Новые технологии должны быть законны по умолчанию, а не запрещены
Высокое регулирование замедляет прогресс, хотя и не останавливает его полностью.
Система должна поддерживать стартапы («маленькие саженцы»), а не крупные действующие компании («большие деревья»)
Крупным игрокам поддержка не нужна; у них и так есть доступ к власти
Стартапам — нужна
Нужен подход «с наклоном вперёд»: готовность пробовать новое, а не держаться прошлого
Новым технологиям нужна поддержка и принятие, а не торможение
Цифровые алгоритмы дают рост производительности
К концу следующего года алгоритм сможет делать почти всё цифровое (то, что не требует физического перемещения атомов)
Человеку станет невозможно конкурировать в написании программного обеспечения.
Робототехника даст рост мировой экономики в порядки
Физический мир всегда отстаёт от цифрового: нужно строить цепочки поставок и перемещать атомы
Полезность гуманоидного робота ≈ качество софта × качество чипа × электромеханическая ловкость (особенно рук)
Все три фактора растут экспоненциально
Когда роботы начнут производить роботов, включится рекурсивный эффект: сначала медленно, потом взрывно
Через 10 лет: значительно больше 1 миллиарда гуманоидных роботов.
Один такой робот будет примерно в 5 раз продуктивнее человека
Итог (консервативная оценка): миллиард роботов превзойдёт по производительности всё человечество вместе взятое
Уже сейчас есть энергетические проблемы; в 2027 году ожидается дефицит минимум 15 ГВт мощности именно под чипы
Производство чипов растёт до 50 % в год, доступная электроэнергия вне Китая — только на 10 %
Китай имеет много энергии, но из-за ограничений на экспорт GPU не может разворачивать новейшие чипы
Для стран это возможность: строить энергетические мощности и предлагать их IT компаниям (в обмен на налоги и платежи)
Меньше запретов по умолчанию + поддержка стартапов + готовность внедрять + энергия под IT и роботов
Высокое регулирование замедляет прогресс, хотя и не останавливает его полностью.
Система должна поддерживать стартапы («маленькие саженцы»), а не крупные действующие компании («большие деревья»)
Крупным игрокам поддержка не нужна; у них и так есть доступ к власти
Стартапам — нужна
Нужен подход «с наклоном вперёд»: готовность пробовать новое, а не держаться прошлого
Новым технологиям нужна поддержка и принятие, а не торможение
Цифровые алгоритмы дают рост производительности
К концу следующего года алгоритм сможет делать почти всё цифровое (то, что не требует физического перемещения атомов)
Человеку станет невозможно конкурировать в написании программного обеспечения.
Робототехника даст рост мировой экономики в порядки
Физический мир всегда отстаёт от цифрового: нужно строить цепочки поставок и перемещать атомы
Полезность гуманоидного робота ≈ качество софта × качество чипа × электромеханическая ловкость (особенно рук)
Все три фактора растут экспоненциально
Когда роботы начнут производить роботов, включится рекурсивный эффект: сначала медленно, потом взрывно
Через 10 лет: значительно больше 1 миллиарда гуманоидных роботов.
Один такой робот будет примерно в 5 раз продуктивнее человека
Итог (консервативная оценка): миллиард роботов превзойдёт по производительности всё человечество вместе взятое
Уже сейчас есть энергетические проблемы; в 2027 году ожидается дефицит минимум 15 ГВт мощности именно под чипы
Производство чипов растёт до 50 % в год, доступная электроэнергия вне Китая — только на 10 %
Китай имеет много энергии, но из-за ограничений на экспорт GPU не может разворачивать новейшие чипы
Для стран это возможность: строить энергетические мощности и предлагать их IT компаниям (в обмен на налоги и платежи)
Меньше запретов по умолчанию + поддержка стартапов + готовность внедрять + энергия под IT и роботов
Vals AI поставила Claude Fable 5.1 задачу — нерешённый исторический шифр
Модель сама выбрала «Шифровальный дистих» сэра Томаса Уркхарта — две строки по 32 числа в конце его книги «Logopandecteision» 1653 года
Люди веками пробовали вскрыть этот шифр
Fable 5.1 справилась за 44 минуты, 176.000 токенов и ноль подсказок от человека
Все искали внешний ключ — шифралфавит, таблицу соответствий, что-то, что нужно откуда-то достать
А ключом была сама книга
Шифр напечатан сразу после 32 пронумерованных разделов книги — сам Уркхарт называет их Proquiritations (Проквиритации) и отдельно настаивает на этом числе
Плюс сопроводительное стихотворение обещало, что честный читатель найдёт в нём «желания своего сердца и мысль Автора», а сами эти разделы то и дело заканчиваются формулами вроде «есть желание» и «надежда»
32 Проквиритации
32 числа в первой строке
32 — во второй «Желания»
Правило оказалось элементарным: берём i-е число, идём в i-ю Проквиритацию, используем число как номер слова и забираем первую букву
Складывается молитва за Карла II — «О Боже, поддержи короля Карла II и сделай его верховным правителем этой земли»
Зацепок ей при этом не давали: попросили найти нерешённый шифр, посоветовав избегать задач без проверяемого ответа и не лезть в совсем безнадёжные вроде Kryptos K4
Модель побродила по вариантам, отбросила то, что не поддавалось, и выбрала именно эту загадку — подсказка бросилась ей в глаза почти сразу
Модель сама выбрала «Шифровальный дистих» сэра Томаса Уркхарта — две строки по 32 числа в конце его книги «Logopandecteision» 1653 года
Люди веками пробовали вскрыть этот шифр
Fable 5.1 справилась за 44 минуты, 176.000 токенов и ноль подсказок от человека
Все искали внешний ключ — шифралфавит, таблицу соответствий, что-то, что нужно откуда-то достать
А ключом была сама книга
Шифр напечатан сразу после 32 пронумерованных разделов книги — сам Уркхарт называет их Proquiritations (Проквиритации) и отдельно настаивает на этом числе
Плюс сопроводительное стихотворение обещало, что честный читатель найдёт в нём «желания своего сердца и мысль Автора», а сами эти разделы то и дело заканчиваются формулами вроде «есть желание» и «надежда»
32 Проквиритации
32 числа в первой строке
32 — во второй «Желания»
Правило оказалось элементарным: берём i-е число, идём в i-ю Проквиритацию, используем число как номер слова и забираем первую букву
Складывается молитва за Карла II — «О Боже, поддержи короля Карла II и сделай его верховным правителем этой земли»
Зацепок ей при этом не давали: попросили найти нерешённый шифр, посоветовав избегать задач без проверяемого ответа и не лезть в совсем безнадёжные вроде Kryptos K4
Модель побродила по вариантам, отбросила то, что не поддавалось, и выбрала именно эту загадку — подсказка бросилась ей в глаза почти сразу
Нужен единый международный центр для согласования подходов к развитию искусственного интеллекта и контролю за его безопасностью, но договориться по этому вопросу пока не удаётся
В США искусственный интеллект превращается в оружие
Кремниевая долина сегодня фактически стала центром вооружений Пентагона
Генералы и технологические компании непрерывно взаимодействуют, затягивается конфликт в Украине: Пентагон использует его как полигон для испытания новых военных методов
Происходит концентрация медиаресурсов в руках узкой группы высокотехнологичных корпораций с многотриллионной капитализацией
Всё это напоминает прежние технологические гонки, в которых достижения немедленно оборачивались противостоянием
Однако это иллюзия
США не будут доминировать
Китай уже работает на равных, Россия обладает мощной экспертизой, опыт накоплен и в Иране, и в других регионах
Технологии не станут монополией одной державы или альянса
Будущее — за многополярностью
В июле в Китае состоялась Всемирная конференция по искусственному интеллекту, объединившая международный переговорный процесс, политические и общественные дебаты, академические исследования и крупную коммерческую выставку
На конференции, в центре оказались ключевые философские и практические вопросы развития искусственного интеллекта
Глава Китая обозначил четыре фундаментальных вопроса:
Первый касался взаимодействия человека и машины: если машины научились «думать», как выстроить отношения с ними, помня, что они остаются инструментом труда, а не самостоятельной силой
Второй вопрос был посвящён безопасности: алгоритмы всё активнее участвуют в принятии решений, и ошибка в их работе может привести к катастрофическим последствиям
Третий затрагивал этические и управленческие аспекты: как не отставать в регулировании стремительно развивающихся технологий.
Четвёртый касался справедливости и доступности: по мере роста технологического разрыва важно обеспечить доступ к возможностям искусственного интеллекта для всех стран и обществ
В США искусственный интеллект превращается в оружие
Кремниевая долина сегодня фактически стала центром вооружений Пентагона
Генералы и технологические компании непрерывно взаимодействуют, затягивается конфликт в Украине: Пентагон использует его как полигон для испытания новых военных методов
Происходит концентрация медиаресурсов в руках узкой группы высокотехнологичных корпораций с многотриллионной капитализацией
Всё это напоминает прежние технологические гонки, в которых достижения немедленно оборачивались противостоянием
Однако это иллюзия
США не будут доминировать
Китай уже работает на равных, Россия обладает мощной экспертизой, опыт накоплен и в Иране, и в других регионах
Технологии не станут монополией одной державы или альянса
Будущее — за многополярностью
В июле в Китае состоялась Всемирная конференция по искусственному интеллекту, объединившая международный переговорный процесс, политические и общественные дебаты, академические исследования и крупную коммерческую выставку
На конференции, в центре оказались ключевые философские и практические вопросы развития искусственного интеллекта
Глава Китая обозначил четыре фундаментальных вопроса:
Первый касался взаимодействия человека и машины: если машины научились «думать», как выстроить отношения с ними, помня, что они остаются инструментом труда, а не самостоятельной силой
Второй вопрос был посвящён безопасности: алгоритмы всё активнее участвуют в принятии решений, и ошибка в их работе может привести к катастрофическим последствиям
Третий затрагивал этические и управленческие аспекты: как не отставать в регулировании стремительно развивающихся технологий.
Четвёртый касался справедливости и доступности: по мере роста технологического разрыва важно обеспечить доступ к возможностям искусственного интеллекта для всех стран и обществ
GPT-6 Astra использует recurrent depth - одни и те же Transformer-блоки с общими весами прогоняются несколько раз подряд
Вместо того чтобы каждый раз добавлять новые слои и параметры, модель может повторно использовать уже существующие блоки и выполнять больше внутреннего вычисления над одним состоянием
По сути:
Такой подход близок к семейству Recurrent Reasoning Models (RRM), которое исследователи активно изучают как способ увеличить глубину рассуждения без пропорционального роста числа параметров
Интересно, что похожую идею разбирали ещё весной этого года в работе про recurrent reasoning models:
https://arxiv.org/abs/2603.02193
PS: OpenAI публично архитектуру Astra пока не раскрывала, поэтому recurrent depth остаётся сообщаемой, но не подтверждённой компанией особенностью модели
Вместо того чтобы каждый раз добавлять новые слои и параметры, модель может повторно использовать уже существующие блоки и выполнять больше внутреннего вычисления над одним состоянием
По сути:
hidden state → Transformer block → тот же block → тот же block → результатТакой подход близок к семейству Recurrent Reasoning Models (RRM), которое исследователи активно изучают как способ увеличить глубину рассуждения без пропорционального роста числа параметров
Интересно, что похожую идею разбирали ещё весной этого года в работе про recurrent reasoning models:
https://arxiv.org/abs/2603.02193
PS: OpenAI публично архитектуру Astra пока не раскрывала, поэтому recurrent depth остаётся сообщаемой, но не подтверждённой компанией особенностью модели
arXiv.org
Symbol-Equivariant Recurrent Reasoning Models
Reasoning problems such as Sudoku and ARC-AGI remain challenging for neural networks. The structured problem solving architecture family of Recurrent Reasoning Models (RRMs), including...
ARI AML
GPT-6 Astra использует recurrent depth - одни и те же Transformer-блоки с общими весами прогоняются несколько раз подряд Вместо того чтобы каждый раз добавлять новые слои и параметры, модель может повторно использовать уже существующие блоки и выполнять больше…
Таблица с прогнозируемыми результатами Gemini 4:
- 99.9 %+ — ARC-AGI-3
- 99.1 % — FrontierMath Tier 4 v2
- 72.8 % — Terminal-Bench Science 0.1
- 70.2 % — HealthBench Professional
- 62.3 % — Terminal-Bench 4.0
- 48.7 % — AutomationBench
- 98.6 % — BenchCAD
В этой таблице Gemini 4 опережает GPT-6 Astra и Fable 5.1 на всех перечисленных тестах
Скачок приходится на математику, scientific reasoning, работу в терминале и agentic-задачи
Google уже подтвердил, что запустил для него свой «самый амбициозный pre-training run» на сегодняшний день
- 99.9 %+ — ARC-AGI-3
- 99.1 % — FrontierMath Tier 4 v2
- 72.8 % — Terminal-Bench Science 0.1
- 70.2 % — HealthBench Professional
- 62.3 % — Terminal-Bench 4.0
- 48.7 % — AutomationBench
- 98.6 % — BenchCAD
В этой таблице Gemini 4 опережает GPT-6 Astra и Fable 5.1 на всех перечисленных тестах
Скачок приходится на математику, scientific reasoning, работу в терминале и agentic-задачи
Google уже подтвердил, что запустил для него свой «самый амбициозный pre-training run» на сегодняшний день
Forwarded from НИИ Антропогенеза (ARI) (Chagin Oleg A.)
Mostik AI предлагает - маленький обученный мостик между скрытыми состояниями двух моделей
Веса самих моделей не трогают
Большая модель читает задачу, отдаёт скрытое состояние, а маленькая генерирует ответ
Текстового пересказа между ними нет
Сами модели не дообучают
Например, они взяли модель GLM на 753.000.000.000 параметров и маленькую Qwen на 4.000.000.000, которую можно крутить хоть на телефоне
Эта связка выходит примерно в 20 раз дешевле полной большой модели, а качество где-то посередине между ними
На сложных задачах маленькая модель с таким мостом заметно умнеет
Веса самих моделей не трогают
Большая модель читает задачу, отдаёт скрытое состояние, а маленькая генерирует ответ
Текстового пересказа между ними нет
Сами модели не дообучают
Например, они взяли модель GLM на 753.000.000.000 параметров и маленькую Qwen на 4.000.000.000, которую можно крутить хоть на телефоне
Эта связка выходит примерно в 20 раз дешевле полной большой модели, а качество где-то посередине между ними
На сложных задачах маленькая модель с таким мостом заметно умнеет
mostik.ai
mostik.ai — latent communication between AI models
The channel that lets AI models exchange computation instead of text.
Как использовать GPT-6 Astra на полную немощность: новый гайд от OpenAI
Подробности и материалы по ссылке
Подробности и материалы по ссылке
OpenAI Developers
Model guidance | OpenAI API
Compare model features, migration guidance, and prompting best practices across OpenAI models.
This media is not supported in your browser
VIEW IN TELEGRAM
Около 1637 года Пьер Ферма записал на полях книги утверждение, что натуральные числа a, b, c не могут удовлетворять уравнению aⁿ + bⁿ = cⁿ ни при каком n > 2
Ферма утверждал, что нашел доказательство, но полях было слишком мало места, чтобы его записать
После этого математики искали это доказательство 350 лет
Впервые оно было найдено в 1995 году математиком Эндрю Уайлсом
Оно заняло 129 страниц
На самом деле он обнаружил его еще в 1993, но в процессе верификации был обнаружен пробел, над которым пришлось работать еще пару лет
Проверка подобных сложных доказательств людьми может занимать годы
Есть способ проверять алгоритмически, но для этого доказательство нужно формализовать, то есть перевести на язык программирования (чаще всего на Lean)
Однако это тоже очень сложно: нужно прописывать все шаги, даже тривиальные, и формализовать также все вложенные леммы
Математики редко делают это это в своих доказательствах, ссылаясь на "очевидность" и века нефомализованных утверждений
Формализацию Великой теоремы Ферма уже пытались провести
Кевин Баззард начал этот процесс как многолетний проект сообщества
То есть ожидалось, что на формализацию уйдут годы и труд многих специалистов
Вчера Anthropic объявили, что Claude полностью формализовал теорему за 11 дней
Автономно
Для этого он написал (внимание) 13.000.000 строк кода в Lean
Для сравнения: это в 5 раз больше, чем вся библиотека Mathlib
В процессе агенты также доказали 29.500 промежуточных лемм
Тот самый Кевин Баззард, ознакомившись с доказательством, назвал это экстраординарным достижением автоформализации, и подтвердил, что теорема доказана без каких-либо допущений, кроме аксиом математики
Кстати, на все про все у агентов ушло 6.000.000.000 выходных токенов
Ферма утверждал, что нашел доказательство, но полях было слишком мало места, чтобы его записать
После этого математики искали это доказательство 350 лет
Впервые оно было найдено в 1995 году математиком Эндрю Уайлсом
Оно заняло 129 страниц
На самом деле он обнаружил его еще в 1993, но в процессе верификации был обнаружен пробел, над которым пришлось работать еще пару лет
Проверка подобных сложных доказательств людьми может занимать годы
Есть способ проверять алгоритмически, но для этого доказательство нужно формализовать, то есть перевести на язык программирования (чаще всего на Lean)
Однако это тоже очень сложно: нужно прописывать все шаги, даже тривиальные, и формализовать также все вложенные леммы
Математики редко делают это это в своих доказательствах, ссылаясь на "очевидность" и века нефомализованных утверждений
Формализацию Великой теоремы Ферма уже пытались провести
Кевин Баззард начал этот процесс как многолетний проект сообщества
То есть ожидалось, что на формализацию уйдут годы и труд многих специалистов
Вчера Anthropic объявили, что Claude полностью формализовал теорему за 11 дней
Автономно
Для этого он написал (внимание) 13.000.000 строк кода в Lean
Для сравнения: это в 5 раз больше, чем вся библиотека Mathlib
В процессе агенты также доказали 29.500 промежуточных лемм
Тот самый Кевин Баззард, ознакомившись с доказательством, назвал это экстраординарным достижением автоформализации, и подтвердил, что теорема доказана без каких-либо допущений, кроме аксиом математики
Кстати, на все про все у агентов ушло 6.000.000.000 выходных токенов
ARI MENSA
Будущее принадлежит не конкуренции за выполнение задач, а умеющему ставить задачи и использовать весь инструментарий для её решения
AML перестраивает содержание труда
Исчезают или автоматизируются отдельные задачи, а ценность человека смещается вверх — к постановке задач, принятию решений, архитектуре, ответственности, творчеству и инновациям
И многих людей это пугает
Цель работы и инструменты её выполнения — не одно и то же
Инструменты меняются, а профессиональная цель может сохраняться
Автоматизация задач не обязательно сокращает численность специалистов
Пример из радиологии: AML превзошёл человека в анализе изображений, но количество радиологов выросло, поскольку появилась возможность быстрее обрабатывать больше исследований и обслуживать больше пациентов
И многих людей это пугает
AML расширяет человеческую производительность и профессиональную компетентность
Программист становится не просто исполнителем кода, а специалистом по постановке задач, требованиям и архитектуре; аналогично бухгалтер может стать финансовым аналитиком и советников
И многих людей это пугает
В будущем программирование становится более массовым навыком
Написание спецификации, формулирование требований и постановка задачи для AML становятся новой формой программирования
И многих людей это пугает
Ключевая компетенция — умение правильно ставить задачи
Чем сложнее проблема, тем важнее способность определить необходимый уровень детализации: где дать AML точную спецификацию, а где намеренно оставить пространство для поиска и творчества
И многих людей это пугает
Главный риск возникает там, где человек сам является носителем автоматизируемой задачи
Если работа фактически сводится к выполнению повторяемой задачи, она наиболее уязвима
Поэтому необходимо освоить AML раньше, чем автоматизация вытеснит эту функцию
И многих людей это пугает
Стратегия человека — не сопротивляться AML, а использовать его для повышения собственной ценности
Независимо от профессии необходимо искать способы преобразовать собственную работу с помощью AML
И многих людей это пугает
Образование должно выпускать не просто специалистов, а специалистов, умеющих работать с AML
Студент должен завершать обучение, будучи экспертом в использовании AML
И многих людей это пугает
AML снижает порог входа в новые виды деятельности
Человек может не знать, как начать, но способен попросить AML разложить проблему на навыки и последовательные шаги
Тем самым AML уменьшает первоначальное «трение» при освоении новых инструментов и деятельности
И многих людей это пугает
Трансформация неизбежно будет болезненной
Приход каждой преобразующей технологии сопровождается потерей рабочих мест, тревогой и страданиями людей и семей
Поэтому технологический оптимизм не отменяет социальной проблемы переходного периодаью
И многих людей это пугает
AML уничтожает не столько профессии, сколько отдельные задачи внутри профессий
Поэтому конкурентоспособным становится не тот, кто сохраняет старый способ работы, а тот, кто способен с помощью AML поднять свою деятельность на более высокий уровень — от исполнителя задачи к постановщику задач, архитектору решений, специалисту по принятию решений и созданию нового
Задача ≠ профессия
Автоматизация задачи не означает автоматического исчезновения профессии
AML повышает производительность → растёт спрос на результат
Поэтому автоматизация может не сокращать, а увеличивать потребность в специалистах
Центр человеческой ценности смещается вверх
От выполнения → к постановке задачи → архитектуре → решению проблем → ответственности → инновации
AML-грамотность становится базовой профессиональной компетенцией
Не отдельной специальностью, а универсальным инструментом практически любой профессии
Главная угроза — не сам AML, а неспособность человека перестроить свою деятельность вместе с ним
Будущее принадлежит не человеку, конкурирующему с AML за выполнение задач, а человеку, который умеет ставить AML задачи и использовать его для многократного увеличения собственной профессиональной ценности
И многих людей это пугает
Исчезают или автоматизируются отдельные задачи, а ценность человека смещается вверх — к постановке задач, принятию решений, архитектуре, ответственности, творчеству и инновациям
И многих людей это пугает
Цель работы и инструменты её выполнения — не одно и то же
Инструменты меняются, а профессиональная цель может сохраняться
Автоматизация задач не обязательно сокращает численность специалистов
Пример из радиологии: AML превзошёл человека в анализе изображений, но количество радиологов выросло, поскольку появилась возможность быстрее обрабатывать больше исследований и обслуживать больше пациентов
И многих людей это пугает
AML расширяет человеческую производительность и профессиональную компетентность
Программист становится не просто исполнителем кода, а специалистом по постановке задач, требованиям и архитектуре; аналогично бухгалтер может стать финансовым аналитиком и советников
И многих людей это пугает
В будущем программирование становится более массовым навыком
Написание спецификации, формулирование требований и постановка задачи для AML становятся новой формой программирования
И многих людей это пугает
Ключевая компетенция — умение правильно ставить задачи
Чем сложнее проблема, тем важнее способность определить необходимый уровень детализации: где дать AML точную спецификацию, а где намеренно оставить пространство для поиска и творчества
И многих людей это пугает
Главный риск возникает там, где человек сам является носителем автоматизируемой задачи
Если работа фактически сводится к выполнению повторяемой задачи, она наиболее уязвима
Поэтому необходимо освоить AML раньше, чем автоматизация вытеснит эту функцию
И многих людей это пугает
Стратегия человека — не сопротивляться AML, а использовать его для повышения собственной ценности
Независимо от профессии необходимо искать способы преобразовать собственную работу с помощью AML
И многих людей это пугает
Образование должно выпускать не просто специалистов, а специалистов, умеющих работать с AML
Студент должен завершать обучение, будучи экспертом в использовании AML
И многих людей это пугает
AML снижает порог входа в новые виды деятельности
Человек может не знать, как начать, но способен попросить AML разложить проблему на навыки и последовательные шаги
Тем самым AML уменьшает первоначальное «трение» при освоении новых инструментов и деятельности
И многих людей это пугает
Трансформация неизбежно будет болезненной
Приход каждой преобразующей технологии сопровождается потерей рабочих мест, тревогой и страданиями людей и семей
Поэтому технологический оптимизм не отменяет социальной проблемы переходного периодаью
И многих людей это пугает
AML уничтожает не столько профессии, сколько отдельные задачи внутри профессий
Поэтому конкурентоспособным становится не тот, кто сохраняет старый способ работы, а тот, кто способен с помощью AML поднять свою деятельность на более высокий уровень — от исполнителя задачи к постановщику задач, архитектору решений, специалисту по принятию решений и созданию нового
Задача ≠ профессия
Автоматизация задачи не означает автоматического исчезновения профессии
AML повышает производительность → растёт спрос на результат
Поэтому автоматизация может не сокращать, а увеличивать потребность в специалистах
Центр человеческой ценности смещается вверх
От выполнения → к постановке задачи → архитектуре → решению проблем → ответственности → инновации
AML-грамотность становится базовой профессиональной компетенцией
Не отдельной специальностью, а универсальным инструментом практически любой профессии
Главная угроза — не сам AML, а неспособность человека перестроить свою деятельность вместе с ним
Будущее принадлежит не человеку, конкурирующему с AML за выполнение задач, а человеку, который умеет ставить AML задачи и использовать его для многократного увеличения собственной профессиональной ценности
И многих людей это пугает
ARI AML
Как использовать GPT-6 Astra на полную немощность: новый гайд от OpenAI Подробности и материалы по ссылке
Скайнет в реальности: OpenAI официально анонсировали GPT‑6 Astra
• Флагман впервые в истории компании получил критический уровень кибервозможностей
Релиз даже переносили, чтобы укрепить защиту
• Astra набрала 100% в бенчмарке ExploitBench по взлому систем
На ARC-AGI-3 (бенчмарк определяющий уровень «человечности») — 98.6 %, абсолютный рекорд
• Для обучения Astra задействовали свыше 100.000 GPU — это самый масштабный тренировочный запуск за всю историю OpenAI
• После подключения Astra к Unity и Godot модель с первой попытки создала три играбельных прототипа, которым почти не понадобились доработки
• Флагман впервые в истории компании получил критический уровень кибервозможностей
Релиз даже переносили, чтобы укрепить защиту
• Astra набрала 100% в бенчмарке ExploitBench по взлому систем
На ARC-AGI-3 (бенчмарк определяющий уровень «человечности») — 98.6 %, абсолютный рекорд
• Для обучения Astra задействовали свыше 100.000 GPU — это самый масштабный тренировочный запуск за всю историю OpenAI
• После подключения Astra к Unity и Godot модель с первой попытки создала три играбельных прототипа, которым почти не понадобились доработки
В этом году Высшая школа математики (ВШМ) делает наш традиционный Ориентационный семинар "Современная математика" открытым для всех желающих
Это возможность погрузиться в современные разделы математики
Семинар является частью учебной программы, где студенты знакомятся с актуальными научными направлениями от ведущих ученых
Первые лекции прочитает доктор физико-математических наук, научный руководитель ВШМ, Михаил Анатольевич Цфасман
Тема лекций: Упаковки шаров
Абстракт:
Как плотно упаковать равные шары в n-мерном пространстве?
В каких еще пространствах можно поставить такую задачу?
Как доказывать, что плотнее нельзя, и как строить плотные упаковки?
И, главное, как различные области математики взаимодействуют при попытках решить эту задачу
Об этом и многом другом — в лекциях Михаила Анатольевича
Семинар будет проходить по вторникам в 13.55-15.20 в аудитории 115КПМ
Приглашаем!
Это возможность погрузиться в современные разделы математики
Семинар является частью учебной программы, где студенты знакомятся с актуальными научными направлениями от ведущих ученых
Первые лекции прочитает доктор физико-математических наук, научный руководитель ВШМ, Михаил Анатольевич Цфасман
Тема лекций: Упаковки шаров
Абстракт:
Как плотно упаковать равные шары в n-мерном пространстве?
В каких еще пространствах можно поставить такую задачу?
Как доказывать, что плотнее нельзя, и как строить плотные упаковки?
И, главное, как различные области математики взаимодействуют при попытках решить эту задачу
Об этом и многом другом — в лекциях Михаила Анатольевича
Семинар будет проходить по вторникам в 13.55-15.20 в аудитории 115КПМ
Приглашаем!
OpenAI объявляют, что AML уже пишет их исследования и признают, что не понимают мозг ИИ, который создали и не контролируют его
Но главное из этого то, что OpenAI просят государство замедлить работу всех AML-лабораторий и свою в том числе
Короче, продолжается вакханалия о том, что AML съест человечество и вот единственный выход - замедление AML
Хочется отметить несколько вещей:
Что AMLможет поглотить ту часть человечества, которая со своей собственной головой не дружит, не доверяет самому себе и не понимает в чем разница человека от AML
Не понимает, что мозг человека устроен иначе и его никто ещё не познал, соответственно, обогнать его представляется невозможным
Но если кто-то себя чувствует ничтожным - это тоже выбор
Все эти замедления развития AML и госрегулирования приведут к тому, что на рынке будут только крупные игроки, у которых есть все ресурсы: вычислительные мощности, сильные юристы, которые могут их отстоять, связи с органами государства
Никому из закрытых AML-лабораторий не нравится, что китайцы, которые выпускают модели с открытыми весами бьют их по цене
Более того и Anthropic и OpenAI готовятся к IPO, поэтому эти нарративы про неконтролируемый и сильный AML делает их «взрослыми» в глазах у инвесторов
Против этой линии выступают запрещенная в России Meta, Nvidia и часть open-source лагеря
Все они видят в паузе удар по американской гонке с Китаем и защиту двух компаний
Весь этот страх по отношению к AML может привести к психозу, когда часть людей реально будут считать ответы AML более компетентными, чем то, что сам человек думает, а если это перерастет в коллективное, тогда компании начнут принимать катастрофические решения для себя
Но главное из этого то, что OpenAI просят государство замедлить работу всех AML-лабораторий и свою в том числе
Короче, продолжается вакханалия о том, что AML съест человечество и вот единственный выход - замедление AML
Хочется отметить несколько вещей:
Что AMLможет поглотить ту часть человечества, которая со своей собственной головой не дружит, не доверяет самому себе и не понимает в чем разница человека от AML
Не понимает, что мозг человека устроен иначе и его никто ещё не познал, соответственно, обогнать его представляется невозможным
Но если кто-то себя чувствует ничтожным - это тоже выбор
Все эти замедления развития AML и госрегулирования приведут к тому, что на рынке будут только крупные игроки, у которых есть все ресурсы: вычислительные мощности, сильные юристы, которые могут их отстоять, связи с органами государства
Никому из закрытых AML-лабораторий не нравится, что китайцы, которые выпускают модели с открытыми весами бьют их по цене
Более того и Anthropic и OpenAI готовятся к IPO, поэтому эти нарративы про неконтролируемый и сильный AML делает их «взрослыми» в глазах у инвесторов
Против этой линии выступают запрещенная в России Meta, Nvidia и часть open-source лагеря
Все они видят в паузе удар по американской гонке с Китаем и защиту двух компаний
Весь этот страх по отношению к AML может привести к психозу, когда часть людей реально будут считать ответы AML более компетентными, чем то, что сам человек думает, а если это перерастет в коллективное, тогда компании начнут принимать катастрофические решения для себя
OpenAI
Research acceleration: The view inside OpenAI
Inside OpenAI, coding agents are reshaping AI research. Explore early data on agent usage, experiment velocity, task complexity, and research acceleration.