Точка машинного зрения

🧠 ИИ для диагностики и прогнозирования мигрени В журнале SN Comprehensive Clinical Medicine опубликован обзор AI and Digital Health in the Diagnosis, Prediction, and Treatment of Migraine: Current Applications and Future Perspectives, подготовленный исследователями из Сколтеха, Китая и Бразилии. Один из авторов работы — Светлана Илларионова, руководитель исследовательской группы Центра искусственного интеллекта Сколтеха. Мигрень сложно диагностировать и лечить в том числе из-за большого разнообразия симптомов и индивидуальной реакции пациентов на терапию. Авторы работы проанализировали современные исследования о том, как искусственный интеллект и цифровые медицинские технологии могут использоваться на разных этапах — от распознавания мигрени и прогнозирования приступов до выбора лечения и контроля заболевания. 🌳 Для диагностики уже применяются модели машинного обучения, которые анализируют данные МРТ, электронные медицинские записи и анкеты пациентов. Такие системы могут помогать отличать мигрень от других типов головной боли и выявлять признаки заболевания, которые трудно оценить вручную. Отдельное направление — использование объяснимого ИИ, позволяющего не только получить результат классификации, но и понять, какие данные повлияли на решение модели. 🤚 Ещё одна задача — предсказать приближение приступа. Для этого исследователи используют данные электронных дневников, смартфонов и носимых устройств: информацию о сне, физиологических показателях, активности человека, погоде и других возможных триггерах. Машинное обучение позволяет искать их сочетания и формировать индивидуальные прогнозы риска приступа. ИИ также исследуется как инструмент для персонализации терапии. Модели могут анализировать клинические и нейровизуализационные данные и оценивать, насколько вероятно, что конкретный пациент ответит на тот или иной вариант лечения. Это потенциально позволяет сократить период подбора терапии методом проб и ошибок. Авторы отдельно рассматривают цифровую терапию — программные медицинские решения, которые помогают пациентам контролировать заболевание. Это могут быть цифровые программы когнитивно-поведенческой терапии, методы биологической обратной связи и приложения для профилактики и самостоятельного управления мигренью. В обзоре цифровая терапия отделяется от более широкого понятия цифрового здравоохранения, куда также входят обычные мобильные приложения, носимые устройства и системы нейромодуляции.

«Несмотря на большое число перспективных результатов, большинство существующих работ пока имеют ограничения — небольшие выборки, короткие периоды наблюдения и недостаточную проверку алгоритмов на независимых данных, - отмечает Светлана Илларионова. - Для перехода таких технологий в повседневную клиническую практику также предстоит решить вопросы качества медицинских данных, объяснимости и возможной предвзятости моделей, регулирования и оценки безопасности».

Авторы считают, что следующий важный этап развития направления — крупные проспективные исследования, которые позволят проверить, насколько ИИ и цифровые методы действительно улучшают диагностику и лечение мигрени в реальной клинической практике.

🧠 Как понять, что ИИ галлюцинирует: Сколтех и Сбер предложили новый метод TOHA Исследователи Сколтеха и Центра практического искусственного интеллекта Сбербанка разработали новый метод TOHA (TOpology-based HAllucination detector) для выявления галлюцинаций больших языковых моделей в RAG-системах. Большие языковые модели всё чаще становятся основой ИИ-ассистентов и автономных агентов. Чтобы повысить точность их ответов, современные системы используют RAG: перед генерацией модель получает дополнительную информацию из корпоративных баз знаний, документов и других внешних источников. Но даже при наличии нужного контекста LLM может сформировать убедительный ответ, который на самом деле из него не следует. ☑️ TOHA позволяет выявлять такие ошибки, анализируя внутренние сигналы самой языковой модели. Исследователи представляют матрицы внимания модели в виде графов и рассчитывают топологическую характеристику MTop-Div. Оказалось, что для отдельных голов механизма внимания более высокие значения топологической дивергенции устойчиво связаны с ответами, которые не подтверждаются исходным контекстом. При этом TOHA не требует обучения отдельного классификатора. Для настройки достаточно небольшого набора размеченных примеров, после чего наиболее информативные головы внимания используются для оценки новых ответов. Авторы проверили подход на задачах ответов на вопросы и суммаризации текста: на нескольких бенчмарках TOHA показал результаты на уровне современных методов или превзошёл их при небольших требованиях к размеченным данным и вычислительным ресурсам. По данным авторов, результаты сопоставимы с существенно более вычислительно затратным методом SelfCheckGPT, предполагающим несколько генераций ответа.

Алексей Зайцев, доцент Сколтеха, руководитель совместной лаборатории «Сколтех — Сбербанк» (LARSS): «При использовании языковых моделей в прикладных системах важно не только получить убедительно звучащий ответ, но и понять, действительно ли он основан на информации, которая была предоставлена модели. В этой работе мы показываем, что такой сигнал можно извлечь из внутреннего описания текста моделью, если правильно на него посмотреть. Активация специальных топологических признаков сигнализирует о потенциальных галлюцинациях, не требуя обучения дополнительной модели-детектора и многократной генерации ответов».

🗂 Метод уже доступен для практического использования. Его реализация включена в открытую библиотеку SIRIN, разработанную исследователями Центра практического ИИ Сбербанка для выявления и анализа контекстных несоответствий в системах на базе больших языковых моделей. Подход можно использовать при создании ИИ-ассистентов и других решений, работающих с корпоративными базами знаний и документами. Для компаний такие инструменты особенно востребованы там, где ошибки ИИ могут приводить к финансовым, юридическим или репутационным рискам — например, в банковской сфере, страховании и юридических сервисах. Для исследователей работа также предлагает новый способ изучения внутренних механизмов языковых моделей через топологию графов внимания. 📑 Работа Hallucination Detection in LLMs with Topological Divergence on Attention Graphs опубликована в материалах конференции ACL 2026 с рейтингом A*. Новость на сайте Сколтеха 💡 СМИ о работе: Наука Mail | CNews | Независимая газета | Prospect

🌫 Как понять, что ИИ галлюцинирует: Сколтех и Сбер предложили новый метод TOHA Исследователи Сколтеха и Центра практического искусственного интеллекта Сбербанка разработали новый метод TOHA (TOpology-based HAllucination detector) для выявления галлюцинаций больших языковых моделей в RAG-системах. Большие языковые модели всё чаще становятся основой ИИ-ассистентов и автономных агентов. Чтобы повысить точность их ответов, современные системы используют RAG: перед генерацией модель получает дополнительную информацию из корпоративных баз знаний, документов и других внешних источников. Но даже при наличии нужного контекста LLM может сформировать убедительный ответ, который на самом деле из него не следует. 🤚 TOHA позволяет выявлять такие ошибки, анализируя внутренние сигналы самой языковой модели. Исследователи представляют матрицы внимания модели в виде графов и рассчитывают топологическую характеристику MTop-Div. Оказалось, что для отдельных голов механизма внимания более высокие значения топологической дивергенции устойчиво связаны с ответами, которые не подтверждаются исходным контекстом. При этом TOHA не требует обучения отдельного классификатора. Для настройки достаточно небольшого набора размеченных примеров, после чего наиболее информативные головы внимания используются для оценки новых ответов. Авторы проверили подход на задачах ответов на вопросы и суммаризации текста: на нескольких бенчмарках TOHA показал результаты на уровне современных методов или превзошёл их при небольших требованиях к размеченным данным и вычислительным ресурсам. По данным авторов, результаты сопоставимы с существенно более вычислительно затратным методом SelfCheckGPT, предполагающим несколько генераций ответа.

«При использовании языковых моделей в прикладных системах важно не только получить убедительно звучащий ответ, но и понять, действительно ли он основан на информации, которая была предоставлена модели. В этой работе мы показываем, что такой сигнал можно извлечь из внутреннего описания текста моделью, если правильно на него посмотреть. Активация специальных топологических признаков сигнализирует о потенциальных галлюцинациях, не требуя обучения дополнительной модели-детектора и многократной генерации ответов» - отметил Алексей Зайцев, доцент Сколтеха, руководитель совместной лаборатории «Сколтех — Сбербанк» (LARSS).

☑️ Метод уже доступен для практического использования. Его реализация включена в открытую библиотеку SIRIN, разработанную исследователями Центра практического ИИ Сбербанка для выявления и анализа контекстных несоответствий в системах на базе больших языковых моделей. Подход можно использовать при создании ИИ-ассистентов и других решений, работающих с корпоративными базами знаний и документами. Для компаний такие инструменты особенно востребованы там, где ошибки ИИ могут приводить к финансовым, юридическим или репутационным рискам — например, в банковской сфере, страховании и юридических сервисах. Для исследователей работа также предлагает новый способ изучения внутренних механизмов языковых моделей через топологию графов внимания. 📑 Работа Hallucination Detection in LLMs with Topological Divergence on Attention Graphs опубликована в материалах конференции ACL 2026 с рейтингом A*. Новость на сайте Сколтеха 👍 СМИ о работе: Наука Mail | CNews | Независимая газета | Prospect

🌫 Как понять, что ИИ галлюцинирует: Сколтех и Сбер предложили новый метод TOHA Исследователи Сколтеха и Центра практического искусственного интеллекта Сбербанка разработали новый метод TOHA (TOpology-based HAllucination detector) для выявления галлюцинаций больших языковых моделей в RAG-системах. Большие языковые модели всё чаще становятся основой ИИ-ассистентов и автономных агентов. Чтобы повысить точность их ответов, современные системы используют RAG: перед генерацией модель получает дополнительную информацию из корпоративных баз знаний, документов и других внешних источников. Но даже при наличии нужного контекста LLM может сформировать убедительный ответ, который на самом деле из него не следует. 🤚 TOHA позволяет выявлять такие ошибки, анализируя внутренние сигналы самой языковой модели. Исследователи представляют матрицы внимания модели в виде графов и рассчитывают топологическую характеристику MTop-Div. Оказалось, что для отдельных голов механизма внимания более высокие значения топологической дивергенции устойчиво связаны с ответами, которые не подтверждаются исходным контекстом. При этом TOHA не требует обучения отдельного классификатора. Для настройки достаточно небольшого набора размеченных примеров, после чего наиболее информативные головы внимания используются для оценки новых ответов. Авторы проверили подход на задачах ответов на вопросы и суммаризации текста: на нескольких бенчмарках TOHA показал результаты на уровне современных методов или превзошёл их при небольших требованиях к размеченным данным и вычислительным ресурсам. По данным авторов, результаты сопоставимы с существенно более вычислительно затратным методом SelfCheckGPT, предполагающим несколько генераций ответа.

«При использовании языковых моделей в прикладных системах важно не только получить убедительно звучащий ответ, но и понять, действительно ли он основан на информации, которая была предоставлена модели. В этой работе мы показываем, что такой сигнал можно извлечь из внутреннего описания текста моделью, если правильно на него посмотреть. Активация специальных топологических признаков сигнализирует о потенциальных галлюцинациях, не требуя обучения дополнительной модели-детектора и многократной генерации ответов» - отметил Алексей Зайцев, доцент Сколтеха, руководитель совместной лаборатории «Сколтех — Сбербанк» (LARSS).

☑️ Метод уже доступен для практического использования. Его реализация включена в открытую библиотеку SIRIN, разработанную исследователями Центра практического ИИ Сбербанка для выявления и анализа контекстных несоответствий в системах на базе больших языковых моделей. Подход можно использовать при создании ИИ-ассистентов и других решений, работающих с корпоративными базами знаний и документами. Для компаний такие инструменты особенно востребованы там, где ошибки ИИ могут приводить к финансовым, юридическим или репутационным рискам — например, в банковской сфере, страховании и юридических сервисах. Для исследователей работа также предлагает новый способ изучения внутренних механизмов языковых моделей через топологию графов внимания. 📑 Работа Hallucination Detection in LLMs with Topological Divergence on Attention Graphs опубликована в материалах конференции ACL 2026 с рейтингом A*. Новость на сайте Сколтеха: 👍 СМИ о работе: Наука Mail | CNews | Независимая газета | Prospect

⚙️ «01Математика» — в сюжете TV BRICS на CGTN В сюжете о сотрудничестве стран БРИКС в сфере образования рассказали о российской онлайн-платформе «01Математика», где искусственный интеллект выступает персональным помощником школьника. Основатель проекта, доцент Центра ИИ Сколтеха Алексей Зайцев объяснил, как система формирует индивидуальную траекторию обучения. После каждого выполненного задания она уточняет, какие навыки ученик уже освоил, выявляет пробелы в связанных темах и корректирует дальнейшую программу. Таким образом, платформа работает не только с отдельной ошибкой, но и с её причиной — недостающим элементом в структуре знаний. В сюжете подобные цифровые решения рассматриваются как возможная основа для формирования единого образовательного пространства стран БРИКС. 🧑 Смотреть сюжет

⚙️ Инженерный ИИ: как перейти от пилотов к масштабированию Вице-президент по развитию ИИ, директор Центра ИИ Сколтеха, профессор РАН Евгений Бурнаев выступил на Международной научной конференции «Искусственный интеллект: вчера, сегодня, завтра» в ВИНИТИ РАН. Конференция была приурочена к 70-летию появления термина «искусственный интеллект». 📊 Доклад был посвящён проблеме перехода от многочисленных ИИ-пилотов к промышленному масштабированию. Компании уже активно экспериментируют с ИИ-агентами, однако главным ограничением все чаще становится не качество отдельных моделей, а отсутствие инженерного контура между бизнес-задачей и ее исполнением.

«Такой контур должен обеспечивать оркестрацию компонентов, контроль действий, объяснимость решений, накопление и повторное использование опыта», - отметил Евгений.

☁️ Сколтехе этот подход называют «инженерным ИИ». Его основу составляют объяснимый ИИ, причинно-следственный анализ, графовая память для агентов, генеративные модели, мультиагентные системы и когнитивные архитектуры. Вместе они позволяют перейти от отдельных алгоритмов к целостным системам, способным сохранять контекст, работать с инструментами и данными, объяснять основания решений и проверять полученный результат. 👍 Один из примеров такого подхода — разработанная в Центре ИИ «Самообучающаяся модель пласта». Применение мультиагентных инструментов позволило более чем в 10 раз сократить время создания модели и примерно на 70% снизить трудозатраты. 🖥 Следующий шаг — переход от отдельных решений к масштабируемым инженерным ИИ-платформам, где специализированные агенты, модели, инструменты и человеческая экспертиза объединяются в единый управляемый контур. В докладе Евгений Бурнаев также представил парадигму AHASE — AI-Hyper-Agile Software Engineering, предполагающую совместную работу человека и сети агентов с прозрачным распределением полномочий, строгой верификацией и контролем результата.

🤚 Миллион рублей за исследование в области ИИ: открыт приём заявок на премию «Лидеры искусственного интеллекта» Альянс в сфере искусственного интеллекта при поддержке Правительства России проводит Национальную премию в четвёртый раз. Она отмечает наиболее значимые проекты в области ИИ и помогает распространять лучшие разработки в науке, бизнесе и государственном управлении. 🧑‍🎓 Студенты, аспиранты и молодые исследователи могут подать заявку в категории «Учёные». В ней предусмотрены две номинации: 💴 «Молодым учёным» — за значимые научные достижения в области искусственного интеллекта; 💴 «Первая публикация» — новая номинация за лучшую первую научную работу молодого учёного или инженера. 📌 К участию приглашаются исследователи, которым на 1 октября 2026 года ещё не исполнилось 35 лет и которые являются налоговыми резидентами России. Работа должна быть посвящена алгоритмам и моделям ИИ и опубликована на конференции уровня A* в 2024–2026 годах. 📜 Каждый лауреат категории «Учёные» получит 1 млн рублей. Жюри выберет двух победителей в номинации «Молодым учёным» и одного — в номинации «Первая публикация». ✨✨ В состав жюри входит Евгений Бурнаев, вице-президент по развитию искусственного интеллекта и директор Центра искусственного интеллекта Сколтеха. ⏰ Заявки принимаются до 1 октября 2026 года. Участие бесплатное. 🏆 Условия, критерии оценки и подача заявки

🤖 Почему разработчики выбирают Qwen: Евгений Бурнаев — о конкуренции на рынке ИИ Модели семейства Qwen от Alibaba преодолели отметку в 3 млрд загрузок. В «Российской газете» вышел материал о причинах популярности китайских открытых моделей и о том, как меняется расстановка сил на мировом рынке искусственного интеллекта. Важно, что число загрузок на Hugging Face нельзя напрямую приравнивать к числу пользователей: модели могут автоматически скачиваться при запуске приложений и сервисов. Однако этот показатель хорошо отражает масштаб их распространения среди разработчиков. Одна из причин успеха Qwen — широкая линейка моделей для разных задач и возможность работать с ними на собственной инфраструктуре: запускать локально, адаптировать под свои данные и встраивать в продукты без постоянного обращения к внешнему API.

«Для разработчика это принципиально. Ему далеко не всегда нужна самая крупная и самая сильная модель в мире. Часто нужна модель, которую можно запустить на имеющемся оборудовании, адаптировать под свои данные, встроить в собственную систему и не зависеть от внешнего API», — Евгений Бурнаев, вице-президент Сколтеха по развитию искусственного интеллекта, директор Центра ИИ Сколтеха, профессор РАН.

Сегодня преимущество в сегменте наиболее мощных закрытых моделей сохраняют американские компании. Китай при этом занял сильные позиции среди моделей с открытыми параметрами, а его разработчики быстро сокращают разрыв с лидерами. Qwen, DeepSeek и другие китайские семейства конкурируют не только качеством моделей, но и стоимостью их использования, доступностью и возможностью адаптации под конкретные задачи.

«В искусственном интеллекте лидерство сегодня измеряется месяцами, а не десятилетиями. Поэтому объявлять окончательного победителя я бы точно не торопился», — отмечает Евгений Бурнаев.

📜 Читать материал в «Российской газете»

🌫 В число лауреатов на 2026/27 учебный год вошли пять студентов образовательных программ Центра искусственного интеллекта Сколтеха: 🌫 Степан Епифанцев, программа «Науки о данных» — стипендия Президента РФ; 🌫 Егор Серов, программа, «Науки о данных» — стипендия Президента РФ; 🌫 Кирилл Фролов, программа, «Науки о данных» — стипендия Президента РФ; 🌫 Елена Стецяк, программа, «Прикладная вычислительная механика» — стипендия Президента РФ; 🌫 Даниил Коблов, программа «Науки о данных» — стипендия Правительства РФ. 📃 На магистерской программе «Науки о данных» студенты изучают фундаментальные и прикладные дисциплины: глубокое обучение, генеративное моделирование, трансформеры и большие языковые модели, вычислительную линейную алгебру и оптимизацию, а также работают над собственными исследованиями. 🌆 «Прикладная вычислительная механика» объединяет математику, механику, физику и современные вычисления, готовя студентов к решению сложнейших инженерных задач. Выпускники программы моделируют поведение жидкостей, газов и твёрдых тел, разрабатывают математические и численные методы, применяют ИИ для решения прикладных задач. 💡 Стипендии присуждаются по итогам федерального конкурса, в котором наряду с успеваемостью учитываются научные и профессиональные достижения студентов: исследовательские проекты, публикации, победы в конкурсах, патенты и другие результаты. Ежегодно стипендию Президента РФ могут получать не более 3400 студентов по всей России, стипендию Правительства РФ — не более 5700. С 1 сентября они будут получать соответственно 30 000 и 20 000 рублей в месяц в течение года. Для Елены Стецяк это уже вторая государственная стипендия подряд: в прошлом учебном году она стала обладательницей стипендии Правительства РФ. 🌫 Поздравляем Степана, Егора, Кирилла, Елену и Даниила и желаем новых успехов в учёбе и исследованиях!

💼 Ищем Deep Learning Researcher с опытом научных публикаций Если вы умеете доводить исследование от идеи и первых экспериментов до готовой статьи, у нас открыта позиция уровня middle/senior. 🔫 Лаборатория «Искусственный интеллект для автономных систем» Центра ИИ Сколтеха ищет исследователя в области глубокого обучения. Темы исследований будут связаны с проектами лаборатории в области компьютерного зрения, обработки данных, поступающих от разных сенсоров, и навигации автономных систем. Основная задача на этой позиции — получать новые научные результаты и готовить по ним статьи для международных научных изданий. ✍️ Что предстоит: ✅ анализировать научную литературу и формулировать исследовательские задачи; ✅ разрабатывать и проверять новые методы глубокого обучения; ✅ планировать эксперименты, анализировать и обосновывать их результаты; ✅ готовить научные статьи на английском языке; ✅ участвовать в проектах команды. ℹ️ Что для нас важно: ✅ не менее трёх лет опыта исследований и разработок в области глубокого обучения; ✅ опыт самостоятельной подготовки научных статей; ✅ публикации в международных научных изданиях; ✅ уверенное владение Python и PyTorch или TensorFlow; ✅ умение самостоятельно формулировать исследовательские задачи, планировать эксперименты и обосновывать полученные результаты. Преимуществом будет опыт работы с компьютерным зрением и данными LiDAR, RGB, RGB-D и стереокамер, IMU и GNSS. Знание ROS/ROS2, методов объединения сенсорных данных, TensorRT и ONNX приветствуется, но не является обязательным требованием. 🔖Резюме и список публикаций можно направить: a.menshchikov@skoltech.ru Если среди ваших знакомых есть подходящий специалист, будем благодарны за репост.

📊 В интервью для Chaspark профессор РАН, вице-президент по развитию искусственного интеллекта Сколтеха, директор Центра ИИ Сколтеха Евгений Бурнаев рассказал, почему современному ИИ недостаточно просто находить статистические закономерности в данных и как машинное обучение помогает инженерам работать со сложными физическими системами. 🔐 В интервью обсудили ограничения современных моделей. По словам Евгения Бурнаева, ИИ способен масштабировать найденные в данных статистические закономерности, однако объяснить их зачастую невозможно. Ещё одно ограничение связано с тем, что такие модели работают прежде всего с интерполяцией, тогда как для выхода за пределы исходной выборки им нужны дополнительные знания о физическом мире.

«ИИ — это интерполяция, а не экстраполяция. И только физические законы реального мира могут дать важные индуктивные смещения, которые помогут ИИ выходить за пределы имеющейся выборки данных», — объясняет Евгений Бурнаев.

📝 Поэтому фундаментальная математика для ИИ — не абстрактное дополнение, а источник инструментов, которые помогают сделать модели эффективнее и устойчивее. В интервью профессор приводит примеры из дифференциальной геометрии, топологии, теории случайных процессов и гауссовских процессов. Такие методы позволяют встраивать известные симметрии и другие индуктивные смещения в структуру модели. 📊 Евгений Бурнаев приводит пример сотрудничества с командой «Формулы-1». При оптимизации конструкции и отдельных деталей автомобиля требовалось дорогостоящее численное моделирование, испытания в аэродинамической трубе, а для композитных панелей — разрушающие испытания. При большом числе параметров инженерной интуиции уже недостаточно: сложно понять, какие из них действительно влияют на результат и как они взаимодействуют между собой. ◾️ Машинное обучение использовалось, чтобы по уже проведённым вычислительным и реальным экспериментам оценить, какие параметры сильнее всего влияют на результат, как они с ним связаны и какие варианты конструкции стоит проверять дальше. Это позволяло за небольшое число итераций прийти к более удачному варианту в пределах доступных расчётных и экспериментальных ресурсов. В одном из проектов такой подход применили для оптимизации структуры композитной панели, причём сделать это нужно было в сжатые сроки — до следующих гонок. ☑️ При этом профессор подчёркивает: ИИ не должен заменять физические модели и проверенные инженерные методы. Если машинное обучение используется при проектировании, итоговое решение всё равно необходимо проверять с помощью расчётных методов или эксперимента. Если ИИ участвует в управлении критически важными системами, нужны дополнительные механизмы контроля его решений.

«Я не думаю, что ИИ следует использовать вместо физики — или наоборот. Ключ — в их сочетании», — говорит Евгений Бурнаев.

📝 Профессор объясняет, как работа с инженерами помогает формулировать новые математические задачи. По его словам, важно не только применять известные методы к новым данным, но и вместе с инженерами выделять ключевые факторы и критерии. Так может возникнуть новая математическая постановка, отличающаяся от стандартных моделей в научной литературе.

«Слушать инженеров очень важно, потому что они могут, сами того не осознавая, сформулировать новую постановку задачи. Затем нужно выделить из их описания наиболее важные факторы и критерии. Особенности конкретной задачи можно переформулировать в нетривиальных математических терминах и таким образом получить новую математическую задачу».

📝 В завершение интервью профессор рассказал о своих исследовательских интересах — способах учитывать в моделях физические законы, симметрии, многомерные и топологические свойства данных, повышении надёжности мультиагентных систем и контроле галлюцинаций, поиске новых архитектур после трансформеров. Отдельно он отметил энергоэффективность и способность моделей непрерывно учиться и адаптироваться. ✅ Смотреть интервью

📊 В интервью для Chaspark профессор РАН, вице-президент по развитию искусственного интеллекта Сколтеха, директор Центра ИИ Сколтеха Евгений Бурнаев рассказал, почему современному ИИ недостаточно просто находить статистические закономерности в данных и как машинное обучение помогает инженерам работать со сложными физическими системами. 🔐 В интервью обсудили ограничения современных моделей. По словам Евгения Бурнаева, ИИ способен масштабировать найденные в данных статистические закономерности, однако объяснить их зачастую невозможно. Ещё одно ограничение связано с тем, что такие модели работают прежде всего с интерполяцией, тогда как для выхода за пределы исходной выборки им нужны дополнительные знания о физическом мире.

«ИИ — это интерполяция, а не экстраполяция. И только физические законы реального мира могут дать важные индуктивные смещения, которые помогут ИИ выходить за пределы имеющейся выборки данных», — объясняет Евгений Бурнаев.

📝 Поэтому фундаментальная математика для ИИ — не абстрактное дополнение, а источник инструментов, которые помогают сделать модели эффективнее и устойчивее. В интервью профессор приводит примеры из дифференциальной геометрии, топологии, теории случайных процессов и гауссовских процессов. Такие методы позволяют встраивать известные симметрии и другие индуктивные смещения в структуру модели. 📊 Евгений Бурнаев приводит пример сотрудничества с командой «Формулы-1». При оптимизации конструкции и отдельных деталей автомобиля требовалось дорогостоящее численное моделирование, испытания в аэродинамической трубе, а для композитных панелей — разрушающие испытания. При большом числе параметров инженерной интуиции уже недостаточно: сложно понять, какие из них действительно влияют на результат и как они взаимодействуют между собой. ◾️ Машинное обучение использовалось, чтобы по уже проведённым вычислительным и реальным экспериментам оценить, какие параметры сильнее всего влияют на результат, как они с ним связаны и какие варианты конструкции стоит проверять дальше. Это позволяло за небольшое число итераций прийти к более удачному варианту в пределах доступных расчётных и экспериментальных ресурсов. В одном из проектов такой подход применили для оптимизации структуры композитной панели, причём сделать это нужно было в сжатые сроки — до следующих гонок. ☑️ При этом профессор подчёркивает: ИИ не должен заменять физические модели и проверенные инженерные методы. Если машинное обучение используется при проектировании, итоговое решение всё равно необходимо проверять с помощью расчётных методов или эксперимента. Если ИИ участвует в управлении критически важными системами, нужны дополнительные механизмы контроля его решений.

«Я не думаю, что ИИ следует использовать вместо физики — или наоборот. Ключ — в их сочетании», — говорит Евгений Бурнаев.

📝 Профессор объясняет, как работа с инженерами помогает формулировать новые математические задачи. По его словам, важно не только применять известные методы к новым данным, но и вместе с инженерами выделять ключевые факторы и критерии. Так может возникнуть новая математическая постановка, отличающаяся от стандартных моделей в научной литературе.

«Слушать инженеров очень важно, потому что они могут, сами того не осознавая, сформулировать новую постановку задачи. Затем нужно выделить из их описания наиболее важные факторы и критерии. Особенности конкретной задачи можно переформулировать в нетривиальных математических терминах и таким образом получить новую математическую задачу».

📝 В завершение интервью профессор рассказал о своих исследовательских интересах — способах учитывать в моделях физические законы, симметрии, многомерные и топологические свойства данных, повышении надёжности мультиагентных систем и контроле галлюцинаций, поиске новых архитектур после трансформеров. Отдельно он отметил энергоэффективность и способность моделей непрерывно учиться и адаптироваться. ✅ Смотреть интервью

🎗 Сегодня всемирный день исследования рака молочной железы. 18-й день 8-го месяца выбран неслучайно: дата символизирует статистику, согласно которой с этим диагнозом в течение жизни сталкивается 1 из 8 женщин и 1 из 833 мужчин. По данным ВОЗ, рак молочной железы остаётся самым частым онкологическим заболеванием среди женщин в большинстве стран мира, а около 80% случаев возникают у пациенток без каких-либо специфических факторов риска, кроме пола и возраста. От того, насколько быстро и точно определён молекулярный профиль опухоли, зависит выбор терапии и эффективность лечения. Команда Центра искусственного интеллекта Сколтеха под руководством Светланы Илларионовой разрабатывает алгоритмы виртуального окрашивания. Используя генеративный ИИ, модель превращает стандартные снимки тканей в полноценные молекулярные портреты опухоли всего за пару часов, избавляя врачей от необходимости ждать результатов иммуногистохимии — долгого, трудоёмкого и дорогостоящего «золотого стандарта» диагностики. Алгоритмы помогают оценивать ключевые маркеры (ER, PR, HER2) и анализировать иммунное микроокружение опухоли по обычному гистологическому срезу. Решение особенно важно для удалённых региональных клиник и центров, где нет специализированного дорогостоящего оборудования, а точная диагностика жизненно необходима пациенткам, у которых может не быть возможности выехать в крупные центры. Проект Светланы «Интеллектуальная патоморфология» стал победителем международного конкурса «Женщины за здоровое общество», а награду ей вручила Председатель Совета Федерации Валентина Матвиенко.

🧮 С 17 по 22 августа в Казани проходит VI Конференция математических центров России, в программе — пленарные, секционные и постерные доклады, в том числе по математическому моделированию и математическим основам искусственного интеллекта. На конференции будут представлены пять докладов с участием исследователей Центра ИИ Сколтеха: 🌫 «Геометрия многообразий данных в генеративных моделях на основе стохастических интерполянтов» — пленарный доклад Евгения Бурнаева, профессора РАН, вице-президента по развитию искусственного интеллекта Сколтеха, директора Центра ИИ Сколтеха. Изображения, молекулярные конфигурации и латентные представления текстов могут иметь высокую размерность, хотя сами данные фактически сосредоточены на подмногообразиях гораздо меньшей внутренней размерности. Учёт этой геометрии важен для качества и обобщающей способности генеративных моделей. В докладе будет показано, что генеративные модели на основе стохастических интерполянтов могут неявно учитывать геометрию многообразий данных. В частности, при определённых условиях дрейф процесса направлен вдоль нормального расслоения многообразия. 🌫 «Призматическая иерархия режимов обучения больших линейных автокодировщиков» — среди авторов от Центра ИИ Сколтеха Евгений Голиков, старший научный сотрудник, и Дмитрий Яроцкий, профессор, руководитель лаборатории математических основ искусственного интеллекта. В докладе будет представлена классификация режимов обучения больших симметричных линейных автокодировщиков на конечной гауссовой выборке. Авторы выделяют пять режимов: большого и малого объёма данных, среднеполевого приближения, малого скрытого пространства и свободной эволюции. Для четырёх из них получены явные выражения для эволюции функции потерь на тренировочной выборке и на всём распределении данных, которые хорошо согласуются с экспериментом. 🌫 «Постановка и решение задачи дистилляции генеративных диффузионных и потоковых генеративных моделей с помощью обратной оптимизации» — среди авторов от Центра ИИ Сколтеха Евгений Бурнаев и Александр Коротин, доцент, руководитель исследовательской группы по генеративному ИИ. Современные генеративные модели на основе диффузий и потоков достигают высокого качества, но многошаговый процесс генерации делает их медленными на практике. В докладе будет представлен фреймворк UID, объединяющий существующие подходы к дистилляции через обратную оптимизацию. Обучение одношагового генератора сводится к поиску такого распределения генерируемых данных, при котором вспомогательная модель становится неотличима от учительской. Подход проиллюстрирован экспериментами по генерации изображений на CIFAR-10 и CelebA. 🌫 «Дискретизация спектральных свёрток» — среди авторов от Центра ИИ Сколтеха Владимир Фанасков, научный сотрудник, и Иван Оселедец, профессор, руководитель лаборатории вычислительного интеллекта. В задачах операторного обучения нейросети работают с отображениями между функциональными пространствами, но на практике требуют дискретизации. В докладе на примере нейронного оператора Фурье будет показано, что одному непрерывному оператору могут соответствовать существенно разные дискретные архитектуры. В работе получена оценка ошибки наложения спектров и доказана сходимость в непрерывном пределе; также рассмотрены архитектуры с дискретными скрытыми слоями и непрерывными входными и выходными данными. 🌫 «Решения градиентных потоков с помощью диаграммных разложений» — среди авторов от Центра ИИ Сколтеха Дмитрий Яроцкий, профессор, руководитель лаборатории математических основ искусственного интеллекта. В докладе будет рассмотрен подход к исследованию динамики градиентных потоков, основанный на разложении функции потерь в степенной ряд по времени. При гауссовой инициализации коэффициенты разложения можно описать в виде диаграмм, аналогичных диаграммам Фейнмана. В пределе большого размера модели различные формальные пределы разложения можно связать с режимами обучения, включая свободную эволюцию и NTK; в некоторых случаях их формальное суммирование даёт явную аналитическую формулу динамики.

🌫Две статьи с участием исследователей Центра ИИ Сколтеха были представлены на 32-ой международной конференции ACM SIGKDD Conference on Knowledge Discovery and Data Mining — KDD 2026. Первая статья написана совместно с коллегами из AIRI и Научной школы им. И.М. Кричевера Сколтеха. Среди авторов работы из Центра ИИ — доцент, руководитель Лаборатории прикладных исследований «Сколтех — Сбербанк» (LARSS) Алексей Зайцев. Вторая статья написана им же в соавторстве с младшим инженером-исследователем Центра ИИ Сколтеха Ростиславом Гусевым. 🌫 Не ждать разметку: как заставить временные графовые сети учиться на каждом шаге? Статья Never Skip a Batch: Dense Learning of Temporal GNNs via Adaptive Pseudo-Supervision посвящена временным графовым нейросетям — моделям, которые анализируют меняющиеся связи между объектами. Они применяются, например, для изучения последовательностей транзакций, поведения пользователей, рекомендаций и выявления мошенничества. 📊 События в таких системах поступают непрерывно, а достоверная разметка появляется редко — в некоторых задачах менее чем для 2% взаимодействий. Остальные данные модель сохраняет в памяти, но не использует для обучения: без правильного ответа нельзя оценить ошибку и обновить параметры. Исследователи предложили метод Moving-Averaged Labels, который использует предыдущие подтверждённые наблюдения как временный обучающий сигнал. Например, недавние интересы пользователя становятся подсказкой до появления новой разметки. 📇 В отличие от многих методов псевдоразметки, нейросеть не учится на собственных прогнозах и не закрепляет ранние ошибки. Метод опирается на историю наблюдений, не требует менять архитектуру и превращает ранее пропускавшиеся пакеты в полезные шаги обучения. Метод проверили на данных о международной торговле, музыкальных предпочтениях, активности пользователей Reddit и операциях с цифровыми токенами. На двух архитектурах временных графовых сетей качество прогнозирования выросло на 3–17%, а своего лучшего результата модели в среднем достигали в шесть раз быстрее. Особенно заметным выигрыш оказался на данных с редкой разметкой. Эксперименты с перемешиванием событий подтвердили, что метод опирается на связь между прошлым и будущим. Он может ускорить обучение систем, где данных много, а подтверждённые ответы поступают редко или с задержкой. 📊 Пять датасетов вместо 112: как сократить бенчмарк и сохранить ранжирование моделей Cтатья Benchmarking on Tasks That Matter: Dataset Selection for Preserving Model Rankings посвящена тому, как уменьшить число датасетов, необходимых для сравнения моделей машинного обучения, и при этом сохранить выводы полного бенчмарка. На практике исследователи нередко сокращают число испытаний, выбирая наиболее известные или удобные для себя наборы данных. Однако модель, занявшая первое место на небольшой выборке задач, может уступить конкурентам при оценке на более полном наборе датасетов. Этот эффект называют «лотереей бенчмарков». 🧮 Авторы предложили единый протокол оценки методов отбора датасетов и сравнили случайный выбор, кластеризацию, методы оптимального планирования эксперимента и алгоритм farthest-first, который последовательно выбирает наиболее отличающиеся друг от друга задачи. Для farthest-first также получены теоретические оценки, связывающие качество покрытия пространства представлений датасетов со снижением ошибок при оценке моделей и восстановлении их ранжирования. 🌫 Подход проверили на бенчмарках классификации временных рядов, обработки естественного языка и рекомендательных систем. Для временных рядов лучшая стратегия сохранила ранжирование 35 алгоритмов с корреляцией Спирмена 0,95, используя 5 датасетов вместо 112. В задачах NLP специальные методы отбора также превосходили случайный выбор, тогда как для рекомендательных систем их преимущество оказалось менее выраженным. Результаты показывают, что бенчмарк можно существенно сократить, однако эффективность такого сокращения зависит от того, насколько хорошо характеристики датасетов отражают важные различия между задачами.

🤖 ИИ на борту: приглашаем на семинар Александра Меньщикова об автономных системах 19 августа в Сколтехе пройдёт семинар Александра Меньщикова, руководителя лаборатории «Искусственный интеллект для автономных систем» Центра ИИ Сколтеха. Тема доклада — Embedded AI for On-Board Computations and Navigation in Autonomous Systems / «Встроенный ИИ для бортовых вычислений и навигации в автономных системах». 📜 Семинар будет посвящён embedded AI — ИИ-решениям, которые работают непосредственно на борту автономной системы и позволяют выполнять вычисления в реальном времени. Такие подходы особенно важны для беспилотников, роботов и спутников, которым нужно принимать решения без постоянной связи с внешней инфраструктурой. 📍 Александр расскажет, как методы embedded AI сочетаются с различными подходами к одновременной локализации и построению карты — SLAM — для задач автономной навигации. В докладе будут рассмотрены полностью автономные беспилотные летательные аппараты, способные летать в неструктурированной среде, например в лесу, без заранее известной карты. 🚀 Также речь пойдёт о мультимодальных системах восприятия для робототехники и бортовых вычислительных системах с ИИ для спутников. ⏰ 19 августа, 16:00–16:45 🌳 E-B4-3005, кампус Сколтеха Приглашаем всех интересующихся автономными системами, робототехникой, SLAM, embedded AI и бортовыми ИИ-вычислениями.

🚀 В научно-популярных СМИ вышло ещё несколько материалов об исследовании Центра ИИ Сколтеха, посвящённом применению искусственного интеллекта и спутниковых данных для мониторинга пожаров, наводнений, засух и изменений земного покрова. Авторы проанализировали более 200 научных работ и проследили развитие отрасли — от спектральных индексов, позволяющих выделять на снимках воду, растительность или выгоревшие территории, до свёрточных нейросетей, трансформеров и геопространственных фундаментальных моделей.

«Мы хотели не просто перечислить современные алгоритмы, а понять, в каких задачах они действительно дают преимущество и где упираются в ограничения данных и самих природных процессов. Для практического мониторинга важна не только точность на тестах: модель должна работать на новых территориях, учитывать физику процесса и показывать, насколько можно доверять её прогнозу», — Светлана Илларионова, руководитель исследовательской группы «Компьютерное зрение для обработки данных» Центра ИИ Сколтеха.

🤚 Современные модели особенно полезны там, где нужно объединять разные типы спутниковых наблюдений — оптические, радиолокационные, тепловые данные и сведения о структуре поверхности. При этом универсальной модели природной угрозы не существует: пожар или наводнение могут развиваться за часы, тогда как засуха и деградация леса формируются месяцами и годами. Поэтому одним алгоритмам важнее распознавать пространственную структуру территории, другим — отслеживать развитие процесса во времени. 📝 Один из ключевых выводов работы — усложнение модели само по себе не решает проблему надёжности. Алгоритм, обученный на данных одного региона, может заметно потерять точность в другом из-за различий в климате, рельефе, растительности, качестве снимков и способах сбора данных. Кроме того, многие системы пока не умеют корректно показывать, насколько они уверены в собственном прогнозе. 📊 Более надёжный подход авторы видят в сочетании машинного обучения с физическими моделями и данными из нескольких источников. Такие системы должны учитывать физические законы, сопоставлять спутниковые и наземные наблюдения, сохранять качество при переносе на новые территории и вместе с прогнозом показывать степень его неопределённости. 🔘Читать материалы CNews, Наука Mail, NewNews