Квантовые вычисления: когда физика встречается с информатикой ❔

Всем привет! Поговорим о мощи квантовых вычислений и что не так с обычными компьютерами 🖥.

Классические компьютеры работают с битами — единицами информации, которые могут быть либо 0, либо 1. Представьте выключатель света: он либо включён, либо выключен. Но для решения очень сложных задач (например, моделирования молекул или подбора шифров) классическому компьютеру приходится перебирать огромное количество вариантов. Это похоже на поиск нужной книги в библиотеке, просматривая полку за полкой.

Магия квантовых битов 🙂

Квантовый бит — кубит — устроен иначе. Он может находиться в суперпозиции, то есть быть в состоянии 0 и 1 с разными вероятностями. Простая аналогия: кот Шрёдингера 🥳. Пока мы не заглянули в коробку, он одновременно и жив, и мёртв. Кубит работает похоже — до измерения он находится в комбинации состояний.

Почему это революционно? 💪

Если у вас есть n классических битов, вы можете хранить одно из 2^n возможных значений. А n кубитов могут находиться в суперпозиции всех 2^n комбинаций. Для примера: всего 300 кубитов могут описывать пространство состояний большее, чем количество атомов во Вселенной... Конечно, это не значит, что компьютер "сразу хранит всё", но это открывает невероятные возможности для параллельных вычислений.

Где это уже работает? 🔧

В 2019 году квантовый процессор Google Sycamore выполнил задачу за 200 секунд, тогда как самому мощному суперкомпьютеру на Земле потребовались бы тысячи лет. Этот эксперимент называют «квантовым превосходством». Правда, сама задача была больше демонстрацией возможностей, чем практическим применением. Компании IBM, IonQ, Rigetti уже дают доступ к квантовым компьютерам через облако. То есть прямо сейчас можно написать квантовую программу и запустить её на настоящем квантовом процессоре.

Почему домой такой комп не купишь? 😭

Кубиты очень чувствительны к шуму 📢. Малейшие вибрации, тепло или электромагнитные поля разрушают суперпозицию. Поэтому квантовые компьютеры охлаждают почти до абсолютного нуля (−273 °C) и тщательно изолируют. Думаю, через 10–15 лет мы, скорее всего, будем использовать квантовые вычисления через облачные сервисы. Не на домашнем ноутбуке, но как дополнительный инструмент для задач, которые классические компьютеры решают слишком долго.

Для тех, кто хочет попробовать новый уровень 🍿

IBM Qiskit — бесплатная платформа для изучения квантового программирования.

Microsoft Q# — язык для квантовых алгоритмов.

Google Cirq — библиотека для работы с квантовыми схемами.

Удачи и быстрой недельки, а нет, она же последняя этим летом... долгой недельки тогда, обнимаю 🌻

Еще один подгон 🍳

📱 Бесплатные курсы по ИИ от Anthropic

Стартап Anthropic, разрабатывающий чат-бота Claude, выпустил три новых онлайн-курса, рассказывающих, как интегрировать искусственный интеллект в образовательный процесс, с фокусом на практике.

AI Fluency for Students — для школьников и студентов 📕

AI Fluency for Educators — для преподавателей 🧑‍🏫

Teaching AI Fluency — для всех 🍀

Будем делать обзор на каждый? - не знаю, посмотрим на Ваши реакции. Но репосты точно делаем 🫰🏻

Больше не пропускать ➕

Обнимаю 🥰

Пока готовил материал для следующего поста, чуть не сломал себе мозг. Будет интересно, обнимаю ❤️

Думаю, с вероятностью 66% выйдет сегодня вечером*

Сегодня я научу Вас всегда выигрывать 🎲

Всем доброго вечера! Я расскажу о том, как математика обманывает интуицию... Начнем с самого знаменитого парадокса, который заставил усомниться в логике даже математиков.

Расслабьтесь и представьте 🛀: Вы участвуете в телешоу. Перед вами три закрытые двери. За одной из них — автомобиль, за двумя другими — козы (goat 🐐) Вы выбираете дверь №1.
Ведущий, который точно знает, где находится приз, открывает одну из оставшихся дверей — №3, за которой оказывается коза. Затем он спрашивает: "Хотите изменить свой выбор на дверь №2?"
Вопрос: стоит ли менять свой выбор?
Большинство людей (включая многих математиков, когда эта задача впервые стала известной) считают, что шансы выиграть автомобиль равны 50/50 🥕для обеих оставшихся дверей. Поэтому, казалось бы, не имеет значения, менять выбор или нет. Просто хитрый ведущий пытается нас запутать и сбить столку глупыми вопросами.
Но это неверно…

Если вы не меняете свой выбор, вероятность выигрыша составляет 1/3 (около 33%).
Если вы меняете свой выбор, вероятность выигрыша возрастает до 2/3 (около 67%).

Это кажется невероятным, не так ли? И вот сейчас, прежде чем я объясню, попробуйте самостоятельно подумать почему так получается. Когда я узнал ответ, я долго ломал голову, как так может быть и, честно скажу, самостоятельно не догадался, может у Вас получится.

Теоретический спойлер: когда вы делаете первый выбор, вероятность выбрать дверь с автомобилем составляет 1/3, а вероятность выбрать дверь с козой — 2/3.
Что знает ведущий: ведущий знает, где находится автомобиль, и всегда открывает дверь с козой.
Ключевой момент: если Ваш первоначальный выбор был неправильным (что происходит с вероятностью 2/3), то после того, как ведущий открыл дверь с козой, автомобиль гарантированно находится за оставшейся дверью.

Таким образом:

Если вы изначально выбрали дверь с автомобилем (вероятность 1/3) и поменяли выбор, вы проиграете.
Если вы изначально выбрали дверь с козой (вероятность 2/3) и поменяли выбор, вы выиграете.

Я решил проверить теорию на практике и написал код 🖥 (можете сами поиграть с ним по ссылочке), который сыграл в эту игру 2000 раз. В 1000 играх он придерживался первоначального выбора, а в других 1000 играх менял свой выбор на вторую доступную дверь. Результаты на картиночке (совпали с теорией).

То есть, математика работает, а стратегия смены выбора действительно увеличивает Ваши шансы более чем вдвое.

Теперь давайте разберемся в механизме, почему интуиция ошибается 🙂

Мы игнорируем условную вероятность — не учитываем, что новая информация (открытие двери с козой) меняет вероятности.
А иллюзия симметрии убеждает нас, что две оставшиеся двери равнозначны, но это не так, потому что ведущий делает неслучайный выбор, а основанный на своем знании. + эмоциональная привязанность — нам психологически сложно отказаться от первоначального выбора (думаю, в быту все с этим сталкивались). Люди также склонны упрощать, свести сложные вероятностные задачи к простым пропорциям (например, 50/50 🇲🇽).

Эти знания теперь можно использовать в реальной жизни. Ведь парадокс — не просто математическая головоломка. Он демонстрирует важные принципы 📖

🌷Не всегда доверяйте интуиции в вопросах вероятности — проверяйте математикой.
🐭Любая новая информация может радикально изменить Ваши шансы.
🍉Иногда лучшая стратегия противоречит привычным шаблонам мышления.
❕+ симуляции на питоне — топ, надо подписываться на канал, чтобы научиться также 💎

А вы бы сменили дверь? Поверили бы в правильность стратегии "поменять" без симуляции?

P.S. Если вам понравился этот пост, попробуйте объяснить парадокс Монти Холла другу. Вы быстро поймете, насколько глубоко наша интуиция сопротивляется правильному ответу.

Всем хороших выходных, дорогие ❤️

Недаром говорят, лето — маленькая жизнь.

Вот и подошло к концу лето 2025 года. Надеюсь, оно подарило Вам множество позитивных воспоминаний, событий и моментов. Не прошло для Вас зря. Лично для меня лето выдалось очень насыщенным. Приятно оглядываться назад и подмечать все, что подарили эти три месяца. Особенно символично и трогательно это делать 31 августа. Сегодня я задумался, что вечер последнего дня лета всегда какой-то особенный. Думаю, максимально сильно это ощущают ребята, окончившие 11 класс в этом году. Школа, стресс от экзаменов, олимпиад, волокита с документами и поступлением позади, а впереди некая неизвестность, некий новый этап, новые знакомства, надежды, возможности. Кто-то переехал в другой город, следуя за своей мечтой... Даже не могу представить, какие мысли и возбуждение испытывают уже завтрашние студенты.

Да, кому-то экзамены предстоит сдать в следующем году. Думаю, новоиспеченные 11-классники уже начали ощущать их своими затылками (сразу проспойлерю, не переживайте, все будет хорошо). Кто-то напротив, уже учится в ВУЗе или даже давно закончил его.

Что я хочу сказать? - Мы все здесь разные. Но всех нас объединяет тяга к новому, знаниям, развитию, стремление к чему-то лучшему, своему счастью. Это и есть настоящая связь поколений — не через возраст или статус, а через общую страсть к познанию. И пусть она ведет нас дальше этой осенью. Каждого на своем жизненном этапе. Ведь осень — это не конец чего-то прекрасного, а начало нового витка развития. Я же, Ваш верный слуга, буду дальше поддерживать это сообщество и Вас на этом непростом, извилистом, тернистом, но очень интересном пути.

А сейчас, время мыть решетки и вешать их на гвоздь до следующего лета. Обнимаю 🐱❤️

ИИ-словарь (часть 2) 🍽

Продолжаем разбираться в терминах, которые постоянно встречаются в новостях об ИИ.

Сегодня копнем чуть глубже 🙂

4️⃣ Глубокое обучение — это когда нейронная сеть состоит из множества слоев (десятки или даже сотни).
Пример: когда вы загружаете фото в Google Photos, и он автоматически находит все снимки с вашей собакой — это работа глубоких нейросетей. Первые слои распознают простые формы, средние — части тела, а глубокие слои уже понимают "это именно моя собака Рекс".
5️⃣ Большая языковая модель (LLM) — ИИ-система, обученная на огромном количестве текстов и способная понимать и генерировать человеческую речь.
Пример: ChatGPT, Claude, Яндекс GPT — все это LLM. Они "прочитали" миллиарды страниц текста и научились отвечать почти как люди.
6️⃣ Генеративный ИИ — системы, которые создают новый контент: тексты, картинки, музыку, код.
Пример: Midjourney рисует картинки по описанию, GitHub Copilot дописывает код, а некоторые ИИ даже сочиняют мелодии. Они не копируют существующее, а создают что-то новое на основе изученных паттернов.
В следующем выпуске разберем, что такое "обучение с подкреплением" и "токены".

С Вас как всегда ❤️ и подписка

Обнимаю 👨‍🚀

Первая часть словаря тут. Читайте, чтобы за все шарить ✊

Как же меня это бесит 😵‍💫

Всем привет! Еще с самого начала развития канала мне казалось странным, когда авторы других сообществ запрещают писать комментарии/общаться в чатах от лица канала. Иногда просто блокировали, иногда напрямую просили общаться с личного аккаунта…

Не знаю, ребят, мне для Вас этого «хайпа» вот совсем не жалко. Пишите с каналов, не стесняйтесь, давайте коллабиться, делать совместки. Пусть это канал вопреки всему будет тем местом, где взаимная поддержка и пиар будет частью комьюнити. Я буду очень рад, если здесь, среди нас, будут зарождаться новые знакомства, которые приведут к сотрудничеству, породят новые идеи и посты.

Думаете, это возможно? Всех обнимаю 😍

❤️, если крутая идея
Репост друзьям с каналами 🙂

Галлюцинации ИИ: почему нейросети врут так уверенно? ПС: Если вдруг Вы вегетарианец лучше не читать этот пост, заранее прошу прощения 🙏

Привет, хорошки 😘 Сегодня разберем научным языком, но простыми словами, почему ЧатГПТ и другие нейросети иногда выдают ложь с таким уверенным видом. Я думаю многим здесь известен мем, где пользователь попросил ГПТшку выдать ему рецепт свиных крылышек 👨‍🍳. Для нас это абсурд с самого начала, но модель не растерялась и вплоть до мельчайших подробностей выдала крепкий ответ. Этот забавный пример стал символом "галлюцинаций" ИИ. Недавние исследования, в том числе при участии OpenAI, предлагают математическое объяснение этого феномена (сложная статья) ❓

Корень проблемы кроется в математике обучения. Представьте, Вы сдаете экзамен с вариантами ответов 🧑‍🏫. За правильный ответ дают 1 балл, за неправильный — 0 баллов, за пропуск тоже 0. Какую стратегию выберет любой студент? Правильно — будет отвечать на ВСЕ вопросы, даже если придется угадывать. Нейросети обучаются по той же логике. Исследователи доказали, если модель не может надёжно отличить факт от выдумки, вероятность галлюцинаций возрастает экспоненциально. Как со свиными крылышками — модель "знает" про куриные крылышки 🐔 и свинину 🐷, поэтому уверенно комбинирует 🐔

Другая причина — проблема редких фактов. Здесь даже идеальные данные не спасут. День рождения малоизвестного учёного встречается в обучении раз-два — модель его "запомнит" плохо, но ответит уверенно. Это как попросить рецепт блюда из несуществующих ингредиентов.

Галлюцинации со свиными крыльями была выявлена пару лет назад. Готовя пост, я проверил как с ней обстоят дела сейчас 🙂. Стало лучше. Но все равно странно. Он говорит, что свиными крылышками называют свиные ребрышки. Я решил это прогуглить и знаете что? — феномен в том, что если мы посмотрим записи 7-летней давности, например, никто свиные ребра так не называл (за исключением какой-то рекламы 2016 года, но там это был маркетинговый ход, построенный на абсурдности, чтобы привлечь внимание зрителя). Зато куча ссылок и споров об этом (крылья=ребра) датируются недавними ссылками 24-25 гг. То есть ИИ сам породил инфоповод, люди стали обсуждать это в сети, доказывать, что свиные крылья существуют, что это просто какая-то там, хитрая мясная часть, жаргонизм итп (уверен, эти аргументы тоже были сгенерированы) и теперь современная модель сегодня опирается на эти данные с чистой совестью. Ведь теперь в интернете полно информации об этом. Бумеранг вернулся 🪃 . Как эту проблему решают в компаниях? В OpenAI тестирует "process supervision" — проверку каждого шага рассуждений, а не только ответа, Anthropic (создатели Claude) внедрили Constitutional AI — модель учится говорить "не уверен".

Иногда мы сами усиливаем проблему. Например, казалось бы, что мешает учить модели на человеческих оценках (RLHF) 🎨, логично, что это должно исправлять ситуацию. Но исследования показывают, иногда после RLHF модели становятся более уверенными даже в неверных ответах. То есть калибровка уверенности может ухудшаться, а не улучшаться. Почему? Потому что люди-оценщики чаще предпочитают уверенные ответы честному "не знаю". Получается, мы сами подталкиваем ИИ отвечать убедительно, даже когда он ошибается. Ну, кстати, в нашей человеческой жизни на экзаменах эта стратегия тоже может сработать. Уверенный, но неверный ответ, бывает, удовлетворяет экзаменатора. Кто пробовал, ставьте лайк 🧐🫶

Сейчас, учёные предлагают изменить правила и внедрить "порог уверенности". Если модель уверена выше порога — пусть отвечает, если ниже — должна честно сказать "не знаю" (а вот так на экзаменах лучше не отвечать). При этом за ошибку стоит штрафовать сильнее 👮‍♂️, чем за отказ

Как защититься от галлюцинаций? Не лениться и гуглить факты + формулировать промты с порогом самостоятельно (добавляйте: "если не уверен, скажи 'не знаю'") 😏

Пишите, какие галлюцинации попадались Вам. Делитесь постом с друзьями, это лучшая поддержка канала. Обнимаю ☺️

Привет, хорошки 🙃

Сегодня день программиста. Не могу отнести себя к профессионалам этого дела, но диплом имею. Буду рад, если поддержите наше сообщество ⚡️. Сегодня идеальный день для этого☺️

Всем хороших выходных, обнимаю. Всех причастных поздравляю 🙏 ❤️

https://news.1rj.ru/str/boost/LoFiCoders

Привет, хорошки 🥰

Прошлый пост про NotebookLM — самый хайповый на канале. Там порядка 100 репостов. Кто-нибудь попользовался? Интересно как Вам.

Они выкатили недавно возможность делать видео-презентации на русском языке.
Что думаете? Сделать для вас тест этой малышки? 🤔

Всем хорошего воскресенья, обнимаю ☺️

ПС: ребят, Вы если репостите, то репостите друзьям, ладно? Не в избранное, пхахах. Да, вот такой я хитрый

Парадокс дней рождения: почему твоя интуиция — твой враг 🧐

Привет, хорошки ❤️
Сегодня я докажу вам, что ваша интуиция врет также, как и 🖥 из поста выше.

Представь ситуацию, в комнате 23 человека. Какова вероятность, что у двоих из них совпадёт день рождения? Большинство людей отвечают: «Ну, в году 365 дней, людей всего 23... наверное, процентов 10–15?» А правильный ответ: 50,7% 🐱

Давай разберёмся, почему наш мозг нас обманывает 🤩

Ошибка интуиции в том, что мы думаем линейно 🥊
Мы подсознательно сравниваем 23 человека с 365 днями и думаем: «23 — это мало по сравнению с 365». Но нужно сравнивать не людей с днями, а пары людей между собой.
👉У 23 человек количество возможных пар = 23×22/2 = 253 пары! И вот уже 253 против 365 — совпадение кажется куда более вероятным.

Проверим симуляцией на Python

pythonimport random
import matplotlib.pyplot as plt

def birthday_simulation(people, trials=10000):
    matches = 0
    for _ in range(trials):
        birthdays = [random.randint(1, 365) for _ in range(people)]
        if len(birthdays) != len(set(birthdays)):
            matches += 1
    return matches / trials

people_counts = range(10, 60)
probabilities = [birthday_simulation(n) for n in people_counts]

plt.plot(people_counts, probabilities, label='Симуляция')
plt.axhline(y=0.5, color='r', linestyle='--', label='50%')
plt.xlabel('Количество людей')
plt.ylabel('Вероятность совпадения')
plt.noscript('Парадокс дней рождения')
plt.legend()
plt.show()

[🔗 Запустить код и поэкспериментировать в Google Colab]
Результаты симуляции полностью подтверждают теорию ✅

Зачем это знать в реальной жизни 🙂
Ну, во первых, чтобы помнить, что реальность часто контринтуитивна. Этот парадокс — метафора нашего восприятия мира. Мы живём в океане скрытых связей, но наш мозг упрощает реальность до удобных схем. Мы систематически недооцениваем вероятность "случайных" совпадений — будь то встреча знакомого в другой стране или появление одинаковой идеи стартапа у нескольких людей одновременно. Нам гораздо проще принять что-то простое ("судьба такая", "знак"), даже если это необъективно. Многие недобросовестные люди этим пользуются. Например, казино 🎰 активно использует подобные когнитивные искажения в своих механизмах. Можем поговорить об этом как-нибудь.

А теперь вопрос к вам: с простотой ли вы принимаете жизненные события или находите им "особые" объяснения? 😉

Ставь ❤️, если хочешь больше разборов таких парадоксов
Обнимаю, друзья. Будьте внимательнее 👍❤️

Всем хаю хай 🍎

Забыл спросить Вас, как Вам новые яблочные новинки? Будете что-нибудь себе брать? 👀

Вечерний порыв мотивации 🏃‍♂️

Хочу прожить неделю без вертикального контента 💪. И дело не в культе продуктивности (мне не нравится это). Просто, кажется, я реально задолбался от него. Спина и шея уже болят, везде беру телефон с собой, тошнит в общем. Надо с этим что-то делать. Надо учиться нормально отдыхать и проводить время в реальности 👊

Я помню, годиков 5-6 назад летом, я устроил себе цифровой детокс, и это было круто. Дни шли долго, голова отдыхала. Попробую вернуть это чувство. Понятно, что полностью исключить гаджеты не выйдет. Комп — мой основной инструмент 🖥. А телефон пусть на недельку останется для рабочих моментов ☎️ и плеером в тачке🎤. Буду делиться с Вами результатом 💪

Всех обнимаю, споки ноки и удачных выходных 🙃

Делюсь с Вами своей находкой 🥹

Всем привет, дорогие. Нашел сегодня вот это сокровище. Очень зашло. Приятно поставить на фон, поработать и отдохнуть (или покушать 🧑‍🍼). Вообще, я не ценитель классической музыки. Но после этого плейлиста захотелось погрузиться поглубже.

Всем приятных выходных 🙏 ❤️

Всем привет! Времени на сложные посты пока откровенно не хватает 🥲. Поэтому будут простые, но, надеюсь, хотя бы полезные для нас с вами 🧀. Наткнулся на вот такую прогу. Да, снова про презентации, но она очень любопытная. Видос сами можете глянуть и убедиться.
А как сейчас домашку задавать студентам и школьникам вообще? 🍑

Делитесь с друзьями, для меня это будет лучшей поддержкой. Обнимаю ❤️

ПС: черепашата очень милые, забирайте себе, у кого премки

Нейронаука восприятия: почему мы видим то, чего ещё нет ❔

#нейронауки #восприятие #мозг

Введение: парадокс теннисного мяча 🎾
Фундаментальная проблема нейробиологии восприятия заключается в существовании неустранимой временной задержки между физическим событием и его осознанием. Когда теннисист отбивает мяч, летящий со скоростью 200 км/ч, световому сигналу требуется время для преобразования в нервный импульс (15-30 мс на уровне сетчатки), передачи в зрительную кору (40-60 мс) и интеграции в целостный образ (дополнительные 30-50 мс). Суммарная задержка составляет 80-150 миллисекунд — за это время мяч пролетает около трёх метров.
Тем не менее, профессиональные спортсмены успешно взаимодействуют с быстродвижущимися объектами, а наше повседневное восприятие создаёт иллюзию непрерывного контакта с настоящим моментом. Мы ловим падающие объекты, переходим дороги и все норм. Данный парадокс указывает на существование компенсаторных механизмов, природа которых стала понятна только в последние десятилетия 🍿

Новое понимание: мозг как предсказательная машина 📱
В 1999 году учёные Рао и Баллард предложили революционную идею. Что если мозг не просто обрабатывает входящие сигналы, а постоянно предсказывает, что должно произойти? Согласно этой теории, мозг создаёт модель мира и непрерывно генерирует предсказания о том, какие сигналы должны поступить от органов чувств.

Доказательства из анатомии мозга 🧠
Первое доказательство предоставляет сама структура мозга. Если бы информация просто шла от глаз к высшим отделам, нам нужны были бы в основном восходящие связи. Но исследования показывают обратное: нисходящих связей (от высших областей к низшим) в 4-10 раз больше, чем восходящих. Зачем мозгу столько "обратных" соединений? Они нужны для передачи предсказаний сверху вниз. Высшие области мозга "говорят" низшим, что те должны увидеть, основываясь на контексте и прошлом опыте.

Эксперимент со вспышкой и движением
Самое наглядное доказательство предоставляет простой эксперимент, который может повторить каждый по ссылке выше. Представьте точку, движущуюся по экрану. Раз в некоторое время она резко меняет (вспышка) цвет точно в том же месте. Что вы увидите? Логика подсказывает, что вспышка появится прямо под движущейся точкой. Но наблюдатели видят вспышку позади движущейся точки, как будто она отстаёт. Этот эффект открыл Рави Нижаван в 1994 году. Почему так происходит? Мозг предсказывает будущее положение движущейся точки (экстраполирует её траекторию на 100 миллисекунд вперёд), но не может предсказать внезапную вспышку. В результате мы видим движущийся объект там, где он будет через 100 миллисекунд, а вспышку — там, где она есть сейчас. Отсюда иллюзия отставания.

Философские следствия: живём ли мы в настоящем? 🧐
Если восприятие основано на предсказании, возникает фундаментальный вопрос. Воспринимаем ли мы настоящий момент? Исследования говорят, что нет. То, что мы субъективно переживаем как "сейчас", является предсказанием ближайшего будущего (на 50-100 миллисекунд вперёд), основанным на недавнем прошлом. Нейробиолог Анил Сет называет обычное восприятие "контролируемой галлюцинацией". Мы не видим реальность напрямую — мы видим модель реальности, созданную мозгом и откорректированную входящими сигналами. Разница между нормальным восприятием и галлюцинацией не в наличии внутренней генерации образов (она есть всегда), а в степени их соответствия внешним сигналам.

Возможно, самый глубокий вывод состоит в том, что мы никогда не соприкасаемся с настоящим моментом напрямую. Мы обречены жить в предсказанном будущем, основанном на обработанном прошлом. Но именно эта особенность позволяет нам успешно взаимодействовать с динамичным миром, компенсируя фундаментальные ограничения биологических систем обработки информации 🤫

Покушаю и выложу пост. Спасибо за ожидание, друзья 🥲

Немного жестковато 🥺

Сделал визуальную демонстрацию, которая лучше всего напоминает о скоротечности жизни. Можете взглянуть на свою. Переходите по ссылке, вводите свою дату рождения и вперед 🎂. Если честно, со своей картинки поймал какой-то серьезный философский вечерний вайб 😐

❤️ Не теряйте времени зря, друзья, обнимаю 🥰

ПС: столько уже закрашено, а ведь мне всего 🇮🇹🇲🇽🇲🇽🇲🇽🇲🇽🤩

📄 alphaXiv — читаю научные статьи с помощью ИИ 😉

Наткнулся на платформу, где можно читать работы и параллельно задавать вопросы нейросети.

Принцип простой: открываешь статью и спрашиваешь у ИИ, что непонятно. Можно попросить объяснить сложный абзац, разобрать график или кратко пересказать всю работу. Иногда прошу найти слабые места в методологии — помогает критически смотреть на исследования.
Платформа даёт бесплатный доступ к нескольким моделям: Gemini 2.5 Pro, Claude Sonnet 4, GPT-5 и Grok 4. Я обычно переключаюсь между ними, если одна отвечает невнятно.
Ещё там есть поиск по базе исследований через ИИ, можно делать заметки и подборки. Есть какое-то сообщество, но я особо не копался.

➡️ Сам сервис здесь (https://www.alphaxiv.org/), вход через Google.
➡️ Есть расширение для браузера (https://chromewebstore.google.com/detail/alphaxiv-understand-resea/liihfcjialakefgidmaadhajjikbjjab) — работает с любыми PDF, не только с arXiv.

А вы как с нейросетями — по работе используете или просто ради интереса?