Наука

Война стандартов: как поделить цветной телеэфир. Часть вторая На пароходе, плывущем по Рейну, французский министр информации уговаривает западногерманского коллегу принять SECAM. Аргументы в основном политические: два народа, одна система, Европа против Америки. Но у немцев уже есть собственный PAL, Telefunken, патенты и производители телевизоров. Разговор заканчивается отказом. Тогда Париж решает зайти с другой стороны — через Москву. В СССР к тому времени разработали сразу несколько собственных систем цветного телевидения, а Европа готовится выбрать единый стандарт на международных конференциях. Инженерам есть что сравнивать, но у министров и дипломатов свои расчёты. И даже когда вопрос со стандартом решён, остаётся другой: кто и на какие деньги будет запускать цветное вещание? От первых трансляций до массового распространения цветных телевизоров пройдут годы, а в некоторых странах — десятилетия.

Ученые омолодили клетки крови 80-летнего человека до молекулярного возраста 20 лет Ученые превратили клетки крови пожилого человека в нервные стволовые клетки, молекулярный возраст которых оказался меньше на 60 лет. При этом клетки также приобрели функциональные характеристики молодых нервных стволовых клеток. Процесс омоложения занял более 100 дней, что позволило проследить постепенные изменения клеточных признаков старения. Новый подход поможет изучать механизмы старения нервной системы и тестировать новые методы его значительного замедления. https://hightech.plus/2026/10/12/uchenie-omolodili-kletki-krovi-80-letnego-cheloveka-do-molekulyarnogo-vozrasta-menee-20-let

⚡️ Sakana AI научила модель учиться у собственной команды агентов Sakana AI вместе с UC Berkeley представила MASS (Multi-Agent Self-Supervision). Это способ рекурсивного самоулучшения модели без людей и без внешнего учителя. Идея такая. Одна модель играет сразу три роли: исполнителя, оптимизатора воркфлоу и судьи. Сначала она решает задачу командой виртуальных сабагентов, затем сама ищет лучшую схему их взаимодействия и сама выбирает победителя. Лучшие прогоны команды становятся данными для дообучения, и после LoRA-тюна модель запоминает коллективный опыт своих агентов уже без подсказок про воркфлоу. Затем цикл повторяется. Эксперимент проводили на Qwen3.6-27B и синтетических открытых исследовательских задачах. После двух циклов показатель «очки на выходной токен» вырос в 1,2-1,6 раза относительно базы: 1,6x на MLR-Bench, 1,35x на DSBench, 1,28x на AstaBench и 1,2x на ScienceAgentBench. На Terminal-Bench 2.0 и SWE-bench Verified прироста не было. Модель учили только решать задачи, но при этом у неё заодно выросли навыки оптимизатора и судьи. Мультиагентные траектории оказались эффективнее одиночных: 68% побед над базой при примерно 31% меньшем объёме данных. И скорость улучшения упирается в оптимизатор, а не в судью. Авторы честно называют главный риск. Когда модель сама себя оценивает, её слепые зоны могут засчитываться как прогресс и закрепляться обучением. Если ИИ будет развиваться выше уровня человеческой экспертизы, нужно уметь вовремя замечать такие сбои и вмешиваться. Блог: https://pub.sakana.ai/mass/ Статья: https://arxiv.org/abs/2610.12176 Код: https://github.com/SakanaAI/mass @ai_machinelearning_big_data #Sakana

Деды из-за AI взбунтовались. Ну или, если более серьёзно, заметное число действительно сильных математиков высказалось по поводу AI в очень, скажем так, настороженном смысле. Высказывание заслуживает внимания, и я вставлю свои 5 копеек. Надысь я читал лекцию и упомянул в конспекте про гипотезу Кёте о нильрадикалах. Отправил ребятам конспект и на следующий же день получил сообщение от студента, что гипотезу раскололи буквально пару недель назад (при помощи AI, разумеется), построив к ней контрпример. Про решённую гипотезу Якобиана все слышали, а про гипотезу о «Навье — Стоксе» соцсети гудят прямо сейчас. И это хорошо: многие люди, не отличающие синус от косинуса, узнают, что математика — это не только про решение квадратных уравнений. А две недели назад, к примеру, один из моих учеников (тоже при помощи AI) нашёл решение одной моей личной проблемы, показав, что у диаграмм сопряжённости бывает сколько угодно концов (и это замечательно). Пару слов о скептиках. Про тех, кто считает, что AI — грех против природы и вообще ужас ужасный, или что он вообще не нужен, я ничего говорить не буду (как вежливый кролик). Более содержательные возражения такие: (раз) массовое закрытие открытых проблем понижает интерес к математике и в целом негативно сказывается на учебном процессе; (два) построение контрпримеров не закрывает проблемы содержательно; и, главное, (три) люди в математике будут играть такую же декоративную роль, как люди в шахматах. Все понимают, что Stockfish не напрягаясь разнесёт любого шахматиста? Моя позиция такая. Закрытие многочисленных «именных» проблем — скорее плюс. По большей части они мало интересны сами по себе. В математике вообще обычно доказать нечто куда проще, чем задать правильный вопрос. А в том, чтобы ставить вопросы и искать взаимосвязи, важную роль играет чувство прекрасного и та самая «красота» математики. А с этим у AI пока неустранимые проблемы. Хорошая (на мой взгляд) математика — про то, как, используя новые термины, описывать известные структуры. Это совсем не то же самое, что искать контрпримеры к известным вопросам. Как говаривал мой шеф: «Зачем вы приносите мне контрпримеры? Что в поставленном виде ответ на вопрос отрицательный — я и сам понимаю. Разберитесь лучше, как поставить вопрос, чтобы ответ был положительным». Не вся математика такая, и многие разделы по сути закрываются, особенно те, что завязаны на контрпримерах или изощрённых вычислениях. Есть другие проблемы с AI. Хоть пока и не такие острые. О них сейчас и скажу. Первая. Многие математические институции становятся ненужными (сиречь заменимыми). Вроде как — поговори с ИИ, и он сам всё тебе расскажет. Почему это не так — напишу в другой раз. Вторая. Эффективность научных изысканий во многом теперь (и отныне) будет завязана на доступ к современным и качественным AI. Потому как без оного почти любой результат можно легко и быстро улучшить, уточнить или дать более короткое доказательство. То есть отныне математика завязана не на «кто умнее», а на «кто богаче». Это раньше математикам нужны были только карандаши, ластики и бумага (а философам даже ластики не нужны). Ну вот теперь мы будем в том же положении, что и физики-экспериментаторы или биологи. У них без нужного оборудования и соответствующего долгосрочного финансирования мало чего можно добиться. Вот и у нас теперь тоже. Что по итогу. Да, математика как наука снова оказалась перед серьёзным кризисом. Не первый раз: благодаря Гёделю математику тряхнуло тоже основательно. Но пересобрать себя, понять, что мы и кто мы, — придётся. В шахтах были канарейки — как сигнализация об угарном газе. У нас в этой роли бухтящие деды. Ну какая шахта, такая и канарейка. #AI

Слушаю «Утопию правил» Дэвида Гребера. Во второй главе - основанной на эссе Of Flying Cars and the Declining Rate of Profit - он ворчит про то, как исследования последних пятидесяти лет замедлились и перестали приносить плоды обществу, используя метафору летающих автомобилей и scifi 1950-х. Летающих тачек не появилось, только заполнение формочек в SaaS, унылый интернет и вообще сплошная симуляция. Гребер критикует менеджериализм и бюрократию (поддерживаю, пусть часто и в ущерб карьере), и заодно неолиберализм в целом (тут его местами заносит, например, в романтизацию совка). Основной месседж состарился отлично, а иллюстрации - просто чудовищно. Эссе было написано в 2012, в год выхода AlexNet, первого шага к bitter lesson. > We don’t have computers we can have an interesting conversation with, or robots that can walk our dogs or take our clothes to the Laundromat. Теперь разговоров с канплюктерами у нас избыток, а вот прогулки с собакой я бы отдал роботу в последнюю очередь. > Still, precision weapons never do seem capable of assassinating specific individuals (Saddam, Osama, Qaddafi) Хороший год для сбора контрпримеров (хотя парочке specific individuals бы еще...) > ..in a technological environment in which the only breakthroughs were those that made it easier to create, transfer, and rearrange virtual projections of things that either already existed, or, we came to realize, never would. Обзывайте меня оптимистом, но помимо рилсов и нейрослопа последние десять лет принесли нам быстрые чипы из EUV литографов, многоразовые ракеты, дешевые батареи и mRNA вакцины. Не эпоха Bell Labs, но все не так плохо. > ...there isn’t very much to be learned from sequencing genes that’s of much use to anyone else. На почве критикуемого проекта генома человека расцвели тысячи цветов, тот же CRISPR и диагностическое секвенирование за копейки. В общем, технологический пессимизм не разделяю. Жаль, что неудачные примеры заставляют уместную критику выглядеть слегка нелепо.

Представь, что ты постепенно нагреваешь лёд. Сначала он остаётся твёрдым, затем превращается в воду. Если нагревать дальше, то вода закипит. При изменении температуры вещество может резко менять свои свойства. Это фазовый переход. В первые мгновения существования Вселенной при высокой температуре протоны и нейтроны не могли существовать как привычные связанные частицы. Вместо них (наверное?) возникала кварк-глюонная плазма, в которой кварки и глюоны образуют общую среду. По мере расширения и охлаждения Вселенной эта среда превратилась в обычные адроны. В недавнем эксперименте физики сталкивали ядра золота и исследовали частицы, возникающие после столкновений. Их интересовало, как связаны между собой импульсы этих частиц. Обнаружилась неожиданная немонотонная зависимость. Подобное поведение может указывать на критическую точку в фазовой диаграмме ядерной материи. И самое-то главное - если она есть (эта точка), то и стандартная модель получила подтверждение логики кварк-глюонной плазмы 🙃 ⚠️ Дебри. Физика

Проблеск зрения В начале октября Нобелевку по физиологии и медицине дали Карлу Дейссероту, Петеру Хегеманну и Георгу Нагелю за оптогенетику. Хегеманн и Нагель нашли у водоросли белок, реагирующий на свет, а Дейссерот с коллегами встроил его ген в нейроны грызунов — и те стали срабатывать по световому сигналу. По сути, клеткам приделали выключатель, который нажимают светом. Совсем недавно, вышла работа, где этот принцип помогает незрячим. Речь о пигментном ретините — наследственной болезни, при которой постепенно отказывают фоторецепторы, улавливающие свет клетки сетчатки. Виной могут быть мутации более чем в 100 генах, поэтому создать лечение под каждую поломку для всех сложно. Учёные пошли в обход: в сетчатке есть ганглиозные клетки, которые могут уцелеть, даже когда фоторецепторы отказали. Их и сделали светочувствительными. В международном клиническом исследовании каждый участник получил одну инъекцию в хуже видящий глаз — генетическую инструкцию для белка ChrimsonR, чувствительного к янтарному свету. Дальше вступают очки с камерой: они переводят изменения вокруг во вспышки янтарного света, вспышки возбуждают «перепрошитые» клетки, и сигнал уходит по зрительной системе в мозг. Участников было 10, у всех поздняя стадия болезни. У семерых выросла чувствительность к свету, у шестерых — клинически значимо. Из восьми, кто прошёл поведенческие тесты, четверо стали лучше обнаруживать и находить предметы. В очках пациенты распознавали дверной проём и шли вдоль линии, а запись активности мозга указывает, что зрительная информация доходит до зрительных отделов. Нормальное зрение не вернулось: читать и узнавать лица участники не смогли. Зато кто больше тренировался с очками, тот обычно лучше находил предметы в тестах — похоже, мозгу нужно время, чтобы освоить новый «язык» вспышек. @vselennayaplus

Спор на черничное мороженое помог учёным приблизить отказоустойчивый квантовый компьютер Учёные из Университета Рутгерса, IBM и других организаций показали, как квантовый компьютер может исправлять ошибки прямо во время вычислений. На чипе IBM Quantum Heron они задействовали 100 кубитов: система постоянно создавала беспорядок и тут же проверяла и восстанавливала их состояние. При достаточно частых проверках кубиты синхронно перешли в стабильный режим — это стало первым таким экспериментальным подтверждением. Идея выросла из спора о квантовой физике, где проигравший должен был угостить коллегу черничным мороженым.、】【 #суперкомпьютер #квантовыевычисления 📎Подробнее 🔖 3DNews в TG | MAX | VK

🧲 Зарплата привлекает людей, но не делает их частью команды Опубликованный 6 октября Global Employee Monitor от SHRM показывает: деньги остаются главным фактором при выборе работодателя, но чувство принадлежности теснее связано с тем, как человек ведёт себя уже внутри компании. В июле–августе через стороннюю онлайн-панель опросили 5 107 сотрудников из 26 стран; участники работали в организациях минимум с двумя сотрудниками, а выборку балансировали по возрасту и полу. 🔵Зарплата сильнее всего влияет на решения прийти в компанию, остаться или уйти 🔵Чувство принадлежности оказалось единственным фактором, связанным сразу с вовлечённостью, удержанием, мыслями об уходе и поиском работы 🔵Среди довольных своей принадлежностью к компании об увольнении всерьёз думали 18%, среди недовольных — 61% 🔵В целом частью своей организации чувствуют себя 74% опрошенных 🔵59% скорее готовы остаться, но 40% уже искали другую работу за последний год — против 37% в предыдущих кварталах Эти данные не означают, что зарплату можно заменить разговорами о культуре. Если оплата заметно ниже рынка, никакое чувство общности не исправит ситуацию. Но и обратное верно: прибавка может временно отложить уход, не устранив причину, по которой человек начал смотреть вакансии. Принадлежность — это не корпоративная вечеринка и не обращение «мы одна семья». Она формируется в обычных рабочих ситуациях: пригласили ли сотрудника на обсуждение, которое влияет на его работу; получает ли он необходимую информацию; признают ли его вклад; может ли он не согласиться с руководителем без негативных последствий; замечает ли кто-то, когда ему нужна помощь. Именно поэтому общий показатель удовлетворённости мало помогает найти проблему. В одной компании люди могут получать одинаковые льготы и посещать одни мероприятия, но сотрудники удалённых команд, новички или отдельные функции всё равно будут чувствовать себя людьми второго плана. Проверять стоит не абстрактную «силу культуры», а конкретный рабочий опыт. Кто регулярно остаётся за пределами важных встреч? Чьи идеи получают признание только после повторения руководителем? Кому сложнее получить обратную связь, развитие или внутренний переход? Такие эпизоды часто объясняют желание уйти лучше, чем очередной вопрос о лояльности. При этом исследование показывает связь, а не причинность. Возможно, принадлежность действительно снижает желание уйти, но возможно и обратное: люди, уже разочарованные работодателем, хуже оценивают отношения с компанией. В открытом релизе также не раскрыты размеры выборок по странам, коэффициенты модели и сила влияния каждого фактора, поэтому результаты нельзя превращать в универсальную формулу удержания. ✅ Вывод Конкурентная зарплата создаёт основание остаться, но не создаёт связь с компанией. Решение об уходе нередко начинается задолго до оффера — в момент, когда человек перестаёт чувствовать, что его мнение, вклад и присутствие действительно имеют значение.

Приключения латинского алфавита в разных языках. Почему польская и чешская латиницы такие разные? Польский szcz и чешские č, š, ž решают похожую задачу, но выглядят так, будто появились в разных мирах. Хотя языки близкие, обоим пришлось приспосабливать латиницу под звуки, для которых в исходном алфавите просто не хватало букв. В польском веками конкурировали разные способы записи, из которых постепенно сложилась система с диграфами и диакритикой. В чешском история повернула иначе: средневековая реформа сделала ставку на одну букву с дополнительным знаком вместо длинных сочетаний. Так sz и cz остались по одну сторону границы, а š и č — по другую. Но дело оказалось далеко не только в удобстве письма. На эти системы успели повлиять латынь, немецкий язык, церковь, гуситское движение и национальная политика. Поэтому история двух близких языков заодно объясняет, почему их латиницы сегодня выглядят настолько непохожими.