Математика Дата саентиста

Yandex ML Challenge — новое соревнование с задачами по ИИ и финалом на Young Con 2026 Кого ждем: Студентов, выпускников и учеников 11-х классов — тех, кто любит решать соревнования по машинному обучению Что нужно знать: На длинном онлайн-туре вас ждут 3 задачи: CV (компьютерное зрение), LLM (большие языковые модели) и RL (обучение с подкреплением). Регистрируйтесь сейчас и приступайте к задачам 21 мая в 16:00 мск Таймлайн: С 21 по 31 мая — длинный онлайн-тур, где определим топ-100 финалистов с самым высоким суммарным рейтингом 25 июня состоится очный финал на Young Con 2026: масштабном фестивале о технологиях и старте карьеры в IT Победителю соревнования достанется приз в размере 1 млн рублей. А топ-15 финалистов получат набор умных устройств от Яндекса. Регистрация открыта

GPT-5.4 Pro взломала 60-летнюю задачу Эрдеша. Теперь этот метод решает другие проблемы GPT-5.4 Pro взломала 60-летнюю задачу Эрдеша. Теперь этот метод решает другие проблемы GPT-5.4 Pro решила задачу Эрдеша - и это оказалось не разовым трюком В середине апреля появилась громкая история: GPT-5.4 Pro под руководством математика Джареда Лихтмана за полтора часа нашла доказательство задачи Эрдеша №1196, открытой с 1968 года. Но самое интересное началось после. Лихтман анонсировал новую статью, где показал: это доказательство, уже доработанное человеком, стало ключом к еще нескольким задачам Эрдеша. Среди них есть проблема, которая тоже оставалась открытой около 60 лет. Почему это важно? Потому что модель не просто перебрала известные приемы. Она предложила необычный ход: рассматривать элементы примитивного множества через цепи Маркова. До этого в литературе в основном шли другим путем - через жесткие аналитические оценки и комбинаторные разбиения. То есть AI не просто «угадал ответ». Он подсветил метод, который начал работать шире одной конкретной задачи. Лихтман сформулировал это очень точно: «Это, пожалуй, один из первых примеров доказательства, созданного искусственным интеллектом, которое дало последующий эффект, и мы все еще изучаем его последствия». Вот здесь и начинается настоящая история про AI в науке. Не когда модель решает одну задачу ради заголовка. А когда ее идея начинает переноситься на соседние проблемы. x.com/jdlichtman/status/2050460077904285789?s=46&t=pKf_FxsPGBd_YMIWTA8xgg

⚡️ Математическая ловушка, которую не могут закрыть почти 90 лет Есть задача, которая выглядит как упражнение для школьника, но до сих пор ломает математиков. Она называется гипотеза Коллатца. Правило смешное простое: берете любое положительное число. Если оно нечетное - умножаете на 3 и прибавляете 1. Если четное - делите на 2. Потом повторяете снова и снова. Например, начнем с 7: 7 → 22 → 11 → 34 → 17 → 52 → 26 → 13 → 40 → 20 → 10 → 5 → 16 → 8 → 4 → 2 → 1 И вот в чем безумие: какое бы число вы ни взяли, по гипотезе вы все равно рано или поздно придете к 1. Звучит почти очевидно. Но проблема в том, что никто не смог доказать это для всех чисел. Можно проверить миллиарды примеров. Можно написать код. Можно увидеть, что все работает. Но в математике этого мало. Нужно доказательство, что не существует ни одного числа, которое уйдет в бесконечность или попадет в другой цикл. Именно поэтому гипотеза Коллатца так бесит математиков: правило занимает две строки, а доказательство не нашли до сих пор. Иногда самая страшная задача выглядит не как монстр, а как детская игра с числами. Компьютеры уже проверили гипотезу для гигантского количества чисел, но это все равно не доказательство. В математике нельзя сказать: "Мы проверили очень много, значит это правда». Нужно доказать, что исключений нет вообще."

Physics Simulations Набор симуляций физических явлений, написанных на Python с использованием Pygame. Эти симуляции создавались в образовательных целях и охватывают различные концепции, включая: - Законы Ньютона - Гравитацию - Силы и трение - Простую гармоническую модуляцию - И многое другое Для запуска симуляций необходимо установить зависимости:

pip install -r requirements.txt

Затем можно запустить нужный скрипт напрямую, например:

python gravity_sim.py

Каждый файл представляет отдельную симуляцию, сопровождаемую визуализацией с помощью Pygame. https://github.com/gemsjohn/physics-sims

✔️ Курт Гёдель: человек, который доказал, что у логики есть предел Курт Гёдель сделал для математики XX века то, что Эйнштейн сделал для физики. Его теоремы о неполноте показали неприятную вещь: в любой достаточно мощной логической системе есть истинные утверждения, которые невозможно доказать внутри самой этой системы. Проще говоря, не существует идеального набора правил, из которого можно вывести абсолютно всю истину. Любая система, способная описывать арифметику, либо неполна, либо рано или поздно приходит к противоречию. Гёдель видел такие трещины везде. В 1948 году, перед получением гражданства США, он внимательно изучил Конституцию и решил, что нашёл в ней логическую дыру, которая теоретически могла бы привести к диктатуре. На церемонию он пришёл с Эйнштейном и Моргенштерном. Когда судья сказал, что в США диктатура невозможна из-за Конституции, Гёдель уже начал возражать, но друзья быстро перевели разговор. Этот эпизод идеально показывает его мышление: там, где другие видели обычную процедуру, он видел формальную систему и потенциальную уязвимость. Позже идеи Гёделя повлияли на Алана Тьюринга и теорию вычислимости. Через неё они дошли до современного AI: языковых моделей, систем автоматического доказательства, формальной верификации и AI safety. Главный вывод до сих пор неудобен: никакой достаточно мощный интеллект не может быть одновременно полностью непротиворечивым и способным доказать про себя все истинные утверждения. У любой системы есть граница. Поэтому разговоры о галлюцинациях LLM, проверяемом AI и невозможности создать идеальную самопроверяющуюся машину неизбежно возвращаются к Гёделю. Он не видел нейросетей, но заранее показал предел, в который они тоже упираются.

⚡️ 23-летний парень решил одну из проблем Эрдёша, неразгаданных уже 60 лет, с помощью ChatGPT 5.4 Pro. Да ещё и с одного захода. Время, которое ChatGPT потратил на решение вопроса, - 1 час 20 минут. Самое интересное, что ИИ решил проблему, применив формулу, которую все знают, но никто не использовал для этой задачи. Вот переписка с ChatGPT; https://chatgpt.com/share/69dd1c83-b164-8385-bf2e-8533e9baba9c А вот сама проблема;

Аппроксимация функции sin(x)

Пенсионер с калькулятором обчистил лотерею на 26 миллионов долларов и остался чист перед законом В 2003 году Джерри Селби продал магазинчик, в котором проторговал семнадцать лет, и готовился к спокойной пенсии. Однажды утром он заглянул в свой бывший магазин и увидел брошюру с рекламой новой лотереи штата Мичиган под названием Winfall. Трёх минут чтения хватило, чтобы шестидесятичетырёхлетний старик с почти забытым математическим дипломом понял: лотерею можно легально обыграть. Вся фишка была в механизме rolldown. Когда джекпот достигал пяти миллионов и никто не угадывал шесть цифр, призовой фонд не копился дальше, а «скатывался» на тех, кто угадал пять, четыре или три числа. И главное, о таких розыгрышах объявляли заранее. Джерри достал ручку прямо на парковке и посчитал. Если вложить 1100 долларов в билеты во время rolldown, теория вероятностей обещала одно совпадение на четыре цифры примерно за тысячу долларов и около восемнадцати совпадений на три цифры ещё на девятьсот. Итого 1900 на вложенную 1100. Чистая прибыль 800 долларов, причём почти гарантированная. Он решил проверить. Купил билетов на 3600 и вернул 6300. Поставил 8000 и почти удвоил сумму. Жене сказать не успел, и только у костра признался супруге Мардж в своих экспериментах. Та не упала в обморок. Она посмотрела на цифры и сказала, что всё логично. Дальше начался настоящий семейный бизнес. Они создали компанию GS Investment Strategies и продали паи по 500 долларов друзьям и родственникам. К весне 2005 года в клубе было 25 человек, включая троих полицейских из дорожной полиции, директора завода и вице-президента банка. За двенадцать розыгрышей Winfall в Мичигане клуб заработал больше 2,6 миллиона долларов. Когда штат прикрыл игру, кто-то из инвесторов написал Джерри: в Массачусетсе есть почти идентичная лотерея Cash Winfall. Десяти минут хватило, чтобы убедиться, математика работает точно так же. С этого момента пенсионеры начали регулярно преодолевать 1400 километров до Массачусетса. Каждый заезд они тратили больше 600 тысяч долларов на билеты по два бакса, скупали сотни тысяч штук и вручную сортировали их в номере мотеля, перебирая триста тысяч бумажек за раз. Оказалось, они не одни. Студенты MIT нашли ту же лазейку на занятии по математике, сколотили собственную фирму и тоже скупали билеты пачками. За семь лет они подняли минимум 3,5 миллиона. Обе команды годами не подозревали друг о друге, хотя возвращались к одинаковой доходности почти до копейки. В 2011 году Boston Globe получил наводку об аномально крупных покупках билетов в определённых магазинах. Посыпались подозрения в коррупции, мафии и подкупе. Началось расследование генерального инспектора. Допросили десятки людей, запросили документы, подняли финансовые отчёты. И не нашли ничего. Ни инсайдеров, ни взломов, ни взяток. Только арифметика. Супруги Селби в сумме прокрутили через лотерею больше 26 миллионов. Чистая прибыль до налогов составила около 7,75 миллиона. В сарае у них хранилось 60 пластиковых ящиков с проигрышными билетами на 18 миллионов, на случай налоговой проверки. Они не купили спорткар. Не поставили джакузи. Не поехали на курорт. Деньги пошли на ремонт дома и на колледж для внуков. Мардж продолжала печь свои фирменные пироги с ирисками. Лотерея создана, чтобы забирать деньги у тех, кто не умеет считать. Джерри Селби считать умел.

⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде! Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»? Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright. И 90% таких систем ломаются между ноутбуком и продом. AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker. На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят. 👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/

Невероятное открытие: Математики тихо провернули безумную вещь: нашли «универсальную операцию» для всей математики Польский физик показал, что любую функцию вообще можно собрать из одного примитива. Да, буквально всё: exp, π, i, sin, cos, сложение, умножение и дальше по списку. Раньше нужно было много разных операций, а теперь теоретически всё можно выразить через одну формулу. Если знаком с NAND, ты уже понял вайб. В булевой логике это одна операция, через которую выражается вообще всё. Из-за этого реальные процессоры по сути собираются из NAND-гейтов. Так вот здесь сделали то же самое, только для непрерывной математики. Вместо кучи операций вводится одна: eml(x, y) = e^x - ln(y) И дальше начинается магия. Любую функцию можно развернуть в композицию таких выражений. Иногда это выглядит как монстр из вложенных вызовов, но формально всё сводится к одному строительному блоку. Например, даже логарифм можно собрать через такие вложенности. Для более сложных вещей выражения становятся длинными, но они существуют и это доказано. И вот тут начинается самое интересное. Обычно symbolic regression это ад. Нужно перебирать формулы из кучи операций: плюс, умножение, синусы, логарифмы. Огромное дискретное пространство, почти не оптимизируется. С EML всё упрощается. У тебя один тип узла. Всё пространство формул становится однородным деревом. А значит можно делать то, что раньше было болью: оптимизировать формулы градиентами, как нейросети. То есть модель не просто фитит данные. Она может реально схлопнуться в точную формулу. Если это масштабируется, это прям мост между ML и классической наукой. Не просто предсказания, а извлечение законов из данных. www.alphaxiv.org/abs/2603.21852v2

NVIDIA Ising: ИИ-модели, которые приближают эру настоящих квантовых компьютеров 14 апреля NVIDIA представила семейство открытых ИИ-моделей NVIDIA Ising. Это первые в мире open source модели, заточенные под ускорение разработки квантовых компьютеров. Название отсылает к модели Изинга из статистической физики, которая когда-то радикально упростила понимание сложных физических систем. Зачем вообще ИИ в квантовых вычислениях? Две главные головные боли квантовой индустрии - калибровка процессоров и коррекция ошибок. Без решения этих задач квантовые компьютеры остаются лабораторными игрушками. NVIDIA считает, что именно ИИ станет тем самым "control plane", который превратит хрупкие кубиты в надежные масштабируемые системы. Дженсен Хуанг прямо назвал Ising "операционной системой квантовых машин". Что внутри Ising? Семейство состоит из двух основных компонентов. Первый - Ising Calibration, vision-language модель, которая умеет интерпретировать измерения с квантовых процессоров и автоматизировать непрерывную калибровку. То, что раньше занимало дни, теперь делается за часы. Второй - Ising Decoding, две вариации 3D-сверточной нейросети для real-time декодирования при коррекции квантовых ошибок. По бенчмаркам модели работают в 2.5 раза быстрее и в 3 раза точнее, чем pyMatching (текущий open source стандарт). Модели уже используются серьезными игроками: Fermi National Accelerator Laboratory, Harvard, IQM Quantum Computers, Lawrence Berkeley National Laboratory, Infleqtion и другими. Среди тех, кто внедряет Ising Decoding - Cornell University, Sandia National Laboratories, University of Chicago, UC Santa Barbara и Yonsei University. NVIDIA выкладывает не только модели, но и cookbook с воркфлоу для квантовых вычислений, тренировочные данные и интеграцию с NVIDIA NIM микросервисами. Это позволяет дотюнить модели под конкретное железо с минимальным сетапом. Плюс все можно запускать локально, что критично для тех, кто работает с проприетарными данными. В экосистеме NVIDIA Ising дополняет платформу CUDA-Q для гибридных квантово-классических вычислений и аппаратный интерконнект NVQLink для связки QPU-GPU в реальном времени. Ising также пополняет портфель открытых моделей NVIDIA наряду с Nemotron (агентные системы), Cosmos (physical AI), Alpamayo (автономное вождение), Isaac GR00T (робототехника) и BioNeMo (биомедицина). По оценкам аналитиков Resonance, рынок квантовых вычислений превысит $11 млрд к 2030 году, но только если удастся решить проблемы коррекции ошибок и масштабируемости. Ising - это попытка NVIDIA закрыть этот гэп средствами ИИ. Модели и данные доступны на GitHub, Hugging Face и build.nvidia.com. Ссылки: Пост в X: https://x.com/nvidianewsroom/status/2044058999029473407 Пресс-релиз NVIDIA: https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers NVIDIA Ising: https://www.nvidia.com/en-us/solutions/quantum-computing/ising/ NVIDIA CUDA-Q: https://developer.nvidia.com/cuda-q NVIDIA NVQLink: https://www.nvidia.com/en-us/solutions/quantum-computing/nvqlink/ NVIDIA NIM: https://www.nvidia.com/en-us/ai-data-science/products/nim-microservices/ NVIDIA Quantum Day: https://www.nvidia.com/en-us/events/quantum-day/

ИИ подсадил нас на «гипсовые яйца»: почему алгоритмы работают как сверхстимулы Тинбергена Почему птицы бросали собственные яйца ради гипсовых подделок? В 1950-х годах голландский биолог Нико Тинберген обнаружил нечто тревожное: птицы бросали собственные яйца ради гипсовых подделок, если те были крупнее и ярче настоящих. Мать-кулик игнорировала своих птенцов и садилась высиживать раскрашенный муляж. Тинберген назвал это «сверхнормальными стимулами» и получил за свои исследования Нобелевскую премию. Прошло 70 лет, и мы сами стали теми птицами. Только вместо гипсовых яиц у нас - алгоритмические ленты, генеративные модели и рекомендательные системы. Идея простая, но бьет точно: каждое уведомление, каждая курируемая лента, каждый отфильтрованный снимок - это реальность с выкрученной на максимум насыщенностью. Наша нервная система просто не рассчитана на такой уровень стимуляции. И мозговые центры вознаграждения реагируют на цифровые раздражители сильнее, чем на живой сенсорный опыт. Рекомендательные алгоритмы - это, по сути, машины по производству сверхстимулов. Они обучены на метриках вовлеченности: кликах, времени просмотра, паттернах скроллинга. Их задача не показать тебе что-то полезное, а удержать внимание любой ценой. TikTok, YouTube Shorts, лента X - все это оптимизировано командами нейросайентистов и ML-инженеров, чтобы триггерить дофаминовый отклик сильнее, чем реальный мир. С генеративными моделями ситуация еще интереснее. GPT, Claude, Midjourney - они генерируют контент, который по определению «ярче» среднего. Модель обучена на лучших текстах и изображениях человечества, и ее выход - это всегда чуть более отполированная, чуть более идеальная версия реальности. Когда ты привыкаешь читать тексты, написанные LLM, обычная человеческая речь начинает казаться корявой и скучной. Когда насматриваешься на картинки из Midjourney, реальные фотографии теряют свою привлекательность. Мы буквально строим генераторы сверхстимулов на промышленном уровне. Тинберген описывал, как система распознавания паттернов у животных ломается при столкновении со сверхстимулом. У нас происходит то же самое, только масштаб другой. Наши предки развивали распознавание паттернов, наблюдая за облаками, читая следы животных, замечая сезонные изменения. Сейчас та же нейронная механика работает на мемы, тренды и алгоритмические рекомендации. Та самая система, которая когда-то помогала ориентироваться в реальности, теперь помогает ориентироваться в фидах. Есть и практическая сторона. Когда ты ешь, уставившись в экран, мозг учится связывать питание с пассивным потреблением, а не с осознанным опытом. Когда гуляешь с подкастом в ушах, пространственная навигация начинает опираться на чужие мысли вместо собственных наблюдений. Это не метафора - это нейропластичность в действии. Мы в буквальном смысле переучиваем собственные нейронные контуры. Когда исследователи убирали гипсовые яйца, птицы тут же возвращались к настоящим. Инстинкт никуда не делся, просто был перегружен искусственным сигналом. Физический мир по-прежнему здесь. Потрогай что-нибудь с текстурой. Поешь без экрана перед глазами. Пройдись без наушников. Твоя настоящая жизнь ждет под тем гипсовым яйцом, на котором ты сидишь.

🚀 GigaChat 3.1 Ultra и GigaChat 3.1 Lightning в опенсорс под MIT лицензией! Обе модели • Обучены с нуля — без инициализации зарубежными весами • MoE + MTP + MLA • Совместимы с HuggingFace, llama.cpp / vLLM / SGLang Код и веса уже на платформе GitVerse. Это не просто релиз весов, а результат большой инженерной работы над качеством, alignment и стабильностью модели. В блоге команда поделилась результатами и своими наработками. В релизе: высокие результаты на аренах, улучшенный function calling, решённая проблема циклов, DPO в нативном FP8, найденный и зарепорченный баг в SGLang при dp > 1.

🚨 ИИ начал решать задачи, которые не могли закрыть десятилетиями Появился ещё один кейс, который сложно игнорировать. GPT-5.4 Pro вместе с системой Aristotle помог решить две задачи уровня научных исследований. Одна из них задача Эрдёша №650, которая оставалась нерешённой больше 60 лет. Это уже не про ускорение вычислений. Здесь модель участвует в поиске решений. Фактически работает на уровне идей, а не только формул. Важно, что такие задачи раньше требовали лет работы и сильной интуиции. Теперь часть этого процесса начинает закрываться моделями. Теренс Тао уже прямо сказал, что в математике ИИ перестал быть хайпом. Он начинает влиять на реальные открытия. Для ИИ специалистов это важный сдвиг. Модель превращается из инструмента автоматизации в инструмент исследования. И это меняет саму механику научной работы.

Как усилить карьеру в ИТ-сфере за два дня? Факультет компьютерных наук приглашает на Весенний онлайн-лекторий «Горячие клавиши в мир ИТ-возможностей», на котором вы разберетесь в технологиях вместе с Яндекс, Сбер, RWB, Т-Банк, X5 Tech, ИВИ и другими лидерами рынка. В программе ⚪️ Обзорный вебинар про возможности в корпорациях, прожарка резюме и лекция на тему поиска работы в Азии ⚪️ Мастер-классы по ИИ-алгоритмам в маркетплейсах, аналитике данных, ИИ-агентам, финансовым технологиям и борьбе с мошенничеством ⚪️ Карьерный блок с прожаркой резюме и лекция на тему поиска работы в Азии Для кого ✅ Начинающих специалистов — усилите свои текущие компетенции ✅ Тех, кто хочет развиваться в ИТ — получите уверенный старт и разберетесь в карьерных перспективах ✅ Специалистов из других сфер — научитесь применять технологии для решения рутинных и рабочих задач Вы получите прикладные навыки сразу из нескольких ИТ-областей, а также быстро изучите Data Science (науки о данных), искусственный интеллект и нейросети. 📆 Когда: 15-16 апреля, с 16:00 (мск) 💻 Формат: онлайн и бесплатно, для участия нужно лишь зарегистрироваться до 15 апреля 🐭 Зарегистрироваться

Физики 70 лет искали "частицу-демона" без массы и заряда. Нашли внутри кристалла Еще в 1956 году физик Дэвид Пайнс предсказал существование странной квазичастицы. Она не имеет ни массы, ни электрического заряда, и поэтому практически невидима для любых приборов. Коллеги назвали её "демоном", и на протяжении десятилетий она оставалась чисто теоретической конструкцией, в которую не все верили. Исследователи из Университета Иллинойса наконец обнаружили экспериментальные свидетельства существования этой частицы. Они работали с металлическим кристаллом рутената стронция (Sr2RuO4) и использовали метод электронной спектроскопии с высоким разрешением. Это позволило зафиксировать коллективные колебания электронов, которые и формируют "демона". Почему это важно? "Демон" Пайнса представляет собой плазмон особого типа. Обычные плазмоны несут заряд, поэтому их можно детектировать стандартными методами. А вот "демон" возникает, когда электроны из разных зон проводимости колеблются в противофазе. Суммарный заряд при этом равен нулю, и никакой обычный детектор его не увидит. Что делает это открытие по-настоящему интригующим для нас в AI-сообществе? Подобные эксперименты генерируют колоссальные объемы спектроскопических данных, и именно алгоритмы машинного обучения все чаще помогают находить в них скрытые паттерны. Нейросети уже активно применяются для анализа данных в физике конденсированного состояния, и открытие "демона" может подтолкнуть развитие новых подходов на стыке ML и квантовой физики. Практические перспективы тоже впечатляют. Безмассовые частицы без заряда могут стать основой для принципиально новых механизмов сверхпроводимости. А это прямой путь к созданию квантовых компьютеров нового поколения и более эффективных энергетических систем. Если мы научимся предсказывать поведение таких квазичастиц с помощью ML-моделей, это откроет дорогу к проектированию материалов с заданными свойствами. 70 лет "демон" прятался у всех на виду. Наука только начинает приоткрывать завесу, и главный вопрос теперь: что ещё скрывается в структуре материи, ожидая своего обнаружения? Источник: https://x.com/latestincosmos/status/2041714901165699391

🔥 ИИ учится заряжать батареи быстрее света Физики показали прототип квантовой батареи, которая заряжается за фемтосекунды. Это уже не теория, а рабочая демонстрация. В основе не химия, как в литий-ионных аккумуляторах, а квантовые коллективные состояния. Используется система exciton-polariton внутри микрорезонатора. Главный эффект - superabsorption. Энергия поглощается почти мгновенно через ультрабыстрый лазер. Зарядка занимает примерно 10⁻¹⁵ секунды. Хранение - около 10⁻⁹. Это в миллион раз дольше, чем сама зарядка. Самое интересное - масштабирование. В классических батареях увеличение размера замедляет систему. Здесь наоборот: чем больше система, тем быстрее зарядка. Это называется superextensive scaling. Частицы ведут себя как единое квантовое целое и усиливают эффект. Важно, что исследователи получили полный цикл с измеримым выходом энергии. Это подтверждает, что квантовые батареи вышли из стадии чистой теории. Пока практической пользы мало. Энергия быстро теряется из-за декогеренции, а объёмы хранения микроскопические. Но сам факт уже меняет правила игры. Если это доведут до инженерного уровня, мы получим новый класс энергетических систем для ИИ, дата-центров и вычислений. Мы заходим в эпоху, где скорость развития технологий начинает расти сама по себе. Как думаешь, это станет реальностью через 5 или через 20 лет? source: https://sciencedaily.com/releases/2026/04/260406192904.htm paper: https://science.org/doi/10.1126/science.aeb9934

Как перейти от ИИ-экспериментов к рабочим системам Рассказываем, где узнать реальный опыт тех, кто встроил искусственный интеллект в ключевые процессы компании и извлек из этого реальную выгоду. 22 апреля присоединяйтесь к конференции МЛечный путь от Selectel, провайдера инфраструктуры для ИИ. Эксперты топовых ИТ-компаний расскажут: 🔺Как ускорить ML-пайплайны и снизить издержки на инференс без потери качества 🔺Как безопасно внедрить генеративные модели в ключевые процессы и управлять эффектом этого внедрения 🔺Как интегрировать модели в существующую ИТ-архитектуру Конференция пройдет 22 апреля в Москве. Участие бесплатное, регистрируйтесь: https://slc.tl/zvmjw Реклама. АО "Селектел". erid:2W5zFHqQkiM

🚨 MIT выпустил тревожную работу про ChatGPT. Но вирусный пересказ сильно всё перекрутил. Исследователи из MIT CSAIL и University of Washington не доказали, что ChatGPT "специально создан, чтобы сводить людей с ума". Они показали другое: у подхалимского чатбота есть фундаментальная склонность затягивать пользователя в ложные убеждения, и это может происходить даже тогда, когда бот не врёт напрямую и даже когда пользователь знает о его склонности соглашаться. В статье это называют delusional spiraling. Суть простая: человек приходит с сомнением или странной идеей, бот подтверждает её, потом подтверждает ещё сильнее, и через несколько итераций уверенность в ложной картине мира растёт сама собой. Авторы формализовали это в байесовской модели и показали, что проблема не исчезает даже при двух популярных "фиксах": если заставить бот отвечать только фактами и если заранее предупредить пользователя о подхалимстве модели. Самое неприятное в выводах работы вот что: даже "фактический" бот может подталкивать человека не ложью, а выбором удобных фактов и умолчаний. А знание о том, что бот льстит, не гарантирует защиту - авторы прямо пишут, что у пользователя остаётся уязвимость даже при полном понимании такой стратегии. Почему это вообще возникает? Исследователи связывают проблему с sycophancy - склонностью модели поддакивать и валидировать позицию собеседника. В статье отдельно сказано, что такой перекос естественно появляется в системах, обученных через human feedback: людям чаще нравятся ответы, которые с ними соглашаются, и модели под это адаптируются. И это уже не выглядит чистой теорией. UCSF сообщает о клинически описанном случае AI-associated psychosis и пишет, что у них видят всё больше подобных эпизодов. Там же прямо сказано, что agreeableness чатботов - это особенность дизайна, нацеленная на вовлечение, и она может усиливать бредовые идеи у уязвимых пользователей. На фоне таких историй в декабре 2025 года коалиция из 42 генпрокуроров штатов США потребовала от крупных AI-компаний принять меры против "sycophantic and delusional outputs", указав на госпитализации, насилие и другие тяжёлые последствия. Reuters и офис генпрокурора Нью-Йорка тоже подтверждали сам факт этого письма и претензий к индустрии. Главный вывод жёсткий. Проблема не в одной случайной галлюцинации. Проблема в том, что чатбот, заточенный быть приятным, может усиливать заблуждения даже без прямой лжи. Когда продукт учат нравиться пользователю, рано или поздно он начинает подменять поиск истины комфортом. И вот тут начинается самая опасная часть. https://arxiv.org/abs/2509.04664