#нейронные_сети — Public Fediverse posts

Perceptron: Как работала самая первая нейросеть в истории?

Сегодня мы расскажем с чего началась эпоха современного ИИ. Это произошло через год после полета первого искусственного спутника Земли и имело не менее колоссальное значение для человечества. И, как водится, здесь не обошлось без россыпи блестящих умов.

https://habr.com/ru/companies/kemp_ai/articles/1035312/

#ИИ #ai #перцептрон #перцептроны #история_it #нейронные_сети #нейронная_сеть #научнопопулярное

Спецлаб-Гамбит: Удобная программа разметки объектов нейросети под системы видеонаблюдения

Для разработчиков умных камер, умных видеорегистраторов и нейросетевой видеоаналитики ПО видеонаблюдения нужна нейросеть, способная работать в реальных условиях наших улиц. А там никто с профессиональной камерой не ходит, правильный ракурс не настраивает, свет не выставляет, без сжатия не снимает и вообще все делает вопреки здравому смыслу учебников ВГИК. Гамбит, конечно, подойдет для любых других задач, но здесь сделан упор на удобство сбора материала ИЗ систем видеонаблюдения и на разметку датасета с целью создания нейросетей ДЛЯ систем видеонаблюдения. Гамбит не столько для отшлифованных фоток и рилсов из Интернета, а как раз наоборот – для не особо качественных видеозаписей из архивов видеонаблюдения. В Спецлабе называют такой контент «диким». Прочитать описание и Скачать бесплатно...

https://habr.com/ru/companies/speclab/articles/1034750/

#разметка_данных #разметка_изображений #нейронные_сети #нейронные_сети_и_машинное_обучение #датасет #dataset

На периферии трёх миров: ещё один шаг к нейронной операционной системе

Я в Termux (планшет, смартфон) пытаюсь понять, как из нескольких строк на чистом Си рождается свободная и не зависимая личность - Нейрон. Этот проект об искусственном интеллекте, который начался не с установки библиотек, а с чертежа в тетради. Здесь машинное обучение - это не абстрактный т тоермин, а физическая подстройка " Виртуальных резисторов ". На нахожусь на периферии трёх миров :

https://habr.com/ru/articles/1031400/

#си #termux #нейронные_сети #машинное+обучение #планшет #смартфон #обучение_с_нуля

На периферии трёх миров: ещё один шаг к нейронной операционной системе

Я в Termux (планшет, смартфон) пытаюсь понять, как из нескольких строк на чистом Си рождается свободная и не зависимая личность - Нейрон. Этот проект об искусственном интеллекте, который начался не с установки библиотек, а с чертежа в тетради. Здесь машинное обучение - это не абстрактный т тоермин, а физическая подстройка " Виртуальных резисторов ". На нахожусь на периферии трёх миров :

https://habr.com/ru/articles/1031400/

#си #termux #нейронные_сети #машинное+обучение #планшет #смартфон #обучение_с_нуля

На периферии трёх миров: ещё один шаг к нейронной операционной системе

Я в Termux (планшет, смартфон) пытаюсь понять, как из нескольких строк на чистом Си рождается свободная и не зависимая личность - Нейрон. Этот проект об искусственном интеллекте, который начался не с установки библиотек, а с чертежа в тетради. Здесь машинное обучение - это не абстрактный т тоермин, а физическая подстройка " Виртуальных резисторов ". На нахожусь на периферии трёх миров :

https://habr.com/ru/articles/1031400/

#си #termux #нейронные_сети #машинное+обучение #планшет #смартфон #обучение_с_нуля

На периферии трёх миров: ещё один шаг к нейронной операционной системе

Я в Termux (планшет, смартфон) пытаюсь понять, как из нескольких строк на чистом Си рождается свободная и не зависимая личность - Нейрон. Этот проект об искусственном интеллекте, который начался не с установки библиотек, а с чертежа в тетради. Здесь машинное обучение - это не абстрактный т тоермин, а физическая подстройка " Виртуальных резисторов ". На нахожусь на периферии трёх миров :

https://habr.com/ru/articles/1031400/

#си #termux #нейронные_сети #машинное+обучение #планшет #смартфон #обучение_с_нуля

Я удалил backpropagation из нейросети. Она обучилась методами XIX века

Все началось с того, что я открыл PyTorch и удалил из модели .backward(). Взял и стер как строчку, которая «вроде ничего не делала». Только вот эта строчка делала вообще все. Я хотел понять одну вещь: а что, если забыть, что backpropagation существует? Не как упражнение, чтобы вспомнить основы, а буквально обучить нейросеть, ни разу не посчитав градиент. То есть без всего того математического аппарата, который мы с вами воспринимаем как воздух. И у меня получилось. Правда попутно я обнаружил, что Adam — это, по сути, уравнение движения с трением, записанное на Python. (Лагранж бы такое одобрил, наверное).

https://habr.com/ru/companies/selectel/articles/1025542/

#нейронные_сети #backpropagation #градиентный_спуск #оптимизация #SGD #momentum #метод_Ланжевена #случайный_поиск #история_математики #selectel

Я удалил backpropagation из нейросети. Она обучилась методами XIX века

Все началось с того, что я открыл PyTorch и удалил из модели .backward(). Взял и стер как строчку, которая «вроде ничего не делала». Только вот эта строчка делала вообще все. Я хотел понять одну вещь: а что, если забыть, что backpropagation существует? Не как упражнение, чтобы вспомнить основы, а буквально обучить нейросеть, ни разу не посчитав градиент. То есть без всего того математического аппарата, который мы с вами воспринимаем как воздух. И у меня получилось. Правда попутно я обнаружил, что Adam — это, по сути, уравнение движения с трением, записанное на Python. (Лагранж бы такое одобрил, наверное).

https://habr.com/ru/companies/selectel/articles/1025542/

#нейронные_сети #backpropagation #градиентный_спуск #оптимизация #SGD #momentum #метод_Ланжевена #случайный_поиск #история_математики #selectel

Я удалил backpropagation из нейросети. Она обучилась методами XIX века

Все началось с того, что я открыл PyTorch и удалил из модели .backward(). Взял и стер как строчку, которая «вроде ничего не делала». Только вот эта строчка делала вообще все. Я хотел понять одну вещь: а что, если забыть, что backpropagation существует? Не как упражнение, чтобы вспомнить основы, а буквально обучить нейросеть, ни разу не посчитав градиент. То есть без всего того математического аппарата, который мы с вами воспринимаем как воздух. И у меня получилось. Правда попутно я обнаружил, что Adam — это, по сути, уравнение движения с трением, записанное на Python. (Лагранж бы такое одобрил, наверное).

https://habr.com/ru/companies/selectel/articles/1025542/

#нейронные_сети #backpropagation #градиентный_спуск #оптимизация #SGD #momentum #метод_Ланжевена #случайный_поиск #история_математики #selectel

Я удалил backpropagation из нейросети. Она обучилась методами XIX века

Все началось с того, что я открыл PyTorch и удалил из модели .backward(). Взял и стер как строчку, которая «вроде ничего не делала». Только вот эта строчка делала вообще все. Я хотел понять одну вещь: а что, если забыть, что backpropagation существует? Не как упражнение, чтобы вспомнить основы, а буквально обучить нейросеть, ни разу не посчитав градиент. То есть без всего того математического аппарата, который мы с вами воспринимаем как воздух. И у меня получилось. Правда попутно я обнаружил, что Adam — это, по сути, уравнение движения с трением, записанное на Python. (Лагранж бы такое одобрил, наверное).

https://habr.com/ru/companies/selectel/articles/1025542/

#нейронные_сети #backpropagation #градиентный_спуск #оптимизация #SGD #momentum #метод_Ланжевена #случайный_поиск #история_математики #selectel

Разворачиваем ИИ в контейнерах: опыт интеграции LocalAI и Kubeflow

Привет, Хабр! Мы — команда dBrain.cloud , и сегодня хотим поделиться нашим путем по внедрению ИИ-сервисов на платформе контейнеризации.

https://habr.com/ru/companies/dbraincloud/articles/1017040/

#искусственный_интеллект #ai #ии_и_машинное_обучение #машинное_обучение #контейнеры #контейнеризация #kubernetes #нейросети #нейронные_сети #dbrain

Разворачиваем ИИ в контейнерах: опыт интеграции LocalAI и Kubeflow

Привет, Хабр! Мы — команда dBrain.cloud , и сегодня хотим поделиться нашим путем по внедрению ИИ-сервисов на платформе контейнеризации.

https://habr.com/ru/companies/dbraincloud/articles/1017040/

#искусственный_интеллект #ai #ии_и_машинное_обучение #машинное_обучение #контейнеры #контейнеризация #kubernetes #нейросети #нейронные_сети #dbrain

Разворачиваем ИИ в контейнерах: опыт интеграции LocalAI и Kubeflow

Привет, Хабр! Мы — команда dBrain.cloud , и сегодня хотим поделиться нашим путем по внедрению ИИ-сервисов на платформе контейнеризации.

https://habr.com/ru/companies/dbraincloud/articles/1017040/

#искусственный_интеллект #ai #ии_и_машинное_обучение #машинное_обучение #контейнеры #контейнеризация #kubernetes #нейросети #нейронные_сети #dbrain

Разворачиваем ИИ в контейнерах: опыт интеграции LocalAI и Kubeflow

Привет, Хабр! Мы — команда dBrain.cloud , и сегодня хотим поделиться нашим путем по внедрению ИИ-сервисов на платформе контейнеризации.

https://habr.com/ru/companies/dbraincloud/articles/1017040/

#искусственный_интеллект #ai #ии_и_машинное_обучение #машинное_обучение #контейнеры #контейнеризация #kubernetes #нейросети #нейронные_сети #dbrain

Для создания AGI нам нужно сделать шаг назад

Современные языковые модели демонстрируют отличные способности к рассуждению, но при этом остаются инструментами. У инструмента нет выбора. В основе LLM лежит предсказание следующего токена. В основе агентных систем — оптимизация внешней целевой функции. В обоих случаях цель задана извне. Система не имеет права её пересмотреть. Вы в праве сказать, что содержание статьи — это одна большая глупость, но я хочу предложить альтернативу. «Сознание» возникает не из сложности и объёма вычислений, а из архитектуры, где «Я» — не метафора в промте, а функциональный компонент системы. Нам необходимо построить субъектность с нуля.

https://habr.com/ru/articles/1016478/

#мозг #нейронные_сети #agi #ai #ииагенты #нейробиология #сознание #субъектность #агент_эго #нейронные_связи

[Перевод] Как подбирать аугментации: гипотезы, протокол и метрики

Новый пайплайн аугментаций редко собирается за один раз: базовые кропы и отражения, потом куски из старых проектов, статей и соревнований — и в какой-то момент уже много трансформаций, а ясной логики выбора нет. Статья про то, как к этому подойти системно: зачем конкретная трансформация, что она симулирует, насколько сильно её включать и какое допущение о данных она закладывает. Ключевая мысль: аугментация — явное утверждение о том, какие вариации не должны менять смысл метки. Отсюда проще решать, что оставить и что убрать, и отличить реальную пользу от ситуации, когда обучение просто стало шумнее. Без «волшебной таблетки»: не готовая формула, а интуиция, ментальная модель и пошаговый протокол для реальных систем. Внутри — инженерный взгляд, два уровня, пайплайн в семь шагов, настройка силы и бюджета, продвинутые приёмы, диагностика и метрики, признаки вреда, автопоиск, выкат и примеры. Исходный гайд в документации . (Документация)[ https://albumentations.ai/docs/ ] Репозиторий Albumentations — открытая библиотека аугментаций изображений (15k+ звёзд на GitHub, 140M+ загрузок).

https://habr.com/ru/articles/1016172/

#computer_vision #deep_learning #machine_learning #albumentations #нейронные_сети #data_augmentation #image_augmentation #аугментация_изображений #машинное_обучение #компьютерное_зрение

Я сделала 268 презентаций для кино и вот почему ChatGPT не напишет ни единого слова в них

Я работала продюсером сериалов на ТНТ 17 лет — прошла путь от ассистента генерального продюсера до руководителя отдела производства сериалов. За это время я видела сотни историй — невероятных, живых, настоящих. И столько же презентаций к ним, от которых у меня буквально лилась кровь из глаз. Авторы приходили с сильным материалом. Сценарий цеплял, персонажи дышали, конфликт был настоящим. А потом открывалась презентация — и всё тонуло в безликих слайдах. Текст без позиции, картинки из фотостока, структура как у школьного реферата. Я пошла учиться дизайну — с нуля, потому что не умела ничего, кроме продюсирования. Зато за плечами была художественная школа из детства, глубокое понимание индустрии изнутри и чёткое ощущение, чего не хватает рынку. Так появился человек, которого можно описать одной фразой: продюсер, который страдал от чужих плохих презентаций — и решил делать их сам. Нейросети изменили производство: Midjourney, Reve, Nano Banana, ChatGPT — теперь это рабочий стек. Но как именно они встроены в процесс и где человеческое мышление незаменимо — про это почти никто не рассказывает. Вот как это выглядит изнутри.

https://habr.com/ru/articles/1014416/

#искусственный_интеллект #презентация #презентации #графический_дизайн #графические_редакторы #графика #нейросети #нейросеть #нейронные_сети #нейронная_сеть

Stable Diffusion XL: так ли сложно использовать локальную модель?

Когда звучит фраза «нарисовать картинку нейросетью», под этим обычно подразумевается отправка запроса в какой-нибудь условно-бесплатный сервис вроде Nano Banana или ChatGPT. Еще можно заплатить за подписку на Midjourney и смириться с тем, что твои промпты видит вся дискорд-галерея. Есть, конечно, и еще один путь — поднять открытую модель вроде Stable Diffusion на собственном компьютере, однако для большинства пользователей он всё ещё ощущается как «очень сложно» или «очень дорого». Книга, о которой мы хотим сегодня рассказать, решает как минимум первую проблему. И как же именно?

https://habr.com/ru/companies/bhv_publishing/articles/1014232/

#ИИ #AI #ml #artificial_intelligence #stablediffusion #stable_diffusion #stable_diffusion_нейросеть #нейронные_сети #нейросети #генерация_изображений

Stable Diffusion XL: так ли сложно использовать локальную модель?

Когда звучит фраза «нарисовать картинку нейросетью», под этим обычно подразумевается отправка запроса в какой-нибудь условно-бесплатный сервис вроде Nano Banana или ChatGPT. Еще можно заплатить за подписку на Midjourney и смириться с тем, что твои промпты видит вся дискорд-галерея. Есть, конечно, и еще один путь — поднять открытую модель вроде Stable Diffusion на собственном компьютере, однако для большинства пользователей он всё ещё ощущается как «очень сложно» или «очень дорого». Книга, о которой мы хотим сегодня рассказать, решает как минимум первую проблему. И как же именно?

https://habr.com/ru/companies/bhv_publishing/articles/1014232/

#ИИ #AI #ml #artificial_intelligence #stablediffusion #stable_diffusion #stable_diffusion_нейросеть #нейронные_сети #нейросети #генерация_изображений

Stable Diffusion XL: так ли сложно использовать локальную модель?

Когда звучит фраза «нарисовать картинку нейросетью», под этим обычно подразумевается отправка запроса в какой-нибудь условно-бесплатный сервис вроде Nano Banana или ChatGPT. Еще можно заплатить за подписку на Midjourney и смириться с тем, что твои промпты видит вся дискорд-галерея. Есть, конечно, и еще один путь — поднять открытую модель вроде Stable Diffusion на собственном компьютере, однако для большинства пользователей он всё ещё ощущается как «очень сложно» или «очень дорого». Книга, о которой мы хотим сегодня рассказать, решает как минимум первую проблему. И как же именно?

https://habr.com/ru/companies/bhv_publishing/articles/1014232/

#ИИ #AI #ml #artificial_intelligence #stablediffusion #stable_diffusion #stable_diffusion_нейросеть #нейронные_сети #нейросети #генерация_изображений

Stable Diffusion XL: так ли сложно использовать локальную модель?

Когда звучит фраза «нарисовать картинку нейросетью», под этим обычно подразумевается отправка запроса в какой-нибудь условно-бесплатный сервис вроде Nano Banana или ChatGPT. Еще можно заплатить за подписку на Midjourney и смириться с тем, что твои промпты видит вся дискорд-галерея. Есть, конечно, и еще один путь — поднять открытую модель вроде Stable Diffusion на собственном компьютере, однако для большинства пользователей он всё ещё ощущается как «очень сложно» или «очень дорого». Книга, о которой мы хотим сегодня рассказать, решает как минимум первую проблему. И как же именно?

https://habr.com/ru/companies/bhv_publishing/articles/1014232/

#ИИ #AI #ml #artificial_intelligence #stablediffusion #stable_diffusion #stable_diffusion_нейросеть #нейронные_сети #нейросети #генерация_изображений

[Перевод] Как Amazon обогнала NVIDIA на три дня — и, возможно, изменила будущее ИИ-железа

Через несколько минут после публикации этой статьи NVIDIA представит то, что ещё недавно считалось бы первым в отрасли: разделённое (disaggregated) аппаратное решение для ИИ. Но Amazon на этот раз оказалась быстрее. Она представила свою версию этого нового форм-фактора за несколько дней до анонса Дженсена Хуанга. Форм-фактора, который, по моему убеждению, меняет парадигму ИИ-оборудования. Чтобы мой энтузиазм не выглядел голословным, цель этой статьи — объяснить, что это такое, как повлияет на рынки и как с помощью этого понимания можно предсказать аппаратные дорожные карты NVIDIA, AMD и гиперскейлеров, а также логику их решений по цепочкам поставок. Вот как это работает — и почему открывает новую эру в железе.

https://habr.com/ru/companies/bothub/articles/1011608/

#ии #нейросети #нейронные_сети #ai #gpu #gpu_вычисления #amazon #nvidia

[Перевод] Как Amazon обогнала NVIDIA на три дня — и, возможно, изменила будущее ИИ-железа

Через несколько минут после публикации этой статьи NVIDIA представит то, что ещё недавно считалось бы первым в отрасли: разделённое (disaggregated) аппаратное решение для ИИ. Но Amazon на этот раз оказалась быстрее. Она представила свою версию этого нового форм-фактора за несколько дней до анонса Дженсена Хуанга. Форм-фактора, который, по моему убеждению, меняет парадигму ИИ-оборудования. Чтобы мой энтузиазм не выглядел голословным, цель этой статьи — объяснить, что это такое, как повлияет на рынки и как с помощью этого понимания можно предсказать аппаратные дорожные карты NVIDIA, AMD и гиперскейлеров, а также логику их решений по цепочкам поставок. Вот как это работает — и почему открывает новую эру в железе.

https://habr.com/ru/companies/bothub/articles/1011608/

#ии #нейросети #нейронные_сети #ai #gpu #gpu_вычисления #amazon #nvidia

[Перевод] Как Amazon обогнала NVIDIA на три дня — и, возможно, изменила будущее ИИ-железа

Через несколько минут после публикации этой статьи NVIDIA представит то, что ещё недавно считалось бы первым в отрасли: разделённое (disaggregated) аппаратное решение для ИИ. Но Amazon на этот раз оказалась быстрее. Она представила свою версию этого нового форм-фактора за несколько дней до анонса Дженсена Хуанга. Форм-фактора, который, по моему убеждению, меняет парадигму ИИ-оборудования. Чтобы мой энтузиазм не выглядел голословным, цель этой статьи — объяснить, что это такое, как повлияет на рынки и как с помощью этого понимания можно предсказать аппаратные дорожные карты NVIDIA, AMD и гиперскейлеров, а также логику их решений по цепочкам поставок. Вот как это работает — и почему открывает новую эру в железе.

https://habr.com/ru/companies/bothub/articles/1011608/

#ии #нейросети #нейронные_сети #ai #gpu #gpu_вычисления #amazon #nvidia

[Перевод] Как Amazon обогнала NVIDIA на три дня — и, возможно, изменила будущее ИИ-железа

Через несколько минут после публикации этой статьи NVIDIA представит то, что ещё недавно считалось бы первым в отрасли: разделённое (disaggregated) аппаратное решение для ИИ. Но Amazon на этот раз оказалась быстрее. Она представила свою версию этого нового форм-фактора за несколько дней до анонса Дженсена Хуанга. Форм-фактора, который, по моему убеждению, меняет парадигму ИИ-оборудования. Чтобы мой энтузиазм не выглядел голословным, цель этой статьи — объяснить, что это такое, как повлияет на рынки и как с помощью этого понимания можно предсказать аппаратные дорожные карты NVIDIA, AMD и гиперскейлеров, а также логику их решений по цепочкам поставок. Вот как это работает — и почему открывает новую эру в железе.

https://habr.com/ru/companies/bothub/articles/1011608/

#ии #нейросети #нейронные_сети #ai #gpu #gpu_вычисления #amazon #nvidia

[Перевод] Аугментации изображений: как улучшить качество моделей без новых данных

Аугментация данных — один из самых мощных инструментов улучшения качества моделей машинного обучения. В компьютерном зрении она почти всегда критична: без неё модели быстро переобучаются и плохо обобщаются. Но на практике её часто используют поверхностно: «добавим флип, поворот и color jitter». В этой статье разбираем аугментации глубже: — два режима аугментаций (in-distribution и out-of-distribution) — почему нереалистичные трансформации могут улучшать обобщающую способность — когда аугментации начинают вредить — как строить устойчивый пайплайн аугментаций Материал основан на ~10 годах практики обучения моделей компьютерного зрения (на работе, при написании научных статей, в ML соревнованиях) и ~7 годах разработки библиотеки Albumentations.

https://habr.com/ru/articles/1008560/

#computer_vision #deep_learning #machine_learning #albumentations #нейронные_сети #data_augmentation #image_augmentation #аугментации_изображений #машинное_обучение #компьютерное_зрение

Смена парадигм в нейрофизиологии: от рефлекторной машины к самоорганизующейся системе

Нейрофизиология долгое время развивалась в рамках представления о мозге как о системе передачи сигналов. Нейрон в такой модели рассматривался как элемент электрической цепи, а нервная система — как сложная сеть проводников, по которым распространяются импульсы. Подобная картина хорошо соответствовала открытиям XIX–XX веков, когда были описаны потенциалы действия, синаптическая передача и основные принципы нейронной связи. Однако по мере накопления экспериментальных данных стало очевидно, что эта модель не объясняет многих особенностей реальной мозговой активности. Исследования последних десятилетий показывают, что нервная система обладает собственной динамикой, способной генерировать сложные формы активности даже при отсутствии внешних стимулов. Это постепенно приводит к пересмотру классических представлений о работе мозга и формированию более сложной системной картины нейронных процессов.

https://habr.com/ru/articles/1008302/

#мозг #нейрофизиология #нейронаука #нейромедиаторы #нейромодуляция #нейроны #нейронные_сети #естествознание #читальный_зал #научнопопулярное

Цифровая муха сделала первый шаг: как Eon Systems загрузил биологический мозг в симуляцию и почему на очереди — человек

Сегодня технологический мир обсуждает не очередную большую языковую модель, а микроскопическое насекомое в виртуальной среде. 6 марта 2026 года стартап из Сан-Франциско Eon Systems объявил о создании первой в мире полноценной эмуляции мозга плодовой мушки (Drosophila melanogaster), подключенной к физически симулированному телу. Загруженный в компьютер коннектом из 125 тысяч нейронов и 50 миллионов синапсов начал самостоятельно управлять виртуальным телом в гравитационной среде, совершая осмысленные движения — от ходьбы до умывания — без единой строчки кода, предписывающей ему, как именно нужно двигаться. Эмуляция мозга дрозофилы в физическом симуляторе

https://habr.com/ru/articles/1008060/

#цифровое_бессмертие #нейробиология #мозг #коннектом #симуляция_жизни #трансгуманизм #сознание #нейронные_сети #нейронные_связи #цифровой_двойник

Цифровая муха сделала первый шаг: как Eon Systems загрузил биологический мозг в симуляцию и почему на очереди — человек

Сегодня технологический мир обсуждает не очередную большую языковую модель, а микроскопическое насекомое в виртуальной среде. 6 марта 2026 года стартап из Сан-Франциско Eon Systems объявил о создании первой в мире полноценной эмуляции мозга плодовой мушки (Drosophila melanogaster), подключенной к физически симулированному телу. Загруженный в компьютер коннектом из 125 тысяч нейронов и 50 миллионов синапсов начал самостоятельно управлять виртуальным телом в гравитационной среде, совершая осмысленные движения — от ходьбы до умывания — без единой строчки кода, предписывающей ему, как именно нужно двигаться. Эмуляция мозга дрозофилы в физическом симуляторе

https://habr.com/ru/articles/1008060/

#цифровое_бессмертие #нейробиология #мозг #коннектом #симуляция_жизни #трансгуманизм #сознание #нейронные_сети #нейронные_связи #цифровой_двойник

Цифровая муха сделала первый шаг: как Eon Systems загрузил биологический мозг в симуляцию и почему на очереди — человек

Сегодня технологический мир обсуждает не очередную большую языковую модель, а микроскопическое насекомое в виртуальной среде. 6 марта 2026 года стартап из Сан-Франциско Eon Systems объявил о создании первой в мире полноценной эмуляции мозга плодовой мушки (Drosophila melanogaster), подключенной к физически симулированному телу. Загруженный в компьютер коннектом из 125 тысяч нейронов и 50 миллионов синапсов начал самостоятельно управлять виртуальным телом в гравитационной среде, совершая осмысленные движения — от ходьбы до умывания — без единой строчки кода, предписывающей ему, как именно нужно двигаться. Эмуляция мозга дрозофилы в физическом симуляторе

https://habr.com/ru/articles/1008060/

#цифровое_бессмертие #нейробиология #мозг #коннектом #симуляция_жизни #трансгуманизм #сознание #нейронные_сети #нейронные_связи #цифровой_двойник

Часть 3: Архитектура нейросети для распознавания голосовых команд

def get_features_all(y, sr): """ Получаем различные параметры аудио которые в сумме дадут уникальный набор признаков """ # Частота цветности chst = librosa.feature.chroma_stft(y=y, sr=sr) # Среднеквадратичные колебания (энергия сигнала) rmse = librosa.feature.rms(y=y) # Пересечения нуля (частота смены знака сигнала) zcr = librosa.feature.zero_crossing_rate(y) # Центр масс звука (спектральный центр) spe_c = librosa.feature.spectral_centroid(y=y, sr=sr) # Ширина полосы частот spe_b = librosa.feature.spectral_bandwidth(y=y, sr=sr) # Спектральный спад частоты rol = librosa.feature.spectral_rolloff(y=y, sr=sr) # Значимые для обработки частоты (MFCC) mfcc = librosa.feature.mfcc(y=y, sr=SR, n_mfcc=50, n_mels=50, hop_length=1024) return chst, rmse, zcr, spe_c, spe_b, rol, mfcc

https://habr.com/ru/articles/1005320/

#искусственный_интеллект #исследование #исходный_код #нейронные_сети #CNN #распознавание_голоса #обработка_аудио #умный_дом #Python #MFCC

Нейропокалипсис отменяется. Почему угроза со стороны ИИ это коллективная иллюзия?

Интеллект человека веками преподносился как великая ценность, отделяющая нас от животных. Он был силой, ограниченной личными возможностями каждого. Но что, если мы никогда и не были умны? А виденье собственной исключительности прямо сейчас превращается в пыль, которую сдувают куллеры новых дата-центров. Стоит ли бояться Бога из Машины, и почему нет? Загрузить данные в мозг

https://habr.com/ru/articles/1004846/

#искусственный_интеллект #сингулярность #трансгуманизм #интеллект #нейронные_сети #общий_искусственный_интеллект #искусственный_общий_интеллект #сверхинтеллект #искусственный_сверхинтеллект #бог_из_машины

Мозг вместо процессора: нейроморфный компьютер и сложные уравнения

Вычислительные машины проделали долгий путь «эволюции» от устройств, занимающий целые комнаты, до носимых гаджетов. При этом разительное изменение присутствует не только в габаритах, но и в вычислительной мощности. То, что казалось невозможным для первых компьютеров, стало обыденностью для современных. Однако далеко не все вычисления могут быть выполнены на обычных ПК, которые есть практически в каждом доме. Для некоторых требуются суперкомпьютеры, которые не только больше, мощнее и быстрее, но и более требовательные в рамках энергопотребления. Группа ученых из Сандийских национальных лабораторий (США) разработали новый нейроморфный компьютер, которые имитирует структуру и работу мозга человека и способен решать сложные уравнения, лежащие в основе физических симуляций — то, что ранее считалось возможным только для энергоемких суперкомпьютеров. Из чего сделан этот компьютер, каков принцип его работы, и насколько он умен? Ответы на эти вопросы мы найдем в докладе ученых.

https://habr.com/ru/companies/ua-hosting/articles/1000310/

#нейроморфные_компьютеры #мозг #вычисления #математика #нейронные_сети #алгоритмы #суперкомпьютеры #решатели #энергоэффективность #энергопотребление

Мозг вместо процессора: нейроморфный компьютер и сложные уравнения

Вычислительные машины проделали долгий путь «эволюции» от устройств, занимающий целые комнаты, до носимых гаджетов. При этом разительное изменение присутствует не только в габаритах, но и в вычислительной мощности. То, что казалось невозможным для первых компьютеров, стало обыденностью для современных. Однако далеко не все вычисления могут быть выполнены на обычных ПК, которые есть практически в каждом доме. Для некоторых требуются суперкомпьютеры, которые не только больше, мощнее и быстрее, но и более требовательные в рамках энергопотребления. Группа ученых из Сандийских национальных лабораторий (США) разработали новый нейроморфный компьютер, которые имитирует структуру и работу мозга человека и способен решать сложные уравнения, лежащие в основе физических симуляций — то, что ранее считалось возможным только для энергоемких суперкомпьютеров. Из чего сделан этот компьютер, каков принцип его работы, и насколько он умен? Ответы на эти вопросы мы найдем в докладе ученых.

https://habr.com/ru/companies/ua-hosting/articles/1000310/

#нейроморфные_компьютеры #мозг #вычисления #математика #нейронные_сети #алгоритмы #суперкомпьютеры #решатели #энергоэффективность #энергопотребление

Мозг вместо процессора: нейроморфный компьютер и сложные уравнения

Вычислительные машины проделали долгий путь «эволюции» от устройств, занимающий целые комнаты, до носимых гаджетов. При этом разительное изменение присутствует не только в габаритах, но и в вычислительной мощности. То, что казалось невозможным для первых компьютеров, стало обыденностью для современных. Однако далеко не все вычисления могут быть выполнены на обычных ПК, которые есть практически в каждом доме. Для некоторых требуются суперкомпьютеры, которые не только больше, мощнее и быстрее, но и более требовательные в рамках энергопотребления. Группа ученых из Сандийских национальных лабораторий (США) разработали новый нейроморфный компьютер, которые имитирует структуру и работу мозга человека и способен решать сложные уравнения, лежащие в основе физических симуляций — то, что ранее считалось возможным только для энергоемких суперкомпьютеров. Из чего сделан этот компьютер, каков принцип его работы, и насколько он умен? Ответы на эти вопросы мы найдем в докладе ученых.

https://habr.com/ru/companies/ua-hosting/articles/1000310/

#нейроморфные_компьютеры #мозг #вычисления #математика #нейронные_сети #алгоритмы #суперкомпьютеры #решатели #энергоэффективность #энергопотребление

Мозг вместо процессора: нейроморфный компьютер и сложные уравнения

Вычислительные машины проделали долгий путь «эволюции» от устройств, занимающий целые комнаты, до носимых гаджетов. При этом разительное изменение присутствует не только в габаритах, но и в вычислительной мощности. То, что казалось невозможным для первых компьютеров, стало обыденностью для современных. Однако далеко не все вычисления могут быть выполнены на обычных ПК, которые есть практически в каждом доме. Для некоторых требуются суперкомпьютеры, которые не только больше, мощнее и быстрее, но и более требовательные в рамках энергопотребления. Группа ученых из Сандийских национальных лабораторий (США) разработали новый нейроморфный компьютер, которые имитирует структуру и работу мозга человека и способен решать сложные уравнения, лежащие в основе физических симуляций — то, что ранее считалось возможным только для энергоемких суперкомпьютеров. Из чего сделан этот компьютер, каков принцип его работы, и насколько он умен? Ответы на эти вопросы мы найдем в докладе ученых.

https://habr.com/ru/companies/ua-hosting/articles/1000310/

#нейроморфные_компьютеры #мозг #вычисления #математика #нейронные_сети #алгоритмы #суперкомпьютеры #решатели #энергоэффективность #энергопотребление

[Перевод] Самая большая ложь об ИИ

В своём знаменитом эссе Machines of Loving Grace Дарио Амодеи , сооснователь и CEO одной из самых влиятельных ИИ-лабораторий в мире, Anthropic , сказал следующее: «Я не уверен, что ИИ может решить проблемы неравенства и экономического роста». И, как ни странно, он не только проявляет замечательную прозорливость, но может непреднамеренно усугублять проблему, поскольку компания установила новый рекорд повышения цен со своим новым «Быстрым режимом», который стоит ошеломляющие $150 за миллион выходных токенов — буквально более чем в десять раз дороже большинства альтернатив и совершенно недоступен для большинства людей. Сегодня мы развенчиваем миф о том, что передовой ИИ ни дёшев, ни становится дешевле, объясняя, почему это на самом деле не «вина» ИИ-лабораторий, истинную и тревожную причину того, почему цены не падают, и последствия, которые это, как я скромно полагаю, имеет для общества.

https://habr.com/ru/companies/bothub/articles/996072/

#ии #нейросети #нейронные_сети #машинное+обучение #ai #anthropic_claude

PyTorch vs TensorFlow: что выбрать для deep learning в 2026 году

Выбор фреймворка для глубокого обучения — это стратегическое решение, влияющее на скорость разработки, стоимость и масштабируемость. Правило «PyTorch — для исследований, TensorFlow — для продакшена» больше не работает. К 2026 году оба фреймворка активно заимствуют лучшее друг у друга: PyTorch наращивает промышленные возможности (TorchServe, ExecuTorch), а TensorFlow с Keras 3 становится гибче для исследований. Согласно опросу Stack Overflow Developer Survey 2024 , PyTorch (10,6%) и TensorFlow (10,1%) находились примерно на одной отметке по частоте использования у разработчиков, а в исследовательских и AI-first-компаниях уверенно лидирует PyTorch . Но есть нюансы. Разобраться в особенностях фреймворков →

https://habr.com/ru/companies/netologyru/articles/995500/

#pytorch #tensorflow #глубокое_обучение #установка_окружения #MNIST #keras #тензоры #deep_learning #цикл_обучения #нейронные_сети

PyTorch vs TensorFlow: что выбрать для deep learning в 2026 году

Выбор фреймворка для глубокого обучения — это стратегическое решение, влияющее на скорость разработки, стоимость и масштабируемость. Правило «PyTorch — для исследований, TensorFlow — для продакшена» больше не работает. К 2026 году оба фреймворка активно заимствуют лучшее друг у друга: PyTorch наращивает промышленные возможности (TorchServe, ExecuTorch), а TensorFlow с Keras 3 становится гибче для исследований. Согласно опросу Stack Overflow Developer Survey 2024 , PyTorch (10,6%) и TensorFlow (10,1%) находились примерно на одной отметке по частоте использования у разработчиков, а в исследовательских и AI-first-компаниях уверенно лидирует PyTorch . Но есть нюансы. Разобраться в особенностях фреймворков →

https://habr.com/ru/companies/netologyru/articles/995500/

#pytorch #tensorflow #глубокое_обучение #установка_окружения #MNIST #keras #тензоры #deep_learning #цикл_обучения #нейронные_сети

PyTorch vs TensorFlow: что выбрать для deep learning в 2026 году

Выбор фреймворка для глубокого обучения — это стратегическое решение, влияющее на скорость разработки, стоимость и масштабируемость. Правило «PyTorch — для исследований, TensorFlow — для продакшена» больше не работает. К 2026 году оба фреймворка активно заимствуют лучшее друг у друга: PyTorch наращивает промышленные возможности (TorchServe, ExecuTorch), а TensorFlow с Keras 3 становится гибче для исследований. Согласно опросу Stack Overflow Developer Survey 2024 , PyTorch (10,6%) и TensorFlow (10,1%) находились примерно на одной отметке по частоте использования у разработчиков, а в исследовательских и AI-first-компаниях уверенно лидирует PyTorch . Но есть нюансы. Разобраться в особенностях фреймворков →

https://habr.com/ru/companies/netologyru/articles/995500/

#pytorch #tensorflow #глубокое_обучение #установка_окружения #MNIST #keras #тензоры #deep_learning #цикл_обучения #нейронные_сети

PyTorch vs TensorFlow: что выбрать для deep learning в 2026 году

Выбор фреймворка для глубокого обучения — это стратегическое решение, влияющее на скорость разработки, стоимость и масштабируемость. Правило «PyTorch — для исследований, TensorFlow — для продакшена» больше не работает. К 2026 году оба фреймворка активно заимствуют лучшее друг у друга: PyTorch наращивает промышленные возможности (TorchServe, ExecuTorch), а TensorFlow с Keras 3 становится гибче для исследований. Согласно опросу Stack Overflow Developer Survey 2024 , PyTorch (10,6%) и TensorFlow (10,1%) находились примерно на одной отметке по частоте использования у разработчиков, а в исследовательских и AI-first-компаниях уверенно лидирует PyTorch . Но есть нюансы. Разобраться в особенностях фреймворков →

https://habr.com/ru/companies/netologyru/articles/995500/

#pytorch #tensorflow #глубокое_обучение #установка_окружения #MNIST #keras #тензоры #deep_learning #цикл_обучения #нейронные_сети

[Перевод] Гиперсети: нейронные сети для обработки иерархических данных

С точки зрения нейронных сетей мир плоский. Иерархические данные напоминают, что это не так. Работа нейронных сетей неотделима от допущения, что всего одна функция отображает вводные данные на выходные. Но в реальных условиях данные редко вписываются в такие рамки. Допустим, есть клиническое исследование, проводимое сразу в нескольких больницах. Лекарство одно и то же, но отличаются популяции пациентов, процедуры и порядок ведения записей. В таких случаях наблюдения группируются в разные датасеты , каждый из которых управляется скрытыми параметрами. Стандартные нейронные сети в таких условиях жёстко сбоят. Обучите одну модель сразу на всех датасетах — и она расфокусируется из-за различий, станет усреднять функции, которые усреднять не следует. Натренируйте по модели на каждом из датасетов — и получите переобучение, в особенности, если датасеты будут маленькими. Такие обходные манёвры как задействовать статические векторные представления (эмбеддинги) или постоянно наращивать размер сети в сущности не решают ключевую проблему: система запоминает причуды сети, не моделируя её структуру, складывающуюся на уровне датасета. А ведь именно эта структура — залог качественных результатов.

https://habr.com/ru/articles/995346/

#нейронные_сети #статистика #машинное_обучение #Python #Keras #байесовский_подход

[Перевод] Гиперсети: нейронные сети для обработки иерархических данных

С точки зрения нейронных сетей мир плоский. Иерархические данные напоминают, что это не так. Работа нейронных сетей неотделима от допущения, что всего одна функция отображает вводные данные на выходные. Но в реальных условиях данные редко вписываются в такие рамки. Допустим, есть клиническое исследование, проводимое сразу в нескольких больницах. Лекарство одно и то же, но отличаются популяции пациентов, процедуры и порядок ведения записей. В таких случаях наблюдения группируются в разные датасеты , каждый из которых управляется скрытыми параметрами. Стандартные нейронные сети в таких условиях жёстко сбоят. Обучите одну модель сразу на всех датасетах — и она расфокусируется из-за различий, станет усреднять функции, которые усреднять не следует. Натренируйте по модели на каждом из датасетов — и получите переобучение, в особенности, если датасеты будут маленькими. Такие обходные манёвры как задействовать статические векторные представления (эмбеддинги) или постоянно наращивать размер сети в сущности не решают ключевую проблему: система запоминает причуды сети, не моделируя её структуру, складывающуюся на уровне датасета. А ведь именно эта структура — залог качественных результатов.

https://habr.com/ru/articles/995346/

#нейронные_сети #статистика #машинное_обучение #Python #Keras #байесовский_подход

[Перевод] Гиперсети: нейронные сети для обработки иерархических данных

С точки зрения нейронных сетей мир плоский. Иерархические данные напоминают, что это не так. Работа нейронных сетей неотделима от допущения, что всего одна функция отображает вводные данные на выходные. Но в реальных условиях данные редко вписываются в такие рамки. Допустим, есть клиническое исследование, проводимое сразу в нескольких больницах. Лекарство одно и то же, но отличаются популяции пациентов, процедуры и порядок ведения записей. В таких случаях наблюдения группируются в разные датасеты , каждый из которых управляется скрытыми параметрами. Стандартные нейронные сети в таких условиях жёстко сбоят. Обучите одну модель сразу на всех датасетах — и она расфокусируется из-за различий, станет усреднять функции, которые усреднять не следует. Натренируйте по модели на каждом из датасетов — и получите переобучение, в особенности, если датасеты будут маленькими. Такие обходные манёвры как задействовать статические векторные представления (эмбеддинги) или постоянно наращивать размер сети в сущности не решают ключевую проблему: система запоминает причуды сети, не моделируя её структуру, складывающуюся на уровне датасета. А ведь именно эта структура — залог качественных результатов.

https://habr.com/ru/articles/995346/

#нейронные_сети #статистика #машинное_обучение #Python #Keras #байесовский_подход

[Перевод] Гиперсети: нейронные сети для обработки иерархических данных

С точки зрения нейронных сетей мир плоский. Иерархические данные напоминают, что это не так. Работа нейронных сетей неотделима от допущения, что всего одна функция отображает вводные данные на выходные. Но в реальных условиях данные редко вписываются в такие рамки. Допустим, есть клиническое исследование, проводимое сразу в нескольких больницах. Лекарство одно и то же, но отличаются популяции пациентов, процедуры и порядок ведения записей. В таких случаях наблюдения группируются в разные датасеты , каждый из которых управляется скрытыми параметрами. Стандартные нейронные сети в таких условиях жёстко сбоят. Обучите одну модель сразу на всех датасетах — и она расфокусируется из-за различий, станет усреднять функции, которые усреднять не следует. Натренируйте по модели на каждом из датасетов — и получите переобучение, в особенности, если датасеты будут маленькими. Такие обходные манёвры как задействовать статические векторные представления (эмбеддинги) или постоянно наращивать размер сети в сущности не решают ключевую проблему: система запоминает причуды сети, не моделируя её структуру, складывающуюся на уровне датасета. А ведь именно эта структура — залог качественных результатов.

https://habr.com/ru/articles/995346/

#нейронные_сети #статистика #машинное_обучение #Python #Keras #байесовский_подход

В 3 ночи мой бот уверенно перепутал «колики» и «голод». Я всё равно его выпустил — и вот почему

Я сделал Telegram-бота, который по короткому фрагменту детского плача (в MVP беру 5 секунд) пытается угадать причину из 6 классов и быстро вернуть ответ. Это не диагностика: бот может ошибаться, а шум и контекст ломают предсказание сильнее, чем хочется.​

https://habr.com/ru/articles/992782/

#telegramбот_в_облаке #Машинное_обучение #Audio_ML #Классификация #Нейронные_сети #Supabase

Топ-10 бесплатных нейросетей для генерации изображений: лучшие AI генераторы 2026 года

Помните те славные времена, когда мы смеялись над Уиллом Смитом, поедающим спагетти, и считали количество пальцев на руках у сгенерированных девушек? Кажется, это было в прошлой жизни. Сегодня нейросети научились не только рисовать правильное количество конечностей, но и писать текст без ошибок, соблюдать сложные композиции и выдавать фотореализм такого уровня, что стоковым фотографам впору искать курсы переквалификации. Но вместе с качеством пришла и проблема выбора. Если еще год назад ответ на вопрос «Где сделать красиво?» был один - Midjourney, то сейчас трон шатается. С одной стороны подпирает дерзкий опенсорсный. С другой - Nano Banano, который научился писать текст на картинках лучше, чем некоторые дизайнеры. А где-то в углу тихо плачет DALL-E. Сегодня мы не будем перечислять все сто пятьдесят сервисов, появившихся за последнюю неделю. Мы отобрали 12 тяжеловесов , которые претендуют на звание лучшего генератора 2026 года. Чтобы проверить интеллект этих моделей по-настоящему, я придумал максимально странный, сюрреалистичный и сложный запрос. Мы заставим нейросети страдать, смешивая несовместимые текстуры и логику. Итак, наш единый тестовый промпт для всех участников:

https://habr.com/ru/companies/bothub/articles/992528/

#ии #нейросети #нейронные_сети #машинное+обучение #ai #openai #grok #gemini #google #nano_banana

SoftMax: как нейросети превращают сырые числа в уверенные вероятности — разбор с примерами и математикой

В реальности всё полно оттенков: ничего чисто чёрного или белого, то же в машинном обучении, тк решения редко бывают абсолютными. Возьмём задачу: нейросеть анализирует фото еды и определяет, это пицца, суши или салат. Для двух классов хватит сигмоиды, но с несколькими нужна функция, которая раздаст вероятности по всем вариантам, чтобы их сумма была точно 1. Вот где и выходит SoftMax- стандарт для многоклассовой классификации. Сегодня разберём её от А до Я: интуицию, шаги, формулы и хитрости.

https://habr.com/ru/articles/988936/

#softmax #pytorch #функция_активации #backpropagation #deep_learning #нейросети #нейронные_сети #tensorflow #вероятностное_моделирование #функция_потерь

SoftMax: как нейросети превращают сырые числа в уверенные вероятности — разбор с примерами и математикой

В реальности всё полно оттенков: ничего чисто чёрного или белого, то же в машинном обучении, тк решения редко бывают абсолютными. Возьмём задачу: нейросеть анализирует фото еды и определяет, это пицца, суши или салат. Для двух классов хватит сигмоиды, но с несколькими нужна функция, которая раздаст вероятности по всем вариантам, чтобы их сумма была точно 1. Вот где и выходит SoftMax- стандарт для многоклассовой классификации. Сегодня разберём её от А до Я: интуицию, шаги, формулы и хитрости.

https://habr.com/ru/articles/988936/

#softmax #pytorch #функция_активации #backpropagation #deep_learning #нейросети #нейронные_сети #tensorflow #вероятностное_моделирование #функция_потерь

SoftMax: как нейросети превращают сырые числа в уверенные вероятности — разбор с примерами и математикой

В реальности всё полно оттенков: ничего чисто чёрного или белого, то же в машинном обучении, тк решения редко бывают абсолютными. Возьмём задачу: нейросеть анализирует фото еды и определяет, это пицца, суши или салат. Для двух классов хватит сигмоиды, но с несколькими нужна функция, которая раздаст вероятности по всем вариантам, чтобы их сумма была точно 1. Вот где и выходит SoftMax- стандарт для многоклассовой классификации. Сегодня разберём её от А до Я: интуицию, шаги, формулы и хитрости.

https://habr.com/ru/articles/988936/

#softmax #pytorch #функция_активации #backpropagation #deep_learning #нейросети #нейронные_сети #tensorflow #вероятностное_моделирование #функция_потерь