Наука

Какая боль, какая боль: лучшие научные рецензенты - ИИ - 132:0 Гарвардский эксперимент показал превосходство ИИ над лучшими экспертами. И за этой победой скрывается угроза, способная изменить саму природу науки В науке десятилетиями существовал почти священный институт - peer review, экспертная оценка научных работ. От рецензентов зависит, какие ошибки будут исправлены, какие результаты получат признание и какие идеи смогут пробиться на страницы престижных журналов. И вот исследователи Гарварда Гэри Кинг и Стивен Уортингтон устроили эксперимент, результаты которого выглядят полным разгромом «кожаных мешков». Причём людям создали практически идеальные условия. 124 научные рукописи. 134 рецензии высококвалифицированных экспертов. Рецензентов тщательно отбирали, хорошо оплачивали их труд и мотивировали писать максимально содержательные заключения. 88% опрошенных авторов оценили полученные рецензии как хорошие или очень хорошие. Против этих экспертов выставили Claude Opus 4.8.   Результат оказался почти невероятным. 100% побед ИИ в 132 однозначных сравнениях, проведённых независимой моделью GPT-5.5. 87% побед в слепой оценке трёх бывших редакторов ведущих научных журналов: 26 из 30 вердиктов по десяти рукописям. Победа во всех семи категориях — от методов исследования и теоретических идей до обнаружения слабостей, работы с источниками и качества аргументации. Ошибочных утверждений почти втрое меньше: 5,5% у ИИ против 15,9% у людей. Ни одной вымышленной ссылки в проверенных ИИ-рецензиях. Исследователи специально проверяли, не объясняется ли успех ИИ большей длиной рецензий, особенностями машинного стиля или предпочтениями ИИ-судьи. Преимущество сохранилось.   Но главный результат этого исследования - даже не разгромный счёт. А перспектива переворота в организации науки.   Представьте новую систему. Учёный пишет статью и многократно прогоняет её через ИИ-рецензента, устраняя ошибки и укрепляя аргументацию. Журнал предоставляет официальный промпт для проверки. Автор отправляет статью вместе с ИИ-рецензией и ответами на замечания. Редактор проводит независимую проверку и привлекает человека-эксперта лишь в сложных случаях. Решение о публикации, на которое сегодня уходят месяцы, потенциально можно принимать за дни.   Разумеется, пока это прогноз. Исследование ещё не прошло обычное журнальное рецензирование, охватывает ограниченный круг научных областей и не доказывает, что статьи после советов ИИ действительно становятся лучше. Тем более оно не показывает, что ИИ лучше человека решает, какие открытия заслуживают публикации. Но именно здесь возникает вопрос, который мне кажется важнее всех остальных. А что, если лучший рецензент отдельных научных работ окажется худшим архитектором науки в целом?   Ведь наука движется вперёд не только благодаря устранению ошибок. Она развивается благодаря идеям, которые поначалу кажутся ошибочными. Благодаря нарушению привычных правил. Благодаря интеллектуальным мутациям, которые существующие критерии качества ещё не умеют оценивать.   Авторы исследования сами предупреждают: использование сходных ИИ-моделей может сделать отдельные работы качественнее, а науку в целом - более однородной и ортодоксальной. Представьте миллионы исследователей, совершенствующих свои статьи под требования нескольких практически одинаково мыслящих машинных критиков. Мы рискуем получить науку с гораздо меньшим количеством ошибок - и гораздо меньшим разнообразием идей (см. также здесь). Причём прежняя система человеческого рецензирования тоже подавляла неортодоксальные идеи. Но машинная способна масштабировать подобный эффект с беспрецедентной скоростью.   Так что, не спрашивайте, способен ли ИИ превзойти человека в научной критике. ИИ уже может быть лучшим критиком сегодняшней науки. Но кто будет защищать науку завтрашнюю от её лучших критиков – вопрос открыт.   Наука  #ГенИИ #Креативность

Дети бывают не только тупые, но и жирные! На момент исследования в мире было около 41 миллиона детей с лишним весом. Виноваты, конечно, не родители, а экраны — ребёнок за ними не двигается. И ещё в фильмах, мультиках и рекламе очень много пиццы, хот-догов и прочего жирного, солёного и сладкого, и они показаны привлекательно. Но почему-то если так привлекательно показывать брокколи, дети её не едят. Сделали мультфильм типа белки из ледникового периода с орехом, только панда с конфетами — и точно такой же второй с пандой с мандаринами. Мандарин типа полезный, конфета нет. Продукт появлялся на экране 5 раз, суммарно около 21 секунды, и в 4 случаях из 5 герой ещё и называл его вслух. Менялась только еда. Из 75 детей отобрали 68: для айтрекинга нужны не совсем косоглазые. 8 лет, девочки и мальчики пополам. Дети не знали, что за ними следят. Обе основные гипотезы не подтвердились! — Вредная еда сильнее притягивает взгляд — нифига! — Вредная еда сильнее возбуждает (мерили по расширению зрачков) — нифига! Но! Домашний запрет сладкого повлиял на зрачок. При этом если запрещать мандарины, то они не интересуют детей сильнее. А вот конфеты очень даже интересуют. Идём дальше. 74 ребёнка 5-6 лет из начальных школ Нидерландов, Германии и Бельгии. Запрещали есть определённые продукты. — Запрещённая еда немного привлекает. — Запретные дети не наелись запретного больше в калориях. — А вот по доле есть разница. Дети выбирали запретную еду чаще и больше — вытесняли часть обычной. В смысле, если запретить чипсы, ребёнок продолжит есть кашу и не откажется от неё, но будет есть её меньше, а разницу калорий доберёт чипсами. — Больше всего ели и дети очень строгих родителей, и дети очень нестрогих родителей. Меньше всего — дети родителей с умеренным уровнем ограничений. Предлагают родителям попробовать запрещать овощи и фрукты, но не штрафовать за нарушения. Еда без голода! Это когда человек продолжает есть уже после того, как наелся. Ну, типа, знаете, если вам на стол положить открытую банку с печеньями, вы их сожрёте. — Есть ген FTO (вариант rs9939609) — носители рискового варианта едят без голода больше. Ещё нашли связь с делецией участка 16p11.2. — У детей старше 5 лет, если им искусственно портили настроение (давали пазл с недостающим кусочком или рисунок без нужного карандаша, гады), они потом ели без голода больше. А у малышей 3-5 лет такого эффекта не было — видимо, заедать стресс ребёнок ещё не научился. У подростков — чем выше осознанность, тем меньше они такой фигнёй страдают. — Чем сильнее у ребёнка активируется система вознаграждения мозга в ответ на еду, тем больше он жрёт. Они просто с этого прутся. Но вот ген дофаминового рецептора D2 связи не дал. — Время у экрана, зарядка, режим сна, раса, темперамент и IQ не влияют. Если мать активно ограничивала еду, когда девочке было 5 лет, то к 9 годам у девочки была более выраженная еда без голода — особенно если у самой матери был жирок. Эти случаи прям позволяли предсказывать будущую массу девочки, и в длительном исследовании они там довольно хорошо попали. Слабое место — большая часть данных пришла из Америки, причём ещё до семаглутида, а там с жиром есть проблема.

Ещё полезное: — Тут вот считали для курева (там работа). — Про семаглутид — В США уменьшился уровень ожирения, и это не нравится супермаркетам!

-- Вступайте в ряды Фурье! | Лучшие посты — Доктор, а какой у меня правильный рост при моём весе? — 4 метра!

У вернувшейся с Бали россиянки обнаружили вирус Зика. Случай подтвержден Роспотребнадзором. Это заболевание в основном передается через укусы дневных комаров, оно может вызвать изменения плода у беременных и аутоиммунные заболевания у детей и взрослых. Симптомы: ▪️ сыпь, ▪️ повышение температуры тела, ▪️ конъюнктивит, ▪️ мышечные и суставные боли, ▪️ общее недомогание, ▪️ головная боль на протяжении 2–7 дней. Россиянка рассказала, что провела на отдыхе две недели, а по возвращении домой почувствовала высокую температуру, озноб и боль в конечностях, затем тело покрылось сыпью. Ее госпитализировали и изолировали. ▫️ От вируса Зика не существует прививки, но Роспотребнадзор исключает его распространение в России и рекомендует туристам защищаться от укусов насекомых за рубежом. ❤ Читайте «Газету.Ru» в MAX | Участвуйте в розыгрыше!

Бабочка на связи Радиометки стали такими лёгкими (меньше полуграмма) что их теперь крепят прямо на бабочек-монархов. Метка посылает Bluetooth-импульс, его ловят смартфоны, автомобили и вышки сотовой связи и в фоновом режиме пересылают учёным. Так из случайных встреч бабочки с чужими гаджетами складывается карта её перелёта в реальном времени. Передаются только номер метки и координаты, никаких данных о самих устройствах. Дженнифер Вебер из Virginia Tech называет это гражданской (и, видимо, принудительной) наукой на краудсорсинге. Вместе с коллегой Шоном Курцманом она снабдила метками 35 монархов в Вирджинии и следит, как они летят к местам зимовки. Один из них, Томас, уже удивил: учёные ждали, что он двинется вдоль побережья Мексиканского залива, но его, по словам Вебер, подхватил шторм и перенёс прямо через залив. После Миссисипи следующий сигнал пришёл уже с юга Мексики, за 1600 км. Сотни точек на маршруте показывают даже мелочи: летят ли монархи вдоль автотрасс, как реагируют на непогоду и где подкрепляются нектаром. Пробелы, правда, остаются. Над безлюдной местностью бабочка может днями не выходить на связь, и тогда неясно, отказала метка, отвалилась или монарх погиб. Большинство монархов пока метят по старинке, наклейкой на крыле с контактами для нашедшего, потому что радиометки всё ещё дороги. На такое «письмо в бутылке» откликаются лишь единицы. @vselennayaplus

👨🏻‍🚀 Сегодня исполняется 86 лет со дня рождения космонавта Геннадия Стрекалова Геннадий Михайлович пережил неудачную стыковку, пожар ракеты на старте и катапультирование. За его плечами — 5 космических полётов, 268 суток на орбите и 18 лет во главе отряда космонавтов НПО «Энергия». Несколько фактов из биографии Геннадия Стрекалова:

🟣 В 1983 году во время пожара ракеты на старте сработала система аварийного спасения — Геннадий Стрекалов и Владимир Титов испытали перегрузку 18g. 🟣 В том же году на «Союзе Т-8» сорвалась стыковка со станцией «Салют-7»: корабль прошёл в нескольких метрах от станции, едва не зацепившись за солнечные батареи. 🟣 В 1995 году, возвращаясь на Землю на шаттле «Атлантис», он и Владимир Дежуров стали первыми в истории иностранцами, легально оказавшимися в США без пересечения границы — у них не было ни паспортов, ни виз.

В новом материале рассказываем о выдающемся, но незаслуженно забытом дважды Герое Советского Союза.

ИИ доказал квазигипотезу Римана. Что дальше? «Любой математический журнал немедленно отклонил бы их», — так математик Максим Радзивилл оценил качество изложения двух доказательств, представленных OpenAI. При этом последствия одного из результатов он же назвал «ошеломляющими». Речь о квазигипотезе Римана — более слабой версии знаменитой гипотезы, которая остаётся нерешённой более 160 лет. OpenAI представила два варианта доказательства: на 199 и 49 страниц. Первое прошло формальную проверку, второе пока нет. Однако именно короткую работу взялись изучать специалисты. Питер Сарнак из Принстона даже решил изменить программу своего курса, чтобы посвятить его разбору доказательства. При этом сам Сарнак пока не готов признать результат теоремой. Сначала математикам нужно проверить и понять все детали доказательства.

SOMA Реконструкция работы мышц по обычной многокамерной съемке. На вход поза и вид кожи, на выход смещения внутренних мышц и слоя кожи поверх них. • Анатомия в несколько слоев: кожа, мышцы, скелет • Покадровая деформация мышц по позе • Отдельные мышцы в высоком разрешении, а не одна общая оболочка • Кожа скользит и сжимается поверх мышцы, а не едет за ней жестко • Работает без тяжелого конечно-элементного моделирования Датасет SKIM собран специально: по маркерам на коже внутренние мышцы не восстановить, поэтому есть и сканы тела, и привязка маркеров к отдельным мышцам. Сеть дополнительно держат физические ограничения: гладкость, сопротивление изгибу, сохранение объема. github.com/edualvarado/SOMA #hmr MAX

Как решать задачи оптимизации, когда функция негладкая, есть ограничения, а данных слишком много? В свободном доступе есть Proximal Algorithms Нила Париха и Стивена Бойда – 113-страничная монография о проксимальных алгоритмах. Идея: вместо одной сложной задачи последовательно решать небольшие подзадачи. На каждом шаге нужно улучшить значение функции, одновременно ограничивая удаление от текущей точки. Такие методы особенно полезны для негладкой, крупномасштабной и распределённой выпуклой оптимизации. Внутри – объяснение проксимального оператора, его связь с проекциями на выпуклые множества, обзор алгоритмов и множество примеров. К материалу прилагаются слайды, библиотека проксимальных операторов и MATLAB-примеры: Lasso, разложение матриц, стохастическое управление и оптимизация портфеля. Подойдёт тем, кто хочет глубже разобраться в математике оптимизации. Для чтения пригодятся линейная алгебра и основы выпуклого анализа. PDF: https://web.stanford.edu/~boyd/papers/pdf/prox_algs.pdf Материалы и код: https://stanford.edu/~boyd/papers/prox_algs.html

📌 Perplexity научила модель быть учителем самой себе ИИ-поисковик предложил метод обучения под названием JOLT, в котором одна и та же модель выступает сразу учеником и учителем, причём обе роли учатся одновременно. При обучении с подкреплением модель получает награду только за итог попытки, и по ней не понять, какие именно шаги привели к успеху. На длинных агентных задачах, где попытки редко удаются, такого сигнала мало. Обходят это дистилляцией, когда модель посильнее оценивает каждый токен ученика и подсказки становятся плотнее.

Но умение решать задачу и умение её объяснить не одно и то же. Сильный учитель легко уходит туда, куда ученик за ним не дотянется, и подсказки пропадают впустую.

В JOLT учитель видит проверенный ответ, разобранное решение или отчёт о прошлых попытках, а ученик работает вслепую. Обе роли живут в одной модели и обновляют общие веса. Ученик тянется к подсказкам учителя, а учитель получает задачу подстроиться под ученика, т. е. давать такие подсказки, которые двигают его в ту же сторону, куда двигало бы обычное обучение с подкреплением на его собственной награде.

У метода есть второй вариант, JOLT+. В нём ученик получает и подсказки учителя, и обычную награду за итог своей попытки, то есть плотный и разреженный сигналы складываются.

🟡 Тесты Метод проверяли на небольших моделях DeepSeek и Qwen, от 0,6 до 30 млрд параметров. Задачи брали разные, от школьной математики и олимпиадных задач до генерации кода, работы с приложениями и команд в терминале. Сравнивали с GRPO и двумя методами дистилляции. JOLT+ везде показал лучший средний результат, обойдя GRPO на 4,2 процентных пункта на наборе MATH, на 3,0 на LiveCodeBench и на 9,9 на AppWorld. На MATH при равной точности JOLT потратил в 6,5 раза меньше обработанных токенов обучения и примерно в 13 раз меньше сгенерированных. Без награды ученика метод работает хуже. На AppWorld чистый JOLT отстал и от GRPO, и от конкурирующей дистилляции, а на Terminal-Bench уступил GRPO. Perplexity обещает открыть код позже, пока есть только статья с описанием метода. @ai_machinelearning_big_data #AI #ML #LLM #Research #RL #Perplexity

Разработчики отказываются работать без ИИ. Даже за деньги! 😁 Ну ка не ржать, матросы! Короче, у METR случилась прекрасная проблема с исследованием продуктивности. Помните ребят, которые в 2025 году выяснили, что опытные разработчики с ИИ выполняли задачи на 19% дольше? Хотя сами считали, что ускорились. Так вот, они решили провести новый эксперимент. И столкнулись с тем, что часть разработчиков просто не захотела участвовать. Потому что пришлось бы половину задач делать без ИИ. Даже за $50 в час. (metr.org) Дальше ещё прикольнее. 1. Некоторые вообще не приходят в исследование: отказываться от ИИ не хочется. 2. Среди опрошенных участников 30–50% признались, что не отдавали в эксперимент отдельные задачи. Вдруг выпадет условие «без ИИ», а делать руками совсем не хочется. 3. Один участник не завершил ни одной задачи, которую ему назначили выполнять без ИИ. В итоге METR объявила о пересмотре методики: из исследования выпадают люди и задачи с наиболее высокими ожиданиями пользы от ИИ. Это может занижать измеренный эффект. Правда, оплату участия тоже снизили — со $150 до $50 в час, что могло повлиять на отказы. (metr.org) Знаете, что самое клевое? Мы пытаемся ответить на вопрос «насколько ИИ ускоряет разработчика», предлагая ему поработать так, как он уже не хочет работать. Это как измерять пользу IDE, периодически выдавая человеку блокнот. Эксперимент провести можно. Добровольцев найти сложнее 😁 При этом нежелание отказаться от инструмента ещё не доказывает рост продуктивности. Он может экономить силы, убирать скуку или просто создавать приятное ощущение скорости. Но для нас, людей, которые делают инженерные платформы, здесь есть ещё один вопрос: Как измерять эффект инструмента, когда вокруг него уже перестроилась сама работа? Человек иначе выбирает задачи, иначе распределяет внимание, запускает несколько агентов параллельно. И сравнение «та же задача с ИИ и без» всё меньше рассказывает о том, как теперь работает команда. Исследование METR

🎉 Нэнси Грейс Роман полностью технически работоспособен! Об этом заявила Джули Макэнери, ведущий научный сотрудник проекта. Телескоп умеет наводиться, делать снимки, передавать данные на Землю и переключаться между целями. Значит, RST переходит к последнему этапу подготовки — научной калибровке. Позади проверка обсерватории и главной камеры WFI. Инженеры опасались, что система точного наведения может столкнуться с трудностями в областях с высокой плотностью звезд или в пыльных туманностях, но тестовые наблюдения показали, что Роман справляется во всех случаях. Осталось провести серию тестовых наблюдений, откалибровать, как приборы реагируют на свет, и довести качество изображения. После этого начнется научная работа. Новыми пробными кадрами пока не поделились, но по заявлению они уже радуют. По словам команды, при наблюдении WFI сможет регистрировать объекты в сто миллионов раз слабее тех, что видны невооруженным глазом. Выход на орбиту вокруг L2 ожидается в начале декабря, первые научные снимки планируют публиковать к началу 2027 года.

Мировая губка: как изобразить теорию всего на многообразиях Калаби‑Яу В 1953 году математик Эудженио Калаби задумался о фигурах, существующих в шести измерениях. В привычном трёхмерном пространстве от них можно получить лишь причудливую «объёмную тень». Причём само существование таких объектов ещё предстояло математически обосновать. В 1973 году Шинтун Яу даже заявил, что нашёл контрпримеры, опровергающие предположение Калаби. Однако история многообразий Калаби-Яу на этом не закончилась. Позднее эти необычные геометрические объекты заинтересовали физиков, работающих над теорией струн. Ведь дополнительные измерения, если они действительно существуют, могут быть связаны со свойствами элементарных частиц. И многообразия Калаби-Яу позволяют представить, как такие измерения могли бы быть устроены. Правда, до экспериментального подтверждения подобных гипотез пока далеко.

Биекция (взаимно однозначное соответствие) в сфере искусственного интеллекта и машинного обучения — это математическое свойство функции, гарантирующее, что каждому входному объекту соответствует ровно один выходной, и наоборот, при этом нет «потерянных» или дублирующихся данных. Простыми словами, биективное преобразование можно без потерь «развернуть» в обратную сторону. В современном AI концепция биекции лежит в основе нескольких прорывных технологий. 1. Нормализующие потоки (Normalizing Flows) Это один из самых ярких примеров использования биекции в генеративном AI. Нормализующие потоки используются для генерации изображений, звука и моделирования сложных распределений данных. • Как это работает: Нейросеть берет простое распределение (например, белый шум или стандартное Гауссово распределение) и через серию биективных (обратимых) слоев превращает его в сложное распределение — например, в реалистичное лицо человека. • Зачем нужна биекция: Так как все слои строго биективны, мы можем передать функции сгенерированное лицо и точно вычислить плотность вероятности для этого объекта (пройти путь назад до исходного шума). Это отличает их от GAN (генеративно-состязательных сетей), где обратный путь невозможен. 2. Обратимые нейронные сети (Invertible Neural Networks / RevNets) В стандартных глубоких сетях при обучении (обратном распространении ошибки) приходится сохранять в памяти видеокарты активации всех слоев, что требует огромных вычислительных ресурсов. • Применение биекции: Если сделать архитектуру слоев биективной, то значения предыдущего слоя можно математически вычислить на основе последующего. • Результат: Память под активации не расходуется. Сеть может содержать сотни слоев и обучаться на стандартном оборудовании, восстанавливая нужные для градиентов данные «на лету» в обратном проходе. 3. Представление данных и распутывание (Disentanglement) При обучении автоэнкодеров (VAE) или трансформеров модель пытается сжать данные (текст, картинку) в компактный вектор (латентное пространство). • Идеальное латентное пространство стремится к биективности: каждому уникальному объекту реального мира должен соответствовать строго один уникальный код (вектор) в пространстве эмбеддингов. Если биекция нарушается, у модели возникает «галлюцинация» или коллапс модальностей (когда разным объектам присваивается одинаковый вектор). Главный компромисс: Создавать биективные слои для нейросетей сложно. Чтобы функция была обратимой, матрицы весов должны отвечать строгим математическим критериям (например, иметь ненулевой детерминант), что накладывает жесткие ограничения на архитектуру и иногда снижает гибкость модели по сравнению со стандартными «необратимыми» слоями.

🟣 Российский прибор для Марса, космический мониторинг и будущие обсерватории Подборка космических новостей уже здесь. Читайте дайджест 👇 🔹️️️️️️ Россия создаст прибор для китайской миссии к Марсу 🔹️️️️️️ SpaceX впервые попробует поймать обе ступени Starship 🔹️️️️️️ Двое прокатились на одной роборуке: Федяев рассказал о работе с манипулятором ERA за бортом МКС 🔹️️️️️️ В РАН обсудили две будущие космические обсерватории: «Спектр-М» и «АРКА-М» 🔹️️️️️️ Немецкий стартап Ratlog пообещал ракету уровня Falcon 🔹️️️️️️ Спутниковая съёмка помогла возместить государству более 5 млрд рублей ущерба в 2025 году 🔹️️️️️️ Япония запустила MMX — аппарат доставит грунт с Фобоса на Землю 🔹️️️️️️ ИИ помог найти редкую пару звёзд среди сотен тысяч рентгеновских источников 🔹️️️️️️ Макет европейского орбитального аппарата Space Rider разбился при испытания 💜 Pro Космос в МАКС | ВК | ОК #дайджест@prokosmosru

Как принцип неопределенности работает в реальных экспериментах и работает ли он вообще? В квантовом мире действует правило, которое кажется странным. Согласно принципу неопределённости положение и импульс объекта невозможно измерить точно одновременно. Чем лучше известна одна величина, тем размытее другая. Причина не в несовершенстве приборов, а в самой природе материи. Обычно оно заметно лишь для электронов и атомов, но в одном из самых чувствительных экспериментов в истории науки с ним приходится считаться даже при работе с зеркалами весом в десятки килограммов. Так в обсерватории LIGO принцип неопределённости создаёт необычную проблему. Чем точнее измеряется положение зеркала массой около 40 кг, тем сильнее оно начинает «дрожать», и в какой-то момент эксперимент срывается. Лазерно-интерферометрическая гравитационно-волновая обсерватория (LIGO) регистрирует гравитационные волны, то есть рябь пространства-времени, возникающую при столкновениях чёрных дыр на огромных расстояниях. Для этого лазерные лучи пускают между тяжёлыми зеркалами, подвешенными на расстоянии нескольких километров друг от друга. Каждое зеркало представляет собой массивный цилиндр из плавленого кварца массой 40 кг. Трудно ожидать, что предмет размером с крупную собаку заметно подчиняется законам квантовой механики. Гравитационные волны чрезвычайно слабы, поэтому LIGO должна измерять положение своих огромных зеркал с точностью до тысячной доли диаметра протона. Чтобы добиться такой точности, инженерам приходится увеличивать мощность лазеров, ведь чем ярче свет, тем чётче картина того, где находятся зеркала. И здесь в игру вступает принцип неопределённости. Свет состоит из фотонов, и когда миллиарды из них ударяются о зеркало, они создают крошечную случайную силу, которая называется давлением излучения. Чтобы точно определить положение зеркала (уменьшить неопределённость координаты), фотоны должны бить по нему достаточно сильно, но тем самым они его подталкивают, внося случайный толчок (увеличивая неопределённость импульса). Из-за этого зеркало смещается, и, как ни парадоксально, это искажает само измерение положения, которое пытались провести учёные. Этот барьер называется стандартным квантовым пределом. Чтобы его обойти, инженеры LIGO воздействуют на сам квантовый вакуум и используют так называемый «сжатый свет». Неопределённость перераспределяется в ту характеристику света, которую они не измеряют. Это позволяет отслеживать положение зеркал с исключительной точностью, ну а заодно показывает, что такой принцип есть. #квантовыймир ⚠️  Дебри.Физика

Организационная культура как мем В рамках нашего книжного клуба перечитываю «Мы — то, что мы делаем» Бена Хоровица и зацепил меня вот этот фрагмент:

Истории и поговорки определяют культуру. Джон Моргридж, CEO Cisco с 1988 по 1995 год, каждую копейку вкладывал в бизнес. Но, поскольку многие его сотрудники привыкли свободно тратить деньги, он понимал, что напоминать им о бережливости бессмысленно. Моргридж подкреплял слово делом и всегда останавливался в дешевой гостинице Red Roof Inn, но даже этого примера оказалось мало. Тогда он сформулировал нравоучительный принцип: «Если вы не видите свой автомобиль из гостиничного номера, то вы платите слишком много». Когда это услышали топ-менеджеры, они сразу поняли, что билеты в бизнес-классе и дорогие ужины исключаются. А главное, они поняли, что командировки нужны для того, чтобы заботиться о нуждах клиента, а не наслаждаться привилегиями.

В итоге решил я посмотреть, а что там с исследованиями мемов в корпоративных культурах. Выбрал нам 4 самых интересных статьи: 1. A Theory of the Cultural Evolution of the Firm: The Intraorganizational Ecology of Memes • Мемы воспроизводятся через наблюдение за поведением других людей и его интерпретации. Так происходит эволюция этих структур: люди по-разному объясняют увиденное, переосмысляют его и переносят в другие контексты. • В результате внутри организации постоянно происходят вариация, отбор и сохранение мемов. Организационная культура эволюционирует в результате этих меметических процессов, а не только целенаправленных действий менеджмента. • Некоторые мемы сохраняются не потому, что полезны бизнесу (а могут быть и весьма вредными), а потому, что успешно воспроизводятся. • Авторы предлагают смотреть на организацию через meme's-eye view. В этой перспективе компании как организационная форма возникли и развивались в процессе адаптации в том числе потому, что определённые комплексы мемов получают внутри них преимущества в воспроизводстве и сохранении. 2. Organisational Memetics?: Organisational Learning as a Selection Process • Мемы формируют самоподдерживающиеся системы, которые сохраняют организационную культуру даже без сознательных усилий. • Устойчивые комплексы мемов сопротивляются изменениям: новые идеи, противоречащие сложившимся представлениям, могут отторгаться организацией. • Инновации часто возникают в относительно изолированных группах, где влияние господствующих мемов слабее. • Можно провести аналогию с эволюционно устойчивыми системами в биологии: однажды сложившийся комплекс мемов стремится сохранять собственную стабильность. • Отсюда возникает принципиальная проблема организационных изменений. Чтобы организация начала действовать иначе, недостаточно изменить формальные правила. Необходимо разрушить или изменить меметические механизмы, благодаря которым прежние правила продолжают воспроизводиться. 3. Memetic Engineering: A Framework for Organisational Diagnosis and Development • Мемы распространяются через подражание, особенно когда их носителями выступают авторитетные или яркие лидеры. • Отдельные мемы объединяются в memeplexes — устойчивые комплексы убеждений, моделей поведения и культурных установок. • Мемы могут поддерживать организационную культуру или вступать с ней в противоречие. Последние авторы называют токсичными мемами. • Для диагностики мемов предлагается оценивать три характеристики: точность воспроизводства (fidelity), восприимчивость людей (susceptibility) и резонанс (resonance). 4. An Empirical Investigation of Organizational Memetic Variation • Меметическую вариативность можно рассматривать как потенциальный индикатор способности организации к изменениям. • Семь категорий меметических вариаций: повторение (repeat), усиление (emphasis), расширение (extension), комбинирование (combination), новое измерение (new dimension), неверная интерпретация (misinterpretation), растворение (no retention). В комментариях более подробный сводный обзор. И короткое аудио-саммари.