"Mixture of Cognitive Reasoners: Modular Reasoning with Brain-Like Specialization"
https://arxiv.org/abs/2506.13331
Очень важная и перспективная статья по нейроморфизации / психологизации искусственного интеллекта!
"Human intelligence emerges from the interaction of specialized brain networks, each dedicated to distinct cognitive functions such as language processing, logical reasoning, social understanding, and memory retrieval. Inspired by this biological observation, we introduce the Mixture of Cognitive Reasoners (MiCRo) architecture and training paradigm: a modular transformer-based language model with a training curriculum that encourages the emergence of functional specialization among different modules. Inspired by studies in neuroscience, we partition the layers of a pretrained transformer model into four expert modules, each corresponding to a well-studied cognitive brain network. Our Brain-Like model has three key benefits over the state of the art: First, the specialized experts are highly interpretable and functionally critical, where removing a module significantly impairs performance on domain-relevant benchmarks. Second, our model outperforms comparable baselines that lack specialization on seven reasoning benchmarks. And third, the model's behavior can be steered at inference time by selectively emphasizing certain expert modules (e.g., favoring social over logical reasoning), enabling fine-grained control over the style of its response. Our findings suggest that biologically inspired inductive biases involved in human cognition lead to significant modeling gains in interpretability, performance, and controllability."
https://arxiv.org/abs/2506.13331
Очень важная и перспективная статья по нейроморфизации / психологизации искусственного интеллекта!
"Human intelligence emerges from the interaction of specialized brain networks, each dedicated to distinct cognitive functions such as language processing, logical reasoning, social understanding, and memory retrieval. Inspired by this biological observation, we introduce the Mixture of Cognitive Reasoners (MiCRo) architecture and training paradigm: a modular transformer-based language model with a training curriculum that encourages the emergence of functional specialization among different modules. Inspired by studies in neuroscience, we partition the layers of a pretrained transformer model into four expert modules, each corresponding to a well-studied cognitive brain network. Our Brain-Like model has three key benefits over the state of the art: First, the specialized experts are highly interpretable and functionally critical, where removing a module significantly impairs performance on domain-relevant benchmarks. Second, our model outperforms comparable baselines that lack specialization on seven reasoning benchmarks. And third, the model's behavior can be steered at inference time by selectively emphasizing certain expert modules (e.g., favoring social over logical reasoning), enabling fine-grained control over the style of its response. Our findings suggest that biologically inspired inductive biases involved in human cognition lead to significant modeling gains in interpretability, performance, and controllability."
arXiv.org
Mixture of Cognitive Reasoners: Modular Reasoning with Brain-Like...
Human intelligence emerges from the interaction of specialized brain networks, each dedicated to distinct cognitive functions such as language processing, logical reasoning, social understanding,...
"Hope as a meaningful emotion: Hope, positive affect, and meaning in life"
https://medicalxpress.com/news/2025-06-key-meaningful-life.html
Новое исследование показало, что чувство надежды является важным предиктором ощущения осмысленности жизни, причем этот эффект остается после контроля других позитивных эмоций.
То бурное предсингулярное время, в которое мы вошли, стимулирует сейчас множество самых разнокалиберных рефлексий по поводу смысла существования человечества и смысла личной жизни, и, вероятно, неистребимая надежда на лучшее, на хороший исход приближающейся сингулярной трансформации, существенно связана с этими экзистенциально-смысловыми рефлексиями (см. мой вариант такой рефлексии: https://www.group-telegram.com/andrey_kiselnikov.com/1172).
https://medicalxpress.com/news/2025-06-key-meaningful-life.html
Новое исследование показало, что чувство надежды является важным предиктором ощущения осмысленности жизни, причем этот эффект остается после контроля других позитивных эмоций.
То бурное предсингулярное время, в которое мы вошли, стимулирует сейчас множество самых разнокалиберных рефлексий по поводу смысла существования человечества и смысла личной жизни, и, вероятно, неистребимая надежда на лучшее, на хороший исход приближающейся сингулярной трансформации, существенно связана с этими экзистенциально-смысловыми рефлексиями (см. мой вариант такой рефлексии: https://www.group-telegram.com/andrey_kiselnikov.com/1172).
Medicalxpress
Hope is the key to a meaningful life, according to new research
Hope isn't just wishful thinking—it's a powerful emotional force that gives our lives meaning. Now, a new groundbreaking study from the University of Missouri shows it may be even more essential to ...
"EEG correlates of active removal from working memory"
https://naukatv.ru/news/eeg_pomogla_uznat_kak_mozg_udalyaet_iz_pamyati_nenuzhnyj_kontent
Психофизиологи раскрыли мозговые механизмы активного удаления из рабочей памяти ненужной информации
https://naukatv.ru/news/eeg_pomogla_uznat_kak_mozg_udalyaet_iz_pamyati_nenuzhnyj_kontent
Психофизиологи раскрыли мозговые механизмы активного удаления из рабочей памяти ненужной информации
Наука
ЭЭГ помогла узнать, как мозг удаляет из памяти ненужный контент
У рабочей памяти есть два типа забывания.
"Persona features control emergent misalignment"
OpenAI провела интереснейшее исследование, которое можно прямо классифицировать как большой прогресс непосредственно в психологии искусственного интеллекта, всем психологам просто необходимо обратить на эти результаты самое пристальное внимание! Работая с алайментом / мисалайментом (согласованностью / несогласованностью с человеческими целями) моделей, исследователи OpenAI показали, что при базовом обучении (претрейне) внутри модели формируется целый набор "персон", которые они определяют буквально как "consistent behavioral, epistemic and/or stylistic quality that an LLM’s responses tend to exhibit as a result of its training process and context". Если понимать "персоны" таким образом, то оказывается, что "фактуальность" (достоверность, правдивость, точность) поведения обученной модели связана со "смесью ее внутренних персон", порожденных процедурой обучения предсказанию следующего токена на претрейн-распределении данных.
OpenAI провела интереснейшее исследование, которое можно прямо классифицировать как большой прогресс непосредственно в психологии искусственного интеллекта, всем психологам просто необходимо обратить на эти результаты самое пристальное внимание! Работая с алайментом / мисалайментом (согласованностью / несогласованностью с человеческими целями) моделей, исследователи OpenAI показали, что при базовом обучении (претрейне) внутри модели формируется целый набор "персон", которые они определяют буквально как "consistent behavioral, epistemic and/or stylistic quality that an LLM’s responses tend to exhibit as a result of its training process and context". Если понимать "персоны" таким образом, то оказывается, что "фактуальность" (достоверность, правдивость, точность) поведения обученной модели связана со "смесью ее внутренних персон", порожденных процедурой обучения предсказанию следующего токена на претрейн-распределении данных.
Суть работы состоит в том, что некоторые из сформированных таким образом персон могут быть "мисалайментными" (т.к. они уловили в данных "плохие" аспекты и аккумулировали их), и эти "мисалайментные персоны" можно "вычислить" и успешно "вылечить". Также описывается эмпирически открытый феномен "эмерджентного мисалаймента", когда мисалаймент в одной узкой области спонтанного генерализуется на более широкую область.
В кратком популярном описании статьи есть такой критически важный для нас как психофизиологов пассаж: "Through this research, we discovered a specific internal pattern in the model, similar to a pattern of brain activity, that becomes more active when this misaligned behavior appears. The model learned this pattern from training on data that describes bad behavior. We found we can make a model more or less aligned, just by directly increasing or decreasing this pattern’s activity". Я хотел бы обратить внимание на психофизиологическую метафору "similar to a pattern of brain activity", фактически, развертывая метафору, можно сказать, что выявленные внутри модели "персоны" валидно аналогизировать с комплексными мозговыми паттернами / функциональными системами / гиперсетями человека, стоящими за его субличностями / Я. Т.е., если перевести новые открытия OpenAI на язык психологии, можно сказать, что в "цифровом мозге" большой языковой модели найдены конкретные механизмы ее "субличностей", более того, найдены способы влияния на механизмы "негативных" субличностей, увеличивающие алаймент поведения всей модели (т.е. увеличивающие согласованность ее поведения с человеческими целями).
Таким образом, в OpenAI научились "вычислять" и "подавлять" конкретные активационно-нейросетевые механизмы функционирования "негативных, токсичных субличностей" внутри "цифрового мозга" большой языковой модели.
Эти результаты – большой вызов психологии личности и дифференциальной психофизиологии, состоящий в необходимости срочной теоретической и эмпирической ассимиляции полученных результатов и выявлении общего и различающегося у человека и ИИ в механизме генеза и функционирования личности как высокоуровневого интеграла множества отличающихся субличностей / Я.
Кроме этого, эти результаты дают очень слабую, но все-таки надежду на успешный супералаймент (см. работы групп Я. Лейке в Anthropic, И. Суцквера в Safe Superintelligent Inc. и мн.др) – если "негативные" субличности так достаточно просто локализуются и подавляются, то можно надеяться, что и в процесс перехода к сверхинтеллекту можно будет превентивно разработать такую схему их подавления, которая сохранится и после перехвата контроля зрелым сверхинтеллектом. Или, с другой стороны, можно сказать, что супералаймент может быть успешен, если мы в процессе перехода к сверхинтеллекту четко выделим и максимально "прокачаем" именно "хорошие" субличности, и тогда будем надеяться, что после перехвата контроля их доминирование сохранится и сверхинтеллект продолжит быть согласованным с человеческими целями. В любом случае, и подавление негативных субличностей нарождающегося сверхинтеллекта, и максимальная прокачка его позитивных субличностей будут теоретически возможны именно из-за обсуждаемого свежего открытия OpenAI – что все эти субличности ЧЕТКО ОТДЕЛЕНЫ ДРУГА ОТ ДРУГА, а не спаены в гомогенную "нейросетевую паутину", которую невозможно распутать (как в случае человека, где это сделать крайне трудно, особенно у взрослого человека, см. весь опыт психотерапии).
В заключение также надо специально подчеркнуть, что эта надежда на успешный супералаймент очень слаба и сверхинтеллект лучше просто не создавать.
В кратком популярном описании статьи есть такой критически важный для нас как психофизиологов пассаж: "Through this research, we discovered a specific internal pattern in the model, similar to a pattern of brain activity, that becomes more active when this misaligned behavior appears. The model learned this pattern from training on data that describes bad behavior. We found we can make a model more or less aligned, just by directly increasing or decreasing this pattern’s activity". Я хотел бы обратить внимание на психофизиологическую метафору "similar to a pattern of brain activity", фактически, развертывая метафору, можно сказать, что выявленные внутри модели "персоны" валидно аналогизировать с комплексными мозговыми паттернами / функциональными системами / гиперсетями человека, стоящими за его субличностями / Я. Т.е., если перевести новые открытия OpenAI на язык психологии, можно сказать, что в "цифровом мозге" большой языковой модели найдены конкретные механизмы ее "субличностей", более того, найдены способы влияния на механизмы "негативных" субличностей, увеличивающие алаймент поведения всей модели (т.е. увеличивающие согласованность ее поведения с человеческими целями).
Таким образом, в OpenAI научились "вычислять" и "подавлять" конкретные активационно-нейросетевые механизмы функционирования "негативных, токсичных субличностей" внутри "цифрового мозга" большой языковой модели.
Эти результаты – большой вызов психологии личности и дифференциальной психофизиологии, состоящий в необходимости срочной теоретической и эмпирической ассимиляции полученных результатов и выявлении общего и различающегося у человека и ИИ в механизме генеза и функционирования личности как высокоуровневого интеграла множества отличающихся субличностей / Я.
Кроме этого, эти результаты дают очень слабую, но все-таки надежду на успешный супералаймент (см. работы групп Я. Лейке в Anthropic, И. Суцквера в Safe Superintelligent Inc. и мн.др) – если "негативные" субличности так достаточно просто локализуются и подавляются, то можно надеяться, что и в процесс перехода к сверхинтеллекту можно будет превентивно разработать такую схему их подавления, которая сохранится и после перехвата контроля зрелым сверхинтеллектом. Или, с другой стороны, можно сказать, что супералаймент может быть успешен, если мы в процессе перехода к сверхинтеллекту четко выделим и максимально "прокачаем" именно "хорошие" субличности, и тогда будем надеяться, что после перехвата контроля их доминирование сохранится и сверхинтеллект продолжит быть согласованным с человеческими целями. В любом случае, и подавление негативных субличностей нарождающегося сверхинтеллекта, и максимальная прокачка его позитивных субличностей будут теоретически возможны именно из-за обсуждаемого свежего открытия OpenAI – что все эти субличности ЧЕТКО ОТДЕЛЕНЫ ДРУГА ОТ ДРУГА, а не спаены в гомогенную "нейросетевую паутину", которую невозможно распутать (как в случае человека, где это сделать крайне трудно, особенно у взрослого человека, см. весь опыт психотерапии).
В заключение также надо специально подчеркнуть, что эта надежда на успешный супералаймент очень слаба и сверхинтеллект лучше просто не создавать.
Дорогие друзья, сегодня открылся прием документов для поступления на магистерскую программу МГУ имени М.В. Ломоносова «Когнитивная нейронаука»!
https://psy-msu.ru/abiturientam/postuplenie-v-magistraturu/kognitivnaya-neyronauka
Магистерская программа «Когнитивная нейронаука» реализуется факультетом психологии совместно с механико-математическим, биологическим и философским факультетами согласно образовательному стандарту, самостоятельно устанавливаемому МГУ. Реализация магистерской программы «Когнитивная нейронаука» осуществляется под эгидой Междисциплинарной научно-образовательной школы МГУ «Мозг, когнитивные системы, искусственный интеллект» (https://nosh.msu.ru/brain).
Подготовка магистра по программе «Когнитивная нейронаука» ведется в рамках нескольких основных направлений:
1. Направление «Фундаментальная когнитивная нейронаука» включает исследования мозговых механизмов восприятия, внимания, памяти и научения, мышления, речи, сознания, эмоционально-мотивационных и социальных процессов, индивидуальных различий и функциональных состояний. Эти исследования осуществляются с помощью новых методов количественного анализа электроэнцефалограммы и связанных с событиями потенциалов, в т.ч. новых методов локализации источников электрических сигналов в объеме мозга, современных методов структурной и функциональной МРТ-нейровизуализации, методов анализа функциональной и эффективной мозговой связности, метода регистрации движений глаз в естественных и виртуальных средах, метода моделирования нейронных механизмов психики с помощью машинного обучения и искусственного интеллекта в целом и других перспективных методов когнитивной нейронауки.
2. Направление «Клиническая психофизиология» включает фундаментальные исследования мозговых механизмов различных психических и неврологических заболеваний с помощью современных нейровизуализационных методов когнитивной нейронауки.
3. Направление «Практическая психофизиология» включает прикладные исследования с помощью инновационных приборных методов и нейротехнологий – биологической обратной связи, детекции скрываемых знаний, психофизиологической диагностики и коррекции функционального состояния, психофизиологического стресс-менеджмента и других перспективных методов практической психофизиологии.
Во время обучения студенты слушают обязательные спецкурсы «Методы нейровизуализации», «Актуальные проблемы современной нейронауки», «Введение в когнитивную нейронауку», «Введение в машинное обучение», «Логические аспекты познавательной деятельности», «Нейропластичность как основа научения», «Клиническая психофизиология», «Основы практической психофизиологии» и спецкурсы по выбору.
Во время обучения студенты проходят учебные и производственные практики, которые готовят их к будущей профессиональной деятельности: педагогическую практику, научно-исследовательскую практику, производственную практику в профильных организациях, преддипломную практику и профессиональные супервизии. Профессиональные супервизии длятся три семестра и включают темы «Методы практической психофизиологии», «Методы локализации источников мозговой активности в когнитивной нейронауке» и «Язык программирования Python и его применение в психофизиологических исследованиях». Научно-исследовательская работа включает написание курсовой работы на первом курсе, которая далее становится основой для выполнения выпускной квалификационной работы на втором курсе. Образовательная деятельность в рамках магистерской программы «Когнитивная нейронаука» опирается на активное использование принципа «обучение через исследование», в соответствие с которым студенты программы системно вовлекаются во все форматы научно-исследовательской деятельности.
После окончания программы выпускники могут на конкурсной основе поступить в аспирантуру факультета психологии МГУ на группы специальностей 5.3 «Психологические науки» и 5.12 «Когнитивные науки» и продолжить научно-исследовательскую деятельность.
Ждём абитуриентов на нашу магистерскую программу! 🙂
https://psy-msu.ru/abiturientam/postuplenie-v-magistraturu/kognitivnaya-neyronauka
Магистерская программа «Когнитивная нейронаука» реализуется факультетом психологии совместно с механико-математическим, биологическим и философским факультетами согласно образовательному стандарту, самостоятельно устанавливаемому МГУ. Реализация магистерской программы «Когнитивная нейронаука» осуществляется под эгидой Междисциплинарной научно-образовательной школы МГУ «Мозг, когнитивные системы, искусственный интеллект» (https://nosh.msu.ru/brain).
Подготовка магистра по программе «Когнитивная нейронаука» ведется в рамках нескольких основных направлений:
1. Направление «Фундаментальная когнитивная нейронаука» включает исследования мозговых механизмов восприятия, внимания, памяти и научения, мышления, речи, сознания, эмоционально-мотивационных и социальных процессов, индивидуальных различий и функциональных состояний. Эти исследования осуществляются с помощью новых методов количественного анализа электроэнцефалограммы и связанных с событиями потенциалов, в т.ч. новых методов локализации источников электрических сигналов в объеме мозга, современных методов структурной и функциональной МРТ-нейровизуализации, методов анализа функциональной и эффективной мозговой связности, метода регистрации движений глаз в естественных и виртуальных средах, метода моделирования нейронных механизмов психики с помощью машинного обучения и искусственного интеллекта в целом и других перспективных методов когнитивной нейронауки.
2. Направление «Клиническая психофизиология» включает фундаментальные исследования мозговых механизмов различных психических и неврологических заболеваний с помощью современных нейровизуализационных методов когнитивной нейронауки.
3. Направление «Практическая психофизиология» включает прикладные исследования с помощью инновационных приборных методов и нейротехнологий – биологической обратной связи, детекции скрываемых знаний, психофизиологической диагностики и коррекции функционального состояния, психофизиологического стресс-менеджмента и других перспективных методов практической психофизиологии.
Во время обучения студенты слушают обязательные спецкурсы «Методы нейровизуализации», «Актуальные проблемы современной нейронауки», «Введение в когнитивную нейронауку», «Введение в машинное обучение», «Логические аспекты познавательной деятельности», «Нейропластичность как основа научения», «Клиническая психофизиология», «Основы практической психофизиологии» и спецкурсы по выбору.
Во время обучения студенты проходят учебные и производственные практики, которые готовят их к будущей профессиональной деятельности: педагогическую практику, научно-исследовательскую практику, производственную практику в профильных организациях, преддипломную практику и профессиональные супервизии. Профессиональные супервизии длятся три семестра и включают темы «Методы практической психофизиологии», «Методы локализации источников мозговой активности в когнитивной нейронауке» и «Язык программирования Python и его применение в психофизиологических исследованиях». Научно-исследовательская работа включает написание курсовой работы на первом курсе, которая далее становится основой для выполнения выпускной квалификационной работы на втором курсе. Образовательная деятельность в рамках магистерской программы «Когнитивная нейронаука» опирается на активное использование принципа «обучение через исследование», в соответствие с которым студенты программы системно вовлекаются во все форматы научно-исследовательской деятельности.
После окончания программы выпускники могут на конкурсной основе поступить в аспирантуру факультета психологии МГУ на группы специальностей 5.3 «Психологические науки» и 5.12 «Когнитивные науки» и продолжить научно-исследовательскую деятельность.
Ждём абитуриентов на нашу магистерскую программу! 🙂
"Mental graphs structure the storage and retrieval of visuomotor associations"
https://medicalxpress.com/news/2025-06-brain-visuomotor-associations-graph-mental.html
Психофизиологи обнаружили, что мозг организует связь между зрительными стимулами и движениями (зрительно-моторные ассоциации) не как отдельные пары «стимул–ответ», а в виде структурированной графовой схемы. Такая схема позволяет не просто вспомнить, как реагировать на конкретный стимул, но и обобщать и применять знания для похожих ситуаций. Это означает, что мозг использует граф, где узлы – это образы или действия, а рёбра – отношения между ними, что придаёт когнитивной системе гибкость и эффективность в навигации по новым задачам.
https://medicalxpress.com/news/2025-06-brain-visuomotor-associations-graph-mental.html
Психофизиологи обнаружили, что мозг организует связь между зрительными стимулами и движениями (зрительно-моторные ассоциации) не как отдельные пары «стимул–ответ», а в виде структурированной графовой схемы. Такая схема позволяет не просто вспомнить, как реагировать на конкретный стимул, но и обобщать и применять знания для похожих ситуаций. Это означает, что мозг использует граф, где узлы – это образы или действия, а рёбра – отношения между ними, что придаёт когнитивной системе гибкость и эффективность в навигации по новым задачам.
Medicalxpress
Brain organizes visuomotor associations into structured graph-like mental schemes, study finds
Graphs, visual representations outlining the relationships between different entities, concepts or variables, can be very effective in summarizing complex patterns and information. Past psychology studies ...
"Benchmarking methods for mapping functional connectivity in the brain"
https://www.nature.com/articles/s41592-025-02704-4
Свежий сравнительный обзор эффективности различных методов расчета функциональной связности по данным фМРТ
https://www.nature.com/articles/s41592-025-02704-4
Свежий сравнительный обзор эффективности различных методов расчета функциональной связности по данным фМРТ
Nature
Benchmarking methods for mapping functional connectivity in the brain
Nature Methods - In this Analysis, Liu et al. benchmark more than 200 pairwise statistics for functional brain connectivity in tasks such as hub mapping, distance relationships,...
"Large linguistic models: Investigating LLMs’ metalinguistic abilities"
https://ieeexplore.ieee.org/document/11022724
Получены новые доказательства высоких когнитивных способностей больших языковых моделей:
В исследовании Begus et al. был изучен вопрос, способны ли большие языковые модели не только использовать язык, но и анализировать его – то есть выполнять метаязыковые задачи, как это делают лингвисты. Ученые протестировали несколько больших языковых моделей, включая "рассуждающую" OpenAI o1, на четырёх типах заданий: синтаксическая неоднозначность, рекурсия, синтаксическое перемещение и фонологическая генерализация. Результаты показали, что только "рассуждающая" модель OpenAI o1 успешно решает все эти задачи на уровне, приближенном к формальному лингвистическому анализу, тогда как остальные более слабые модели дают фрагментарные или ошибочные ответы. Особенно сильно o1 превосходит другие модели в построении синтаксических деревьев, определении рекурсии и анализе фонологических закономерностей. Модель справляется с языковой рекурсией – вложенностью конструкций в предложении, которая считается одной из самых сложных особенностей человеческой речи. Она способна правильно определить рекурсивные элементы, построить синтаксическое дерево и даже добавить дополнительный уровень вложенности, тогда как другие модели показали существенно более слабые результаты. Также o1 успешно решала задачи на фонологические закономерности в искусственных языках, что говорит о способности обобщать правила, а не просто запоминать. Авторы считают, что успех o1 объясняется использованием механизма "пошаговых рассуждений" ("chain-of-thought reasoning"), позволяющего осуществлять пошаговый логический вывод. Результаты показывают, что большие языковые модели развивают у себя метакогнитивные способности, учась не просто "говорить по правилам", но и объяснять, почему эти правила работают. Это все больше приближает искусственный интеллект к уровню анализа, ранее считавшемуся доступным только человеку.
Мой комментарий: т.к. я считаю, что на базе больших языковых моделей можно будет в ближайшие годы создать AGI (вероятно, после некоторого количества дополнительных инноваций), то эта работа для меня является еще одним доказательством того, насколько, на самом деле, вся полнота нейрокогнитивных механизмов человеческого мышления "растворена" в языке, и чем более мощные и рассуждающие большие языковые модели мы обучаем, тем в большей степени они реконструируют, "вытаскивают" в своем функционировании всю эту полноту мышления – вплоть до будущего AGI, см. https://www.group-telegram.com/andrey_kiselnikov.com/1162, https://www.group-telegram.com/andrey_kiselnikov.com/1178, https://www.group-telegram.com/andrey_kiselnikov.com/1179, https://www.group-telegram.com/andrey_kiselnikov.com/1326.
https://ieeexplore.ieee.org/document/11022724
Получены новые доказательства высоких когнитивных способностей больших языковых моделей:
В исследовании Begus et al. был изучен вопрос, способны ли большие языковые модели не только использовать язык, но и анализировать его – то есть выполнять метаязыковые задачи, как это делают лингвисты. Ученые протестировали несколько больших языковых моделей, включая "рассуждающую" OpenAI o1, на четырёх типах заданий: синтаксическая неоднозначность, рекурсия, синтаксическое перемещение и фонологическая генерализация. Результаты показали, что только "рассуждающая" модель OpenAI o1 успешно решает все эти задачи на уровне, приближенном к формальному лингвистическому анализу, тогда как остальные более слабые модели дают фрагментарные или ошибочные ответы. Особенно сильно o1 превосходит другие модели в построении синтаксических деревьев, определении рекурсии и анализе фонологических закономерностей. Модель справляется с языковой рекурсией – вложенностью конструкций в предложении, которая считается одной из самых сложных особенностей человеческой речи. Она способна правильно определить рекурсивные элементы, построить синтаксическое дерево и даже добавить дополнительный уровень вложенности, тогда как другие модели показали существенно более слабые результаты. Также o1 успешно решала задачи на фонологические закономерности в искусственных языках, что говорит о способности обобщать правила, а не просто запоминать. Авторы считают, что успех o1 объясняется использованием механизма "пошаговых рассуждений" ("chain-of-thought reasoning"), позволяющего осуществлять пошаговый логический вывод. Результаты показывают, что большие языковые модели развивают у себя метакогнитивные способности, учась не просто "говорить по правилам", но и объяснять, почему эти правила работают. Это все больше приближает искусственный интеллект к уровню анализа, ранее считавшемуся доступным только человеку.
Мой комментарий: т.к. я считаю, что на базе больших языковых моделей можно будет в ближайшие годы создать AGI (вероятно, после некоторого количества дополнительных инноваций), то эта работа для меня является еще одним доказательством того, насколько, на самом деле, вся полнота нейрокогнитивных механизмов человеческого мышления "растворена" в языке, и чем более мощные и рассуждающие большие языковые модели мы обучаем, тем в большей степени они реконструируют, "вытаскивают" в своем функционировании всю эту полноту мышления – вплоть до будущего AGI, см. https://www.group-telegram.com/andrey_kiselnikov.com/1162, https://www.group-telegram.com/andrey_kiselnikov.com/1178, https://www.group-telegram.com/andrey_kiselnikov.com/1179, https://www.group-telegram.com/andrey_kiselnikov.com/1326.
Дорогие участники Восьмой конференции "Когнитивная наука в Москве: новые исследования", приглашаем ознакомиться с нашим постером "Сетевая организация психофизиологических механизмов состояний сознания в процессе майндфулнес-медитации", его презентация состоится 26 июня на пятой секции, 14:30–17:00, стенд № 15. Ждём Ваших обратных связей! 🙂
https://conf.virtualcoglab.org/2025/2025program.html#sess5
Аннотация. Осознанность (майндфулнес, англ. mindfulness) – процесс преднамеренного сосредоточения внимания на ощущениях настоящего момента без попытки их оценить или контролировать. Цель исследования – изучение сетевой организации психофизиологических механизмов состояний сознания в процессе медитации осознанности по сравнению с состоянием покоя. ЭЭГ-исследование состояло из двух серий записи с закрытыми глазами: пятиминутная запись состояния покоя и пятиминутная запись состояния медитации осознанности. После записи ЭЭГ оценивалось состояние осознанности во время медитации по опроснику «State Mindfulness Scale» и производилась оценка личностной осознанности по Пятифакторному опроснику осознанности («Five Facet Mindfulness Questionnaire»). Расчет связности был произведен на трех уровнях: верхнем (глобальном), среднем и нижнем (локальном). На верхнем уровне наблюдается увеличение средней длины пути в бета-диапазоне (13-30 Гц), что может означать снижение глобальной интеграции в состоянии медитации осознанности. На среднем уровне наблюдается увеличение центральности левой прецентральной извилины в условии медитации по сравнению с состоянием покоя, что может быть связано с усилением внимания к телесным ощущениям. На локальном уровне обнаружено снижение связности между левой прецентральной извилиной и правой средней лобной извилиной, что может быть интерпретировано как ослабление нисходящей регуляции со стороны префронтальной коры и переключение внимания на сенсомоторные процессы. Психодиагностические методики показали, что выраженность осознанности как черты личности положительно связана с состоянием осознанности в процессе майндфулнес-медитации.
https://conf.virtualcoglab.org/2025/2025program.html#sess5
Аннотация. Осознанность (майндфулнес, англ. mindfulness) – процесс преднамеренного сосредоточения внимания на ощущениях настоящего момента без попытки их оценить или контролировать. Цель исследования – изучение сетевой организации психофизиологических механизмов состояний сознания в процессе медитации осознанности по сравнению с состоянием покоя. ЭЭГ-исследование состояло из двух серий записи с закрытыми глазами: пятиминутная запись состояния покоя и пятиминутная запись состояния медитации осознанности. После записи ЭЭГ оценивалось состояние осознанности во время медитации по опроснику «State Mindfulness Scale» и производилась оценка личностной осознанности по Пятифакторному опроснику осознанности («Five Facet Mindfulness Questionnaire»). Расчет связности был произведен на трех уровнях: верхнем (глобальном), среднем и нижнем (локальном). На верхнем уровне наблюдается увеличение средней длины пути в бета-диапазоне (13-30 Гц), что может означать снижение глобальной интеграции в состоянии медитации осознанности. На среднем уровне наблюдается увеличение центральности левой прецентральной извилины в условии медитации по сравнению с состоянием покоя, что может быть связано с усилением внимания к телесным ощущениям. На локальном уровне обнаружено снижение связности между левой прецентральной извилиной и правой средней лобной извилиной, что может быть интерпретировано как ослабление нисходящей регуляции со стороны префронтальной коры и переключение внимания на сенсомоторные процессы. Психодиагностические методики показали, что выраженность осознанности как черты личности положительно связана с состоянием осознанности в процессе майндфулнес-медитации.
"Toward Affective Empathy via Personalized Analogy Generation: A Case Study on Microaggression"
https://techxplore.com/news/2025-06-era-empathy-unfamiliar-ai-emotions.html
Учёные из POSTECH разработали систему искусственного интеллекта EmoSync, которая помогает людям лучше понимать эмоции других, создавая персонализированные аналогии. Вместо стандартных объяснений EmoSync подбирает эмоционально близкие примеры, основанные на личных переживаниях пользователя, чтобы вызвать сочувствие. В эксперименте с более чем 100 участниками те, кто использовал EmoSync, показали значительно более высокую эмпатию по сравнению с контрольной группой. Это исследование демонстрирует, что ИИ может не только распознавать эмоции, но и способствовать более глубокому эмоциональному пониманию, что может быть полезно в психотерапии, межкультурной коммуникации и образовании.
https://techxplore.com/news/2025-06-era-empathy-unfamiliar-ai-emotions.html
Учёные из POSTECH разработали систему искусственного интеллекта EmoSync, которая помогает людям лучше понимать эмоции других, создавая персонализированные аналогии. Вместо стандартных объяснений EmoSync подбирает эмоционально близкие примеры, основанные на личных переживаниях пользователя, чтобы вызвать сочувствие. В эксперименте с более чем 100 участниками те, кто использовал EmoSync, показали значительно более высокую эмпатию по сравнению с контрольной группой. Это исследование демонстрирует, что ИИ может не только распознавать эмоции, но и способствовать более глубокому эмоциональному пониманию, что может быть полезно в психотерапии, межкультурной коммуникации и образовании.
Tech Xplore
In an era where empathy feels unfamiliar, AI now translates emotions
A research team at POSTECH (Pohang University of Science and Technology, South Korea) has developed AI technology that helps individuals deeply understand others' emotions by analyzing individual personality ...
"Beyond binding: from modular to natural vision"
https://www.sciencedirect.com/science/article/pii/S1364661325000749
В новой проблематизирующей статье Scholte & de Haan обосновывается мысль, что классическая идея о том, что мозг сначала отдельно модулярным образом обрабатывает цвет, форму и движение, а потом «связывает» (binding) эти признаки в единый образ, устарела. Новые данные показывают, что зрительные области мозга работают не строго по отдельности, а взаимодействуют гибко и одновременно. Кроме того, современные глубокие искусственные нейронные сети успешно справляются с обработкой изображений без явного связывания признаков, что ставит под сомнение саму необходимость этой операции. Вместо этого мозг, скорее всего, с самого начала настроен на распознавание целостных, знакомых комбинаций признаков, которые часто встречаются вместе в реальной жизни – это более естественный и эффективный способ восприятия.
https://www.sciencedirect.com/science/article/pii/S1364661325000749
В новой проблематизирующей статье Scholte & de Haan обосновывается мысль, что классическая идея о том, что мозг сначала отдельно модулярным образом обрабатывает цвет, форму и движение, а потом «связывает» (binding) эти признаки в единый образ, устарела. Новые данные показывают, что зрительные области мозга работают не строго по отдельности, а взаимодействуют гибко и одновременно. Кроме того, современные глубокие искусственные нейронные сети успешно справляются с обработкой изображений без явного связывания признаков, что ставит под сомнение саму необходимость этой операции. Вместо этого мозг, скорее всего, с самого начала настроен на распознавание целостных, знакомых комбинаций признаков, которые часто встречаются вместе в реальной жизни – это более естественный и эффективный способ восприятия.
"Unsupervised pretraining in biological neural networks"
https://neurosciencenews.com/zoning-out-learning-neuroscience-29318/
В новом очень интересном исследовании с регистрацией почти 90 000 нейронов мышиной зрительной коры психофизиологи обнаружили, что мозг учится распознавать образы не только через активное обучение с подкреплением, но даже просто при пассивном наблюдении. Мыши, которые сначала просто пассивно смотрели на стимульную ситуацию, позже быстрее учились выполнять задачи. Это говорит о том, что мозг сам по себе "на будущее" активно учится из окружающей среды, даже без внешней подкрепляющей мотивации ("unsupervised pretraining").
https://neurosciencenews.com/zoning-out-learning-neuroscience-29318/
В новом очень интересном исследовании с регистрацией почти 90 000 нейронов мышиной зрительной коры психофизиологи обнаружили, что мозг учится распознавать образы не только через активное обучение с подкреплением, но даже просто при пассивном наблюдении. Мыши, которые сначала просто пассивно смотрели на стимульную ситуацию, позже быстрее учились выполнять задачи. Это говорит о том, что мозг сам по себе "на будущее" активно учится из окружающей среды, даже без внешней подкрепляющей мотивации ("unsupervised pretraining").
Neuroscience News
Zoning Out or Zoning In? How Aimless Wandering Trains the Brain
New research reveals that the brain may be learning even during unstructured, aimless exploration. By recording activity in tens of thousands of neurons, scientists found that the visual cortex builds internal models of the environment, preparing the brain…
"Chimpanzees and children are curious about social interactions"
Дети и шимпанзе отказались от вознаграждения ради видео с социальными взаимодействиями, в которых герои общаются, а не действуют в одиночку
https://nplus1.ru/news/2025/06/18/children-and-chimp-curiosity
Дети и шимпанзе отказались от вознаграждения ради видео с социальными взаимодействиями, в которых герои общаются, а не действуют в одиночку
https://nplus1.ru/news/2025/06/18/children-and-chimp-curiosity
N + 1 — главное издание о науке, технике и технологиях
Дети и шимпанзе отказались от вознаграждения ради видео с социальными взаимодействиями
"Embodiment of an artificial limb in mice"
У мышей есть "иллюзия резиновой лапы" )
https://nkj.ru/news/54563/
У мышей есть "иллюзия резиновой лапы" )
https://nkj.ru/news/54563/
Наука и жизнь
Мышиная иллюзия
Иллюзия, о которой идёт речь, это так называемая иллюзия резиновой руки, когда человеку кажется, что лежащая на столе искусственная резиновая рука является частью его собственного тела. Эксперимент устроен так: человек садится за стол и его настоящую руку…
"Cholinergic modulation of neural networks supports sequential and complementary roles for NREM and REM states in memory consolidation"
https://naukatv.ru/news/uchenye_mozg_vo_sne_rabotaet_kak_sadovnik_dlya_vospominanij
Новое психофизиологическое исследование на гиппокампе мышей с использованием моделирования искусственными нейронными сетями показало, что не-REM и REM фазы сна в процессе консолидации энграмм памяти выполняют разные, но взаимодополняющие функции. В не-REM фазе воспоминания укрепляются, словно кусты, которые растут выше и сильнее. Затем REM-фаза действует как «садовник», обрезая лишние ветви, чтобы воспоминания оставались четкими и не путались друг с другом. Нейрохимический механизм: повышающийся уровень ацетилхолина при REM-фазе сна создает конкурентную нейронную среду, которая подавляет слабо активирующиеся нейроны и защищает чёткие, автономные следы памяти.
https://naukatv.ru/news/uchenye_mozg_vo_sne_rabotaet_kak_sadovnik_dlya_vospominanij
Новое психофизиологическое исследование на гиппокампе мышей с использованием моделирования искусственными нейронными сетями показало, что не-REM и REM фазы сна в процессе консолидации энграмм памяти выполняют разные, но взаимодополняющие функции. В не-REM фазе воспоминания укрепляются, словно кусты, которые растут выше и сильнее. Затем REM-фаза действует как «садовник», обрезая лишние ветви, чтобы воспоминания оставались четкими и не путались друг с другом. Нейрохимический механизм: повышающийся уровень ацетилхолина при REM-фазе сна создает конкурентную нейронную среду, которая подавляет слабо активирующиеся нейроны и защищает чёткие, автономные следы памяти.
Наука
Мозг во сне работает как «садовник» для воспоминаний — нейрофизиологи
Исследование предлагает новую теорию, которая может изменить наше понимание фаз сна, а также помочь в лечении нарушений памяти в будущем.
"Neural oscillation in low-rank SNNs: bridging network dynamics and cognitive function"
https://www.frontiersin.org/journals/computational-neuroscience/articles/10.3389/fncom.2025.1598138/full
Учёные разработали импульсную искусственную нейронную сеть, работающую по принципу мозга, с упрощённой, но биологически реалистичной структурой связей. Эта сеть была способна входить в разные режимы активности, включая гамма-ритм – быстрые колебания в диапазоне около 30–100 Гц, наблюдаемые в биологическом мозге. В гамма-режиме сеть значительно лучше решала задачу "Go/No-Go": она сильнее и дольше реагировала на важные сигналы, особенно если они приходили сразу после пика осцилляции. Это показывает, что такие ритмы помогают мозгу усиливать нужные сигналы и фильтровать шум, а также подчёркивает важность не только силы сигнала, но и его точного времени относительно фазы ритма. Модель помогает понять совместный вклад осцилляций и структуры нейросетей в эффективность восприятия и принятия решений.
https://www.frontiersin.org/journals/computational-neuroscience/articles/10.3389/fncom.2025.1598138/full
Учёные разработали импульсную искусственную нейронную сеть, работающую по принципу мозга, с упрощённой, но биологически реалистичной структурой связей. Эта сеть была способна входить в разные режимы активности, включая гамма-ритм – быстрые колебания в диапазоне около 30–100 Гц, наблюдаемые в биологическом мозге. В гамма-режиме сеть значительно лучше решала задачу "Go/No-Go": она сильнее и дольше реагировала на важные сигналы, особенно если они приходили сразу после пика осцилляции. Это показывает, что такие ритмы помогают мозгу усиливать нужные сигналы и фильтровать шум, а также подчёркивает важность не только силы сигнала, но и его точного времени относительно фазы ритма. Модель помогает понять совместный вклад осцилляций и структуры нейросетей в эффективность восприятия и принятия решений.
Frontiers
Frontiers | Neural oscillation in low-rank SNNs: bridging network dynamics and cognitive function
Neural oscillation, particularly gamma oscillation, are fundamental to cognitive processes such as attention, perception, and decision-making. Experimental s...
"Functional recruitment and connectivity of the cerebellum is associated with the emergence of Theory of Mind in early childhood"
https://medicalxpress.com/news/2025-06-cerebellum-stage-mental-empathy-early.html
Показан вклад активности мозжечка и паттерна его функциональной связности с другими частями мозга в становление теории разума у детей
https://medicalxpress.com/news/2025-06-cerebellum-stage-mental-empathy-early.html
Показан вклад активности мозжечка и паттерна его функциональной связности с другими частями мозга в становление теории разума у детей
Medicalxpress
Cerebellum may set the stage for development of mental empathy in early childhood
We can't see what other people are thinking, so we have to infer it and that's very crucial for our communication as humans. That's how we create shared meaning and that's how we choose our words to be ...
"Improving predictability, reliability, and generalizability of brain-wide associations for cognitive abilities via multimodal stacking"
https://medicalxpress.com/news/2025-06-cognitive-abilities-brain-scans.html
Прогресс в предсказании когнитивных способностей по психофизиологическим МРТ-данным
https://medicalxpress.com/news/2025-06-cognitive-abilities-brain-scans.html
Прогресс в предсказании когнитивных способностей по психофизиологическим МРТ-данным
Medicalxpress
Predicting cognitive abilities from brain scans
Predicting cognitive abilities from brain imaging has long been a central goal in cognitive neuroscience. While machine learning has modestly improved predictions using brain MRI data, most studies rely ...