение крупных объектов. 5. Мини игра с шаром нарративно была обоснована тем, что герой находился в рубке управления всем городом, а не отдельно шара. Глобус из рук статуи падал и катался просто под силой гравитации. Этот момент как раз предвосхищала мини-игра в ВДНХ, где по макету Челомея надо катить шарик. Сам бы я про эти уровни не рассказывал, как-то повода нет. Но их уже откопали, так что вот, ловите эксклюзивный комментарий. Жаль, в видео экстерьер зданий не сохранился, они выглядели довольно массивно) Если найду, может скину в комментарии фрагмент с врезанием одного здания в другое. Да даже по тому, что осталось, думаю, видно, что команда разработки приняла совершенно правильное решение вырезать этот уровень: он был слишком амбициозный, его бы просто не вытащили по бюджету с точки зрения графики. #новостиигр #AtomicHeart

Как вы поняли, я сейчас в Китае ненадолго, и вот из интересного это доставка. Кроме того, что вся доставка это электробайки, что не удивительно, собственно, и в Мск довольно давно присутствует. Но когда вам привозят к дому, в зависимости от типа доставки, вам могут как обычно оставить на ресепшене, как обычно в Азии, либо загрузить вот в такой пылесос. Я изначально так и думал, пока не подошёл доставщик. После того, как товар получен, он направляется к лифту, вызывает его, безконтактно, естественно, заезжает в лифт и отправляется на нужный этаж и там доезжает до нужной двери. Если вы пустите его в лифт, он с удовольствием заедет, если нет, будет ждать следующего. Кстати, отель абсолютно обычный, можно даже сказать ниже среднего, поэтому из него пришлось съехать после одной ночи. Видео можно поставить на x2 @CGIT_Vines

С тех пор, как я ещё в 2023 выкладывал тьюториал по дообучению моделей NLLB, я был уверен, что их токенайзер основан на алгоритме unigram (ибо так говорила и всё ещё говорит документация на huggingface). И подходил к модификации словаря токенов соответственно Оказалось — там всё-таки BPE. В чём принципиальная разница? Оба алгоритма сначала разделяют текст на «слова» регулярками, а потом каждое слово разбивают на subword tokens. Но Unigram при этом перебирает абсолютно все способы покрыть слово токенами из своего словаря, и выбирает самый вероятный (согласно собственной «недомарковской» вероятностной модели, где токены не зависят друг от друга — отсюда и название). А BPE идёт строго «снизу вверх»: разбивает слово на атомарные единицы (юникодные байты или буквы), а потом рекурсивно склеивает пары соседних токенов в один, если такая замена есть в его словаре. То есть словарь BPE состоит не только из мешка токенов, но и из графа попарных склеек (merges), выстраивающего эти токены из атомов. Это делает словарь BPE несколько расточительным: если там есть какой-то длинный токен, то должна быть и пара более коротких токенов, из которых он склеивается, даже если они не используются ни в каких других комбинациях. Если неаккуратно удалить такие «неиспользуемые» токены из словаря, то другие, полезные токены станут недостижимыми для алгоритма склейки. Если добавить новые токены, но не вывести их из уже используемого графа склеек, то они тоже будут недостижимы. Поэтому если просто пытаться складывать или вычитать словари, как в модели unigram, это может работать очень криво. К примеру: в варианте NLLB, куда я пытался добавлять токены для эрзянского, больше 2к новых токенов оказались недостижимыми и неиспользуемыми. Правильный подход к манипуляции со словарями BPE — работать с деревьями склеек напрямую. При сокращении такого словаря надо обрезать сразу целые ветки графа склеек (ну или только листья), а не произвольные токены. Ну а при его расширении надо делать continued BPE training, то есть образовывать новые токены, склеивая пары уже имеющихся, как мы это делали в проекте OMT (в случае с NLLB, где BPE делается не над байтами, а над буквами в качестве базовых единиц, бывает ещё нужно добавить в словарь новые буквы). Это несложно имплементировать самостоятельно, но если хочется готового решения, могу порекомендовать пакет tokenizer-extension и идущую с ним в комплекте статью Teaching Old Tokenizers New Words: Efficient Tokenizer Adaptation for Pre-trained Models

Глобальная статистика вовлеченности сотрудников по данным Gall за 2024: Только 21% сотрудников в мире вовлечены в работу. А среди руководителей этот показатель составляет 27%. Существуют региональные различия: Европа: Низкая вовлеченность (13% в целом, 10% в Великобритании) обусловлена высокой социальной и правовой защищенностью работников (пособия безнаботным ненамного меньше средних доходов работающих после уплаты всех налогов). Восточная Азия: Вместо вовлечённости выделяется высочайший уровень стресса и переработок из лояльности работодателю и коллективу, приводящий к случаям "кароси" (по-японски, смерть от переутомления, иногда прямо на работе). США и Канада: Относительно высокая вовлеченность (31%) благодаря прозрачным карьерным лифтам и высокой мобильности рынка. СССР/СНГ: Вовлеченность 26%, но уровень стресса — один из самых низких в мире (21%), что говорит о пассивности сотрудников как о защитной стратегии психики. Очень похоже на правду.

Отделяем текстовый скоринг от продуктового ранжирования Как оказалось, научить поисковый движок находить релевантные документы = только половина задачи. Следующий вопрос в том, какие из найденных совпадений важнее для конкретного продукта. Окей, движок уже умеeт строить индексы по нескольким полям (title, abstract и т.д.) и поддерживает разные типы поиска: например term, phrase, prefix, фразовый поиск. Но после поиска вклад каждого совпадения просто добавлялся в итоговый вес документа. Например, для запроса`title:diabetes abstract:"type 1" abstract:insulin*` мы находили три независимых совпадения: • term - diabetes в title; • phrase - "type 1" в abstract; • prefix - insulin* в abstract. Для каждого совпадения BM25 считал свой вес, после чего все веса просто суммировались: BM25 total doc score = BM25(title:diabetes) + BM25(abstract:"type 1") + BM25(abstract:insulin*) Базово текстовая релевантность оценена за счет частоты термина, его редкости среди всех документов, длине поля. И это ок, но продуктово мы помимо всего знаем, что совпадения в заголовке обычно важнее совпадения в abstract, и что точная фраза часто ценнее совпадения по одному слову (или хотя бы по префиксу). Поэтому я подсмотрела идею с Rank Profiles - добавлением правил ранжирования по заданым критериям, который добавляет веса нужным докам без переиндексации. Пример профиля из конфига: rank_profile: name: debug-weights field_weights: title: 1.5 query_type_weights: term: 1.5 phrase: 1.7 prefix: 0.5 Теперь BM25 по-прежнему считает базовый score каждого совпадения, но перед суммированием вклад умножается на коэффициент: document score = BM25(title:diabetes) × 1.5 × 1.5 + BM25(abstract:"type 1") × 1.0 × 1.7 + BM25(abstract:insulin*) × 1.0 × 0.5 Поскольку индекс уже хранит информацию о каждом найденном совпадении (поле, тип запроса и базовый вес), политику ранжирования теперь можно менять прямо во время поиска - без переиндексации документов с явным разделением ответственности: • основная retrieval часть находит совпадения и сохраняет их контекст; • BM25 считает базовую текстовую релевантность; • Rank Profile задает правила, по которым совпадения влияют на итоговый вес документа; • Explain разбивка помогает понять, почему документ получил именно такой вес. Чтобы было проще отлаживать ранжирование, добавила Explain-панель. Для каждого документа можно посмотреть, из каких вкладов сложился итоговый вес: какое совпадение сработало, в каком поле, какой базовый вес посчитал BM25, какие коэффициенты применились и какой вклад каждое совпадение внесло в итоговый результат. На скрине из TUI (который, кстати, был тщательно причесан и допичкан инфо панельками) как раз видно такую разбивку по весам для каждого найденного документа. Сейчас Rank Profile умеет учитывать поле документа и тип совпадения. В дальнейшем список сигналов можно расширить: например, добавить свежесть документа, популярность или поведенческие сигналы (клики пользователей). Главное, чтобы поисковый движок умел вычислить такой сигнал - тогда его можно включить в ranking pipeline без изменения индекса. В итоге базовый текстовый скоринг остается отдельным слоем, а продуктовая логика ранжирования начинает жить поверх него. Это позволяет менять стратегию ранжирования, не меняя сам индекс.

Роботы постепенно осваивают одну из самых тонких и кропотливых профессий в агросфере - сбор ягод🍓 Платформа Fieldworker 1 от компании Fieldwork Robotics создана для автономной уборки малины и работает на скорости, вполне сравнимой с производительностью человека-сборщика. Звучит несложно, но на деле это настоящий вызов для робототехники в сельском хозяйстве. Машине нужно одновременно решать три сверхзадачи: безошибочно распознавать спелые плоды, обращаться с нежными ягодами максимально деликатно, чтобы не помять их, и сохранять эффективность в постоянно меняющихся полевых условиях. Fieldworker 1 использует фирменные ИИ-алгоритмы и спектральный анализ для точной оценки зрелости. При этом конструкция позволяет всего одному оператору контролировать целый парк таких роботов в поле. ————————— ✔️Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

Цифровая постель: футурологи прогнозируют массовый приход секс-роботов к 2030 году Футурологи и исследователи индустрии развлечений предсказывают скорый переход интимной сферы в цифровой формат. По их оценкам, уже к 2030 году человекоподобные роботы с поддержкой ИИ станут привычным элементом быта и появятся во многих домах. Исследователи отмечают, что индустрия проходит логичный путь эволюции: от сетевой порнографии и сервисов онлайн-знакомств до VR-технологий, умных интерактивных устройств и полноценных роботизированных партнеров. Технологический прогресс и развитие ИИ-моделей делают интеграцию подобных гаджетов в повседневную жизнь лишь вопросом времени.