Телеграм канал «AI для Всех»

NanoBanana for Geoscience Вчера гулял по городу и пришла в голову идея: можно ли извлечь что-нибудь научно полезное из image-to-image моделей типа NanoBanana. Оказалось что очень даже. Дал ей zero-shot промпт построить heatmap of grass damage (насколько сильно вытоптана трава в парке) и модель справилась на отлично! Прикладываю сам промпт (навайбенный с GPT-5): Grass Damage Heatmap — Overlay Only Goal Return the original aerial photo with a high-contrast damage heatmap drawn only on grass. No side-by-side, no crops, no extra files. Input /mnt/data/333064BC-C638-4C4E-A255-DA277B7CD2AC.jpeg 1) Preprocess (robust color) • Gray-world white balance and local illumination normalization (shadow-robust). • Bilateral filter to reduce noise while preserving edges. 2) Grass segmentation (tighter) • Use RGB vegetation indices to drive the mask: ExG = 2G − R − B, VARI = (G − R) / (G + R − B + 1e-6). Keep pixels with (ExG > p60_exg OR VARI > p60_vari) AND HSV hue in [70°,150°] OR low-chroma yellow/olive under shadow normalization. • Explicitly exclude: tree canopies + shadows, bare soil/paths, playgrounds, buildings/roads/cars. • Morphology: close→open to fill small holes; remove speckles < 0.5 m². 3) Damage score (shadow-robust, multi-cue) damage_raw = w1*(1 - norm(VARi)) + w2*yellow_brownness // hue shift 15°–70°, low S + w3*thin/patchy texture // low local NDVI proxy & high LBP contrast + w4*exposed-soil likelihood Use w1=0.4, w2=0.3, w3=0.2, w4=0.1. Clamp to [0,1]. Distance-from-path prior: don’t boost 1–2 m fringe unless the damaged region extends ≥3 m into turf. 4) Adaptive contrast (per-lawn) • Split grass into connected polygons (“lawns”). • For each polygon, percentile scale p5→0, p95→1 (clip). • Hide scores < 0.30. 5) Overlay style (make hotspots pop) • Colormap (no green): purple → orange → yellow/white (plasma-like). 0.30–0.49 = purple, 0.50–0.74 = orange, ≥0.75 = yellow/white. • Opacity on grass: 0.85. • Non-grass context: grayscale at 40–45% brightness. • Contours at 0.50 and 0.75 (white, 1–2 px). • High-confidence “bald spots” (≥0.85 and area ≥ 3 m²): add thin black outline. 6) Legend (compact) • “Grass damage (≥30%)” bar with ticks at 30/50/75/100; place top-right, non-occluding. 7) Output • One PNG at native resolution: original image + overlay. ⸻ Ultra-short drop-in “Overlay only. Segment grass via ExG/VARI + HSV; exclude trees/paths/buildings; shadow-robust. Score damage from (1−VARI), yellow/brownness, patchy texture, soil; apply path-fringe guard. Per-lawn percentile remap (p5→0, p95→1); hide <0.30. Draw purple→orange→yellow/white heatmap at 0.85 opacity on grass; rest grayscale 45%. Add white contours at 0.50/0.75 and black outlines for ≥0.85 ‘bald spots’. Return one PNG.” Кидайте свои идеи в комментарии!

Сегодня с @denissexy нахакатонили ИИ шутника. Он умеет воспринимать аудиторию и эволюционирует свое чувство юмора. Завтра подробности

Все топовые нейросети — в одном месте! 🤩 Ты уже в игре: генеришь промпты, тестишь апдейты моделей и следишь за каждым новым релизом? Теперь можно не искать, где оплатить подписку — всё нужное собрано на Kupikod! Здесь: ChatGPT, Claude, Gemini, Midjourney, Perplexity, Cursor, Suno, Character и другие мощные ИИ-инструменты. Покупай подписки: ⚫быстро и безопасно; ⚫в рублях — без VPN и зарубежных карт; ⚫по лучшим ценам; ⚫с кешбэком и промокодом AIALL для дополнительной скидки. Заходи на Kupikod и собери свой ИИ-набор ❤ #промо

заходите смотреть как ллмки делают деньги в реалтайме https://nof1.ai/ моделькам дали всем один промт и по 10к$ и отпустили трейдить, ну и вот увидел в https://t.me/j_links/8169

Context is the new RAM Объём RAM определяет, что процессор может держать «в голове» прямо сейчас. У LLM эту роль играет контекстное окно - рабочая память, куда попадают инструкции, факты, результаты инструментов и короткие выдержки из документов. Качество и стоимость ответов LLM зависят не от «магических параметров», а от менеджмента этой памяти: что именно грузим в горячий контекст, что сжимаем в саммари/кэш, а что храним во внешней памяти и подгружаем по запросу. X

Бесплатная годовая подписка на Perplexity PRO Perplexity это поисковая система на основе ИИ. PRO подписка даёт сотни поисковых запросов в день с доступом к передовым моделям: GPT-5, Claude Sonnet 4.5, Grok 4 Как сделать: • Нужен аккаунт PayPal • Переходим по ссылке, регистрируемся и экономим 240 долларов 💰 • Акция действует до конца года Я себе сделал и использую уже месяц, полет нормальный 🏃‍♂️Ссылка на акцию 📝Фичи PRO подписки

Математика, нейросети и мозг: как мы делаем «супер-селективные» нанолекарства На днях лаборатория, где я (@GingerSpacetail) имею удовольствие работать, попала во все новости (раз, два, три, четыре, пять): нам, похоже, удалось обратить развитие болезни Альцгеймера (AD) у мышей. В чем суть. Гематоэнцефалический барьер (ГЭБ) - это такая строгая охрана мозга. Он пропускает только избранные молекулы, и вежливо выпроваживает вредные соединения. При болезни Альцгеймера его поведение ломается, например, он не выводит неправильно свернувшиеся токсичные белки β-амилоида (Aβ), которые по основной гипотезе не только симптом, но и главная причина болезни. В свежеопубликованной работе мои коллеги биохимики показали, что можно не только проникнуть через барьер, но и починить его функцию. Наши наночастицы - полимерсомы, нацеленные на транспортный рецептор LRP1 - задизайнены принципу мультивалентного связывания, чтобы проникнуть в мозг. Но как оказалось, они «перепрограммируют» LRP1. Экспрессия рецепторов повышается, и начинается более активный перенос вещества через барьер (трансцитоз), т.е. организм эффективнее вычищает Aβ из мозга. Результаты ошеломили даже нас: 🧩 уровень β-амилоида в мозге мышей снизился почти на 45%, 💉 в плазме вырос в восемь раз всего за два часа, 🎹 поведенческие тесты показали, что у мышек, получавших лечение, улучшалась когнитивные способности и память. Даже спустя 6 месяцев (это, на секундочку, полжизни AD мышек) Открытие в буквально новой стратегии терапии через модификацию ГЭБ, где функция лекарства рождается из её супрамолекулярной архитектуры. И как вы понимаете, за этим стоят годы работы ребят, - проб и ошибок. Терерь на этих данных (симуляции, in vitro и in vivo) мы учим алгоритмы для двух задач: 1. ИИ скрининга кандидатов Цель научиться подсказывать самые перспективные конфигурации наночастицы, которые стоит синтезировать и проверить in vitro. Т.е. какие комбинации лигандов, радиус, степень полимеризации и тд, дадут лучшее связывание с таргетом. В случае AD - с клетками эндотелия мозга, а не с клетками печени. Это экономит время и ресурсы на экспериментах 2. PINNs для биораспределения. А чтобы понять, как всё это распределяется в теле, мы натравили на задачу PINNs — physics-informed нейросети, которые дружат с дифференциальными уравнениями. Они помогают оценить, сколько наночастиц реально добирается до мозга. PINNs хорошо справляется на малых или шумных выборках (как вы понимаете, мышек было не тысячи). И это помогает спланировать эксперимент in vivo. Почему это важно. Сочетание физики и машинного обучения даёт управляемую, объяснимую стратегию дизайна т.н. супралекарств - не просто перебор параметров, а ИИ-ассистированный поиск областей в пространстве параметров, где частица становится одновременно селективной и способной преодолевать биологические барьеры. 🔬 Nature: Rapid amyloid-β clearance and cognitive recovery through multivalent modulation of blood–brain barrier transport 📰 The Telegraph: Alzheimer’s reversed in mice under breakthrough treatment