Не знал и забыл
У меня ещё интересней: если слово подсказали я его вспомню но потом опять забуду. А вот если я его умудрился вспомнить сам, то в следующий раз я его уже не забываю.
У меня ещё интересней: если слово подсказали я его вспомню но потом опять забуду. А вот если я его умудрился вспомнить сам, то в следующий раз я его уже не забываю.
Здесь о моих личных теориях про интеллект. О том, что мы являемся интеллектом потому что сами мыслим и понимаем. Обладать интеллектом это иметь внутри себя те качества и свойства которые есть у интеллекта - мыслить и понимать. Но парадокс в том, что если мы не понимание то и понять не сможем.
Я также строю теорию о том, что интеллект не зависит от мозга и нейронов, но для этого нужно чтобы материя из за своей органической субстанции была глупа. Ветер всё же материален, как пример. Его субстанция хоть и невидимая но имеет всякие микроэлементы, в отличие от души, которая невидимая, неощутимая, но кажется именно она понимает. Думаю, так станет проще понимать моё видео.
Ах да, теория ещё не завершена. Например, я ещё не могу точно дать определение внутреннему конфликту и каким образом интеллект себя разрушает.
Буду рада подружится.
До связи.
Учёные из Northwestern University вместе с коллегами разработали новую систему для изучения мозговых органоидов — так называемых мини-мозгов, выращенных из человеческих клеток. Это мягкий трёхмерный электродный каркас, который вначале представляет собой плоскую структуру, а затем самособирается в объёмную форму и почти полностью обволакивает органоид. По данным статьи в Nature Biomedical Engineering, устройство покрывает около 91% поверхности и содержит 240 независимо адресуемых микроэлектродов.
Главная проблема прежних технологий была в том, что они видели только фрагменты активности. Стандартные интерфейсы либо слишком жёсткие, либо покрывают слишком маленькую часть органоида, а значит исследователи не могли понимать, как работает вся сеть нейронов целиком. Новая система решает эту задачу за счёт shape-conformal porous framework: она повторяет форму органоида, остаётся мягкой, проницаемой для питательных веществ и не мешает ткани развиваться. Это позволяет следить за электрической активностью как за единой динамической системой, а не как за набором разрозненных сигналов.
В экспериментах устройство фиксировало волнообразные паттерны активности, распространяющиеся по поверхности органоида, и позволяло проводить локальную стимуляцию с последующим наблюдением реакции всей структуры. Авторы показывают, что система подходит не только для записи сигналов, но и для 3D-реконструкции активности, фармакологических тестов, longitudinal monitoring, оптогенетики и флуоресцентной визуализации. В статье также указано, что такие интерфейсы применялись к кортикальным и спинальным органоидам, а их возможности демонстрируют потенциал для фундаментальной нейронауки, биомедицины и даже направлений, связанных с neural intelligence research.
Для медицины и науки это особенно важно, потому что мозговые органоиды используются для изучения нейроразвития, формирования нейронных цепей, заболеваний нервной системы и персонализированной медицины. Новый интерфейс даёт более полный доступ к тому, как формируются и координируются нейронные сети, а значит может ускорить исследования аутизма, шизофрении, нейродегенеративных заболеваний и тестирования новых терапий. Это уже не просто красивый инженерный эксперимент, а серьёзный шаг к более точному пониманию того, как работает человеческий мозг на ранних стадиях развития.
Нет ничего быстрее развития нейронов чем искусство. Танцы один из самых правильных способов развивать нейроны в голове.
Об этом свидельствуют учёные и нейрофизизиологи.
Мозг все время в работе. И независимо вы сами хотите продолжать развивать свой мозг или развивать ребёнка... это неважно.
В любом возрасте вы оттягиваете дименцию и практикуетесь в танцах для того чтобы лучше решать задачи по математике, писать изложение, изучать физику и тд
Нет больше споров, что важнее математика или искусство. Теперь они дополняют друг друга.
Если не согласны - аргументируйте...
Или согласитесь :)
Кому интересно присоединяйтесь к нашей теплой компании🫂
Заметил, что у многих интересующихся темой ИИ бытует довольно превратное мнение о современных нейросетевых моделях. Особенно это касается LLM. Люди почему-то считают, что это жесткие алгоритмы-попугаи, что в корне неверно. На основе нескольких моих ответов одному уважаемому пикабушнику решил написать кратенький ликбез. Итак, является ли LLM классической компьютерной программой?
И да, и нет. LLM - гибриды. Они содержат программный код: он отвечает за преобразование текста в токены (по сути "импульсы" - которые понимает нейросеть), за преобразование того, что выдала нейросеть обратно в текст, за некоторые другие механизмы. Кроме того, LLM содержат целый клубок взаимосвязанных нейросетей - эту их часть уже нельзя назвать программой, это цифровая модель совокупности аналоговых нейронов. Если вас интересует сама возможность моделирования нейрона на компьютере - можете прочитать про перцептрон, сейчас такие модели стали еще сложнее, больше и изощреннее. Если смотреть еще шире - можно ли вообще моделировать аналоговые процессы математически: да можно. В их основе лежат все те же законы физики, которые прекрасно поддаются математическому описанию. Насколько точно это моделирование? Тут вопрос лишь в тех мощностях, которые вы выделяете под модель.
Как вообще функционируют слои уже обученной нейросети и как это соотносится с тем, что творится у нас в голове? Представьте себе нейрон. Он соединен с тысячами других, но каждое соединение уникально (имеет вес). У одних соединений веса большие, у других маленькие. Если сильно упростить весь процесс - именно так и кодируется долговременная память. Вы думаю знаете, что она у человека во многом "ассоциативная", т.е. каждый объект имеет ассоциацию к некоторому количеству других объектов, те в свою очередь тоже имеют какие-то ассоциации. Именно поэтому, когда у вас в голове всплывает понятие птица, вы "видите" некоторое количество образов, свойств и событий, часть из них ускользает (имеет малый вес), часть наоборот ярко проявляется (веса достаточные для прохождения сигнала): например ворона, летает, хвост, клюв, крылья, вчера синица клевала сало на кормушке. В некотором приближении, это и есть многомерная матрица весов, где каждому "токену" соответствует огромное количество числовых значений, которые показывают близость этого токена к другим на основе определенных свойств (каких - темный лес. Эти категории каким-то образом были "вычислены" при обучении нейросети и понять их структуру так же невозможно, как пытаться понять, каким образом закодирована наша память). Именно в этой части LLM напрочь отсутствуют алгоритмы - есть лишь непонятное "что-то", которое как-то соотносит каждый токен с миллионами других. В этом нейросеть очень похожа на долговременную память человека. Насчет "глюков". Согласитесь — их и у людей более чем достаточно))) Начиная от тех же оптических иллюзий, когда мозгу не удается правильно интерпретировать визуальную информацию, до глупых и абсурдных умозаключений, примеры которых в просто невероятных количествах вы можете при желании найти на этом уважаемом ресурсе.
If the brain were simple enough for us to understand it, we would be too simple to understand it. Ken Hill
Cycle 1: Introduction
Where Does the Brain’s Smartness Come From? (перевод см. ниже)
...One can ask a similar question at the single-component level of the brain, as well: how smart is a neuron? The answer depends on the baseline of the comparison and on the size of the brain the neuron is embedded in, because smartness is a relative judgment. In a very small neuronal network, each neuron is critical, and discernible functions can be assigned to each. In larger brains, the complexity of single neurons tends to be underestimated largely because the relative contribution of a single cell to the complex operation of the network appears small. The ratio of individual and collective “intelligence” decreases radically as the brain size grows. But it is not simply the number of neurons that matters. Instead, it is the connectivity and the connectivity-confined communication that largely determines the share single neurons have in brain computations. It is much like the smartness issue with us humans. Prior to our cultural evolution, as is the case in other animals, there was not much difference between individual and species knowledge. However, with the invention of books, computers, and the Internet, an ever-increasing portion of knowledge has become externalized from individual brains. As a result, the primary carrier of species knowledge is no longer the individual or the collective wisdom of tribe elders (i.e., their brains). Because of technology-enhanced externalization of information, the cumulative knowledge of humankind is constantly growing, whereas the relative share of the average individual, sadly enough, is steadily decreasing. Similarly, the relative smartness of individual neurons decreases with brain growth, despite their preserved or even improved biophysical properties. The reason is that single neurons develop their smartness through their interactions with local peers. With growing brain size, single cells get less and less informed about system level and global decisions. In a strongly interconnected system, such as the mammalian cerebral cortex, changes in a single neuron or neuronal assembly can ripple throughout the entire cortex. However, the impact of the distant effects decreases rapidly as brain size grows due to the expense of maintaining distant connections. The selective and specific response of a single cell, that is, the degree of its “explicit” representation, is not a function of its biophysical or morphological properties but depends largely on its functional connectivity in the network. Thus, there are no smart neurons; their explicitness derives simply from being at the right place at the right time. A special challenge, therefore, is to explain how brain complexity scales with the size of growing networks while still preserving the useful functions of simpler brains.
Если бы мозг был достаточно прост, чтобы мы могли его понять, мы были бы слишком просты, чтобы понять это. Кен Хилл
Цикл 1: Введение
Откуда берется сообразительность мозга?
...Аналогичный вопрос можно задать и на уровне отдельных компонентов мозга: насколько умен нейрон? Ответ зависит от исходных данных сравнения и от размера мозга, в который встроен нейрон, потому что "умный" - это относительное суждение. В очень маленькой нейронной сети каждый нейрон имеет решающее значение, и каждому из них могут быть назначены определенные функции. В мозге больших размеров сложность отдельных нейронов, как правило, недооценивается в основном потому, что относительный вклад отдельной клетки в сложную работу сети кажется незначительным. Соотношение индивидуального и коллективного “интеллекта” радикально уменьшается по мере увеличения размера мозга. Но значение имеет не просто количество нейронов. Вместо этого, доля отдельных нейронов в мозговых вычислениях в значительной степени определяется связностью и коммуникацией, ограниченной связностью. Это очень похоже на проблему сообразительности у нас, людей. До нашей культурной эволюции, как и в случае с другими животными, не было большой разницы между индивидуальными и видовыми знаниями. Однако с изобретением книг, компьютеров и Интернета все большая часть знаний стала исходить из мозга отдельных людей. В результате основным носителем знаний вида больше не является индивидуальная или коллективная мудрость старейшин племени (то есть их мозг). Благодаря технологически усовершенствованной экстернализации информации совокупный объем знаний человечества постоянно растет, в то время как относительная доля знаний среднестатистического человека, как это ни печально, неуклонно снижается. Аналогичным образом, относительная сообразительность отдельных нейронов снижается с ростом мозга, несмотря на их сохраненные или даже улучшенные биофизические свойства. Причина в том, что отдельные нейроны развивают свою сообразительность благодаря взаимодействию с местными аналогами. С увеличением размера мозга отдельные клетки получают все меньше информации о системном уровне и глобальных решениях. В такой тесно взаимосвязанной системе, как кора головного мозга млекопитающих, изменения в одном нейроне или нейронной группе могут распространяться по всей коре головного мозга. Однако влияние отдаленных эффектов быстро уменьшается по мере увеличения размера мозга из-за затрат на поддержание отдаленных связей. Избирательная и специфическая реакция отдельной клетки, то есть степень ее “явной” репрезентации, не зависит от ее биофизических или морфологических свойств, а в значительной степени зависит от ее функциональной связности в сети. Таким образом, умных нейронов не существует; их эксплицитность проистекает просто из того, что они находятся в нужном месте в нужное время. Поэтому особая задача состоит в том, чтобы объяснить, как сложность мозга увеличивается с увеличением размера растущих сетей, сохраняя при этом полезные функции более простого мозга.
Интеллект по своему определению является живой, прозрачной, невидимой энергией, ближе образно к духу, или к душе вне зависимости от синонима который используется к слову интеллект, и в данном списке обозначает одно и тоже. Интеллект можно охарактеризовать личностью, способным себя осознавать и понимать мир, мыслить глубоко со словами или без слов вникая в суть вещей и логику окружающего мира и создавая новые логические связи и нечто совершенно не похожее на ранее. То, что интеллект является чем то невидимым можно понять благодаря существование две субстанции в мире, материальной, которая состоит из разных элементов, например вирусов, бактерий или других элементов которые присоеденяются друг к другу и формилируют новые объекты, также вторая субстанция нематериальная, невидимая. С первого взгляда её не может быть, но постепенно если оглянуться станет заметным как в мире всё выполняет определённые схемы, начиная с законов Вселенной, где двигаются планеты, как солнце влияет на всё, включая землю, как растёт цветок и остальное. Сами процессы логичны, только вот вирусы, бактерии, объекты, элементы - все они бессознательны, неспособные мыслить и иметь свою волю. Значит, они являются механизмом выполняющую чью то роль. Ведь из глупого не может образоваться умное, если есть логика, схемы, большие механизмы и уникальные творения значит причина результата всегда интеллект.
Этот интеллект из ничего впустил разные элементы которые сотворили физическую реальность - деревья, воду, тела для животных, тела для людей, но из за своей физической субстанции не являются интеллектом. Поэтому, интеллект не мог быть создан чем то физическим. Также физическое не может влиять на интеллект; усиливать или ослаблять его. Только интеллект способен сам влиять на себя.
Есть одна проблема, интеллектом несколько в разных телах, и если не мозг их сотворил, то кто тогда. Вариант один, интеллект вместил себя в разные тела, но забыл о своём происхождение, стал считать себя частью мозга и тела тем самым потерял возможность заного научиться влиять на тело и структуры. Вместе с этим состоянием он продолжает себя ограничивать мыслями, если мысль противоречит с определённой ситуацией и он с ней не справляется, интеллект блокируется. На данном этапе он ещё не разрушен, но не способен больше проявить себя - мыслить, решать задачи, творить новое. Когда вместе с этим возникают мысли о необходимости умереть, потеря интереса к изучению, к созданию интеллект начинает проявлять себя на уровне эмоций. Мышление становится таким же как порыв эмоций, иногда он подаётся смеху, грусти или песни в голове и уже не может выйти из них. А кто то может видеть совершенно другой мир, жить в нём, мыслить, но вообще не реагировать на реальность. Это уже другой вид блокировки. Любая проблема в интеллекте из за самого интеллекта, хотя иногда мы называем проблемой интеллекта фиксацией на другую тему и оторваность от реальности, хотя интеллект на своей же мощи, но живёт в иллюзиях, если можно так сказать.
Иногда после такого состояния возникают взрывы и уже начинает слабеть интеллект, он теряет возможность понимать себя или увиденное и постепенно умирает.
Со стороны выглядит это умственно отсталостью, низким интеллектом, но а внутри сильными конфликтами пытающими разрушить интеллект блокируя его. Иногда интеллект проявляет себя решив задачу, но опять блокируется.
Это можно связать с мыслью, что интеллект не зависит от мозга и генетики.
Потому что молекулы которые построили тело и мозг глупы, а значит они не могут создать и влиять на интеллект. Но находясь в теле интеллект уже кажется не сущностью а способностью. Хотя, если задуматься, чтобы чем то или кем то являться нужно иметь характеристики. Если объект выполняет в себе характеристики интеллекта - мыслить и понимать, значит этот объект является интеллектом. Теперь вставим этот объект в мозг животного. Если бы животное обладала интеллектом, оно бы не мыслило. Оно бы просто не понимало что внутри него находится мыслящий и понимающий объект. Но а как же насчёт возможности поднимать части тела? Рука поднимается потому что сигналы мозга позволяют поднимать. Здесь по какой то причине интеллект подчиняется мозгу, поднимает руку если рука согласуется с мозгом. Если мозг не нарушен то телом можно управлять, если же нарушен, то нельзя.
Над этой темой следует задуматься.
Исследователи совершили прорыв в нейробиологии, успешно реконструировав динамичное видео исключительно по активности клеток зрительной коры мыши. Пока животные смотрели черно-белые ролики со спортивной гимнастикой и рестлингом, алгоритм считывал вспышки кальция в восьми тысячах нейронов и покадрово восстанавливал увиденное. Технология достигла беспрецедентной точности: на итоговых кадрах можно различить силуэты людей и контуры предметов. Это приближает науку к пониманию того, как именно мозг искажает физическую реальность.
Реконструкция видео из активности зрительной коры мыши
Слева направо: оригинальные кадры и то, как их «увидел» алгоритм, считав активность нейронов мыши. Авторы: Joel Bauer, Troy W Margrie, Claudia Clopath. Источник: eLife / The Guardian.
На изображении представлены раскадровки: в верхнем ряду показаны оригинальные черно-белые кадры из видеороликов, а в нижнем — размытые, но узнаваемые силуэты, восстановленные искусственным интеллектом исключительно на основе активности нейронов зрительной коры мыши. Авторы: Joel Bauer, Troy W Margrie, Claudia Clopath. Источник: eLife / The Guardian.
Команда нейробиологов под руководством Джоэла Бауэра из Центра Сейнсбери Уэлком при Университетском колледже Лондона (UCL) опубликовала результаты уникального эксперимента. Ученые смогли восстановить десятисекундные видеоролики с частотой 30 кадров в секунду, используя исключительно записи активности клеток зрительной коры живых мышей. Результаты исследования были представлены 10 марта 2026 года в научном журнале eLife.
В ходе эксперимента грызунам показывали черно-белые клипы, на которых люди занимались различными видами спорта, включая спортивную гимнастику, верховую езду и рестлинг. В это время исследователи фиксировали активность мозга животных с помощью двухфотонной кальциевой микроскопии. Этот метод позволяет визуализировать локальные всплески кальция в тканях, точно определяя, какие именно клетки мозга возбуждаются в конкретную долю секунды. Для каждой из десяти мышей, участвовавших в проекте, ученые собрали данные примерно от восьми тысяч отдельных нейронов.
Для расшифровки полученного массива данных применялась динамическая модель нейронного кодирования, изначально созданная для научного соревнования Sensorium 2023. Алгоритм анализировал не только оптические стимулы, но и физиологические параметры мыши, поскольку зрительная кора грызунов сильно реагирует на сторонние факторы. Сопоставив нейронные реакции с видеорядом, система достигла пиксельной корреляции между оригиналом и реконструкцией на уровне 0.57. Это более чем в два раза превышает результаты предыдущих попыток чтения статических изображений из мозга мышей.
В последние годы новости о чтении мыслей появляются регулярно, однако большинство громких прорывов связано с функциональной магнитно-резонансной томографией (фМРТ) человека. Проблема фМРТ заключается в ее низком пространственном и временном разрешении. Томограф фиксирует приток крови к обширным зонам мозга с задержкой в несколько секунд. Чтобы получить из этого красивую картинку, исследователи обычно используют генеративные нейросети вроде Stable Diffusion, которые дорисовывают детали на основе семантического смысла. Иными словами, если мозг человека реагирует на концепцию красной машины, ИИ просто рисует красивую красную машину из своей базы данных, а не то конкретное изображение, которое видят глаза.
Эксперимент британской команды радикально отличается от этого подхода. Ученые не использовали готовые генеративные сети для дорисовки смысла. Они опирались на сырые данные, считывая импульсы отдельных нейронов с частотой восемь герц на площади мозга размером 630 на 630 микрометров. Они напрямую заглянули в операционную систему зрения млекопитающего, а не пытались угадать ассоциации.
При этом ИИ-модели пришлось учитывать крайне специфическую физиологию грызунов. Активность нейронов в первичной зрительной коре мыши сильно зависит от уровня ее возбуждения и физической активности. То, как мышь воспринимает картинку, меняется в зависимости от того, бежит она по беговой дорожке или стоит на месте, а также от диаметра ее зрачка. Алгоритму пришлось интегрировать эти поведенческие переменные в свои вычисления, чтобы отделить чистый визуальный сигнал от моторного шума.
Механика того, как алгоритм достает картинку из мозга, напоминает обратную инженерию восприятия. Ученые не обучали нейросеть напрямую переводить кальциевые вспышки в пиксели. Вместо этого они взяли модель, которая хорошо предсказывает, как поведут себя нейроны при просмотре определенного видео. Затем исследователи подали на вход модели пустой серый экран и заставили ИИ предсказать реакцию нейронов на эту пустоту.
Естественно, предсказанная реакция на серый экран не совпала с реальной записью мозга мыши, смотревшей рестлинг. Тогда алгоритм начал покадрово изменять пиксели серого экрана с помощью метода градиентного спуска. Пиксели корректировались тысячу раз до тех пор, пока виртуальный отклик модели полностью не совпал с физиологической записью из мозга грызуна. Как только математическая ошибка между симуляцией и реальностью свелась к минимуму, на экране из серого шума проступили узнаваемые контуры людей и движущихся объектов.
Чтобы добиться максимальной чистоты изображения, авторы применили метод ансамблирования. Однократный прогон модели давал картинку, переполненную высокочастотным пространственным и временным шумом. Ученые обучили семь независимых версий алгоритма на разных наборах данных, заставили каждую реконструировать видео, а затем усреднили их результаты. Это позволило повысить качество итогового ролика почти на треть.
Исследователи также выяснили, насколько критично количество записываемых клеток. В ходе компьютерной симуляции они попробовали искусственно отключать часть нейронов. Оказалось, что удаление половины из восьми тысяч клеток снижает качество видео лишь на десять процентов. Однако потеря трех четвертей массива обрушивает точность уже на четверть. Это дает ценный ориентир для будущих нейробиологических экспериментов: для стабильного чтения зрительных образов достаточно плотности порядка десяти-двадцати тысяч нейронов на квадратный миллиметр коры.
Хотя восстановленные ролики выглядят зернистыми, они полностью соответствуют физиологическим ограничениям самих животных. Зрение мыши примерно в шесть раз хуже человеческого, поэтому алгоритм физически не мог бы восстановить сверхчеткие детали, которых мозг грызуна просто не регистрирует. Тесты с синтетическим визуальным шумом показали, что модель перестает корректно собирать картинку на высоких пространственных частотах, выходящих за рамки мышиной остроты зрения.
Джоэл Бауэр подчеркивает, что мозг не хранит идеальную попиксельную копию мира. Зрительный тракт искажает и трансформирует картинку, усиливая одни признаки и подавляя другие. Эти отклонения от реальности — не баг, а эволюционная фича, отражающая то, как разум адаптирует сенсорную информацию под задачи выживания.
Успех на животных неизбежно вызывает вопросы о применении технологии к людям. Бауэр смотрит на такую перспективу с осторожностью, отмечая, что если технология сможет реконструировать не только то, что человек видит глазами, но и то, что он воображает, возникнет колоссальная угроза приватности.
Тем не менее для фундаментальной биологии открываются невероятные перспективы. Если система может считывать внутренние образы напрямую из нейронов, в будущем ученые смогут выяснить, что именно видят животные во сне, поддаются ли они человеческим оптическим иллюзиям и какие визуальные искажения они испытывают под воздействием психоделиков. Как отметил Бауэр, эта технология может привести человечество к очень глубокой форме эмпатии по отношению к другим видам, наконец позволив нам научно ответить на классический философский вопрос: каково это — воспринимать мир мозгом другого существа.
В ближайших планах команды — расширение поля зрения при реконструкции. Текущие алгоритмы работают с данными, собранными только с одного участка зрительной коры, что дает эффект узкого замочного окна. В будущем ученые намерены объединить сигналы от обоих глаз животного, чтобы создать панорамную картину его зрительного опыта. Главный же открытый вопрос заключается в том, удастся ли с помощью этого метода отследить, как меняется репрезентация одних и тех же объектов в мозгу по мере того, как животное обучается или переносит фокус своего внимания.
Movie reconstruction from mouse visual cortex activity — eLife, авторы: Joel Bauer, Troy W Margrie, Claudia Clopath
Movie reconstruction from mouse visual cortex activity (Reviewed Preprint) — eLife, авторы: Joel Bauer, Troy W Margrie, Claudia Clopath
Movies reconstructed from mouse brain activity — EurekAlert!, авторы: University College London