Наука

Антитело глушит «сломанную» боль Обычная боль, на самом деле, полезная сигнализация: коснулись горячего — отдёрнули руку. Но если нерв повреждён, эту сигнализацию может «заклинить». Нерв продолжает слать болевые сигналы, хотя тканям уже ничего не угрожает. Так устроена невропатическая боль, и тянуться она может очень долго. Исследователи из Университета Тоямы попробовали заглушить именно этот ложный сигнал с помощью антител. Важно: пока это доклиническая работа на крысах, хотя один из кандидатов уже добрался до клинических испытаний. Мишень — Nav1.7, натриевый канал в чувствительных нейронах. Упрощённо это одна из «дверей» нервной клетки: через такие каналы проходят ионы натрия, и так рождается и бежит дальше электрический сигнал боли. У Nav1.7 есть «родственники», другие подтипы натриевых каналов, поэтому бить нужно точно в цель. С точностью у новинки порядок. Команда создала гуманизированные, то есть приспособленные для человека, антитела и сначала проверила их на клетках. Два кандидата, Clone1 и S-151128, прочно связывались с Nav1.7 и снижали электрическую активность, связанную с болью. Clone1 предпочитал Nav1.7 другим проверенным подтипам как минимум в 650 раз, S-151128 — как минимум в 1300 раз. Затем антитела ввели внутривенно крысам с частичной перевязкой седалищного нерва — это модель невропатической боли после травмы нерва. Чувствительность к механическому раздражению падала тем сильнее, чем выше доза. На некоторых дозах эффект был сопоставим с прегабалином, распространённым лекарством от такой боли. А через 96 часов облегчение от антител оставалось сильнее, чем от прегабалина. Нейроны спинного мозга и спинномозговых ганглиев при этом заметно «успокоились». Ещё два важных результата. У здоровых крыс антитела не меняли нормальную реакцию на механическое воздействие, то есть защитная боль осталась на месте. А в тесте на координацию, где животные удерживаются на вращающемся стержне, прегабалин в испытанной дозе ухудшал результат, тогда как антитела на моторику значимо не влияли. @vselennayaplus

В понедельник 5-го октября на архив выложили препринт «Truly Subquadratic 3SUM and Truly Subcubic APSP via Triangles in Sparse Lopsided Graphs». В нём опровергают две гипотезы о сложности алгоритмов решения двух задач. Одна из них формулируется очень просто, и вы наверняка на неё натыкались, если готовились к собеседованиям на LeetCode — 3 sum. Вам дан массив из n чисел (включая отрицательные), и нужно определить, есть ли в нём 3 таких, что их сумма равна нулю. В теоретической информатике долгое время существовало предположение, что для этой задачи невозможно найти алгоритм, который работал бы существенно быстрее квадратичного от размера массива. 3 sum — одна из центральных гипотез раздела fine-grained complexity. Многие другие задачи можно свести к 3 sum. Поэтому на предположении строилось множество других результатов: исследователи показывали, что если 3 sum невозможно существенно ускорить, то нельзя существенно ускорить и целый ряд других задач. И вот оказалось, что существует общий алгоритм, который вместо n^2 работает за n^(1.9992). Само по себе ускорение не особо интересно (в практике оно может работать даже медленнее, так как из нотации выкидывают константы) — и ключевым является именно опровержение гипотезы, которыми многими считалось «логичной» и «красивой». Один из двух авторов — Virginia Vassilevska Williams, одно из ведущих имён в области fine-grained complexity. И казалось бы можно порадоваться за прорыв, но если открыть конец статьи, то увидим: Как результат был первоначально получен и передан авторам: сотрудник Anthropic использовал внутреннюю исследовательскую модель для изучения открытых проблем в теории криптографии. <...> В сентябре 2026 года Anthropic передала алгоритм авторам на условиях соглашения о конфиденциальности, предложила вознаграждение и предоставила доступ к публичной версии Claude. <...> После того как статья была полностью написана, Anthropic использовала внутреннюю исследовательскую модель для формальной проверки основных результатов статьи с помощью Lean. <...> Авторы работали над этой публикацией в личное время, вне рамок своих служебных обязанностей в Колумбийском университете и MIT. Так что получился немного странный для науки подход «найти и проспонсировать подставное лицо, не участвовавшее в составлении доказательства, и указать его в качестве автора, и при этом указать, что работает он без своей основной аффилиации». Я против такого подхода ничего не имею, но многие в научном сообществе видят здесь несоответствие... духу? морали? науки и тому, как вещи «принято» делать.

📌 Humanity's Sixth Sense: мультимодальные модели все еще отстают в когнитивном восприятии Исследовательское подразделение Scale Labs в партнерстве с Elorian представило бенчмарк Humanity's Sixth Sense, созданный для проверки способности ИИ интерпретировать скрытые социальные сигналы и пространственные взаимосвязи на изображениях и видео. Набор тестов состоит из 522 вопросов по 288 статичным сценам и 234 видеофрагментам (оценка габаритов разъезда автомобилей, мотивы поведения людей, негласная иерархия в кадре и т.д) Испытания 25 актуальных мультимодальных моделей зафиксировали заметное отставание от человека.

Контрольная группа людей набрала 93,1% точности, лидирующая GPT-6 Astra - 53,6%. Результаты GPT-6.1 Sol и Claude Opus составили 46,6% и 44,6%, медиана по выборке - 30,9%.

Детальный разбор более 8,5 тысяч неудачных ответов показал, что 94% из них вызваны сбоями первичного машинного зрения - модели пропускают маркеры в кадре и теряют контекст. На ошибки в логике рассуждений пришлось всего 5%. Увеличение вычислительного бюджета (в среднем 4000 токенов на ответ) не решило проблему, а иногда еще и снижало точность. Эмуляция фокусировки через кроп также дала минимальный эффект.

Scale Labs по итогу тестов пришли к выводу, что масштабирование логического вывода не компенсирует ограничения базовой архитектуры компьютерного зрения.

@ai_machinelearning_big_data #news #ai #ml

🪐 Какой-то гений нашёл новую планету с Claude Code — я повторил весь поиск с помощью Codex и воспроизвёл тот же результат, а затем — попросил найти новую планету по той же методологии (результаты в конце). Сначала GPT-6.1 Sol выполнила то же самое, что Павел Рабцевич с Claude — проанализировала забытые данные телескопа NASA и обнаружила звезду, которая тускнеет каждые 3,18 дня на 0,05% на два часа. Вероятная причина — планета в 1,4 раза больше Земли, проходящая перед звездой. У меня получилось независимо подтвердить, что эта находка — не выдумка, и в ноябре её проверит NASA. После этого я попросил повторить подход для поиска новых планет — GPT-6.1 Sol изучила 501 малоизвестную звезду и нашла зацепку с реалистичной вероятностью 0,01% или 5-9% при благоприятном сценарии (последнее фото). На всё ушло всего 10% еженедельного лимита в подписке ChatGPT Plus, использовал режим Extra High. Свою планету кажется пока не нашёл, но попробовать тот же поиск можете сами — забирайте промпт:

Ищи неизвестные экзопланеты в открытых данных TESS. Проверь минимум 500 звёзд, исключив объекты из NASA Exoplanet Archive, TOI и CTOI. Найди периодические затемнения методом BLS, проверь повторяемость по секторам и источник сигнала по пикселям. Исключи шум и затменные двойные. Оцени вероятность планетной природы лучших кандидатов с явными допущениями. Сохрани код, данные и результаты для воспроизведения. Не объявляй открытие без подтверждения. Отвечай кратко и понятно.

Если найдёте экзопланеты — пишите в комменты. @notboring_tech

Аккумуляторы будущего всё ещё боятся маленьких иголок Твердотельные аккумуляторы выглядят почти как исправленная версия литий-ионных. Жидкий электролит заменяют керамикой или полимером, уменьшая риск возгораний и утечек и получая возможность повысить энергоёмкость. Казалось бы, заодно должна исчезнуть и проблема дендритов — острых литиевых «иголок», способных привести батарею к короткому замыканию. Но дендриты добрались и до твёрдого электролита. А вместе с ними остались вопросы к долговечности, производству и цене. На 2026 год почти все батареи, которые производители называют твердотельными, на деле гибридные и всё ещё содержат немного жидкости. Недавнее исследование позволило заглянуть прямо в область растущего дендрита и проверить две версии того, что происходит внутри керамики. Результат даёт более конкретный ответ, почему маленькая мягкая «иголка» вообще способна разрушать твёрдый материал.

Бедные, бедные математики…. Мало им публикаций бойких OpenAI и Anthropic, посвященных решениям сложных и важных математических проблем топовыми ИИ-моделями, так тут еще и DeepMind туда же. На самом деле, подходы трех компаний разнятся: 1. Anthropic постарался сохранить human-in-the-loop: Клод предложил центральную идею для опровержения двух давних гипотез, после чего компания привлекла и оплатила работу двух исследователей; они подготовили понятное людям изложение доказательства.(Впрочем, математики все равно громко обиделись и потребовали запретить ИИ лезть в их уютную песочницу) 2. OpenAI на днях опубликовала более 700 математических рукописей, созданных ИИ и сгруппированных вокруг 372 проблем — по сути, завалила математиков грудой черновиков “а теперь сами с этим разбирайтесь”. Неудивительно, что такой шаг просто выбесил математиков. 3. А вот у Deep Mind вчера вышла статья в Science с результатами работы представленной еще в мае системы AlphaProof Nexus. Авторы сообщают о решении девяти задач из каталога проблем Эрдёша. Это уже выглядит как нормальная исследовательская математика, причем с малым процентом успехов (с первого захода решены 9 задач из 343). С другой стороны, реши человек эти 9 из 343 — он заслужил бы от коллег немало хвалебных эпитетов. Реакцию матсообщества на этот третий удар я еще уду читать ближайшие несколько дней, но восторгов там не жду:) В итоге становится очевидно: налицо острый дефицит: ответы вдруг посыпались как из рога изобилия, и оказалось, что категорически не хватает людей и институтов, способных превратить/интегрировать эти ответы в общее знание. Для математиков, многим из которых процесс неспешных поисков ответа много важнее самих ответов, это представляется катастрофой. В уютную посудную лавку забрело семейство очень проактивных слонов. Прекрасно, что ИИ-лабы очень конкретно и убедительно ставят вопрос о сути науки; над ним предстоит серьезно думать, потому что старые ответы (типа “суть в том, чтобы несколько человек могли понимать происходящее”) уже явно не годятся. Как отмечают авторы статьи в Science,

Bridging the generative power of large language models (LLMs) with the rigor of formal verification could fundamentally redefine mathematical research practice.

https://www.science.org/doi/10.1126/science.aej2213

Метеорологический квадрокоптер Strato впервые приблизился к стратосфере Обычно для изучения атмосферы используют одноразовые метеозонды, но швейцарская компания Meteomatics утверждает, что мультикоптер Strato тоже может выполнять эту задачу — и недавно поднялся на рекордные 10 438 метров. Он оснащен приборами для измерения температуры, влажности, атмосферного давления и скорости ветра при подъеме через разные слои атмосферы, выдерживает устойчивый ветер до 130 км/ч и использует активную систему, не дающую льду накапливаться на пропеллерах. https://hightech.plus/2026/10/09/meteorologicheskii-kvadrokopter-strato-vpervie-priblizilsya-k-stratosfere