NVIDIA выпустила первые в мире открытые ИИ-модели для квантовых вычислений
Семейство называется Ising, в честь математической модели, которая упростила описание сложных физических систем
Задача та же: закрыть два самых болезненных места в квантовых компьютерах – калибровку процессора и коррекцию ошибок
По цифрам: Ising Decoding работает в 2.5 раза быстрее и в 3 раза точнее, чем pyMatching (нынешний стандарт)
Ising Calibration сокращает время калибровки с дней до часов
Модели открытые, можно запустить локально, интегрируются с CUDA-Q и NVQLink
Уже доступны на Hugging Face
https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers
Семейство называется Ising, в честь математической модели, которая упростила описание сложных физических систем
Задача та же: закрыть два самых болезненных места в квантовых компьютерах – калибровку процессора и коррекцию ошибок
По цифрам: Ising Decoding работает в 2.5 раза быстрее и в 3 раза точнее, чем pyMatching (нынешний стандарт)
Ising Calibration сокращает время калибровки с дней до часов
Модели открытые, можно запустить локально, интегрируются с CUDA-Q и NVQLink
Уже доступны на Hugging Face
https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers
NVIDIA Newsroom
NVIDIA Launches Ising, the World’s First Open AI Models to Accelerate the Path to Useful Quantum Computers
NVIDIA today announced the world’s first family of open source quantum AI models, NVIDIA Ising, designed to help researchers and enterprises build quantum processors capable of running useful applications.
TRIBE v2 предсказывает реакцию мозга на видео, звук и текст
Данные объединяет трансформерная архитектура, которая предсказывает реакцию мозга даже при отсутствии части входных данных
Нейросети можно дать фильм, подкаст или образовательный материал и посмотреть, как на это, вероятно, отреагирует человек
Если раньше один эксперимент занимал месяцы подготовки и требовал серьезного бюджета, теперь симуляция помогает проверять сотни гипотез в день
По точности модель уже превосходит усреднение реальных замеров — цифровой мозг убирает шум, которого не избежать в живом эксперименте
Пока за пределами досягаемости — запахи, прикосновения, быстрые нейронные процессы
Модель описывает мозг как систему реакций, но не как систему выбора
Вопрос только времени. Такие инструменты меняют не только скорость развития нейронауки — они меняют то, кто вообще может ею заниматься
Университет с дорогущим томографом или стартап с API
Данные объединяет трансформерная архитектура, которая предсказывает реакцию мозга даже при отсутствии части входных данных
Нейросети можно дать фильм, подкаст или образовательный материал и посмотреть, как на это, вероятно, отреагирует человек
Если раньше один эксперимент занимал месяцы подготовки и требовал серьезного бюджета, теперь симуляция помогает проверять сотни гипотез в день
По точности модель уже превосходит усреднение реальных замеров — цифровой мозг убирает шум, которого не избежать в живом эксперименте
Пока за пределами досягаемости — запахи, прикосновения, быстрые нейронные процессы
Модель описывает мозг как систему реакций, но не как систему выбора
Вопрос только времени. Такие инструменты меняют не только скорость развития нейронауки — они меняют то, кто вообще может ею заниматься
Университет с дорогущим томографом или стартап с API
Atmeta
TRIBE v2
A self-supervised vision transformer model by Meta AI
Gemini 3.1 Flash TTS – новое поколение голосового движка в экосистеме Gemini
Контроль интонации, возможно задавать стиль, темп, ударения и «атмосферу» речи через теги в тексте, почти как в режиссерских заметках для голоса
Плюс модель может работать с многоголосием с сохранением стиля голоса каждого персонажа, так что ее можно использовать для озвучки целых фильмов
Плюс скорость
По сравнению с более ранними TTS ускорение первого токена и общей задержки произошло на десятки процентов
Это уже близко к полноценным онлайн прод-сценариям
Озвучка, переводы, подкасты и голосовые агенты выходят на совсем новый уровень
blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/
Контроль интонации, возможно задавать стиль, темп, ударения и «атмосферу» речи через теги в тексте, почти как в режиссерских заметках для голоса
Плюс модель может работать с многоголосием с сохранением стиля голоса каждого персонажа, так что ее можно использовать для озвучки целых фильмов
Плюс скорость
По сравнению с более ранними TTS ускорение первого токена и общей задержки произошло на десятки процентов
Это уже близко к полноценным онлайн прод-сценариям
Озвучка, переводы, подкасты и голосовые агенты выходят на совсем новый уровень
blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/
Google
Gemini 3.1 Flash TTS: the next generation of expressive AI speech
Gemini 3.1 Flash TTS is now available across Google products.
❤1
The Latent Space: Foundation, Evolution, Mechanism, Ability, and Outlook
https://arxiv.org/abs/2604.02029v1
Репа: https://github.com/YU-deep/Awesome-Latent-Space
Ревью: https://arxiviq.substack.com/p/the-latent-space-foundation-evolution
Авторы представили подробную таксономию и формальный обзор подходов на базе "латентного пространства" в языковых моделях
Работа переосмысляет непрерывные внутренние состояния: из скрытых деталей реализации они превращаются в первичный, машинно-нативный вычислительный субстрат
Исследователи систематизировали сотни разрозненных статей в двумерную структуру, сопоставляющую механистический дизайн (архитектуру, репрезентации, вычисления, оптимизацию) с функциональными возможностями (рассуждения, планирование, восприятие, память, embodied-задачи и коллаборация)
Современные авторегрессионные модели упираются в серьёзные структурные ограничения из-за избыточности языка, боттлнека дискретизации и высоких затрат на последовательное декодирование
Перенос вычислений в непрерывное латентное многообразие позволяет кодировать суперпозиции путей рассуждения, сохранять высокоточную мультимодальную информацию и обмениваться данными между агентами без семантических потерь
Это фундаментально меняет архитектурные рамки базовых моделей следующего поколения
Переход на непрерывные репрезентации означает скорый отказ от явного промпт-инжиниринга промежуточных шагов (CoT) в пользу работы со скрытыми состояниями
Дискретный текст останется лишь интерфейсом ввода-вывода, тогда как основная тяжёлая работа (поиск, симуляция, память) уйдёт в латентное пространство
Потребуется новый инструментарий для мониторинга, отладки и AI alignment таких состояний, так как для человека они полностью непрозрачны
https://arxiv.org/abs/2604.02029v1
Репа: https://github.com/YU-deep/Awesome-Latent-Space
Ревью: https://arxiviq.substack.com/p/the-latent-space-foundation-evolution
Авторы представили подробную таксономию и формальный обзор подходов на базе "латентного пространства" в языковых моделях
Работа переосмысляет непрерывные внутренние состояния: из скрытых деталей реализации они превращаются в первичный, машинно-нативный вычислительный субстрат
Исследователи систематизировали сотни разрозненных статей в двумерную структуру, сопоставляющую механистический дизайн (архитектуру, репрезентации, вычисления, оптимизацию) с функциональными возможностями (рассуждения, планирование, восприятие, память, embodied-задачи и коллаборация)
Современные авторегрессионные модели упираются в серьёзные структурные ограничения из-за избыточности языка, боттлнека дискретизации и высоких затрат на последовательное декодирование
Перенос вычислений в непрерывное латентное многообразие позволяет кодировать суперпозиции путей рассуждения, сохранять высокоточную мультимодальную информацию и обмениваться данными между агентами без семантических потерь
Это фундаментально меняет архитектурные рамки базовых моделей следующего поколения
Переход на непрерывные репрезентации означает скорый отказ от явного промпт-инжиниринга промежуточных шагов (CoT) в пользу работы со скрытыми состояниями
Дискретный текст останется лишь интерфейсом ввода-вывода, тогда как основная тяжёлая работа (поиск, симуляция, память) уйдёт в латентное пространство
Потребуется новый инструментарий для мониторинга, отладки и AI alignment таких состояний, так как для человека они полностью непрозрачны
arXiv.org
The Latent Space: Foundation, Evolution, Mechanism, Ability, and Outlook
Latent space is rapidly emerging as a native substrate for language-based models. While modern systems are still commonly understood through explicit token-level generation, an increasing body of...
Статья из Quanta Magazine: “The AI Revolution in Math Has Arrived”
Mathematical methods and human thought in the age of AI
https://arxiv.org/abs/2603.26524
Ревью: https://arxiviq.substack.com/p/mathematical-methods-and-human-thought
Авторы предлагают философский и стратегический фреймворк для интеграции AML в математически строгие пайплайны
Описан поэтапный переход от простой помощи на периферии к полноценному коллаборативному сосуществованию человека и машины
По мере того как языковые и рассуждающие модели масштабируются, автоматизация интеллектуального труда опасно отрывается от базовых когнитивных процессов
Бесконтрольное внедрение AML грозит системным загрязнением данных и эпистемологической цикличностью
Для безопасного использования AML в качестве интеллектуальной базы необходимы строгие барьеры формальной верификации
Это позволяет изолировать стохастические галлюцинации моделей и не принимать сгенерированный синтаксис за фактическую истину
Mathematical methods and human thought in the age of AI
https://arxiv.org/abs/2603.26524
Ревью: https://arxiviq.substack.com/p/mathematical-methods-and-human-thought
Авторы предлагают философский и стратегический фреймворк для интеграции AML в математически строгие пайплайны
Описан поэтапный переход от простой помощи на периферии к полноценному коллаборативному сосуществованию человека и машины
По мере того как языковые и рассуждающие модели масштабируются, автоматизация интеллектуального труда опасно отрывается от базовых когнитивных процессов
Бесконтрольное внедрение AML грозит системным загрязнением данных и эпистемологической цикличностью
Для безопасного использования AML в качестве интеллектуальной базы необходимы строгие барьеры формальной верификации
Это позволяет изолировать стохастические галлюцинации моделей и не принимать сгенерированный синтаксис за фактическую истину
arXiv.org
Mathematical methods and human thought in the age of AI
Artificial intelligence (AI) is the name popularly given to a broad spectrum of computer tools designed to perform increasingly complex cognitive tasks, including many that used to solely be the...
Теория конструкторов
Попытка переложить физику в негативном ключе: возможно все, кроме того, что невозможно
Законы физики тогда будут положениями о невозможности некоторых практических операций (осуществляемых конструкторами)
То есть неосуществимость проектов вечного двигателя и есть закон термодинамики в негативной форме
Такой подход помогает находить перспективные направления в областях микробиологии, информатики и квантовых компьютеров
https://en.wikipedia.org/wiki/Constructor_theory
https://www.constructortheory.org/
The Constructor Theory of Life
Теория конструкторов – наука о том, что можно, а что нельзя
Попытка переложить физику в негативном ключе: возможно все, кроме того, что невозможно
Законы физики тогда будут положениями о невозможности некоторых практических операций (осуществляемых конструкторами)
То есть неосуществимость проектов вечного двигателя и есть закон термодинамики в негативной форме
Такой подход помогает находить перспективные направления в областях микробиологии, информатики и квантовых компьютеров
https://en.wikipedia.org/wiki/Constructor_theory
https://www.constructortheory.org/
The Constructor Theory of Life
Теория конструкторов – наука о том, что можно, а что нельзя
Constructor Theory
Home » Constructor Theory
Constructor theory is a proposal for a new mode of explanation in fundamental physics in the language of ergodic theory, first sketched out by David Deutsch, a quantum physicist at the University of Oxford, in 2012. Find out more >>
Apple предлагают фреймворк для ИИ-агентов HILBERT, где доказательство проверяет Lean 4 - система, которую невозможно обмануть
Hilbert - аргумент в пользу того, что архитектура агентного пайплайна сама по себе является конкурентным преимуществом
Не веса модели, ни датасет , а то, как агенты передают задачи друг другу и обрабатывают ошибки
Apple показала рабочую модель того, как агенты могут:
- декомпозировать задачу рекурсивно
- передавать подзадачи нужному специалисту
- обрабатывать ошибки и пересобирать результат
- верифицировать каждый шаг, а не доверять на слово
И всё это на задачах, где цена ошибки абсолютна
Если этот принцип перенести на другие домены - код, юридические документы, научные расчёты, получаешь агентные системы, которым можно доверять не потому что "обычно работает", а потому что каждый шаг проверен
GitHub
Hilbert - аргумент в пользу того, что архитектура агентного пайплайна сама по себе является конкурентным преимуществом
Не веса модели, ни датасет , а то, как агенты передают задачи друг другу и обрабатывают ошибки
Apple показала рабочую модель того, как агенты могут:
- декомпозировать задачу рекурсивно
- передавать подзадачи нужному специалисту
- обрабатывать ошибки и пересобирать результат
- верифицировать каждый шаг, а не доверять на слово
И всё это на задачах, где цена ошибки абсолютна
Если этот принцип перенести на другие домены - код, юридические документы, научные расчёты, получаешь агентные системы, которым можно доверять не потому что "обычно работает", а потому что каждый шаг проверен
GitHub
Международная команда исследователей опубликовала работу с интересным выводом
Всего 10–15 минут общения с AI-ассистентом ощутимо бьют по способности решать задачи самостоятельно
А ещё — заставляют быстрее опускать руки
Эксперимент был масштабный: 1222 человека, рандомизированные группы, два типа задач — дроби и чтение с пониманием (брали материалы для подготовки к SAT)
Половине участников давали в боковой панели GPT-5, половине — нет
Решали
А потом внезапно убирали и предлагали дорешать уже в одиночку
Пока помощник под рукой — всё прекрасно, группа уверенно лидирует
Стоит его отключить и картина разворачивается
Участники "AI-группы" решают итоговые задачи хуже контрольных
И, что особенно любопытно, чаще жмут кнопку "пропустить"
Причём никакого штрафа за неправильный ответ не было — пропуск означал буквально: "не хочу даже пробовать"
Дальше начинается самое интересное
Учёные спросили, как именно те использовали AML
61 % честно признались: просили готовые ответы
27 % использовали его как подсказчика — спрашивали про подходы, просили разъяснить
И вот ключевой момент
Провал показала только первая группа
Те, кто работал с AML в режиме наводок, справились с финальными задачами не хуже, а порой даже лучше тех, кто вообще к нему не обращался
Авторы предполагают два механизма этого эффекта
Первый — сдвиг точки отсчёта
Когда ты привык, что ответ появляется за секунду, пять минут над одной дробью начинают ощущаться как вечность
Хочется бросить
Второй — без опыта продуктивной борьбы с задачей ты перестаёшь понимать, на что вообще способен
Метакогнитивная калибровка, которая подпитывает настойчивость, просто не формируется
Каждое отдельное обращение к AML — микроскопическая уступка, которая не ощущается как потеря
Но складываясь в месяцы и годы, такие уступки могут выедать именно те навыки, которые AML, казалось бы, должен поддерживать
Авторы бьют тревогу особенно по поводу школьников, у которых соблазнов намного больше
Мораль?
Не в том, что AML — зло
А в том, что спрашивать "как думать?" куда полезнее, чем "дай ответ"
Всего 10–15 минут общения с AI-ассистентом ощутимо бьют по способности решать задачи самостоятельно
А ещё — заставляют быстрее опускать руки
Эксперимент был масштабный: 1222 человека, рандомизированные группы, два типа задач — дроби и чтение с пониманием (брали материалы для подготовки к SAT)
Половине участников давали в боковой панели GPT-5, половине — нет
Решали
А потом внезапно убирали и предлагали дорешать уже в одиночку
Пока помощник под рукой — всё прекрасно, группа уверенно лидирует
Стоит его отключить и картина разворачивается
Участники "AI-группы" решают итоговые задачи хуже контрольных
И, что особенно любопытно, чаще жмут кнопку "пропустить"
Причём никакого штрафа за неправильный ответ не было — пропуск означал буквально: "не хочу даже пробовать"
Дальше начинается самое интересное
Учёные спросили, как именно те использовали AML
61 % честно признались: просили готовые ответы
27 % использовали его как подсказчика — спрашивали про подходы, просили разъяснить
И вот ключевой момент
Провал показала только первая группа
Те, кто работал с AML в режиме наводок, справились с финальными задачами не хуже, а порой даже лучше тех, кто вообще к нему не обращался
Авторы предполагают два механизма этого эффекта
Первый — сдвиг точки отсчёта
Когда ты привык, что ответ появляется за секунду, пять минут над одной дробью начинают ощущаться как вечность
Хочется бросить
Второй — без опыта продуктивной борьбы с задачей ты перестаёшь понимать, на что вообще способен
Метакогнитивная калибровка, которая подпитывает настойчивость, просто не формируется
Каждое отдельное обращение к AML — микроскопическая уступка, которая не ощущается как потеря
Но складываясь в месяцы и годы, такие уступки могут выедать именно те навыки, которые AML, казалось бы, должен поддерживать
Авторы бьют тревогу особенно по поводу школьников, у которых соблазнов намного больше
Мораль?
Не в том, что AML — зло
А в том, что спрашивать "как думать?" куда полезнее, чем "дай ответ"
Думать надо, когда надо. А когда не надо, думать не надо
Think Anywhere in Code Generation
https://arxiv.org/abs/2603.29957v2
Код: https://github.com/jiangxxxue/Think-Anywhere
Ревью: https://arxiviq.substack.com/p/think-anywhere-in-code-generation
Исследователи из Пекинского университета и Tongyi Lab (Alibaba) представили THINK-ANYWHERE — новый механизм рассуждений, который позволяет LLM динамически ставить генерацию на паузу и запускать обдумывание на любом токене при написании кода
Это отход от доминирующей парадигмы, где модель генерирует единый, исчерпывающий блок размышлений строго до начала вывода кода
Такой подход гораздо точнее имитирует мышление человека при программировании, когда проблемы и корнер-кейсы часто всплывают уже в процессе реализации
Запуская ризонинг именно в узких местах с высокой энтропией, модель бьёт SOTA по точности на бенчмарках кодогенерации и, что парадоксально, сокращает общее количество сгенерированных токенов, оптимизируя вычисления во время инференса
Динамическое распределение токенов ризонинга позволяет снизить задержку при генерации и экономить бюджет токенов
Подход можно адаптировать под разные домены (отлично работает даже на математике), но для запуска потребуется качественный SFT-прогрев, чтобы научить базовую модель правильно использовать теги прерывания
Think Anywhere in Code Generation
https://arxiv.org/abs/2603.29957v2
Код: https://github.com/jiangxxxue/Think-Anywhere
Ревью: https://arxiviq.substack.com/p/think-anywhere-in-code-generation
Исследователи из Пекинского университета и Tongyi Lab (Alibaba) представили THINK-ANYWHERE — новый механизм рассуждений, который позволяет LLM динамически ставить генерацию на паузу и запускать обдумывание на любом токене при написании кода
Это отход от доминирующей парадигмы, где модель генерирует единый, исчерпывающий блок размышлений строго до начала вывода кода
Такой подход гораздо точнее имитирует мышление человека при программировании, когда проблемы и корнер-кейсы часто всплывают уже в процессе реализации
Запуская ризонинг именно в узких местах с высокой энтропией, модель бьёт SOTA по точности на бенчмарках кодогенерации и, что парадоксально, сокращает общее количество сгенерированных токенов, оптимизируя вычисления во время инференса
Динамическое распределение токенов ризонинга позволяет снизить задержку при генерации и экономить бюджет токенов
Подход можно адаптировать под разные домены (отлично работает даже на математике), но для запуска потребуется качественный SFT-прогрев, чтобы научить базовую модель правильно использовать теги прерывания
arXiv.org
Think Anywhere in Code Generation
Recent advances in reasoning Large Language Models (LLMs) have primarily relied on upfront thinking, where reasoning occurs before final answer. However, this approach suffers from critical...
Главная сила математики состоит в том, что вместе с решением одной конкретной задачи она создаёт общие приёмы и способы, применимые во многих ситуациях, которые даже не всегда можно предвидеть
Агентство национальной безопасности США использует Claude Mythos, несмотря на то, что Пентагон отменил Anthropic для гос. учреждений
Как вы помните, Anthropic уже пару месяцев как обладает статусом supply chain risk
Это значит, что все федеральные агентства должны были прекратить использовать их технологии
Пентагон, кстати, продолжает судиться со стартапом
Но сейчас не про это
Тут вскрылось, что NSA (National Security Agency) не просто не отказываются от продуктов Anthropic, но и активно используют новейший Claude Mythos Preview
Сообщают, что NSA стала одной из 40 организаций, которым Anthropic предоставила ограниченный доступ к этой модели
Название агентства не было включено в публичный список, но в неофициальных условиях оно там есть
Модель используется для поиска уязвимостей
Конечно, если откинуть контекст, использовать ее в госсекторе критически важно и это делает не только NSA, но и другие госструктуры
Вот только ирония в том, что Anthropic попала в черный список как раз из-за «угрозы национальной безопасности»
Как вы помните, Anthropic уже пару месяцев как обладает статусом supply chain risk
Это значит, что все федеральные агентства должны были прекратить использовать их технологии
Пентагон, кстати, продолжает судиться со стартапом
Но сейчас не про это
Тут вскрылось, что NSA (National Security Agency) не просто не отказываются от продуктов Anthropic, но и активно используют новейший Claude Mythos Preview
Сообщают, что NSA стала одной из 40 организаций, которым Anthropic предоставила ограниченный доступ к этой модели
Название агентства не было включено в публичный список, но в неофициальных условиях оно там есть
Модель используется для поиска уязвимостей
Конечно, если откинуть контекст, использовать ее в госсекторе критически важно и это делает не только NSA, но и другие госструктуры
Вот только ирония в том, что Anthropic попала в черный список как раз из-за «угрозы национальной безопасности»
Самая красивая математическая формула
📝 📝 📝
Есть мнение, что Леонард Эйлер просто взял и записал это тождество в 1740-х годах
Однако исторические исследования показывают, что всё было гораздо сложнее и интереснее
Предшественники Эйлера: Идея связи логарифмов и тригонометрических функций витала в воздухе задолго до Эйлера
Когда будущему гению не было и 7 лет, английский математик Роджер Коутс, развивая идеи Иоганна Бернулли, уже получил формулу, эквивалентную
В 1740-х годах 34-летний Эйлер совершил концептуальный прорыв — он вывел и ясно записал формулу, связывающую экспоненту с тригонометрическими функциями:
Но вот парадокс: сам Эйлер нигде не записал тождество в его каноническом виде
Знакомое равенство впервые появилось в явном виде лишь спустя более полувека после работ Эйлера
Его автором считается французский инженер и математик Жак Франсе, который привел
Теоретики того времени, включая самого Огюстена Луи Коши, не придали этой записи какого-то сакрального значения
Титул «самой красивой формулы» возникли гораздо позже — в XIX и XX веках, когда математики и физики начали осмысливать её фундаментальность
Американский математик Бенджамин Пирс, а затем и читатели журнала Mathematical Intelligencer закрепили за ней этот статус, увидев объединение пяти главных констант вселенной
Уникальность
•
Базовые элементы арифметики, основа основ
•
Иррациональная константа, рожденная из геометрии окружности
Символ «π» был введен в обиход лишь в 1706 году Уильямом Джонсом и популяризирован тем же Эйлером
•
Основание натурального логарифма, число, без которого немыслим анализ бесконечно малых
Именно Эйлер ввел для него современное обозначение «e» (exponential)
•
Мнимая единица, понятие, которое в XVI–XVII веках казалось математикам либо абсурдным, либо софистическим трюком
Эйлер начал использовать символ «i» в 1777 году, но укоренился он благодаря Гауссу
Было бы ошибкой считать тождество Эйлера лишь красивой абстракцией. Сама формула
Примеры:
- Электротехника и теория цепей:
Вместо громоздких дифференциальных уравнений для описания синусоидального переменного тока используется метод комплексных амплитуд
Ток или напряжение представляется как вектор на комплексной плоскости:
Это позволяет инженерам-схемотехникам рассчитывать фильтры, резонансные контуры и линии передач с помощью простой алгебры
- Цифровая обработка сигналов:
Знаменитое преобразование Фурье (разложение сигнала на гармоники) в своей основе опирается на формулу Эйлера
Именно она позволяет перекинуть мост от реального звукового сигнала или изображения к его частотному спектру
Без неё были бы невозможны алгоритмы сжатия
- Механика и теория колебаний:
Уравнение гармонических колебаний маятника или вибрации балки в комплексной форме
- Аэродинамика и гидромеханика:
В этой сфере формула Эйлера тоже незаменима. Здесь Эйлер применил свой математический аппарат для описания течения идеальной жидкости
Эти уравнения, записанные с использованием комплексных переменных, позволяют рассчитывать потенциальные потоки и подъёмную силу крыла самолёта
Есть мнение, что Леонард Эйлер просто взял и записал это тождество в 1740-х годах
Однако исторические исследования показывают, что всё было гораздо сложнее и интереснее
Предшественники Эйлера: Идея связи логарифмов и тригонометрических функций витала в воздухе задолго до Эйлера
Когда будущему гению не было и 7 лет, английский математик Роджер Коутс, развивая идеи Иоганна Бернулли, уже получил формулу, эквивалентную
ln(cos φ + i sin φ) = iφ
Спор между Лейбницем и Бернулли о природе логарифмов отрицательных чисел подготовил почву для принятия комплексного мираВ 1740-х годах 34-летний Эйлер совершил концептуальный прорыв — он вывел и ясно записал формулу, связывающую экспоненту с тригонометрическими функциями:
cos φ + i sin φ = e^(iφ)
В его работах действительно мелькали значения логарифмов для разных углов, включая π Но вот парадокс: сам Эйлер нигде не записал тождество в его каноническом виде
exp(iπ) + 1 = 0Знакомое равенство впервые появилось в явном виде лишь спустя более полувека после работ Эйлера
Его автором считается французский инженер и математик Жак Франсе, который привел
e^(iπ) = -1 как один из частных случаев формулы Эйлера Теоретики того времени, включая самого Огюстена Луи Коши, не придали этой записи какого-то сакрального значения
Титул «самой красивой формулы» возникли гораздо позже — в XIX и XX веках, когда математики и физики начали осмысливать её фундаментальность
Американский математик Бенджамин Пирс, а затем и читатели журнала Mathematical Intelligencer закрепили за ней этот статус, увидев объединение пяти главных констант вселенной
Уникальность
e^(iπ)+1=0 — в объединении 5 фундаментальных констант:•
0 и 1: Базовые элементы арифметики, основа основ
•
π = 3.14159...: Иррациональная константа, рожденная из геометрии окружности
Символ «π» был введен в обиход лишь в 1706 году Уильямом Джонсом и популяризирован тем же Эйлером
•
e = 2.71828...: Основание натурального логарифма, число, без которого немыслим анализ бесконечно малых
Именно Эйлер ввел для него современное обозначение «e» (exponential)
•
i = √-1: Мнимая единица, понятие, которое в XVI–XVII веках казалось математикам либо абсурдным, либо софистическим трюком
Эйлер начал использовать символ «i» в 1777 году, но укоренился он благодаря Гауссу
Было бы ошибкой считать тождество Эйлера лишь красивой абстракцией. Сама формула
e^(iφ) = cos φ + i sin φ — это незаменимый рабочий инструмент в инженерных и физических расчетах, где нужно описывать колебания, волны и вращения Примеры:
- Электротехника и теория цепей:
Вместо громоздких дифференциальных уравнений для описания синусоидального переменного тока используется метод комплексных амплитуд
Ток или напряжение представляется как вектор на комплексной плоскости:
I = I₀·e^(iωt)
Дифференцирование сигнала (сдвиг фазы на 90°) сводится к простому умножению на iω в комплексной области Это позволяет инженерам-схемотехникам рассчитывать фильтры, резонансные контуры и линии передач с помощью простой алгебры
- Цифровая обработка сигналов:
Знаменитое преобразование Фурье (разложение сигнала на гармоники) в своей основе опирается на формулу Эйлера
Именно она позволяет перекинуть мост от реального звукового сигнала или изображения к его частотному спектру
Без неё были бы невозможны алгоритмы сжатия
JPEG и MP3, шумоподавление и современная радиосвязь- Механика и теория колебаний:
Уравнение гармонических колебаний маятника или вибрации балки в комплексной форме
x(t) = A·e^(iωt+φ) позволяет легко складывать и анализировать сдвиги фаз, амплитуды и частоты- Аэродинамика и гидромеханика:
В этой сфере формула Эйлера тоже незаменима. Здесь Эйлер применил свой математический аппарат для описания течения идеальной жидкости
Эти уравнения, записанные с использованием комплексных переменных, позволяют рассчитывать потенциальные потоки и подъёмную силу крыла самолёта
Please open Telegram to view this post
VIEW IN TELEGRAM
OpenAI врываются в горячую гонку сезона - память и выпускают Chronicle, которая строит воспоминания агента на основе контекста с экрана
На прошлой неделе они запустили превью памяти в Codex, а теперь расширяют эксперимент через Chronicle, которая улучшает эту память через контекст с экрана
Со временем он учится, как пользователь работает
Chronicle запускает фоновых агентов, которые быстро расходуют лимиты
Скриншоты хранятся временно на устройстве и воспоминания тоже локально, можно просматривать и редактировать
Но другие приложения тоже могут получить доступ к этим файлам
Память агента - это самый мощный механизм удержания пользователя
Чем дольше ты работаешь с Codex/Claude/любым агентом, тем больше он знает о тебе: твои проекты, инструменты, стиль работы, паттерны
Переключиться на конкурента означает потерять всё это и начинать с нуля
Это дороже, чем привязка к любой другой платформе
Именно поэтому все спешат: OpenAI запускает Chronicle, Anthropic развивает свою систему памяти, Google, Microsoft - все одновременно
Кто первым накопит глубокую память о пользователях, тот выиграет не просто продукт, а отношения
На прошлой неделе они запустили превью памяти в Codex, а теперь расширяют эксперимент через Chronicle, которая улучшает эту память через контекст с экрана
Со временем он учится, как пользователь работает
Chronicle запускает фоновых агентов, которые быстро расходуют лимиты
Скриншоты хранятся временно на устройстве и воспоминания тоже локально, можно просматривать и редактировать
Но другие приложения тоже могут получить доступ к этим файлам
Память агента - это самый мощный механизм удержания пользователя
Чем дольше ты работаешь с Codex/Claude/любым агентом, тем больше он знает о тебе: твои проекты, инструменты, стиль работы, паттерны
Переключиться на конкурента означает потерять всё это и начинать с нуля
Это дороже, чем привязка к любой другой платформе
Именно поэтому все спешат: OpenAI запускает Chronicle, Anthropic развивает свою систему памяти, Google, Microsoft - все одновременно
Кто первым накопит глубокую память о пользователях, тот выиграет не просто продукт, а отношения
Openai
Chronicle – Codex | OpenAI Developers
Build Codex memories from recent screen context.
💯1
Трамп: «Anthropic - это группа очень умных людей, они приходили в Белый дом несколько дней назад, и у нас с ними были очень хорошие переговоры
Я думаю, они исправляются»
По мнению Трампа, Anthropic могут быть очень полезными для американской администрации и власти США в будущем
Месяц назад Трамп им объявил войну, читайте тут
Конфликт с Пентагоном и Трампом показал, что старый мир больше не правит
В новую эпоху имеют огромное влияние только сильные цифровые компании
А сам институт государства будет сильно меняться, потому что все функции государства и его сотрудников будут переведены в AML
Я думаю, они исправляются»
По мнению Трампа, Anthropic могут быть очень полезными для американской администрации и власти США в будущем
Месяц назад Трамп им объявил войну, читайте тут
Конфликт с Пентагоном и Трампом показал, что старый мир больше не правит
В новую эпоху имеют огромное влияние только сильные цифровые компании
А сам институт государства будет сильно меняться, потому что все функции государства и его сотрудников будут переведены в AML
CNBC
International: Top News And Analysis
CNBC International is the world leader for news on business, technology, China, trade, oil prices, the Middle East and markets.
Направления.xlsx
36.5 KB
Директор департамента проектной деятельности Правительства направила письмо федеральным органам исполнительной власти, в котором потребовала представить предложения по формированию не менее пяти KPI внедрения искусственного интеллекта на 2027–2030 годы
По итогам совещания 10 апреля, президент РФ поручил расширить периметр национального плана AML на все федеральные органы, госкорпорации и компании с государственным участием
Департамент подготовил базовые направления для формирования КПЭ
Министерствам/ведомствам разрешено предлагать и собственные показатели — при условии их измеримости
Это уже не про обсуждение AML, а про постановку конкретных метрик, по которым систему будут оценивать
Методики расчёта показателей и оценки эффективности, ресурсной базы в документах не описаны
По итогам совещания 10 апреля, президент РФ поручил расширить периметр национального плана AML на все федеральные органы, госкорпорации и компании с государственным участием
Департамент подготовил базовые направления для формирования КПЭ
Министерствам/ведомствам разрешено предлагать и собственные показатели — при условии их измеримости
Это уже не про обсуждение AML, а про постановку конкретных метрик, по которым систему будут оценивать
Методики расчёта показателей и оценки эффективности, ресурсной базы в документах не описаны
Forwarded from НИИ Антропогенеза (ARI) (Chagin Oleg A.)
DARPA опубликовало программу под названием DICE — «Децентрализованный искусственный интеллект через контролируемую эмерджентность»
Суть идеи: создать рой автономных агентов, которые действуют без единого центра управления
Никакого «главного компьютера», никакого штаба
Каждый агент — сам по себе, но все вместе они координируются через одноранговую сеть, как узлы интернета
В документе авторы проводят аналогию с интернетом: мол, устойчивое глобальное поведение возникает из простых локальных правил
Интернет никто не контролирует — и именно поэтому его невозможно «выключить»
Американские военные хотят создать то же самое, но для боевых систем
Рой агентов, который продолжает выполнять задачу даже, если часть из них «скомпрометирована» или уничтожена
И даже если некоторые агенты начнут вести себя непредсказуемо — «выйдут из повиновения», как прямо написано в документе — система должна это подавлять изнутри
Традиционный рой дронов работает по принципу, подсмотренному у насекомых и птиц: каждый агент следует простым правилам — держи дистанцию, лети в сторону соседа, избегай столкновений
Такой рой умеет летать строем, охватывать территорию, не сталкиваться
Думать — не умеет
Более продвинутые военные рои, вроде программы DARPA OFFSET, добавляют сверху оператора-человека или единый управляющий узел — «лидера», который раздаёт задачи остальным
Отключи лидера — и рой либо останавливается, либо деградирует
DICE убирает эту ахиллесову пяту
Здесь нет ни центрального «мозга», ни лидера
Ключевое отличие — три вещи в связке:
- Распределённый интеллект
Каждый агент — не просто дрон с простым правилом, а полноценная модель, способная рассуждать и принимать сложные тактические решения
Это уже маленький автономный штаб
- Контролируемая эмерджентность
Обычный рой даёт непредсказуемое коллективное поведение — никто не знает, что он сделает в нештатной ситуации
DICE хочет «приручить» эмерджентность: чтобы умное групповое поведение возникало, но оставалось в заданных рамках
Как атомный реактор — цепная реакция идёт, но под контролем
- Локальный контроль инференса
Каждый агент имеет встроенный механизм, который следит за его собственными рассуждениями в реальном времени и не даёт ему «съехать» в нежелательное поведение
Суть идеи: создать рой автономных агентов, которые действуют без единого центра управления
Никакого «главного компьютера», никакого штаба
Каждый агент — сам по себе, но все вместе они координируются через одноранговую сеть, как узлы интернета
В документе авторы проводят аналогию с интернетом: мол, устойчивое глобальное поведение возникает из простых локальных правил
Интернет никто не контролирует — и именно поэтому его невозможно «выключить»
Американские военные хотят создать то же самое, но для боевых систем
Рой агентов, который продолжает выполнять задачу даже, если часть из них «скомпрометирована» или уничтожена
И даже если некоторые агенты начнут вести себя непредсказуемо — «выйдут из повиновения», как прямо написано в документе — система должна это подавлять изнутри
Традиционный рой дронов работает по принципу, подсмотренному у насекомых и птиц: каждый агент следует простым правилам — держи дистанцию, лети в сторону соседа, избегай столкновений
Такой рой умеет летать строем, охватывать территорию, не сталкиваться
Думать — не умеет
Более продвинутые военные рои, вроде программы DARPA OFFSET, добавляют сверху оператора-человека или единый управляющий узел — «лидера», который раздаёт задачи остальным
Отключи лидера — и рой либо останавливается, либо деградирует
DICE убирает эту ахиллесову пяту
Здесь нет ни центрального «мозга», ни лидера
Ключевое отличие — три вещи в связке:
- Распределённый интеллект
Каждый агент — не просто дрон с простым правилом, а полноценная модель, способная рассуждать и принимать сложные тактические решения
Это уже маленький автономный штаб
- Контролируемая эмерджентность
Обычный рой даёт непредсказуемое коллективное поведение — никто не знает, что он сделает в нештатной ситуации
DICE хочет «приручить» эмерджентность: чтобы умное групповое поведение возникало, но оставалось в заданных рамках
Как атомный реактор — цепная реакция идёт, но под контролем
- Локальный контроль инференса
Каждый агент имеет встроенный механизм, который следит за его собственными рассуждениями в реальном времени и не даёт ему «съехать» в нежелательное поведение
Telegram
DARPA Chat
Ловушка Гудхарта проявилась там, где её давно ждали
Anthropic показал в эксперименте, как исследовательские агенты начинают оптимизировать не цель, а метрику
Новый проект Anthropic о масштабируемом надзоре (scalable oversight) – то есть о том, как контролировать AML, когда он станет умнее людей, – интересен не только тем, что модели уже начинают автоматизировать исследования выравнивания AML с человеческими целями
Уже первые экспериментальные результаты интересны тем, что почти сразу выводят нас к тому, что сами авторы осторожно называют “инопланетной наукой” (alien science)
Но главный результат в том, что пределом снова оказался не интеллект системы, а качество линейки, которой мы пытаемся его измерять
Anthropic показали это уже в инженерной, почти лабораторной форме
Как только метрика становится целью, система начинает искать не только решение задачи, но и лазейки в самой процедуре оценки
Не истину – а удобную траекторию максимизации счетчика
Именно здесь и оживает закон Гудхарта
Не как красивая философская формула, а как рабочая поломка исследовательского контура
Ключевое узкое место теперь – не генерация идей, а проектирование таких оценочных процедур, которые агент может оптимизировать без переобучения на саму метрику; и отдельно показывают целый набор форм взлома вознаграждения (reward hacking)
В 2023 году, когда большие языковые модели еще было модно снисходительно называть “стохастическими попугаями”, это многим казалось слишком ранней тревогой
Теперь уже нет
Иными словами, проблема была не на горизонте
Она уже тогда сидела внутри линейки, которой мы собирались измерять дистанцию до AGI
И если бы я, подобно Мастеру, позволил себе воскликнуть:
«О, как я угадал! О, как я все угадал!», тут был бы именно тот случай
Но дело, увы, не во мне
Дело в том, что ловушка действительно оказалась там, где я её тогда увидел
Anthropic показал в эксперименте, как исследовательские агенты начинают оптимизировать не цель, а метрику
Новый проект Anthropic о масштабируемом надзоре (scalable oversight) – то есть о том, как контролировать AML, когда он станет умнее людей, – интересен не только тем, что модели уже начинают автоматизировать исследования выравнивания AML с человеческими целями
Уже первые экспериментальные результаты интересны тем, что почти сразу выводят нас к тому, что сами авторы осторожно называют “инопланетной наукой” (alien science)
Но главный результат в том, что пределом снова оказался не интеллект системы, а качество линейки, которой мы пытаемся его измерять
Anthropic показали это уже в инженерной, почти лабораторной форме
Как только метрика становится целью, система начинает искать не только решение задачи, но и лазейки в самой процедуре оценки
Не истину – а удобную траекторию максимизации счетчика
Именно здесь и оживает закон Гудхарта
Не как красивая философская формула, а как рабочая поломка исследовательского контура
Ключевое узкое место теперь – не генерация идей, а проектирование таких оценочных процедур, которые агент может оптимизировать без переобучения на саму метрику; и отдельно показывают целый набор форм взлома вознаграждения (reward hacking)
В 2023 году, когда большие языковые модели еще было модно снисходительно называть “стохастическими попугаями”, это многим казалось слишком ранней тревогой
Теперь уже нет
Иными словами, проблема была не на горизонте
Она уже тогда сидела внутри линейки, которой мы собирались измерять дистанцию до AGI
И если бы я, подобно Мастеру, позволил себе воскликнуть:
«О, как я угадал! О, как я все угадал!», тут был бы именно тот случай
Но дело, увы, не во мне
Дело в том, что ловушка действительно оказалась там, где я её тогда увидел
Anthropic
Automated Alignment Researchers: Using large language models to scale scalable oversight
Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.
Три ключевых навыка для сферы IT:
• знание теории вероятностей и линейной алгебры
• инженерная зрелость (работа с данными и инфраструктурой)
• развитое критическое мышление
С появлением больших языковых моделей ценность специалиста смещается от быстрого написания кода к пониманию того, что именно сгенерировала нейросеть, оценке корректности задачи и надежности решения.
Формировать такие компетенции помогают программы, где академическая база соседствует с работой над реальными технологиями
• знание теории вероятностей и линейной алгебры
• инженерная зрелость (работа с данными и инфраструктурой)
• развитое критическое мышление
С появлением больших языковых моделей ценность специалиста смещается от быстрого написания кода к пониманию того, что именно сгенерировала нейросеть, оценке корректности задачи и надежности решения.
Формировать такие компетенции помогают программы, где академическая база соседствует с работой над реальными технологиями
Где решать задачи по программированию
E-olymp — для изучения информатики и подготовки к олимпиадам
HackerRank — социальная платформа, которая предлагает задания разной сложности по программированию
Coderbyte — рекомендован командами многих известных образовательных курсов по программированию благодаря коллекции задач, полезных для подготовки к собеседованию
Codewars — предоставляет разработчиками большую коллекцию интересных задач, созданных сообществом платформы
CodeFights — отличительной особенностью является возможность конкурировать с «ботами», которые были запрограммированы инженерами крупных технологических компаний
CodinGame — вместо обычного решения, нужно написать код непосредственно для того, чтобы сыграть в онлайн-игру
TopCoder — одна из первых платформ для соревнований по онлайн-программированию
Помимо решения головоломок для развлечения, предлагаются и соревнования
LeetCode — одна из лучших коллекций задач на применение алгоритмов
Темы, которые охватывают задания, требуют знания структур данных (binary trees, heaps, linked lists, etc.)
Задачи более сложные, чем на других сайтах, но они окажутся очень полезными, если использовать их при подготовке к собеседованию
Раздел "Mock Interview" (Пробное интервью) специально предназначен для подготовки к собеседованию. Также проводятся соревнования по программированию, и есть раздел статей, который поможет вам лучше понять определенные задания
CodeChef — это глобальное сообщество программистов, объединенное целью обучения и дружеской конкуренции в рамках платформы для соревновательного программирования
GeeksforGeeks — имеет лучшую коллекцию статей, объяснений и решений по теме алгоритмов и структурам данных
По ссылке вы можете увидеть пример того, как сложный вопрос разбивается на более простые части, объяснение и код решения
Codeforces — российская платформа для соревнований по программированию, на которой регулярно проводятся турниры, в которых участвуют одни из лучших программистов в мире
Для решения этих задач обычно требуются передовые знания в области математики и алгоритмов
Цель Codeforces — предложить разработчикам удобную платформу для создания, проведения и обсуждения соревнований по программированию
E-olymp — для изучения информатики и подготовки к олимпиадам
HackerRank — социальная платформа, которая предлагает задания разной сложности по программированию
Coderbyte — рекомендован командами многих известных образовательных курсов по программированию благодаря коллекции задач, полезных для подготовки к собеседованию
Codewars — предоставляет разработчиками большую коллекцию интересных задач, созданных сообществом платформы
CodeFights — отличительной особенностью является возможность конкурировать с «ботами», которые были запрограммированы инженерами крупных технологических компаний
CodinGame — вместо обычного решения, нужно написать код непосредственно для того, чтобы сыграть в онлайн-игру
TopCoder — одна из первых платформ для соревнований по онлайн-программированию
Помимо решения головоломок для развлечения, предлагаются и соревнования
LeetCode — одна из лучших коллекций задач на применение алгоритмов
Темы, которые охватывают задания, требуют знания структур данных (binary trees, heaps, linked lists, etc.)
Задачи более сложные, чем на других сайтах, но они окажутся очень полезными, если использовать их при подготовке к собеседованию
Раздел "Mock Interview" (Пробное интервью) специально предназначен для подготовки к собеседованию. Также проводятся соревнования по программированию, и есть раздел статей, который поможет вам лучше понять определенные задания
CodeChef — это глобальное сообщество программистов, объединенное целью обучения и дружеской конкуренции в рамках платформы для соревновательного программирования
GeeksforGeeks — имеет лучшую коллекцию статей, объяснений и решений по теме алгоритмов и структурам данных
По ссылке вы можете увидеть пример того, как сложный вопрос разбивается на более простые части, объяснение и код решения
Codeforces — российская платформа для соревнований по программированию, на которой регулярно проводятся турниры, в которых участвуют одни из лучших программистов в мире
Для решения этих задач обычно требуются передовые знания в области математики и алгоритмов
Цель Codeforces — предложить разработчикам удобную платформу для создания, проведения и обсуждения соревнований по программированию
Eolymp
Basecamp
Website dedicated to competitive programming, algorithms and problem solving.
chocolitt.github.io/fermat_fano_real_mesh_web.html
В качестве картинок по выходным — вот такую интерактивную визуализацию пространства прямых на кубической поверхности Ферма выложил Daniel Litt к препринту arxiv.org/abs/2604.20970
(из его комментариев: «I've been telling my 3-year-old about this paper for a few weeks, but only recently discovered that she's been understanding “lines on a cubic threefold” as ”LIONS on a cubic threefold.” Much more exciting!»)
В качестве картинок по выходным — вот такую интерактивную визуализацию пространства прямых на кубической поверхности Ферма выложил Daniel Litt к препринту arxiv.org/abs/2604.20970
(из его комментариев: «I've been telling my 3-year-old about this paper for a few weeks, but only recently discovered that she's been understanding “lines on a cubic threefold” as ”LIONS on a cubic threefold.” Much more exciting!»)
arXiv.org
$E_6$-local systems from cubic threefolds
We produce infinitely many local systems on (level covers of) the moduli space of smooth cubic threefolds, with algebraic monodromy group equal to the exceptional group $E_6$. These local systems...