Математика Дата саентиста

Основатель DeepSeek перевел весь код с NVIDIA на Huawei: зачем он это сделал и что теперь будет с китайским ИИ Лян Вэньфэнг, основатель DeepSeek, потратил месяцы на полный перенос кодовой базы DeepSeek с чипов NVIDIA на Ascend от Huawei. Не потому что нужно было что-то исправить, а потому что он решил доказать: китайский ИИ может работать без американского железа. DeepSeek уже показал отличные результаты на чипах NVIDIA до санкций. У компании было рабочее решение, но Вэньфэнг пошел другим путем. Проект занял месяцы, потребовал огромных ресурсов и задержал выпуск новой версии модели. Но результат стоил того. Что получилось на выходе: - DeepSeek полностью работает на чипах Huawei Ascend без потери качества - Доказано, что чипы Huawei способны тянуть полноценные ИИ-нагрузки - Другие китайские ИИ-компании теперь имеют реальный повод перейти с NVIDIA на Huawei - Большая часть зависимости от американских поставщиков чипов убрана Вэньфэнг нес огромное давление, сроки сдвинулись, команда работала без гарантий что выйдет рабочее решение. Но он довел дело до конца и доказал: китайская ИИ-индустрия может строить свой собственный стек, не завися от того, дадут ли следующую партию поставок через Тихий океан.

📖 Бессистемное погружение в машинное обучение превращается в набор разрозненных знаний — непонятно, с чего начать и как выйти на профессиональный уровень. 🚀 Курс «Машинное обучение. Специализация» выстраивает понятный путь: от основ до уверенной работы с моделями. Вы начнёте с Python, разберёте математику на практике и постепенно перейдёте к построению моделей, анализу данных и работе с нейросетями. 🧑‍🎓 Программа разделена на этапы: сначала фундамент, затем полноценная работа с задачами. Вы пройдёте весь цикл: от подготовки данных до анализа результатов и создания моделей. Обучение ведут практикующие специалисты и преподаватели с научными степенями. Программа регулярно обновляется под требования рынка. ➡️ Запишитесь сегодня: https://tglink.io/1ce37f97d7bb9e?erid=2W5zFHAjNz5 #реклама О рекламодателе

NVIDIA официально опубликовала Skills, которые они используют для своих ИИ-агентов. Прямо сейчас у них есть Skills для: → автоматического анализа и суммирования видео → создания голосовых агентов в реальном времени → обучения и улучшения LLM → ускорения моделей, чтобы они работали намного быстрее → систем RAG, подключенных к документам и данным → агентов, работающих в изолированных безопасных средах → оптимизации логистики и маршрутизации с помощью GPU → программирования и вычислений на CUDA Некоторые из самых интересных: • TensorRT-LLM → экстремальное ускорение LLM • NeMo-RL → продвинутое обучение агентов • Video Search → автоматический поиск и суммирование видео Кроме того, они совместимы с: → Claude Code → OpenAI Codex → Cursor https://github.com/NVIDIA/skills

Кажется, аналитика подошла к моменту больших изменений. Ещё недавно подготовка отчётов занимала дни: данные собирались вручную, цифры перепроверялись, а бизнес слишком долго ждал ответы. Сегодня искусственный интеллект меняет сам подход к работе с данными — делает аналитику быстрее, проще и доступнее. 3 июня Visiology проведёт большой онлайн-эфир Cortex LIVE о новом поколении аналитики. На бесплатном эфире покажут: — как ускорить получение аналитики — как сократить объём ручной работы — как быстрее находить ответы для бизнеса — как компании уже меняют подход к работе с данными Без сложной теории — только реальные примеры и практические сценарии. Если вы работаете с аналитикой, отчётностью или управлением, этот эфир точно стоит посмотреть. До мероприятия осталось совсем немного времени — успейте зарегистрироваться заранее, чтобы не пропустить эфир.

🔥 AlphaProof Nexus: формальные доказательства начинают превращаться в инженерный пайплайн Google DeepMind показали AlphaProof Nexus - систему, которая автономно закрыла 9 открытых задач Эрдёша, часть из которых висела десятилетиями. По оценке авторов, стоимость решения одной задачи составила всего несколько сотен долларов. Кроме этого, система доказала 44 открытые гипотезы из OEIS, закрыла 15-летний вопрос в алгебраической геометрии и нашла новый алгоритмический параметр в оптимизационной теории, который раньше не был описан людьми. Модель генерирует идеи и фрагменты доказательств, а Lean проверяет каждый логический шаг через компилятор. Если доказательство некорректно, оно просто не проходит проверку. Не нужен рецензент, который вручную ищет дыру в рассуждении. Базовый агент, который просто чередует генерацию LLM и обратную связь от компилятора, смог повторить все 9 успешных решений задач Эрдёша. Более сложная версия с эволюционным поиском и reinforcement learning дала заметный выигрыш только на самых тяжёлых случаях. Чем сильнее становятся foundation models, тем чаще простые циклы «сгенерировал - проверил - исправил» начинают догонять специализированные архитектуры. Отличие от неформального подхода к математическим доказательствам принципиальное. Модель часто придумывала несуществующие леммы, ссылалась на «известные результаты» и пыталась спрятать сложность задачи в вспомогательное утверждение. В обычном текстовом доказательстве такие ошибки легко пропустить. Lean отсекает их сразу. Ещё один неожиданный эффект: агент находил неточности в формализациях уже существующих математических утверждений. То есть он работал не только как решатель, но и как диагностический инструмент для самой постановки задачи. Успехи пока сосредоточены там, где библиотека Lean уже достаточно зрелая: комбинаторика, теория чисел, оптимизация. Задачи, где нужно строить большой пласт новой теории, всё ещё далеко не закрыты. И большинство задач Эрдёша система не решила. Та же схема подходит для кодигша, спецификаций, верификации протоколов, компиляторов, криптографии. Формальная проверка отсекает галлюцинации. Модель может придумать лемму или сослаться на несуществующий результат, но Lean это не пропустит. https://arxiv.org/html/2605.22763v1 @ai_machinelearning_big_data

Гений, который послал на три буквы миллион долларов и Принстон: 7 фактов про Григория Перельмана В мире, где айтишники прыгают между офферами ради лишних 20 тысяч долларов к зарплате, а топ-исследователи ИИ подписывают контракты с девятью нулями, существует человек, который однажды посмотрел на чек в миллион долларов и сказал: «Мне это не нужно». Григорий Перельман, питерский математик, который доказал то, над чем человечество ломало голову сто лет, а потом просто ушёл из науки. Для тех, кто строит языковые модели, обучает нейросети и спорит про AGI, история Перельмана это полезное напоминание о том, что бывает с людьми, которые ставят чистую идею выше любых KPI и грантов. Гипотеза Пуанкаре сто лет считалась одной из самых сложных задач в математике. Это одна из семи «задач тысячелетия», за решение которых Институт Клэя в 2000 году объявил награду в миллион долларов за каждую. В 2002 и 2003 годах Перельман выложил на arXiv три препринта, в которых, не претендуя ни на что, аккуратно решил гипотезу. Без громких пресс-релизов, без университетской аффилиации к моменту окончания работы, без раздутых тредов. Просто PDF-ки в открытом доступе. 7 фактов о Григории Перельмане, которые стоит знать каждому айтишнику и исследователю ИИ. Первое. Он закрыл столетнюю задачу. Перельман доказал гипотезу Пуанкаре, одну из самых известных нерешённых проблем в математике XX века. Второе. Он отказался от миллиона долларов. Перельман отклонил премию Института Клэя, объяснив это тем, что не хочет быть «выставленным напоказ как зверь в зоопарке». Третье. Он отказался от Филдсовской премии. В 2006 году он отверг высшую награду в математике, заявив, что не заинтересован в признании. Четвёртое. Он ушёл из математики. После доказательства гипотезы он покинул академию и пропал из публичного поля. Пятое. Он переиграл лучшие умы. Его доказательство было настолько глубоким, что научному сообществу понадобилось около четырёх лет, чтобы окончательно его верифицировать. Шестое. Он отказал топовым университетам. Принстон, Стэнфорд и другие пытались его пригласить, но он отверг все предложения. Седьмое. Он живёт в почти полной изоляции. По имеющимся данным, он живёт в небольшой квартире в Санкт-Петербурге с матерью и избегает медиа и публичности. https://uproger.com/genij-kotoryj-poslal-na-tri-bukvy-million-dollarov-7-faktov-pro-perelmana/

Гамильтон, о котором не пишут в хайповых СМИ, а без него не было бы ни квантовых компьютеров, ни современного ML Имя Уильяма Роуэна Гамильтона редко стоит рядом с Ньютоном и Эйнштейном в популярных подборках, но именно его математика стала рабочим языком всей современной физики и значительной части data science. Если вы когда-нибудь обучали нейросеть, моделировали динамическую систему или хотя бы запускали Hamiltonian Monte Carlo в Stan или PyMC, вы пользовались идеями, заложенными Гамильтоном почти двести лет назад. В начале 1800-х механика жила по законам Ньютона. Они работали, но на практике быстро становились громоздкими: связанные тела, нестандартные системы координат, ограничения на движение. Гамильтон предложил другую оптику. Вместо того чтобы каждый раз расписывать силы, он перешёл к описанию системы через обобщённые координаты и одну ключевую функцию, которую сегодня называют гамильтонианом. Гамильтониан это полная энергия системы, кинетическая плюс потенциальная. Из него выводятся уравнения движения, которые показывают, как одновременно меняются положение и импульс. Эта формулировка унифицировала механику, оптику и небесную динамику, а главное, оказалась пригодной для гораздо большего, чем рассчёты планет и маятников. Через сто лет физики обнаружили, что именно гамильтонов формализм идеально ложится на квантовую механику. Уравнение Шрёдингера, на котором стоит вся квантовая физика, выводится напрямую из идей Гамильтона. По сути, любой современный кубит, любой разговор про квантовое превосходство и любая статья по quantum machine learning опирается на гамильтониан как на базовую конструкцию. Для инженеров и AI-специалистов это не просто красивая историческая справка. Гамильтонова механика стоит за целым семейством инструментов, которые сегодня в продакшене. Hamiltonian Monte Carlo лежит в основе многих современных байесовских фреймворков и активно используется для обучения вероятностных моделей. Hamiltonian Neural Networks учат сеть сохранять физические инварианты, что критично в задачах симуляции и робототехники. Symplectic integrators применяются там, где нужно стабильно прогонять долгие траектории, от молекулярной динамики до обучения с подкреплением. Главный урок здесь не математический, а методологический. Гамильтон не пытался опровергнуть Ньютона, он переформулировал ту же физику так, чтобы с ней было удобно работать в новых контекстах. Ровно это сегодня делают сильные ML-инженеры, когда берут хорошо известную задачу и переписывают её в терминах, которые лучше ложатся на современное железо и алгоритмы. Гамильтон, по сути, дал нам шаблон: правильная переформулировка важнее новой теории.

📌 OpenAI показала редкий для ИИ результат: внутренняя модель самостоятельно нашла контрпример к известной задаче из дискретной геометрии, которую Пал Эрдёш сформулировал ещё в 1946 году. Суть задачи простая: есть n точек на плоскости. Нужно понять, сколько пар точек могут находиться ровно на расстоянии 1 друг от друга. Долгое время считалось, что почти оптимальный ответ дают конструкции, похожие на квадратную решётку. Модель OpenAI показала, что это неверно. Она построила бесконечное семейство конфигураций, где таких пар получается заметно больше, чем ожидалось. То есть была опровергнута не мелкая техническая деталь, а известная гипотеза, вокруг которой десятилетиями строились оценки. Модель связала задачу о точках на плоскости с алгебраической теорией чисел. В доказательстве используются решётки Минковского (способ превратить числа из алгебраической теории чисел в точки в обычном евклидовом пространстве), элементы нормы один и pro-3 башни числовых полей. Это инструменты из другой части математики, и именно их перенос в геометрию дал результат. Нога Алон из Принстона отметил, что ответ оказался неожиданным, а применённые методы выглядят элегантно и нетривиально. При этом доказательство не даёт нового «чисто геометрического» метода, на который многие надеялись. Гипотеза опровергнута, но сама структура задачи стала ещё интереснее. Задачу сформулировал ИИ, решение сгенерировала внутренняя модель OpenAI, первичная проверка тоже прошла через автоматический ИИ-пайплайн. После этого люди проверили детали, улучшили изложение и довели работу до публикации. Модель сама нашла неочевидную связь между разными областями математики и получила результат по открытой задаче высокого уровня. Оригинал: https://openai.com/index/model-disproves-discrete-geometry-conjecture/ @ai_machinelearning_big_data

19-летний индиец придумал теорию чёрных дыр, его публично высмеяли, а через 53 года вручили Нобелевку 19-летний индиец придумал теорию чёрных дыр, его публично высмеяли, а через 53 года вручили Нобелевку В 1930 году 19-летний Субраманьян Чандрасекар плыл на пароходе из Индии в Англию учиться. Длинные ночи в океане, звёздное небо и куча свободного времени. На борту он от скуки начал считать, что произойдёт со звездой, когда у неё закончится топливо. К моменту, когда пароход причалил в Англии, у него на руках уже была работа, которую большинство тогдашних физиков просто не смогли осознать. Из этих расчётов потом выросло понятие предела Чандрасекара и вся современная теория чёрных дыр. В Кембридже он четыре года шлифовал расчёты. А потом случилась показательная сцена. На заседании Королевского астрономического общества в 1935 году сэр Артур Эддингтон, главный авторитет в астрофизике, поднялся после его доклада и публично разнёс работу. Не аргументами, а в стиле «такого быть не может, потому что это было бы абсурдно». Сообщество приняло сторону Эддингтона. Молодого индийца фактически выкинули из британской науки. Без скандалов, без публичных обвинений, просто перестали воспринимать всерьёз. Чандрасекар уехал в США, в Чикагский университет, и почти 50 лет тихо работал. Без хайпа, без публичных войн. Просто считал, писал, преподавал. Среди его аспирантов потом окажутся два будущих нобелевских лауреата. В 1983 году ему присудили Нобелевскую премию по физике. За ту самую идею, которую он придумал в 19 лет на палубе парохода. С момента открытия прошло 53 года. В 1999 году NASA запустило рентгеновскую обсерваторию и назвало её в его честь, Chandra X-ray Observatory. Она до сих пор работает на орбите и снимает чёрные дыры, существование которых ему когда-то отказывались признавать.

17 уравнений, которые изменили мир Есть формулы, которые не просто живут в учебниках. Они меняют то, как человек видит реальность. Эти 17 уравнений стали фундаментом науки, инженерии, технологий, связи, финансов и всей современной картины мира. 1. Теорема Пифагора a² + b² = c² База геометрии. Без неё не было бы нормальной архитектуры, навигации, картографии и инженерных расчётов. 2. Логарифмы log(xy) = log(x) + log(y) До компьютеров логарифмы были главным способом упрощать сложные вычисления. Они ускорили астрономию, физику и инженерные расчёты. 3. Математический анализ Производные и пределы дали язык для описания движения, скорости, ускорения и изменений во времени. 4. Закон всемирного тяготения F = Gm₁m₂ / r² Ньютон связал падение яблока, движение Луны и орбиты планет одной формулой. 5. Квадратный корень из минус единицы i² = -1 Когда-то казался математической странностью. Потом стал основой электротехники, квантовой механики, обработки сигналов и комплексного анализа. 6. Формула Эйлера для многогранников V - E + F = 2 Показала, что у формы есть внутренняя структура. Один из входов в топологию. 7. Нормальное распределение Колокол Гаусса стал языком статистики, вероятностей, ошибок измерений и анализа данных. 8. Волновое уравнение Описывает звук, свет, колебания, вибрации и распространение сигналов. 9. Преобразование Фурье Позволило раскладывать сложный сигнал на простые частоты. Без него не было бы современной связи, аудио, изображений, МРТ и цифровой обработки сигналов. 10. Уравнения Навье-Стокса Описывают движение жидкостей и газов. Авиация, погода, турбины, океанские течения и аэродинамика стоят рядом с ними. 11. Уравнения Максвелла Объединили электричество, магнетизм и свет. Фактически открыли дорогу радио, антеннам, электродинамике и всей современной связи. 12. Второй закон термодинамики dS ≥ 0 Дал математический язык энтропии и объяснил, почему у времени есть направление. 13. Теория относительности E = mc² Показала, что масса и энергия - две формы одного и того же. 14. Уравнение Шрёдингера Фундамент квантовой механики. Без него не было бы современной физики атомов, полупроводников, лазеров и квантовых технологий. 15. Теория информации Шеннон дал математический язык данным, сжатию, шуму и передаче информации. 16. Теория хаоса Показала, что простые системы могут вести себя непредсказуемо, если они чувствительны к начальным условиям. 17. Уравнение Блэка-Шоулза Изменило финансовые рынки и стало базовой моделью для оценки опционов. Главная мысль простая: математика здесь не абстракция ради абстракции. Это способ сжать огромный кусок реальности в одну строку. Геометрия. Движение. Свет. Вероятность. Информация. Хаос. Деньги. Вселенная. 17 формул - 17 способов перепрошить человеческое понимание мира.

В этот день в 1821 году в Окатово, Российская империя, родился Пафнутий Львович Чебышёв. Он основал Петербургскую математическую школу и занимал кафедру математики в Санкт-Петербургском университете. Среди его работ - введение многочленов Чебышёва, неравенство Чебышёва в теории вероятностей, результаты о распределении простых чисел и фундаментальный вклад в теорию приближения.

🦀 Полный roadmap по изучению Rust на русском + бесплатный курс для начинающих + большой список ресурсов. Rust Roadmap 2026 на русском - пошаговый план изучения Rust для начинающих и продвинутых разработчиков. Что внутри: - базовый синтаксис - ownership, borrowing и lifetimes - Option, Result, traits и generics - тестирование и обработка ошибок - std, smart pointers и многопоточность - async/await и Tokio - macros, unsafe и FFI - web, CLI, embedded, WASM, gamedev и ML - мини-проекты на каждом этапе Хорошый Roadmap для тех, кто хочет учить Rust не хаотично, а по нормальному маршруту: от первых программ до production-кода. Сохраняйте себе и отправляйте коллегам! https://github.com/Develp10/rust-roadmap-ru/tree/main

Устройтесь в Яндекс за выходные В мае и июне проводим онлайн-мероприятия быстрого найма — такой формат позволяет пройти всего две секции, вместо трёх в обычном найме, и финалы за выходные и сразу получить офер. ⚡️Ищем продуктовых, дата-аналитиков и датасаентистов с опытом на Python от 3 лет. — Зарегистрируйтесь до 27 мая. — 6 июня пройдите две технические секции: аналитические задачи на знание матстата и алгоритмическую задачу на знание алгоритмов и структур данных. — 7 июня познакомьтесь с командами и получите офер. Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-analytics-0626 ⚡️Ищем ML- и DL-инженеров с опытом в доменных областях NLP, CV, RecSys и Classic ML. — Зарегистрируйтесь до 20 мая. — 30 мая пройдите две технические секции: Classic ML и Livecoding, ML по своей основной доменной области (NLP, CV, RecSys, Classic ML). — 31 мая пройдите финальное интервью с командами и получите офер. Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-ml-0526

📚**Великий математик, который не мог быстро посчитать 7 × 9** Эрнст Эдуард Куммер был одним из сильнейших алгебраистов XIX века. Но у него была слабость, которая веселила студентов: он ужасно считал в уме. На лекциях Куммер мог спокойно остановиться посреди задачи и попросить аудиторию помочь с простейшей арифметикой. Однажды он дошёл до шага: «Семью девять... это... э-э...» В аудитории повисла тишина. Один студент подсказал: «Шестьдесят один». Куммер с облегчением кивнул и написал 61 на доске. Но тут другой студент поправил: «Профессор, будет шестьдесят девять». Куммер задумался и сказал совершенно серьёзно: «Господа, не может быть и то, и другое. Должно быть что-то одно». И начал рассуждать. 61 не подходит, потому что это простое число. 65 не подходит, потому что делится на 5. 67 тоже простое. 69 слишком большое. Пауза. «Значит, остаётся 63». Так Куммер всё-таки получил правильный ответ. Не счётом, а чистой логикой. Лучшее напоминание, что арифметика и математическое мышление - не одно и то же.

Функция Аккермана: монстр рекурсии, который ставит в тупик даже самые умные алгоритмы Если ты когда-нибудь думал, что рекурсия в твоём коде слишком запутанная, то функция Аккермана покажет, что такое настоящая бездна. Это одна из самых известных в математике функций, которая растёт настолько быстро, что обычные представления о больших числа В чём суть. Берёшь сложение, умножение, возведение в степень, тетрацию и так далее. Все эти операции можно описать через примитивную рекурсию, то есть через простые вложенные циклы. Аккерман показал, что существует функция, которая вычислима, но при этом выходит за пределы примитивной рекурсии. То есть теоретически её посчитать можно, но никакой простой цикл с фиксированной глубиной её не опишет. Если подставить даже скромные значения, результат становится физически невозможно записать. Например, A(4, 2) уже содержит десятки тысяч цифр. A(4, 3) превосходит количество атомов во Вселенной. А дальше начинается совсем абсурд: значения функции улетают в бесконечность так быстро, что любые попытки их вычислить упираются в стек, память и здравый смысл. Почему это важно для разработчика и инженера машинного обучения. Функция Аккермана стала классическим тестом для компиляторов и интерпретаторов: на ней проверяют, как язык работает с глубокой рекурсией и хвостовой оптимизацией. Если ты хоть раз ловил StackOverflow на безобидном на вид коде, скорее всего где-то рядом был именно такой паттерн. В теории сложности и анализе алгоритмов обратная функция Аккермана α(n) появляется в оценках производительности структуры данных «система непересекающихся множеств». Эта функция растёт настолько медленно, что для всех практических входов её значение меньше 5. Поэтому амортизированную сложность операций часто считают почти константной. Получается красивый парадокс: одна из самых быстрорастущих функций даёт нам одну из самых медленнорастущих оценок сложности. Для тех, кто работает с AI и большими моделями, история Аккермана это напоминание о пределах вычислимости. Современные нейросети отлично аппроксимируют функции, но классы вычислимости и теория рекурсии задают фундаментальные границы того, что вообще может быть посчитано за разумное время. Когда мы рассуждаем о том, может ли LLM «решить» произвольную задачу, стоит помнить, что между «вычислимо» и «практически вычислимо» лежит пропасть, и функция Аккермана это её самый наглядный пример. Если хочешь поиграться, реализуй её на своём любимом языке и попробуй посчитать A(4, 1). Уже на этом значении большинство интерпретаторов начнут серьёзно страдать, и ты на практике почувствуешь разницу между теоретической вычислимостью и реальностью железа.