Архив рубрики: Непознанное

НЛО в «ЗОНЕ — 51»

Этот НЛО был записан на этой неделе человеком, который использовал камеру оборудованную датчиком движения. После шести часов видеосъемки камера поймала этот удивительный оъект, стреляющий в непознанное. Действительно убедительным доказательством является звук.

Читать далее

Странные огни над Миннесотой

В Интернете появился короткий видеоклип, демонстрирующий формирование двенадцати белых огней в небе над парком Сент-Луис.
Видеозапись, как сообщается, была снята примерно в 8 часов вечера. вечером 10 февраля этого года.

Читать далее

Человек пять дней проводит сидя на унитазе!

Вы можете побить рекорд Де Френна? А Вы бы хотели?
Стремясь заработать свое место в Книге рекордов Гиннесса, бельгиец сидел в туалете 116 часов.

Читать далее

Огни Браун Маунтин

Загадочные огни, о которых сообщалось в течение десятилетий над Браун-Маунтин, были недавно зафиксированы на видео.

Читать далее

Пивной бокал самопроизвольно взрывается

Пивной бокал взрывается — снято на камеру в пабе.

На кадрах видеонаблюдения из паба The Salmon в Белфорде, Англия, видно, как стекло самопроизвольно разбивается вдребезги.
Видеоролик, который уже просматривали более 40 000 раз, был размещен в Интернете арендодателями Майклом и Донной Дунс, которые руководили пабом в течение последних трех лет.

«Бокал находился там около 20 минут, и в нем все еще была полпинты», — сказал Майкл. «Я слышал, что паб преследует нескольких человек, и теперь я в это верю!».

Конечно же, на кадрах видно, что стекло спонтанно разбивается, однако неясно, что послужило причиной этого.

Некоторые пользователи социальных сетей утверждают, что подобные вещи могут происходить довольно регулярно.

«В пабах бьют так, как будто все время моют, для дезинфекции используют горячий пар и химикаты, лучше всего, когда в стеклянной посуде только выпадает дно», — пишет Рэйчел Клэмп.

Другие, тем временем, остаются непреклонными в том, что что-то не поддающееся объяснению воздействовало на стакан.

Сам отснятый материал в пабе можно посмотреть ниже.

( по материалам https://www.unexplained-mysteries.com/)

Искусственный интеллект все еще несовершенен

Искусственный интеллект все еще имеет серьезные ограничения в распознавании того, что он видит.

Новое исследование предполагает, что искусственный интеллект не захватит мир в ближайшее время — он даже не может «видеть» должным образом.

Компьютерные сети, основанные на алгоритмах глубокого обучения (часто называемых ИИ), в последние годы добились огромных успехов. Настолько, что возникает огромное беспокойство (или энтузиазм, в зависимости от того, какую сторону диспута вы принимаете), что эти сети возьмут на себя человеческие обязанности и другие задачи, которые компьютеры просто не могли выполнять до сих пор.

Однако недавняя работа в Калифорнийском университете в Лос-Анджелесе (UCLA) показывает, что такие системы все еще находятся в зачаточном состоянии. Команда когнитивных психологов Калифорнийского университета в Лос-Анджелесе показала, что эти сети идентифицируют объекты принципиально иным образом, чем человеческий мозг, и что их очень легко обмануть.

Бинарные стекла


«У машин есть серьезные ограничения, которые мы должны понимать», — сказал Филип Келлман, выдающийся профессор психологии из Калифорнийского университета в Лос-Анджелесе и ведущий автор исследования. «Мы говорим:« Подождите, не так быстро ».

Команда исследовала, как сети машинного обучения видят мир, в серии из пяти экспериментов. Имейте в виду, что команда не пыталась обмануть сети — они работали, чтобы понять, как они идентифицируют объекты, и похоже ли это на то, как это делает человеческий мозг.

Для первого они работали с сетью глубокого обучения под названием VGG-19. Он считается одной из (если не единственной) лучшей сетью, разработанной в настоящее время для анализа и распознавания изображений. Команда показала VGG-19 измененные, цветные изображения животных и объектов. Например, на одном рисунке изображена поверхность мяча для гольфа, изображенная по контуру чайника. Другие изображали верблюда с полосками зебры или узор носка из синего и красного лоскутов на слоне. У сети спросили, что, по ее мнению, наиболее вероятно изображено на картине (при этом наиболее вероятным был верхний вариант выбора, второй — менее вероятным и т. Д.).

Примеры изображений, использованных на этом этапе.

VGG-19, как сообщает команда, указала правильный пункт в качестве своего первого выбора только для 5 из 40 изображений, которые были показаны во время этого эксперимента (12,5% успеха). Также было интересно посмотреть, насколько хорошо команде удалось обмануть сеть. Например, VGG-19 показал вероятность 0%, что слон с лоскутами был слоном, и только 0,41% вероятность того, что чайник был чайником.

Келлман говорит, что он не удивлен, что сеть предложила мяч для гольфа — назвав его «абсолютно разумным», — но был удивлен, увидев, что чайник даже не попал в список. В целом, результаты этого шага намекают на то, что такие сети оценивают текстуру объекта гораздо больше, чем его форму, говорит ведущий автор Николас Бейкер, аспирант психологии UCLA. Команда решила изучить эту идею дальше.

Скучаю по лесу за деревьями
Для второго эксперимента команда показала изображения стеклянных фигурок VGG-19 и второй сети глубокого обучения под названием AlexNet. Обе сети были обучены распознавать объекты, используя базу данных под названием ImageNet. Хотя VGG-19 работал лучше, чем AlexNet, они оба были довольно ужасными. Ни одна из сетей не могла правильно идентифицировать статуэтки в первом выборе: например, статуэтка слона была оценена с почти 0% вероятностью быть слоном в обеих сетях. В среднем AlexNet оценил правильный ответ на 328-м месте из 1000 вариантов.

Ну, они определенно стеклянные фигурки для нас с тобой. Не так очевидно для ИИ.

В этом эксперименте первый выбор сетей был довольно загадочным: например, VGG-19 выбрал «веб-сайт» для гусиной фигуры и «консервный нож» для белого медведя.

«Машины совершают ошибки, отличные от человеческих», — сказал соавтор Хунцзин Лу, профессор психологии в Калифорнийском университете. «Их механизмы обучения гораздо менее сложны, чем человеческий разум».

«Мы можем обмануть эти искусственные системы довольно легко».

Для третьего и четвертого эксперимента команда сосредоточилась на контурах. Сначала они показали сети 40 рисунков, обведенных черным, с изображениями в белом. Опять же, машина проделала довольно плохую работу по выявлению общих предметов (таких как бананы или бабочки). В четвертом эксперименте исследователи показали обеим сетям по 40 изображений, на этот раз сплошным черным. Здесь сети работали несколько лучше — они указывали правильный объект среди своих пяти лучших вариантов примерно в 50% случаев. Они идентифицировали некоторые предметы с достаточной уверенностью (например, вероятность 99,99% для счёта и 61% для пушки из VGG-19), в то время как они просто бросали мяч на других (в обеих сетях был указан белый молоток, выделенный черным для менее 1 % вероятность быть молотком).

Тем не менее, нельзя отрицать, что оба алгоритма работали лучше на этом этапе, чем любые другие до них. Келлман говорит, что это, скорее всего, потому что изображения не имели «внутренних контуров» — краев, которые запутывают программы.

Бросать гаечный ключ
Теперь, в пятом эксперименте, команда на самом деле пыталась максимально озадачить машину. Они работали с шестью изображениями, которые VGG-16 правильно идентифицировали на предыдущих этапах, скремблируя их, чтобы их было труднее распознать, сохранив при этом некоторые части показанных объектов. Они также использовали группу из десяти студентов UCLA в качестве контрольной группы.

Студентам показывали предметы в черных силуэтах — некоторые из них были трудно распознаваемы, а некоторые — не зашифрованы, некоторые объекты — всего за одну секунду, а некоторые — до тех пор, пока студенты хотели их увидеть. Студенты правильно определили 92% скремблированных объекта и 23% скремблированных объектов, если им была предоставлена ​​одна секунда для их просмотра. Когда студенты могли видеть силуэты так долго, как они хотели, они правильно определили 97% незашифрованных объектов и 37% зашифрованных объектов.

VGG-19 правильно идентифицировал пять из этих шести изображений (и был довольно близок к шестому, пишет команда). Команда говорит, что у людей, вероятно, было больше проблем с идентификацией изображений, чем с машиной, потому что мы наблюдаем весь объект, пытаясь определить, что мы видим. Искусственный интеллект, напротив, работает путем выявления фрагментов.

«Это исследование показывает, что эти системы получают правильный ответ на изображениях, на которых они тренировались, без учета формы», — сказал Келлман. «Для людей общая форма имеет первостепенное значение для распознавания объектов, а идентификация изображений по общей форме, по-видимому, вообще отсутствует в этих системах глубокого обучения».

Результаты показывают, что прямо сейчас ИИ (как мы его знаем и программируем) просто слишком незрел, чтобы реально столкнуться с реальным миром. Его легко обмануть, и он работает не так, как мы, поэтому трудно понять, как он будет себя вести. Тем не менее, как объясняет команда, понимание того, как такие сети «видят» окружающий их мир, было бы очень полезно по мере продвижения вперед с ними. Если мы знаем их слабые стороны, мы знаем, куда нам нужно приложить больше усилий, чтобы добиться значительных успехов.

(Статья была опубликована в журнале PLOS Computational Biology.)

Ядерная шахта и цыплята

Атомная шахта времен холодной войны была заполнена цыплятами

Еще в 1950-х годах ученые в Великобритании разработали ядерную шахту, которая для должного функционирования требовала, чтобы в ней находились живые цыплята.
Холодная война была ответственна за создание целого множества ужасающих новых проектов ядерного оружия, однако одно из них было настолько странным, что трудно поверить, что это была настоящая идея.

Этот проект, известный как операция «Голубой павлин», был направлен на установку ядерной мины вдоль границы с Советской Россией, чтобы предотвратить крупномасштабное вторжение на сушу.

Способная взорваться в любой момент, шахта оказалась бы особенно разрушительной, однако существовала большая проблема, из-за которой ее было очень трудно использовать.

Проблема заключалась в том, что из-за того, что шахта находилась глубоко под землей, весьма вероятно, что спусковой механизм станет настолько холодным, что больше не сможет функционировать.

Чтобы обойти эту проблему, ученые придумали довольно странную идею поместить несколько живых цыплят в бомбу, чтобы тепло их тела могло удержать механизм от замерзания.

Птицам нужно было дать достаточно семян, чтобы они могли выжить и перестали клевать провода.

Неудивительно, однако, что идея пошла не слишком хорошо. Мало того, что использование цыплят считалось ненадежным способом поддержания спускового механизма в рабочем состоянии, но и захоронение ядерной мины в союзной стране было сочтено недопустимым, особенно с учетом вероятности значительных выпадений.

К 1958 году с идеей полностью распрощались.

(по материалам https://www.unexplained-mysteries.com/)

НЛО в крупной грозе

Треугольник НЛО, снятый во время грозы. Читать далее

Мировые новости очень КРАТКО

Мировые новости в фотографиях. Читать далее

Акции протеста во Франции

Акции протеста во Франции. Читать далее