ИИ в науке, образовании и рынке труда

Лонгрид на выходные. В приложении. 200+ страниц. Для очень продвинутых :) OpenAI опубликовала десять доказательств по задачам, в которых, по заявлению компании, основной результат не продвигался минимум десять лет. Математические аргументы сгенерировала внутренняя модель Astra. Что именно заявлено: Упаковка сфер. Точно определена асимптотическая сила метода Кона—Элкиса. Получено первое с 1978 года улучшение общего показателя плотности упаковки сфер в пространствах большой размерности: с 0,599055… до 0,6044…. Двоичные и сферические коды. Экспоненциально улучшены классические верхние границы максимального числа кодовых слов при заданном минимальном расстоянии. Это уточняет фундаментальные ограничения кодов исправления ошибок. Несофическая группа. Построен явный пример группы, которую нельзя приблизить конечными перестановками. Тем самым дан отрицательный ответ на вопрос, являются ли все счётные группы софическими. Гипотеза Конна о жёсткости. Построено бесконечно много неизоморфных групп со свойством (T), имеющих одну и ту же групповую алгебру фон Неймана. Значит, такая алгебра не всегда позволяет восстановить породившую её группу. Сложность арифметических схем. Для вычисления перманента доказаны новые нижние границы: Ω(n² log log n) элементов для схем без деления и Ω(n⁴/log n) листьев для формул. Это результат о принципиальных ограничениях определённого класса алгоритмов. Квантовое параллельное повторение. Доказано экспоненциальное снижение вероятности успеха при повторении любой конечной квантовой игры двух участников с запутанностью — ранее теорема была известна только для специальных классов игр. Задача ближайшего вектора (Closest Vector Problem, CVP). Прямая редукция из задачи 3SAT дала трудность аппроксимации с коэффициентом n¹⁄⁴⁰⁰. Результат относится к теории решёток, лежащей в основе ряда подходов к постквантовой криптографии. Гипотеза Эрхарта об объёме. Во всех размерностях доказана точная максимальная граница (n + 1)ⁿ/n! для выпуклого тела, у которого центр масс является единственной внутренней точкой целочисленной решётки. Многоцветные числа Рамсея. Установлен суперэкспоненциальный рост Rₖ(3) = k^Θ(k), что решает задачу Эрдёша №183. Экстремальная теория графов. Построены контрпримеры сразу к двум гипотезам — о компактности Эрдёша—Шимоновича и о вырожденности. Это решает задачи Эрдёша №146 и №180.

Любопытный новый отчет от OpenAl. Исследовали насколько часто люди на работе обращаются к ChatGPT, чтобы заняться «не своим делом». То есть, обращаются к ИИ за решением рабочей задачи, с которой без ИИ пошли бы к коллеге из другого отдела или просто забили бы.  Сами по себе цифры в отчете ни о чем о особо не говорят. Очевидно, обращаются.  А вот в динамике на подобные отчеты будет посмотреть очень интересно. Очевидно, что через год цифры вырастут. Но вот насколько? Это и будет индикатором скорости освоения и внедрения новых инструментов.  Источник в приложении.  OpenAI изучила случайную выборку из более 800 тыс. рабочих сообщений американских пользователей ChatGPT. Исследование охватило восемь профессиональных групп: клиентский сервис, дизайн, инженерные специальности, финансы, управление персоналом, право, маркетинг и продажи. Профессии определялись по данным, указанным пользователями ChatGPT Business; сами сообщения поступали из их индивидуальных аккаунтов ChatGPT.  Из всех рабочих сообщений: — 61,5% относились к универсальным задачам: подготовке текстов, электронной переписке, планированию встреч и другим действиям, характерным для многих профессий; — 21,8% соответствовали традиционным задачам профессии пользователя; — 16,8% относились к задачам, традиционно связанным с другой профессией. После исключения универсальных задач доля межпрофессиональных запросов составила 43,5%.  Доля задач, выходящих за традиционные границы профессии: — клиентский сервис — 77%; — дизайн — 75%; — управление персоналом — 69%; — право — 56%; — маркетинг — 53%; — продажи — 40%; — финансы — 40%; — инженерные специальности — 28%.  Среди пользователей, не работающих в маркетинге, 25% маркетинговых запросов приходилось на разработку рекламных материалов. Ещё 9,3% — на создание маркетингового контента и 6,5% — на разработку маркетинговых планов и стратегий.  Среди финансовых задач пользователей, не работающих в финансах, 9,8% запросов касались расчёта финансовых данных. Среди инженерных задач неинженеров 6,1% приходилось на устранение проблем в компьютерных приложениях и системах.  В структуре специализированных запросов: — у специалистов по продажам и дизайнеров маркетинговые задачи составляли примерно 28–29%; — у сотрудников клиентского сервиса — 26%; — инженерные задачи составляли 28% запросов дизайнеров и примерно 20–22% запросов специалистов клиентского сервиса и финансов.  Доля всех сообщений, связанных с задачами других профессий: — дизайн — 35,2%; — продажи — 32,1%; — управление персоналом — 30,4%; — клиентский сервис — 30,4%; — финансы — 29,9%; — право — 24,9%; — маркетинг — 24,3%; — инженерные специальности — 18,5%.  Задачи, чаще всего встречавшиеся у работников других профессий: — маркетинг — в среднем 8,9% сообщений; — инженерные задачи — 7,4%; — финансовые — 4,5%; — продажи — 3,0%; — клиентский сервис — 2,7%; — юридические — 2,3%; — управление персоналом — 1,8%; — дизайн — 1,7%. 

Лонгрид на выходные. 100+ страниц.  Google опубликовал первую версию исследования AI & Economy ATLAS.  В приложении.  ATLAS v1.0 построен на 15 млн агрегированных и деидентифицированных диалогов пользователей с Gemini App, AI Mode и Gemini API. Совокупная месячная аудитория этих продуктов превышает 1 млрд человек. Данные охватывают более 150 стран, 140 языков, 800 профессий и 4 тыс. рабочих задач. В рабочем контексте ИИ встречается в 68% профессий, на которые приходится 90% занятости в США. При этом использование остаётся выборочным: для типичной профессии ИИ задействован примерно в 21% задач. Менее 10% рабочих взаимодействий относятся к полной автоматизации; основная масса — поиск информации, обучение, формирование идей и помощь в принятии решений. В задачах, которые Google относит к нестандартной интеллектуальной работе — например, творческому проектированию и проверке гипотез, — доля взаимодействий с ИИ составляет 65%, тогда как их доля в экономике оценивается в 35%. Работники технических и преимущественно физических профессий при обращении к ИИ вдвое чаще используют мультимодальные возможности: изображения и видео помогают разбирать результаты диагностики, электрические схемы и состояние оборудования. За пределами работы происходит более 86% учтённых взаимодействий. В эту группу входят поиск товаров, работа с бытовой техникой и инструментами, а также навигация по налогам, лицензиям, штрафам и государственным услугам.

— Товарищ прапорщик, остановите поезд! — Поезд, стой! Раз, два! Франция запретила доступ детей к социальным сетям. Кому интересно - текст закона в приложении. Как это реализовать без тотальной блокировки соцсетей - пока неясно. Как реализовать это без тотального запрета доступа в интернет детей до 15 лет - тоже неясно. Считать ли Ютьюб соцсетью - тоже неясно. А многопользовательские игры с возможностью общения? А группу в телеге? А chatGPT? Тоже неясно. В общем. Понятно, что законодатель (пацаны у власти) хочет тотального контроля. Не только французский. Любой. Французский законодатель решил: - Наши пули вышли! Теперь думайте, как реализовать. Там тоже единства нет. Половина французских депутатов считает другую половину не очень умными. И плохо образованными. И приводили аргументы, что «вот так, как в законе», оно работать не будет. Но красивых оказалось больше :)

Белый дом опубликовал программу перестройки Американской науки.  Доклад Science: A New Golden Age.  В приложении.  Автор - директор Управления научно-технической политики Белого дома Майкл Крациос, утверждает, что линейная цепочка «фундаментальная наука — прикладные исследования — промышленность» устарела. Теперь исследования, инженерия и бизнес развиваются в едином цикле. Американские компании направляют на НИОКР около $700 млрд в год — более чем втрое больше совокупных расходов государства и университетов. Федеральный портфель НИОКР составляет примерно $200 млрд. При этом исследователи, согласно докладу, тратят почти половину рабочего времени на административные задачи, а выдача некоторых грантов занимает почти два года. Предлагается чаще финансировать не отдельные проекты, а сильных исследователей, расширять долгосрочные гранты и экспериментировать с отбором. Решение по «быстрым грантам» может приниматься за 48 часов вместо 6–9 месяцев, а заявка заполняться за 30 минут. Центральный проект — Genesis Mission.  Он должн объединить суперкомпьютеры, ИИ-модели, приборы и данные национальных лабораторий в единую платформу и за десять лет удвоить производительность и результативность американской науки и инженерии. Основа проекта — 17 национальных лабораторий Министерства энергетики: около 40 тыс. сотрудников и примерно $20 млрд ежегодного финансирования. Для миссии должны выбрать не менее 20 национальных научно-технических задач. Уже заключены соглашения с 24 организациями и профинансированы 14 проектов по роботизации и автономным лабораториям. Национальный научный фонд США планирует первоначально вложить $380 млн в программируемые облачные лаборатории. Расчёт сделан на замкнутый цикл: ИИ выдвигает гипотезу, робот проводит эксперимент, система анализирует результат.  Например, в материаловедении это потенциально может на порядок сократить путь разработки, который сейчас занимает около 20 лет. Любопытная цифра В докладе приведена оценка потерь от невоспроизводимых результатов доклинических биомедицинских исследований — $28 млрд в год. Рядом с «генератором науки» предлагается создать проверяющий контур: автоматический повтор расчётов, машиночитаемые пакеты воспроизводимости, открытые стандарты и вознаграждение за подтверждение либо опровержение значимых работ. 100+ страниц. Можно оставить на выходные :) А можно и не ждать.