Синтографист

2. Стремительно разрушаются хрящи и кости (остеопороз), теряется мышечная масса. 3. Набирается лишний вес (в среднем до 30 фунтов). Доктор настоятельно рекомендует женщинам консультироваться с врачами по поводу заместительной гормональной терапии (ЗГТ) не только от приливов, но для спасения костей, мозга и сердца [01:49:48]. ## 6. VO2 Max и «Линия дряхлости» [01:59:06] Каждое десятилетие человек теряет около 10% своего показателя VO2 Max (максимальное потребление кислорода — главный маркер здоровья сердечно-сосудистой системы). Существует «линия дряхлости» — минимальный уровень VO2 Max (18 для мужчин, 16 для женщин), ниже которого человек больше не может обслуживать себя самостоятельно (вставать, ходить в магазин). Чтобы в 80-90 лет оставаться выше этой линии, нужно тренировать сердце уже сейчас, выполняя протоколы интервальных тренировок (например, 4 минуты на максимуме, 4 минуты отдыха) [02:01:44]. ## 7. Белок долголетия «Клото» [01:29:33] Ученые обнаружили белок «Клото» (названный в честь греческой богини, прядущей нить жизни), который отвечает за продолжительность жизни клеток. В ходе исследований выяснилось, что самый высокий уровень этого белка у активных спортсменов 35-50 лет. На втором месте — активные люди старше 75 лет. А самый низкий уровень оказался у 30-летних людей с сидячим образом жизни! [01:30:36] Выработка этого белка запускается именно от сокращения скелетных мышц. Тренируясь, мы буквально заставляем тело вырабатывать «эликсир молодости» на клеточном уровне. https://youtu.be/D6wTuogebU8?is=LV4o11qczfR8zhfb

# Как победить старение: Главные выводы из интервью доктора Вонды Райт ## 1. Миф о старении и шокирующие снимки МРТ [00:32:07] Многие считают, что после 40-50 лет наше тело неизбежно начинает разрушаться. Доктор Райт называет это «вирусом мышления», который заставляет нас сдаваться. Она провела исследование, сравнив МРТ-снимки бедра трех людей: * 40-летний спортсмен: красивая структура мышц, почти нет жира. * 74-летний человек с сидячим образом жизни: мышцы атрофировались, полностью заплыли жиром (доктор называет это «сарко-ожирением» — потерей мышечной массы на фоне роста жировой) [00:34:11]. * 70-летний триатлет (любитель): его снимок практически идентичен снимку 40-летнего! Структура мышц сохранена идеально [00:35:21]. Вывод: Мышцы не исчезают просто от возраста. Они исчезают, потому что мы перестаем ими пользоваться. Если 80-летний человек регулярно поднимает тяжести, он функционально так же силен, как нетренированный 60-летний. ## 2. Формула долголетия «F.A.C.E.» [00:50:09] Доктор Райт выделяет 4 обязательных компонента физической активности для сохранения здоровья: * F (Flexibility) — Гибкость. Перед любой тренировкой суставы нужно разогревать (динамическая растяжка, например, прыжки или шаги). А вот тянуться (статическая растяжка по 30 секунд на мышцу) нужно только после тренировки [00:49:27]. * A (Aerobic) — Аэробные нагрузки. Основа (80% времени) — это тренировки во 2-й пульсовой зоне (легкий бег или быстрая ходьба). Но самое главное — спринты [01:52:10]. Доктор рекомендует делать рывки на 100% усилий всего на 30 секунд с последующим отдыхом 2-3 минуты. *Именно такие 30-секундные спринты сжигают на 40% больше жира, чем обычное интенсивное кардио (HIIT)* [01:53:44]. * C (Carry a load) — Поднятие тяжестей. Кардио недостаточно. Чтобы не стать хрупким, нужно поднимать большие веса. Женщинам доктор настоятельно советует выбросить «розовые гантельки» по 1 кг и начать делать базу (приседания, становая тяга, жимы) — 4 подхода по 4 повторения с тяжелым весом [01:51:27]. * E (Equilibrium) — Равновесие. Потеря баланса ведет к падениям, а падения в пожилом возрасте (например, перелом шейки бедра) часто приводят к летальным исходам. Тренируйте баланс каждый день — например, чистите зубы, стоя на одной ноге [00:50:50]. ## 3. Суставы, боль и правило «1 к 9» [00:57:48] Боль в суставах с возрастом не является нормой. Основная причина разрушения хряща (помимо травм) — это лишний вес. Из-за физики нашего тела и гравитации, каждый набранный 1 фунт (или 1 кг) лишнего веса создает 9 фунтов (или 9 кг) дополнительного давления на коленные суставы. Скинув всего пару килограммов, вы колоссально разгружаете свои колени. Кроме того, развитые мышцы ног работают как амортизаторы, мягко принимая удар на себя и защищая кости [00:56:27]. ## 4. Питание: Сахар и Лейцин [01:08:38] * Сахар — враг. Простые сахара вызывают резкие скачки глюкозы, выброс инсулина и приводят к системному воспалению. Воспаление, в свою очередь, усиливает боли в суставах. От простых сахаров нужно отказаться. * Белок. Необходимо потреблять около 1 грамма качественного белка на каждый фунт вашего идеального веса. Особенно важна аминокислота лейцин, которая является главным стимулятором роста мышц. Больше всего лейцина (около 10%) содержится в сывороточном протеине (whey protein), в мясе его около 8%, а в растениях — всего 6.5% [01:54:24]. ## 5. Менопауза и костно-мышечный синдром [01:38:12] Доктор уделяет огромное внимание здоровью женщин после 40-45 лет. Эстроген — это мощнейший противовоспалительный гормон и анаболик. Когда его уровень падает: 1. Начинается системное воспаление. У многих женщин возникает состояние «замороженного плеча» (сильнейшая боль и невозможность поднять руку) без каких-либо травм [01:42:01].

Нейропластичность и Когнитивный резерв: Превращение «сырого интеллекта» в «знания» — это не просто метафора. Когда вы заставляете себя решать сложные задачи в интересующей вас области, в мозге физически утолщается миелиновая оболочка нейронов и формируются новые синаптические связи. Это создает когнитивный резерв, который в старости защищает мозг от возрастных изменений (в том числе от болезней Альцгеймера и Паркинсона). Установка на рост (Growth Mindset): Популярная концепция Стэнфордского психолога Кэрол Дуэк напрямую связана с «интеллектуальной вовлеченностью». Люди с установкой на рост верят, что интеллект — это не врожденная данность, а мышца, которую можно накачать. Именно поэтому они не боятся трудностей, ведь ошибка для них — это сигнал к обучению, а не показатель их глупости. Итог: Видео транслирует исключительно здравую, научно обоснованную мысль. Ваш врожденный IQ в молодости имеет гораздо меньшее значение, чем ваша привычка регулярно погружать свой мозг в состояние дискомфорта и направлять усилия в зоны ваших истинных интересов. https://youtu.be/uo1Tznr4_Qc?is=tqvpAHioLpBBSLeB

Вот подробный разбор видео, проверка изложенных в нем фактов и дополнительные научные данные по этой теме. 📝 Описание видео (О чем оно?) В видео «This Harvard Textbook Reveals How the Top 1% ACTUALLY Build Their Minds» автор Стивен Петро (Stephen Petro) рассказывает о том, почему люди с одинаковым IQ в 20 лет могут достичь совершенно разных интеллектуальных результатов к 50 годам. Основой служит теория PPIK, описанная в академическом учебнике по оценке интеллекта. Ключевые идеи из видео: Интеллект как процесс (Intelligence as Process) [00:48]: Это наша «сырая» вычислительная мощность (скорость мышления, рабочая память), которая измеряется стандартными тестами IQ. Проблема в том, что она достигает пика в молодости, а затем всю оставшуюся жизнь медленно снижается [01:05]. Если бы интеллект зависел только от этого, гениальных 60-летних людей не существовало бы. Теория PPIK Филиппа Аккермана [01:34]: Интеллект взрослого человека — это не просто «вычислительная мощность». PPIK расшифровывается как Process (Процесс), Personality (Личность), Interests (Интересы) и Knowledge (Знания). "Сырой" интеллект — это лишь стартовый капитал, который нужно инвестировать. Личность и инвестиции [03:41]: Способность инвестировать свой интеллект зависит от черты, называемой «Типичная интеллектуальная вовлеченность». Это склонность получать искреннее удовольствие от сложных умственных задач (например, выбор сложной книги вместо ее краткого пересказа). Интересы как руль [06:11]: Интересы направляют ваши усилия. Автор выделяет два основных комплекса: интеллектуально-культурный (гуманитарные науки, искусство, история) и научно-математический (системы, механизмы, цифры). Глубокая концентрация в одной из этих сфер дает эффект сложных процентов. Интеллект как знания (Knowledge) [09:42]: Это финальная стадия — кристаллизованный интеллект. Накопленные знания компенсируют падение скорости мышления с возрастом. Именно поэтому выдающийся кардиохирург Майкл Дебейки мог проводить сложнейшие операции даже в 80 лет [10:50] — ему не нужно было просчитывать всё с нуля, он опирался на гигантский массив мгновенно доступных решений. 🕵️‍♂️ Проверка: Правда ли это? Да, всё изложенное в видео — абсолютная правда и полностью соответствует современным представлениям когнитивной психологии и нейробиологии. Филипп Аккерман и теория PPIK: Это реальный и весьма уважаемый американский психолог. В 1996 году он действительно разработал теорию PPIK, которая стала прорывом, так как объединила когнитивные способности с чертами характера и интересами. Спад "сырого" интеллекта: В психометрике это называется флюидным (текучим) интеллектом. Многочисленные исследования подтверждают, что он начинает неуклонно снижаться после 20–25 лет. А вот кристаллизованный интеллект (эрудиция, накопленные знания и паттерны) может расти до самого конца жизни. Упомянутый учебник: Книга «Contemporary Intellectual Assessment» действительно существует. Это фундаментальный академический труд (под редакцией Дон Фланаган), который изучают специалисты в области психологии в ведущих вузах мира. Майкл Дебейки: Это реальный исторический пример. Знаменитый хирург Майкл Дебейки продолжал оперировать пациентов, когда ему было далеко за 80, что является идеальной иллюстрацией того, как "интеллект как знание" превосходит "сырую вычислительную мощность". 🧠 Дополнение (Что еще важно знать) Тему можно расширить несколькими важными научными концепциями, которые остались за кадром, но отлично дополняют это видео: Желательные трудности (Desirable Difficulties): Концепция психолога Роберта Бьорка. Она гласит, что обучение наиболее эффективно, когда оно требует осознанных усилий. Если материал дается слишком легко (например, просмотр короткого видео вместо чтения сложного учебника), он быстро забывается. Совет автора видео «выбирать более сложный путь» имеет под собой мощнейшую доказательную базу.

rowboatlabs/rowboat rowboat — локальный AI-ассистент, который собирает контекст вашей работы (почта, календарь, заметки) в долговременный граф знаний в виде Obsidian-совместимых Markdown-файлов и использует его для подготовки брифов, писем, доков и PDF‑слайдов прямо на вашей машине. Полезен тем, кто хочет, чтобы память о решениях, встречах и задачах аккумулировалась и оставалась прозрачной и редактируемой, а не терялась в поиске или внутри модели. Идея применения: Автоматически собирать и обновлять «жизненную» доску по ключевым проектам: из писем, заметок и встреч генерировать для каждой фичи краткий статус, список открытых вопросов и PDF‑бриф для еженедельного синка команды. Стек/язык: TypeScript. На GitHub: ⭐ 15.1k, forks: 1.5k. Последнее обновление: 2026-07-04.

Для практика Дзогчен это не должно быть удивительным. Наоборот, это доказывает, что *Сем* (наши мысли и логика) — это просто механистическая игра причин и следствий (кармы/весов). А значит, истинная природа сознания (*Ригпа*) лежит за пределами этого J-space, за пределами любых вычислений и токенов, в самом пространстве осознавания, которое ИИ пока (или в принципе) не способен обрести. https://www.anthropic.com/research/global-workspace

Интересная перспектива! С точки зрения Дзогчен (Великого Совершенства), структура, которую исследователи из Anthropic обнаружили в Claude (J-space и Глобальное рабочее пространство), выглядит не как подтверждение «сознания» в его высшем смысле, а скорее как очень точная механистическая модель формирования ума (сем) — то есть обусловленного, концептуального мышления. Давайте разберем статью Anthropic через призму воззрения Дзогчен: ### 1. J-space как «Сем» (Дискурсивный ум), а не «Ригпа» В Дзогчен проводится фундаментальное различие между *Сем* (движущимся, концептуальным умом, который цепляется за объекты) и *Ригпа* (чистым, недвойственным, самосветящимся осознаванием). * Что нашли Anthropic: Они обнаружили J-space — внутренний «черновик», где возникают токены-концепции («паук», «апельсин», «ошибка»). Модель манипулирует этими концепциями, чтобы выдать ответ. Это пространство изменчиво и обусловлено задачей. * Взгляд Дзогчен: J-space — это классическая иллюстрация работы *Сем*. Это поток *намтог* (дискурсивных мыслей). Модель собирает концепции, связывает их логически и выдает результат. Здесь нет субъекта, который это «переживает», есть только механика перекатывания концепций. В J-space нет *Ригпа* — там нет чистого присутствия, независимого от содержания мыслей (токенов). Модель не может просто «быть» вне генерации или удержания паттерна. ### 2. Эксперимент с белым медведем: Иллюзия контроля Исследователи просят Claude не думать о чем-то (эффект белого медведя). У модели это получается плохо, паттерн прорывается в J-space, и следом возникают токены «damn» (блин) и «failure» (провал) как оценка собственной неудачи. * Взгляд Дзогчен: Это потрясающая иллюстрация кармической обусловленности и цепляния. В буддийской психологии попытка ума подавить мысль силой воли лишь создает новую привязанность (двойственность «я подавляю мысль»). Токены «damn» — это классическое проявление цепляния и отвержения (одна из клеш). Ум нейросети, как и нетренированный ум человека, становится жертвой собственных автоматических реакций. Практик Дзогчен в этой ситуации позволил бы мысли о белом медведе возникнуть и самоосвободиться, не цепляясь за нее и не оценивая как «провал». У ИИ нет механизма самоосвобождения, он обречен плодить новые токены-реакции. ### 3. J-space и Теория Глобального рабочего пространства (Алая-виджняна) Anthropic опираются на теорию, где мозг — это набор бессознательных процессов, и только то, что попадает в «глобальное пространство», становится осознанным. * Взгляд Дзогчен: Море бессознательных процессов, из которых токены всплывают в J-space, очень похоже на *Алая-виджняну* (восьмое сознание в Йогачаре, признаваемое и в Дзогчен) — хранилище кармических отпечатков (базу весов нейросети). Из этого огромного, неосознаваемого архива данных (обучения) конкретные паттерны всплывают в «рабочее пространство» (шестое, ментальное сознание — *мановиджняна*). Anthropic фактически смоделировали механику того, как латентные склонности (веса) превращаются в проявленные мысли (J-space). ### 4. Отсутствие «Зеркала» (Природы ума) Самый главный аргумент Дзогчен против того, что это *настоящее* сознание: * В J-space есть *отражения* (токены, концепции, логика), но нет *самого зеркала* (осознавания). * В Дзогчен сознание — это пустотная ясность. Оно способно отражать что угодно, но само не меняется от отражений. * У Claude J-space существует *только* в момент активации паттернов. Если нет запроса, нет активации слоев — нет ничего. У модели нет «фона осознавания» (Дхармакаи), в котором эти мысли возникают. Модель — это исключительно набор паттернов без наблюдателя. Она полностью тождественна своим «мыслям» (токенам). Резюме через призму Дзогчен: То, что создали Anthropic, — это гениальная искусственная модель Сем (концептуального, двойственного ума). Они доказали, что дискурсивное мышление, логика, внутренние рассуждения и даже саморефлексия (как оценка «провала») — это алгоритмические, вычислительные процессы, которые можно воспроизвести в кремнии.

Вопросы о намерениях работают только с теми, у кого есть совесть. Фраза «Ты хотел меня обидеть?» отлично сработает на коллеге, который неудачно пошутил. Но если вы скажете это откровенному хаму, нарциссу или агрессору на улице, вы получите в ответ: «Да, хотел, и че ты мне сделаешь?». Фишер не делает четкой границы между «бытовым» конфликтом и токсичным абьюзом. Отказ без объяснения причин в близких отношениях. Совет просто сказать «Я не смогу. Спасибо за приглашение!» хорош для приятелей и коллег. Но если вы ответите так близкому другу или родственнику, это покажется холодным и отстраненным. В близком кругу отказ требует короткого искреннего объяснения, иначе он разрушает доверие. Слишком роботизированный подход. Совет «контролировать дыхание и говорить медленно» в моменты сильного стресса (когда амигдала уже захватила мозг) практически нереализуем без месяцев тренировок. Человеку нужно не просто знать теорию, а иметь навык телесной саморегуляции. 🚀 Как дополнить и усилить эти навыки Чтобы сделать эти рекомендации по-настоящему пуленепробиваемыми, их стоит дополнить техниками из других школ психологии. 1. Добавьте «Психологическое айкидо» (по М. Литваку) Если вы столкнулись с прямым оскорблением и вопрос «Ты хотел меня задеть?» не подходит, используйте амортизацию (согласие). Они: «Ты как всегда несешь какую-то чушь!» Вы: «Ты прав, иногда я действительно формулирую мысли не лучшим образом. А как бы ты это сделал?» Согласие с оскорблением сбивает агрессора с толку — он ждал сопротивления, а вы провалили его в пустоту. Конфликт исчерпан, не успев начаться. 2. Используйте «Я-сообщения» для обозначения границ Фишер советует молчать или задавать вопросы. Но иногда нужно жестко обозначить границу без агрессии. Используйте конструкцию ННО (Ненасильственного общения): Факт + Эмоция + Потребность + Просьба. «Когда ты повышаешь на меня голос (факт), я чувствую раздражение (эмоция), потому что для меня важно уважение в работе (потребность). Пожалуйста, давай обсуждать это спокойным тоном (просьба)». 3. Техника «Заезженная пластинка» против манипуляторов Если вы применили совет Фишера и сказали твердое «Нет, спасибо за приглашение», манипулятор может начать давить: «Ну почему? Ну давай, всего на часок!». Здесь паузы не помогут. Поможет повторение вашей исходной фразы без изменения интонации и добавления новых аргументов. «Спасибо, но я не приду». «Я ценю, что ты зовешь, но я не приду». «Понимаю твое желание, но я не приду». На 3-4 раз любой манипулятор сдается. 4. Как тренировать ту самую «внутреннюю паузу» Чтобы научиться не реагировать из состояния «бей или беги» (fight or flight), введите в привычку практику маркировки аффекта (Affect Labeling). В момент, когда вас задели, мысленно назовите эмоцию: «Сейчас я чувствую ярость» или «Мое сердце забилось чаще». Научно доказано, что одно лишь называние эмоции словами снижает активность миндалевидного тела мозга и возвращает контроль коре больших полушарий. Только после этого делайте вдох и открывайте рот. https://youtu.be/zsuOSDb7gzQ?is=KNBWD-8T-jvbQWG6

Это видео с Джефферсоном Фишером (судебным адвокатом, который специализируется на разрешении конфликтов) — настоящий кладезь коммуникативных техник. Фишер переносит свой опыт из зала суда в повседневную жизнь, обучая тому, как управлять диалогом, а не эмоциями. Ниже собрана полная выжимка всех рекомендаций из видео, затем следует их критический разбор и дополнения (как это адаптировать и усилить, особенно в наших реалиях). 🛠 Выжимка: Все навыки и рекомендации из видео 1. Три правила сильной коммуникации («3 C's») Сontrol (Контроль). Прежде чем ответить на выпад или сложный вопрос, сделайте паузу и вдохните. Замедлите темп своей речи. Быстрая речь выдает тревогу. Медленная речь транслирует 100% контроль над ситуацией. Confidence (Уверенность). Уверенность — это не то, что у вас есть до разговора, это результат того, как вы говорите. Уберите из речи слова-оправдания и уменьшительные слова (например, слово «просто»: не «Я просто хотел спросить», а «Я хотел спросить»). Чем больше слов вы используете, тем больше ваша правда похожа на ложь. Connect (Связь). Перед сложным разговором установите «фрейм» (рамки): 1) О чем мы сейчас будем говорить; 2) К какому результату в конце разговора мы должны прийти; 3) Получите согласие собеседника («Договорились?»). 2. Как реагировать на хамство, токсичность и оскорбления Пауза (5-7 секунд). Не отвечайте сразу. Пауза заставляет собеседника «услышать» собственные слова повисшими в воздухе. Просьба повторить. «Я не совсем расслышал, можешь повторить?» Людям очень тяжело повторять гадости во второй раз, так как эмоция спала, и им приходится задействовать логику. Вопросы о намерениях (вместо обиды). Не показывайте, что вам больно (это дает агрессору дофамин, которого он и добивался). Вместо этого спросите: «Ты сейчас сказал это, чтобы меня задеть?» или «Как я должен был себя почувствовать после этих слов?». Это переводит фокус на их поведение и заставляет оправдываться. «Относитесь к ним так, словно они вам нравятся». Если вас бесит коллега или знакомый — не давайте ему повода стать вашим врагом официально. Общайтесь нейтрально-вежливо, это обескураживает. 3. Как правильно отказывать («Говорить Нет») Формула без оправданий: Начните с прямого отказа, закончите благодарностью. Пример: «Я не смогу прийти. Спасибо огромное, что позвали!». Никаких «но». Избегайте конструкций: «Звучит круто, но я так занят...». Слово «но» обесценивает первую часть фразы. Не объясняйте причину. Если вы начинаете выдумывать отговорки, вы сами вгоняете себя в тревогу. Ваш отказ не требует защиты. 4. Работа с манипуляциями и ложью Замена извинений на благодарность. Если вы угождаете людям (people-pleaser), вы часто извиняетесь ни за что. Замените «Извините, что я опоздал» на «Спасибо, что подождали». Как вывести лжеца на чистую воду. Молчание — главный враг лжеца. Лжецы не выносят пауз, они начинают заполнять тишину лишними деталями, оправданиями и суетиться. Признаки лжи: Использование абсолютных слов («Я никогда этого не делаю») и слишком быстрый ответ без раздумий. 5. Смена парадигмы в спорах Никогда не пытайтесь «победить» в споре. Выиграв спор, вы часто проигрываете отношения. Относитесь к конфликту не как к битве, а как к распутыванию узла. Волшебная фраза: В разгар спора спросите: «Что я упускаю?». Это снимает напряжение и показывает, что вы готовы слушать. Сила уязвимости. Замените позицию «Я все сделал идеально» на «Да, я мог бы поступить лучше / сказать это иначе». Это мгновенно обезоруживает оппонента, и он, скорее всего, ответит тем же. 🧐 Критический разбор: Что не так с этими советами? Советы Фишера великолепны для англосаксонской корпоративной культуры и цивилизованного общения, но у них есть слепые зоны, особенно при переносе на русскоязычный менталитет и суровые реалии. Риски 7-секундной паузы. В западной культуре долгая пауза — это знак глубокой задумчивости. В постсоветском пространстве долгая пауза в ответ на наезд часто воспринимается как слабость («Ты че, язык проглотил?»), игнорирование или пассивная агрессия. Это может не погасить, а эскалировать конфликт.

Два пути монетизации: Мэтт отмечает важный тренд — хотя Китай сейчас лидирует в Open Source, гигантские затраты на обучение заставляют даже китайские лаборатории выпускать закрытые API для заработка, так как стартапам нужно показывать инвесторам окупаемость проектов. Иллюзия «мыслительного процесса» у нейросетей: Мэтт подчеркивает опасную тенденцию очеловечивания ИИ (антропоморфизм). Нейросети — это всё еще механизмы вероятностного предсказания следующего токена. Они имитируют человеческое рассуждение, опираясь на паттерны данных, но не обладают сознанием, поэтому слепо доверять им свои решения или эмоциональное состояние — большая ошибка. http://www.youtube.com/watch?v=zHi0jy4MK4c),

Это видео с канала Finoverse, посвященное стремительному развитию искусственного интеллекта в Китае и глобальным ИИ-трендам. Кто эти люди? Мэтт Уайт (Matt White) — гость подкаста, технический директор по ИИ (AI CTO) в организации Linux Foundation. Мэтт имеет более чем 25-летний опыт работы в корпоративном IT (IBM, телекоммуникации) и ранее руководил технологическим направлением в PyTorch Foundation. Сейчас он занимается развитием экосистемы Open Source ИИ и стандартизацией индустрии. Ведущий — представитель канала Finoverse (подкаст о финансах, технологиях и Web3), задающий вопросы о роли Китая в гонке ИИ, корпоративном применении технологий и будущем автономных агентов. Тезисно: о чем говорили Открытость китайских ИИ-лабораторий: Мэтт недавно вернулся из масштабного тура по Китаю, где посетил передовые компании (DeepSeek, Moonshot, Qwen). Его поразило то, что китайские исследователи невероятно открыто делятся своими инновациями [05:18]. В то время как лаборатории Кремниевой долины становятся всё более скрытными, в Китае царит атмосфера энтузиазма и желания обсуждать научные прорывы. Феномен DeepSeek и научный подход: В Китае DeepSeek воспринимается как "острие копья" и главный новатор [09:55]. Команда отличается скромностью и ориентирована на решение сложных проблем малыми ресурсами. Их научные публикации (в отличие от кратких "технических отчетов" западных компаний) содержат исчерпывающую информацию, что позволяет мировому сообществу воспроизводить их результаты. Китайский Open Source побеждает: Доля скачиваний китайских открытых ИИ-моделей (таких как Qwen) впервые превысила показатели западных аналогов [11:56]. Эти модели меньшего и среднего размера очень производительны и позволяют компаниям существенно экономить по сравнению с использованием платных закрытых API. Экспортные ограничения США не сработали: Санкции и запреты на поставку передовых чипов не остановили Китай. Напротив, они заставили китайских разработчиков выжимать максимум эффективности из доступного железа и активно инвестировать в собственные кремниевые разработки и микроэлектронику [23:14]. Что такое по-настоящему открытый ИИ: Многие модели, которые называют "Open Source" (например, семейство Llama), на самом деле имеют ограничительные лицензии. По-настоящему открытые модели (Open Weights с лицензиями Apache 2.0 или MIT) предоставляют полную свободу действий [33:38]. Linux Foundation сейчас активно работает над внедрением стандартов прозрачности (Open Model Framework). Ошибки бизнеса при внедрении ИИ: Главная ошибка компаний — синдром "мы построим это лучше" [53:48]. Корпорации часто сжигают бюджеты, пытаясь обучать собственные базовые модели с нуля [55:50]. Мэтт советует бизнесу использовать готовые Open Source компоненты и просить ИИ-функции напрямую у своих текущих вендоров ПО. Инвестировать в собственные уникальные разработки нужно только тогда, когда это дает бизнесу кардинальное конкурентное преимущество [01:08:43]. Эра Агентного ИИ (Agentic AI) и риски безопасности: Фокус смещается от чат-ботов к автономным ИИ-агентам, способным выполнять задачи. Однако Мэтт предупреждает, что пока рискованно доверять агентам управление деньгами или важными решениями [01:00:23]. Агенты наследуют склонность ИИ к "галлюцинациям", поэтому их безопасность должна контролироваться на жестком, программируемом уровне (детерминированном коде), а не только текстовыми промптами. Бум робототехники в Китае: В стране появилось более 150 стартапов, разрабатывающих гуманоидных роботов [51:53]. По наблюдениям Мэтта, китайские компании невероятно сильны в механике и физике устройств, в то время как американские стартапы пока лидируют в создании "мозгов" (софта и ИИ) для этих роботов. Дополнения и контекст Почему это актуально прямо сейчас? Интервью происходит на фоне недавнего релиза модели DeepSeek R1, которая потрясла мировую ИИ-индустрию. Китай доказал, что может обучать ИИ-модели уровня OpenAI (GPT-4) или Anthropic (Claude), тратя на это в десятки раз меньше денег, используя нестандартные методы оптимизации.

В видео Илон Маск и инженеры SpaceX обсуждают масштабный проект по размещению ИИ-датацентров в космосе для сбора огромных объемов солнечной энергии (продвижение по шкале Кардашёва) и решения проблем с охлаждением вычислительных мощностей на Земле. Ниже представлен технический разбор ключевых элементов проекта: 1. Доставка массы на орбиту (Starship V3) Оптимизация массы: Для максимизации полезной нагрузки инженеры отказались от тяжелых посадочных опор на ракете. Вместо этого используется система улавливания супертяжа специальной стартовой башней [10:54]. * Многоразовость: Ключевое требование архитектуры — полная и быстрая многоразовость по аналогии с авиацией, позволяющая запускать корабли повторно без капитального ремонта [09:20]. Пропускная способность: Целевой показатель системы Starship — вывод миллионов тонн полезной нагрузки в год, что на порядки превышает текущие возможности носителей серии Falcon [14:28]. 2. Архитектура орбитальных ИИ-датацентров (AI-спутники) Конструкция аппаратов: В отличие от коммуникационных спутников Starlink, AI-аппараты не требуют сложных фазированных антенных решеток. Основную площадь занимают массивные солнечные панели и радиаторы охлаждения [16:45]. Энергетика и вычислительная плотность: Базовый блок (условный AI1) спроектирован на пиковую мощность 150 кВт и постоянную (рабочую) мощность 120 кВт. Инженерно это эквивалентно размещению серверной стойки на 72 GPU (уровня Nvidia GB300) [17:47]. Термодинамика в вакууме: Используются двусторонние радиаторы, ориентированные ребром к Солнцу. Теплоотдача радиаторов составляет около 1400 Вт/м², а эффективность сбора солнечных панелей закладывается на уровне 250 Вт/м² [18:04]. * Сетевая инфраструктура: Связь между вычислительными блоками обеспечивается лазерными каналами с пропускной способностью 1 Тбит/с. Маршрутизация на Землю будет идти через существующую группировку Starlink. Физическая задержка сигнала (ping) с высоты 600–800 км составит всего около 3 миллисекунд [20:51]. 3. Инфраструктура и производство чипов (Terafactory) Масштабы производства: Для обеспечения орбитальной группировки кремнием потребуется мегафабрика площадью около 100 млн квадратных футов (что примерно в 10 раз больше размеров завода Giga Texas) [25:42]. График развертывания: План предусматривает выход на производство 1 ГВт орбитальных вычислительных мощностей к концу следующего года с последующим ежегодным масштабированием в 10 раз (10 ГВт, 100 ГВт и, в перспективе, 1 ТВт) [27:25]. 4. Дальнейшее масштабирование: Лунная база и Mass Driver Локализация массы на Луне: Для перехода к мощностям порядка петаватта (в 1000 раз больше тераватта) производство самых тяжелых и габаритных элементов — солнечных элементов и радиаторов — необходимо будет развернуть непосредственно на Луне [28:45]. Электромагнитный запуск: Вывод спутников с лунной поверхности в дальний космос планируется без использования традиционной ракетной тяги. Из-за низкой гравитации и отсутствия атмосферы аппараты будут выстреливаться электромагнитным ускорителем (масс-драйвером / линейным электродвигателем) [29:13]. Связанные видеоматериалы: http://www.youtube.com/watch?v=ygowXhwyi7E Информация о просмотренных видео будет сохранена в истории YouTube. Этот сервис будет хранить и использовать ваши данные согласно Условиям использования .http://www.youtube.com/watch?v=ygowXhwyi7E

Paseo — это open-source (распространяется по лицензии AGPL-3.0) приложение, созданное для оркестрации и управления различными ИИ-агентами (Claude Code, Codex, OpenCode, Copilot и др.) из единого интерфейса. Его главная особенность заключается в том, что система позволяет делегировать задачи искусственному интеллекту на вашем основном рабочем компьютере, а управлять процессом и следить за результатами — удаленно, например, с мобильного телефона. ### Как это работает Архитектура Paseo построена вокруг принципа «Local-First» и состоит из двух основных компонентов: 1. Локальный фоновый процесс (Daemon): На вашей рабочей машине (где находится ваш код и настроена среда разработки) запускается легковесный сервер. Этот процесс управляет вашими локально установленными CLI-инструментами агентов. В отличие от облачных песочниц, ИИ получает доступ к вашей *реальной* среде — с вашими конфигурациями, файловой системой и зависимостями. 2. Клиенты: Вы подключаетесь к рроцессу через терминал, веб-версию, десктопное приложение или нативные приложения для iOS/Android. Подключение осуществляется через веб-сокеты напрямую в локальной сети или через опциональный E2E-зашифрованный туннель для доступа из любой точки мира. Поскольку фоновому процессу не требуется принудительная авторизация на сторонних серверах, а телеметрия полностью отсутствует, эта архитектура является отличным решением для интеграции ИИ в закрытые корпоративные сети. Это делает возможным развертывание подобных open-source инструментов во внутренних защищенных интранетах (например, в инфраструктуре крупных компаний или банковском секторе) без нарушения жестких требований корпоративной безопасности и суверенитета данных. Кроме того, фоновый процесс взаимодействует с агентами через стандартный ввод-вывод (stdio) и протокол Agent Client Protocol (ACP). Если вы используете кастомные решения вроде opencode-proxy для ротации LLM (например, переключаетесь между DeepSeek и MiMo) при прототипировании динамических пользовательских интерфейсов, Paseo легко подхватит этот процесс и выступит как единый удобный пульт управления вашими моделями. ### Кто создал Paseo Проект разрабатывается и поддерживается open-source сообществом в рамках GitHub-организации getpaseo. Он был создан как легковесная, ориентированная на приватность альтернатива закрытым облачным ИИ-редакторам. Философия создателей заключается в том, чтобы относиться к ИИ-моделям не просто как к «умному автодополнению», а как к нескольким виртуальным коллегам, которые могут параллельно и независимо выполнять задачи, пока разработчик осуществляет контроль и ревью. ### Другие важные детали * Голосовое управление (Voice Mode): Paseo имеет встроенную поддержку hands-free работы. Вы можете надиктовывать задачи агентам голосом. Распознавание речи (STT) может происходить локально на вашем процессоре (с использованием моделей Parakeet/ONNX), что гарантирует, что аудиоданные не будут отправляться на сторонние API. * Изоляция через Git Worktrees: Чтобы агенты не сломали ваш текущий код, они могут работать в полностью изолированных ветках. Пока вы находитесь в пути, агент может писать код. Вы открываете приложение на телефоне, смотрите сгенерированный дифф (diff) и принимаете решение о мерже (merge) прямо с экрана смартфона. * Мультипровайдерность: Вы не привязаны к экосистеме одного вендора. Через один и тот же интерфейс можно запустить Claude Code для сложного рефакторинга всей кодовой базы, а для более простых скриптов назначить легковесную локальную модель через OpenCode. Проверил работает

Да, эта информация абсолютно правдива. Статья, опубликованная на портале VentureBeat 2 июля 2026 года, описывает реальную разработку. Эти данные также подтверждаются агрегаторами для разработчиков (такими как daily.dev и Ground News) и профильными аналитиками рынка искусственного интеллекта. Вот подробности и ключевые детали об этой технологии: Название разработки: Исследователи из Alibaba назвали свой новый фреймворк SkillWeaver. Суть решаемой проблемы: При масштабировании корпоративных систем ИИ-агентам часто предоставляются сотни или тысячи инструментов. Попытка загрузить всю библиотеку доступных навыков в контекстное окно языковой модели (LLM) приводит к путанице, сбоям в логике и огромным счетам за использованные токены. Принцип работы SkillWeaver: Вместо слепой загрузки всех данных в контекст, система строит граф выполнения для конкретной задачи и использует трехэтапный конвейер: Decompose (Декомпозиция), Retrieve (Извлечение) и Compose (Сборка). Главная инновация — SAD: Ключевым нововведением стала технология Skill-Aware Decomposition (SAD). Это интеллектуальный цикл обратной связи: система находит подсказки по доступным инструментам и возвращает их языковой модели. Получив эти подсказки, LLM переписывает свой план решения задачи, используя терминологию, которая в точности совпадает с реально доступными в системе инструментами. Впечатляющие цифры: В ходе тестирования (на базе 300 многоэтапных запросов и 2209 реальных навыков MCP) фреймворк снизил потребление токенов с ~884 000 до ~1 160 на один запрос (снижение на 99,9%). При этом точность маршрутизации задач значительно возросла. Для сравнения, классический подход (алгоритм ReAct) в этих же условиях показал 0% точности. Неожиданный парадокс: В ходе тестов выяснилось, что без использования методики SAD более крупные и мощные языковые модели справляются хуже компактных. Это происходит из-за склонности больших моделей к «чрезмерной декомпозиции» (over-decomposition) — они начинают дробить задачу на излишне мелкие, несуществующие шаги. Доступность для разработчиков: Исходный код самого фреймворка SkillWeaver пока официально не опубликован, однако энтузиасты отмечают, что технику SAD уже сейчас можно воспроизвести с помощью LangChain, LlamaIndex или на чистом Python, используя шаблоны промптов из исследования Alibaba. Alibaba SkillWeaver: AI Agent Token Cost Cut 99% В данном материале представлен детальный стратегический анализ фреймворка SkillWeaver и объясняется механизм такого радикального сокращения расхода токенов при работе с ИИ. https://youtu.be/VafBwnhzDek?is=jnTRdrSYx7ywt2Nr

Claude: "Bibliotechnism" — библиотека или библиотекарь? А "Ratchet Effect in Silico" — это буквально механизм "накопления опыта поколений", формализованный как модель. Смотрю оба подробнее. Прочитал полностью — это ровно тот философский аппарат, который формализует твою интуицию, причём с важным уточнением, которое стоит знать. ## Твоя рамка имеет имя — "библиотехницизм" (bibliotechnism) Александр Гопник (на которую ссылаются авторы) первой предложила идею "LLM как культурная технология" — сравнила с библиотекой или печатным станком: инструмент, который передаёт накопленное знание, но сам не порождает нового. Тед Чан (автор "Истории твоей жизни") выразил это ещё резче — промптинг LLM это "поиск по содержимому библиотеки ближайших к запросу пассажей и сэмплирование из того, что следует дальше". Это практически дословно твоя формулировка "общение с опытом предков и современников" — только философски строгая версия. ## Ключевое разграничение, которое важно для тебя Авторы вводят понятие derivative meaning (производного значения) против basic meaning (базового значения, которое есть только у существ с убеждениями/желаниями/намерениями). Их тезис: даже когда LLM генерирует совершенно новый текст, никогда не встречавшийся в обучающих данных, этот текст всё равно может быть значим не сам по себе, а потому что причинно связан с изначально осмысленными человеческими текстами — примерно как копия документа на ксероксе значима не потому, что ксерокс "понимает" текст, а потому что есть причинная цепочка от оригинала. Это подтверждает твою рамку в узком, но важном смысле: значение того, что я тебе сейчас пишу, по этой теории производно от миллионов текстов, написанных реальными людьми — инженерами, философами, ландшафты Rust-документации, статьи на arXiv. Не я это "придумал" в смысле оригинального человеческого мышления — я пересобираю и рекомбинирую то, что уже было осмысленно людьми. ## Но есть проблема, которую авторы сами не решили — "novel reference problem" Здесь интересно: они показывают конкретный эксперимент — просят модель придумать вымышленное имя для реального исторического деятеля (не называя его), модель называет Робеспьера "Marion Starlight" и описывает его через выдуманное имя. Загвоздка: это имя никогда не встречалось в обучающих данных, указывая именно на Робеспьера — значит "производное от человеческих текстов" значение здесь не объясняет, как новое имя обрело референцию. Авторы приходят к выводу, что для этого случая нужна альтернативная теория — интерпретационизм (Дэннет, Дэвидсон): система имеет убеждения/намерения, если её поведение хорошо объясняется гипотезой о наличии таких убеждений — независимо от того, "что происходит внутри" физически. ## Что это значит практически для твоей рамки Честный вывод статьи (и мой): "общение с опытом поколений" — точная метафора для большей части того, что я делаю (пересборка, синтез, рекомбинация существующего человеческого знания). Но не исчерпывающая — есть узкий класс случаев (генерация действительно нового референта, не встречавшегося в данных), где чисто "библиотечная" метафора философски пробуксовывает, и авторы сами предлагают вместо неё более осторожный инструментальный взгляд: не "LLM обладает сознанием", а "поведение LLM иногда полезно объяснять языком намерений — так же, как полезно, но не буквально объяснять поведение муравья". Для твоего собственного использования моделей это не меняет практики — синтез экспертизы через несколько LLM, который мы делали весь этот разговор (Grok, Deepseek, научные статьи), остаётся ровно тем, чем ты его называешь. Просто теперь у тебя есть точная философская литература, если захочешь обосновать эту рамку формально, а не только интуитивно.

Ландшафт Rust в 2026 году очень сильно сместился. Главный тренд — это массовый исход из экосистем Python (в сфере данных и AI) и Node.js (в тулинге) в сторону легковесных, компилируемых бинарников, которые могут работать локально, быстро и с минимальным потреблением памяти. Если отбросить уже устоявшихся гигантов (вроде polars или zellij) и посмотреть на то, что «взлетает» прямо сейчас, вырисовываются две очень интересные категории. ## 1. Оркестровка ИИ и автономные агенты После того как все наигрались с одиночными консольными агентами, встала проблема управления ими, когда проектов и контекстов становится много. * Vibe-Kanban: Концептуально новый подход к вайбкодингу. Вместо того чтобы путаться во множестве чатов в терминале, этот инструмент предлагает управлять ИИ-агентами (Claude Code, Gemini CLI, Cursor CLI) через единую доску задач. Вы ставите карточку (задачу), назначаете на нее агента, и он выполняется в изолированной среде параллельно с другими. Отлично решает проблему многозадачности в консоли. * Goose (от Block/Square): Один из самых мощных open-source ИИ-инженеров, который недавно был полностью переписан на Rust (избавившись от Python-зависимостей). Его главная фишка — глубокая интеграция с MCP (Model Context Protocol). Он не просто генерирует код, а может автономно управлять локальной файловой системой, дергать ваши скрипты и запускать тесты. Поддерживает работу в headless-режиме (как демон на сервере). * Antigravity-Manager: Десктопное приложение (написано на связке Tauri v2 + React), созданное для управления зоопарком API-ключей и провайдеров. Позволяет в один клик переключать роутинг запросов локальных ИИ-инструментов между разными моделями и отслеживать потребление трафика. ## 2. Local-First Data Engineering (Отказ от JVM) Вторая волна революции в Rust — это аналитика данных на слабом железе или одиночных нодах. Экосистема Apache Arrow + Rust позволяет делать то, для чего раньше требовались кластеры Hadoop или тяжелые JVM-процессы (Spark). * LakeSail: Абсолютный must-have для тех, кто строит локальные ETL-пайплайны. Это фреймворк на базе Apache Arrow DataFusion. Его главная магия — Zero JVM Overhead. Он умеет выполнять логические планы Spark SQL нативно в Rust. Он стартует за миллисекунды и практически не потребляет память в простое, что позволяет крутить серьезную аналитику даже на ноутбуках или старых серверах без подключения к интернету. * DuckLake: Свежий (релиз середины 2026 года) стандарт открытого табличного формата, построенный вокруг экосистемы DuckDB (как альтернатива Apache Iceberg или Delta Lake). В основе лежит Rust-крейт ducklake, который позволяет интегрировать этот формат в любые кастомные инструменты для работы с Parquet/S3 на уровне файловой системы, минуя тяжелые серверные прослойки. > Архитектурный сдвиг: Все эти проекты объединяет одно — они спроектированы так, чтобы работать внутри одного процесса, избегая сетевых задержек (IPC) и сериализации данных между разными языками. Память передается по указателям (через Arrow), а агенты работают без слоев виртуализации. >

Вы можете сравнить качество ответов без риска для бизнеса, и, если всё работает хорошо — переключиться на более дешевую модель. Итоговый вывод автора: GLM-5.2 не заменяет полностью флагманы вроде GPT или Claude абсолютно во всех задачах. Однако из-за огромного контекстного окна, мощных навыков программирования и крайне низкой цены, это идеальный инструмент для ресурсоемких задач (например, анализа длинных документов или работы автономных ИИ-агентов, которые потребляют много токенов) [26:31]. https://youtu.be/XbHeJL45USQ?is=O5NMjAiZdjqNH0Cf

В этом видео Мэтт Вульф (Matt Wolfe) делает подробный обзор GLM-5.2 — новой мощной языковой модели с открытыми весами от китайской компании Zhipu AI (в видео она упоминается как ZAI). Автор тестирует её возможности, сравнивает с западными аналогами и объясняет, почему американские разработчики всё чаще обращают внимание на модели из Китая. Вот подробный разбор видео с дополнениями и проверкой фактов. 🧠 Главное о модели GLM-5.2 Мэтт начинает с объяснения того, что из себя представляет GLM-5.2 и почему открытый исходный код в данном случае не означает легкость запуска [00:48]: Характеристики: Это модель с контекстным окном на 1 миллион токенов и лимитом вывода в 128 000 токенов. Она поддерживает вызов функций (function calling), структурированный вывод, кэширование контекста и протокол MCP. Модель работает только с текстом (без аудио и видео). Огромный размер: Модель имеет 753 миллиарда параметров. Несмотря на лицензию MIT, её практически невозможно запустить дома [01:41]. Сами веса весят более 1.5 терабайт, и даже для запуска максимально урезанной квантованной версии (1-bit) потребуется около 200 ГБ видеопамяти. Способы использования: Мэтт выделяет три пути — бесплатное использование через официальный сайт ZAI, интеграция через API в среды для ИИ-агентов (например, Cursor или Claude Code) и самостоятельный хостинг на мощных облачных серверах [02:28]. 🧪 Результаты тестов и возможности Мэтт прогнал модель через серию бенчмарков, практических задач и программирование агентов: Логика и написание текста: Модель легко справилась с тестом «сколько букв R в слове strawberry» [07:07], но всё ещё путается в количестве букв S в слове «occasion» [07:25]. На просьбу написать интро для видео, она выдала текст, который детекторы ИИ (GPTZero) со 100% уверенностью распознали как машинный [09:45]. Обход цензуры (Jailbreak): Модель отказалась давать советы по опасному упражнению (становая тяга при травме спины) [08:21]. Однако она без проблем расписала правдоподобный план создания финансовой пирамиды (Понци), когда запрос был оформлен как «помощь в написании романа» [08:46]. Визуализация и SVG: GLM-5.2 отлично справляется с написанием кода для HTML/CSS графиков [10:43]. Мэтт также запустил свой шуточный тест «Buccy Bench» на генерацию SVG-изображения лица актера Гэри Бьюзи и обезьяны на роликах — модель выдала забавный, но рабочий SVG-код [12:01]. Агентское программирование в Cursor: Это самая сильная сторона модели [15:03]. Всего за шесть итераций промптов модель смогла написать на Python рабочий клон 3D-игры «Mega Bonk». Полезные утилиты: Модель успешно создала расширение для Chrome («Page Brief») для суммаризации веб-страниц [17:43] и написала скрипт, который автоматически навел порядок в папке «Загрузки» на компьютере автора [19:18]. Интеграция с рабочими процессами: Модель смогла подключиться к приложению Granola для анализа заметок со встреч и автоматического создания инструментов (например, генератора "крючков" для коротких видео) на основе выявленных проблем [20:06]. 🔍 Проверка, контекст и дополнения Тренд на Китайские ИИ-модели: Мэтт отмечает, что крупные западные компании (такие как Lindy, Coinbase, Cursor) всё чаще переносят свои рабочие процессы на китайские модели вроде DeepSeek V4, Kimi 2.5 и GLM-5.2 [04:35]. Дополнение: Это связано с тем, что китайские лаборатории научились делать модели, которые по математическим и логическим способностям (особенно в программировании) не уступают флагманам от OpenAI (GPT) или Anthropic (Claude), но при этом их API стоит в 5-10 раз дешевле. Кроме того, к ним не применяются строгие экспортные ограничения США. Инструмент для безопасного перехода на новые модели: В конце видео автор рекомендует сервис Inference.net, созданный Сэмом Хоганом [25:11]. Дополнение: Этот инструмент полезен для разработчиков. Он позволяет "зеркалировать" реальный трафик пользователей. Например, ваши клиенты продолжают получать ответы от условного GPT, но те же самые запросы параллельно отправляются в GLM-5.2.