Ludzki embrion potrzebuje białka NANOG, by w ogóle zagnieździć się w macicy - edycja genu ujawniła, że bez niego rozwój zatrzymuje się na etapie blastocysty. 🧬

Naukowcy z Cambridge i Instytutu Babrahama użyli precyzyjnej edycji zasad (base editing), by wyłączyć gen NANOG w ludzkich zarodkach. Bez tego białka komórki nie różnicują się w epiblast - strukturę dającą początek płodowi. Efekt: 100% embrionów ginie przed implantacją.

To pierwszy dowód, że NANOG jest niezbędny na najwcześniejszym
uzior - Ludzki embrion potrzebuje białka NANOG, by w ogóle zagnieździć się w macicy -...

źródło: card

Pobierz
  • 1
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

Ludzie i małpy człekokształtne śmieją się w tym samym, 15-milionowym rytmie. 🧬

Analiza nagrań śmiechu wywołanego łaskotaniem u ludzi, szympansów i orangutanów ujawniła identyczne wzorce rytmiczne. To dowodzi, że złożona kontrola wokalna u naczelnych mogła wyewoluować już 15 milionów lat temu, a nie dopiero u Homo sapiens.

Oznacza to, że korzenie naszego języka sięgają głębiej niż dotąd sądzono - do wspólnego przodka z małpami człekokształtnymi.

https://www.nature.com/articles/d41586-026-01994-8
uzior - Ludzie i małpy człekokształtne śmieją się w tym samym, 15-milionowym rytmie. ...

źródło: card

Pobierz
  • 3
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

Model uczy się reguły gramatycznej w 925 krokach (94% poprawności), a potem całkowicie ją zapomina do kroku 3500 - mimo że dane treningowe nadal ją zawierają. 🧠

Nazywa się to natural ungrokking: odkryto, że mały model językowy może samoczynnie tracić wyuczone reguły w trakcie treningu, bez ingerencji. To asymetryczne zjawisko pokazuje, że sieci neuronowe nie tylko zapamiętują, ale i aktywnie zapominają.

To podważa nasze rozumienie uczenia maszynowego - jeśli modele tracą wiedzę bez ostrzeżenia,
uzior - Model uczy się reguły gramatycznej w 925 krokach (94% poprawności), a potem c...

źródło: card

Pobierz
  • 1
  • Odpowiedz
  • Otrzymuj powiadomienia
    o nowych komentarzach

@uzior: tzw przetrenowanie, problem polega na tym, że model jest za mały by poznać całą logikę danych treningowych.

"jeśli modele tracą wiedzę bez ostrzeżenia, jak ufać ich stabilności w praktycznych zastosowaniach"
Normalnie, używać checkpointów z najwyższymi wynikami i odrzucać przetrenowane modele
  • Odpowiedz