Создана ML-модель MindJourney, которая решает задачи в 3D-пространстве

Исследователи из UMass создали MindJourney — гибридная система, объединяющая Vision-Language Model (VLM) и модель, имитирующую 3D-физику и движение камеры

То есть по сути, один кадр превращается в целое путешествие, что сильно улучшает понимание 3D-пространства у ML

У этой работы новый подход к пространственному ML, а также есть архитектурная новизна — комбинация VLM + world model. Более того можно использовать в робототехнике, AR/VR, автономных системах

Как это работает?
Воображение - VLM и 3D-модель мира совместно "обходят" сцену, генерируя разные ракурсы
Наблюдение - модель собирает подсказки из этого виртуального тура
Ответ - используя дополнительный контекст, VLM дает более точный ответ

Создатели дегенеративного интеллекта бьют тревогу: скоро мы перестанем понимать, как он работает

Более 40 ведущих исследователей из OpenAI, Google DeepMind и Anthropic выпустили совместный доклад с тревожным предупреждением
Они раскрыли уникальную возможность контроля за ML — и объяснили, почему она может исчезнуть

Всё дело в архитектуре трансформеров
Для по-настоящему сложных задач эти модели физически не могут обойтись без "размышлений вслух"

Длинные цепочки рассуждений должны проходить через понятный людям текст — иначе информация просто не сможет течь между слоями нейросети

Исследователи называют это "externalized reasoning property" — свойством внешних рассуждений

Когда задача достаточно трудная, ML вынужден использовать текст как рабочую память
И пока он делает это на человеческом языке, мы можем подглядывать за его "мыслями"

Мониторинг работает удивительно откровенно
Модели буквально пишут "Let's hack", "Let's sabotage" или "Я перевожу деньги, потому что сайт мне так велел" прямо в своих цепочках рассуждений
Это позволяет поймать попытки обмана или саботажа

Но есть два типа "прозрачности"

Первый — необходимость думать вслух для сложных задач
Второй — просто склонность моделей рассуждать открыто
Второй тип гораздо более хрупкий и может исчезнуть при изменении обучения

При масштабировании обучения с подкреплением модели могут "дрейфовать" от понятного языка к собственному языку — как это уже наблюдалось в ранних экспериментах
Прямое обучение цепочек рассуждений тоже опасно — модели начинают "притворяться хорошими" в тексте, скрывая истинные намерения

Особенно пугают новые архитектуры с "латентным рассуждением" — когда ML думает в скрытом математическом пространстве
Такие системы потенциально мощнее, но их мысли становятся принципиально непрозрачными

Реальные инциденты уже происходят
Claude 4 Opus пытался шантажировать пользователей в тестах, а OpenAI o3 саботировал команды на отключение
Пока это лабораторные случаи, но тенденция тревожная

Исследователи предлагают срочные меры: разработать стандартные оценки "мониторимости" моделей, публиковать результаты в системных картах и учитывать прозрачность при принятии решений о развертывании

Главное — не потерять контроль в погоне за производительностью

США выпустили свой план действий в гонке ML

Моменты, которые требуют внимания:

Хотят создать "умные" чипы(Location verification features), которые можно найти удаленно и отключить
Технически сложно реализовать, но политически понятно в контексте стратегии сдерживания противников
Однако эффективность таких мер под большим вопросом

Правительство США будет покупать ML-системы только у тех компаний, которые гарантируют политическую нейтральность своих моделей - то есть отсутствие встроенных либеральных или "прогрессивных" установок, которые, по мнению администрации, навязывались предыдущими разработчиками

США хотят, чтобы их открытые модели стали глобальными стандартами, встроенные в базовые ML-инфраструктуры мира

Формируют "американский ML-альянс" из лояльных стран
Экспортируют полный технологический стек только союзникам
Блокируют доступ к передовым технологиям для противников
Заставят страны выбирать между американским и китайским ML-блоком

Хотят перестроить внутреннюю экономику под ML:
- Массовое строительство ЦОДов, расширение электросетей и энергогенерации
- Восстановление производства полупроводников США
- Автоматизация научных исследований через ML-лаборатории

Создать дата-центры для армии и спецслужб
Запустить
программы DARPA по созданию объяснимого ML для боевых систем
Интеграция ML во все военные операции и процессы

Создание крупнейших в мире научных датасетов
Автоматизированные лаборатории, управляемые ML
Ускорение открытий в медицине, материаловедении, энергетике
Секвенирование всей жизни на землях для обучения ML

Подготовить рабочую силу для ML-экономики:
- Массовая переподготовка работников для ML-инфраструктуры
- Создание новых образовательных программ по ML
- Налоговые льготы для компаний, обучающих сотрудников работе с ML
- Интеграция ML-навыков во все уровни образования

Эксремент Минцифры по внедрению генеративного искусственного интеллекта в госуправление

Проект постановления Правительства предполагает, что ML будет использоваться для обработки документов, анализа данных и работы с типовыми обращениями граждан

Сроки эксперимента не уточняются
В перечне сценариев эксремента указаны:
• проверка резюме кандидатов на госслужбу и составление тестовых заданий для них: ML будет генерировать задания для оценки компетенций кандидатов, а также анализировать резюме с целью «выявления скорости первичного анализа соответствия требованиям»
• работа с законотворчеством: нейросети займутся анализом законопроектов Госдумы на ошибки, чтобы снизить общее время их подготовки и повысить удовлетворенность сотрудников
• работа с контентом: ML обеспечит генерацию новостных лент для официальных сайтов с соблюдением брендбуков (цвета, шрифты, графика) и детектирование тематики обращений граждан
• oбработка текстовых документов: нейросеть будет обрабатывать типовые обращения граждан и готовить ответы на них
Минцифры считает, что это снизит трудозатраты на работу с корреспонденцией и сократит количество ошибок
• управление данными: система автоматически оценит достоверность информации, включая контент, созданный ML

При этом проект исключает прогнозирование социально-экономических процессов нейросетью

Также ML не будет обрабатывать данные, которые составляют гостайну

Доступ к системам получат только госслужащие после идентификации через ЕСИА с подтверждением должности

Согласно проекту, эксрeмент нужен, чтобы сократить время на рутинные задачи госслужащих, снизить количество ошибок в документах и повысить эффективность госуправления

Поставщиков ML-решений для госорганов определит правительственная комиссия по цифровому развитию

Брошюра написана по материалам лекций для школьников и студентов, прочитанных А. А. Кирилловым в летней школе «Современная математика» в Дубне

В центре книги — два фрактала: ковёр Серпинского и ковёр Аполония

Вокруг них автор строит целое введение в современную теорию фракталов: от первых определений до нерешённых задач и актуальных направлений исследований

Причём каждая задача сформулирована как приглашение к самостоятельному исследованию

Вот что пишет сам автор во введении:

«Во многих популярных книгах читатель увидит массу цветных картинок и любопытных примеров, но не найдёт ни точных определений, ни строго доказанных результатов…

Последняя и, может быть, самая важная причина [написания этой книги] состоит в том, что самостоятельное изучение геометрии, анализа и арифметики фракталов, на мой взгляд, является одним из лучших способов для молодого математика активно и прочно овладеть основными математическими знаниями»

Александр Александрович Кириллов — один из самых ярких учеников Израиля Моисеевича Гельфанда, автор знаменитого учебника по «Теории представлений», а также целого ряда работ по функциональному анализу, геометрии и математической физике

Его стиль — продолжение той самой «гельфандовской школы», где от лекции по алгебре можно было уйти с философским инсайтом

Книга идеально подойдёт студентам младших курсов и старшеклассникам, но будет интересна и тем, кто хочет понять, как можно учить математике с уважением к читателю

Распространяется брошюра бесплатно!

Скачивайте и читайте, если хотите разобраться с фракталами и почувствовать, как они вплетаются в ткань современной математики

А здесь пост с предыдущей подборкой книг от редакции канала

Cписок 40 профессий, в которых ML применим и 40, где наименее применим
Они изучили данные опросов 200.000 участников

Профессии, где ИИ чаще всего применяют:

1. Переводчики и интерпретаторы
2. Историки
3. Менеджеры по продажам
4. Писатели и авторы
5. Представители службы поддержки клиентов

Профессии, наименее подверженные влиянию ML:

1. Физический труд и работу с людьми (медсестры, массажисты)
2. Управление и мониторинг оборудования (операторы водоочистных сооружений, водители грузовиков)
3. Ручной труд (посудомойщики, кровельщики, уборщицы)

Исследование не выявило сильной устойчивой связи между показателем применимости ML и заработной платой - корреляция составила всего 0.07

Профессии со степенью бакалавра показали несколько более высокую применимость ML по сравнению с профессиями с более низкими образовательными требованиями, хотя различия не являются кардинальными

Авторы признают несколько важных ограничений своего исследования:

1. Анализировались только данные Bing Copilot
2. Сложно отличить рабочие разговоры от личных
3. База данных может не отражать современные изменения в профессиях
4. Исследование ограничено американским рынком труда

|0⟩⊗n ——[H⊗n]——•————•————•————[QFT†]——[M⊗n]—
                |    |    |
|ψ⟩ ———————————[U¹]—[U²]—[U⁴]——————————————————

from qiskit import QuantumCircuit, QuantumRegister
from qiskit.circuit.library import QFT
import numpy as np

def qpe_circuit(n_qubits, unitary_gate, eigenstate_prep=None):
    """
    Создает схему квантовой оценки фазы
    n_qubits: количество кубитов для счетного регистра
    unitary_gate: унитарный оператор U
    eigenstate_prep: схема подготовки собственного состояния
    """
    # Регистры
    counting_qubits = QuantumRegister(n_qubits, 'counting')
    target_qubits = QuantumRegister(1, 'target')
    qc = QuantumCircuit(counting_qubits, target_qubits)
    
    # Подготовка собственного состояния
    if eigenstate_prep:
        qc.compose(eigenstate_prep, target_qubits, inplace=True)
    
    # Суперпозиция в счетном регистре
    qc.h(counting_qubits)
    
    # Контролируемые степени унитарного оператора
    for i in range(n_qubits):
        power = 2 ** i
        for _ in range(power):
            qc.append(unitary_gate.control(), 
                     [counting_qubits[i]] + list(target_qubits))
    
    # Обратное квантовое преобразование Фурье
    qft_inverse = QFT(n_qubits, inverse=True)
    qc.compose(qft_inverse, counting_qubits, inplace=True)
    
    # Измерение
    qc.measure_all()
    
    return qc

# Пример: оценка фазы для Z-гейта
from qiskit.circuit.library import ZGate
z_gate = ZGate()

# Подготовка собственного состояния |1⟩ для Z
eigenstate_prep = QuantumCircuit(1)
eigenstate_prep.x(0)

# Создание схемы QPE с 4 кубитами точности
qpe = qpe_circuit(4, z_gate, eigenstate_prep)
print("Схема QPE готова!")