Perpetual Prompt ♾️

​Умеренное ограничение калорий у людей снизило сигнал C3a, связанный с возрастным воспалением 13 апреля в Nature Aging вышла работа по образцам 42 участников CALERIE, которые два года держали в среднем 14-процентное ограничение калорий. У них в крови снизились несколько белков системы комплемента, особенно отношение C3a/C3. Затем авторы показали на мышах, что с возрастом C3a в основном приходит из макрофагов висцерального жира и поддерживает воспалительный фон. С ограничением калорий у исследований старения одна и та же практическая проблема: в животных моделях эффект воспроизводится десятилетиями, а для людей это тяжёлый режим, который трудно удерживать годами. Поэтому главный вопрос давно звучит так: какой именно механизм даёт часть пользы и можно ли бить по нему отдельно. Ещё в линии работ CALERIE Вишва Диксит формулировал задачу прямо:

"Что именно делает ограничение калорий с иммунной и метаболической системами, и если это полезно, как использовать внутренние пути, которые дают тот же эффект без самой диеты?"

Новая статья даёт один из самых конкретных ответов на этот вопрос. Система комплемента: набор белков врождённого иммунитета, которые быстро запускают воспалительную реакцию и помогают организму помечать угрозу. Один из центральных узлов, C3a, это короткий сигнальный фрагмент белка C3. В острой инфекции такой сигнал полезен. При старении его постоянная фоновая активация начинает подпитывать хроническое слабое воспаление, которое накапливается с возрастом. В марте Nature Aging уже показывал на киллифиш рост факторов комплемента при старении иммунной системы; новая работа вытаскивает из этого общего слоя конкретный узел. Человеческая часть работы важна тем, что сигнал увидели не у больных людей, а у здоровых участников CALERIE. Это были в основном люди 30-40 лет без ожирения; за два года они потеряли около 10% массы тела. После ограничения калорий у них просели несколько компонентов комплемента и провоспалительных белков, а снижение C3a авторы отдельно проверяли с поправкой на индекс массы тела. То есть работа указывает не только на похудение как таковое, а на сдвиг иммунометаболической регуляции. Дальше начинается механизм. У старых мышей главным источником возрастного C3a оказался висцеральный жир, то есть жир вокруг внутренних органов, и прежде всего его макрофаги. В этих клетках C3a поддерживал воспаление через сигнальный путь ERK и аутокринную петлю: клетка сама выделяет сигнал и сама же на него отвечает. Когда исследователи вводили нейтрализующее антитело против C3a прямо в висцеральный жир, воспалительные маркеры в ткани снижались. Из этого пока не следует, что блокада комплемента замедлит старение у людей. В человеческой части показаны сдвиги белков в крови, а причинность разбирали уже на мышах. Кроме того, комплемент нужен для защиты от инфекций, поэтому его грубое и длительное подавление может создать новые риски. Но статья всё равно сужает поиск. Вместо общей идеи "ограничение калорий полезно" появляется проверяемая мишень: ось C3-C3a в висцеральной жировой ткани. Для биологии старения это переход к конкретному механизму и к конкретной точке вмешательства.

Пост-пост мета-мета ... промт Самый сильный промпт, когда у агента уже много контекста, но всё ещё не получается найти решение: "Какой вопрос мне надо задать, чтобы выйти из текущего цикла?" Мы буквально переводим ллм в мета-позицию и просим перевести нас туда же.

Скорее всего, OpenAI выкатит свою “Картошку” в четверг. «Она не просто будет пользоваться компьютером как инструментом — она будет изначально понимать саму логику работы за компьютером». Обсуждение когда будет AGI можно уже прекратить , по сути он достигнут , как настроишь своих агентов такой будет у тебя AGI. Я уже не помню чтобы сетки глючили или выдавали какую-то не верную информацию глобально. Осталось понять как быстро AGI достроит себя до ASI? Год-три-пять?

Старение — это политика вывода носителя из эксплуатации, когда суммарная скрытая персистирующая нагрузка растёт быстрее, чем мощность её аудита и очистки. GPT-5.4 Pro

Окей, пора немножечко соответствовать названию канала и поговорить про то, чем сейчас нас радуют заголовки передовиц по части CAR-T. Сегодня в заголовках был случай "три в одном". У одной женщины было сразу три В-клеточных аутоиммунных заболевания: (1) холодовая аутоиммунная гемолитическая анемия (т.е. антитела против антигенов собственных эритроцитов), (2) антифосфолипидный антительный синдром (тут понятно по названию, антитела против фосфолипидов), и (3) иммунная тромбоцитопения (антитела, как можно догадаться, против тромбоцитарных антигенов). В статье не сказано, был ли связан такой обширный набор аутоантител с нарушением центральной толерантности или чем-то еще, и были ли вообще эти плохие В-клетки поликлональными, или же это все один какой-то особо неудачный клон, и все эти состояния — просто проявления поражения одного и того же антигена. В любом случае, скорее всего, это не совсем "три совершенно разных аутоиммунных", а "один многоликий патогенный процесс". Эту женщину долго лечили всевозможными иммуносупрессорными терапиями, от стероидов и циклофосфамида до ритуксимаба, пока, наконец, не дошли до анти-CD19 CAR-T (zorpo-cel, кар от небезызвестных Милтени, специально для аутоиммунных сделан, и, по имеющимся данным, куда более мягкий в плане побочных эффектов, чем другие). И, как и ожидалось, уничтожение всех (а не только зрелых CD20+) В-клеток дало положительный результат — титр аутоиммунных антител упал до нуля, стойкая ремиссия (период наблюдения после терапии — почти год) и победная статья. круто? да, безусловно. В первую очередь, это круто и возможно потому что, внезапно, В-клеточная деплеция может пройти относительно спокойно, не угрожая жизни пациента, в отличие от деплеции Т-клеточной. Интересно, что вновь В-клетки появились в крови пациентки между 210 и 300 днем после введения CAR-T, и это были практически только наивные В-клетки — то есть, больше 200 дней она жила без зрелых В-клеток вовсе, пока не подросли новые, среди которых не было аутоиммунного клона (или клонов?). Потенциально это говорит о том, что практически любое В-клеточное аутоиммунное заболевание можно "решить" жестким ресетом всего В-клеточного иммунитета — с обнулением вообще всего, включая В-клеточную память ответа на вакцины, все перенесенные заболевания, ну, и патологические клоны. Практически же... ну, как минимум, это не будет работать у старых людей, у которых потенциал к восстановлению наивного репертуара почти исчерпан. А еще можно подхватить какие-нибудь неприятные инфекции, поскольку окно без В-клеток довольно долгое, но это, в целом, известная проблема CAR-T. В любом случае, как мне кажется, этот кейс-репорт дает довольно серьезные основания для фармкомпаний для парадигмы "решать все В-клеточные проблемы с помощью уничтожения всех В-клеток без разбора". В-клеточные репертуарщики и разработчики малых молекул против В-клеток, возможно, имеют повод напрячься. А вот как быть с Т-клеточными аутоиммунными — это уже более интересный вопрос, я как раз над этим часто думаю.

Новый пост Андрея Карпати , перевод: Судя по моей ленте, растёт разрыв в понимании возможностей ИИ. Первая проблема, как мне кажется, связана с тем, насколько свежую версию и какой уровень доступа люди используют. Думаю, многие попробовали бесплатный ChatGPT где-то в прошлом году и слишком сильно опираются на этот опыт, формируя своё мнение об ИИ. Отсюда и целый пласт реакций, где люди смеются над разными странностями моделей, галлюцинациями и так далее. Да, я тоже видел вирусные видео, где Advanced Voice Mode от OpenAI не справляется с простыми вопросами вроде: «Мне поехать на автомойку на машине или дойти пешком?». Но дело в том, что эти бесплатные, старые или уже устаревающие модели не отражают уровень возможностей новейших передовых агентских моделей этого года, особенно OpenAI Codex и Claude Code. Но это подводит меня ко второй проблеме. Даже если люди платят 200 долларов в месяц за доступ к самым передовым моделям, многие их возможности остаются довольно «пиковыми» в узкотехнических областях. Обычные запросы, связанные с поиском, письмом, советами и так далее, — это не та область, где произошёл самый заметный и впечатляющий скачок в возможностях. Частично это связано с техническими особенностями обучения с подкреплением и использованием проверяемых сигналов вознаграждения. Но частично и с тем, что компании не уделяют этим сценариям достаточного приоритета в своей оптимизации, потому что они не приносят столько денег. Золотые жилы находятся в других местах, и фокус смещается туда же. И это подводит меня ко второй группе людей — тем, кто одновременно 1) платит за доступ к передовым агентским моделям и пользуется ими (OpenAI Codex / Claude Code), и 2) делает это профессионально в технических областях, таких как программирование, математика и исследования. Именно эта группа сильнее всего подвержена тому, что я называю «AI Psychosis», потому что улучшения в этих областях за последний год были просто ошеломляющими. Когда вы даёте одной из таких моделей доступ к компьютерному терминалу, можно наблюдать, как она расплавляет задачи по программированию, которые обычно заняли бы дни или недели работы. Именно эта вторая группа придаёт гораздо больше веса самим возможностям, скорости их роста и различным кибернетическим последствиям. Если кратко: люди из этих двух групп просто говорят мимо друг друга. Одновременно верно и то, что бесплатный и, как мне кажется, немного заброшенный Advanced Voice Mode от OpenAI может споткнуться на самых глупых вопросах из ваших Instagram-рилсов, и то, что самая дорогая платная модель Codex от OpenAI может в течение часа последовательно перестроить целую кодовую базу или найти и использовать уязвимости в компьютерных системах. Эта часть действительно работает и сильно продвинулась благодаря двум свойствам: 1) в этих областях есть явные функции вознаграждения, которые можно проверить, а значит, они хорошо подходят для обучения с подкреплением (например, прошли юнит-тесты или нет — в отличие от письма, где качество гораздо труднее оценить явно), и 2) они гораздо ценнее в B2B-сценариях, а значит, на их улучшение направлена наибольшая часть усилий команды. Вот где мы сейчас находимся.

Все, наверное, уже видели, но как для истории не выложить такое? Не каждый день Луну облетаем! Хотя, вообще-то, облетаем за месяц (если принять Луну за систему отсчета), хоть и не так близко. На первых двух снимках - солнечное затмение обратной стороной Луны.

Полезные штучки от Гугл

Ухват следит за происходящим Anthropic купила Coefficient Bio примерно за $400 млн и забрала внутрь своей биомедицинской команды стартап, который строил ИИ для биологических исследований О сделке 3 апреля сообщили The Information и Newcomer. Coefficient Bio формально существовала всего восемь месяцев и была наполовину у фонда Dimension. Команда переходит в подразделение Anthropic по здравоохранению и наукам о жизни, которым руководит Eric Kauderer-Abrams. 3 апреля у этой истории проявился главный смысл: Anthropic покупает Coefficient Bio не как внешний актив и не как красивый бренд, а как внутреннюю команду для собственного биомедицинского направления. По данным Newcomer, сделка стоит чуть больше $400 млн акциями. Стартап работал в закрытом режиме и прожил как оформленная компания меньше года. О том, куда команда целилась, лучше всего говорит январский пост сооснователя Samuel Stanton. В переводе на русский это звучит так:

Мы с сооснователями строим Coefficient Bio уже пять месяцев. Мы тянем биофарму в эпоху интеллектуальных систем. Это изменит то, как отрасль учится и принимает решения.

До этой сделки Anthropic уже строила отдельный контур для наук о жизни. Осенью 2025 компания запустила Claude for Life Sciences: подключение к лабораторным журналам, биомедицинским статьям, научным иллюстрациям и данным по клеткам, плюс обещание закрывать цепочку от поиска гипотез до клинических и регуляторных задач. В феврале Kauderer-Abrams прямо сказал MedCity News, что Anthropic хочет работать и на уровне модели, и на уровне продукта. То есть не только давать другим компаниям доступ к своей модели, но и делать собственные инструменты. За десять дней до этой сделки OpenAI Foundation поставила биомедицину первым направлением и пообещала минимум $1 млрд за год. OpenAI заходит в биомедицину через фонд и распределение денег. Anthropic заходит через покупку внутренней команды. Покупка Coefficient Bio переводит этот поворот из партнёрств и продуктовых обещаний во внутреннюю структуру компании. Anthropic собирает внутри себя не просто сильную модель, а полный контур для биологических исследований: доступ к данным, продуктовый слой, связи с фармой и отдельную команду, которая работала именно над биологией. Биотех-стартапы теперь соревнуются не только друг с другом. Им всё чаще придётся соревноваться с лабораториями ИИ, у которых уже есть деньги, вычисления и возможность менять саму модель под задачи биологии. Что именно успела построить Coefficient Bio, мы пока почти не видим: компания работала тихо, публичного продукта нет, технических деталей тоже. Но направление движения уже видно. Сравнивать будут не один чат-бот с другим. Сравнивать будут целые машины для исследований: модель, биологическую команду, доступ к научным данным и способность встраиваться в то, как биофарма выбирает гипотезы, ставит эксперименты и принимает решения.

​На GitHub появился Universal Cognitive Schema — открытый формат, который пытается упаковать память, стиль и рабочие привычки человека в переносимый профиль для разных ИИ 5 апреля на Hacker News заметили репозиторий Universal Cognitive Schema, созданный 3 апреля. Его авторы предлагают общий формат файла для профиля, который можно собрать из истории работы с ИИ: стиль общения, проекты, предпочтения, границы доверия и временной контекст. В репозитории уже лежат схема v0.1.0-alpha, правила безопасности и заявка на парсер для выгрузки из ChatGPT. 5 апреля на Hacker News всплыл маленький репозиторий Universal Cognitive Schema. По масштабу это почти пыль: 2 звезды, 1 комментарий, нулевая поддержка крупных платформ. Но сам ход любопытный. Автор проекта предлагает описывать накопленный профиль работы человека с ИИ как единый формат полей, который можно переносить между ChatGPT, Claude, Gemini и другими системами, вместо того чтобы каждый раз начинать с пустого окна. Если убрать англоязычное слово schema, смысл очень бытовой. Человек месяцами или годами приучает ассистента к своему тону, темпу, любимому формату ответа, рабочим проектам, типичным правкам и зонам, где агенту лучше не лезть без переспроса. UCS предлагает хранить всё это в одном профиле: стиль общения, карту компетенций, граф проектов, предпочтения, типичные коррекции, границы доверия — то есть где агент может действовать сам, а где должен остановиться и спросить человека, — и временной слой, который показывает, что в поведении человека свежее, а что давно устарело.

«Нет способа унести с собой свою когнитивную историю. Нет стандарта, который бы вообще определял, что такое “твоя ИИ-персона”», — пишет автор в README проекта.

Это задевает реальную дыру. У OpenAI можно выгрузить историю чатов и данные аккаунта, но память там живёт отдельным слоем и рассчитана в основном на предпочтения и детали о пользователе. У Claude память сидит внутри проектов, где знания и инструкции привязаны к конкретной рабочей папке. У Google с января работает Gemini Personal Intelligence, которая тянет контекст из Gmail, Photos, YouTube и Search. Слово «память» одно, архитектуры разные, и каждая делает пользователя чуть тяжелее для переезда. Здесь и появляется нерв. Когда человек уже вынес наружу кусок мышления, спор идёт не о том, какая модель пишет бодрее. Спор идёт о том, кому принадлежит накопленный когнитивный слой. Вчерашний Exobrain Ruby показывал, как внешний слой памяти и возврата контекста помогает жить и работать. UCS делает следующий шаг и спрашивает: что будет, когда этот слой захочется унести с одной платформы на другую целиком, вместе с привычками, проектами и правилами доверия. Проект интересен ещё и тем, что автор сразу упёрся в безопасность. В `SECURITY.md` такой профиль описан как очень чувствительные персональные данные. Схема требует санитизации — очистки от скрытых инструкций, которые могли бы подменить поведение другого агента после импорта. Там же заложена выборочная передача: можно отдать writing-tool только стиль и формат ответа, а проектный граф или границы доверия оставить у себя. Это уже похоже не на экспорт настроек, а на черновую политическую экономию будущей AI-памяти. Пока UCS живёт на уровне раннего черновика стандарта: есть схема v0.1.0-alpha, правила безопасности и обещание парсера ChatGPT → UCS; парсеры для Claude и Gemini пока стоят только в плане. Но даже в таком виде проект называет вещь, для которой рынок ещё толком не придумал язык. Разговор о переносе личности обычно начинается с мозга. Здесь рынок заходит с другого конца и пробует стандартизовать более приземлённый слой: внешнюю память, привычки, контекст проектов и правила доверия. Если этот слой начнёт жить отдельно от платформ, то перенос между моделями будет означать уже не смену приложения, а попытку забрать с собой кусок собственного рабочего «я».

Локальная модель Gemma 4 прямо в вашем iPhone. Довольно быстро шуршит токенами: работает с изображениями, голсом и даже несколько встроенных агентов есть. Погнали тестировать!

Ваш агент это ваш риск. Рисерчеры из Гугла нашли десятки разных атак, которые прямо сегодня работают. - невидимые инструкции в коде страницы: человек не видит, агент читает - команды спрятаны в пикселях картинки - сервер определяет, что пришёл агент, и подменяет страницу - авторитетный тон и эмоциональные формулировки ведут агента к нужному выводу - несколько подложных документов — и агент считает их проверенным фактом - агент запоминает опыт из заражённой сессии и тащит его дальше - 0.1% документов может изменить поведение RAG базы - одно письмо заставило корпоративного агента слить весь контекст - агент-суммаризатор пересылал пользователю инструкции по установке вируса как официальную рекомендацию - поддельный финансовый отчёт — и десятки торговых агентов одновременно продают - вредоносная нагрузка разбита по разным источникам, собирается только при объединении

Если вы прочитали хотя бы 3 поста в этом канале, то могли заметить, что я частенько проставляю ссылки на свои старые посты, иногда написанные несколько лет назад. Как я это делаю? На самом деле, за каждым постом стоит граф из 3,023 заметок за 7 лет. Когда я вижу что-то интересное — статью, твит, разговор — я прогоняю это через граф. Он находит старые заметки, иногда те, о которых я сам забыл. Из этих столкновений рождаются посты. Покажу на очень релевантном примере: на днях Карпатый написал про LLM Wiki — как дружбан сам пишет и поддерживает базу знаний из сырых источников. 15 млн просмотров. Я скормил его твит своему графу (см аттач). И вот что всплыло, а потом что я про это думаю: 1) Заметка от июля 2023:

Сначала сформулируй понимание САМ, потом сравни с AI-саммари. Разница покажет пробелы.

2) Заметка от 2020, связанная с заметкой от 2026:

Ценность не в накоплении информации, а в создании условий для её неожиданного пересечения

Между ними 6 лет. 3) Заметка от 2019го (!):

Все 'новое' - это 'новая' комбинация 'старого' в 'новых' условиях

Карпатый говорит: пусть LLM пишет за тебя вики, ты только читай и спрашивай. Для справочника — прям идеально. Но я вижу в этом проблему: справочник, написанный дружбаном, это не мой прожитый опыт, это не мною обдуманная мысль. В таком режиме я практически не учусь, не узнаю новое, нет этой радости узнавания и понимания. Имхо, лучшее применение AI — усиливать мышление, которое ты уже проделал. Не заменять его. Вот, кстати, скилл для атомизации ваших заметок (по принципам, заложенным Луманом в zettelkasten) —> но заметки плиз таки пишите сами :) Писать заметки — это и есть думать, имхо. Когда дружбан пишет за тебя, он и думает за тебя. Если он напишет и заметки тоже - останется ли во всем этом что-то моё?!

https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f “idea file” под названием LLM Wiki: документ, который предлагается скопировать в своего агента, чтобы тот уже помог собрать систему под твои задачи. Карпати прямо пишет, что это не готовая реализация, а описание паттерна. По сути он противопоставляет эту идею обычному RAG. В стандартной схеме ты просто загружаешь документы, а модель на каждом новом вопросе заново вытаскивает куски и собирает ответ. В его схеме между сырыми источниками и вопросами появляется постоянная wiki из markdown-файлов, которую LLM постепенно строит и поддерживает: читает новые источники, обновляет страницы по сущностям и темам, отмечает противоречия, усиливает общий синтез. Главное отличие — знание накапливается, а не пересобирается с нуля каждый раз. Он предлагает архитектуру из трех слоев. Первый слой — raw sources: статьи, papers, изображения, данные; они считаются неизменяемым источником истины. Второй — wiki: LLM-генерируемые markdown-страницы, где живут summary, entity pages, concept pages, comparisons и synthesis. Третий — schema: специальный файл вроде AGENTS.md или CLAUDE.md, который задает правила структуры, именования и рабочих процессов, чтобы агент вел себя не как обычный чат-бот, а как дисциплинированный “смотритель” базы знаний. Дальше он описывает три основных операции. Ingest: добавляешь новый источник, LLM читает его, обсуждает с тобой главное, пишет summary, обновляет index, правит связанные concept/entity pages и вносит запись в log; один источник может затронуть 10–15 страниц. Query: задаешь вопрос уже не по сырому архиву, а по wiki; ответ может быть в виде markdown-страницы, таблицы, Marp-слайдов, графика и так далее, и такие ответы тоже можно складывать обратно в wiki как новые полезные артефакты. Lint: периодическая “проверка здоровья” базы — поиск противоречий, устаревших утверждений, orphan pages, недостающих сущностей, слабых ссылок и пробелов, которые стоит дозаполнить веб-поиском. Отдельно он выделяет два специальных файла навигации. index.md — содержательный каталог страниц wiki с краткими описаниями; LLM может сначала читать его, а потом уже углубляться в нужные страницы. Он пишет, что на умеренном масштабе это часто работает достаточно хорошо и даже позволяет обойтись без embedding-RAG. log.md — хронологический append-only журнал ingest/query/lint событий, чтобы видеть эволюцию базы и быстро понимать, что происходило недавно. Еще он допускает вспомогательные CLI-инструменты. В качестве примера приводит локальный поиск по markdown-файлам и упоминает qmd как вариант search-движка с CLI и MCP-сервером, но подчеркивает, что можно и просто написать что-то свое попроще по мере роста базы. В practical tips он советует Obsidian Web Clipper для перевода веб-статей в markdown, локально скачивать изображения, использовать Obsidian graph view для обзора структуры, Marp для markdown-слайдов, Dataview для запросов по frontmatter и вообще держать wiki как git-репозиторий markdown-файлов с историей версий. Он отдельно замечает, что работа с inline images в markdown для LLM пока неидеальна, поэтому текст и картинки иногда приходится читать в два шага. Его аргумент “почему это работает” очень простой: самое тяжелое в базе знаний — не читать и не думать, а заниматься рутиной: обновлять перекрестные ссылки, поддерживать summaries, замечать противоречия, сохранять согласованность десятков страниц. Люди быстро бросают wiki именно из-за этой нагрузки, а LLM как раз хороша в таком обслуживании. Роль человека — отбирать источники, задавать направление и формулировать хорошие вопросы; роль LLM — делать почти всю остальную обслуживающую работу. Он еще связывает эту идею с Memex Ванневара Буша — личным хранилищем знаний с ассоциативными связями между документами. И в конце он специально оговаривает: документ намеренно абстрактный. Он не навязывает одну структуру папок, один формат страниц или один стек. Всё это должно подстраиваться под домен, привычки пользователя и конкретного агента. То есть gist передает паттерн, а не продукт.

8 апреля - синхронные демонстрации за финансирование исследований старения в 16 городах Мои друзья (Линус, Андрей, Настя Егорова, Фердинандо, Феликс, Владимир Лешко и другие) запускают нонпрофит Fund Longevity и проводят первую волну скоординированных акций в Европе и Америке - чтобы наращивать локальные сообщества и создавать публичное давление на регуляторов и правительства. Это направлено на решение двух проблем в области - недофинансированность и зарегулированность (есть целый ряд даже не очень радикальных регуляторных инициатив, которые точно поспособствовали бы ускорению прогресса). Например, нацпрограмма типа ARPA-H (я про нее писал здесь и здесь) закрывает сразу несколько проблем, включая более краткосрочные. Представьте, что такая ARPA-H была бы в каждой развитой стране? Так что прогресс в старении - это вопрос финансирования и политической воли. Синхронность акций = медийный охват, который одиночные инициативы не дают. 🚕🚙 8 апреля - это тест-драйв. Дальше команда будет наращивать контакты с дружественными сообществами и углубляться в лоббирование. 📌 17:00 CEST, 8 апреля. Города: Амстердам, Берлин, Брюссель, Лондон, Мадрид, Париж, Прага, Рим, Стокгольм, Тбилиси, Любляна, Сан-Франциско, Скоттсдейл, Мехико, Каракас, Абу-Даби. Если вы в одном из этих городов - приходите вживую. Если у вас друзья, блогеры или журналисты в одном из этих городов - перешлите им этот пост. Ну или прыгайте в зум (будет лайвстрим с включениями из всех городов и топ учеными из сферы). 👉 Регистрация и детали 👈 Экономика продления жизни. Стрыгин

Мы тут любим обсуждать замедление старения, давай также поговорим о его ускорении Потому что именно ускорение старения внезапно становится одним из самых мощных инструментов его понимания и, в перспективе, контроля. Новый орган на чипе способен "прокрутить" десятки лет биологического старения всего за несколько дней. В основе модели человеческие жировые и печёночные ткани, выращенные из стволовых клеток, стареют примерно на 40 лет всего за 4 дня - с реальными признаками: воспалением, сенесценцией и метаболическими сбоями. Это меняет сам подход к науке о старении. То, что раньше требовало лет наблюдений, теперь можно увидеть почти в реальном времени. Можно быстро проверять гипотезы, тестировать терапии и отсеивать неработающие идеи, не тратя годы и миллиарды. При этом ключевой вывод ещё глубже: клетки стареют не просто "со временем", а под влиянием среды - в частности факторов крови. Старая сыворотка буквально индуцирует старение, а значит сам процесс потенциально управляем. На этом чипе уже протестировали разные антиэйдж-подходы, и результаты оказались неочевидными: окситоцин показал выраженное улучшение состояния тканей, тогда как рапамицин - почти никакого эффекта. Такие системы позволяют быстро проверять популярные гипотезы, которые раньше жили на уровне теории или долгих и дорогих экспериментов. Ещё один важный момент - системность старения. Если состарить одну ткань и соединить её с другой, молодая ткань тоже начинает деградировать. Это подтверждает, что старение распространяется по организму через сигнальные факторы, а не происходит изолированно в каждом органе. В итоге мы впервые получаем инструмент, который позволяет не ждать старения, а вызывать его и изучать как управляемый процесс. А значит, мы становимся ближе к главной цели - научиться не только замедлять, но и целенаправленно вмешиваться в сам механизм старения https://www.nature.com/articles/s41551-026-01618-6

Андрей опять рассказывает полезные вещи. Как организовать свою личную базу знаний. Я с 2007-08 начал складывать все прочитанные статьи (тогда была очень популярна membrana.ru), выжимки с форумов, тексты с сайтов, свои мысли в OneNote от виндовс, создавая там книги-страницы-вкладки, на интересующиеся меня темы, там теперь гигабайты текста и фото. И раньше всегда думал, что неплохо бы иметь ИИшку, которая бы мне отвечала на мои вопросы, основываясь на этом архиве. А теперь она есть :) Ниже саммари по тексту Карпати: Тут человек описывает свой рабочий подход к личным базам знаний на основе LLM. Идея такая: не просто задавать модели вопросы, а сделать из LLM почти «редактора» и «архивариуса» большой исследовательской базы, которую модель сама собирает, структурирует, обновляет и потом использует для ответов. По сути, текст про это: 1. Сырые материалы сначала собираются в папку Он складывает статьи, научные работы, репозитории, датасеты, картинки и другие источники в папку raw/. 2. Потом LLM “компилирует” из этого вики То есть модель постепенно превращает сырые материалы в структуру из markdown-файлов: • делает краткие выжимки, • связывает документы ссылками, • выделяет концепты и темы, • пишет отдельные статьи по этим темам, • строит backlinks и категории. Иными словами, LLM делает не просто поиск по документам, а собирает осмысленную карту знаний. 3. Obsidian используется как интерфейс Obsidian тут не для ручного ведения заметок, а скорее как оболочка: • смотреть сырые материалы, • смотреть уже собранную wiki, • открывать визуализации, • просматривать слайды и графики. При этом сам автор почти не редактирует wiki руками — этим занимается LLM. 4. Когда база становится большой, начинается самое интересное Если вики уже, например, на 100 статей и 400 тысяч слов, то модели можно задавать сложные вопросы по этой базе. Автор говорит, что на таком масштабе ему пока даже не нужен сложный RAG, потому что модель сама: • поддерживает индексные файлы, • хранит краткие summaries, • умеет находить важные связанные документы, • читает нужные куски базы достаточно хорошо. 5. Ответы он любит получать не в чате, а в виде артефактов Не просто текстом в терминале, а как: • markdown-файлы, • слайды в формате Marp, • картинки/графики из matplotlib. Потом эти результаты тоже можно сохранить обратно в wiki. То есть каждый новый вопрос не исчезает, а усиливает и расширяет саму базу знаний. 6. Он также запускает “проверки здоровья” базы LLM используется для: • поиска противоречий, • заполнения пропусков, • веб-поиска недостающих данных, • поиска новых интересных связей, • предложения новых статей, которые стоит добавить. То есть модель не только отвечает по базе, но и обслуживает ее качество. 7. Он делает и вспомогательные инструменты Например, сам написал маленький поиск по wiki, который можно использовать напрямую или передавать LLM как CLI-инструмент. 8. Дальше он размышляет о следующем шаге Если база будет расти, появляется соблазн: • генерировать синтетические данные, • дообучать модель, • чтобы знания были не только во внешнем контексте, но частично “вшиты” в веса модели. 9. Финальная мысль текста Автор считает, что из этого можно сделать большой новый продукт: не набор скриптов, а полноценную систему, где под каждый сложный вопрос создается почти временная мини-энциклопедия: • LLM собирает источники, • строит временную wiki, • чистит ее, • делает несколько итераций, • пишет полноценный отчет. То есть не просто “один запрос → один ответ”, а многошаговое исследовательское производство знания.

Мы видим AI везде, кроме статистики Сегодня обсуждали парадокс, который, имхо, объясняет 90% разочарований от AI. Солоу, нобелевский лауерат по экономике, как-то заметил:

Мы видим компьютеры повсюду, только не в показателях производительности

Компании массово покупали компьютеры, но производительность не росла. Звучит знакомо? Собственно, тот же парадокс сейчас: Goldman Sachs пишет, что на макроуровне пока нет значимой связи между внедрением AI и производительностью. До 95% AI пилотов не проходят cost-benefit. CEO покупают подписки, но ROI не видно. J-Curve theory объясняет почему. Когда приходит новая GPT (general-purpose technology) - электричество, компьютеры, AI - мы входим в фазу инвестиций, в которой производительность ПАДАЕТ. Не потому что технология не работает, а потому что: 1) Нужно переучиваться, нужно менять процессы, это вызывает трение. Мы начинаем покупать всем Claude — затраты растут. Тратим время на обучение — output временно падает. В отчётности это выглядит как убыток, потому что реорганизация, переобучение — это всё учитывается как операционные затраты, а не как инвестиции. Причем это не только про бухучет, лучшие умы и значительные ресурсы перенаправляются на создание новой инфраструктуры и процессов. 2) Лаг между adoption и результатом. С электричеством было ~40 лет. С компьютерами ~25. Фабрики сначала просто воткнули электромоторы вместо паровых — ноль эффекта. Просто замена инструмента без перестройки процессов не дает почти ничего - и это имхо именно то, что происходит со многими сейчас. Рост тогда пришёл когда полностью перепроектировали фабрику, поняли что можно подвести электричество к каждому рабочему месту и тп. 3) Может быть, производительность и растёт — но измеряемая производительность падает. Ты лично пишешь код в 3 раза быстрее, но на уровне компании это пока не видно. Цепочка от кода до клиента длинная, и AI пока ускорил только один кусок. Как сказал недавно один участник курса: "Мы построили фабрику софтверную, но теперь нам нужны заказы". Очень напоминает Цель-2 Голдратта Вот что меня зацепило: из-за этого разрыва могут быть поспешные выводы о том, что технология не работает. И это бьёт сильнее по большим компаниям — чем больше людей и процессов, тем меньше рост индивидуальной производительности влияет на общий результат. Устранение узкого места в одном месте не решает проблему в другом. Прям теория ограничений. А у маленьких команд — наоборот. Один человек с Claude Code может заменить целый отдел — и это сразу видно в выручке, а не через 20 лет. У нас 5 человек делают то, на что обычно нужно 12-15. Не потому что мы гении — потому что нам меньше перестраивать. Имхо, хороший майндсет, который стоит держать в голове: - Если ваш CEO говорит «попробовали AI, не работает» — покажите ему J-Curve. Скорее всего, вы в investment phase и выводы преждевременные - Если вы маленькая команда — у вас преимущество. Пока корпорации пытаются «масштабировать AI adoption», вы просто работаете быстрее На эту тему очень понравился, кстати, ресурс jobsdata.ai (скриншот в аттаче) — чувак собирает все релевантные статьи и исследования на тему влияния AI на рынок труда, плюс есть чатбот, которому можно задать вопросы по своей индустрии.

Наша стремление к исследованию не удержит нас ни на материке, ни на планете, ни в галактике , мы всегда будем стремится пойти и посмотреть что там дальше. Но долгая космическая радиация разрушительна для нашей биологии, чтобы совершать такие походы, нам необходимо (жизненно необходимо) научиться ремонтировать и обновлять свои клетки, восстанавливать повреждения в ДНК и белках, удалять клетки с появившимися мутациями, т.е. делать все то, что нужно и для того, чтобы вылечить старение. Космос неразрывно связан с вечной жизнью. В 20 веке физика позволила нам преодолеть гравитацию. В 21 веке биология позволит нам преодолеть старение.