¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
MB3R Lab
Ir al canal en Telegram
Model-Based Robustness, Reliability, and Resilience MB3R Lab in English: https://www.linkedin.com/company/mb3rlab https://github.com/MB3R-Lab https://mb3r-lab.github.io/
Mostrar másEl país no está especificadoLa categoría no está especificada
304
Suscriptores
Sin datos24 horas
Sin datos7 días
+430 días
Carga de datos en curso...
Canales Similares
Sin datos
¿Algún problema? Por favor, actualice la página o contacte a nuestro gerente de soporte.
Nube de Etiquetas
Sin datos
¿Algún problema? Por favor, actualice la página o contacte a nuestro gerente de soporte.
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
junio '26
junio '26
+4
en 0 canales
mayo '26
+9
en 0 canales
Get PRO
abril '26
+155
en 0 canales
Get PRO
marzo '260
en 0 canales
Get PRO
febrero '26
+27
en 0 canales
Get PRO
enero '260
en 0 canales
Get PRO
diciembre '25
+8
en 0 canales
Get PRO
noviembre '25
+18
en 0 canales
Get PRO
octubre '25
+80
en 0 canales
Get PRO
septiembre '250
en 0 canales
Get PRO
agosto '250
en 4 canales
Get PRO
julio '25
+18
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 23 junio | 0 | |||
| 22 junio | 0 | |||
| 21 junio | 0 | |||
| 20 junio | 0 | |||
| 19 junio | 0 | |||
| 18 junio | 0 | |||
| 17 junio | 0 | |||
| 16 junio | +1 | |||
| 15 junio | 0 | |||
| 14 junio | +1 | |||
| 13 junio | 0 | |||
| 12 junio | 0 | |||
| 11 junio | 0 | |||
| 10 junio | 0 | |||
| 09 junio | 0 | |||
| 08 junio | +1 | |||
| 07 junio | 0 | |||
| 06 junio | 0 | |||
| 05 junio | 0 | |||
| 04 junio | 0 | |||
| 03 junio | 0 | |||
| 02 junio | +1 | |||
| 01 junio | 0 |
Publicaciones del Canal
Задача двух генералов — классическая проблема в распределенных системах. Суть: при ненадежном канале связи никакой конечный обмен подтверждениями не дает обеим сторонам абсолютной уверенности в доставке сообщения.
А могли бы мы решить её с помощью квантовой запутанности? Например, так: получатель при получении сообщения делает что-то со своей частью запутанного состояния, а отправитель мгновенно фиксирует это у себя локально, без всякого обратного классического канала?
Разобрал этот вопрос в статье на Хабре: Two Generals, One Temptation: The Quantum ACK Challenge
Спойлер — нет, принцип no-signaling запрещает. Локальная статистика у отправителя никак не зависит от удаленных действий получателя без передачи классического бита.
| 2 | Отрицательная дивергенция или почему идеальная модель обязана «врать»
В нашей инженерной культуре эмпирические данные имеют сакральный статус. Мы привыкли мыслить линейно: хорошая модель — это та, что максимально плотно ложится на исторические факты. Любое расхождение с логами или метриками воспринимается как изъян, повод для тюнинга гиперпараметров и переподготовки.
Но что, если слепое следование фактам — это путь в противоположную от реальности сторону?
Представьте честную монету. Вы подбросили её один раз — выпал орёл. Эмпирический след говорит: вероятность орла — 100%, решки — 0. Это факт. Это данные. А вот идеальная модель этого процесса назначает вероятность 50/50. Математически идеальная модель расходится с наблюдаемой историей. Она приписывает ненулевую вероятность тому, чего не произошло, и отказывается давать 100% тому, что случилось.
Именно этот отход от сырых данных делает её ближе к породившей их реальности. Модель улучшает наше понимание мира ровно в той степени, в которой она осмеливается не быть рабом конечной выборки. Это и есть феномен отрицательной дивергенции: расхождение с эмпирическим следом ради конвергенции с порождающей структурой.
Конечная история (trace) — это лишь выборка, случайная реализация. Порождающий мир (world) — это структура, определяющая не только то, что случилось, но и то, что произошло бы при вмешательстве (intervention), и то, что было бы в альтернативной ветке (counterfactual). Если вы оцениваете модель только по тому, как она аппроксимирует наблюдаемый след, вы поощряете меморизацию, а не понимание.
В сложных системах этот эффект принимает разрушительные формы. Пациент принял лекарство и выздоровел. Наивный эмпирический бейзлайн (частотный след) уверенно свяжет лечение с исходом. Но если выздоровление вызвано скрытым фоновым фактором, истинная каузальная модель разорвет эту ложную ассоциацию. Она скажет: «Лекарство не помогло», — даже если это противоречит наивному выводу из логов. Модель выигрывает за счет отказа от прямого перевода корреляций в каузацию.
Философы науки давно разводят эти уровни. Боген и Вудворд четко разделили данные (зашумленные свидетельства) и феномены (устойчивые структуры, которые теории призваны объяснять). Данные — это тень на стене пещеры. Строить мир по тени — значит строить карго-культ.
Проблема в том, что конечный след не определяет мир однозначно (классическая проблема недоопределенности теорий). Одни и те же логи могут быть порождены совершенно разными каузальными механизмами. Чтобы построить адекватную модель, агент должен выйти за пределы того, что «разрешает» ему эмпирика. Он должен опираться на априорные структурные предположения, инварианты и логику вмешательств.
Интеллект системы не исчерпывается способностью повторять след. Истинное преимущество модели — в способности генерировать ответы на каузальные запросы точнее, чем это позволяет сам сырой след. Идеальная модель не фотографирует реальность; она строит её чертеж, даже если ради этого приходится спорить с черновиком. | 305 |
