Одиночество, особенно в раннем возрасте, приводит к ряду патологических изменений в теле человека и приматов.
У детей выращенных в суровых условиях в детском доме в мозге меньше серого вещества, меньше связей в белом веществе. У макак выращенных в социальной депривации наблюдаются патологические изменения в экспрессии генов.
У взрослых людей одиночество связано с повышенным кровяным давлением и подавлением иммунитета:
Abnormal Brain Connectivity in Children After Early Severe Socioemotional Deprivation: A Diffusion Tensor Imaging Study
http://pediatrics.aappublications.org/content/117/6/2093.full
The Signature of Maternal Rearing in the Methylome in Rhesus Macaque Prefrontal Cortex and T Cells
http://www.jneurosci.org/content/32/44/15626.full
Loneliness is a unique predictor of age-related differences in systolic blood pressure.
http://psycnet.apa.org/journals/pag/21/1/152/
Stress, Loneliness, and Changes in Herpesvirus Latency
http://pni.osumc.edu/KG%20Publications%20(pdf)/010.pdf
Забавно что этому могут быть подвержены все люди, в том числе и те которые говорят что они сверхлюди и биопроблемы и другие люди их не интересуют.

Раз вы такие ленивые, составил я для вас список имён для ознакомления
Старое поколение:
http://en.wikipedia.org/wiki/Vannevar_Bush (memex)
http://en.wikipedia.org/wiki/John_McCarthy_(computer_scientist) (lisp, AI)
http://en.wikipedia.org/wiki/Alan_Kay (Smalltalk-80)
http://www.paulgraham.com/lisp.html (lisp, arc)
Новое поколение:
Stanislav Datskovsky (7 laws of sane computing http://www.loper-os.org/?p=284)
Mencius Moldbug (Urbit, Nock http://moronlab.blogspot.com/2010/01/urbit-functional-programming-from.html , http://unqualified-reservations.blogspot.com/)
Emin Gün Sirer (http://hackingdistributed.com/ HyperDex, Nexus).
Казалось бы, что объединяет этих людей? Тут примерно поровну леваков и сторонников свободного рынка, важно не это. Этих людей объединяет видение информационных систем нового поколения: основанных на простых аксиомах где нет места эксплойтам и вместе с тем распределённых, отказоустойчивых, универсально-криптографических.
Это философы которые в отличие от философов старого времени могут воплощать свои идеи в жизнь потому что они не только мыслители но и выдающиеся программисты.
У кого-то из них должно получиться.

TD7CJC/C04

2014
газовая плита вместо мультиварки

Вот на что способен веб-программист http://prometheusfusionperfection.com/about/ http://prometheusfusionperfection.com/2009/11/15/first-fusion/ если в свободное от работы время он не компилит генту и не сидит на линукс.орг.ру
То что он сделал в одиночку в своей жизни делает далеко не каждый plasma physicist.
Вообще в последние лет 10-15 люди всё больше разочаровываются в ИТЭРе который уже обошёлся в 50b$ и будет строиться на 11 лет дольше (вот что бывает когда государство берётся что-то построить) и ищут другие инженерные решения для осуществления практического термоядерного синтеза http://www.nature.com/news/plasma-physics-the-fusion-upstarts-1.15592

http://www.infoq.com/news/2014/01/IDC-software-developers/
Согласно этому исследованию на 2014 год во всём мире немногим более 18 миллионов программистов, из них 11 миллионов профессионалов и 7 миллионов любителей.
Тоесть глобально на 1000 человек приходится меньшё трёх программистов.
Тем не менее программ и приложений требуется всё больше и больше, так что спрос на программистов будет в среднем только расти.
Лично я считаю что людей которые могут учить компьютер делать полезные вещи очень мало. Их должно быть больше, чем больше тем лучше - это позволит быстрее автоматизировать интеллектуальный и физический труд.
Так что все эти PHP-школьники и Python-школьники это очень хорошо.

Есть (впрочем неокончательные) доказательства в пользу того что существует компьютерный вирус который может:
1) Заражать компьютеры под Windows, Mac Os, FreeBSD, Linux
2) Прошиваться в BIOS
3) Перебираться через air gap на флешках в которых вирус перешивает прошивку контроллера
4) (!) Передавать данные через air gap по аудиоканалу в ультразвуковом диапазоне
Вот обзорчик http://learning.criticalwatch.com/badbios-full/ и реддит на тему http://www.reddit.com/r/badBIOS/
Собственно вопрос: как можно доверять железу, компьютерам если с ними можно делать такое? Не является ли software-only стратегия защиты данных (типа openbsd) эскапизмом от гораздо более сложных проблем?
Что с этим делать?
Мои предложения - строить компьютеры на FPGA либо на ASIC (почему так и не было сделано ни одного OSHW ASICа? //потому что выпустить ASIC на 130нм техпроцессе стоит 700k$)
P.S. Что-то я мало стал писать про науку, так что буду писать чаще и не только про науку.

Прорывной результат же, а почти не обсуждается.
http://arxiv.org/pdf/1312.5602v1.pdf
Демонстрируется алгоритм для решения задачи обучения с подкреплением (на основе Q-обучения, нейросети для оценки функции награды и стохастического градиентного спуска для поиска её параметров) который способен учиться играть в 7 игр на Atari, в некоторые из них - лучше человека.
Интерфейс игрового бенчмарка таков: на каждом шаге алгоритм может выбрать действие из конечного набора (аналогично нажатию кнопки на геймпаде) и получает на вход массив RGB пикселей размером 210x160 и число - счёт в игре.
Алгоритм учится взаимодействовать с игрой как чтобы максимизировать счёт, т.е. учится успешным стратегиям игры (и заодно предсказанию будущей награды в каждый момент времени). Алгоритм неизменен, но после тренировки учится играть в любую из 7 игр.
Впечатляет что алгоритм принимает на вход векторы очень высокой (~800 - входные картинки сабсэмплятся и кропаются до 84х84) размерности и учится извлекать из них представление игры (среды в которой работает алгоритм) низкой размерности (содержащее только велечины которые влияют на награду), т.е. "понимает" игру.
Также впечатляет график 3 на странице 7: алгоритм "понимает" что новый враг это возможность получить больший счёт, выпускает снаряд и чем ближе снаряд к врагу тем выше ожидаемая награда.

Алгоритм разработан в DeepMind Technologies, конторе которую Google купило недавно за 400M$ http://www.digitaltrends.com/computing/google-deepmind-artificial-intelligence/

Звёзды всегда привлекали человека, даже когда он понимал их как блестящие точки на одной из хрустальных сфер.Века проходили один за другим: люди научились измерять расстояния до ближайших звёзд (единицы и десятки световых лет), а ядерная физика позволила понять что звёзды существуют и светят за счёт термодядерных реакций. Получив научное основание мечта о достижении звёзд превращалась в отдалённую цель, человек видел своё предназначение в том чтобы распространить жизнь внутри родной солнечной системы а потом и за её пределами. Идея межзвёздных перелётов уже полвека занимает умы дальновидных астрономов и инженеров, занимающихся теоретическими и экспериментальными исследованиями которые когда-нибудь дадут нам технологию способную провести нас к звёздам.Физика накладывает несколько фундаментальных ограничений на перелёты в космосе. Прежде всего стоит забыть о полётах со скоростью приближающейся к скорости света так как из-за релятивистских эффектов энергетическая стоимость таких полётов может быть сколь угодно большой - релятивистская масса быстро растёт при приближении скорости объекта к скорости света.Тем не менее скорости порядка 0.1 с выглядят энергетически допустимыми. Имея большой запас энергии (4.5*10^19 Дж) и ускоритель с хорошим КПД можно разогнать космический корабль массой 100 тонн до вышеназванной скорости, что позволит долететь до Альфы Центавра за ~50 лет.Диаметр нашей галактики составляет ~100000 световых лет, таким образом за миллион лет можно пролететь из одного её края к другому. Эти числа могут вызывать печаль, так как очевидно что человек с его нынешней продолжительностью жизни не сможет путешествовать дальше ближайших к нам звёзд. Такая реальность заставляет фантастов при написании литературы привлекать "гиперпространство", "warp drive" и другие идеи противоречащие известным законам физики, и это является лишь уходом от проблемы а не её решением.Если посмотреть на ситуацию шире то можно увидеть что миллион лет по астрономическим, галактическим, геологическим масштабам - очень короткий промежуток времени, т.е. основная проблема заключается в том что люди живут очень короткую жизнь по сравнению с масштабами нашей вселенной. Законы физики запрещают достигать скорости света, но не существует законов физики которые запретили бы людям перестроить своё тело так чтобы жить гораздо дольше чем они живут сейчас, и это и будет настоящим решением.И наконец, перечислим основные перспективные технологии для межзвёздных путешествий, а именно:1) Солнечный парус. Принцип его работы прост: поступающие фотоны отражаются от зеркальной поверхности паруса, передавая ему свой удвоенный импульс. Внутри солнечной системы не требует внешних источников энергии, ускорение сильно зависит от материала паруса. Межзвёздные путешествия на солнечном парусе возможны при участии мощного стационарного лазера (гигаватты) который сообщит ему начальное ускорение. Успешное применение солнечного паруса требует развитых технологий производства, позволяющих создать в космосе сам парус из материала толщиной в несколько сотен атомных слоёв и огромный силовой лазер с источником энергии.2) Магнитный парус, представляет собой магнитное поле генерируемое сверхпроводниковым кольцом диаметром ~64 км. Поток заряженных частиц отклоняется в магнитном поле, передавая часть своего импульса парусу. Для межзвёздных перелётов возможен вариант с пассивным ускорением от солнечного потока частиц, а также с ускорением на потоке частиц от стационарного ускорителя.3) Плазменные двигатели подобные VASIMR. Это активные двигатели, использующие энергию для ускорения ионов инертного газа. Для поддержания работы двигателя требуется рабочая масса (обычно аргон) и запас энергии.Существуют и другие технологии, например импульсные двигатели проекта "Daedalus", но для краткости я не буду их приводить.Таким образом физическая и техническая возможность межзвёздных путешествий обоснована. Когда-нибудь, даже если это займёт много столетий и потребует полной перестройки наших тел, мы достигнем звёзд. Земля - колыбель человечества, но нельзя же вечно оставаться в колыбели.

YMRBYJ/CNLWireworld, интересная штука http://www.quinapalus.com/wi-index.html

А я сейчас с универсальным конструктором фон Неймана разбираюсь, чисто академический интерес.
http://www.sq3.org.uk/wiki.pl?Von_Neumann%27s_Self-Reproducing_Universal_Constructor
http://web.archive.org/web/20070621164824/http://dragonfly.tam.cornell.edu/~pesavent/pesavento_self_reproducing_machine.pdf
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.59.4599&rep=rep1&type=pdf

Науки о мозге несут тяжёлое наследство психиатрии и ранних методов, где основной способ изучения мозга - "сломать и посмотреть что изменилось", т.е. это в основном изучение различных болезней и поломок мозга. Это абсолютно не инженерный подход к проблеме, он не ставят своей целью воссоздание принципов мозга с такой детализацией чтобы их было можно реализовать в машинах.
Однако в последние лет 20 активно развивается вычислительная нейронаука, которая пытается моделировать микроцепи мозга с разной степенью детализации и даже ставить вычислительные эксперименты с подключением этих микроцепей к симулятору среды (правда гораздо реже чем хотелось бы, чаще всего нейросеть работает без взаимодействия с какой-либо средой, со случайными стимулами - может быть потому что для публикации этого достаточно).
Уже сейчас есть большое количество моделей нейронов и синапсов представляющих собой разнообразные системы дифференциальных уравнений которые при правильном выборе параметров довольно точно описывают динамику нейронов.
Самые сложные модели такого рода создаёт и использует Генри Маркрам из проекта Blue Brain (а теперь уже Human Brain Project): многокомпартментальные варианты модели Ходжкина-Хаксли (Самой модели Ходжкина-Хаксли уже более 40 лет), с биологически реалистичными моделями популяций ионных каналов. Одной модели нейрона недостаточно, необходимы биологически реалистичные модели синаптической пластичности (для разных временных масштабов разные модели), особенно для STDP которую собственно открыл Маркрам вместе с другими учёными в 1993 году. Модели синапсов точно не проще чем модели динамики нейронов, и это важно, так как по современным представлениям именно пластичность синапсов лежит в основе феномена памяти.
Подход Маркрама, максимально биологически-реалистичная симуляция имеет свои сильные стороны, но он не единственный. Есть целый спектр моделей нейронов и систем нейронов с разными областями применения, из которых особенно хотелось бы выделить модель Ижикевича (вместе с STDP она позволяет получать интересные экспериментальные результаты, про них можно почитать ниже, где о Эдельмане), абстрактные модели на байесовских сетях и "иерархическую темпоральную память" Хокинса.

Из интересных работ на упомянутые выше темы могу вспомнить
Обзор больших симуляций:
http://www.sciencedirect.com/science/article/pii/S0925231210003279
Симуляции:
http://www.pnas.org/content/105/9/3593.full
http://www.ncbi.nlm.nih.gov/pubmed/17822776
http://www.izhikevich.org/human_brain_simulation/Blue_Brain.htm
Количественные статистические данные по соединениям нейронов и слоёв нейронов в коре мозга:
http://www.ncbi.nlm.nih.gov/pubmed/22991468
http://www.jneurosci.org/content/24/39/8441
Монография про нервную систему C.Elegans с подробным описанием, анализом соединений и попытками связать их с паттернами поведения:
http://homes.mpimf-heidelberg.mpg.de/~mhelmsta/pdf/1986%20White%20Southgate%20Thomson%20Brenner%20PhilTransRoySocB.pdf
Всего внутри нематоды 302 нейрона и ~7000 синапсов, при этом нематода способна к простым формам обучения и показывает разнообразное поведение:
http://learnmem.cshlp.org/content/17/4/191.long
Есть нобелевский лауреат Джеральд Эдельман который занимается крайне интересными исследованиями если смотреть с этой точки зрения: в его лаборатории строятся сложные модели нервных систем и они подвергаются тестированию на простых задачах в реальных условиях и в симуляторах. В этих экспериментах была продемонстрирована пластичность и обучение в искусственной нервной системе, напоминающие те же характеристики у мышей.
Вoт сайты и библиографии по Edelman's Brain Based Devices и роботам Darwin X, XI:
http://www-all.cs.umass.edu/~barto/Brain-Based%20Devices.pdf
http://neurosciencesinstitute.weebly.com/selected-publications.html
http://www.nsi.edu/~nomad/
Наконец, недавний результат из той же лаборатории где продемонстрировано обучение искусственой нервной систмы последовательнастям движений (применена модель Ижикевича, short term synaptic plasticity, STDP и двухуровневая архитектура со специальной организацией возбуждающих и тормозящих нейронов которая заставляет паттерны возбуждения конкурировать между собой)
http://www.frontiersin.org/Neurorobotics/10.3389/fnbot.2013.00010/abstract

Вывод: у инженерного подхода к созданию ЦНС (с опорой на биологические принципы) есть настоящее и будущее.

Казалось бы, динозавры вымерли и о том какими они были мы можем судить только по костям и окаменелостям. Период полураспада ДНК составляет 521 год, так что за те 66 миллионов лет которые прошли с момента массового вымирания динозавров вся их ДНК уже успела рассыпаться. Нигде на планете не существует полноценного генома динозавра.
Однако нужно вспомнить то что птицы являются прямыми потомками динозавров.
Известно что эволюция работает постепенно и никогда полностью не удаляет старые гены, лишь выключая их если они мешают (например модифицируя промоторный регион гена). Очевидно что часть изменений отличающих птицу от динозавра была связана с генами регулирующими процесс эмбриогенеза, т.е. процесс развития эмбриона из оплодотворённой яйцеклетки. Изменения в этих генах приводят к изменению формы и конфигурации новорождённого организма.
Наблюдая за развитием эмбриона курицы можно заметить что хвост начинает расти но потом останавливается (с помощью апоптоза http://www.ncbi.nlm.nih.gov/pubmed/8725288 вызванного каким-то генетическим фактором).
Всё это наводит на мысль о том что можно было бы попытаться включить отключенные гены, или изменить способ их регуляции, или попытаться напрямую вводить в развивающийся эмбрион вещества-морфогены, чтобы возродить в живом существе часть признаков диназавра.
Эта идея давно пришла в голову известному палеонтологу, доктору Джеку Хорнеру и он принялся за её исполнение.
Вот статьи в газетах об этом проекте:
http://discovermagazine.com/2009/apr/27-jack-horners-plan-bring-dinosaurs-back-to-life
http://edition.cnn.com/2011/OPINION/06/12/horner.dinosaur.chicken/index.html?&hpt=hp_c2
http://news.discovery.com/animals/dinosaurs/big-question-for-2012-chicken-dinosaur-111219.htm
Также, Хорнер написал книгу How to Build a Dinosaur которая доступна здесь http://libgen.info/view.php?id=251726

Формальная теория красоты (Шмидтхубер, http://www.idsia.ch/~juergen/creativity.html )
Пусть O(t) означает субъективного наблюдателя О в момент времени t.
Пусть H(t) означает историю предыдущих действий, чувств и наград наблюдателя до момента времени t.
О обладает каким-то адаптивным методом сжатия H(t) или её частей.
Мы обозначим субъективную мгновенную простоту или сжимаемость или регулярность или красоту B(D,O(t)) для любых данных D (но не их интересность или эстетическую ценность - смотрите ниже) как отрицательное число битов необходимое для кодирования D (видимо имеется разность длин D и его сжатого представления, прим. перев.), при данном ограниченном априорном знании наблюдателя и при его ограниченном методе сжатия.
Мы определим зависимую от времени субъективную интересность или новизну или удивлённость или эстетическую награду или эстетическую ценность или внутреннюю радость или радость как функцию I(D,O(t)) от данных D и наблюдателя O в дискретный момент времени t>0 как I(D,O(t)) = B(D,O(t)) - B(D,O(t-1)).
Эта величина описывает изменение красоты во времени, т.е. является первой производной субъективной простоты или красоты.
Когда обучающийся агент улучшает свой алгоритм сжатия, данные которые ранее были для него случайными становятся субъективно более упорядоченными и красивыми, требуя всё меньше и меньше битов для того чтобы их закодировать.
Пока этот процесс не закончился данные остаются интересными, но со временем они станут скучными несмотря на то что они останутся красивыми.
В момент времени t пусть r_i(t) = I(H(t),O(t)) обозначает мгновенную функцию веселья, радости или внутренней награды за улучшение сжатия путём открытия новых закономерностей где-то в H(t), истории действий и ощущений до момента времени t.
Пусть r_e(t) означает внешнюю награду в текущий момент времени, а функция r(t) = g(r_i(t),r_e(t)) - полную награду в данный момент времени, где g это функция которая взвешивает (определяет вклад) внутренней и внешней награды, например простая сумма: g(a,b) = a+b.
Целью агента во время t_0 является максимизация E[∑(t=t0,T,r(t))] где E это оператор математического ожидания, а Т - время смерти. (т.е. максимизация ожидаемой суммарной награды на промежутке времени от t0 до T).

Статья о том как владелец плантации с апельсинами обратился к генной инженерии для того чтобы найти способ борьбы с бактерией, поражающей деревья. Статья подробная, рассказывается о том как он несколько лет изучал этот вопрос, консультировался с учёными и отдавал деньги государственным агентствам для проведения тестов.
В целом про-ГМ статья, я не ожидал от NY times. А ещё я не знал что апельсины это гибрид помело и мандарина, появившийся несколько тысяч лет назад.
http://www.nytimes.com/2013/07/28/science/a-race-to-save-the-orange-by-altering-its-dna.html?_r=0
For a moment, alone in the field, he let his mind wander.
“Maybe we can use the technology to improve orange juice,” he could not help thinking.
“Maybe we can find a way to have oranges grow year-round, or get two for every one we get now on a tree.”
Then he reined in those thoughts.
He took the clipboard down, signed out and locked the gate.

Веб-сборник коротких статей по анатомии человека, с хорошими иллюстрациями.
http://antranik.org/human-anatomy-series/
Например
http://antranik.org/the-building-blocks-of-cells/
http://antranik.org/the-eye-and-vision/
http://antranik.org/functional-areas-of-the-cerebral-cortex/