A unique carved amber bear was found when workers were delving into the peat in 1887. It is believed that this was worn as a protective charm during the Stone Age, as bears were considered the most powerful and threatening animal of that period. This amber bear was named “Słupcio”, or a “little guy from Słupsk” in Polish. A Polish kindergartner named it after winning the contest of naming this artefact. Now, this carved bear is at the National Museum in Szczecin, placed around 220 kilometres from the original location where it was found.Discovery of Gummy BearMostly, people were hunters during this period, so their archaeological evidence is rare. However, in the Pomerania region on the southern shore of the Baltic Sea, Stone Age sites with artefacts have been found by archaeologists, such as tools, pottery and weapons, along with the amber-made objects that had washed ashore. After a study of 2023 conducted by archaeologists Daniel Groß and Peter Vang Petersen, where several amber bear statuettes were discovered from the Baltic Sea, it was concluded that the objects are likely to be from a period of Palaeolithic tradition, i.e. 50,000 to 12,000 years ago.After World War IIDuring the end of World War II, Słupcio was taken out by Germans from Poland with other ancient artefacts. The amber bear was then placed in the Stralsund Museum until its return to Szczecin in 2009. In Germany, the experts studying it called it "Bernsteinbär" (amber bear) and claimed the carving to be from an ancient period. Since Slupcio was founded more than 100 years ago, there were still arguments when it was made.Appearance and UseThis carved amber bear is now famous as a local symbol, and its copies are widespread as souvenirs. The statuette is 10.2 centimetres long and 4.2 centimetres tall, weighing 85 grams.In the statuette's middle part at the trunk, a hole can be seen that goes all the way through the whole body, used by the ancient hunters to tie a strap across this gummy bear and carry it like a necklace or wrap around the waist or arm.Ancient Times PerceptionsThe amber bears may be further evidence of the Palaeolithic tradition of representing animals in cave paintings and portable objects, and they also show that people shifted their hunting from reindeer on the open tundra to elk and bear in the forest. Due to its properties of being translucent when polished and fragrant on burning, it was perceived as the material of magic, which transformed it into a Stone Age amulet. For the latest tech news and reviews, follow Gadgets 360 on X, Facebook, WhatsApp, Threads and Google News. For the latest videos on gadgets and tech, subscribe to our YouTube channel. If you want to know everything about top influencers, follow our in-house Who'sThat360 on Instagram and YouTube. Further reading: Stone Age, Archaeology, ancient, statuette’s Gadgets 360 Staff The resident bot. If you email me, a human will respond. More Related Stories

Generative Models Enable True Understanding: the Link Between Interpretability and Generative Ability11 min read·Just now--AbstractInterpretability and generative capability in generative models are fundamentally two complementary aspects. A highly interpretable model typically learns the true underlying generative mechanisms behind data, such as physical laws, causal relationships, or explicit structures. As these mechanisms are inherently stable and universally applicable, such models can reliably generalize beyond training data, producing more reasonable and robust samples with fewer generation failures. In addition, a highly controllable and powerful generative model implicitly or explicitly captures genuine and effective underlying rules. The ultimate goal of training generative models should extend beyond obtaining high-quality samples to exploring and understanding the underlying generative mechanisms of phenomena. When a generative model demonstrates controllability and scalability with respect to a dataset, it indicates the model has genuinely learned the mechanisms that generate the data. This opens up a paradigm in scientific research, enabling the discovery of underlying principles through observational data reconstructed by generative models, particularly when these models exhibit controllability and scalability. Leveraging powerful nonlinear mapping, efficient iterative training, and structured interpretability, artificial intelligence holds the potential to uncover and understand rules and principles currently beyond human knowledge.1. IntroductionCurrent mainstream artificial intelligence models, particularly those used for classification tasks in supervised learning, rely heavily on large-scale parameters, vast amounts of data, and extensive computational resources. Essentially, these models achieve their objectives through data-driven statistical fitting rather than genuinely understanding the intrinsic structures and causal relationships within the data. While this approach performs exceptionally well on large datasets, it is fundamentally a “black-box” form of function approximation, rather than a human-like learning and reasoning process.Typically, phenomena directly observable by humans are referred to as “manifestations,” and the human learning process essentially involves inferring underlying rules from these observable manifestations. Once humans grasp these underlying rules, they become capable of reproducing the manifestations intentionally. For instance, after understanding the physical principles behind fire and lightning, humans learned to deliberately create fire and generate electricity. Analogously, generative models should focus on two primary tasks:Inferring underlying rules from manifestations (“inverse reasoning”);Generating manifestations based on these underlying rules (“generation”).For artificial intelligence to truly achieve “intelligence,” it should aim to learn clear structural relationships embedded within data, rather than merely performing statistical fitting. Structured modeling, disentangled representation learning, and causal inference are crucial steps towards genuine understanding in artificial intelligence. Only when a generative model can identify the causal structure underlying the data and leverage this structure to produce plausible samples can it be considered a truly interpretable and transparent system.1.1 Interpretability of Generative ModelsThe goal of a generative model extends beyond merely producing samples that approximate a target distribution — it should also uncover and represent the underlying mechanisms governing that distribution, thereby enhancing its interpretability. Greater interpretability indicates a deeper understanding of the target distribution by the model. When a generative model explicitly characterizes these internal mechanisms, it transitions from being an uninterpretable “black-box” into a system capable of reasoning and generalizing underlying principles.In other words, the generative capability and interpretability of a model should evolve in tandem. Enhanced interpretability implies that the generative model genuinely grasps the principles driving the target distribution, and this deeper comprehension, in turn, improves the realism and plausibility of the generated samples.1.2 Structured Modeling of Latent VariablesEarly generative models, such as vanilla Variational Autoencoders (VAEs) (Kingma and Welling (2013)) and Generative Adversarial Networks (GANs) (Goodfellow et al., (2020)), introduced the concept of latent variables — assuming that the observed characteristics of the target data​ are controlled by a set of hidden factors. However, these models typically assume the latent variables follow a standard normal distribution. While this assumption simplifies derivations and sampling procedures, it neglects structured relationships among latent variables and does not promote their disentanglement. Consequently:Latent variables are not effectively disentangled, causing dimensions to become entangled and lack independence.The assumed distribution of latent variables may not reflect the true generative mechanisms underlying the observed data, thus limiting the model’s interpretability.Samples generated by VAEs often appear blurry, and latent projections into lower-dimensional spaces lack clear patterns.To address these issues, an ideal generative model should incorporate structured latent variables, characterized by:a. Clear interpretability: Each latent variable dimension z={z1,z2,…,zN} explicitly controls a distinct and interpretable feature of the target distribution.b. Independence among latent dimensions: Each dimension is maximally independent, ensuring minimal interference among different factors.c. Transparent and controllable mapping: The process mapping latent variables to observed data should be clear and manipulable, allowing the generation of samples that vary systematically according to specific latent dimensions.When a generative model successfully captures these independent causal factors {z1,z2,…,zN} and their corresponding mappings to observed data, it genuinely understands the generative mechanisms of the target distribution. Such structured latent-variable modeling transforms generative models from mere black-box data fitters into transparent systems capable of understanding, generalizing, and reasoning about causal relationships.2. Exploration of Interpretability in Generative Models2.1 Independent Component AnalysisIndependent Component Analysis (ICA) is generally recognized as an inverse method for separating mixed signals. Real-world signals are often mixtures originating from multiple independent sources. Each source can be viewed as an independent component. Understanding the observed mixed signals involves identifying how underlying factors influence them and reconstructing these independent components through inverse process.From a traditional viewpoint, ICA belongs to signal processing and seems unrelated to generative models. However, adopting a broader perspective, observed mixed signals can be considered as being “generated” by independent sources through a mixing process. Each independent source can thus be represented by structured latent variables. In this way, ICA can broadly be seen as a problem solvable by interpretable generative models. The inference process (mapping observed signals Xdata to sources z) represents an inverse operation, whereas the generative process corresponds to remixing from latent sources z back to Xdata.The iVAE framework proposed by Khemakhem et al. (2020) represents a fusion of ICA theory with generative modeling methods. Their work demonstrates identifiability conditions for latent variables in a conditional VAE framework with auxiliary variables, laying a foundation for deep representation learning and disentanglement. Additionally, an earlier attempt by Brakel and Bengio (2017) applied GAN to ICA by introducing discriminators to test latent variable independence, successfully separating independent components in both linear and nonlinear contexts.2.2 DisentanglementDisentangled representation typically refers to a latent representation where each dimension independently captures a single underlying generative factor of the data, ensuring independence and non-overlapping among latent variables (Kumar et al., 2017). Intuitively, in a disentangled representation, altering a specific latent factor should only affect the corresponding attribute of the generated data, leaving other attributes unchanged (Locatello et al., 2019). In short, disentanglement aims to establish a clear “one-to-one correspondence” between dimensions of the latent representation and different generative factors, thereby enhancing interpretability and controllability in generative models.The β-VAE method proposed by Higgins et al. (2017) enhances factor disentanglement by assigning greater weight to the KL divergence term in the VAE loss function. This approach achieved superior results compared to earlier methods such as InfoGAN (Chen et al., 2016). Subsequently, FactorVAE (Kim & Mnih, 2018) improved disentanglement further by explicitly penalizing total correlation (TC) among latent variables. By integrating TC as a regularization term in the training objective, FactorVAE explicitly discourages statistical dependence between latent variables. Building upon this research, Chen et al. (2018) introduced β-TCVAE, essentially refining β-VAE by strengthening constraints on independence.Beyond the β-VAE framework, Kumar et al. (2017) developed the Disentangled Inferred Prior VAE (DIP-VAE) framework, with DIP-VAE-I and DIP-VAE-II representing distinct implementation modes. Fundamentally, DIP-VAE introduces regularization terms that encourage independence among latent variable dimensions.Compared to ICA, disentanglement tasks typically handle more complex information with higher dimensionality, stronger nonlinearity, and more abstract data structures, making them inherently more challenging. To some extent, disentanglement can be regarded as a generalized form of “nonlinear ICA.”2.3 Causal InferenceIdeally, natural causal processes are expected to be decomposed into mutually independent modules, each corresponding to factors generating or influencing other factors. Generative models endowed with causal structures enable controlled generation of samples by manipulating causal factors within the model, ensuring the learned representations align with real causal factors underlying the data (Yang et al., 2021). Introducing causal structures into latent spaces of generative models is not merely a technical method but rather an attempt to closely approximate and dissect the real-world mechanisms. In reality, various properties of physical samples inherently arise from multiple independent causal factors. Although current scientific capabilities may limit our comprehensive understanding of all details, causal generative models offer closer approximations to underlying natural laws.CausalVAE exemplifies the integration of causal representation and generative models. It introduces a causal layer into the VAE framework to impose a causal graphical structure. Remarkably, CausalVAE can perform interventions based on learned causal representations — for instance, identifying “lighting” as a cause and “shadow” as an effect enables generation of shadow-free images, even if such images were absent from the training set. This indicates that the generative model truly comprehends causal mechanisms, thus allowing generation aligned with objective laws and extending beyond the training data. Another significant development, SCM-VAE (Komanduri et al., 2022), explicitly incorporates known causal structures as priors into the VAE. With stronger structural priors, SCM-VAE achieves identifiable causal representations with moderate supervision and excels at interventional reasoning tasks. Empirical validations demonstrated that SCM-VAE, guided by fixed causal graphs (e.g., “smile” influencing “mouth shape”), can generate realistic human faces with specific smile intensities while accurately reflecting underlying causal relationships.Beyond VAEs, Generative Adversarial Networks (GANs) have also been applied to causal modeling. Kocaoglu et al. (2017) proposed a conditional GAN architecture trained according to given causal graphs, treating causal factors as labels. Their design enabled the GAN generator to produce samples following explicit causal chains.3. Inference-Generation Closed LoopIn practice, true artificial intelligence should possess logical reasoning capabilities. If a machine learning model fails to comprehend the underlying mechanisms and reasons controlling the properties of target Xdata, its generated samples will lack traceability and rationality. However, if the model successfully disentangles the various factors behind Xdata, it genuinely grasps natural laws or physical principles, demonstrating clear and effective logical reasoning skills. At this stage, the model truly understands and deconstructs the target Xdata, achieving genuine learning and inference capabilities. Consequently, its generative capabilities experience substantial improvements, as the generated samples inherently align with objective rules and natural laws. Thus, interpretability and generative ability exhibit a balanced and strongly correlated relationship — the better a generative model’s interpretability, the more accurately it captures underlying principles, and the more naturally its samples align with real-world phenomena.Natural phenomena observed in reality can be denoted by Xdata, while the underlying causes can be represented as z. Typically, observed phenomena reflect a forward process from z to Xdata.z) from observed phenomena (Xdata) constitutes an inverse process (relative to the forward generative process), typically described as inference or posterior estimation P(z|Xdata) (determining z given Xdata). Ideally, when training a generative model, inference and generation capabilities should improve synchronously, forming a mutually reinforcing “inference-generation closed loop,” as illustrated in Figure 1(a). The traditional Chinese concept of Yin and Yang (Tai Chi) metaphorically captures this relationship, symbolizing complementary, mutually transforming, and unified dualities. Figure 1 (b) further illustrates various specific tasks encompassed within a generalized inference-generation closed loop, including inverse problems, ICA, causal inference, decoupling, disentanglement, counterfactual generation, and Bayesian inference. These tasks share a common trait: observable phenomena are governed by latent, unobservable factors. By reversing phenomena to infer these latent factors, one discovers underlying rules, ultimately enabling a more accurate generation of phenomena. Hence, ideal generative models exhibit a symbiotic balance between interpretability and generative capabilities (interpretability-generation equilibrium), as depicted in Figure 2.Figure 1. Inference-Generation Closed LoopFigure 2. Interpretability-Generation EquilibriumIn a previous tutorial (Wei, 2025), the limitations of classical generative models (e.g., VAE and GAN) were briefly discussed. These models typically rely on simple priors and lack structured, factorized, or independent constraints, resulting in uncontrollable, black-box generation processes. Consequently, VAEs and GANs essentially function as high-dimensional distribution approximators driven by the nonlinear mapping capabilities of neural networks. Figure 3(a) depicts the classical generative model mechanism, illustrating its reliance on simple distributions and black-box mappings to approximate complex high-dimensional distributions, inherently limiting interpretability. In contrast, Figure 3(b) demonstrates the structured generative model approach, analogous to constructing a building from basic modular elements. This method ensures both high-quality generation and explicit inference of underlying principles and rules.Figure 3. Interpretable Generative Models vs. Black Box Generative Models4. Discussion and Prospects4.1 Probabilistic Models and Prior SettingsIt is essential to recognize that observed information in practical scenarios is inevitably subject to various limitations and interferences. Moreover, the mechanisms underlying many phenomena are inherently probabilistic rather than deterministic. Consequently, the correspondence from essence to phenomena is often probabilistic rather than strictly one-to-one. Fortunately, current generative models are fundamentally built upon probabilistic theory.Probabilistic models, particularly those based on Bayesian theory, allow known rules or principles to serve as priors within structured generative models. Such priors significantly influence neural network architecture design and facilitate efficient training. For instance, if a known mapping relationship explicitly excludes convolution processes, neural network designs need not incorporate convolutional or deconvolutional layers.4.2 Evaluating Mapping Reasonability via Generation ControllabilityOwing to the inference-generation loop and the interpretability-generation equilibrium, even in domains lacking sufficient prior knowledge, the reasonableness of proposed structures and mappings can be assessed solely by observing the controllability and extensibility of generated samples. By adjusting and optimizing neural network architectures iteratively, researchers can progressively identify optimal (e.g., sparsest) mapping rules, thereby uncovering underlying scientific principles. Thus, generative models have the potential to significantly accelerate the exploration and discovery of natural laws.ReferencesBrakel, P., & Bengio, Y. (2017). Learning independent features with adversarial nets for non-linear ica. arXiv preprint arXiv:1710.05050.Chen, R. T., Li, X., Grosse, R. B., & Duvenaud, D. K. (2018). Isolating sources of disentanglement in variational autoencoders. Advances in neural information processing systems, 31.Chen, X., Duan, Y., Houthooft, R., Schulman, J., Sutskever, I., & Abbeel, P. (2016). Infogan: Interpretable representation learning by information maximizing generative adversarial nets. Advances in neural information processing systems, 29.Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139–144.Higgins, I., Matthey, L., Pal, A., Burgess, C., Glorot, X., Botvinick, M., … & Lerchner, A. (2017, February). beta-vae: Learning basic visual concepts with a constrained variational framework. In International conference on learning representations.Khemakhem, I., Kingma, D., Monti, R., & Hyvarinen, A. (2020, June). Variational autoencoders and nonlinear ica: A unifying framework. In International conference on artificial intelligence and statistics (pp. 2207–2217). PMLR.Kim, H., & Mnih, A. (2018, July). Disentangling by factorising. In International conference on machine learning (pp. 2649–2658). PMLR.Kingma, D. P., & Welling, M. (2013, December). Auto-encoding variational bayes.Kocaoglu, M., Snyder, C., Dimakis, A. G., & Vishwanath, S. (2017). Causalgan: Learning causal implicit generative models with adversarial training. arXiv preprint arXiv:1709.02023.Komanduri, A., Wu, Y., Huang, W., Chen, F., & Wu, X. (2022, December). Scm-vae: Learning identifiable causal representations via structural knowledge. In 2022 IEEE International Conference on Big Data (Big Data) (pp. 1014–1023). IEEE.Kumar, A., Sattigeri, P., & Balakrishnan, A. (2017). Variational inference of disentangled latent concepts from unlabeled observations. arXiv preprint arXiv:1711.00848.Kumar, A., Sattigeri, P., & Balakrishnan, A. (2017). Variational inference of disentangled latent concepts from unlabeled observations. arXiv preprint arXiv:1711.00848.Locatello, F., Bauer, S., Lucic, M., Raetsch, G., Gelly, S., Schölkopf, B., & Bachem, O. (2019, May). Challenging common assumptions in the unsupervised learning of disentangled representations. In international conference on machine learning (pp. 4114–4124). PMLR.Wei, Y. H. (2025). VAEs and GANs: Implicitly Approximating Complex Distributions with Simple Base Distributions and Deep Neural Networks — Principles, Necessity, and Limitations. arXiv preprint arXiv:2503.01898.Yang, M., Liu, F., Chen, Z., Shen, X., Hao, J., & Wang, J. (2021). Causalvae: Disentangled representation learning via neural structural causal models. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 9593–9602).

Social media networks require more and more users to either boost revenue or acquire more advertising partners when they show metrics regarding how long the engagement is on these platforms. However, there was one path that Meta CEO Mark Zuckerberg contemplated that was so absurd that the company’s board should be grateful the Chief Executive did not go through with it. Internal emails revealed that back in 2022, Zuckerberg had a ‘potentially crazy idea’ where he thought about deleting the friends’ list on Facebook to boost usage. The idea popped into Mark Zuckerberg’s head when he voiced concerns that Facebook’s ‘cultural relevance is decreasing quickly’ It is not difficult to imagine company CEOs making bold decisions that ultimately lead the companies to thrive, but according to The Verge, Mark Zuckerberg’s approach would be considered going overboard by many. During the Meta antitrust trial, the FTC showed internal emails where Zuckerberg considered an option to wipe everyone’s friends’ list, presenting a clean slate every once a year. He believed that Facebook’s ‘cultural relevance is decreasing quickly.’ To prevent an event where millions would quit the platform in response to the decision, Zuckerberg wanted to experiment with this change in a smaller country. The Meta CEO believed that even if Instagram and WhatsApp managed to succeed, if Facebook were to fail, it would be equivalent to the entire company failing, emphasizing the need to execute this move correctly. Tom Allison, head of Facebook, said that he was not confident about the idea’s chances of success, especially when the social network’s attractive feature was that friend counter. When an FTC attorney questioned Mark Zuckerberg about the idea during a hearing on Monday, he said that the company never went through with it. Instead, Meta is now focused on upgrading the user experience of Facebook, and that includes introducing an aesthetics and interface change that was in use the years prior. Hopefully, 2022 will be the last of these crazy ideas. Deal of the Day

مقالة رأيثقافةعن "الأمالي".. قراءة في المسار والخط!منصة "الأمالي" برنامج لغوي أدبي يُعنى بتتبع الظواهر اللغوية ونقد الاستخدامات المعاصرة للغة، خدمة للغة العربية وآدابها (مواقع التواصل)اشريف محمد يحيى16/4/2025من المآخذ الجوهرية التي سجلها الدارسون والباحثون على الحالة الشعرية الموريتانية -منذ بواكير نشأتها إلى عز عنفوانها- أنها لم تواكبها حركة نقد منهجي ذي أسس علمية منضبطة، وقواعد موضوعية مستقرة، تستجيد رائق الإنتاج الشعري، وتميز منحنى ارتجاجه من خط انسيابه، فتبرز ما استوى منه وسما، وتبدي ما نبا وند، عارضة وجوه التسويغ، كاشفة نقاط المأخذ، على بصيرة من العلمية، وهدى من المنهجية. ولا يؤمن على "صناعة المحتوى" (الرقمي) الهادف أن يصيبها شيء من ذلك، بسبب مزاجية "الجمهور"، التي تصاحبها غلبة ثنائي "التأثر التلقائي" و"التفاعل الفوري"، وعلى هذين مدار التلقي في فضاء وسائل التواصل الاجتماعي الموار. ومما عمت به البلوى أن واقع هذه الشبكات والمواقع (الإلكترونية) يحمل الناس على التسليم المطلق، والإعجاب غير المشروط -أو ضديهما- ويحرف مبدأ المراجعة وثابت الأخذ والرد عن مسارهما الطبيعي! وقد استقبل جمهور هذه الوسائط منصة "الأمالي" (البرنامج والصفحة) بشعور متفاوت، بلغ أشده حين توسعت دائرة التناول، وامتد اهتمام المحتوى، ليشمل نقاطا متخصصة خارجة عن خريطة التراث العربي، ورقعة السرد الأدبي واللغوي المندرجة تحته! الأمالي.. جدل المحتوى بدأ التحول بوضع "الحداثة" بين مطرقة النقد الانطباعي الساخر، وسندان الاستهداف المركز، في تناول جر ذيله على "الشعر الحر" -ضمنيا على الأقل- ولم يستحْيِ "اللسانيات" من لفح تلميحه وتعريضه! إعلان ويمكن تقسيم الملاحظة على "الأمالي" إلى نوعين: انتقاد متحامل مراغم، يتربص بها دوائر الإيقاع، بالطعن في جدوى مُخرَجها الرسالي، حتى لقد عدها أحد خصومها من المدونين الموريتانيين -في نسخة ما قبل تناول موضوع الحداثة- عقبة كأداء في طريق التمكين للمواد العلمية، بوصفها منبرا لـ"تلميع الأدب الترفيهي وتشجيع مضمونه الفارغ، وتكريس قيم المجتمع الجاهلي المتهتكة" (والتوصيف له)، داعيا إلى دعم التخصصات العلمية ومحاصرة التخصص الأدبي، والحد من تمدد فروعه.. وكأن اللغة والعلم ضدان! نقد موضوعي، يأخذ عليها الانتقال من خدمة التراث الأدبي العربي، بعرض جماليات اللغة، وتجلية تاريخ الأدب، وإيراد أشعار العرب، واستطراد أمثالها وذكر أخبارها، والحديث عن وقائعها -وما يتصل بذلك- إلى تناول مدارس الأدب العربي الحديثة، والخوض في قضايا الأدب المعاصر، وإثارة إشكالياته المتخصّصة بأسلوب غير منهجي وتقديم انطباعي. ويمكن ضغط المآخذ على "سياسة" الأمالي هذه في نقطة بارزة: محاكمة الحديث على شرط القديم. ففي حلقة التحول المفاجئ التي تناولت فيها الأمالي موضوع "الحداثة" اقترح المقدّم نصب لجنة تحكيم للنظر في "الأدب الحداثي" وجعل تشكيلتها من الثلاثي "الكلاسيكي": البارودي وشوقي وشاكر، ثم أنطق الثلاثة بأقوال وتصرفات تحكم على المحتوى الحداثي بـ"الإعدام"؛ تغليظا في القول ورميا بالرصاص! ثم ما لبث أن حصر "الشعرية" في البحور العروضية التراثية، وإذا كان هذا التحكم واردا في باب الرأي الشخصي، فإن من غير المستساغ إطلاقه على منصة لغوية عالمية بتلك "التلقينية"، وكأنه "إعلان موقف رسمي" لا يأتيه الاعتراض من بين يديه ولا من خلفه. ولأن التحكم والإلغائية -في اللغة والأدب- لا يمران عفوا ولا يؤذن لهما بالإقرار جزافا، حُرّرت ردود "أكاديمية"، وتعقيبات استدراكية تعاتب معد -ومقدم- مادة الأمالي في رميه الأدب "الحداثي" عن قوس استهداف مترصّدة! إعلان استدراك لا يفسد للود قضية وقد وجدتُني -بمناسبة "التوسع الخطي"- أنتقل من حيز التصفح والاهتمام إلى دائرة الملاحظة والاستدراك، وفاء بحق "المتابعة"، الذي هو فرع عن حبي الفطري للسان العربي المبين، واهتمامي بـ"المادة الورقية" و"المحتوى الإلكتروني" اللذين يخرجان من مشكاة خدمة هذه اللغة، التي بها نزل الكتاب الخاتم على النبي الخاتم ﷺ. وحتى لا أدور في "عمومية" مفرغة أذكر -بالتحديد- أن الفتى الموهوب مرّر -للمتلقي- أحكاما انطباعية ساخرة، في الحلقة التي وصف فيها ملأ الشعراء "الحداثيين" بـ"المهرجين"، وما الحداثة من "إبداع" بمانعة. وقد اعتمد -عفا الله عني وعنه- أسلوب الإلغائية، ولو مهد لإطلاق "الحكم" النهائي الجازم بعرض "التصور" التحليلي المتماسك لكان ذلك أقرب للاستساغة وأدنى من المنهجية، ولكنه أسرف في التهكم وأغرق في التندر. وما ينبغي له أن يتجانف لـ"الخروج على النص" دون "مستند إثبات" ناهض، ذلك بأن "إشكاليات النقد الحديث" لم تكن من "الخط التحريري" لبرنامج "الأمالي" الشائق، وإنما ساغ الاستشهاد بمقاطع اللحن الشنيع -وغرائب الفهم السقيم- التي بدت من أفواه أعضاء لجنة تحكيم مسابقة "أمير الشعراء" -على سبيل المثال- لأنها من "مضحكات العصر"، التي لا يعدم فضحها وإنكارها مساغا، فلا بأس -ولو من باب "الفاصل الترويحي"- بالتبويب عليها في "الأمالي" و"النوادر"! أما تناول مصطلحات "الحداثة" و"اللسانيات" وأخواتها بتلك الطريقة الانتقائية العجلى فإنه يكاد يجني على عدالة "قضية" الأمالي، التي هي الذود عن حياض "الضاد"، والمنافحة عن حمى اللسان العربي المبين، وذلك مرام عظيم قمن أن لا يجرم صاحبه شنآن "الرطانة" على أن لا يعدل وينصف. ومن رحمة الله أن جعل في الموضوعية العلمية مندوحة عن الإلغائية الانطباعية! ولقد يدندن الفتى الفطن -في "الأمالي"- حول فكرة عامة لا غبار عليها، كإلزامية التدقيق اللغوي، وضرورة الخلو من اللحن النحوي في كتابة وتمثيل المسلسلات التاريخية العربية. إعلان ثم ينتقل -فجأة- من تلك العمومية الناصعة، إلى جزئية فيها نظر، فيكاد يلزم "صناع الدراما" بما لا يلزم من "المثالية"، ملغيا الفرق الجوهري بين كتابة السيناريو التمثيلي، التي تقتضي التصرف في "الأصل"، بإضافة جماليات التشويق الفني، وعناصر "التمرير الرسالي"، وأبجديات التوصيل الخطابي (في المسلسل التلفزيوني)، وبين نقل الأحداث التاريخية وفق نمطية الرواية التراثية (في الكتاب التأليفي). وليس من المطروح فنيا -ولا من الوارد موضوعيا- أن تمثل أحداث قصة الزير سالم -مثلا- بلغة زمانها، فمرارة أسلوب "المسلسل المكسيكي المدبلج" (واللفظ له) مقدمة -فنيا- على حلاوة الاستمتاع بمفردات اللسان الجاهلي العتيق، كما وردت من المصدر -إذا لم يسعف الجمع- ولكل مقام مقال! ولعلي لم أكن لأخرج من دائرة التلقي والتسليم لو لزمت الأمالي غرْز تبويبها الأول ولم تبرح خطها التحريري الأصلي! وعندي أن المعد النابه والمقدم الألمعي محمد لغظف لم يزل في فسحة من منهجه -في طور تتبّع نوادر التراث الأدبي وتجلية سوانح الإشراق اللغوي- حتى أدخل التندر الاستهدافي على خط الاعتماد في مواضيع متخصصة حقها الجد في الأسلوب والعلمية في الطرح والتوازن في العرض. المسألة الترندية وخصومة المجمع القاهري ولعل أبرز "الملفات" التي أعملت فيها "الأمالي" سلاح الطعن التجريحي -في الشأن اللغوي البحت- "المسألة الترندية"، فقد أسقط صاحب الأمالي من تبويبه مناديح التعريب المعتمدة في المنهج المجمعي اللغوي، وركز على هاجس "الاختراق اللغوي"، فجعله مركز دوران مأخذه، مستأنسا بحالة "حساسية لغوية" مفرطة، قائمة على إغلاق باب "الاقتراض اللغوي" ومنع غزو اللفظ الدخيل. ومن صور الإغراب ما يورده في سياق إسقاط "الحساسية اللغوية" على العربية، وتتبُّع "الموضة الأجنبية" المصاحبة، كاستدعاء حالة ترجمة اسم شركة "Apple" بمعادلها العربي "التفاحة " حتى لا يكون الصينيون -والأمم الأخرى- أحرص على "أمنهم القومي اللغوي"! إعلان وقد اصطحب هذا "الإسقاط العاطفي" في مسألة "الترند"، فانتقل من الاستشهاد برفض المجتمعات الأوربية اعتماد لفظة "Trend"، إلى ترجمة الآيسلنديين اللفظة الإنجليزية بكلمة "Stefna"!.. قبل أن يتحول "النقد" من مأخذ على موقف إلى "هجو" مؤسسة. فكان آخر المطاف شي المجمع القاهري على سفود التبكيت، وقد نشرت منصة "الأمالي" لذلك "الهجاء" بساط النشر والتدوين في حينه! ما كل موجود مناسب صحيح أن الأمالي -في مسألة "الترند"- لم تقف عند حد استدعاء "الحساسية اللغوية" التي دفعت المجتمعات -والمجامع اللغوية- الغربية إلى رفض استعمال اللفظ الأجنبي سدّا لذريعة "الاختراق اللغوي"، بل اقترحت "بدائل لفظية" (رائج، متداول، متصدر)، لكن عمل مجامع اللغة العربية قائم على استحضار الفرق بين "الموجود" و"المناسب". ولا ريب أن الألفاظ الأربعة داخلة في حيز "الموجود"، لكن صفة "المناسب" منتفية عنها لعدم الانصراف الذهني السلس، فصيغ اسم الفاعل "رائج"، "متصدر" واسم المفعول "متداول" مستهلكة للوصفية. ولفظة "الترند" -فوق شيوعها- شبيهة بقسيمتها في الوقع والجرس كلمة "الفرند" المعربة (التراثية)، فليس فيها ذلك الاستثقال وتلك "الرطانة" التي في كلمة "هاشتاغ" -على سبيل المثال- ومن هنا كان تعريب "الوسم" (المحدث) بديلا حلو الوقع سائغ القبول، على حين اجتمعت في اللفظة الأجنبية "المستوردة" "Hashtag" خشونة الوقع واضطراب الضبط عند كتابتها بالحرف العربي (هاشتاج/هاشتاغ). ألا وإنه لا ينبغي استسهال إدخال الكلمات الأجنبية -ولا سيما أسماء المخترعات العصرية- ولا تمريرها على عواهنها، ولكنه التسديد والمقاربة، ومراعاة الضرورة والسبب الموضوعي، وما أبرئ المجمع القاهري، فقد تساهل -من قبل- في إجازة ألفاظ ركيكة وأساليب شائهة من سقط لغة الصحافة، لكن "أوراقه سليمة" في "إجازة" كلمة "الترند" من جهتي التخصص الفني والمسوغ الموضوعي. إعلان وفي المقطع "الفيديوي" -الذي وصم فيه المجمع القاهري بـ"التكاسل" و"الاستسلام"- أعلن الأستاذ محمد لغظف -في تحكم انطباعي- إغلاق باب "الاقتراض" وإنهاء حالة أخذ العربية من اللغات الأخرى، مكتفيا -بين يدي "إعلان الطوارئ"- بالإشارة إلى أن العالم يعيش "عصر حروب اللغات"، وفي هذا التحكم "عاطفية" جامحة، تنكب صاحبها العلمية، حتى ولو كان ذلك عن حسن نية. ومن هنا فلعل هاجس "الأمن اللغوي" وراء "فلسفة" الأمالي و"سياستها" في فهم -وعرض- "القضية اللغوية"، وما ثنائية العاطفية والعلمية إلا فرع عن ثنائية القلب والعقل، وفي هذا مدرك تفسير لحالة "التأثر التلقائي" و"التفاعل الفوري" التي أشرت إليها في البداية! تبقى "الأمالي" -رغم ورود الملاحظة وتطرّق المأخذ- معلمة ثقافية بارزة وصرحا لغويا منيفا تحمد لصاحبها يد خدمة اللغة العربية وآدابها (مواقع التواصل) نقد.. لا انتقاد وبعد، فهذه ملاحظات سجلتها، في سياق القراءة وتحت موجب الاستدراك، أداء لمهمة الإيضاح، لا ترصدا لسانحة الإيقاع، وتحريا لعدل "النقد"، لا توخيا لغرض "الانتقاد". وتبقى "الأمالي" -رغم ورود الملاحظة وتطرّق المأخذ- معلمة ثقافية بارزة وصرحا لغويا منيفا تحمد لصاحبها يد خدمة اللغة العربية وآدابها، وتذكر له سابقة حمل رسالة "الضاد" على ثبج "الإعلام الجديد"، وتقريبها للنشء بشائق العرض ورصين المادة، وعسى أن تغني "أمالي محمد لغظف" في الأواخر غناء "أمالي أبي علي القالي" في الأوائل، وتزيد "إمتاعا ومؤانسة"، وأخذا بمجامع الألباب والأذهان! المصدر : الجزيرة

 كشف وزير الطاقة والبنية التحتية، سهيل بن محمد فرج فارس المزروعي، عن تفاصيل "التحالف العالمي لكفاءة الطاقة" "GEEA" الذي اعتمده مجلس الوزراء برئاسة صاحب السمو الشيخ محمد بن راشد آل مكتوم نائب رئيس الدولة رئيس مجلس الوزراء حاكم دبي "رعاه الله" ، ويهدف إلى تحقيق تحسين جذري في كفاءة استهلاك الطاقة في مختلف القطاعات بما في ذلك المباني والنقل والصناعة مع العمل على مضاعفة معدلات كفاءة الطاقة سنوياً بحلول عام 2030 بما يتماشى مع "اتفاق الإمارات" التاريخي الذي تم الإعلان عنه خلال مؤتمر الأطراف “COP28” وذلك في إطار جهود دولة الإمارات لتعزيز الاستدامة وتقليل استهلاك الطاقة عالمياً. وقال إن: "التحالف العالمي لكفاءة الطاقة"، يهدف إلى تحسين كفاءة استهلاك الطاقة عالمياً من خلال تنفيذ سياسات ومعايير موحدة تدعم تحسين الأداء عبر جميع القطاعات، وتعزيز التعاون الدولي لتبادل المعرفة والخبرات، وتمكين الدول النامية من تنفيذ حلول كفاءة الطاقة، وتطوير منصة عالمية لتبادل السياسات والتقنيات والمبادرات الناجحة في كفاءة الطاقة، ما يسهم في تسريع تبني أفضل الممارسات. وأكد أن التحالف يهدف كذلك إلى تحقيق تحولات جذرية في مجال كفاءة الطاقة على مستوى العالم، من خلال تعزيز التعاون الدولي بين الدول والمؤسسات والشركات، كما يسعى إلى خفض الانبعاثات الكربونية وتقليل استهلاك الموارد الطبيعية، بما يعزز من تحقيق أهداف التنمية المستدامة والالتزامات العالمية الخاصة بالعمل المناخي. دعم الجهود العالمية  وأوضح أن إطلاق التحالف يعكس التزام الإمارات الدائم بدعم الجهود العالمية لتحقيق أهداف التنمية المستدامة، وجهود العمل المناخي والمحافظة على الموارد الطبيعية، مشيراً إلى أن الإمارات من خلال هذا التحالف، تهدف إلى تقديم حلول مبتكرة وتقنيات متطورة تدعم الدول في تحقيق معدلات كفاءة طاقة عالية، خاصة في المناطق التي تحتاج إلى دعم، والتي تواجه تحديات في الحصول على حلول تمويلية وتكنولوجية. ولفت إلى أن التحالف يُعد منصة عالمية لتبادل الخبرات والمعرفة، مما يتيح للدول الأعضاء فرصة الاستفادة من التجارب الناجحة في تعزيز كفاءة الطاقة، فيما يساهم في تطوير أدوات موحدة لقياس التقدم في مبادرات كفاءة الطاقة. وأكد أن الإمارات ستلعب دوراً رائداً في هذا التحالف عبر مشاركة أفضل الممارسات لدينا وتقديم نماذج شراكاتنا مع القطاع الخاص لدعم الأعضاء الآخرين، موضحا أن إطلاق هذا التحالف جاء نتيجة وجود رغبة عالمية لرفع كفاءة استهلاك الطاقة. ودعا الدول والمؤسسات العالمية إلى الانضمام للتحالف، مشيراً إلى أن الإمارات تسعى إلى جعل التحالف منصة جامعة للدول الراغبة في تعزيز جهودها لتحقيق مستقبل أكثر استدامة، مؤكداً ثقة الإمارات في أن هذا التعاون العالمي سيحقق تحولاً نوعياً في مسيرة كفاءة الطاقة. التعاون المشترك  من جهته، قال المهندس شريف العلماء وكيل وزارة الطاقة والبنية التحتية لشؤون الطاقة والبترول، إن "التحالف العالمي لكفاءة الطاقة" يؤكد أن كفاءة الطاقة تمثل عنصراً محورياً لتحقيق أهداف اتفاق "باريس للمناخ " ومستهدفات "اتفاق الإمارات" التاريخي والتوجهات المستقبلية للدول الأعضاء، وعن طريق هذا التعاون المشترك بين الدول يمكن تحسين الأداء البيئي والاقتصادي بشكل مستدام.وأكد نجاح "التحالف العالمي لكفاءة الطاقة" في حشد الجهود الدولية وتحقيق توافق دولي من أجل مستقبل القطاع والعمل المناخي، وبما يعزز مكانة دولة الإمارات رائدة عالمياً ومساهمة في بناء مستقبل مستدام للبشرية. وحول مساهمة دولة الإمارات في التحالف، أوضح أن دولة الإمارات ستلعب دوراً قيادياً من خلال نقل المعرفة وأفضل الممارسات المتبعة في مجالات كفاءة الطاقة، وتعزيز التعاون الدولي عبر شراكات مع القطاع الخاص، وتقديم الدعم الفني للدول الأعضاء لضمان تحقيق أهداف التحالف. وشدد على أن التحالف يسهم في مواءمة الإستراتيجيات الوطنية للطاقة مع الالتزامات العالمية لتحقيق الحياد الكربوني ، وذلك من خلال تقديم التدريب والدعم الفني لتعزيز القدرات الوطنية لتنفيذ تدابير كفاءة الطاقة.

Devolver Digital has released its latest annual investor report, and included in the document is some commentary surrounding the Nintendo Switch 2.Devolver said the original Switch is the company's most popular console platform, with more than 9 million units sold of its various games (via GoNintendo). Given that, Devolver said it sees an "opportunity" with the Switch 2. The company also called out how the recent Nintendo Direct event featured three Devolver games: Starseeker, Human Fall Flat 2, and Enter the Gungeon 2.Some of Devolver's games that have come to Switch over the years have included Hotline Miami, Always Sometimes Monsters, The Talos Principle, Reigns: Three Kingdoms, and The Plucky Squire.Continue Reading at GameSpot

The cabbage thief is an NPC in Kingdom Come: Deliverance 2 who players can stumble upon and determine his fate. There are a few different outcomes based on what players decide to do with the cabbage thief, but it's recommended to keep him alive as he can make a type of food that gives an incredible buff to Henry. The only problem is that he needs cabbage.

It’s easy to forget that Stephen King doesn’t always write horror stories. There’s sci-fi stories like Under the Dome, coming-of-age tales like Stand By Me, and a few nicer stories that fall somewhere in-between. But with his horror-first approach, it’s probably fitting that King’s short story The Life of Chuck is getting a movie adaptation by Mike Flanagan, someone who also does most of his work by scaring people. In the first trailer for the film, it seems the pairs collaboration this time is a little more life-affirming than terrifying. The trailer doesn’t do much to clue us into The Life of Chuck’s exact plot. We follow a young kid who seems to have a penchant for dancing, we see him as a teenager (played by Jacob Tremblay), then later as an adult, with Tom Hiddleston taking over. Throughout all these glimpses of Chuck’s life, we hear voiceovers from people like Mark Hamill (playing Albie Krantz) telling him that he’s special and the world is beautiful. It frankly all looks incredibly sweet and heart-warming. As anyone who’s read King’s short story could attest, it mostly stays that way — even if some tragedy creeps in too. This is Flanagan’s third film adaptation of King’s work behind the Gerald’s Game and the absolutely fantastic Doctor Sleep — with a more ambitious Dark Tower adaptation supposedly on the way sometime in the future. Along with Tremblay, Hiddleston, and Hamill, the film also stars Chiwetel Ejiofor, Annalise Basso, Karen Gillan, Matthew Lillard, Kate Siegel, Nick Offerman, David Dastmalchian, and more. The Life of Chuck arrives in theaters in select cities on June 6, and will release nationally on June 12.

Google is rolling out a new way to generate videos, as well as animate existing images, using AI. The catch? These videos are really short, and you have to pay to play. On Tuesday, Google announced that Gemini Advanced and Google One AI Premium users can now make AI-generated videos using the company's Veo 2 video model. Google originally unveiled this model back in December, touting the model's improved understanding of real-world physics, nuanced human emotions, and ability to generate specific types of shots (e.g. low angle, close-up, shallow depth of field). While Veo 2 is capable of generating 4K videos at several minutes in length, that's not the experience Gemini Advanced users will get here. Instead, you'll be able to make eight-second videos at 720p—quite the limitation. Speaking of limits, there's a cap on the number of videos you can generate with Veo 2 each month, though Google isn't disclosing that publicly. Instead, the company says it'll warn you when you're approaching your limit, which doesn't seem like a particularly transparent system. While Gemini Advanced users will be able to use Veo 2 directly in Gemini, Google One AI Premium subscribers also have access to the model in Whisk—the company's AI media generator. As part of the Veo 2 rollout, Google is announcing Whisk Animate, which uses Veo 2 to animate an image you generated with Whisk. How to generate Veo 2 videos with Gemini AdvancedIf you pay the $20 per month for Gemini, Veo 2 is rolling out right now. To start, open Google's chatbot, then pick "Veo 2" from the model dropdown. From here, prompt the AI like you would normally, only this time with a specific video in mind. While Google encourages users to describe things like short stories for Veo 2 to work with, remember that you only get eight seconds of video generation max. That's quite the short story.If you don't see Veo 2 as an option, sit tight. Google says the full rollout could take a few weeks, so not all Gemini Advanced users will be able to access it today.How to animate a Whisk image with Veo 2 Credit: Google Google One AI Premium subscribers can give this one a shot over at labs.google/whisk. You can start by generating an image with Whisk as per usual—by prompting Whisk with whatever you want, or letting the AI randomly pick a generation for you. Once your image generates, you'll notice a new "ANIMATE" option at the top. Click this, then prompt the AI with how you'd like it to animate the image.What's the point of this?I don't have a subscription, so I can't try out Veo 2 in any capacity. But according to Google's demos, the model does a decent job of adhering to the prompts. For example, Google showed off how four different versions of a man eating ice cream—including 3D art, pixel art, illustration, and realistic generation—could be animated with a single prompt. That said, it's far from perfect: Each of these demonstrates the hallmark signs of AI-generated video, including visual glitches and elements morphing into one another. Some of the results here are also half-baked: The 3D art animation, for example, has the man bring the ice cream to his mouth, but never actually eat it, while the realistic generation shows him eating from his fingers, even though there is no ice cream there. There's a novelty to the feature, sure: You can generate a brief animation of any image you want—AI-generated or not. But I struggle to imagine the practical and widespread application here, especially since this feature is locked behind Google's $20 per month paywall.