Точка машинного зрения

🎓 SMILES-2026: выложен полный архив лекций Для всех, кто следил за Международной летней школой машинного обучения SMILES-2026 в Сучжоу, мы собрали полный архив записей лекций и семинаров. Школа прошла 13–27 июля 2026 года на площадке Нанкинского университета. Это были две недели плотного погружения в большие языковые модели и ИИ-агентов, генеративный ИИ и компьютерное зрение, оценку неопределённости и надёжность моделей, медицинский и промышленный ИИ. ➡️ Плейлист лекций 2026 на YouTube ➡️ Плейлист лекций 2026 в VK Видео 🌫 28 лекций, семинаров и дискуссий 📱 Евгений Бурнаев — Не только ChatGPT: как ИИ меняет инженерную работу 📱 Алексей Зайцев — Неопределённость и детекция галлюцинаций в LLM 📱 Иван Тюкин — Стабильный, адаптивный и устойчивый ИИ 📱 Алексей Заикин — Медицинский ИИ: проблемы и возможные решения 📱 Александр Коротин — Flow Matching и Rectified Flows 📱 Сергей Холькин — Flow Matching и Rectified Flows: семинар 📱Александр Коротин — Диффузионные мосты для переноса между доменами 📱 Сергей Холькин — Диффузионные мосты: практический семинар 📱 Ильсеяр Алимова — LLM для языков с ограниченными ресурсами 📱 Валентин Малых — Введение в большие языковые модели 📱 Дмитрий Сошников — Мультиагентные системы в Yandex AI Studio 📱 Дарья Самсонова и Дани Эль-Айясс — RAG-системы: оценка и качество 📱 Дмитрий Каплун — Интеллектуальные устройства и обучение на устройстве 📱 Марк Обозов — JEPA для динамических систем 📱 Георгий Якушев — Эффективные LLM-агенты 📱 Фан Чжао — Распознавание образов и компьютерное зрение 📱 Сяосяо Лун — 3D-зрение и пространственный интеллект 📱 Ин Тай — Генеративное компьютерное зрение 📱 Маурицио Филиппоне — Байесовский выбор моделей и законы масштабирования нейросетей 📱 Цзяхэн Лю — Большие языковые модели и общий искусственный интеллект 📱 Артём Шелманов — Оценка неопределённости в LLM 📱 Фан Лю — Байесовские методы синтетических данных для ответственного ИИ 📱 Рэй Бантайн — Байесовский взгляд на большие языковые модели 📱 Дяньхуэй Ван — Стохастические конфигурационные сети для промышленного ИИ 📱 Шуихуа Ван — Генеративный ИИ для медицинской визуализации 📱 Инчжэнь Ли — Разложение неопределённости при обучении в контексте 📱 Круглый стол — Как начать научную карьеру и не выгореть 📱 Ван-Чжоу Дай — На стыке машинного обучения и логического вывода 💡 Зачем смотреть В одном архиве собраны лекции от основ LLM, байесовских методов и генеративных моделей до RAG, многоагентных систем, 3D-зрения, медицинской визуализации и промышленного ИИ. Теоретические лекции дополнены практическими семинарами по Flow Matching, Rectified Flows и диффузионным мостам. Все лекции — на английском языке. SMILES-2026 организована Центром ИИ Сколтеха совместно с Нанкинским университетом. Генеральный партнёр SMILES-2026 — Альфа-Банк. Партнёр программы поддержки молодых учёных — Группа «Т-Технологии».

🎓 SMILES-2026: выложен полный архив лекций Для всех, кто следил за Международной летней школой машинного обучения SMILES-2026 в Сучжоу, мы собрали полный архив записей лекций и семинаров. Школа прошла 13–27 июля 2026 года на площадке Нанкинского университета. Это были две недели плотного погружения в большие языковые модели и ИИ-агентов, генеративный ИИ и компьютерное зрение, оценку неопределённости и надёжность моделей, медицинский и промышленный ИИ. ➡️ Плейлист лекций 2026 на YouTube ➡️ Плейлист лекций 2026 в VK Видео 🌫 28 лекций, семинаров и дискуссий 📱 Евгений Бурнаев — Не только ChatGPT: как ИИ меняет инженерную работу 📱 Алексей Зайцев — Неопределённость и детекция галлюцинаций в LLM 📱 Иван Тюкин — Стабильный, адаптивный и устойчивый ИИ 📱 Алексей Заикин — Медицинский ИИ: проблемы и возможные решения 📱 Александр Коротин — Flow Matching и Rectified Flows 📱 Сергей Холькин — Flow Matching и Rectified Flows: семинар 📱Александр Коротин — Диффузионные мосты для переноса между доменами 📱 Сергей Холькин — Диффузионные мосты: практический семинар 📱 Ильсеяр Алимова — LLM для языков с ограниченными ресурсами 📱 Валентин Малых — Введение в большие языковые модели 📱 Дмитрий Сошников — Мультиагентные системы в Yandex AI Studio 📱 Дарья Самсонова и Дани Эль-Айясс — RAG-системы: оценка и качество 📱 Дмитрий Каплун — Интеллектуальные устройства и обучение на устройстве 📱 Марк Обозов — JEPA для динамических систем 📱 Георгий Якушев — Эффективные LLM-агенты 📱 Фан Чжао — Распознавание образов и компьютерное зрение 📱 Сяосяо Лун — 3D-зрение и пространственный интеллект 📱 Ин Тай — Генеративное компьютерное зрение 📱 Маурицио Филиппоне — Байесовский выбор моделей и законы масштабирования нейросетей 📱 Цзяхэн Лю — Большие языковые модели и общий искусственный интеллект 📱 Артём Шелманов — Оценка неопределённости в LLM 📱 Фан Лю — Байесовские методы синтетических данных для ответственного ИИ 📱 Рэй Бантайн — Байесовский взгляд на большие языковые модели 📱 Дяньхуэй Ван — Стохастические конфигурационные сети для промышленного ИИ 📱 Шуихуа Ван — Генеративный ИИ для медицинской визуализации 📱 Инчжэнь Ли — Разложение неопределённости при обучении в контексте 📱 Круглый стол — Как начать научную карьеру и не выгореть 📱 Ван-Чжоу Дай — На стыке машинного обучения и логического вывода 💡 Зачем смотреть В одном архиве собраны лекции от основ LLM, байесовских методов и генеративных моделей до RAG, многоагентных систем, 3D-зрения, медицинской визуализации и промышленного ИИ. Теоретические лекции дополнены практическими семинарами по Flow Matching, Rectified Flows и диффузионным мостам. Все лекции — на английском языке. SMILES-2026 организована Центром ИИ Сколтеха совместно с Нанкинским университетом. Генеральный партнёр SMILES-2026 — Альфа-Банк. Партнёр программы поддержки молодых учёных — Группа «Т-Технологии».

🎓 SMILES-2026: полный архив лекций на YouTube и в VK Видео Для всех, кто следил за Международной летней школой машинного обучения SMILES-2026 в Сучжоу, мы собрали полный архив записей и привели названия и описания к единому формату. Школа прошла 13–27 июля 2026 года на площадке Нанкинского университета. Две недели плотного погружения в большие языковые модели и ИИ-агентов, генеративный ИИ и компьютерное зрение, оценку неопределённости и надёжность моделей, медицинский и промышленный ИИ. ▶️ Плейлист лекций 2026 на YouTube: https://www.youtube.com/playlist?list=PLRLg7of4jdbk ▶️ Плейлист лекций 2026 в VK Видео: https://vkvideo.ru/playlist/-220010299_5 🧠 28 лекций, семинаров и дискуссий 1️⃣ Алексей Заикин — Медицинский ИИ: проблемы и возможные решения 2️⃣ Ильсеяр Алимова — LLM для языков с ограниченными ресурсами 3️⃣ Дмитрий Сошников — Мультиагентные системы в Yandex AI Studio 4️⃣ Дарья Самсонова и Дани Эль-Айясс — RAG-системы: оценка и качество 5️⃣ Дмитрий Каплун — Интеллектуальные устройства и обучение на устройстве 6️⃣ Марк Обозов — JEPA для динамических систем 7️⃣ Георгий Якушев — Эффективные LLM-агенты 8️⃣ Фан Чжао — Распознавание образов и компьютерное зрение 9️⃣ Сяосяо Лун — 3D-зрение и пространственный интеллект 🔟 Ин Тай — Генеративное компьютерное зрение 1️⃣1️⃣ Маурицио Филиппоне — Байесовский выбор моделей и законы масштабирования нейросетей 1️⃣2️⃣ Цзяхэн Лю — Большие языковые модели и общий искусственный интеллект 1️⃣3️⃣ Круглый стол — Как начать научную карьеру и не выгореть 1️⃣4️⃣ Алексей Зайцев — Неопределённость и детекция галлюцинаций в LLM 1️⃣5️⃣ Артём Шелманов — Оценка неопределённости в LLM 1️⃣6️⃣ Фан Лю — Байесовские методы синтетических данных для ответственного ИИ 1️⃣7️⃣ Рэй Бантайн — Байесовский взгляд на большие языковые модели 1️⃣8️⃣ Дяньхуэй Ван — Стохастические конфигурационные сети для промышленного ИИ 1️⃣9️⃣ Шуихуа Ван — Генеративный ИИ для медицинской визуализации 2️⃣0️⃣ Иван Тюкин — Стабильный, адаптивный и устойчивый ИИ 2️⃣1️⃣ Инчжэнь Ли — Разложение неопределённости при обучении в контексте 2️⃣2️⃣ Сергей Холкин — Диффузионные мосты: практический семинар 2️⃣3️⃣ Александр Коротин — Диффузионные мосты для переноса между доменами 2️⃣4️⃣ Валентин Малых — Введение в большие языковые модели 2️⃣5️⃣ Сергей Холкин — Flow Matching и Rectified Flows: семинар 2️⃣6️⃣ Александр Коротин — Flow Matching и Rectified Flows 2️⃣7️⃣ Ван-Чжоу Дай — На стыке машинного обучения и логического вывода 2️⃣8️⃣ Евгений Бурнаев — Не только ChatGPT: как ИИ меняет инженерную работу 🧭 Зачем смотреть В одном архиве — путь от основ LLM, байесовских методов и генеративных моделей до RAG, многоагентных систем, 3D-зрения, медицинской визуализации и промышленного ИИ. Теоретические лекции дополнены практическими семинарами по Flow Matching, Rectified Flows и диффузионным мостам. Все лекции — на английском языке. SMILES-2026 организована Центром ИИ Сколтеха совместно с Нанкинским университетом. 🌐 О школе: https://smiles.skoltech.ru/

🌐 Решения Центра ИИ Сколтеха для мониторинга территорий и природных ресурсов представили делегациям Анголы и ЮАР Дмитрий Шадрин, руководитель направления Центра ИИ Сколтеха, представил разработки в области искусственного интеллекта для дистанционного зондирования Земли представителям Республики Ангола и Университета Зулуленда (ЮАР). 🇦🇴 Делегация Анголы во главе с государственным министром, начальником гражданского кабинета при президенте республики Дионизиу Мануэлом да Фонсекой посетила Сколтех в рамках российско-африканского диалога. На встрече с руководством и исследователями института Дмитрий рассказал о применении ИИ для управления территориями и природными ресурсами, а также о практических результатах работы команды. 🇿🇦 Разработки Центра ИИ также были представлены профессорам Университета Зулуленда Мелузи М. Сибанде и Фабиану Нде. 🌏 В числе представленных технологических направлений — интеллектуальный анализ спутниковых снимков, экологический мониторинг и прогнозирование природных чрезвычайных ситуаций. Разработанная в Центре ИИ цифровая платформа объединяет сервисы для решения прикладных задач: 🤖 Прогнозирование лесных пожаров — автоматическое формирование пятидневных прогнозов вероятности возникновения и распространения пожаров. 🤖 Мониторинг лесных ресурсов — определение границ лесных массивов, характеристик древостоя и отдельных крон деревьев, оценка углеродного баланса территорий. 🤖 Мониторинг паводков и затоплений — выявление затопленных территорий по спутниковым данным и оценка масштабов чрезвычайных ситуаций. 🤖 Анализ землепользования — распознавание зданий, объектов инфраструктуры и изменений земной поверхности с использованием методов компьютерного зрения.

«Для многих стран Африки вопросы рационального использования природных ресурсов, мониторинга лесов и предупреждения чрезвычайных ситуаций имеют большое практическое значение. Мы представили решения, которые позволяют использовать спутниковые данные и искусственный интеллект не просто для наблюдения за территориями, а для принятия конкретных управленческих решений. Например, наши технологии помогают оценивать состояние лесных массивов и их углеродный баланс, прогнозировать лесные пожары, выявлять зоны затопления и отслеживать изменения земной поверхности. При этом мы разрабатываем не отдельные алгоритмы, а комплексную платформу, которую можно адаптировать к задачам конкретной страны, её природным условиям и доступным источникам данных. Мы видим хорошие возможности для научного и технологического сотрудничества с африканскими партнёрами», — отметил Дмитрий Шадрин, руководитель направления Центра ИИ Сколтеха.

🔬 Александр Марухин, студент второго года магистратуры Сколтеха по программе Applied Computational Mechanics, выступил с докладом на международной конференции DAMDID 2026 (Data Analytics and Management in Data Intensive Domains), которая проходила в Нижнем Новгороде. Александр представил работу SINDy-Based Method for Inverse Reconstruction of Time-Dependent Coefficients in Nonlinear ODE Systems, выполненную совместно с Сергеем Сафоновым, профессором Центра ИИ Сколтеха. Исследование отвечает на вопрос: как восстановить математические уравнения сложной системы по наблюдаемым данным, если её параметры постоянно меняются во времени? 📄 Многие физические и инженерные процессы невозможно описать моделью с неизменными параметрами. Например, характеристики механических колебаний могут зависеть от внешних воздействий, а поведение систем управления — от меняющихся условий работы. Для их моделирования важно не только определить математические закономерности, но и восстановить, как они изменяются со временем. 💡 Исследователи предложили модификацию метода SINDy (Sparse Identification of Nonlinear Dynamics), который позволяет восстанавливать уравнения динамических систем непосредственно по данным. В отличие от классического подхода, рассчитанного на постоянные коэффициенты, новая версия сочетает разреженную регрессию STLSQ с локально взвешенной LASSO-регрессией. Это позволяет одновременно определять постоянные и изменяющиеся параметры, сохраняя интерпретируемую структуру уравнений. 🌫 Метод проверили на нескольких нелинейных динамических системах, включая уравнение Матье и систему Лоренца. В одном из экспериментов точность восстановления изменяющегося коэффициента составила R² = 0,9997 против 0,9635 у метода SINDy со скользящим окном. Исследователи также изучили устойчивость алгоритма к шуму в исходных данных. Разработка перспективна для задач механики, физики, робототехники и управления, где необходимо восстанавливать математические модели процессов по результатам наблюдений. В дальнейшем авторы планируют повысить вычислительную эффективность алгоритма и его устойчивость к шуму. 📎 Реализация метода на GitHub

🔬 Даниил Селиханович, выпускник аспирантской программы CDSE Сколтеха, успешно защитил кандидатскую диссертацию «Вычислительный оптимальный транспорт и генеративное моделирование для задач перевода изображений из одного домена в другой». Защита состоялась по специальности 1.2.2 «Математическое моделирование, численные методы и комплексы программ». Все шесть членов диссертационного совета проголосовали за присуждение Даниилу степени кандидата физико-математических наук. Научным руководителем выступил Евгений Бурнаев, вице-президент по развитию ИИ, директор Центра ИИ Сколтеха, профессор РАН. 📊 При изменении стиля изображения нейросеть должна одновременно создавать реалистичный результат и сохранять важные детали оригинала. В диссертации Даниил исследует эту задачу в условиях, когда у алгоритма есть два отдельных набора изображений, но нет готовых пар «исходник — результат». Для обучения моделей он использует теорию оптимального транспорта и мосты Шрёдингера — математические подходы к построению переходов между распределениями данных. 🌫 Диссертационная работа объединяет несколько результатов: 🌫 Оценка баланса между реалистичностью и сходством с оригиналом. Даниил предложил способ измерять этот баланс и исследовал его на генеративно-состязательных сетях CycleGAN и StarGAN-v2. Эксперименты показали: поиск удачного сочетания двух свойств требует затратного перебора настроек. В одном из рассмотренных экспериментов такой поиск занимал 8–18 дней на одной видеокарте Tesla V100 в зависимости от модели. 🌫 Преобразование изображений с помощью оптимального транспорта. Совместно с коллегами исследователь разработал алгоритм, который учится преобразовывать изображения, учитывая сходство входа и результата. В экспериментах он показал более удачный баланс реалистичности и сходства, чем рассмотренные модели на основе GAN. При этом ему не требуется подбирать коэффициенты, которые вручную задают этот баланс. 📇 Несколько вариантов по одному изображению. Даниил предложил способ обучения, позволяющий получать разные результаты преобразования одного исходника. В проведённых экспериментах такие модели создавали более реалистичные изображения по метрике FID, чем сравниваемые сети MUNIT и Augmented CycleGAN. При этом использовались две нейросети вместо как минимум четырёх. ⭐️ Преобразование за четыре шага. В работе с мостами Шрёдингера Даниил разработал алгоритм и программную реализацию модели для быстрого преобразования изображений. В эксперименте с портретами разрешением 128 × 128 пикселей обработка тестового набора заняла 2,2 минуты против 49,2 минуты у модели DSBM. Предложенная модель выполняла четыре шага вместо ста и показала лучшие значения метрики реалистичности FID. 🌫Результаты по теме диссертации опубликованы в четырёх совместных работах: двух на ICLR 2023 и по одной на NeurIPS 2023 и NeurIPS 2024 — конференциях ранга A*. Разработанные методы могут применяться для редактирования изображений и переноса стиля в компьютерной графике, когда важно сохранить заданные черты исходника, получить несколько вариантов результата и сократить время его создания. 🌫 Поздравляем Даниила и его научного руководителя с успешной защитой! 💡 Диссертация, автореферат и материалы защиты

🎓 Эдуард Тульчинский, инженер-исследователь Центра ИИ Сколтеха, успешно защитил кандидатскую диссертацию «Методы извлечения топологических признаков внутренних представлений трансформерных моделей в задачах обработки естественных языков». Защита состоялась сегодня в Сколтехе по специальности 1.2.1 «Искусственный интеллект и машинное обучение». По итогам защиты Эдуарду присуждена учёная степень кандидата наук. Научным руководителем выступил Сергей Баранников, профессор, руководитель лаборатории «Математические методы генеративного искусственного интеллекта» Центра ИИ Сколтеха; научный консультант — Евгений Бурнаев, вице-президент по развитию ИИ, директор Центра ИИ Сколтеха, профессор РАН. 🌳 Что происходит внутри языковой модели, когда она обрабатывает текст, и можно ли по структуре её внутренних представлений определить, насколько надёжен результат? Вместо того чтобы оценивать нейросеть только по её ответам, Эдуард исследует математическую структуру внутренних представлений трансформеров — прежде всего механизмов внимания. Для этого используются методы топологического анализа данных, позволяющие выявлять устойчивые структурные особенности, которые сложно обнаружить при обычном анализе числовых параметров модели. 🖥 Исследования Эдуарда и его коллег охватывают несколько задач: 🟦 Оценка грамматической корректности текста. Анализ топологии карт внимания позволяет выявлять связи между внутренней структурой языковой модели и грамматическими свойствами предложений. В исследовании, представленном на EMNLP 2022, топологические признаки повысили качество классификации грамматической приемлемости на 8–24% в экспериментах с тремя языками. 🎯 Быстрое сравнение внутренних представлений нейросетей. Эдуард и коллеги разработали алгоритм RTD-Lite для сравнения топологической структуры внутренних представлений нейросетей. В экспериментах он показал более высокую точность, чем популярный метод CKA, разработанный исследователями Google, — 98% против 96%. При этом RTD-Lite оказался почти в 10 раз быстрее: обработка набора данных из 10 тыс. объектов заняла 3,75 минуты против 36 минут у CKA. 🟦 Выявление текстов, созданных ИИ. Исследование геометрии внутренних представлений помогает создавать детекторы, устойчивые к смене тематики текста и модели-генератора, в том числе когда заранее неизвестно, какая нейросеть использовалась. 🟦 Анализ речевых моделей. Методы топологического анализа позволяют исследовать внутренние представления трансформеров, обрабатывающих речь, и выявлять особенности работы механизмов внимания. В исследовании, представленном на INTERSPEECH 2023, топологические признаки помогли повысить точность классификации речи и определить функциональные роли отдельных голов внимания. 🧠 Результаты исследований Эдуарда представлены на ведущих международных конференциях, включая ICLR, AISTATS, EMNLP 2022, INTERSPEECH и NeurIPS 2023. Разработанные методы помогают лучше понимать внутренние механизмы языковых моделей и создавать инструменты для проверки их ответов и повышения надёжности искусственного интеллекта. 👍 Поздравляем Эдуарда с успешной защитой и присуждением учёной степени! 💡 Диссертация, автореферат и материалы защиты

🏢 Как довести ИИ-разработку до внедрения? Сколтех — о государственной поддержке технологий Заместитель директора Центра искусственного интеллекта Сколтеха Максим Мироненко выступил в Совете Федерации на сессии «Государственная поддержка технологий искусственного интеллекта» под председательством сенатора Артёма Шейкина. Обсуждение прошло в рамках XX Международной научно-практической конференции «Державинские чтения».

«Посмотрим на это с другой стороны: как государство может помочь нам внедрять все те разработки, которые мы создаём в рамках своих исследований», — обозначил тему выступления Максим.

Путь ИИ-решения включает постановку задачи, исследования, разработку, испытания и внедрение. На каждом этапе возникают свои препятствия: запрос заказчика нужно перевести в техническую задачу, для обучения модели — получить специализированные данные, а результат — проверить и убедительно показать его пользу. 📊 Сам ИИ может помочь связать потребности заказчиков с работой исследователей. Сколтех разрабатывает решение на основе мультиагентных технологий и методологии Платформы технологического суверенитета. Оно должно помогать определять необходимые технологии, формировать задачи для исследований и находить исполнителей. В перспективе подключение данных Роспатента позволит учитывать и мировые направления разработок при выборе научных приоритетов. ⚙️ Одно из главных препятствий для прикладных проектов — доступ к отраслевым данным. Максим привёл пример сотрудничества с МЧС России: Сколтех разработал решение для прогнозирования природных пожаров на пять суток вперёд, однако согласование доступа к данным других ведомств требовало длительной работы.

«Как только мы делаем отраслевое решение, мы сталкиваемся с тем, что нам некуда пойти и собрать эти данные», — рассказал Максим Мироненко.

🟦 Поэтому среди предложений — развитие института операторов отраслевых данных и более широкое применение экспериментальных правовых режимов, позволяющих проверять технологии в реальных условиях. Не менее важный вопрос — как измерять эффект внедрения и подтверждать качество решения. Согласованных с одним заказчиком показателей недостаточно для того, чтобы результатам доверяли и другие организации.

«Нужна единая независимая методика, отраслевая в данном случае, для измерения эффекта», — подчеркнул Максим.

☑️ Отдельное направление — испытания и экспертиза прикладного ИИ, включая мультиагентные системы. Здесь важно проверять качество результата, устойчивость моделей и корректность действий агентов.

«Нужен точно так же единый подход к верификации моделей», — отметил он.

🎓 В завершение Максим представил проект AI First University, который Сколтех развивает для применения ИИ в образовательных, исследовательских и административных процессах университета. Его задача — подготовить людей, которые понимают работу технологий, умеют пользоваться ими и эффективно применять их в своей деятельности. Полученные подходы планируется распространять на другие вузы. 🖥 Смотреть запись на RUTUBE

🤖💊 Нейросети уже читают снимки, предлагают диагнозы и помогают выбирать лечение — но насколько хорошо мы понимаем, где заканчивается их компетенция и начинается убедительная догадка? Старший аналитик Центра ИИ Сколтеха Дмитрий Самофалов расскажет об этом на лекции «ИИ в медицине». Поговорим о диагностике, прогнозировании исходов, рисках медицинских ошибок и о том, как научить ИИ понимать пределы собственного знания.

📅 11 ноября 🕖 19:00 – 20:00 📍 Мероприятие пройдёт в атмосферных интерьерах исторической усадьбы Долгоруковых-Бобринских по адресу: ул. Малая Никитская, д. 12, стр. 1 (Филиал Ельцин Центра в Москве).

🎟 Бесплатно, по регистрации (рекомендуемый возраст: 12+)

🌫 Когда появится общий искусственный интеллект, можно ли доверять ИИ-агентам и чему теперь учить студентов? Евгений Бурнаев, вице-президент по развитию ИИ, директор Центра ИИ Сколтеха, профессор РАН, принял участие в панельной дискуссии «Прорыв в области искусственного интеллекта: каким станет ИИ и кем станем мы?» на конференции Fall into ML 2026, организованной факультетом компьютерных наук НИУ ВШЭ. Один из вопросов сессии — появится ли общий искусственный интеллект (AGI) уже к 2030 году. Евгений предложил сначала договориться о том, что именно считать AGI.

«Если речь идёт о системе, способной решать широкий круг интеллектуальных задач на уровне как минимум специалиста средней квалификации, обучаться, распознавать собственные ошибки и совершенствоваться на их основе, то я считаю её появление вполне вероятным. Не уверен, что это произойдёт к 2030 году, но позднее такие системы, думаю, станут доступны. И это не имеет отношения к сознанию или чувствам: речь о технических возможностях».

При этом сегодняшним агентам ещё далеко до длительной автономной работы. Они уязвимы к манипуляциям, а сложные инженерные задачи требуют одновременного учёта физических закономерностей, технических и экономических ограничений. В качестве примера Евгений привёл обработку реальных 3D-сканов: по оценке инженеров, приемлемый результат получался лишь примерно в 20% случаев.

«Многие задачи требуют значительного времени для решения. Но пока мы не видим систем, которые могли бы самостоятельно работать неделю или две без вмешательства человека. Если задача очень сложная и включает множество этапов, необходимого уровня автономности ещё нет».

ИИ уже помогает самому Евгению готовить презентации, документы и проектные заявки. Но он предлагает различать ощущение удобства и измеримый результат.

«Ощущать повышение продуктивности и измерить, действительно ли она выросла, — две разные вещи. Люди могут считать, что стали работать эффективнее, хотя на деле тратят дополнительное время на написание промптов и настройку инструментов. В отдельных задачах моя продуктивность действительно выросла. Но это ещё не означает, что выросла общая продуктивность».

Обсуждая прогнозы о многократном увеличении размеров моделей, Евгений обратил внимание на ограничения вычислительных мощностей, данных и экономики. Он сравнил ситуацию с управляемым термоядерным синтезом и сверхзвуковой пассажирской авиацией: технические возможности ещё не гарантируют практической и экономической целесообразности.

«По мере приближения к технологическим пределам возникают новые сложности, которые трудно предвидеть. Я не знаю, станут ли модели через десять лет в сто раз больше нынешних. Возможно, они вырастут в десять раз. Но главный вопрос — насколько улучшатся их возможности и будет ли это экономически оправданно. У меня нет таких оценок, и, признаться, я не склонен доверять прогнозам, которые объявляет OpenAI».

Ещё один вопрос — как менять университетское образование в эпоху ИИ. Евгений предложил три направления: пересмотреть формат экзаменов, учить пользоваться ИИ-инструментами и, самое главное, проверять их.

«Нам определённо нужен ветер перемен в образовании. Во-первых, мы должны продолжать учить студентов фундаментальным дисциплинам, но изменить формат экзаменов: возможно, вместо письменных проводить устные. Во-вторых, учить пользоваться инструментами ИИ в повседневных исследовательских задачах. И в-третьих, что особенно важно, — учить студентов работать против ИИ: быстро проверять и тестировать ответы моделей, находить ошибки и исправлять их. По сути, готовить студентов к роли экспертов, способных критически оценивать результаты искусственного интеллекта».

🎥 Смотреть запись панельной дискуссии Fall into ML 2026

🌫 Профессор Сергей Баранников, руководитель Лаборатории математических методов генеративного искусственного интеллекта Центра ИИ Сколтеха, выступил с устным докладом в основной программе EMNLP 2026 в Будапеште — одной из ведущих международных конференций по обработке естественного языка с рейтингом A*. Сергей Баранников представил CodeTD — метод оценки корректности кода по внутренним сигналам языковой модели. Работа отвечает на вопрос: можно ли заранее узнать, что сгенерированная программа не решает поставленную задачу, не запуская её? Для устного представления отобрали около 2% работ, поданных на конференцию. 📄 Синтаксически правильный код может содержать логическую ошибку. При этом функциональные тесты не всегда доступны, а выполнение программы может быть дорогостоящим или небезопасным. Авторы предложили искать признаки ошибки в картах внимания — связях, которые модель выстраивает между условием задачи и генерируемым решением. 💡В основе подхода — MTop-Div, разработанный Сергеем Баранниковым с коллегами и представленный на NeurIPS 2021. Карты внимания преобразуются в графы. Исследователи отслеживают, как при изменении порога включения связей объединяются связные компоненты, появляются и исчезают циклы. Классификатор объединяет признаки разных слоёв и голов внимания и оценивает корректность кода. 🌫 CodeTD проверили на четырёх бенчмарках, пяти языках программирования и десяти моделях размером до 34 млрд параметров. В одном из экспериментов на HumanEval отбор решений DeepSeek-Coder-6.7B с помощью CodeTD повысил долю корректных решений с 39,1% до 56,7% по сравнению со случайным выбором из 25 сгенерированных вариантов. Работу выполнили Дарья Воронкова, Илья Трофимов, Антон Дмитриев, Эдуард Тульчинский, Евгений Бурнаев и Сергей Баранников. 🌎 О лаборатории и MTop-Div · Обзор работ Сколтеха на EMNLP 2026

🌫 Сегодня старший инженер по машинному обучению Центра ИИ Сколтеха Александра Кулешова выступила с устным докладом в основной программе EMNLP 2026 в Будапеште — одной из ведущих международных конференций по обработке естественного языка с рейтингом A*. Александра представила INTRYGUE — метод, который помогает точнее оценивать надёжность ответов языковых моделей, использующих внешние источники информации — на секции, посвящённой интерпретируемости и анализу языковых моделей. Работа объясняет парадокс: модель может правильно ответить по предоставленным документам, а стандартный метод оценки надёжности — посчитать этот ответ подозрительным. 🌫 Речь о RAG-системах, которые перед генерацией ответа находят нужную информацию во внешних источниках. Даже с такой поддержкой модель может галлюцинировать, поэтому важно оценивать, насколько можно доверять её ответу. Для этого часто используют энтропию выходного распределения — показатель неопределённости при генерации текста. Но в RAG-сценариях он может вводить в заблуждение. Авторы исследовали механизмы внимания, помогающие модели переносить информацию из контекста в ответ. Оказалось, что их работа может сопровождаться активацией особых нейронов, которые повышают энтропию. В результате правильный ответ, согласованный с источником, получает завышенную оценку неопределённости. 🌫 INTRYGUE корректирует эту оценку с учётом внутренних сигналов модели. На четырёх RAG-бенчмарках и шести открытых LLM размером от 4 до 13 млрд параметров он опережает ряд популярных подходов к обнаружению галлюцинаций или показывает сопоставимые результаты. Это шаг к более надёжной проверке ответов ИИ: чтобы система могла выявлять ошибки и реже ставила под сомнение корректное использование источников. Работу выполнили Александра Кулешова, младший инженер по машинному обучению Андрей Володичев, инженер по машинному обучению Дарья Котова и Алексей Зайцев, доцент Сколтеха, руководитель совместной лаборатории «Сколтех — Сбербанк» (LARSS). 📄 Об INTRYGUE и других работах исследователей Сколтеха на EMNLP 2026 рассказывали здесь.

🤨 Выйди за пределы симуляции Что, если твой код сможет управлять не только цифровой моделью, но и настоящим антропоморфным роботом? На ROS Humanoid Hack тебе предстоит научить цифрового двойника гуманоида выполнять автономные действия в симуляторе. Лучшая команда получит возможность перенести свои решения на реального робота и проверить их в действии. Главное о хакатоне ➡️ Даты проведения: 15 октября — 27 ноября 2026 года ➡️ Формат: онлайн-разработка и офлайн-финал в Санкт-Петербурге ➡️ Для кого: специалисты и энтузиасты в области робототехники ➡️ Призовой фонд: 500 000 рублей Что тебя ждет ▶️ Работа с симулятором и стеком ROS ▶️ Поддержка и обратная связь от отраслевых экспертов ▶️ Возможности стажировок и карьерного развития у партнеров ▶️ Знакомство с сообществом разработчиков антропоморфных роботов Участвовать можно самостоятельно или в команде. Если её пока нет — поможем собрать! Подавай заявку до 28 октября и создавай своего робота!

🌫«Душный рецензент» и ИИ-агенты в научной лаборатории: Александр Коротин на Fall into ML 2026 Александр Коротин, доцент, руководитель исследовательской группы по генеративному искусственному интеллекту Центра ИИ Сколтеха, принял участие в панельной дискуссии «ИИ Лаборатория 2026: про что, кто и как?» на конференции Fall into ML 2026, которая прошла 23–24 октября в Москве. Делимся интересными тезисами его выступления. 🌫 Вычислительные ресурсы и публикация научных результатов. Александр обратил внимание на то, что ограничения вычислительных ресурсов влияют не только на проведение исследований, но и на возможность представить их результаты на ведущих конференциях.

«Когда я выступаю с научно-популярными лекциями, то называю три кита ИИ: вычислительные ресурсы, данные и алгоритмы. Если говорить о вычислительных ресурсах, то они нам доступны совсем не так, как условному OpenAI. С данными ситуация тоже тяжёлая. И фактически для академической науки остаётся третье направление — разработка новых алгоритмов. Это в принципе доступно каждому, у кого есть хотя бы одна GPU, для этого много не надо. Но может понадобиться много ресурсов, чтобы результаты опубликовать. Сегодня для крупных компаний, особенно в генеративном моделировании, уже стало стандартом обучать модели на изображениях высокого разрешения. А академическую статью с небольшим датасетом и новым алгоритмом, даже если этот алгоритм действительно хороший и перспективный, могут просто отклонить, потому что эксперименты проведены не в том масштабе. Получается, что заниматься алгоритмическими исследованиями можно, но сложности, связанные с вычислительными ресурсами, очень быстро добираются и до этого направления».

💡«Душный рецензент»: как ИИ проверяет научные статьи? В исследовательской группе Александра LLM используют на разных этапах работы: от обзора литературы и написания кода до постановки экспериментов и подготовки публикаций. Одним из наиболее интересных применений стала многоагентная система для предварительного рецензирования научных статей.

«Мы используем ИИ буквально для всего: написания текстов статей, правок, постановки экспериментов, написания кода, обзоров литературы. Но здесь важно не столько то, для чего мы его используем, сколько то, как используем, какие вопросы задаём. Недавно мы в группе стали очень активно применять Claude и GPT для рецензирования наших статей, которые отправляем на конференции. Казалось бы, стандартная задача: загружаешь статью и просишь написать рецензию в духе ICML. Но такой инструкции далеко не всегда достаточно. Нужно очень подробно объяснить модели, что именно необходимо проверить и на что обратить внимание».

«Когда мы готовили статьи к подаче на ICLR, я подготовил большой набор инструкций — больше десяти файлов. Я называю его „душным рецензентом“. В основу положил свой многолетний опыт публикаций на ведущих конференциях: понимание того, какой должна быть хорошая статья с точки зрения теории, алгоритмов, научной новизны и значимости результатов. Это не просто промпт с просьбой написать рецензию, а один метаагент, который вызывает около десяти специализированных агентов. Каждый проверяет свою составляющую — теорию, воспроизводимость и другие аспекты. Вместе со статьёй в систему загружаются исходный код и другие материалы, относящиеся к публикации. После этого она может два-три часа анализировать работу: искать релевантные исследования, проверять ссылки и выяснять, подтверждены ли утверждения авторов. В результате мы получаем большой перечень замечаний — критических и некритических. По моим наблюдениям, после двух-трёх итераций такой проверки статьи становятся заметно лучше: повышается читаемость, понятнее объясняется научная новизна, точнее проводится сравнение с другими методами. Кроме того, правильно настроенная LLM хорошо находит случаи, когда авторы преувеличивают значимость своего вклада».

При этом, подчеркнул Александр, постановка научных целей пока остаётся за человеком. Даже развитые ИИ-инструменты не заменяют исследователя в выборе задач и определении направления работы. 📎 Программа панельной дискуссии 📎 Трансляция

🏆 Исследование Центра ИИ Сколтеха получило Best Paper Award на AIST 2026 Работа TopGen-IC: Inter-Class Cross-Persistent Homology Features for Time-Series Classification удостоена награды Best Paper Award в секции Data Analysis and Machine Learning на 13-й Международной конференции Analysis of Images, Social Networks and Texts (AIST 2026) в Астане (Казахстан). Авторы исследования — аспирант Александр Мироненко, профессор РАН и вице-президент Сколтеха по развитию ИИ Евгений Бурнаев, и профессор Сергей Баранников, руководитель Лаборатории математических методов генеративного искусственного интеллекта Центра ИИ Сколтеха. 🌎 Как выявлять различия между временными рядами, которые не всегда отражены в их привычных характеристиках? Временные ряды используются для анализа электрокардиограмм, движений человека, показаний датчиков и энергопотребления устройств. Дополнительную информацию для их классификации может дать топологическая структура данных. 📑 Исследователи предложили метод TopGen-IC, который развивает математический инструментарий Manifold Topology Divergence (MTop-Div) — подхода к сравнению топологической структуры данных, предложенного Сергеем Баранниковым с коллегами и представленного на NeurIPS 2021. TopGen-IC объединяет фрагменты обучающих последовательностей одного класса и формирует их общее представление. Затем он сравнивает новый временной ряд с представлением каждого класса. Для сравнения используются кросс-персистентные диаграммы: они отражают, какие топологические особенности одного набора данных не объясняются другим. Полученные признаки помогают определить класс сигнала и могут использоваться как самостоятельно, так и вместе с традиционными признаками. 📊 Авторы проверили TopGen-IC на 15 наборах данных архива UCR, включающих движения человека, электрокардиограммы, сигналы датчиков, энергопотребление устройств, спектрографические данные и контуры изображений. 🔹 Средняя точность классификации с признаками TopGen-IC составила 74,79%. На пяти наборах данных она оказалась выше, чем с признаками catch22. 🔹 Простое объединение топологических и традиционных признаков в одном наборе снижало среднюю точность. Поэтому исследователи применили ансамблевый подход CAWPE: разные группы признаков используются отдельными классификаторами, а их прогнозы объединяются с учётом качества каждого из них, оценённого на обучающих данных. 🔹 Ансамбль TopGen-IC и catch22 повысил среднюю точность с 79,44% до 80,95% — на 1,51 процентного пункта. Улучшение получено на 10 из 15 наборов данных. Дополнительный анализ показал, что топологические признаки содержат информацию, которая лишь частично отражается в традиционных характеристиках временных рядов. Их сочетание с другими признаками может повышать точность классификации. Исследование расширяет возможности анализа временных рядов за счёт нового способа выявления структурных особенностей сигналов. 🌫 Статья | Открытый код TopGen-IC | Материалы AIST 2026

🌐 Как Александр Шапеев пришёл в Сколтех и создал новое научное направление …Когда в 2013 году Александр впервые услышал о Сколтехе, он даже не собирался подавать заявку. Но именно здесь впоследствии создал с нуля исследовательское направление, разработал ПО для моделирования атомов и молекул, которым, по его словам, пользовались более 1000 человек по всему миру, и занялся технологическими стартапами. 🌫 К 15-летию Сколтеха в специальную подборку историй сотрудников вошло интервью Александра Шапеева, профессора, руководителя Лаборатории методов искусственного интеллекта для разработки материалов Центра ИИ Сколтеха. Как случайное решение определило научную карьеру и что оказалось сложнее — доказать теорему или создать собственный стартап? Рассказываем самое интересное из интервью. 🌫 Почему Александр решил присоединиться к Сколтеху?

До Сколтеха Александр занимался математикой и доказывал теоремы о сходимости численных методов. Когда в начале 2013 года он узнал о новом технологическом университете в России, идея присоединиться к нему показалась далёкой от собственных научных интересов — «Вообще не про меня». В то время Александр работал в США и рассматривал возможности продолжить карьеру в Америке, Европе и Юго-Восточной Азии. Однако научный руководитель обратил его внимание на то, что в Сколтехе уже работает Иван Оселедец, также занимавшийся численными методами. Это стало поводом подать заявку. Решение о переезде было связано и с семьёй: Александр и его супруга понимали, что позже вернуться в Россию будет значительно сложнее. При этом решающую роль сыграла концепция международного исследовательского университета. Именно Сколтех оказался той возможностью, ради которой Шапеев был готов изменить первоначальные планы.

🌫 Как создать научное направление с нуля?

Ещё в школе Александра увлекала идея моделировать сложные физические процессы на компьютере. Тогда возможностей для расчёта движения атомов и молекул не хватало, но развитие вычислительной техники и методов машинного обучения постепенно сделало такие задачи решаемыми. Придя в Сколтех, Александр выбрал перспективное направление, которым в тот момент занимались немногие учёные. Начав с математических методов расчёта атомных и молекулярных систем, он постепенно перешёл к разработке программного обеспечения, а затем и поиску индустриальных заказчиков. Одним из главных достижений Шапеев считает создание технологии, востребованной за пределами собственной лаборатории. На момент интервью разработанным им ПО пользовались более тысячи человек по всему миру, включая научные коллективы и крупные организации. В частности, его применяли исследовательские группы, участвовавшие в программе НТИ по цифровым материалам. Свой результат Александр описывает так: «В общем, просто пришёл, выбрал тему, с нуля сделал что-то, что полезно огромному числу людей».

🌫 От научных разработок к технологическим стартапам. Следующим этапом стало создание коммерческих продуктов на основе научных результатов. В интервью Александр рассказал о двух проектах — Ligand Pro для компьютерного проектирования лекарств, созданном совместно с Иваном Оселедцем, Дмитрием Иванковым и Мариной Пак, и платформе для проектирования материалов на атомном и молекулярном уровне.

Подходы к развитию проектов различались. В разработке лекарств команда ориентировалась на длительный цикл исследований, а у платформы для материалов уже на раннем этапе появились заказчики. Поэтому её приходилось развивать одновременно с решением практических задач. Создание стартапов стало для Александра новым профессиональным опытом. За годы работы в Сколтехе он освоил преподавание, проведение исследований, разработку программного обеспечения и взаимодействие с индустрией. Теперь к этому добавились управление командой, организационные вопросы и коммерциализация технологий. В интервью Шапеев с иронией рассказывает, что из-за ежедневных задач нового проекта иногда возвращается к научной работе только ближе к вечеру.

🌫 Читать полное интервью с Александром Шапеевым

➡️ От топологии данных — к надёжности нейросетей Лаборатории математических методов генеративного искусственного интеллекта Центра ИИ Сколтеха менее года. Одно из её направлений — применение топологии к анализу внутреннего устройства больших языковых моделей. О математических идеях и результатах совместных исследований рассказывает руководитель лаборатории, профессор Сергей Баранников. 🌫 Статья CodeTD: Topology of Attention Detects Hallucinations in Code LLMs принята в основную программу EMNLP 2026 для устного доклада (к устному представлению отобрали около 2% от общего числа поданных работ).

«Языковая модель может написать убедительную программу, которая не решает поставленную задачу. В CodeTD мы предложили оценивать риск такой ошибки до запуска кода — по картам внимания модели. Мы преобразуем их в графы. Для анализа связи между условием задачи и сгенерированным решением используется Manifold Topology Divergence (MTop-Div). Мы отслеживаем связные компоненты и циклы в этих графах, объединяем признаки разных слоёв и голов внимания и обучаем классификатор отличать корректный код от ошибочного. Подход проверили на десяти моделях размером до 34 млрд параметров, четырёх бенчмарках и пяти языках программирования. Он превзошёл рассмотренные базовые методы и показал переносимость между наборами задач», — объясняет профессор.

🌫 TOHA: проверить связь ответа с контекстом. Совместное исследование Сколтеха и Сбера представлено в статье Hallucination Detection in LLMs with Topological Divergence on Attention Graphs, опубликованной в трудах ACL 2026.

«Даже получив документы с нужной информацией, языковая модель может добавить в ответ неподтверждённые утверждения. В TOHA мы исследовали, как обнаруживать такие галлюцинации по структуре внимания. В основе подхода — адаптация MTop-Div для графов внимания: она оценивает топологическое различие между частями графа, соответствующими контексту и ответу. Определённые головы внимания устойчиво дают более высокую дивергенцию для неподтверждённых ответов. Достаточно анализировать небольшое число таких голов — без многократной генерации и с небольшим количеством размеченных примеров».

🌫 NTD: оценить качество и разнообразие генерации. Статья Topological Alternatives for Precision and Recall in Generative Models опубликована в IEEE Access в 2025 году.

«При оценке генеративной модели важно понять, насколько её результаты близки к реальным данным и насколько полно воспроизводят их разнообразие. Модель может создавать качественные примеры, но пропускать целые группы объектов. Normalized Topological Divergence (NTD) позволяет оценивать оба свойства непосредственно в пространстве данных, без отдельной предобученной нейросети для извлечения признаков. В экспериментах мы исследовали, как метрика выявляет размытие, потерю разнообразия и другие искажения генерации. Метрика дифференцируема, поэтому её можно использовать и при обучении модели — чтобы улучшать качество или разнообразие генерации».

🌫 MTop-Div: математическая основа направления. Метод, предложенный Сергеем Баранниковым с коллегами, появился в работе Manifold Topology Divergence: a Framework for Comparing Data Manifolds, представленной на NeurIPS 2021.

«MTop-Div мы предложили как инструмент сравнения сложных многомерных данных. Он учитывает различия в их топологической структуре на разных масштабах и помогает замечать, какие особенности исходных данных генеративная модель сохраняет, теряет или добавляет. Изначально мы применяли его для оценки генеративных моделей на изображениях, трёхмерных объектах и временных рядах. В последующих работах эти идеи получили развитие в анализе графов внимания языковых моделей — для обнаружения галлюцинаций и оценки корректности программного кода».

#ВнутриЦентраИИ

🌫 Антон Мещеряков, руководитель индустриальных проектов Центра ИИ Сколтеха, выступил на Московском инвестиционно-промышленном форуме (МИПФ-2026) в рамках сессии «Цифровая трансформация российской промышленности: от отдельных решений к связанным платформам и новым бизнес-моделям», где представил разработки в области инженерного ИИ для промышленности. 🌫 По словам Антона, развитие промышленного ИИ сегодня сталкивается с проблемой, когда множество разрозненных решений быстро устаревает по мере усложнения производственных задач.

«Сегодня у многих промышленных компаний уже есть библиотеки алгоритмов и ИИ-агентов, каждый из которых решает определённую специализированную задачу. Однако сами задачи меняются, увеличиваются объёмы данных, усложняются расчёты, и ранее созданные решения перестают отвечать новым требованиям. Если каждый раз разрабатывать агентов заново, экономическая эффективность оказывается под вопросом. Поэтому мы видим необходимость перехода к платформенным решениям, которые позволяют объединить отдельных агентов в единую систему и использовать уже созданные инструменты для решения новых задач».

🔘В Центре ИИ Сколтеха разрабатывают мультиагентную систему инженерного ИИ, предназначенную для объединения и координации ИИ-агентов для решения прикладных задач. Оркестратор декомпозирует задачу на последовательность действий, запускает необходимых агентов и контролирует результаты их работы. 🌫 Для применения ИИ в промышленности принципиально важна возможность проверки результатов на соответствие техническим нормативам и производственным ограничениям.

«Главное отличие инженерного ИИ — в возможности интерпретировать и верифицировать результат. Как мы этого добиваемся? Тем, что инженерный ИИ — будь то агенты или модели — всегда находится в окружении инженерных данных: нормативной документации, физических законов. Физически обусловленное машинное обучение уже известно в отрасли, но вопрос, как интегрировать нормативную документацию — ГОСТы, ФЗ, СП, СТУ, где всё написано естественным языком и нет структурированной информации, — пока окончательно не решён. И мы в этом направлении стараемся двигаться».

📇 В качестве примера он представил решение, которое преобразует требования нормативно-технических документов в машиночитаемый формат для последующего использования в системах автоматизированного проектирования. Такой подход позволяет выполнять проверку формализованных требований непосредственно в среде инженерного ПО, снижая риски возникновения галлюцинаций языковых моделей. 🌫 Ещё одно направление работы — автоматическая генерация BIM-моделей жилых и промышленных зданий. При создании проектных решений учитываются не только геометрия и параметры конструкций, но и требования к их размещению, совместимости и возможности реализации. Антон также рассказал о совместной разработке с крупным отечественным автопроизводителем: модуле автоматической трассировки инженерных коммуникаций автомобиля.

«Мы стремимся учитывать технологичность: не просто выбирать оптимальный путь трассировки, а заведомо учитывать, что инженер на сборочной линии будет вручную размещать трассу, и ему нужно подлезть инструментом, подлезть рукой, чтобы разместить элементы изделия. При сервисном обслуживании специалист тоже должен иметь возможность к этой трассе подобраться. Понятно, что глобальный оптимум трассы в чистой математической постановке будет проходить где-то среди множества систем и в узких местах, но это будет нереалистичное и неэргономичное решение».

🔘 Развитие инженерного ИИ должно обеспечивать переход от отдельных алгоритмов и экспериментальных решений к технологиям, которые можно интегрировать в реальные производственные процессы. При этом ключевое значение имеют не только возможности автоматизации, но и проверяемость результатов, выполнение нормативных требований и экономическая целесообразность внедрения.

📊 Представим, что нейросети нужно предсказать следующие десять покупок клиента банка: когда они произойдут, на какие суммы, в каких категориях. Один алгоритм может достаточно точно определить отдельные параметры будущих операций, но составить из них неправдоподобную последовательность. Другой — предложить несколько вполне реалистичных вариантов поведения, ни один из которых не совпадёт с тем, что клиент сделает на самом деле. Как оценивать такие прогнозы и можно ли извлечь пользу из реалистичности? 🌎 На этот вопрос отвечает исследование Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective, получившее статус Spotlight на NeurIPS 2026 в треке Evaluations & Datasets. Среди авторов — исследователи Центра ИИ Сколтеха: Дмитрий Осин, старший инженер по машинному обучению; Егор Сурков, инженер-исследователь; Пётр Мокров, старший инженер; Игорь Удовиченко, инженер-исследователь; Евгений Бурнаев, профессор РАН, вице-президент по развитию искусственного интеллекта, директор Центра ИИ Сколтеха; Егор Швецов, руководитель направления; Александр Коротин, доцент, руководитель исследовательской группы по генеративному ИИ. 🌫 Обычно прогнозы оценивают только по точности, и модели, оптимизированные под неё, выдают „усреднённое" поведение, непохожее ни на один реальный сценарий. Авторы впервые систематически рассмотрели долгосрочное прогнозирование последовательностей событий с двух сторон: насколько близко предсказание к реальному будущему и насколько сами сгенерированные сценарии соответствуют закономерностям реальных данных. Команда создала открытый бенчмарк, объединив современные методы прогнозирования, реальные наборы данных и 2 новые метрики: — Temporal Matching Score (TMS) оценивает точность прогноза, сопоставляя предсказанные события с реальными с учётом времени их наступления, сумм транзакций и категорий покупок. — Conditional Detection Fooling Score (cDFS) проверяет, способен ли специальный алгоритм отличить сгенерированную последовательность от настоящей, зная предшествующую историю событий. 📊 Сравнение моделей выявило фундаментальный компромисс между точностью и реалистичностью. Методы, которые наиболее точно предсказывали конкретное развитие событий, создавали последовательности, легко отличимые от реальных. Диффузионные модели, напротив, воспроизводили правдоподобные варианты будущего, но уступали в точности прогноза. 🌫 Исследователи показали, что реалистичность можно превратить в точность с помощью алгоритма Wasserstein BaryBooster. Диффузионная модель сначала генерирует множество возможных продолжений истории клиента. Затем алгоритм сопоставляет эти сценарии и с помощью методов оптимального транспорта объединяет их в один прогноз. Информация о нескольких правдоподобных вариантах будущего используется для повышения точности предсказания, причем переобучать исходную модель не требуется. ◾️Авторы сравнили статистические методы, трансформеры и генеративные модели на трёх наборах данных о банковских транзакциях, прогнозируя последовательности из 32 будущих событий. — Диффузионная модель LDM наиболее убедительно воспроизводила реальные закономерности транзакций: показатель реалистичности cDFS составил 0,856–1,000, тогда как у большинства обучаемых альтернатив он был близок к нулю. — Wasserstein BaryBooster повысил точность прогнозов LDM по метрике TMS на 22–37% в зависимости от набора данных. — LDM в сочетании с Wasserstein BaryBooster превзошла все сравниваемые методы по точности на каждом из трёх наборов данных, включая специализированный алгоритм DEF. — Результат подтвердился и по другим метрикам: улучшилось прогнозирование сумм транзакций, времени операций и категорий покупок. ➡️ При этом уже 5 сгенерированных сценариев обеспечивают около 75% прироста точности, достигаемого при использовании 30, что позволяет уменьшить вычислительные затраты. Практический вывод работы — возможность использовать одну генеративную модель для двух разных задач: получать реалистичные сценарии будущего и на их основе строить высокоточный прогноз конкретной последовательности событий. 📎 Код бенчмарка

🌫 Как машинное обучение помогает исследовать свойства полупроводников? В НИЯУ МИФИ прошла XXIV Международная школа-конференция имени профессора Б. А. Калина «Новые материалы: перспективные технологии и методы исследования материалов». Аспирант, исследователь Лаборатории методов искусственного интеллекта для разработки материалов Центра ИИ Сколтеха Рустам Арабов представил устный доклад «Теоретическое исследование динамики решётки и электрон-фононного взаимодействия в полупроводниках». В выступлении он рассказал о применении машиннообучаемых потенциалов MTP и MatterSim при изучении динамики решетки, расчетах теплопроводности и описании электрон-фононного взаимодействия в различных материалах. 📊 Одно из исследований в этом направлении представлено в статье Thermal Conductivity and Temperature-Induced Bandgap Renormalization in Crystalline and Amorphous Ga₂O₃, опубликованной в журнале Applied Physics Letters. Среди авторов статьи исследователи Центра ИИ Сколтеха — Рустам Арабов, аспирант; Никита Рыбин, научный сотрудник; Александр Шапеев, профессор, заведующий Лабораторией методов искусственного интеллекта для разработки материалов Центра ИИ Сколтеха. В работе исследователи сравнили теплопроводность кристаллического и аморфного оксида галлия и изучили, как колебания атомов влияют на свойства материала. 📊 Оксид галлия (Ga₂O₃) - перспективный полупроводник для силовой электроники, фотодетекторов и других оптоэлектронных устройств. Колебания атомов значительно влияют на его практически значимые свойства, такие как теплопроводность и ширина запрещённой зоны. Точный расчёт этих свойств требует значительных вычислительных ресурсов, особенно для аморфных структур. 🌫 Для решения этой задачи исследователи использовали расчёты теории функционала плотности и машиннообучаемые потенциалы межатомного взаимодействия moment tensor potentials (MTP). Использование MTP позволило значительно сократить вычислительные затраты. 📊 Расчёты показали, что в теплопроводность аморфного оксида галлия в диапазоне температур 300–700 К примерно в 10 раз ниже, чем у кристаллического β-Ga₂O₃. Решеточная теплопроводность аморфного Ga₂O₃ составляет около 0,9 Вт/(м·К) и слабо зависит от температуры. Причина разницы теплопроводностей между кристаллическим и аморфным Ga₂O₃ связана с отсутствием дальнего порядок расположения атомов в аморфном оксиде. 🌎 Исследователи также изучили влияние температуры на ширину запрещённой зоны оксида галлия. Изучение температурной зависимости ширины запрещенной зоны важно с практической точки зрения, поскольку ширина запрещенной зоны непосредственно связана с электропроводностью данного материала. Расчёты показали, что в кристаллическом β-Ga₂O₃ при температуре 700 К (около 427 °C) ширина запрещённой зоны на 0,45 эВ меньше, чем при абсолютном нуле. При этом изменение величины запрещенной зоны при 0 К за счет квантовых колебаний атомов составляет примерно 0.2 эВ. В аморфном оксиде галлия ширина запрещённой зоны значительно меняется с ростом температуры, хотя эта температурная зависимость выражена слабее, чем в β-Ga₂O₃. 🔘Работа позволила установить, как аморфизация оксида галлия влияет на его теплопроводность и зависимость величины запрещенной зоны от температуры. Результаты расчетов изменения запрещенной зоны с температурой в β-Ga₂O₃ согласуются с экспериментальными данными. Сочетание машинного обучения и первопринципных вычислительных методов позволяет исследовать эти свойства с меньшими вычислительными затратами, что важно для прогнозирования поведения полупроводников в условиях эксплуатации электронных устройств.