😈Как дипфейк-махинатор погорел на собственной цифровой маске 🚔В Испании задержали жителя Мурсии, который поставил на поток кражу чужих личностей с помощью дипфейков, но попался на досадной технической заминке. Мужчина пытался оформить квалифицированные электронные сертификаты - инструмент, который в странах ЕС открывает полный доступ к подписанию юридических документов, кредитам и госуслугам от чужого имени. Для обхода удаленной видеоидентификации злоумышленник подготовился на совесть:

🟦Искусственное лицо в реальном времени: Программа подменяла его черты под фото на украденных удостоверениях личности.

🟦Аналоговый обман голограмм: Мошенник расставил дома прожекторы с цветными лампами и под нужным углом покачивал поддельные документы перед камерой, имитируя настоящие переливающиеся защитные элементы и голограммы.

🟦Скрытие следов: Все сессии заворачивались через VPN, а для сопутствующих махинаций были закуплены сотни сим-карт на чужие имена.

Схема работала безупречно, пока в один момент программа обработки изображения не зависла. Цифровая маска слетела ровно на одну секунду, обнажив настоящее лицо оператора перед сотрудниками удостоверяющего центра. Этого короткого мгновения хватило, чтобы служба безопасности забила тревогу и передала материалы полиции. Мошенник почти довел дело до конца, создав сложнейшую студийную инсталляцию со светом и нейросетями, но проиграл банальной производительности софта. ➡️Грамотная AI-мимикрия и Deepfake 🦔CyberYozh

Автор Inline Studio предложил способ получать консистентного персонажа FLUX без обучения лор Кэшировать референсы в портативный .char-файл - несколько МБ, в нем референсные картинки персонажа плюс текстовое описание. Сходство дает сам FLUX.2: картинки из файла подаются в нативный multi-ref канал, модель смотрит их напрямую и переносит внешность на новый кадр. Без обучения, внешность рождается из референсов, а не из эмбеддингов Эмбеддинги не генерируют человека,только скорят результат: SFace дает компактную сигнатуру лица, DINOv2 - общий облик (768 чисел: комплекция, волосы, вид), YuNet - детект и кроп лица. Все это оценивает сходство Итого: крошечный файл на персонажа в духе textual inversion Гитхаб Inline Studio - локальный движок для ИИ-кинопроизводства на нодовом канвасе. Собирает весь пайплайн от мудборда до финального монтажа #flux2 #personalization #referencing

Анализ Игр #16. Resident Evil Requiem YouTube ВК Видео Слушайте нас на других площадках и подпиcывайтесь на наши блоги здесь: https://hipolink.me/analizigr В этом выпуске: 00:00 О чем выпуск 01:10 Впечатления от игры за Грейс 04:51 Режимы камеры и особенности игры за Леона 06:47 Уровни, которые явно собраны под первое лицо 10:12 Анимации: детали и ляпы 16:10 Секрет с рулеткой 18:39 Гемолитик: механика добивания зомби и мутации 23:34 Инвентарь: жёсткий баланс и упущенные возможности 25:19 Dragon's Dogma и Cronos: что можно подсмотреть в других играх 27:04 Преимущества дизайна без свободного прыжка 28:06 Избегание «жёлтой краски» и графический язык уровней 31:33 Изменение сейфов на максимальной сложности 32:18 Недоработки нарративного и левел-дизайна 37:39 Особенности стелса и в чём Requiem уступил Star Wars Outlaws 38:41 Хочется ещё! Ожидания от DLC 40:33 Недостатки и преимущества структуры миссий Грейс 43:37 Заимствования из старых частей серии 44:45 Вердикт и рекомендации для новых игроков #подкаст #ResidentEvil

Фазовый переход в использовании памяти: что это открытие значит для AI-разработчиков? 🟪 Вы когда-нибудь замечали, что в одних задачах LSTM или Transformer с памятью работают идеально, а в других – только жгут ресурсы без улучшения качества? Оказывается, выбор между «хранить историю» и «действовать по текущему моменту» – это не плавная настройка, а настоящий фазовый переход первого рода (как таяние льда). И его можно предсказать аналитически. 🪨 Новая статья в Physical Review Letters (плюс 19 страниц матана в Supplemental) даёт чёткие критерии, когда память выгодна, когда нет, а когда возможен гистерезис. Гистерезис – это когда состояние системы зависит не только от текущих параметров, но и от того, как вы к ним пришли (от истории изменения). Модель в двух словах. Попытался 📦 всю жесть из материала сублимировать 😐, вышло, как вышло. Не обессудьте. Итак... Есть скрытое состояние x(t) – например, концентрация питательного вещества. Вы получаете зашумлённое наблюдение: y(t) = x(t) + шум. У вас есть внутренняя переменная z(t) – память, которая эволюционирует по закону: z = v(t) + шум памяти, где v(t) – это управление: вы сами решаете, как менять память. За использование управления вы платите штраф Mv^2, прям как кинетическая энергия, чем больше вы «дёргаете» память, тем дороже. Одновременно вы хотите минимизировать ошибку оценки E[(x - x') ^2] с весом Q. Итоговая функция потерь: J = Q×ошибка + M×затраты на управление. Задача – выбрать стратегию v(y,z), которая минимизирует J в стационарном режиме. В машинном обучении мы часто добавляем L2-регуляризацию: loss = ошибка + lambda*|w|^2. При увеличении lambda веса плавно стремятся к нулю. Здесь параметр M играет роль lambda: чем больше M, тем дороже использовать память, и казалось бы, при больших M коэффициент при памяти должен плавно уменьшаться до нуля. Но здесь есть две связанные переменные (текущее наблюдение и как память на себя же влияет), которые влияют на поведение системы и друг на друга. Они не независимы. Оптимизация потерь J по этим двум переменным приводит к тому, что на их плоскости, могут существовать два локальных минимума – с памятью и без. Между ними – горный хребет (седловая точка). Когда параметры (например, M) меняются, один из минимумов может исчезнуть или стать глобальным. В момент исчезновения система скачком перескакивает из одной ямы в другую – это и есть фазовый переход. Суть открытия на пальцах. Представьте агента, который наблюдает за шумным сигналом и может хранить внутреннее состояние z. Обновление z стоит ресурсов (штраф M). Задача – минимизировать ошибку оценки при ограниченном бюджете. Авторы доказали: · Существуют два порога Thet_Q и Theta_M: · Если Theta_Q < 1 — память точно бесполезна (даже локально). · Если Theta_M >=1 — память всегда выгодна (глобальный оптимум). · Между ними – бистабильность: обе стратегии локально оптимальны, выбор зависит от истории (гистерезис). А теперь разбираем, что из этого можно вынести для AI. 🥴 1. Оптимизация архитектур с памятью (LSTM, Transformer, RNN) Современные модели с памятью, например, трансформеры с окном внимания или LSTM, всегда используют память, даже когда она не нужна. Результаты подсказывают: · При высоком шуме в данных память становится бесполезной – лучше полагаться только на текущий вход. Это объясняет, почему в некоторых задачах обрезка контекста (например, короткое окно внимания) не ухудшает качество. · При быстро меняющейся среде прошлая информация устаревает – нужно динамически уменьшать размер буфера или использовать забывание, как в LSTM, но с адаптивным коэффициентом. 2. Регуляризация и штраф за сложность в RL. В RL агент часто хранит внутреннее состояние например, в PPO. Штраф Mv^2 в статье – аналог штрафа за изменение скрытого состояния. Это можно использовать: · Как регуляризатор в функциях потерь, чтобы поощрять агента использовать память только когда это действительно выгодно. · Аналитические пороги Theta_Q,Theta_M помогают автоматически подбирать коэффициент регуляризации M без дорогой сетки гиперпараметров – просто по статистике шумов среды. Это особенно полезно в Meta-RL, где среда меняется между эпизодами. 3. Continuous Learning и катастрофическое забывание. В задачах continual learning модели должны сохранять знания о прошлых задачах, но обновление памяти (весов) стоит ресурсов. Аналогия: · Параметр M – штраф за изменение весов. · Фазовый переход означает, что при превышении порога штрафа модель перестаёт обновлять веса вообще – т.е. замораживает их. Это даёт критерий, когда лучше полностью остановить обучение (если среда не меняется) или, наоборот, разморозить (если волатильность растёт). На практике это позволяет строить адаптивные стратегии обновления – не тратить ресурсы на веса, которые не нужны. Вот такое интересное исследование. Читайте полную версию, применяйте открытие, и stay tuned 🦾

В СССР поезд на автопилоте испытали еще в 1957 году. А спустя 15 лет вся система бронирования «Аэрофлота» с сотнями рейсов помещалась в 256 КБ оперативной памяти. Это только два примера того, как ЭВМ внедряли в обычную жизнь. Компьютеры продавали билеты, следили за вагонами, рассчитывали стройки и пытались навести порядок в сельском хозяйстве. Получалось по-разному. На стройке машина помогла понять, что для соблюдения сроков достаточно ускорить всего 10–12% работ. В с/х компьютеры упирались в качество данных: если в отчетах завышали урожайность, машина так же считала завышенные цифры. Как советские компьютеры управляли поездами, самолетами, стройками и колхозами

Основные направления MICE-туризма В мировой практике делового туризма (MICE) лидирующими странами остаются Италия, Франция и ОАЭ — они привлекают представителей бизнеса со всего мира. Россия также наращивает позиции в этом сегменте, особенно среди предпринимателей из Казахстана, Узбекистана и Китая. Внутри страны главной площадкой для проведения MICE-мероприятий является Москва. Этот город популярен благодаря удобной транспортной доступности и широкому выбору мест — от современных конгресс-центров до необычных площадок, например, яхт или подземных бункеров. Москва также располагает крупнейшим гостиничным фондом, что позволяет комфортно размещать большие делегации. Второе место по востребованности занимает Санкт-Петербург. Помимо этого, активно развиваются такие регионы, как Свердловская область, Самара, Казань и Нижний Новгород. Эти территории привлекают не только деловых гостей, но и инвестиции, что способствует улучшению инфраструктуры и экономическому росту регионов. Фаундер | Бизнес и Стартапы

🧠 10 бит в секунду, или Почему люди тупые Когда я учился в университете, мой сосед любил повторять: — Люди тупые. В том числе и я. Вторая часть фразы нравилась мне гораздо больше первой. В ней была полезная мысль: свои когнитивные ограничения лучше учитывать заранее, а не обнаруживать постфактум. 💾 Позже я попал к научному руководителю, у которого одновременно со мной было ещё несколько десятков студентов. Он честно предупреждал: — Женя, я обещаю, что забуду всё, о чём мы сегодня говорили. Он просто хорошо понимал ограничения собственной памяти и не делал вид, что способен удержать в голове всё. 🔬 Ещё в 1952 году психолог Уильям Хик оценил скорость обработки информации в задачах выбора примерно в 5 бит в секунду. Спустя семь десятилетий исследователи из Caltech проанализировали самые разные виды человеческой деятельности — от чтения и печати до игр и запоминания — и получили величину того же порядка: около 10 бит в секунду, или 1,25 байта. ⚠️ Это не скорость всего мозга. Сенсорные и двигательные системы работают значительно быстрее. Скорее, речь об узком канале, через который информация превращается в осознанный выбор и контролируемое действие. 🤔 Отсюда простой вывод. Если вы задали человеку сложный вопрос, а через секунду получили уверенный ответ, возможны три варианта: 1. Перед вами гений. 2. Человек уже долго думал об этом раньше. 3. Он озвучил первое, что пришло в голову. Чаще, чем нам хотелось бы, срабатывает третий вариант. 🤖 Для GPT мы специально включаем thinking mode и соглашаемся немного подождать. А от человека почему-то ожидаем качественного решения немедленно — желательно прямо на созвоне, между двумя уведомлениями и вопросом «ну что тут вообще думать?». Но человеку тоже можно включить thinking mode. 📝 Поэтому сложные вопросы лучше задавать заранее, а важные договорённости — записывать. И не стоит путать скорость ответа с качеством мышления. 🗂 Кажется, единственный выход с учётом наших ограничений — учиться структурировать знания и сохранять их так, чтобы потом быстро находить. Такая внешняя память медленнее оперативной, но гораздо быстрее, чем каждый раз вспоминать или придумывать всё заново. 🛡 И тут начинается самое интересное: если мы понимаем ограничения естественного интеллекта, становится понятнее, как работают некоторые виды атак на него — и как от них защищаться. Возможно, об этом поговорим в следующих статьях.

Быстроновости 🍿На вчерашней D23 компания Disney анонсировала аниме по серии Kingdom Hearts. Обещают расширить и без того огромный лор серии, а кто-то даже ожидает, что в сериал засунут сюжет отменённой игры Missing Link. 🚬После вступления в силу повышения цен Nvidia ПК-гейминг стал ещё дороже: средняя стоимость GeForce RTX 5060 Ti 16 ГБ на Newegg выросла примерно до 800 долларов. Напомним: на старте видеокарта стоила 429 долларов. 😑Главной характеристикой игрового ПК будет видеопамять — Digital Foundry. Это связано с тем, что консоли следующего поколения могут получить до 36 ГБ общей памяти. Тонда видеокарты с 12-16 ГБ могут быстро упереться в ограничения. С процессором и оперативкой же всё проще: Ryzen 7 9700 и 32 ГБ ОЗУ должно хватить ещё на лет 7 — уверены в Digital Foundry. 😎Подписаться на IGM

☀️ Солнечный шторм теперь ловят заранее Погрешность в полчаса вместо пяти. Столько теперь ошибается прогноз того, когда в Землю прилетит выброс с Солнца. Речь про миссию NASA PUNCH — созвездие из четырёх микроспутников, запущенное в марте 2025 года. Аппараты круглосуточно следят за Солнцем и начали снимать корональные выбросы массы сразу, как оказались на орбите. Дальше учёные взяли один конкретный выброс, снятый 31 мая 2025 года, и скормили съёмку компьютерной модели. Та отслеживала, как со временем меняются края облака плазмы, и по его скорости и форме считала, когда всё это дойдёт до нас. Модели хватило первых 12 часов наблюдений, чтобы заявить: шторм ударит через восемь часов. Ошиблась она на полчаса. Откуда такая разница? До PUNCH приборы видели лишь пятую часть пути выброса от Солнца до Земли, остальное приходилось достраивать в уме. Теперь маршрут просматривается целиком, а картинка обновляется раз в четыре минуты. Зачем всё это. Солнечные штормы раскачивают магнитное поле Земли, а дальше по цепочке — радиоблэкауты, перебои с электричеством, проблемы у спутников и интернета. Знать точное время удара значит успеть подготовиться. В команде рассчитывают, что с более точными моделями горизонт прогноза удастся отодвинуть ещё дальше. @droidergram

Задумался, какой самый полезный AI юзкейс у нас появился за последнее время. И ответ неожиданный - Claude Tag, интеграция Claude в Slack. Штука простая: подключаешь тулы которые есть в организации, у Claude своя память для каждого канала, и опционально можно задать кастомный промпт. Например, у нас есть канал куда падают алерты, когда что-то ломается. Часть из них - false alarms: трафик дернулся, провайдер прилег. Раньше кто-то из команды шел разбираться руками. Сейчас Claude сам проверяет статус-страницы, смотрит последние коммиты и за секунды говорит - реальная проблема или флейк. Но самое крутое оказалось с фидбеком. У нас есть канал куда из саппорта прилетают жалобы пользователей. Раньше большинство таких тикетов разбирали только когда их накапливалось много. Сейчас Claude берет user_id, идет проверяет логи, смотрит сессии на телефоне во время тьюторинга и сразу определяет - это наш баг или у чувака например были проблемы с интернетом. И если наш баг - сразу драфтит PR и дает разработчику на ревью. За месяц мы так уменьшили количество жалоб в два раза 😮 Я давно хотел такое запилить сам, еще когда настраивал нашу систему саппорта, но все руки не доходили. А тут Anthropic выпустили Claude Tag и оно сразу залетело! Поделитесь, где у вас ИИ-шка давала пользу за последнее время?