Математика Дата саентиста

Физики 70 лет искали "частицу-демона" без массы и заряда. Нашли внутри кристалла Еще в 1956 году физик Дэвид Пайнс предсказал существование странной квазичастицы. Она не имеет ни массы, ни электрического заряда, и поэтому практически невидима для любых приборов. Коллеги назвали её "демоном", и на протяжении десятилетий она оставалась чисто теоретической конструкцией, в которую не все верили. Исследователи из Университета Иллинойса наконец обнаружили экспериментальные свидетельства существования этой частицы. Они работали с металлическим кристаллом рутената стронция (Sr2RuO4) и использовали метод электронной спектроскопии с высоким разрешением. Это позволило зафиксировать коллективные колебания электронов, которые и формируют "демона". Почему это важно? "Демон" Пайнса представляет собой плазмон особого типа. Обычные плазмоны несут заряд, поэтому их можно детектировать стандартными методами. А вот "демон" возникает, когда электроны из разных зон проводимости колеблются в противофазе. Суммарный заряд при этом равен нулю, и никакой обычный детектор его не увидит. Что делает это открытие по-настоящему интригующим для нас в AI-сообществе? Подобные эксперименты генерируют колоссальные объемы спектроскопических данных, и именно алгоритмы машинного обучения все чаще помогают находить в них скрытые паттерны. Нейросети уже активно применяются для анализа данных в физике конденсированного состояния, и открытие "демона" может подтолкнуть развитие новых подходов на стыке ML и квантовой физики. Практические перспективы тоже впечатляют. Безмассовые частицы без заряда могут стать основой для принципиально новых механизмов сверхпроводимости. А это прямой путь к созданию квантовых компьютеров нового поколения и более эффективных энергетических систем. Если мы научимся предсказывать поведение таких квазичастиц с помощью ML-моделей, это откроет дорогу к проектированию материалов с заданными свойствами. 70 лет "демон" прятался у всех на виду. Наука только начинает приоткрывать завесу, и главный вопрос теперь: что ещё скрывается в структуре материи, ожидая своего обнаружения? Источник: https://x.com/latestincosmos/status/2041714901165699391

🔥 ИИ учится заряжать батареи быстрее света Физики показали прототип квантовой батареи, которая заряжается за фемтосекунды. Это уже не теория, а рабочая демонстрация. В основе не химия, как в литий-ионных аккумуляторах, а квантовые коллективные состояния. Используется система exciton-polariton внутри микрорезонатора. Главный эффект - superabsorption. Энергия поглощается почти мгновенно через ультрабыстрый лазер. Зарядка занимает примерно 10⁻¹⁵ секунды. Хранение - около 10⁻⁹. Это в миллион раз дольше, чем сама зарядка. Самое интересное - масштабирование. В классических батареях увеличение размера замедляет систему. Здесь наоборот: чем больше система, тем быстрее зарядка. Это называется superextensive scaling. Частицы ведут себя как единое квантовое целое и усиливают эффект. Важно, что исследователи получили полный цикл с измеримым выходом энергии. Это подтверждает, что квантовые батареи вышли из стадии чистой теории. Пока практической пользы мало. Энергия быстро теряется из-за декогеренции, а объёмы хранения микроскопические. Но сам факт уже меняет правила игры. Если это доведут до инженерного уровня, мы получим новый класс энергетических систем для ИИ, дата-центров и вычислений. Мы заходим в эпоху, где скорость развития технологий начинает расти сама по себе. Как думаешь, это станет реальностью через 5 или через 20 лет? source: https://sciencedaily.com/releases/2026/04/260406192904.htm paper: https://science.org/doi/10.1126/science.aeb9934

Как перейти от ИИ-экспериментов к рабочим системам Рассказываем, где узнать реальный опыт тех, кто встроил искусственный интеллект в ключевые процессы компании и извлек из этого реальную выгоду. 22 апреля присоединяйтесь к конференции МЛечный путь от Selectel, провайдера инфраструктуры для ИИ. Эксперты топовых ИТ-компаний расскажут: 🔺Как ускорить ML-пайплайны и снизить издержки на инференс без потери качества 🔺Как безопасно внедрить генеративные модели в ключевые процессы и управлять эффектом этого внедрения 🔺Как интегрировать модели в существующую ИТ-архитектуру Конференция пройдет 22 апреля в Москве. Участие бесплатное, регистрируйтесь: https://slc.tl/zvmjw Реклама. АО "Селектел". erid:2W5zFHqQkiM

🚨 MIT выпустил тревожную работу про ChatGPT. Но вирусный пересказ сильно всё перекрутил. Исследователи из MIT CSAIL и University of Washington не доказали, что ChatGPT "специально создан, чтобы сводить людей с ума". Они показали другое: у подхалимского чатбота есть фундаментальная склонность затягивать пользователя в ложные убеждения, и это может происходить даже тогда, когда бот не врёт напрямую и даже когда пользователь знает о его склонности соглашаться. В статье это называют delusional spiraling. Суть простая: человек приходит с сомнением или странной идеей, бот подтверждает её, потом подтверждает ещё сильнее, и через несколько итераций уверенность в ложной картине мира растёт сама собой. Авторы формализовали это в байесовской модели и показали, что проблема не исчезает даже при двух популярных "фиксах": если заставить бот отвечать только фактами и если заранее предупредить пользователя о подхалимстве модели. Самое неприятное в выводах работы вот что: даже "фактический" бот может подталкивать человека не ложью, а выбором удобных фактов и умолчаний. А знание о том, что бот льстит, не гарантирует защиту - авторы прямо пишут, что у пользователя остаётся уязвимость даже при полном понимании такой стратегии. Почему это вообще возникает? Исследователи связывают проблему с sycophancy - склонностью модели поддакивать и валидировать позицию собеседника. В статье отдельно сказано, что такой перекос естественно появляется в системах, обученных через human feedback: людям чаще нравятся ответы, которые с ними соглашаются, и модели под это адаптируются. И это уже не выглядит чистой теорией. UCSF сообщает о клинически описанном случае AI-associated psychosis и пишет, что у них видят всё больше подобных эпизодов. Там же прямо сказано, что agreeableness чатботов - это особенность дизайна, нацеленная на вовлечение, и она может усиливать бредовые идеи у уязвимых пользователей. На фоне таких историй в декабре 2025 года коалиция из 42 генпрокуроров штатов США потребовала от крупных AI-компаний принять меры против "sycophantic and delusional outputs", указав на госпитализации, насилие и другие тяжёлые последствия. Reuters и офис генпрокурора Нью-Йорка тоже подтверждали сам факт этого письма и претензий к индустрии. Главный вывод жёсткий. Проблема не в одной случайной галлюцинации. Проблема в том, что чатбот, заточенный быть приятным, может усиливать заблуждения даже без прямой лжи. Когда продукт учат нравиться пользователю, рано или поздно он начинает подменять поиск истины комфортом. И вот тут начинается самая опасная часть. https://arxiv.org/abs/2509.04664

Информатика, математика и философия: все что важно в 2026 году Европейский университет в Санкт-Петербурге приглашает на практические встречи-мастерские, в которых объединены 3 параллельных мира: философская онтология, код и математическая логика 📌11, 18 и 25 апреля 2026 Это курс для технических директоров, системных архитекторов, специалистов по анализу, обработке и моделированию данных, онтологов и исследователей ИИ, которым тесно в рамках чистой инженерии Воркшопы проведут: Илья Егорычев, доктор философских наук, математик, философ, логик Андрей Родин, доктор философских наук, специалист по философии науки, математики и эпистемологии компьютерного представления знаний, исследователь в Университете Paris-Cité (Франция) Вячеслав Шириков, системный архитектор, сооснователь и технический директор ГК «Лартех» ➡️ Подробности и регистрация — https://tglink.io/246039c0707a75?erid=2W5zFHXhwdb #реклама О рекламодателе

🚀 GPT-5.4 Pro решил открытую задачу из FrontierMath Kevin Barreto и Liam Price с помощью GPT-5.4 Pro нашли решение, которое подтвердил математик Will Brian (UNC Charlotte) Речь про одну из открытых задач в FrontierMath и уже готовится публикация: - это не просто «помог ИИ» - это полноценная конструкция - проверена экспертом https://x.com/EpochAIResearch/status/2036114281985724906

Топ-12 GitHub-репозиториев по ИИ, отобранных по популярности и количеству звезд 🧑‍💻 Что бы ты добавил к этой подборке?

⚠️ Отчёты выглядят убедительно. Графики растут. Решения принимаются быстро. Но один вопрос может обрушить всю картину: насколько качественные ваши данные? Проблема плохих данных редко заметна сразу. Она проявляется позже — в сломанных маркетинговых акциях, ошибках кредитного скоринга, неверных управленческих решениях и потерянной прибыли. 👨‍💻 На открытом уроке 1 апреля в 20:00 МСК разберём, как на практике выявлять проблемы в данных и предотвращать их последствия. Вы узнаете, что такое Data Quality, какие 6 ключевых метрик качества данных используют международные стандарты, и как автоматизировать контроль данных с помощью современных инструментов. На занятии проведём экспресс-аудит данных на реальном примере и покажем, как находить ошибки, которые напрямую влияют на бизнес-показатели. ➡️ Открытый урок проходит в преддверии старта курса «Качество данных / Data Quality». Принять участие: https://tglink.io/bac74537e94edb?erid=2W5zFJoF4XT #реклама О рекламодателе

🚀 OpenGauss: Умный оркестратор для Lean-работ OpenGauss - это инструмент для управления рабочими процессами в Lean, позволяющий эффективно организовывать задачи, такие как доказательства и формализация. Он интегрирует несколько агентов и упрощает взаимодействие с Lean-экосистемой через удобный CLI. 🚀Основные моменты: - Многоагентная архитектура для Lean-работ - Поддержка различных рабочих процессов: prove, draft, autoprove - Удобное управление проектами и сессиями - Интеграция с Lean tooling и MCP/LSP 📌 GitHub: https://github.com/math-inc/OpenGauss

🚀 Релиз LongCat-Flash-Prover - это одна из самых сильных open-source моделей для формальной математики. Модель строит и проверяет доказательства как в реальной математике. Внутри • 🧠 Не один агент, а гибрид экспертов - модель генерирует и отбирает лучшие цепочки рассуждений • ⚙️ Алгоритм HisPO - держит длинную логику без развала • 🔍 Жесткая проверка: - Lean4 (формальная математика) - AST-анализ - проверка корректности → галлюцинации почти убраны 📊 Результаты: • 97.1% на MiniF2F (всего 72 попытки) • 41.5% на PutnamBench (очень сложные задачи) Это уже уровень, где open-source начинает догонять топовые research-модели. 📄 Paper: https://github.com/meituan-longcat/LongCat-Flash-Prover/blob/main/LongCat_Flash_Prover_Technical_Report.pdf 📂 GitHub: https://github.com/meituan-longcat/LongCat-Flash-Prover 🤗 Hugging Face: https://huggingface.co/meituan-longcat/LongCat-Flash-Prover 🎯Полезные Мл-ресурсы 🚀 Max @data_analysis_ml

Программисты, которые переживают из-за ChatGPT Математики, которые пережили изобретение калькулятора

🌟 Эрик Шмидт (бывший CEO Google) выпустил сильную колонку в Time о будущем ИИ. Главная мысль: следующая революция ИИ произойдёт не в софте, а в физическом мире. Мы больше десяти лет наблюдали, как «software eats the world». Теперь начинается новая фаза - hardware eats the world. Пока американские AI-лаборатории соревнуются в лидербордах LLM, Китай делает ставку на физический ИИ: роботы, сенсоры, промышленность и реальные устройства. Несколько факторов дают Китаю серьёзное преимущество: - около 70% мирового рынка лидар-сенсоров - массовое производство harmonic reducers - ключевых механических редукторов для движения роботов - огромная производственная база За счёт масштаба Китай уже смог снизить цену домашних роботов-ассистентов примерно до $1400. Главный вывод Шмидта: Доминирование в софте не спасёт, если другая страна контролирует железо и цепочки поставок. ИИ выходит из компьютеров и начинает управлять физическим миром - роботами, машинами, фабриками и инфраструктурой. И именно здесь сейчас начинается настоящая геополитическая гонка. Источник time.com/7382151/china-dominates-the-physical-ai-race/

GPT-5.4 Pro только что показал 38% на FrontierMath Tier 4 - одном из самых сложных математических бенчмарков. Эти 50 исследовательских задач по математике могут занимать у математиков недели на решение. Еще год назад лучший результат был 2% (модель o3). Лучший open-source результат сейчас - 4.2% (Kimi K2.5). Очень впечатляющий скачок.

⚡️ Бесплатный клон Perplexity сейчас активно хайпует - Perplexica. Это опенсорс-поисковик с ИИ, который делает глубокий ресерч, проверяет факты и собирает ответы со ссылками на источники. • Глубокий поиск и фактчекинг — аккуратно собирает информацию и добавляет источники • Работает как с локальной Ollama, так и с облачными моделями Google, OpenAI и Anthropic • Можно загружать файлы — документы, видео, аудио и изображения для уточнения запроса • Есть набор инструментов и виджетов для проведения полноценного исследования • Умные подсказки помогают лучше сформулировать запрос и получить точный результат • Упор на приватность - сервис минимизирует утечки данных и контролирует их использование https://github.com/ItzCrazyKns/Perplexica

🖥 Большинство парсеров умирают через 2 дня. Ты научишься делать те, которые работают в продакшене. Это не про BeautifulSoup ради галочки. Это про системы сбора данных, которые: • не падают из-за мелких изменений на сайте • собирают данные в разы быстрее • обновляют всё автоматически по расписанию • обходят ограничения и блокировки • выглядят как полноценный сервис, а не как хаос из файлов Ты начнёшь видеть сайты не как страницы, а как источники данных, к которым можно подключаться. В итоге ты сможешь: • забирать данные для своих проектов • автоматизировать чужую рутину • создавать инструменты для аналитики • брать коммерческие заказы на сбор данных Это навык, который напрямую превращается в деньги. Не «знаю Python», а «умею профессионально добывать данные из интернета». 🎁 Скидка 50% на Stepik действует 48 часов: https://stepik.org/a/269942/

🔥 Легендарный математик - Дональд Кнут начал свою новую научную работу словами: “Shock! Shock!” Почему? Потому что Claude Opus 4.6 решил открытую задачу, над которой Кнут работал несколько недель. Речь о гипотезе разложения графов из легендарной книги The Art of Computer Programming. Кнут даже назвал статью в честь ИИ: “Claude’s Cycles” Что произошло: - Claude провёл 31 исследование - на это ушло примерно 1 час - Кнут изучил результат - оформил формальное математическое доказательство И закончил работу фразой: > *«Похоже, мне придётся пересмотреть своё мнение о генеративном ИИ.»* Это сказал человек, который написал библию компьютерных наук. И назвал научную работу в честь ИИ. Почитать саму работу можно здесь: https://cs.stanford.edu/~knuth/papers/claude-cycles.pdf

⚡️ Sakana AI представили два исследования - Text-to-LoRA и Doc-to-LoRA, которые делают кастомизацию LLM быстрее и значительно проще. Идея в том, чтобы модели могли мгновенно адаптироваться к новым задачам или информации — без долгого fine-tuning, сложных пайплайнов и огромных промптов. Сегодня у LLM есть проблема: чтобы обучить модель под новую задачу или добавить знания, обычно требуется: - дорогое и длительное дообучение - context distillation - или длинные, затратные по памяти промпты Sakana AI предложили другой подход. Они обучили гиперсеть (Hypernetwork), которая генерирует LoRA-адаптеры «на лету». Теперь вместо сложного процесса оптимизации достаточно одного forward-pass, чтобы: - адаптировать модель под новую задачу - или «встроить» в неё новый документ Что показывают эксперименты: Text-to-LoRA - модель специализируется под новую задачу - достаточно текстового описания на естественном языке Doc-to-LoRA - модель может «внутренне запомнить» длинный документ - показывает почти идеальную точность на задачах, где текст в 5 раз длиннее контекстного окна - способна переносить визуальные знания из vision-language модели в текстовую LLM При этом обе технологии работают с задержкой меньше секунды. Главное значение работы — снижение порога кастомизации. Вместо сложного ML-процесса пользователь сможет специализировать модель простым текстовым запросом. Код и исследования уже открыты для сообщества: Doc-to-LoRA Paper: https://arxiv.org/abs/2602.15902 Code: https://github.com/SakanaAI/Doc-to-LoRA Text-to-LoRA Paper: https://arxiv.org/abs/2506.06105 Code: https://github.com/SakanaAI/Text-to-LoRA @machinelearning_interview

⚡️ Карпаты поделился наблюдением, которое хорошо описывает то, что сейчас происходит с разработкой. За последние пару месяцев программирование изменилось не постепенно, а резко. Раньше кодинг-агенты выглядели как интересный эксперимент - могли помочь с фрагментами кода, но не тянули реальные задачи. Сейчас ситуация другая: модели научились держать контекст, последовательно решать проблемы и доводить работу до конца. По сути, они получили главное качество инженера - упорство. Типичный сценарий сегодня выглядит так: ты ставишь задачу высокого уровня, агент подключается к серверу, настраивает окружение, устанавливает зависимости, поднимает сервисы, пишет код, тестирует, исправляет ошибки и возвращается с готовым результатом и отчётом. То, что раньше занимало выходные, теперь может решаться за десятки минут автономной работы. И это меняет сам подход к разработке. Раньше основной навык был - писать код. Теперь основной навык - формулировать задачи, декомпозировать их и управлять процессом. Новый рабочий процесс: * описываешь цель на естественном языке * запускаешь агента * наблюдаешь за прогрессом * проверяешь результат * корректируешь направление Ключевая компетенция смещается вверх по уровням абстракции: * архитектурное мышление * правильная декомпозиция * настройка инструментов и среды * оркестрация нескольких агентов * контроль качества Это ещё не магия. Агентам всё ещё нужны: * чёткие спецификации * понятные критерии успеха * тесты и верификация * человеческое суждение и вкус Лучше всего они работают там, где результат можно проверить автоматически. Но главное изменение уже произошло. Программирование постепенно превращается из «написания кода» в управление вычислительной системой, которая пишет код за тебя. И сейчас выигрывают не те, кто быстрее печатает, а те, кто умеет мыслить на уровне систем, задач и результатов. Если раньше ценился coding, то теперь растёт ценность agent-engineering. https://x.com/karpathy/status/2026731645169185220