#ai

Такая мысль настигла: последний год я вижу, как люди, даже признанные специалисты в своих областях, сопротивляются, не хотят признавать что ИИ (искусственный интеллект) - это вообще интеллект.

Хотя он уже нас во всех областях превзошёл, от стихосложения, рисования, до программирования и теперь вот "абстрактной" математики.

Осталось только, чтобы он скептикам сам леща отвесил механической ладонью, но и тогда останутся сомневающиеся )

И вот я вроде понял, почему так происходит, откуда берётся это отрицание очевидного.

1) Большинство людей не способны анализировать историю (да-да, школьный предмет) и делать из неё выводы. (Да и вообще анализировать информацию, похоже.)

А история показывает, как научный подход методически и из раза в раз опровергает идею человечества о своей "исключительности". Нет, мир не вращается вокруг нашей планеты. И она не одна в Галактике. Нет, человек не венец Вселенной. Он ничем (кроме более сложного поведения) не отличается от других животных (хотя многие и не желают этого признавать). Так с чего бы интеллекту быть нашим эксклюзивом?

2) Мы путаем интеллект и одушевлённость (наличие интересов и целей), потому что сами обладаем и тем, и тем, и для нас это неразделимо.

А оказалось, что одно вполне может существовать без другого.

#llms #jev

Вот табличка сбалансированной точности vs стоимости jev-подобных моделек на моей реальной задаче (разбор фактов из медицинской статьи).

Оригинальный jev уже не самый дешёвый и не самый точный )

Традиционные генеративные LLM-ки по точности отстают: qwen3.8-flash 0.920, mimo-v2.6-flash 0.910, glm-5.3-flash 0.900, deepseek-v4-pro и gpt-6-luna по 0.890, а по стоимости на порядок выше.

#ai #math

Интересная и красивая задача

https://youtu.be/ZFkFN3PlM80

Слушаю «Утопию правил» Дэвида Гребера. Во второй главе - основанной на эссе Of Flying Cars and the Declining Rate of Profit - он ворчит про то, как исследования последних пятидесяти лет замедлились и перестали приносить плоды обществу, используя метафору летающих автомобилей и scifi 1950-х. Летающих тачек не появилось, только заполнение формочек в SaaS, унылый интернет и вообще сплошная симуляция. Гребер критикует менеджериализм и бюрократию (поддерживаю, пусть часто и в ущерб карьере), и заодно неолиберализм в целом (тут его местами заносит, например, в романтизацию совка).

Основной месседж состарился отлично, а иллюстрации - просто чудовищно. Эссе было написано в 2012, в год выхода AlexNet, первого шага к bitter lesson.

> We don’t have computers we can have an interesting conversation with, or robots that can walk our dogs or take our clothes to the Laundromat.

Теперь разговоров с канплюктерами у нас избыток, а вот прогулки с собакой я бы отдал роботу в последнюю очередь.

> Still, precision weapons never do seem capable of assassinating specific individuals (Saddam, Osama, Qaddafi)

Хороший год для сбора контрпримеров (хотя парочке specific individuals бы еще...)

> ..in a technological environment in which the only breakthroughs were those that made it easier to create, transfer, and rearrange virtual projections of things that either already existed, or, we came to realize, never would.

Обзывайте меня оптимистом, но помимо рилсов и нейрослопа последние десять лет принесли нам быстрые чипы из EUV литографов, многоразовые ракеты, дешевые батареи и mRNA вакцины. Не эпоха Bell Labs, но все не так плохо.

> ...there isn’t very much to be learned from sequencing genes that’s of much use to anyone else.

На почве критикуемого проекта генома человека расцвели тысячи цветов, тот же CRISPR и диагностическое секвенирование за копейки.

В общем, технологический пессимизм не разделяю. Жаль, что неудачные примеры заставляют уместную критику выглядеть слегка нелепо.

#xor #tabular

Что за число напечатает код

import numpy as np
import pandas as pd
from catboost import CatBoostClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

rng = np.random.default_rng(0)
n = 4000
m=100

# 3 informative binary columns, target = x1 XOR x2 XOR x3
info = rng.integers(0, 2, size=(n, 3))
y = info[:, 0] ^ info[:, 1] ^ info[:, 2]

# 100 pure-noise columns
noise = rng.standard_normal(size=(n, m))

X = pd.DataFrame(
    np.hstack([info, noise]),
    columns=["x1", "x2", "x3"] + [f"noise_{i}" for i in range(m)],
)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

model = CatBoostClassifier(verbose=0, random_seed=0)
model.fit(X_train, y_train)

acc = accuracy_score(y_test, model.predict(X_test))
print(f"CatBoost test accuracy: {acc:.3f}")

Близкое к 1.0 (100% точность, ведь градиентные бустинги над деревьями очень мощны и хороши, особенно для бинарной классификации, а связь таргета и признаков простая и детерминированная)?

Или близкое к 0.5 (50% точность, случайное угадывание, ведь это знаменитая "задача XOR"))) ?

Ответ: хрен там плавал! близкое к 0.5 . И это дают также xgboost & lightgbm.

#games

Вот такую игрушку сделал мой товарищ. Русский поддерживается, но UI пока на английском. Попробуйте )

https://worldtable.gg/

#ai

Я не люблю таких людей. Мне противна двуличность и ложь, непризнание заслуг других, "невосхищение" чудом.

"- There was a year or two when people could delude themselves into thinking, "Oh, sure, AI could do software engineering, but math is truly creative. It's the pinnacle of human intellect, and no AI is going to replace us there." That's now completely untenable.

- Did they really think that?

- I mean, no matter what happens, I've learned that there are immediately people who say, "Of course AI could do that. No one ever doubted it." Even if those same people did doubt it six months ago, right?

They say, "Oh, that thing is trivial. Wake me up when AI does X." Whether it's chess, beating the top human player at Go, solving Math Olympiad problems, or even solving one of these Millennium Problems—as we saw a month ago—every time, you get people saying, "That's not impressive. Wake me up when AI does X."

And then, sooner or later, AI does X, and they come up with a new excuse, a new reason why it doesn't count.

This is a consistent pattern we've seen for decades. People just refuse to say in advance what it would take to impress them and then stick to that."

https://youtu.be/MZrXulP7sVc

#math

Прекрасно объяснены 5 решённых задачи, включая ряд Флинта-Хиллза (аппроксимация Pi дробями), перемножение целых чисел за nops<n*log(n) . Затронуты 3 "подкопа" к задачам тысячелетия (Riemann, Erdős, Hilbert).

https://www.youtube.com/watch?v=Pp1siLlt-dI