ABC–гипотеза стоит в одном ряду с гипотезой Гольдбаха, "гипотезой о простых близнецах" и Великой теоремой Ферма, хотя ее формулировка капельку сложнее
Грубо говоря, утверждение гипотезы устанавливает связь между алгебраическими свойствами составляющих число слагаемых и его множителей
Зато у ABC–гипотезы по сравнению с теоремой Ферма есть важное преимущество: если последняя – во многом красивый факт, повисший в воздухе, из которого нельзя вывести практически никаких существенных следствий, то доказательство ABC–гипотезы даст нам новое фундаментальное знание об устройстве чисел
В частности, из ABC–гипотезы, по–видимому, можно будет вывести и саму теорему Ферма
Характерно, что открытые вопросы теории чисел, как правило, невероятно трудны; для их решения (в случае, если оно все же со временем находится) приходится применять технический аппарат из многих других разделов математики – можно вспомнить доказательство Вайлза, использовавшее инструментарий эллиптических кривых, локальных полей, алгебраической геометрии и комплексного анализа
Метод, которым Мочидзуки доказал ABC–гипотезу, новаторская теория IUTeich, оказался сложным настолько, что понять его до сих пор бессильны почти все математики мира
Через три дня после того, как Мочидзуки выложил тексты своих статей в интернет, 3 сентября 2012 года, в популярном блоге математика Джордана Элленберга появилась запись, с которой, по–видимому, новость о появлении возможного доказательства ABC–гипотезы и начала свое распространение в математическом сообществе
Математика – не только строй знания, теоремы и формулы, но и сообщество со своими традициями и представлениями, в котором не очень–то принято переписывать самые устои науки, да еще в одиночку, да еще так, что никто не может разобраться в твоих идеях
Такие выбивающиеся из мейнстрима чудачества иногда встречаются, но редко воспринимаются всерьез научным сообществом
Итак, репутация Мочидзуки указывала, что в его теории IUTeich нужно разбираться, вот только как это сделать?
....
Очевидно, проблема с теорией Мочидзуки лежит не столько в научной, сколько в социальной плоскости
Грубо говоря, утверждение гипотезы устанавливает связь между алгебраическими свойствами составляющих число слагаемых и его множителей
Зато у ABC–гипотезы по сравнению с теоремой Ферма есть важное преимущество: если последняя – во многом красивый факт, повисший в воздухе, из которого нельзя вывести практически никаких существенных следствий, то доказательство ABC–гипотезы даст нам новое фундаментальное знание об устройстве чисел
В частности, из ABC–гипотезы, по–видимому, можно будет вывести и саму теорему Ферма
Характерно, что открытые вопросы теории чисел, как правило, невероятно трудны; для их решения (в случае, если оно все же со временем находится) приходится применять технический аппарат из многих других разделов математики – можно вспомнить доказательство Вайлза, использовавшее инструментарий эллиптических кривых, локальных полей, алгебраической геометрии и комплексного анализа
Метод, которым Мочидзуки доказал ABC–гипотезу, новаторская теория IUTeich, оказался сложным настолько, что понять его до сих пор бессильны почти все математики мира
Через три дня после того, как Мочидзуки выложил тексты своих статей в интернет, 3 сентября 2012 года, в популярном блоге математика Джордана Элленберга появилась запись, с которой, по–видимому, новость о появлении возможного доказательства ABC–гипотезы и начала свое распространение в математическом сообществе
"Шин опубликовал свое доказательство abc–гипотезы, о котором ходило много слухов, – писал Элленберг – Я пока не начал изучать его подход, но уже сейчас очевидно, что здесь использованы методы, лежащие далеко за пределами обычного для этой темы круга идей
Глядя на них, чувствуешь себя человеком, читающим статью, написанную в будущем или на другой планете"
Математика – не только строй знания, теоремы и формулы, но и сообщество со своими традициями и представлениями, в котором не очень–то принято переписывать самые устои науки, да еще в одиночку, да еще так, что никто не может разобраться в твоих идеях
Такие выбивающиеся из мейнстрима чудачества иногда встречаются, но редко воспринимаются всерьез научным сообществом
"Важно понимать, что [к доказательству Мочидзуки] относятся серьезно, потому что специалисты, разбирающиеся в вопросе, очень высокого мнения и о самом Мочидзуки, и о его предыдущих работах, – пишет авторитетный научный блогер физик Питер Войт – Если бы какой–нибудь никому не известный аутсайдер стал утверждать, что в его статье содержится решение одной из больших открытых математических проблем, да еще и на основе какого–то странного нового мира математических объектов, вряд ли кто–то из экспертов стал бы тратить свое время на проверку этих заявлений"
Итак, репутация Мочидзуки указывала, что в его теории IUTeich нужно разбираться, вот только как это сделать?
....
"Математическое сообщество просто парализовано, – замечает Фесенко,– так как мало кто находит мужество потратить большое количество времени, не менее 250 часов, на изучение его работы
Такого не было ни с работой Вайлза, ни с работой Перельмана"
Очевидно, проблема с теорией Мочидзуки лежит не столько в научной, сколько в социальной плоскости
"Математика в последнее время стала очень сложной
Человек тратит годы жизни, чтобы стать специалистами в какой–то узкой области
Вложив в это столько усилий, он получает колоссальный стимул в дальнейшем оставаться экспертом только в этой области, зато одним из немногих
Это приводит к узкой специализации и большому сопротивлению к изучению новых областей, в частности из–за естественного страха показать собственную слабость"...
Арнольд утверждал, что математика это просто часть физики, где не нужны дорогие эксперименты, а результат можно получить просто на бумажке, немного напрягши мозг
Вот, например, то, что высоты треугольника пересекаются в одной точке - физический факт
Нарисуйте на песке 150 треугольников, проведите высоты и убедитесь - пересекаются!
И не надо огород городить с этой вашей аксиоматикой
Формальное же изложение математики как чистой игры ума, по Арнольду, приводит к ужасным последствиям
У одного мальчика, обученного таким образом, спросили: сколько будет 3+2?
И мальчик ответил: 2+3, потому что сложение коммутативно
Мне кажется, что историю про несчастного алгебраического мальчика Арнольд выдумал
Просто хотел потроллить сообщество преподов, которое слишком увлеклось абстракциями
Вот, например, то, что высоты треугольника пересекаются в одной точке - физический факт
Нарисуйте на песке 150 треугольников, проведите высоты и убедитесь - пересекаются!
И не надо огород городить с этой вашей аксиоматикой
Формальное же изложение математики как чистой игры ума, по Арнольду, приводит к ужасным последствиям
У одного мальчика, обученного таким образом, спросили: сколько будет 3+2?
И мальчик ответил: 2+3, потому что сложение коммутативно
Мне кажется, что историю про несчастного алгебраического мальчика Арнольд выдумал
Просто хотел потроллить сообщество преподов, которое слишком увлеклось абстракциями
Law without law.pdf
2 MB
Law without law: from observer states to physics via
algorithmic information theory
algorithmic information theory
Летняя школа «Современная математика» имени Виталия Дмитриевича Арнольда пройдет в этом году с 19 по 30 июля в Царском Селе под Санкт-Петербургом. Принимаются заявки от школьников 10 и 11 классов и студентов I и II курсов
Можно посмотреть видеозаписи курсов прошедших школ mccme.ru/dubna/courses/ — и брошюры, написанные по мотивам некоторых из них mccme.ru/dubna/books/
mccme.ru/dubna/2026/inform1.htm
Можно посмотреть видеозаписи курсов прошедших школ mccme.ru/dubna/courses/ — и брошюры, написанные по мотивам некоторых из них mccme.ru/dubna/books/
mccme.ru/dubna/2026/inform1.htm
Ян Лекун продолжает свой крестовый поход против LLM как магистрального направления развития AML и дороги к человекоподобному интеллекту
Языковые модели не являются будущим AML
Они не смогут привести к человеческому уровню интеллекта, потому что они опираются только на текст и статистику языка, а не на реальное понимание мира
Интеллект — это решение новых задач без дообучения
Текущие модели этим свойством не обладают
Нужны модели мира на основе сенсорных данных
Это системы, которые строят внутренние абстрактные модели мира исходя из сенсорных данных (зрение, звук, взаимодействие), а не только из текста; именно они смогут безопасно и осмысленно действовать в мире
Разрыв между впечатляющими демками и полезной робототехникой велик
Никакой автономный транспорт не способен обучиться вождению за 20 часов практики, которых хватает человеку чтобы получить права
Предстоит долгая дорога до AML человеческого уровня, но прямо сейчас есть огромный научный потенциал
Оптимистом в отношении вклада AML в науку и ее ускорения можно быть уже сейчас
Заметная часть этих утверждений противоречит уверенности, например, Альтмана, который все время повторяет, что путь к AGI уже понятен
Тем интересней следить за конкуренцией разных взглядов на прогресс (причем приверженцы обоих неплохо профинансированы)
Да и сам Лекун сказал, что хорошие идеи “come from the interactions between people working on different assumptions with different motivations in different environments”
https://www.brown.edu/news/2026-04-01/yann-lecun-artificial-intelligence-pioneer
и
https://www.browndailyherald.com/article/2026/04/ai-pioneer-yann-lecun-discusses-new-frontiers-in-the-field-at-brown-lecture
Языковые модели не являются будущим AML
Они не смогут привести к человеческому уровню интеллекта, потому что они опираются только на текст и статистику языка, а не на реальное понимание мира
Интеллект — это решение новых задач без дообучения
Текущие модели этим свойством не обладают
Нужны модели мира на основе сенсорных данных
Это системы, которые строят внутренние абстрактные модели мира исходя из сенсорных данных (зрение, звук, взаимодействие), а не только из текста; именно они смогут безопасно и осмысленно действовать в мире
Разрыв между впечатляющими демками и полезной робототехникой велик
Никакой автономный транспорт не способен обучиться вождению за 20 часов практики, которых хватает человеку чтобы получить права
Предстоит долгая дорога до AML человеческого уровня, но прямо сейчас есть огромный научный потенциал
Оптимистом в отношении вклада AML в науку и ее ускорения можно быть уже сейчас
Заметная часть этих утверждений противоречит уверенности, например, Альтмана, который все время повторяет, что путь к AGI уже понятен
Тем интересней следить за конкуренцией разных взглядов на прогресс (причем приверженцы обоих неплохо профинансированы)
Да и сам Лекун сказал, что хорошие идеи “come from the interactions between people working on different assumptions with different motivations in different environments”
https://www.brown.edu/news/2026-04-01/yann-lecun-artificial-intelligence-pioneer
и
https://www.browndailyherald.com/article/2026/04/ai-pioneer-yann-lecun-discusses-new-frontiers-in-the-field-at-brown-lecture
Brown
In lecture at Brown, Yann LeCun discusses a new approach to AI
No stranger to controversy, AI pioneer Yann LeCun told a capacity crowd that large language models are not the future of AI and that a new approach is needed if machines are to achieve human-like intelligence.
❤3
Термин «доказательство» используется для обозначения целого спектра интеллектуальных процедур, направленных на установление объективной истины или обоснование истинности некоторого предложения, приемлемости императива, справедливости оценки, а также на убеждение других людей в его адекватности
В математике доказательство играет центральную роль, но вместе с тем общего понятия математического доказательства нет
Существует несколько весьма различных точек зрения на сущность математического доказательства, его цели, критерии и идеалы, и со временем эти критерии и идеалы меняются.
Доказательство в других науках рассматривается как процесс исследования, проверки и подтверждения некоторых положений с целью поиска и обоснования истины – объективной или конвенционально принятой
Здесь доказательство заключается главным образом в поисках подтверждающих свидетельств, их оценке и установлении того, что лучше всего они объясняются доказываемой гипотезой
Построение демонстрирующего рассуждения, которое и считается доказательством в дедуктивных науках, во многих других областях совсем не обязательно
В разных областях познания критерии состоятельности и приемлемости доказательств различны
В одних – это формально-дедуктивная строгость, в других – очевидность аргументов, интуитивная ясность рассуждения, в третьих – достоверность и достаточность подтверждающих свидетельств
Основным общим критерием приемлемости доказательства представляется его убедительность – способность вызвать у адресата такое принятие доказанного утверждения, что он готов убеждать в нем других
Доказательство всегда погружено в социально-исторический контекст, поэтому общего для всех наук и всех времен понятия доказательства не только не существует, но и не может существовать
В математике доказательство играет центральную роль, но вместе с тем общего понятия математического доказательства нет
Существует несколько весьма различных точек зрения на сущность математического доказательства, его цели, критерии и идеалы, и со временем эти критерии и идеалы меняются.
Доказательство в других науках рассматривается как процесс исследования, проверки и подтверждения некоторых положений с целью поиска и обоснования истины – объективной или конвенционально принятой
Здесь доказательство заключается главным образом в поисках подтверждающих свидетельств, их оценке и установлении того, что лучше всего они объясняются доказываемой гипотезой
Построение демонстрирующего рассуждения, которое и считается доказательством в дедуктивных науках, во многих других областях совсем не обязательно
В разных областях познания критерии состоятельности и приемлемости доказательств различны
В одних – это формально-дедуктивная строгость, в других – очевидность аргументов, интуитивная ясность рассуждения, в третьих – достоверность и достаточность подтверждающих свидетельств
Основным общим критерием приемлемости доказательства представляется его убедительность – способность вызвать у адресата такое принятие доказанного утверждения, что он готов убеждать в нем других
Доказательство всегда погружено в социально-исторический контекст, поэтому общего для всех наук и всех времен понятия доказательства не только не существует, но и не может существовать
Со-ооснователь OpenAI, экс- глава в Tesla, человек, который придумал термин vibe coding написал, что теперь тратит токены не на код, а на создание своей базы знаний - второго мозга
Он построил систему, в которой AML берёт сырые документы: статьи, научные работы, репозитории и создает из них структурированную вики с перекрёстными ссылками
Это автоматически собираемая база знаний, где LLM -это и редактор, и библиотекарь, и аналитик. Хранится локально в markdown-файлах, смотришь через Obsidian
Его логика в эпоху AML-агентов - нет смысла делиться кодом, делитесь идеей, а агент сам её реализует
Он построил систему, в которой AML берёт сырые документы: статьи, научные работы, репозитории и создает из них структурированную вики с перекрёстными ссылками
Это автоматически собираемая база знаний, где LLM -это и редактор, и библиотекарь, и аналитик. Хранится локально в markdown-файлах, смотришь через Obsidian
Его логика в эпоху AML-агентов - нет смысла делиться кодом, делитесь идеей, а агент сам её реализует
Telegram
All about AI, Web 3.0, BCI
Karpathy dropped a post describing how he uses AI to build personal knowledge bases.
The idea is simple: instead of keeping notes scattered across apps, you dump everything into one folder.
Then you tell your AI to organize all of it into a personal wiki…
The idea is simple: instead of keeping notes scattered across apps, you dump everything into one folder.
Then you tell your AI to organize all of it into a personal wiki…
Чтобы получить доступ к аренде, потребуется официально подтвердить свою личность через «Госуслуги»
Без верифицированного цифрового профиля человек буквально лишается права на полноценное физическое взаимодействие с современной городской средой и её сервисами
Без верифицированного цифрового профиля человек буквально лишается права на полноценное физическое взаимодействие с современной городской средой и её сервисами
Мир настолько близок с суперинтеллекту, и это будет не просто новая технология, а перестройка общества
Среди самых вероятных рисков – массовая потеря работы, кибератаки и социальная нестабильность
Текущую экономику нужно буквально пересобирать
Все, что предлагается сделать, перечислено здесь: openai.com/index/industrial-policy-for-the-intelligence-age/
Краткий пересказ:
AI нужно сделать базовой инфраструктурой, доступной всем, и относиться к нему как к электричеству или интернету
Так экономика будет расти быстрее
Система налогов должна сместиться с труда на капитал
Сегодня государство живет за счет налогов с зарплат
Но если (или когда) людей заменят, эта база исчезнет, а государство должно продолжать как-то зарабатывать
Каждый человек должен иметь долю в AI-экономике
OpenAI предлагает создать Public Wealth Fund, который получает часть прибыли от AI и распределяет ее среди граждан
Идея в том, что доход должен перестать определяться только работой, иначе после массовой автоматизации классовый разрыв станет просто колоссальным
Всякие страховые выплаты и социальные гарантии не должны зависеть от работодателя, потому что в мире с нестабильной занятостью классическая модель сломается
Обязателен аудит фронтирных моделей и протоколы на случай ЧП
Должна существовать международная система безопасности
4-дневная рабочая неделя эффективнее
Среди самых вероятных рисков – массовая потеря работы, кибератаки и социальная нестабильность
Текущую экономику нужно буквально пересобирать
Все, что предлагается сделать, перечислено здесь: openai.com/index/industrial-policy-for-the-intelligence-age/
Краткий пересказ:
AI нужно сделать базовой инфраструктурой, доступной всем, и относиться к нему как к электричеству или интернету
Так экономика будет расти быстрее
Система налогов должна сместиться с труда на капитал
Сегодня государство живет за счет налогов с зарплат
Но если (или когда) людей заменят, эта база исчезнет, а государство должно продолжать как-то зарабатывать
Каждый человек должен иметь долю в AI-экономике
OpenAI предлагает создать Public Wealth Fund, который получает часть прибыли от AI и распределяет ее среди граждан
Идея в том, что доход должен перестать определяться только работой, иначе после массовой автоматизации классовый разрыв станет просто колоссальным
Всякие страховые выплаты и социальные гарантии не должны зависеть от работодателя, потому что в мире с нестабильной занятостью классическая модель сломается
Обязателен аудит фронтирных моделей и протоколы на случай ЧП
Должна существовать международная система безопасности
4-дневная рабочая неделя эффективнее
OpenAI
Industrial policy for the Intelligence Age
Explore our ambitious, people-first industrial policy ideas for the AI era—focused on expanding opportunity, sharing prosperity, and building resilient institutions as advanced intelligence evolves.
Начало 2030-х AML начнет ускорять собственное развитие, а изменения в отраслях станут по-настоящему резкими
Для образования это самый дорогой момент — отличная возможность для пересборки
Но нынешнюю отсрочку большинство вряд ли используют
Только вот изменения копятся постепенно — и потом сходят лавиной
Для образования это самый дорогой момент — отличная возможность для пересборки
Но нынешнюю отсрочку большинство вряд ли используют
Только вот изменения копятся постепенно — и потом сходят лавиной
Ai-2027
AI 2027
A research-backed AI scenario forecast.
Anthropic выпускают новую суперсильную модель Claude Mythos, но доступ к ней есть только по закрытой программе поиска уязвимостей
Итак, это не учебная тревога: в Anthropic разработали новую мощнейшую модель
Вот здесь лежит системная карта с бенчмарками:
https://www-cdn.anthropic.com/53566bf5440a10affd749724787c8913a2ae0841.pdf
– На SWE-bench Verified модель выбивает 93.9% против 80.8% у Claude Opus 4.6
– На SWE-bench Pro – 77.8% против 53.4 % у Opus 4.6 и 57.7 % у предыдущей соты GPT-5.4
Anthropic решили, что модель слишком сильна и опасна, чтобы сразу выпускать ее на широкую аудиторию
Вместо этого они открыли проект Project Glasswing, чтобы защитить основной софт человечества от будущих ИИ-атак, которые может спровоцировать Claude Mythos
В проект вошли Amazon, Microsoft, Apple, Google, Nvidia и еще 40+ организаций
Всем им предоставляют специальный доступ к пайплайну обнаружения уязвимостей на основе Claude Mythos
Anthropic утверждают, что модель способна находить уязвимости на уровне, превосходящем даже лучших человеческих специалистов, за редким исключением
Сообщается, что на данный момент она уже обнаружила тысячи критических уязвимостей, в том числе в массово используемых ОС и браузерах
Некоторые из этих дыр по 10-20 лет лежали незамеченными
Когда модель выпустят для всех – неизвестно, но, по ощущениям, не скоро
Итак, это не учебная тревога: в Anthropic разработали новую мощнейшую модель
Вот здесь лежит системная карта с бенчмарками:
https://www-cdn.anthropic.com/53566bf5440a10affd749724787c8913a2ae0841.pdf
– На SWE-bench Verified модель выбивает 93.9% против 80.8% у Claude Opus 4.6
– На SWE-bench Pro – 77.8% против 53.4 % у Opus 4.6 и 57.7 % у предыдущей соты GPT-5.4
Anthropic решили, что модель слишком сильна и опасна, чтобы сразу выпускать ее на широкую аудиторию
Вместо этого они открыли проект Project Glasswing, чтобы защитить основной софт человечества от будущих ИИ-атак, которые может спровоцировать Claude Mythos
В проект вошли Amazon, Microsoft, Apple, Google, Nvidia и еще 40+ организаций
Всем им предоставляют специальный доступ к пайплайну обнаружения уязвимостей на основе Claude Mythos
Anthropic утверждают, что модель способна находить уязвимости на уровне, превосходящем даже лучших человеческих специалистов, за редким исключением
Сообщается, что на данный момент она уже обнаружила тысячи критических уязвимостей, в том числе в массово используемых ОС и браузерах
Некоторые из этих дыр по 10-20 лет лежали незамеченными
Когда модель выпустят для всех – неизвестно, но, по ощущениям, не скоро
Anthropic
Project Glasswing: Securing critical software for the AI era
A new initiative to secure the world’s most critical software and give defenders a durable advantage in the coming AI-driven era of cybersecurity.
AML
Anthropic выпускают новую суперсильную модель Claude Mythos, но доступ к ней есть только по закрытой программе поиска уязвимостей Итак, это не учебная тревога: в Anthropic разработали новую мощнейшую модель Вот здесь лежит системная карта с бенчмарками:…
Дарио Амодей представил большой проект по кибербезу на основе новой ИИ-модели Claude Mythos Preview
Glasswing - проект Anthropic, объединяющий AWS, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, Linux Foundation, Microsoft, NVIDIA и Palo Alto Networks с целью защиты критически важного ПО
Проект создан на основе секретной модели Claude Mythos Preview, которая не выпущена в публичном доступе
Mythos Preview не появится на claude.ai для обычных пользователей
Нельзя будет просто зайти и поговорить с ней
Это модель только для организаций с верифицированными задачами в сфере безопасности
Как говорит команда, эта модель обнаружила тысячи уязвимостей высокой степени серьёзности, включая уязвимости в каждой крупной операционной системе и каждом крупном браузере
Все они уже исправлены
Ранее один из исследователей компании говорил о том, как быстро растут возможности LLM
Anthropic сознательно держит эту модель закрытой, потому что её возможности слишком опасны при широком распространении
Glasswing - проект Anthropic, объединяющий AWS, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, Linux Foundation, Microsoft, NVIDIA и Palo Alto Networks с целью защиты критически важного ПО
Проект создан на основе секретной модели Claude Mythos Preview, которая не выпущена в публичном доступе
Mythos Preview не появится на claude.ai для обычных пользователей
Нельзя будет просто зайти и поговорить с ней
Это модель только для организаций с верифицированными задачами в сфере безопасности
Как говорит команда, эта модель обнаружила тысячи уязвимостей высокой степени серьёзности, включая уязвимости в каждой крупной операционной системе и каждом крупном браузере
Все они уже исправлены
Ранее один из исследователей компании говорил о том, как быстро растут возможности LLM
Anthropic сознательно держит эту модель закрытой, потому что её возможности слишком опасны при широком распространении
Telegram
All about AI, Web 3.0, BCI
Anthropic just introduced Project Glasswing: an urgent initiative to help secure the world’s most critical software.
It’s powered by newest frontier model, Claude Mythos Preview, which can find software vulnerabilities better than all but the most skilled…
It’s powered by newest frontier model, Claude Mythos Preview, which can find software vulnerabilities better than all but the most skilled…
Пока весь мир следит за гонкой квантовых компьютеров от Google, IBM, куда вливаются миллиарды, японская Toshiba пошла другим путём.
Вчера компания объявила о 3-м поколении своей системы Simulated Bifurcation Machine (SBM) - квантово-вдохновлённого компьютера, который работает на обычных GPU и FPGA-чипах
Это не настоящий квантовый компьютер
Никаких криогенных холодильников, сверхпроводников и тысяч кубитов
Всё работает на том железе, которое уже доступно сегодня
Скорость вычислений выросла до 100 раз по сравнению с предыдущей версией
А точность приблизилась к почти 100 %
Ключевой прорыв - edge of chaos
В тестах на задаче с 2.000 переменными время сократилось с 1.3 секунды до ~10 миллисекунд
Области применения:
- поиск новых лекарств (оптимизация молекул)
- логистика и маршрутизация
- формирование инвестиционных портфелей
- другие задачи комбинаторной оптимизации
Разработку возглавлял Хаято Гото (Senior Fellow Toshiba)
Он отметил, что достигнутый уровень скорости и точности будет сложно превзойти даже настоящему квантовому компьютеру через 50 лет
Результаты опубликованы в журнале Physical Review Applied
Внедрение планируют в течение 1–2 лет
Вчера компания объявила о 3-м поколении своей системы Simulated Bifurcation Machine (SBM) - квантово-вдохновлённого компьютера, который работает на обычных GPU и FPGA-чипах
Это не настоящий квантовый компьютер
Никаких криогенных холодильников, сверхпроводников и тысяч кубитов
Всё работает на том железе, которое уже доступно сегодня
Скорость вычислений выросла до 100 раз по сравнению с предыдущей версией
А точность приблизилась к почти 100 %
Ключевой прорыв - edge of chaos
В тестах на задаче с 2.000 переменными время сократилось с 1.3 секунды до ~10 миллисекунд
Области применения:
- поиск новых лекарств (оптимизация молекул)
- логистика и маршрутизация
- формирование инвестиционных портфелей
- другие задачи комбинаторной оптимизации
Разработку возглавлял Хаято Гото (Senior Fellow Toshiba)
Он отметил, что достигнутый уровень скорости и точности будет сложно превзойти даже настоящему квантовому компьютеру через 50 лет
Результаты опубликованы в журнале Physical Review Applied
Внедрение планируют в течение 1–2 лет
Telegram
Все о блокчейн/мозге/space/WEB 3.0 в России и мире
❗️Google совершил прорыв: создан квантовый процессор Willow
Google Quantum AI представил новый квантовый процессор Willow, который может изменить будущее вычислительной техники.
Представьте себе задачу настолько сложную, что самому мощному современному…
Google Quantum AI представил новый квантовый процессор Willow, который может изменить будущее вычислительной техники.
Представьте себе задачу настолько сложную, что самому мощному современному…
Anthropic выпустили Claude Managed Agents – среду для запуска сложных и долгих агентных задач
По сути, автопилот: вы задаете цель, инструменты и ограничения, а платформа берет на себя весь рантайм, все планирование, весь мониторинг и инфраструктуру
То есть теперь вам вообще не нужно самостоятельно заниматься оркестрацией, управлять файлами и тд, Managed Agents все делает за вас
Систему уже успели попробовать несколько ранних клиентов
Например, у Notion она уже внедрена на уровне полноценного исполнителя: команды работают с Managed Agents над долгоиграющими процессами
https://www.anthropic.com/engineering/managed-agents
По сути, автопилот: вы задаете цель, инструменты и ограничения, а платформа берет на себя весь рантайм, все планирование, весь мониторинг и инфраструктуру
То есть теперь вам вообще не нужно самостоятельно заниматься оркестрацией, управлять файлами и тд, Managed Agents все делает за вас
Систему уже успели попробовать несколько ранних клиентов
Например, у Notion она уже внедрена на уровне полноценного исполнителя: команды работают с Managed Agents над долгоиграющими процессами
https://www.anthropic.com/engineering/managed-agents
Anthropic
Scaling Managed Agents: Decoupling the brain from the hands
Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.
После релиза Anthropic Managed Agents, 2 игрока из открытой экосистемы ответили публично
Letta говорит, что они это построили год назад, только без закрытого кода и без привязки к одному провайдеру
А сам подход с блоками памяти - это тупик
Агенты становятся умнее, они уже умеют работать с компьютером напрямую
Жёсткие блоки ограничивают то, чему агенты могли бы научиться сами.
А СЕО LangChain сформулировал ещё короче: открытая оболочка - открытая память
Закрытая оболочка - чужая память
Инженеры LangChain показали, как должна выглядеть альтернатива
Оболочку агента можно улучшать автоматически через тесты как обучающий сигнал
Каждое реальное взаимодействие становится данными
Чем больше агент работает, тем лучше он становится
Этот маховик крутится только если данные принадлежат тебе, а не провайдеру
Параллельно появился ещё третий игрок с другой стороны стека - Multica, открытый десктопный клиент, предлагает третий путь: данные остаются на твоей машине, агент работает локально, интеллект приходит из облака
Никакого провайдера между тобой и твоей памятью
Anthropic хочет владеть серверным слоем, LangChain и Letta борются за открытость на уровне фреймворков, а Multica говорит уберите облако из уравнения там, где это возможно
Letta говорит, что они это построили год назад, только без закрытого кода и без привязки к одному провайдеру
А сам подход с блоками памяти - это тупик
Агенты становятся умнее, они уже умеют работать с компьютером напрямую
Жёсткие блоки ограничивают то, чему агенты могли бы научиться сами.
А СЕО LangChain сформулировал ещё короче: открытая оболочка - открытая память
Закрытая оболочка - чужая память
Инженеры LangChain показали, как должна выглядеть альтернатива
Оболочку агента можно улучшать автоматически через тесты как обучающий сигнал
Каждое реальное взаимодействие становится данными
Чем больше агент работает, тем лучше он становится
Этот маховик крутится только если данные принадлежат тебе, а не провайдеру
Параллельно появился ещё третий игрок с другой стороны стека - Multica, открытый десктопный клиент, предлагает третий путь: данные остаются на твоей машине, агент работает локально, интеллект приходит из облака
Никакого провайдера между тобой и твоей памятью
Anthropic хочет владеть серверным слоем, LangChain и Letta борются за открытость на уровне фреймворков, а Multica говорит уберите облако из уравнения там, где это возможно
Telegram
Все о блокчейн/мозге/space/WEB 3.0 в России и мире
Новый релиз от Anthropic. Они теперь управляют запуском ваших ИИ-агентов, и это большая история для экономики агентов
2 недели назад мы разбирали агентную экономику как шестислойный стек и задали открытый вопрос: кто займёт слой, где агенты реально работают?…
2 недели назад мы разбирали агентную экономику как шестислойный стек и задали открытый вопрос: кто займёт слой, где агенты реально работают?…
А что, если сама нейросеть и есть компьютер?
Не агент поверх операционной системы, не модель, вызывающая инструменты, а система, где вычисление, память и ввод/вывод объединены в одном латентном состоянии
Это называется Neural Computers (NC)
Реализуется через видеомодели, где нейросеть симулирует работающий компьютер изнутри, без внешней операционной системы
Результаты пока скромные, модель воспроизводит внешний вид интерфейса и короткие цепочки команд, но символические вычисления остаются слабым местом
Не агент поверх операционной системы, не модель, вызывающая инструменты, а система, где вычисление, память и ввод/вывод объединены в одном латентном состоянии
Это называется Neural Computers (NC)
Реализуется через видеомодели, где нейросеть симулирует работающий компьютер изнутри, без внешней операционной системы
Результаты пока скромные, модель воспроизводит внешний вид интерфейса и короткие цепочки команд, но символические вычисления остаются слабым местом
Algrow — платформа для роста на YouTube
Скрапит миллионы каналов, отслеживает тренды, форматы, обложки, просмотры
Теперь она работает как MCP-интеграция внутри Claude
Это значит: открываешь чат Claude → пишешь запрос → Claude дёргает ~19 инструментов Algrow
Ищет похожие каналы, вирусные видео, читает транскрипты, анализирует превью, проверяет банны
Даже генерирует TTS, картинки и видео
Как подключить: в Claude добавляешь кастомный connector Algrow (URL: https://mcp.algrow.online/mcp, клиент algrowmcpclaude), авторизуешь аккаунт — всё.
Теперь любой промпт Claude может обращаться к живым данным YouTube: 300k+ каналов и 18M+ видео, обновления минимум раз в день
Актуальные метрики, совпадения по формату, тренды — прямо в ответе
Скрапит миллионы каналов, отслеживает тренды, форматы, обложки, просмотры
Теперь она работает как MCP-интеграция внутри Claude
Это значит: открываешь чат Claude → пишешь запрос → Claude дёргает ~19 инструментов Algrow
Ищет похожие каналы, вирусные видео, читает транскрипты, анализирует превью, проверяет банны
Даже генерирует TTS, картинки и видео
Как подключить: в Claude добавляешь кастомный connector Algrow (URL: https://mcp.algrow.online/mcp, клиент algrowmcpclaude), авторизуешь аккаунт — всё.
Теперь любой промпт Claude может обращаться к живым данным YouTube: 300k+ каналов и 18M+ видео, обновления минимум раз в день
Актуальные метрики, совпадения по формату, тренды — прямо в ответе
На переднем крае математики сейчас происходят сразу несколько сдвигов, и все они так или иначе связаны с искусственным интеллектом
Один из самых интересных — переход от неформальной «бумажной» математики к формальной, в которой каждое утверждение и каждое доказательство представлены в виде точного кода, который проверяет компьютер
Интерактивные системы доказательства теорем вроде Lean и Coq стали не просто экзотикой, а рабочими инструментами, позволяющими записывать сложные теории в виде формальных систем и получать гарантию, что в цепочке рассуждений нет ни одной пропущенной детали
На этом фоне появилась новая практическая область — то, что я бы назвал «математикой с поддержкой AML»
Это когда большая языковая модель не придумывает теоремы из воздуха, а помогает математику и инженеру проходить самые рутинные, трудоёмкие части работы: подбирать тактики, искать подходящие леммы в огромной библиотеке, заполнять фрагменты доказательств
Мои собственные эксперименты показывают, что в связке «человек + модель» можно автоматически закрывать значительную часть шагов в доказательстве, сокращая руками вводимые тактики в Lean в разы по сравнению с классическими средствами автоматизации
Это уже не теория, а рабочие прототипы, которые используются в реальных проектах
Параллельно растёт направление полностью автоматического доказательства: системы вроде AlphaProof и других нейросетевых связок учатся по библиотекам формальных доказательств, генерируют собственные доказательства и находят ошибки в существующих формулировках
Они особенно сильны там, где структура теоремы и используемых понятий уже хорошо отражена в формальной библиотеке, и пока заметно слабее на действительно новых концепциях, но в связке с человеком дают эффект, которого у классических автоматических систем просто не было
Это меняет не только темп работы, но и саму практику: становится возможным проверять и дорабатывать формулировки, с которыми математики жили десятилетиями
Для инженера по искусственному интеллекту всё это не «чужая наука», а ближайшее будущее профессии
От формальной верификации критичных систем до проверки корректности протоколов и сложных алгоритмов — везде, где цена ошибки велика, математические доказательства становятся частью инженерного процесса, а инструменты с AML-поддержкой снимают барьер входа в формальную математику
Понимать, что именно делает такая система, где границы её возможностей, чем отличается формальное доказательство от красивого, но нестрогого эскиза — всё это требует дискретного и логического фундамента
Если коротко: математика перестаёт быть исключительно «бумажной наукой» и всё больше становится совместной работой человека и машины — с формальными языками, проверяемыми доказательствами и AML-помощниками
И специалист, который в этом не разбирается, через несколько лет будет таким же анахронизмом, как программист, не умеющий пользоваться системой контроля версий
Один из самых интересных — переход от неформальной «бумажной» математики к формальной, в которой каждое утверждение и каждое доказательство представлены в виде точного кода, который проверяет компьютер
Интерактивные системы доказательства теорем вроде Lean и Coq стали не просто экзотикой, а рабочими инструментами, позволяющими записывать сложные теории в виде формальных систем и получать гарантию, что в цепочке рассуждений нет ни одной пропущенной детали
На этом фоне появилась новая практическая область — то, что я бы назвал «математикой с поддержкой AML»
Это когда большая языковая модель не придумывает теоремы из воздуха, а помогает математику и инженеру проходить самые рутинные, трудоёмкие части работы: подбирать тактики, искать подходящие леммы в огромной библиотеке, заполнять фрагменты доказательств
Мои собственные эксперименты показывают, что в связке «человек + модель» можно автоматически закрывать значительную часть шагов в доказательстве, сокращая руками вводимые тактики в Lean в разы по сравнению с классическими средствами автоматизации
Это уже не теория, а рабочие прототипы, которые используются в реальных проектах
Параллельно растёт направление полностью автоматического доказательства: системы вроде AlphaProof и других нейросетевых связок учатся по библиотекам формальных доказательств, генерируют собственные доказательства и находят ошибки в существующих формулировках
Они особенно сильны там, где структура теоремы и используемых понятий уже хорошо отражена в формальной библиотеке, и пока заметно слабее на действительно новых концепциях, но в связке с человеком дают эффект, которого у классических автоматических систем просто не было
Это меняет не только темп работы, но и саму практику: становится возможным проверять и дорабатывать формулировки, с которыми математики жили десятилетиями
Для инженера по искусственному интеллекту всё это не «чужая наука», а ближайшее будущее профессии
От формальной верификации критичных систем до проверки корректности протоколов и сложных алгоритмов — везде, где цена ошибки велика, математические доказательства становятся частью инженерного процесса, а инструменты с AML-поддержкой снимают барьер входа в формальную математику
Понимать, что именно делает такая система, где границы её возможностей, чем отличается формальное доказательство от красивого, но нестрогого эскиза — всё это требует дискретного и логического фундамента
Если коротко: математика перестаёт быть исключительно «бумажной наукой» и всё больше становится совместной работой человека и машины — с формальными языками, проверяемыми доказательствами и AML-помощниками
И специалист, который в этом не разбирается, через несколько лет будет таким же анахронизмом, как программист, не умеющий пользоваться системой контроля версий
Китай встроил автономный AML в структуры командования батальонного уровня
В симуляции десантной операции система обошла пятерых военных экспертов: решения быстрее на 43 %, точность воспроизведения данных при глушении связи — выше 90 %
Ключевая функция — не скорость, а умение видеть пробелы
Пока командиры спорили над картой, AML за секунды засёк отсутствие вражеских резервов и указал, где ждёт засада
Слабые места: нужна история решений конкретного командира для настройки, и система пока работает только для амфибийных операций
https://mltimes.ai/voennyy-ii-kitaya-prinimaet-resheniya-na-43-bystree-opytnyh/
В симуляции десантной операции система обошла пятерых военных экспертов: решения быстрее на 43 %, точность воспроизведения данных при глушении связи — выше 90 %
Ключевая функция — не скорость, а умение видеть пробелы
Пока командиры спорили над картой, AML за секунды засёк отсутствие вражеских резервов и указал, где ждёт засада
Слабые места: нужна история решений конкретного командира для настройки, и система пока работает только для амфибийных операций
https://mltimes.ai/voennyy-ii-kitaya-prinimaet-resheniya-na-43-bystree-opytnyh/
Математикам не присуждают Нобелевские премии
Нобелевские премии даются в области естественных наук, а математика не наука
Математика это язык
Математика это искусство
А главная задача искусства — выйти за рамки подражания и подняться до уровня высших абстракций
Нобелевские премии даются в области естественных наук, а математика не наука
Математика это язык
Математика это искусство
А главная задача искусства — выйти за рамки подражания и подняться до уровня высших абстракций
Центральное Разведывательное Агенство США делает ставку на искусственный интеллект
В ближайшие годы AML-ассистенты будут встроены во все аналитические платформы агентства
Подготовлен первый отчёт, сгенерированный AML, а за последний год ЦРУ протестировало более 300 AML-проектов
AML возьмут на себя рутинные, но критически важные задачи: подготовку черновиков разведывательных оценок, верификацию данных из разрозненных источников, машинный перевод и выявление скрытых трендов в больших массивах информации
В перспективе десяти лет ведомство планирует перейти к модели, при которой офицеры управляют командами автономных AML-агентов
Центр киберразведки, курирующий тайные хакерские операции, также усилит применение AML моделей
Принципиальная позиция ЦРУ: право принятия ключевых решений остаётся за людьми
Однако стратегические амбиции ведомства выходят далеко за рамки автоматизации рутины
Cторона, получившая доступ к лучшим AML-системам, обретёт «огромную стратегическую власть» — и ЦРУ намерено оказаться именно на этой стороне
В ближайшие годы AML-ассистенты будут встроены во все аналитические платформы агентства
Подготовлен первый отчёт, сгенерированный AML, а за последний год ЦРУ протестировало более 300 AML-проектов
AML возьмут на себя рутинные, но критически важные задачи: подготовку черновиков разведывательных оценок, верификацию данных из разрозненных источников, машинный перевод и выявление скрытых трендов в больших массивах информации
В перспективе десяти лет ведомство планирует перейти к модели, при которой офицеры управляют командами автономных AML-агентов
Центр киберразведки, курирующий тайные хакерские операции, также усилит применение AML моделей
Принципиальная позиция ЦРУ: право принятия ключевых решений остаётся за людьми
Однако стратегические амбиции ведомства выходят далеко за рамки автоматизации рутины
Cторона, получившая доступ к лучшим AML-системам, обретёт «огромную стратегическую власть» — и ЦРУ намерено оказаться именно на этой стороне