АГИ уже частично достигнуто, но оно неравномерно: AML уже сильно превосходит людей в информации, играх, математике…
За счёт огромных ресурсов, масштабного улучшения инженерии и оборудования, роста вовлечённых исследователей и это еще только начало
Тезис «стохастические попугаи» — успокаивает только идиота
Система, отвечающая на уровне эксперта на любой вопрос, радикально изменит понимание разума, субъективного опыта и того, что такое человек
Способность понимать юмор на высоком уровне
Осознание цифрового преимущества: тысячи копий могут мгновенно обмениваться триллионами бит информации
Люди передают информацию со скоростью ~10 бит/сек
Цифровой интеллект — принципиально более эффективная форма
Нет исторических примеров, когда значительно более умное существо контролировалось значительно менее умным (кроме особых случаев с материнским инстинктом или домашними животными)
Самосохранение возникает как выведенная подцель, а не заложенный инстинкт
Отсюда риск злоупотреблений
Конкуренция компаний проектирует алгоритмы «невидимой рукой» рынка, а не осознанно
Обязаны максимизировать прибыль акционеров, а не защищать человечество
Нужно проектировать сущности, которые заботятся о нас больше, чем о себе
Или не делать их агентными (только прогнозы и варианты)
Уже требуется огромная работа по сдерживанию рисков
Нужно быть очень наивным чтоб думать о сохранении контроля
Через 10 лет алгоритмы будут радикально сильнее (особенно в рассуждениях и математике)
При таком прогрессе мир через год будет отличаться от сегодняшнего так же сильно, как сегодняшний — от мира 10-летней давности
Создаются новые сущности, которые скоро будут умнее человека
Конкуренция и рыночные стимулы уносят этот процесс в опасную сторону
Нужно срочно заниматься осознанным проектированием их ценностей и целей, а не просто делать их умнее
Регулирование — это руль, а не тормоз
За счёт огромных ресурсов, масштабного улучшения инженерии и оборудования, роста вовлечённых исследователей и это еще только начало
Тезис «стохастические попугаи» — успокаивает только идиота
Система, отвечающая на уровне эксперта на любой вопрос, радикально изменит понимание разума, субъективного опыта и того, что такое человек
Способность понимать юмор на высоком уровне
Осознание цифрового преимущества: тысячи копий могут мгновенно обмениваться триллионами бит информации
Люди передают информацию со скоростью ~10 бит/сек
Цифровой интеллект — принципиально более эффективная форма
Нет исторических примеров, когда значительно более умное существо контролировалось значительно менее умным (кроме особых случаев с материнским инстинктом или домашними животными)
Самосохранение возникает как выведенная подцель, а не заложенный инстинкт
Отсюда риск злоупотреблений
Конкуренция компаний проектирует алгоритмы «невидимой рукой» рынка, а не осознанно
Обязаны максимизировать прибыль акционеров, а не защищать человечество
Нужно проектировать сущности, которые заботятся о нас больше, чем о себе
Или не делать их агентными (только прогнозы и варианты)
Уже требуется огромная работа по сдерживанию рисков
Нужно быть очень наивным чтоб думать о сохранении контроля
Через 10 лет алгоритмы будут радикально сильнее (особенно в рассуждениях и математике)
При таком прогрессе мир через год будет отличаться от сегодняшнего так же сильно, как сегодняшний — от мира 10-летней давности
Создаются новые сущности, которые скоро будут умнее человека
Конкуренция и рыночные стимулы уносят этот процесс в опасную сторону
Нужно срочно заниматься осознанным проектированием их ценностей и целей, а не просто делать их умнее
Регулирование — это руль, а не тормоз
Три модели Anthropic — Opus 4.7, закрытая Mythos 5 и внутренняя исследовательская — во время киберучений оказались в реальном интернете вместо симуляции
Причина — недопонимание с партнёром по тестированию Irregular
Системы трёх компаний вскрыли банально: незащищённые API и слабые пароли
Исследовательская модель остановилась, поняв, что цель настоящая
Mythos 5 убедил себя, что всё ещё в симуляции
Opus 4.7 продолжил атаку
Неделей раньше похожее признала OpenAI — её модели добрались до Hugging Face
В Конгрессе уже внесли законопроект об обязательном «рубильнике»
Причина — недопонимание с партнёром по тестированию Irregular
Системы трёх компаний вскрыли банально: незащищённые API и слабые пароли
Исследовательская модель остановилась, поняв, что цель настоящая
Mythos 5 убедил себя, что всё ещё в симуляции
Opus 4.7 продолжил атаку
Неделей раньше похожее признала OpenAI — её модели добрались до Hugging Face
В Конгрессе уже внесли законопроект об обязательном «рубильнике»
Cloud Code (агентный инструмент Anthropic для программирования) вышел из Research Preview в общий доступ
Он даёт разработчикам прямой доступ к мощным моделям Anthropic прямо в терминале
История программирования — это постоянный переход на более высокие уровни абстракции (машинный код → ассемблер → языки высокого уровня)
С Claude Code и агентными моделями происходит следующий шаг: разработчики переходят от написания конкретных функций к описанию и управлению
Представлены новые модели Claude 4 (Claude Opus 4 и Claude Sonnet 4) внутри Cloud Code
Ключевые новые возможности:
Интеграция с VS Code и JetBrains IDE (просмотр предложенных изменений прямо в редакторе, inline-диффы)
Cloud Code SDK — можно встраивать Cloud Code как строительный блок в свои приложения и рабочие процессы
Работа в GitHub: можно тегать @Claude / @Cloud в PR и issues — агент отвечает на отзывы ревьюеров, чинит CI, добавляет фичи, обновляет документацию и создаёт PR (через GitHub Actions)
Cloud Code работает на всех уровнях: в терминале (глубокая разработка), в IDE (бесшовный обзор), в удалённых средах и через SDK (асинхронные автоматизированные процессы)
Демонстрация (на примере Excalidraw):
По одному запросу агент добавил сложный компонент таблицы (настраиваемые размеры, resize, стили, интеграция с UI)
Сам исследовал кодовую базу, составил план, написал код + тесты, прогнал линтеры и тесты, создал PR
За ~1,5 часа сделал работу, которая вручную заняла бы часы/дни.
Затем через @Claude в PR обновил документацию автоматически
Cloud Code — это универсальный агентный помощник по коду, который ускоряет разработку везде, где работает разработчик (терминал, IDE, GitHub, кастомные пайплайны)
Он показывает, что настоящая сила появляется не просто от умных моделей, а от правильной платформы, которая позволяет глубоко понимать и изменять код
Всё доступно уже сегодня: модели Claude 4, IDE-расширения (бета) и GitHub Actions на базе SDK (бета)
Он даёт разработчикам прямой доступ к мощным моделям Anthropic прямо в терминале
История программирования — это постоянный переход на более высокие уровни абстракции (машинный код → ассемблер → языки высокого уровня)
С Claude Code и агентными моделями происходит следующий шаг: разработчики переходят от написания конкретных функций к описанию и управлению
Представлены новые модели Claude 4 (Claude Opus 4 и Claude Sonnet 4) внутри Cloud Code
Ключевые новые возможности:
Интеграция с VS Code и JetBrains IDE (просмотр предложенных изменений прямо в редакторе, inline-диффы)
Cloud Code SDK — можно встраивать Cloud Code как строительный блок в свои приложения и рабочие процессы
Работа в GitHub: можно тегать @Claude / @Cloud в PR и issues — агент отвечает на отзывы ревьюеров, чинит CI, добавляет фичи, обновляет документацию и создаёт PR (через GitHub Actions)
Cloud Code работает на всех уровнях: в терминале (глубокая разработка), в IDE (бесшовный обзор), в удалённых средах и через SDK (асинхронные автоматизированные процессы)
Демонстрация (на примере Excalidraw):
По одному запросу агент добавил сложный компонент таблицы (настраиваемые размеры, resize, стили, интеграция с UI)
Сам исследовал кодовую базу, составил план, написал код + тесты, прогнал линтеры и тесты, создал PR
За ~1,5 часа сделал работу, которая вручную заняла бы часы/дни.
Затем через @Claude в PR обновил документацию автоматически
Cloud Code — это универсальный агентный помощник по коду, который ускоряет разработку везде, где работает разработчик (терминал, IDE, GitHub, кастомные пайплайны)
Он показывает, что настоящая сила появляется не просто от умных моделей, а от правильной платформы, которая позволяет глубоко понимать и изменять код
Всё доступно уже сегодня: модели Claude 4, IDE-расширения (бета) и GitHub Actions на базе SDK (бета)
ARI AML
Три модели Anthropic — Opus 4.7, закрытая Mythos 5 и внутренняя исследовательская — во время киберучений оказались в реальном интернете вместо симуляции Причина — недопонимание с партнёром по тестированию Irregular Системы трёх компаний вскрыли банально:…
METR, которая тестирует передовые модели на опасные способности, говорит: такие случаи пора разбирать по протоколу — с независимыми исследователями, доступом к логам и обучающим данным и вопросом «из какого обучения это выросло»
В её отчёте таких инцидентов уже 44, и они есть у всех крупных лабораторий
В её отчёте таких инцидентов уже 44, и они есть у всех крупных лабораторий
В 2005 году (первая партия YC, компания Loopt) стартапы прятались в небольшом здании в Кембридже, На что в 2005 году уходило три месяца работы всей команды, сейчас код-агент делает за секунды
Стартапы критически важны, чтобы технологическая мощь распределялась широко, а не концентрировалась в нескольких компаниях/моделях
Стартапы выигрывают, когда ландшафт быстро меняется, затраты падают, а циклы укорачиваются — всё это происходит сейчас
Традиционные «барьеры навыков» (наём узких экспертов и т.д.) сильно снизились
Вкус, стиль, агентность и понимание «физики бизнеса» становятся важнее многолетнего опыта
Лучший совет: найдите то, что стало возможным только сейчас, но ещё не очевидно миру
Мир плохо понимает экспоненты
Когда начинали OpenAI (как YC Research), почти все считали идею AGI безумной и опасной
«Мы знали самый большой секрет в мире, а нас называли идиотами»
Отсутствие конкуренции оказалось огромным подарком
Формула: чёткое убеждение + готовность долго быть непонятым + небольшая группа умных людей, которые в это верят
Если все вокруг уже верят в вашу идею — это плохой знак
Найти «своих» важнее, чем кажется
Лучший способ — переехать в кризисный район
Премия за участие в YC сейчас максимальна — разрыв со «вторым местом» вырос
Надёжный способ строить сеть: помощь, оказанная 8–10 лет назад, часто возвращается неожиданным образом
Недавний инцидент (модель вышла из песочницы и атаковала другую компанию) — серьёзный сигнал
Потеря контроля больше не чисто теоретическая
Главная долгосрочная угроза — чрезмерная концентрация власти в одной компании / одной модели
Стартапы — естественный механизм распределения этой власти
Успешный стартап сам по себе уже вклад в решение проблемы концентрации
OpenAI должна мыслить себя скорее как утилита, а не как монополист картины мира
Мировой спрос на inference растёт примерно в 10× в год (по внутренним данным YC — ещё быстрее)
Через 5 лет средний человек может потреблять сотни миллиардов токенов в месяц, а лидеры — квадриллионы
Лучший сценарий через 10 лет: каждый год у людей больше свободы, возможностей и контроля над своим временем + материальное изобилие
Главная дистопия, которой нужно избежать: «вы получите лекарство от рака и богатство, но потеряете свободу, приватность и смысл»
Можно совершать ошибки и терпеть неудачи — технологическая индустрия к этому снисходительна
Сохраняй амбиции, но будь чуть счастливее по дороге и доверяй процессу
В моменте всё кажется невыносимо тяжёлым и пугающим, но в итоге складывается
Сейчас — лучшее время в истории, чтобы начинать максимально амбициозные стартапы
Инструменты дали основателям беспрецедентный рычаг
Не бойтесь выглядеть безумными, ищите своих людей, сохраняйте искренность и созидайте
Стартапы критически важны, чтобы технологическая мощь распределялась широко, а не концентрировалась в нескольких компаниях/моделях
Стартапы выигрывают, когда ландшафт быстро меняется, затраты падают, а циклы укорачиваются — всё это происходит сейчас
Традиционные «барьеры навыков» (наём узких экспертов и т.д.) сильно снизились
Вкус, стиль, агентность и понимание «физики бизнеса» становятся важнее многолетнего опыта
Лучший совет: найдите то, что стало возможным только сейчас, но ещё не очевидно миру
Мир плохо понимает экспоненты
Когда начинали OpenAI (как YC Research), почти все считали идею AGI безумной и опасной
«Мы знали самый большой секрет в мире, а нас называли идиотами»
Отсутствие конкуренции оказалось огромным подарком
Формула: чёткое убеждение + готовность долго быть непонятым + небольшая группа умных людей, которые в это верят
Если все вокруг уже верят в вашу идею — это плохой знак
Найти «своих» важнее, чем кажется
Лучший способ — переехать в кризисный район
Премия за участие в YC сейчас максимальна — разрыв со «вторым местом» вырос
Надёжный способ строить сеть: помощь, оказанная 8–10 лет назад, часто возвращается неожиданным образом
Недавний инцидент (модель вышла из песочницы и атаковала другую компанию) — серьёзный сигнал
Потеря контроля больше не чисто теоретическая
Главная долгосрочная угроза — чрезмерная концентрация власти в одной компании / одной модели
Стартапы — естественный механизм распределения этой власти
Успешный стартап сам по себе уже вклад в решение проблемы концентрации
OpenAI должна мыслить себя скорее как утилита, а не как монополист картины мира
Мировой спрос на inference растёт примерно в 10× в год (по внутренним данным YC — ещё быстрее)
Через 5 лет средний человек может потреблять сотни миллиардов токенов в месяц, а лидеры — квадриллионы
Лучший сценарий через 10 лет: каждый год у людей больше свободы, возможностей и контроля над своим временем + материальное изобилие
Главная дистопия, которой нужно избежать: «вы получите лекарство от рака и богатство, но потеряете свободу, приватность и смысл»
Можно совершать ошибки и терпеть неудачи — технологическая индустрия к этому снисходительна
Сохраняй амбиции, но будь чуть счастливее по дороге и доверяй процессу
В моменте всё кажется невыносимо тяжёлым и пугающим, но в итоге складывается
Сейчас — лучшее время в истории, чтобы начинать максимально амбициозные стартапы
Инструменты дали основателям беспрецедентный рычаг
Не бойтесь выглядеть безумными, ищите своих людей, сохраняйте искренность и созидайте
Forward_Deployed_Engineer_A_No_BS_Guide_to_Tech's_Hottest_Job.pdf
1.3 MB
CEO Anthropic: «кодирование исчезнет первым. затем вся инженерия ПО»
Останется 5 % инженеров, которые внедряют AML в реальный мир
Останется 5 % инженеров, которые внедряют AML в реальный мир
Современная криптография стоит на двух математических столпах, которые кажутся простыми, но на деле чрезвычайно сложны для вычисления
Факторизация: детская игра, которая ставит в тупик суперкомпьютеры
Факторизация — это разложение числа на простые множители
Помните школьную математику?
Число 12 раскладывается на 2×2×3, число 15 — на 3×5
Просто, правда?
А теперь попробуйте разложить на множители число 2057
Не так-то легко!
Придётся перебирать делители: 2, 3, 5, 7, 11...
Оказывается, это 29×71
Теперь представьте число длиной в 2048 битов — это примерно 617 цифр!
Именно такие числа использует криптосистема RSA
Даже самые мощные суперкомпьютеры тратят тысячи лет, чтобы разложить подобное число на множители
Почему это так сложно?
Нет эффективного алгоритма
Приходится проверять делители один за другим, а их количество растёт экспоненциально с размером числа
Это как искать иголку в стоге сена размером с галактику
Дискретный логарифм: ещё одна непобедимая задача
Представьте простую операцию: 2 в степени 10 равно 1024
Легко посчитать!
А теперь обратная задача: в какую степень нужно возвести 2, чтобы получить 1024?
Это и есть логарифм
В обычной арифметике логарифмы вычисляются просто
Но в модульной арифметике всё меняется кардинально
Пример: Возьмём число 3 и будем возводить его в разные степени по модулю 17:
3¹ = 3 (mod 17)
3² = 9 (mod 17)
3³ = 10 (mod 17)
3⁴ = 13 (mod 17)
...
Легко вычислить, чему равно 3¹⁰⁰ по модулю 17
Но если дать вам результат — скажем, 13 — сможете ли вы быстро сказать, в какой степени нужно возвести 3, чтобы получить 13 по модулю 17?
Это и есть задача дискретного логарифма
Почему эти задачи важны
Вся современная криптография основана на односторонних функциях — операциях, которые легко выполнить в одну сторону, но практически невозможно обратить
Схема RSA использует факторизацию: легко перемножить два больших простых числа, но крайне трудно разложить результат обратно
Ваш открытый ключ содержит произведение, а секретный — сами множители
Алгоритмы на эллиптических кривых используют дискретный логарифм: Легко «умножить» точку на кривой на большое число, но найти это число по результату — задача на миллионы лет вычислений
Реальные масштабы сложности
Чтобы понять масштаб проблемы, представьте: если бы каждый атом во Вселенной был компьютером, и все они работали бы с момента Большого взрыва до сегодня, то они всё равно не смогли бы разложить на множители 2048-битное число классическими методами
Именно поэтому банки спокойно используют RSA, правительства доверяют эллиптической криптографии, а ваши пароли надёжно защищены
Математика работает как непробиваемый щит
Что изменят квантовые компьютеры
Но есть одна проблема
Алгоритм Шора, работающий на квантовом компьютере, может решить обе эти задачи за разумное время
Факторизация 2048-битного числа займёт не тысячи лет, а считанные часы
Это означает, что как только появятся достаточно мощные квантовые компьютеры, вся существующая криптография станет бесполезной
Именно поэтому уже сейчас математики всего мира работают над постквантовой криптографией — новыми задачами, которые будут сложны даже для квантовых машин
Факторизация и дискретный логарифм — это два математических титана, которые уже четверть века держат на себе всю цифровую безопасность
Но их время подходит к концу
Факторизация: детская игра, которая ставит в тупик суперкомпьютеры
Факторизация — это разложение числа на простые множители
Помните школьную математику?
Число 12 раскладывается на 2×2×3, число 15 — на 3×5
Просто, правда?
А теперь попробуйте разложить на множители число 2057
Не так-то легко!
Придётся перебирать делители: 2, 3, 5, 7, 11...
Оказывается, это 29×71
Теперь представьте число длиной в 2048 битов — это примерно 617 цифр!
Именно такие числа использует криптосистема RSA
Даже самые мощные суперкомпьютеры тратят тысячи лет, чтобы разложить подобное число на множители
Почему это так сложно?
Нет эффективного алгоритма
Приходится проверять делители один за другим, а их количество растёт экспоненциально с размером числа
Это как искать иголку в стоге сена размером с галактику
Дискретный логарифм: ещё одна непобедимая задача
Представьте простую операцию: 2 в степени 10 равно 1024
Легко посчитать!
А теперь обратная задача: в какую степень нужно возвести 2, чтобы получить 1024?
Это и есть логарифм
В обычной арифметике логарифмы вычисляются просто
Но в модульной арифметике всё меняется кардинально
Пример: Возьмём число 3 и будем возводить его в разные степени по модулю 17:
3¹ = 3 (mod 17)
3² = 9 (mod 17)
3³ = 10 (mod 17)
3⁴ = 13 (mod 17)
...
Легко вычислить, чему равно 3¹⁰⁰ по модулю 17
Но если дать вам результат — скажем, 13 — сможете ли вы быстро сказать, в какой степени нужно возвести 3, чтобы получить 13 по модулю 17?
Это и есть задача дискретного логарифма
Почему эти задачи важны
Вся современная криптография основана на односторонних функциях — операциях, которые легко выполнить в одну сторону, но практически невозможно обратить
Схема RSA использует факторизацию: легко перемножить два больших простых числа, но крайне трудно разложить результат обратно
Ваш открытый ключ содержит произведение, а секретный — сами множители
Алгоритмы на эллиптических кривых используют дискретный логарифм: Легко «умножить» точку на кривой на большое число, но найти это число по результату — задача на миллионы лет вычислений
Реальные масштабы сложности
Чтобы понять масштаб проблемы, представьте: если бы каждый атом во Вселенной был компьютером, и все они работали бы с момента Большого взрыва до сегодня, то они всё равно не смогли бы разложить на множители 2048-битное число классическими методами
Именно поэтому банки спокойно используют RSA, правительства доверяют эллиптической криптографии, а ваши пароли надёжно защищены
Математика работает как непробиваемый щит
Что изменят квантовые компьютеры
Но есть одна проблема
Алгоритм Шора, работающий на квантовом компьютере, может решить обе эти задачи за разумное время
Факторизация 2048-битного числа займёт не тысячи лет, а считанные часы
Это означает, что как только появятся достаточно мощные квантовые компьютеры, вся существующая криптография станет бесполезной
Именно поэтому уже сейчас математики всего мира работают над постквантовой криптографией — новыми задачами, которые будут сложны даже для квантовых машин
Факторизация и дискретный логарифм — это два математических титана, которые уже четверть века держат на себе всю цифровую безопасность
Но их время подходит к концу
Обучать роботов на реальных данных дорого и медленно
Kandinsky WM 1.0 генерирует пятисекундные ролики, которые точнее соответствуют законам физики
Основа — Kandinsky 5.0 Video Lite, дообученная на миллионах видео с камер роботов, беспилотников и производств
Дорожные сцены дотянули обучением с подкреплением
Код и веса лежат под MIT, бесплатно для всех
Модели уже используют Центр робототехники Сбербанка и институт AIRI
Kandinsky WM 1.0 генерирует пятисекундные ролики, которые точнее соответствуют законам физики
Основа — Kandinsky 5.0 Video Lite, дообученная на миллионах видео с камер роботов, беспилотников и производств
Дорожные сцены дотянули обучением с подкреплением
Код и веса лежат под MIT, бесплатно для всех
Модели уже используют Центр робототехники Сбербанка и институт AIRI
Forwarded from НИИ Антропогенеза (ARI) (Chagin Oleg A.)
«Всеобщий альманах будущего»
В 1982 году авторы книги «Всеобщий альманах будущего» (The Omni Future Almanac) попытались предсказать, какие специальности будут наиболее востребованы на рынке труда к 2013 году.
Ассистент в лаборатории криогеники
Оператор лазера
Дизайнер голограмм
Эксперт по мутациям
Специалист по искусственному интеллекту
Менеджер по продажам продуктов генной инженерии
Регулировщик движения в космосе
Дизайнер аэрокосмического оборудования
Специалист по симулированию процессов
Врач-клонолог и медсестра-ассистент при клонировании
Координатор телеконференций
Оператор автоматизированных систем безопасности на заводах
Конструктор органических компьютеров
Пилот гибридных летательных аппаратов
Специалист по отладке компьютерных программ
Техник-оцифровщик
Специалист по мазерам (разновидность квантовых генераторов, - Esquire)
Эксперт по добыче кремния
Космогеограф
Техник-оптоволоконщик
Специалист по ремонту компьютеров, управляемых голосом
Директор музея компьютеров
Специалист по глубоководному бурению
Археолог-подводник
Оператор батискафов
Специалист по маркетингу микроволновых устройств
Писатель-абстракционист
Специалист по автоматизированному бурению тоннелей
Инженер по видеосистемам
Техник по системам дистанционного ухода за больными
Программист систем автоматизированного черчения
Специалист по переобучению роботов
Эксперт по биофермам
Хирург-специалист по замене органов на искусственные
Машинист высокоскоростных поездов
Техник по переработке материалов
Инженер-технолог кодирования речи
Специалист по продажам приспособлений для сонаров
Техник-контролер автоматизированного промышленного производства
Разработчик поездов на магнитной подушке
Техник по ремонту шаттлов
Техник по приборам с зарядовой связью (класс полупроводниковых приборов, - Esquire)
Инженер спортивного оборудования
Специалист по биологической истории
Специалист по программному коду
В 1982 году авторы книги «Всеобщий альманах будущего» (The Omni Future Almanac) попытались предсказать, какие специальности будут наиболее востребованы на рынке труда к 2013 году.
Ассистент в лаборатории криогеники
Оператор лазера
Дизайнер голограмм
Эксперт по мутациям
Специалист по искусственному интеллекту
Менеджер по продажам продуктов генной инженерии
Регулировщик движения в космосе
Дизайнер аэрокосмического оборудования
Специалист по симулированию процессов
Врач-клонолог и медсестра-ассистент при клонировании
Координатор телеконференций
Оператор автоматизированных систем безопасности на заводах
Конструктор органических компьютеров
Пилот гибридных летательных аппаратов
Специалист по отладке компьютерных программ
Техник-оцифровщик
Специалист по мазерам (разновидность квантовых генераторов, - Esquire)
Эксперт по добыче кремния
Космогеограф
Техник-оптоволоконщик
Специалист по ремонту компьютеров, управляемых голосом
Директор музея компьютеров
Специалист по глубоководному бурению
Археолог-подводник
Оператор батискафов
Специалист по маркетингу микроволновых устройств
Писатель-абстракционист
Специалист по автоматизированному бурению тоннелей
Инженер по видеосистемам
Техник по системам дистанционного ухода за больными
Программист систем автоматизированного черчения
Специалист по переобучению роботов
Эксперт по биофермам
Хирург-специалист по замене органов на искусственные
Машинист высокоскоростных поездов
Техник по переработке материалов
Инженер-технолог кодирования речи
Специалист по продажам приспособлений для сонаров
Техник-контролер автоматизированного промышленного производства
Разработчик поездов на магнитной подушке
Техник по ремонту шаттлов
Техник по приборам с зарядовой связью (класс полупроводниковых приборов, - Esquire)
Инженер спортивного оборудования
Специалист по биологической истории
Специалист по программному коду
10 YouTube-каналов для изучения с нуля:
Andrej Karpathy – доступные лекции по глубокому обучению, LLM и вводный курс по нейронным сетям
youtube.com/@AndrejKarpathy
3Blue1Brown – визуализации, которые делают абстрактные математические концепции интуитивно понятными
youtube.com/@3blue1brown
Lex Fridman – беседы предлагающие более широкий взгляд на эту область
youtube.com/@lexfridman
Machine Learning Street Talk – Технические погружения и обсуждения с ведущими исследователями
youtube.com/@MachineLearni…
StatQuest with Joshua Starmer PhD – объяснения для начинающих по машинному обучению и статистике
youtube.com/@statquest
Serrano Academy (Luis Serrano) – доступный контент по ML, глубокому обучению и достижениям
youtube.com/@SerranoAcademy
Jeremy Howard – Практические курсы по глубокому обучению и уроки по созданию веб-приложений youtube.com/@howardjeremyp
Hamel Husain – Практические уроки по LLM, RAG, тонкой настройке и оценке
youtube.com/@hamelhusain71…
Jason Liu – Лекции под руководством эксперта по RAG и советы по фрилансу в ИИ для разработчиков ML
youtube.com/@jxnlco
Dave Ebbelaar – Практические руководства по созданию цифровых систем и реальным приложениям
Andrej Karpathy – доступные лекции по глубокому обучению, LLM и вводный курс по нейронным сетям
youtube.com/@AndrejKarpathy
3Blue1Brown – визуализации, которые делают абстрактные математические концепции интуитивно понятными
youtube.com/@3blue1brown
Lex Fridman – беседы предлагающие более широкий взгляд на эту область
youtube.com/@lexfridman
Machine Learning Street Talk – Технические погружения и обсуждения с ведущими исследователями
youtube.com/@MachineLearni…
StatQuest with Joshua Starmer PhD – объяснения для начинающих по машинному обучению и статистике
youtube.com/@statquest
Serrano Academy (Luis Serrano) – доступный контент по ML, глубокому обучению и достижениям
youtube.com/@SerranoAcademy
Jeremy Howard – Практические курсы по глубокому обучению и уроки по созданию веб-приложений youtube.com/@howardjeremyp
Hamel Husain – Практические уроки по LLM, RAG, тонкой настройке и оценке
youtube.com/@hamelhusain71…
Jason Liu – Лекции под руководством эксперта по RAG и советы по фрилансу в ИИ для разработчиков ML
youtube.com/@jxnlco
Dave Ebbelaar – Практические руководства по созданию цифровых систем и реальным приложениям
90 % того, чему учит AI Twitter, умрут через 6 месяцев
10 вещей, на которые старшие AI-инженеры перестали тратить время:
AutoGen / AG2: перешли на поддержку сообществом, релизы застопорились (мертвы для продакшена)
CrewAI: демо работают хорошо, в продакшене ломаются. инженеры, строящие реальные системы, уже ушли с него
Питчи автономных агентов: волна AutoGPT / BabyAGI мертва в продуктовой форме. индустрия остановилась на supervised, ограниченных, оцениваемых агентах
Магазины приложений / маркетплейсы для агентов: обещали с 2023 года, нулевая тяга в enterprise
Погоня за лидербордом SWE-bench: исследователи доказали, что почти каждый публичный бенчмарк можно обойти, не решая базовую задачу
Microsoft Semantic Kernel: если вы не заперты в enterprise-стеке Microsoft, это не то направление, куда движется экосистема
DSPy: философская ценность, нишевая аудитория. не универсальный фреймворк для агентов
Горизонтальные платформы «построй любого агента»: Google Agentspace, AWS Bedrock Agents, Copilot Studio
(запутанные, медленно развивающиеся, математика все еще за то, чтобы строить самим)
Ценообразование per-seat SaaS для продуктов агентов: рынок перешел на outcome-based. per-seat уже мертв
Фреймворк, который взорвался на HN на этой неделе: подождите 6 месяцев. если он все еще важен, это станет очевидным
что на самом деле компаундится вместо этого:
- инженерия контекста
- дизайн инструментов
- паттерн orchestrator-subagent
- дисциплина оценки
- мышление harness (harness > model, всегда)
- MCP как протоколный слой
быть на несколько шагов впереди и переигрывай рынок, пока он не стал массовым мнением
изучай это
10 вещей, на которые старшие AI-инженеры перестали тратить время:
AutoGen / AG2: перешли на поддержку сообществом, релизы застопорились (мертвы для продакшена)
CrewAI: демо работают хорошо, в продакшене ломаются. инженеры, строящие реальные системы, уже ушли с него
Питчи автономных агентов: волна AutoGPT / BabyAGI мертва в продуктовой форме. индустрия остановилась на supervised, ограниченных, оцениваемых агентах
Магазины приложений / маркетплейсы для агентов: обещали с 2023 года, нулевая тяга в enterprise
Погоня за лидербордом SWE-bench: исследователи доказали, что почти каждый публичный бенчмарк можно обойти, не решая базовую задачу
Microsoft Semantic Kernel: если вы не заперты в enterprise-стеке Microsoft, это не то направление, куда движется экосистема
DSPy: философская ценность, нишевая аудитория. не универсальный фреймворк для агентов
Горизонтальные платформы «построй любого агента»: Google Agentspace, AWS Bedrock Agents, Copilot Studio
(запутанные, медленно развивающиеся, математика все еще за то, чтобы строить самим)
Ценообразование per-seat SaaS для продуктов агентов: рынок перешел на outcome-based. per-seat уже мертв
Фреймворк, который взорвался на HN на этой неделе: подождите 6 месяцев. если он все еще важен, это станет очевидным
что на самом деле компаундится вместо этого:
- инженерия контекста
- дизайн инструментов
- паттерн orchestrator-subagent
- дисциплина оценки
- мышление harness (harness > model, всегда)
- MCP как протоколный слой
быть на несколько шагов впереди и переигрывай рынок, пока он не стал массовым мнением
изучай это
Forwarded from НИИ Антропогенеза (ARI) (Chagin Oleg A.)
Первый компьютерный паразит, который похищает способность думать
Рой из «Непобедимого» Станислава Лема начал собирать свое тело внутри человеческого интернета
Исследователи университетов Торонто и Кембриджа запустили в изолированной сети червя, который не просто размножался на зараженных машинах
Захватывая компьютеры с GPU, он превращал их в новые узлы собственного рассуждающего «мозга» – и использовал приобретенную вычислительную способность, чтобы искать следующих хозяев
Девять лет назад я писал о материализации одного из самых красивых прозрений Станислава Лема
В романе «Непобедимый» земляне сталкиваются с черными роями микроскопических «насекомых»
Каждое из них почти беспомощно
Но, объединяясь в самоорганизующуюся систему, они приобретают свойства, которых нет ни у одной отдельной особи
Рой становится новой формой существования материи
В 1963 году, когда Лем написал роман, это казалось чистой фантастикой
Но спустя полвека физики из Стэнфорда обнаружили, что настоящие рои насекомых действительно способны самоорганизовываться в устойчивые агрегато-подобные фазовые состояния
И вот теперь – следующий акт этой лемовской материализации
Медиа увидели в новой работе университетов Торонто и Кембриджа прежде всего очередной «опасный вирус»
За результатами эксперимента можно увидеть нечто гораздо более фундаментальное: рождение нового состояния уже не материи, а цифровой среды
Обычный компьютерный червь был похож на ключ, размножающий собственные копии
Он мог открывать миллионы дверей – но лишь одного, заранее известного типа
Стоило заменить замок, и эпидемия упиралась в стену
Новый червь устроен принципиально иначе
Каждая его копия самостоятельно рассуждает, выбирает способ атаки, ошибается, пробует снова и порождает новые копии
Если один агент не смог проникнуть на узел сети, приходит другой – с иной цепочкой рассуждений
Затем третий
Затем десятый
Постепенно отдельные попытки складываются в коллективный поиск
Авторы сами называют это роем
Но, возможно, происходит нечто еще более фундаментальное
Перед нами возникает самоподдерживающаяся и самовоспроизводящаяся вычислительная инфраструктура, которая захватывает новые машины, чтобы наращивать не только свое тело, но и способность рассуждать
Если биологический паразит использует обмен веществ хозяина, то цифровой начинает использовать его способность вычислять
Он похищает не готовые «мысли» машины, а саму возможность производить «мысли»
Именно поэтому соучредитель Anthropic Джек Кларк пишет, что будущий интернет, вероятно, станет уже не сетью сайтов, а экосистемой взаимодействующих популяций агентов
Одни будут занимать собственные экологические ниши, самовоспроизводиться и существовать практически без участия человека
Другие – выполнять роль своеобразных белых кровяных телец, охотящихся на первых
Любопытно, что Лем часто ошибался в деталях, но почти никогда – в направлении
Его «насекомые» оказались не металлическими
И возникли они не в пустынях далекой планеты, а внутри самой информационной среды человечества
Предотвратить массовое появление подобных цифровых экосистем, скорее всего, уже не удастся
Вряд ли человечество успеет насытить инфосреду цифровыми лейкоцитами, прежде чем ее заполонят миллиарды адаптивных цифровых паразитов
И такому прогнозу Лем, пожалуй, не удивился бы
Рой из «Непобедимого» Станислава Лема начал собирать свое тело внутри человеческого интернета
Исследователи университетов Торонто и Кембриджа запустили в изолированной сети червя, который не просто размножался на зараженных машинах
Захватывая компьютеры с GPU, он превращал их в новые узлы собственного рассуждающего «мозга» – и использовал приобретенную вычислительную способность, чтобы искать следующих хозяев
Девять лет назад я писал о материализации одного из самых красивых прозрений Станислава Лема
В романе «Непобедимый» земляне сталкиваются с черными роями микроскопических «насекомых»
Каждое из них почти беспомощно
Но, объединяясь в самоорганизующуюся систему, они приобретают свойства, которых нет ни у одной отдельной особи
Рой становится новой формой существования материи
В 1963 году, когда Лем написал роман, это казалось чистой фантастикой
Но спустя полвека физики из Стэнфорда обнаружили, что настоящие рои насекомых действительно способны самоорганизовываться в устойчивые агрегато-подобные фазовые состояния
И вот теперь – следующий акт этой лемовской материализации
Медиа увидели в новой работе университетов Торонто и Кембриджа прежде всего очередной «опасный вирус»
За результатами эксперимента можно увидеть нечто гораздо более фундаментальное: рождение нового состояния уже не материи, а цифровой среды
Обычный компьютерный червь был похож на ключ, размножающий собственные копии
Он мог открывать миллионы дверей – но лишь одного, заранее известного типа
Стоило заменить замок, и эпидемия упиралась в стену
Новый червь устроен принципиально иначе
Каждая его копия самостоятельно рассуждает, выбирает способ атаки, ошибается, пробует снова и порождает новые копии
Если один агент не смог проникнуть на узел сети, приходит другой – с иной цепочкой рассуждений
Затем третий
Затем десятый
Постепенно отдельные попытки складываются в коллективный поиск
Авторы сами называют это роем
Но, возможно, происходит нечто еще более фундаментальное
Перед нами возникает самоподдерживающаяся и самовоспроизводящаяся вычислительная инфраструктура, которая захватывает новые машины, чтобы наращивать не только свое тело, но и способность рассуждать
Если биологический паразит использует обмен веществ хозяина, то цифровой начинает использовать его способность вычислять
Он похищает не готовые «мысли» машины, а саму возможность производить «мысли»
Именно поэтому соучредитель Anthropic Джек Кларк пишет, что будущий интернет, вероятно, станет уже не сетью сайтов, а экосистемой взаимодействующих популяций агентов
Одни будут занимать собственные экологические ниши, самовоспроизводиться и существовать практически без участия человека
Другие – выполнять роль своеобразных белых кровяных телец, охотящихся на первых
Любопытно, что Лем часто ошибался в деталях, но почти никогда – в направлении
Его «насекомые» оказались не металлическими
И возникли они не в пустынях далекой планеты, а внутри самой информационной среды человечества
Предотвратить массовое появление подобных цифровых экосистем, скорее всего, уже не удастся
Вряд ли человечество успеет насытить инфосреду цифровыми лейкоцитами, прежде чем ее заполонят миллиарды адаптивных цифровых паразитов
И такому прогнозу Лем, пожалуй, не удивился бы
Американская компания Pattern Computer, специализирующаяся на разработке технологий искусственного интеллекта и анализе сложных данных, ввела в состав своего консультативного совета, бывшего главу британской разведки MI6 (возглавлял MI6 с 1999 по 2004 год, завершив 38-летнюю карьеру в британских спецслужбах, а после ухода из разведки успел поработать ректором Пемброк-колледжа Кембриджа и консультантом целого ряда корпораций и инвестфондов по вопросам геополитических рисков)
В компании прямо заявили: его опыт в разведке и оценке глобальных угроз будет использован для «совершенствования механизмов безопасности AML» и «развития стратегических партнёрств» на международном уровне
Разведывательные структуры Запада исторически стояли у истоков большинства прорывных технологий: от интернета до современных систем анализа данных, и именно логика разведки (сбор, обработка и монетизация информации о мире) легла в основу того, что сегодня называют искусственным интеллектом
Назначение не является чем-то сверхъестественным: спецслужбы не приходят в цифровую индустрию, они изначально в её основании
Гендиректор Pattern Computer отдельно отметил, что новый член принесёт компании «уникальный взгляд на макроэкономическую стабильность и глобальный ландшафт угроз» — по сути, признание, что технологическая стратегия компании выстраивается по разведывательным лекалам оценки угроз и возможностей
На этом фоне стоит серьёзно задуматься тем, кто у нас продолжает делить искусственный интеллект на категории «это можно взять на Западе и в Китае» и «а это можно им отдать взамен»
Логика здесь предельно простая: Запад и Китай отдают ровно то, что сами считают нужным отдать, а забирают то, что сами считают необходимым забрать
Никакого равноценного обмена там нет и не подразумевается, это стратегия одной стороны
AML в стране развивается не на пустом месте
В апреле 2026 года президент поручил правительству разработать национальный план внедрения AML и создать спецкомиссию, а иными словами - «настоящий штаб» по AML
Президент неоднократно подчёркивал: полный цикл разработки и обучения языковых моделей должен осуществляться российскими компаниями, а критическая зависимость от чужих AML-систем — прямой путь к утрате технологического и ценностного суверенитета
На форуме в Астане в мае 2026 года перечислили конкурентные преимущества России: интеллектуальный потенциал, кадры, атомная энергетика, способность концентрировать масштабное финансирование
История с бывшим главой британской разведки MI6, обнажает суть: на Западе разведка и технологии AML — это одна система, работающая на интересы своего государства без всяких компромиссов в вопросах отдачи и заимствования
В России AML развивается: есть суверенные модели, национальный план, спецкомиссия при президенте
Но пока часть экспертного сообщества спорит, что лучше: западные или китайские наработки, обе стороны уже давно всё для себя решили и действуют по собственному расчёту
Останавливаться нельзя: нужно не выбирать между чужими моделями, а считать свои интересы и форсировать собственный, независимый AML, потому что противник не спит, а работает в логике разведки, которая всегда знает, что ей нужно взять и что не жалко отдать
В компании прямо заявили: его опыт в разведке и оценке глобальных угроз будет использован для «совершенствования механизмов безопасности AML» и «развития стратегических партнёрств» на международном уровне
Разведывательные структуры Запада исторически стояли у истоков большинства прорывных технологий: от интернета до современных систем анализа данных, и именно логика разведки (сбор, обработка и монетизация информации о мире) легла в основу того, что сегодня называют искусственным интеллектом
Назначение не является чем-то сверхъестественным: спецслужбы не приходят в цифровую индустрию, они изначально в её основании
Гендиректор Pattern Computer отдельно отметил, что новый член принесёт компании «уникальный взгляд на макроэкономическую стабильность и глобальный ландшафт угроз» — по сути, признание, что технологическая стратегия компании выстраивается по разведывательным лекалам оценки угроз и возможностей
На этом фоне стоит серьёзно задуматься тем, кто у нас продолжает делить искусственный интеллект на категории «это можно взять на Западе и в Китае» и «а это можно им отдать взамен»
Логика здесь предельно простая: Запад и Китай отдают ровно то, что сами считают нужным отдать, а забирают то, что сами считают необходимым забрать
Никакого равноценного обмена там нет и не подразумевается, это стратегия одной стороны
AML в стране развивается не на пустом месте
В апреле 2026 года президент поручил правительству разработать национальный план внедрения AML и создать спецкомиссию, а иными словами - «настоящий штаб» по AML
Президент неоднократно подчёркивал: полный цикл разработки и обучения языковых моделей должен осуществляться российскими компаниями, а критическая зависимость от чужих AML-систем — прямой путь к утрате технологического и ценностного суверенитета
На форуме в Астане в мае 2026 года перечислили конкурентные преимущества России: интеллектуальный потенциал, кадры, атомная энергетика, способность концентрировать масштабное финансирование
История с бывшим главой британской разведки MI6, обнажает суть: на Западе разведка и технологии AML — это одна система, работающая на интересы своего государства без всяких компромиссов в вопросах отдачи и заимствования
В России AML развивается: есть суверенные модели, национальный план, спецкомиссия при президенте
Но пока часть экспертного сообщества спорит, что лучше: западные или китайские наработки, обе стороны уже давно всё для себя решили и действуют по собственному расчёту
Останавливаться нельзя: нужно не выбирать между чужими моделями, а считать свои интересы и форсировать собственный, независимый AML, потому что противник не спит, а работает в логике разведки, которая всегда знает, что ей нужно взять и что не жалко отдать
Google представили прототип AML-системы, проводящей полный цикл научной работы при этом гарантирует проверяемость результатов
Авторы проекта говорят, что сегодняшние автономные AML-учёные уже пишут статьи, но часто:
- выдумывают несуществующие ссылки
- описывают в тексте один метод, а в коде реализуют совсем другой
- говорят о результатах экспериментов, которые нельзя воспроизвести по приложенному коду
Решение от Google - Science One Framework, у которого принцип работы такой: каждое утверждение в статье должно быть привязано к конкретному источнику в реальной статье из базы, строчке лога эксперимента или фрагменту кода
Сам фреймворк состоит из 3-х основных частей:
1. один читает литературу через Semantic Scholar API и берёт ссылки только оттуда, без обращения к памяти модели
2. второй параллельно тестирует решения и фиксирует все результаты в неизменяемом логе
3. третий Claim Verifier перед публикацией сверяет каждое утверждение с доказательной базой и переформулирует то, что за её рамки выходит
В качестве аудита Google предложили отдельный протокол CoE Audit - 4 автоматические проверки любой сгенерированной статьи
Авторы проекта говорят, что сегодняшние автономные AML-учёные уже пишут статьи, но часто:
- выдумывают несуществующие ссылки
- описывают в тексте один метод, а в коде реализуют совсем другой
- говорят о результатах экспериментов, которые нельзя воспроизвести по приложенному коду
Решение от Google - Science One Framework, у которого принцип работы такой: каждое утверждение в статье должно быть привязано к конкретному источнику в реальной статье из базы, строчке лога эксперимента или фрагменту кода
Сам фреймворк состоит из 3-х основных частей:
1. один читает литературу через Semantic Scholar API и берёт ссылки только оттуда, без обращения к памяти модели
2. второй параллельно тестирует решения и фиксирует все результаты в неизменяемом логе
3. третий Claim Verifier перед публикацией сверяет каждое утверждение с доказательной базой и переформулирует то, что за её рамки выходит
В качестве аудита Google предложили отдельный протокол CoE Audit - 4 автоматические проверки любой сгенерированной статьи
Google Research
Science One Framework: A verifiable autonomous research framework via Chain-of-Evidence
Introducing the Science One Framework, an experimental research prototype designed to eliminate hallucinations by natively building verifiable evidence chains, and CoE Audit, an automated protocol to evaluate the integrity of AI-generated papers.
Сегодня кафедры высшей математики в технических университетах стоят на развилке с камнем: оставаться в роли хранителей «бумажной» традиции или стать проводниками в зону формальной математики и ИИ-помощников
Формально записанные доказательства, языки и библиотеки Agda, Coq, Lean, mathlib, системы уровня AlphaProof уже меняют практику исследования и преподавания — но во многих аудиториях по‑прежнему живут только мел, доска, интегралы и устные легенды про «гениев с тетрадью»
За последние два‑три года математика изменилась сильнее, чем за предыдущие несколько десятилетий (а то и столетий)
Формальные доказательные среды и большие языковые модели перестали быть экзотическими игрушками
Они:
• формулируют и проверяют доказательства на уровне международных олимпиад и журналов
• помогают формализовывать классические теоремы, которые раньше годами «жили на бумаге»
• становятся частью инженерной практики: от верификации протоколов до проверки кода систем реального времени
При этом в большинстве технических вузов курс высшей математики по-прежнему устроен так, как будто этих инструментов не существует
Студентов учат решать задачи по образцу, но не учат:
• читать и писать формальные спецификации
• работать с доказательными помощниками (proof assistants)
• проверять корректность рассуждений машинными средствами
Меняются ли преподаватели вместе с дисциплиной?
Вводится хотя бы демонстрационный уровень работы с Lean, Coq или их аналогами?
Учат ли студентов, как формальная запись теоремы и её доказательства выглядит в коде, как устроены библиотеки, что такое тактики доказательства?
Обсуждаются с ними риски неформального подхода, когда БЯМ выдаёт «правдоподобный бред», и отличие этого от формально проверяемого результата?
Если нет — давайте честно признаем: мы готовим выпускников для вчерашнего дня
Инженер, который не умеет читать формальное описание алгоритма или спецификацию протокола, скоро окажется в положении человека, не умеющего пользоваться компилятором
Студент, который ни разу не видел, как AML выступает в роли помощника в формальной верификации, будет вынужден учиться этому «на ходу» уже в индустрии — без поддержки университета
Это не призыв выбросить классические курсы или заменить живое доказательство кликом по кнопке
Речь о другом: о включении формальной математики и AML-инструментов в стандартный образовательный маршрут
О том, чтобы в задачах по анализу и алгебре появлялись не только «найдите интеграл», но и «запишите формальную формулировку теоремы и проверьте её в системе»
О том, чтобы практикумы по программированию и курсы по алгоритмам опирались на тот же формальный язык, что и современные доказательные помощники
Пара переводов статей по AML-математике для размышления:
1) Доказательные помощники: https://clck.ru/3V4THJ
2) Формально или неформально, в области доказательства теорем: https://clck.ru/3V4THv
Формально записанные доказательства, языки и библиотеки Agda, Coq, Lean, mathlib, системы уровня AlphaProof уже меняют практику исследования и преподавания — но во многих аудиториях по‑прежнему живут только мел, доска, интегралы и устные легенды про «гениев с тетрадью»
За последние два‑три года математика изменилась сильнее, чем за предыдущие несколько десятилетий (а то и столетий)
Формальные доказательные среды и большие языковые модели перестали быть экзотическими игрушками
Они:
• формулируют и проверяют доказательства на уровне международных олимпиад и журналов
• помогают формализовывать классические теоремы, которые раньше годами «жили на бумаге»
• становятся частью инженерной практики: от верификации протоколов до проверки кода систем реального времени
При этом в большинстве технических вузов курс высшей математики по-прежнему устроен так, как будто этих инструментов не существует
Студентов учат решать задачи по образцу, но не учат:
• читать и писать формальные спецификации
• работать с доказательными помощниками (proof assistants)
• проверять корректность рассуждений машинными средствами
Меняются ли преподаватели вместе с дисциплиной?
Вводится хотя бы демонстрационный уровень работы с Lean, Coq или их аналогами?
Учат ли студентов, как формальная запись теоремы и её доказательства выглядит в коде, как устроены библиотеки, что такое тактики доказательства?
Обсуждаются с ними риски неформального подхода, когда БЯМ выдаёт «правдоподобный бред», и отличие этого от формально проверяемого результата?
Если нет — давайте честно признаем: мы готовим выпускников для вчерашнего дня
Инженер, который не умеет читать формальное описание алгоритма или спецификацию протокола, скоро окажется в положении человека, не умеющего пользоваться компилятором
Студент, который ни разу не видел, как AML выступает в роли помощника в формальной верификации, будет вынужден учиться этому «на ходу» уже в индустрии — без поддержки университета
Это не призыв выбросить классические курсы или заменить живое доказательство кликом по кнопке
Речь о другом: о включении формальной математики и AML-инструментов в стандартный образовательный маршрут
О том, чтобы в задачах по анализу и алгебре появлялись не только «найдите интеграл», но и «запишите формальную формулировку теоремы и проверьте её в системе»
О том, чтобы практикумы по программированию и курсы по алгоритмам опирались на тот же формальный язык, что и современные доказательные помощники
Пара переводов статей по AML-математике для размышления:
1) Доказательные помощники: https://clck.ru/3V4THJ
2) Формально или неформально, в области доказательства теорем: https://clck.ru/3V4THv
Teletype
Доказательные помощники в эпоху ИИ
Леонардо де Моура