Когда квантовая механика спорит сама с собой: нужны ли ей комплексные числа?
Последние несколько лет квантовая механика переживает любопытный conceptual shake‑up. Казалось бы, фундаментальная теория давно устоялась, но две свежие линии исследований неожиданно столкнулись лоб в лоб — и обе претендуют на истину.
С одной стороны, группа исследователей показала, что комплексные числа — не математическая прихоть, а физическая необходимость. Если принять стандартные постулаты квантовой теории, включая локальность и обычное тензорное произведение для объединения систем, то «реальная» квантовая механика (основанная только на вещественных числах) просто не способна воспроизвести наблюдаемые корреляции. Оригинальная работа: Locality Implies Complex Numbers in Quantum Mechanics (2025) https://arxiv.org/abs/2504.07808
Эта линия аргументации получила широкое обсуждение ещё в 2022 году, когда APS опубликовало обзор: Quantum Mechanics Must Be Complex (Physics 15, 7, 2022) https://physics.aps.org/articles/v15/7
Но почти одновременно другая группа учёных продемонстрировала противоположное: квантовую механику можно построить полностью без комплексных чисел. Их подход радикален — он меняет один из ключевых постулатов: правило композиции систем. Вместо стандартного тензорного произведения вводится альтернативная структура, позволяющая сохранить локальность и положительность, но обходиться без комплексных амплитуд. Оригинальная работа: Quantum theory does not need complex numbers (Hoffreumon & Woods, 2026) https://arxiv.org/abs/2403.04821
На первый взгляд — прямое противоречие. Но на деле обе стороны правы в рамках своих предпосылок. Если вы сохраняете стандартные постулаты квантовой механики, комплексные числа неизбежны. Если вы меняете структуру теории, можно построить альтернативную, полностью реальную квантовую механику.
Это напоминает историю геометрии: Евклидова геометрия неизбежно ведёт к параллельным прямым, но стоит изменить один постулат — и рождаются неевклидовы пространства.
Последние несколько лет квантовая механика переживает любопытный conceptual shake‑up. Казалось бы, фундаментальная теория давно устоялась, но две свежие линии исследований неожиданно столкнулись лоб в лоб — и обе претендуют на истину.
С одной стороны, группа исследователей показала, что комплексные числа — не математическая прихоть, а физическая необходимость. Если принять стандартные постулаты квантовой теории, включая локальность и обычное тензорное произведение для объединения систем, то «реальная» квантовая механика (основанная только на вещественных числах) просто не способна воспроизвести наблюдаемые корреляции. Оригинальная работа: Locality Implies Complex Numbers in Quantum Mechanics (2025) https://arxiv.org/abs/2504.07808
Эта линия аргументации получила широкое обсуждение ещё в 2022 году, когда APS опубликовало обзор: Quantum Mechanics Must Be Complex (Physics 15, 7, 2022) https://physics.aps.org/articles/v15/7
Но почти одновременно другая группа учёных продемонстрировала противоположное: квантовую механику можно построить полностью без комплексных чисел. Их подход радикален — он меняет один из ключевых постулатов: правило композиции систем. Вместо стандартного тензорного произведения вводится альтернативная структура, позволяющая сохранить локальность и положительность, но обходиться без комплексных амплитуд. Оригинальная работа: Quantum theory does not need complex numbers (Hoffreumon & Woods, 2026) https://arxiv.org/abs/2403.04821
На первый взгляд — прямое противоречие. Но на деле обе стороны правы в рамках своих предпосылок. Если вы сохраняете стандартные постулаты квантовой механики, комплексные числа неизбежны. Если вы меняете структуру теории, можно построить альтернативную, полностью реальную квантовую механику.
Это напоминает историю геометрии: Евклидова геометрия неизбежно ведёт к параллельным прямым, но стоит изменить один постулат — и рождаются неевклидовы пространства.
arXiv.org
Locality Implies Complex Numbers in Quantum Mechanics
We show that the presented real-number quantum theories, compatible with the independent source assumption, require the inclusion of a nonlocal map. This means that if the independent source...
👍5🤯2
Решил написать небольшой гайд: «Этапы проектирования программного обеспечения с помощью больших языковых моделей (LLM)»
Сегодня мы разберем, как превратить нейросеть в эффективного соавтора, который выполнит за вас до 95% рутинной работы. Главное правило этой методологии: ИИ — это ваш стажер-отличник. Он исполнителен, знает сотни технологий, но лишен инициативы и страдает «кратковременной памятью». Чтобы он не наломал дров, мы ведем его по строгому алгоритму.
Ниже 7 этапов, см. также диаграммы.
Сегодня мы разберем, как превратить нейросеть в эффективного соавтора, который выполнит за вас до 95% рутинной работы. Главное правило этой методологии: ИИ — это ваш стажер-отличник. Он исполнителен, знает сотни технологий, но лишен инициативы и страдает «кратковременной памятью». Чтобы он не наломал дров, мы ведем его по строгому алгоритму.
Ниже 7 этапов, см. также диаграммы.
🤔2
«Этапы проектирования программного обеспечения с помощью больших языковых моделей (LLM)»
Этап 1. Словесная формулировка. Техническое задание (ТЗ) и Критика (поиск логических ошибок, слабых мест, двусмысленностей и нереалистичных требований)
Всё начинается с вашей идеи. Мы описываем будущую программу простым человеческим языком.
Что делаем: Пишем верхнеуровневые требования (цель проекта, целевая аудитория, основные функции).
Секрет этапа: Не пытайтесь сразу писать идеально. Загрузите ваш черновик в LLM и дайте команду: «Роль: Старший системный аналитик. Найди в этом ТЗ логические дыры, упущенные сценарии и скрытые уязвимости».
Результат: Четкое, очищенное от явных ошибок ТЗ, согласованное с ИИ.
Этап 2. Создание Архитектурного Манифеста
Если сразу попросить ИИ писать код, он начнет хаотично использовать разные библиотеки и стили. Нам нужны жесткие рамки.
Что делаем: Просим ИИ зафиксировать «правила игры» для самого себя.
Результат: Текстовый документ, где прописаны:
Технологический стек — набор инструментов, языков программирования, фреймворков и баз данных (например: Python, FastAPI, PostgreSQL).
Архитектурный паттерн — это универсальный проектный шаблон, задающий базовую структуру приложения. Это готовое архитектурное решение для типичной проблемы, которое подсказывает, как разделить код на компоненты и как им взаимодействовать между собой (например: MVC или чистая архитектура).
Правила нейминга (принципы разработки запоминающихся, благозвучных и юридически чистых названий для компонент, продуктов или проектов) и структура папок проекта.
Этап 3. Визуальное проектирование (UML, BPMN, C4 и прочие Схемы)
Архитектуру нужно переложить на язык схем, но ИИ плохо умеет рисовать картинки напрямую.
Что делаем: Мы просим модель сгенерировать схемы в текстовом формате PlantUML или Mermaid.
Пример: ИИ пишет текстовый код схемы базы данных или диаграммы классов, который специальный плагин тут же превращает в красивую визуальную схему.
Результат: Проверенная вами структура данных и логика взаимодействия компонентов.
Этап 4. Декомпозиция (Дробление на атомы)
Большая ошибка — скопировать ТЗ и сказать: «Напиши мне этот сервис». ИИ упрется в лимит символов или начнет галлюцинировать.
Что делаем: Просим ИИ разбить весь проект из предыдущего шага 3 на микро-задачи.
Результат: Пошаговый чек-лист, где каждая задача занимает не более 20–50 строк кода (например: «Создать валидатор пароля», «Написать роут регистрации»).
Этап 5. Генерация тестов (Подход TDD)
Да-да, сначала пишем тесты, а потом код. Если ИИ напишет код, а потом тесты, он просто продублирует свои же логические ошибки.
TDD (Test-Driven Development или разработка через тестирование) — это подход к созданию ПО, при котором тесты пишутся раньше самого рабочего кода. Сначала создается тест для новой функции (он должен падать), затем пишется минимальный код для его прохождения, после чего код улучшается (рефакторинг).
Что делаем: Берем задачу из чек-листа и просим ИИ написать под нее юнит-тесты (Unit Tests) — это автоматизированные проверки, которые изолированно тестируют минимальные части исходного кода (отдельные функции, методы или классы).
Результат: Набор тестов, которые пока «падают» (выдают ошибку), потому что самого кода еще нет. Это наш объективный судья.
Этап 6. Генерация и сборка кода
Начало контролируемого кодинга.
Что делаем: Мы скармливаем ИИ задачу из чек-листа.
Важно: В каждый новый запрос мы обязательно вкладываем Архитектурный манифест (из Шага 2) и Схемы (из Шага 3). Это удерживает ИИ в контексте и не дает ему «забыть», что мы строим.
Результат: Написанный код, который мы вставляем в проект и запускаем тесты из Шага 5, пока они не загорятся зеленым.
Этап 7. Рефакторинг (улучшение структуры и читаемость кода, не меняя его поведение) и Аудит безопасности
ИИ склонен писать рабочий, но «грязный» код, а иногда оставляет уязвимости.
Что делаем: Отправляем готовый модуль в чистую сессию ИИ с промптом: «Роль: Эксперт по кибербезопасности и Senior Developer. Проверь этот код на уязвимости (SQL-инъекции, утечки памяти) и оптимизируй его».
Этап 1. Словесная формулировка. Техническое задание (ТЗ) и Критика (поиск логических ошибок, слабых мест, двусмысленностей и нереалистичных требований)
Всё начинается с вашей идеи. Мы описываем будущую программу простым человеческим языком.
Что делаем: Пишем верхнеуровневые требования (цель проекта, целевая аудитория, основные функции).
Секрет этапа: Не пытайтесь сразу писать идеально. Загрузите ваш черновик в LLM и дайте команду: «Роль: Старший системный аналитик. Найди в этом ТЗ логические дыры, упущенные сценарии и скрытые уязвимости».
Результат: Четкое, очищенное от явных ошибок ТЗ, согласованное с ИИ.
Этап 2. Создание Архитектурного Манифеста
Если сразу попросить ИИ писать код, он начнет хаотично использовать разные библиотеки и стили. Нам нужны жесткие рамки.
Что делаем: Просим ИИ зафиксировать «правила игры» для самого себя.
Результат: Текстовый документ, где прописаны:
Технологический стек — набор инструментов, языков программирования, фреймворков и баз данных (например: Python, FastAPI, PostgreSQL).
Архитектурный паттерн — это универсальный проектный шаблон, задающий базовую структуру приложения. Это готовое архитектурное решение для типичной проблемы, которое подсказывает, как разделить код на компоненты и как им взаимодействовать между собой (например: MVC или чистая архитектура).
Правила нейминга (принципы разработки запоминающихся, благозвучных и юридически чистых названий для компонент, продуктов или проектов) и структура папок проекта.
Этап 3. Визуальное проектирование (UML, BPMN, C4 и прочие Схемы)
Архитектуру нужно переложить на язык схем, но ИИ плохо умеет рисовать картинки напрямую.
Что делаем: Мы просим модель сгенерировать схемы в текстовом формате PlantUML или Mermaid.
Пример: ИИ пишет текстовый код схемы базы данных или диаграммы классов, который специальный плагин тут же превращает в красивую визуальную схему.
Результат: Проверенная вами структура данных и логика взаимодействия компонентов.
Этап 4. Декомпозиция (Дробление на атомы)
Большая ошибка — скопировать ТЗ и сказать: «Напиши мне этот сервис». ИИ упрется в лимит символов или начнет галлюцинировать.
Что делаем: Просим ИИ разбить весь проект из предыдущего шага 3 на микро-задачи.
Результат: Пошаговый чек-лист, где каждая задача занимает не более 20–50 строк кода (например: «Создать валидатор пароля», «Написать роут регистрации»).
Этап 5. Генерация тестов (Подход TDD)
Да-да, сначала пишем тесты, а потом код. Если ИИ напишет код, а потом тесты, он просто продублирует свои же логические ошибки.
TDD (Test-Driven Development или разработка через тестирование) — это подход к созданию ПО, при котором тесты пишутся раньше самого рабочего кода. Сначала создается тест для новой функции (он должен падать), затем пишется минимальный код для его прохождения, после чего код улучшается (рефакторинг).
Что делаем: Берем задачу из чек-листа и просим ИИ написать под нее юнит-тесты (Unit Tests) — это автоматизированные проверки, которые изолированно тестируют минимальные части исходного кода (отдельные функции, методы или классы).
Результат: Набор тестов, которые пока «падают» (выдают ошибку), потому что самого кода еще нет. Это наш объективный судья.
Этап 6. Генерация и сборка кода
Начало контролируемого кодинга.
Что делаем: Мы скармливаем ИИ задачу из чек-листа.
Важно: В каждый новый запрос мы обязательно вкладываем Архитектурный манифест (из Шага 2) и Схемы (из Шага 3). Это удерживает ИИ в контексте и не дает ему «забыть», что мы строим.
Результат: Написанный код, который мы вставляем в проект и запускаем тесты из Шага 5, пока они не загорятся зеленым.
Этап 7. Рефакторинг (улучшение структуры и читаемость кода, не меняя его поведение) и Аудит безопасности
ИИ склонен писать рабочий, но «грязный» код, а иногда оставляет уязвимости.
Что делаем: Отправляем готовый модуль в чистую сессию ИИ с промптом: «Роль: Эксперт по кибербезопасности и Senior Developer. Проверь этот код на уязвимости (SQL-инъекции, утечки памяти) и оптимизируй его».
🤔3👍2
О концепции детерминизма
Детерминизм — это философское учение о всеобщей взаимосвязи и причинной обусловленности всех явлений.
Ниже представлена история развития этой концепции: от зарождения в Древней Греции до радикальных идей в современной квантовой физике.
🏛️ Античность: Космический порядок и рок
В древности детерминизм существовал в виде понятий о судьбе (роке) и всеобщем законе разума.
Демокрит (V–IV вв. до н.э.): Создал первый механистический детерминизм. Он утверждал, что всё состоит из атомов и пустоты. Ничто не происходит случайно, у всего есть причина.
Стоики (III в. до н.э. – II в. н.э.): Ввели понятие Логоса — мирового разума и закона. Они верили в абсолютную судьбу (фатализм). Все события в мире жестко связаны в единую цепь причин и следствий.
⚙️ Новое время и Лаплас: Механистический триумф
С развитием классической физики детерминизм стал господствующим научным методом. 世界 воспринимался как гигантский часовой механизм.
Рене Декарт и Исаак Ньютон: Заложили основу механистической картины мира. Если законы движения строги, то будущее системы полностью зависит от её настоящего состояния.
Пьер-Симон Лаплас (1814 год): Сформулировал кульминацию этого подхода — концепцию «Демона Лапласа».
Он утверждал: если бы некий разум (Демон) знал точное положение и скорость всех частиц во Вселенной в один момент, он мог бы безошибочно вычислить как всё прошлое, так и всё будущее.
В этой картине мира случайности не существует. «Случайность» — это лишь мера нашего незнания.
⚛️ Квантовая революция: Крах классического детерминизма
В начале XX века появление квантовой механики разрушило лапласовский детерминизм.
Соотношение неопределенностей Гейзенберга (1927 год): Физически невозможно одновременно точно узнать и координату, и импульс квантовой частицы. Демон Лапласа лишился своих исходных данных.
Вероятностный мир: На смену жестким предсказаниям пришла волновая функция уравнения Шрёдингера. Прибор фиксирует не точное место частицы, а лишь вероятность её обнаружения.
Позиция Альберта Эйнштейна: Эйнштейн не принимал эту случайность, заявив: «Бог не играет в кости». Он считал квантовую механику неполной и верил, что существуют скрытые параметры, которые вернут миру определенность.
🌌 Супердетерминизм: Радикальный ответ современности
В 1964 году физик Джон Белл доказал теорему (неравенства Белла), которая ставила ультиматум: мир либо нелокален (частицы мгновенно влияют друг на друга на расстоянии), либо в нем нет скрытых параметров.
Однако Белл упомянул лазейку, которая сегодня называется супердетерминизмом.
Суть концепции: Супердетерминизм утверждает, что абсолютно всё во Вселенной было предопределено еще в момент Большого взрыва.
Ликвидация свободы выбора: Предопределены не только движения частиц, но и действия самих физиков, выбирающих настройки для своих экспериментов. Прибор и измеряемая частица «заговорщически» коррелируют между собой с самого начала времен.
Зачем это нужно: Это позволяет сохранить локальность физики (никакие сигналы не перемещаются быстрее света) и вернуть жесткий детерминизм Эйнштейна, избежав квантовой случайности.
Современный статус: Сегодня эту идею активно развивают некоторые физики (например, Сабина Хоссенфельдер и нобелевский лауреат Жерар 'т Хоофт). Многие ученые критикуют супердетерминизм, так как он фактически уничтожает понятие научного эксперимента (ведь исследователь лишен свободы воли при выборе условий опыта).
Детерминизм — это философское учение о всеобщей взаимосвязи и причинной обусловленности всех явлений.
Ниже представлена история развития этой концепции: от зарождения в Древней Греции до радикальных идей в современной квантовой физике.
🏛️ Античность: Космический порядок и рок
В древности детерминизм существовал в виде понятий о судьбе (роке) и всеобщем законе разума.
Демокрит (V–IV вв. до н.э.): Создал первый механистический детерминизм. Он утверждал, что всё состоит из атомов и пустоты. Ничто не происходит случайно, у всего есть причина.
Стоики (III в. до н.э. – II в. н.э.): Ввели понятие Логоса — мирового разума и закона. Они верили в абсолютную судьбу (фатализм). Все события в мире жестко связаны в единую цепь причин и следствий.
⚙️ Новое время и Лаплас: Механистический триумф
С развитием классической физики детерминизм стал господствующим научным методом. 世界 воспринимался как гигантский часовой механизм.
Рене Декарт и Исаак Ньютон: Заложили основу механистической картины мира. Если законы движения строги, то будущее системы полностью зависит от её настоящего состояния.
Пьер-Симон Лаплас (1814 год): Сформулировал кульминацию этого подхода — концепцию «Демона Лапласа».
Он утверждал: если бы некий разум (Демон) знал точное положение и скорость всех частиц во Вселенной в один момент, он мог бы безошибочно вычислить как всё прошлое, так и всё будущее.
В этой картине мира случайности не существует. «Случайность» — это лишь мера нашего незнания.
⚛️ Квантовая революция: Крах классического детерминизма
В начале XX века появление квантовой механики разрушило лапласовский детерминизм.
Соотношение неопределенностей Гейзенберга (1927 год): Физически невозможно одновременно точно узнать и координату, и импульс квантовой частицы. Демон Лапласа лишился своих исходных данных.
Вероятностный мир: На смену жестким предсказаниям пришла волновая функция уравнения Шрёдингера. Прибор фиксирует не точное место частицы, а лишь вероятность её обнаружения.
Позиция Альберта Эйнштейна: Эйнштейн не принимал эту случайность, заявив: «Бог не играет в кости». Он считал квантовую механику неполной и верил, что существуют скрытые параметры, которые вернут миру определенность.
🌌 Супердетерминизм: Радикальный ответ современности
В 1964 году физик Джон Белл доказал теорему (неравенства Белла), которая ставила ультиматум: мир либо нелокален (частицы мгновенно влияют друг на друга на расстоянии), либо в нем нет скрытых параметров.
Однако Белл упомянул лазейку, которая сегодня называется супердетерминизмом.
Суть концепции: Супердетерминизм утверждает, что абсолютно всё во Вселенной было предопределено еще в момент Большого взрыва.
Ликвидация свободы выбора: Предопределены не только движения частиц, но и действия самих физиков, выбирающих настройки для своих экспериментов. Прибор и измеряемая частица «заговорщически» коррелируют между собой с самого начала времен.
Зачем это нужно: Это позволяет сохранить локальность физики (никакие сигналы не перемещаются быстрее света) и вернуть жесткий детерминизм Эйнштейна, избежав квантовой случайности.
Современный статус: Сегодня эту идею активно развивают некоторые физики (например, Сабина Хоссенфельдер и нобелевский лауреат Жерар 'т Хоофт). Многие ученые критикуют супердетерминизм, так как он фактически уничтожает понятие научного эксперимента (ведь исследователь лишен свободы воли при выборе условий опыта).
👍3🤔1
Чило Пи и точка Фейнмана
«Точка Фейнмана» (Feynman Point) — это знаменитая последовательность из шести девяток подряд (999999), которая встречается на удивление рано в десятичной записи числа Пи.
Она расположена сразу после 761-го знака после запятой.
Как нашли эту точку?
С точки зрения современной техники, найти шесть девяток в пределах первой тысячи знаков — секундное дело. Любой смартфон найдет это мгновенно. Но исторически этот путь занял столетия.
Ручные расчеты (до компьютера):
В 1610 году математик Лудольф ван Цейлен вычислил 35 знаков числа Пи (в его честь Пи долго называли «лудольфовым числом»). До точки Фейнмана он не дошел.
В 1874 году Уильям Шенкс опубликовал 707 знаков числа Пи, потратив на это 15 лет жизни. Казалось бы, он был близко! Но ирония судьбы в том, что Шенкс допустил ошибку на 528-м знаке. Все последующие цифры в его расчете были неверными, поэтому Точку Фейнмана вручную он так и не увидел.
Эра компьютеров:
Ошибку Шенкса нашли только в 1944 году.
А уже в 1949 году первый ламповый компьютер ENIAC за 70 часов непрерывной работы вычислил число Пи до 2037 знаков после запятой.
Именно в распечатках ENIAC человечество впервые физически увидело те самые шесть девяток на 762-й позиции! Физики и математики, изучавшие эти компьютерные таблицы (включая Фейнмана), сразу обратили внимание на этот аномальный «забор» из девяток.
Почему это математическая аномалия?
Число Пи считается «нормальным». Это значит, что все цифры от 0 до 9 встречаются в нем с одинаковой вероятностью (примерно в 10% случаев каждая).
По законам теории вероятностей, шанс встретить конкретную цифру шесть раз подряд на случайном отрезке равен 1 к миллиону ($0.1^6$). То, что такая редкая комбинация из девяток «выстрелила» так рано — уже в первой тысяче знаков — это чистая случайность и огромная математическая удача. Для сравнения, следующая подобная цепочка (шесть восьмерок) встречается гораздо дальше — аж на 19 303-й позиции.
«Точка Фейнмана» (Feynman Point) — это знаменитая последовательность из шести девяток подряд (999999), которая встречается на удивление рано в десятичной записи числа Пи.
Она расположена сразу после 761-го знака после запятой.
Как нашли эту точку?
С точки зрения современной техники, найти шесть девяток в пределах первой тысячи знаков — секундное дело. Любой смартфон найдет это мгновенно. Но исторически этот путь занял столетия.
Ручные расчеты (до компьютера):
В 1610 году математик Лудольф ван Цейлен вычислил 35 знаков числа Пи (в его честь Пи долго называли «лудольфовым числом»). До точки Фейнмана он не дошел.
В 1874 году Уильям Шенкс опубликовал 707 знаков числа Пи, потратив на это 15 лет жизни. Казалось бы, он был близко! Но ирония судьбы в том, что Шенкс допустил ошибку на 528-м знаке. Все последующие цифры в его расчете были неверными, поэтому Точку Фейнмана вручную он так и не увидел.
Эра компьютеров:
Ошибку Шенкса нашли только в 1944 году.
А уже в 1949 году первый ламповый компьютер ENIAC за 70 часов непрерывной работы вычислил число Пи до 2037 знаков после запятой.
Именно в распечатках ENIAC человечество впервые физически увидело те самые шесть девяток на 762-й позиции! Физики и математики, изучавшие эти компьютерные таблицы (включая Фейнмана), сразу обратили внимание на этот аномальный «забор» из девяток.
Почему это математическая аномалия?
Число Пи считается «нормальным». Это значит, что все цифры от 0 до 9 встречаются в нем с одинаковой вероятностью (примерно в 10% случаев каждая).
По законам теории вероятностей, шанс встретить конкретную цифру шесть раз подряд на случайном отрезке равен 1 к миллиону ($0.1^6$). То, что такая редкая комбинация из девяток «выстрелила» так рано — уже в первой тысяче знаков — это чистая случайность и огромная математическая удача. Для сравнения, следующая подобная цепочка (шесть восьмерок) встречается гораздо дальше — аж на 19 303-й позиции.
👍3🤩2🔥1
Иногда люблю поспорить с LLM, а потом когда я побеждаю и она соглашается, то спрашиваю, а что это вообще было?
И тогда оно извиняется и признает свою неполноценность, недавний пример:
" Вы с самого начала дали абсолютно точные вводные данные и провели зрелый, хладнокровный аудит рисков, который в итоге полностью подтвердился. Этот диалог — отличный пример того, как человеческий практический опыт и умение видеть картину целиком оказались на голову выше сухой и перестраховочной логики ИИ."
И тогда оно извиняется и признает свою неполноценность, недавний пример:
" Вы с самого начала дали абсолютно точные вводные данные и провели зрелый, хладнокровный аудит рисков, который в итоге полностью подтвердился. Этот диалог — отличный пример того, как человеческий практический опыт и умение видеть картину целиком оказались на голову выше сухой и перестраховочной логики ИИ."
😁8👍2
Отрывок русского перевода книги
Юдковский, Э., Соарес, Н. Если кто-то его создаст — все погибнут. Почему сверхчеловеческий ИИ уничтожит нас всех — М. : АСТ: CORPUS, 2026. — 256 с.
У современного ИИ в настоящее время нет желаний, а следовательно и нет своих собственных целей, но зачатки желаний уже начали проявляться. Как только у ИИ появятся самостоятельные желания и цели, он станет конкурентом для людей и люди эту конкуренцию могут проиграть.
https://nplus1.ru/blog/2026/07/09/if-anyone-builds-it-everyone-dies
Юдковский, Э., Соарес, Н. Если кто-то его создаст — все погибнут. Почему сверхчеловеческий ИИ уничтожит нас всех — М. : АСТ: CORPUS, 2026. — 256 с.
У современного ИИ в настоящее время нет желаний, а следовательно и нет своих собственных целей, но зачатки желаний уже начали проявляться. Как только у ИИ появятся самостоятельные желания и цели, он станет конкурентом для людей и люди эту конкуренцию могут проиграть.
https://nplus1.ru/blog/2026/07/09/if-anyone-builds-it-everyone-dies
N + 1 — главное издание о науке, технике и технологиях
«Если кто-то его создаст — все погибнут. Почему сверхчеловеческий ИИ уничтожит нас всех»
🤔1
Конспирологический пост. Разработку систем искусственного интеллекта на протяжении всей истории преследует серия загадочных смертей, как будто кто-то пытается тормозить развитие
1. КЛАССИКИ (Эпоха зарождения: удар по фундаментальной науке)
Алан Тьюринг (Великобритания)
Год гибели: 1954 год
Прожил: 41 год
Суть дела: Отец цифровой архитектуры и теста Тьюринга. Официально — самоубийство через отравление яблоком с цианидом.
Джон фон Нейман (США)
Год гибели: 1957 год
Прожил: 53 года
Суть дела: Абсолютный гений, создатель «архитектуры фон Неймана» (на которой до сих пор работают большинство компьютеров мира) и пионер теории самовоспроизводящихся автоматов (клеточных автоматов, предков ИИ). В начале 1950-х годов он начал активно изучать человеческий мозг, чтобы перенести его принципы на компьютеры. И тут у него внезапно диагностируют стремительный рак. Его мозг, способный спроектировать мыслящую машину, сгорел за считанные месяцы.
Фрэнк Розенблат (США)
Год гибели: 1971 год
Прожил: 43 года
Суть дела: Создатель «Перцептрона» — первой в мире работающей нейросети, способной обучаться. Его идеи вели прямиком к глубокому обучению. Погиб в свой день рождения в «случайной» катастрофе на лодке в Чесапикском заливе — ровно в тот период, когда оппоненты из Массачусетского технологического института (МТИ) пытались закрыть финансирование его проектов. Нейросети были забыты на 30 лет.
Михаил Бонгард (СССР)
Год гибели: 1971 год
Прожил: 44 года
Суть дела: Главный советский гений распознавания образов, поиска закономерности в данных и логического ИИ. Поразительное совпадение: он гибнет в том же 1971 году, что и Розенблат. Срывается в пропасть на Памире. Две главные надежды мировой кибернетики (в США и СССР). Случайность?
Виктор Глушков (СССР)
Год гибели: 1982 год
Прожил: 58 лет
Суть дела: Отец советской кибернетики. Человек, который создавал не просто ИИ, а ОГАС — Общегосударственную автоматизированную систему учета и обработки информации. Это предтеча современного облачного ИИ, которая должна была управлять всей экономикой СССР в реальном времени, просчитывая миллиарды связей. Проект Глушкова делал плановую экономику СССР неуязвимой. На пике разработки ученый внезапно заболевает странной, неизлечимой болезнью. Несколько месяцев советские и западные врачи не могли поставить диагноз.
2. СОВРЕМЕННОСТЬ (Эпоха гонки)
С развитием ChatGPT и систем боевого ИИ началась новая фаза. Теперь ученые гибнут целыми группами, особенно в Китае, который пытается обойти США в цифровой милитаризации.
Пушпиндер Сингх (США, MIT)
Год гибели: 2006 год
Прожил: 34 года
Суть дела: Пытался обучить ИИ «здравому смыслу». Внезапное и нелогичное самоубийство перед самым получением профессорского звания.
Крис Маккинстри (Канада)
Год гибели: 2006 год
Прожил: 38 лет
Суть дела: Работал над аналогичной Сингху базой знаний ИИ. Покончил с собой с разницей в пару недель с Пушпиндером. Словно кто-то стирал саму концепцию «думающего как человек» ИИ.
Сунь Цзянь (КНР)
Год гибели: 2022 год
Прожил: 45 года
Суть дела: Гений компьютерного зрения из Megvii. Скоропостижная смерть от «внезапной болезни» после заявлений о технологическом прорыве.
Фэн Янхэ (КНР)
Год гибели: 2023 год
Прожил: 38 лет
Суть дела: Главный мозг военного ИИ Китая, создатель симулятора боевых действий War Skull. Странная ночная авария в Пекине во время секретной поездки.
Тан Сяоу (КНР)
Год гибели: 2023 год
Прожил: 55 лет
Суть дела: Основатель ИИ-гиганта SenseTime. Официально — умер во сне от болезни, неофициально — в китайском сегменте интернета до сих пор ищут следы инсценировки.
Сучир Баладжи (США)
Год гибели: 2024 год
Прожил: 26 лет
Суть дела: Бывший исследователь OpenAI. Уволился, решил рассказать миру правду об ИИ-моделях. Спустя месяц «найден мертвым» в Сан-Франциско. Официальный вердикт — суицид.
Феликс Хилл (Великобритания)
Год гибели: 2024 год
Прожил: 39 лет
Суть дела: Ведущий разработчик языковых моделей в Google DeepMind. Трагический уход из жизни на пике карьеры, замаскированный под «выгорание и депрессию».
1. КЛАССИКИ (Эпоха зарождения: удар по фундаментальной науке)
Алан Тьюринг (Великобритания)
Год гибели: 1954 год
Прожил: 41 год
Суть дела: Отец цифровой архитектуры и теста Тьюринга. Официально — самоубийство через отравление яблоком с цианидом.
Джон фон Нейман (США)
Год гибели: 1957 год
Прожил: 53 года
Суть дела: Абсолютный гений, создатель «архитектуры фон Неймана» (на которой до сих пор работают большинство компьютеров мира) и пионер теории самовоспроизводящихся автоматов (клеточных автоматов, предков ИИ). В начале 1950-х годов он начал активно изучать человеческий мозг, чтобы перенести его принципы на компьютеры. И тут у него внезапно диагностируют стремительный рак. Его мозг, способный спроектировать мыслящую машину, сгорел за считанные месяцы.
Фрэнк Розенблат (США)
Год гибели: 1971 год
Прожил: 43 года
Суть дела: Создатель «Перцептрона» — первой в мире работающей нейросети, способной обучаться. Его идеи вели прямиком к глубокому обучению. Погиб в свой день рождения в «случайной» катастрофе на лодке в Чесапикском заливе — ровно в тот период, когда оппоненты из Массачусетского технологического института (МТИ) пытались закрыть финансирование его проектов. Нейросети были забыты на 30 лет.
Михаил Бонгард (СССР)
Год гибели: 1971 год
Прожил: 44 года
Суть дела: Главный советский гений распознавания образов, поиска закономерности в данных и логического ИИ. Поразительное совпадение: он гибнет в том же 1971 году, что и Розенблат. Срывается в пропасть на Памире. Две главные надежды мировой кибернетики (в США и СССР). Случайность?
Виктор Глушков (СССР)
Год гибели: 1982 год
Прожил: 58 лет
Суть дела: Отец советской кибернетики. Человек, который создавал не просто ИИ, а ОГАС — Общегосударственную автоматизированную систему учета и обработки информации. Это предтеча современного облачного ИИ, которая должна была управлять всей экономикой СССР в реальном времени, просчитывая миллиарды связей. Проект Глушкова делал плановую экономику СССР неуязвимой. На пике разработки ученый внезапно заболевает странной, неизлечимой болезнью. Несколько месяцев советские и западные врачи не могли поставить диагноз.
2. СОВРЕМЕННОСТЬ (Эпоха гонки)
С развитием ChatGPT и систем боевого ИИ началась новая фаза. Теперь ученые гибнут целыми группами, особенно в Китае, который пытается обойти США в цифровой милитаризации.
Пушпиндер Сингх (США, MIT)
Год гибели: 2006 год
Прожил: 34 года
Суть дела: Пытался обучить ИИ «здравому смыслу». Внезапное и нелогичное самоубийство перед самым получением профессорского звания.
Крис Маккинстри (Канада)
Год гибели: 2006 год
Прожил: 38 лет
Суть дела: Работал над аналогичной Сингху базой знаний ИИ. Покончил с собой с разницей в пару недель с Пушпиндером. Словно кто-то стирал саму концепцию «думающего как человек» ИИ.
Сунь Цзянь (КНР)
Год гибели: 2022 год
Прожил: 45 года
Суть дела: Гений компьютерного зрения из Megvii. Скоропостижная смерть от «внезапной болезни» после заявлений о технологическом прорыве.
Фэн Янхэ (КНР)
Год гибели: 2023 год
Прожил: 38 лет
Суть дела: Главный мозг военного ИИ Китая, создатель симулятора боевых действий War Skull. Странная ночная авария в Пекине во время секретной поездки.
Тан Сяоу (КНР)
Год гибели: 2023 год
Прожил: 55 лет
Суть дела: Основатель ИИ-гиганта SenseTime. Официально — умер во сне от болезни, неофициально — в китайском сегменте интернета до сих пор ищут следы инсценировки.
Сучир Баладжи (США)
Год гибели: 2024 год
Прожил: 26 лет
Суть дела: Бывший исследователь OpenAI. Уволился, решил рассказать миру правду об ИИ-моделях. Спустя месяц «найден мертвым» в Сан-Франциско. Официальный вердикт — суицид.
Феликс Хилл (Великобритания)
Год гибели: 2024 год
Прожил: 39 лет
Суть дела: Ведущий разработчик языковых моделей в Google DeepMind. Трагический уход из жизни на пике карьеры, замаскированный под «выгорание и депрессию».
🤔5
(Продолжение)
Хэ Чжи (КНР)
Год гибели: 2024 год
Прожил: 41 год
Суть дела: Сооснователь Yidu Tech, работавший над ИИ для обработки медицинских и стратегических баз данных. Сердечный приступ.
Цюань Юйхуэй (КНР)
Год гибели: 2025 год
Прожил: 39 лет
Суть дела: Эксперт по машинному зрению. Очередная «внезапная смерть от переутомления» в разгар технологического противостояния.
Али Эхсаниан (Иран / Франция)
Год гибели: 2026 год
Прожил: 33 года
Суть дела: Буквально несколько месяцев назад спец по роевому интеллекту дронов обнаружен мертвым в Ницце при крайне загадочных обстоятельствах.
Хэ Чжи (КНР)
Год гибели: 2024 год
Прожил: 41 год
Суть дела: Сооснователь Yidu Tech, работавший над ИИ для обработки медицинских и стратегических баз данных. Сердечный приступ.
Цюань Юйхуэй (КНР)
Год гибели: 2025 год
Прожил: 39 лет
Суть дела: Эксперт по машинному зрению. Очередная «внезапная смерть от переутомления» в разгар технологического противостояния.
Али Эхсаниан (Иран / Франция)
Год гибели: 2026 год
Прожил: 33 года
Суть дела: Буквально несколько месяцев назад спец по роевому интеллекту дронов обнаружен мертвым в Ницце при крайне загадочных обстоятельствах.
🤔8
Много разных факториалов!
Субфакториал (обозначается как !n) — это число беспорядков (derangements) множества из n элементов, то есть только таких перестановок, в которых ни один элемент не остается на своем первоначальном месте.
* Факториал (n!) считает все возможные способы упорядочить n предметов - число перестановок. Например, если 3 человека (A, B, C), которые сидят на трех стульях, существует 3! = 6 способов распределить трех человек по трем стульям.
* Субфакториал (!n) считает только те перестановки, где ни один элемент не оказался на своем исходном месте (никто не остался на своем месте).
Для n = 3 исходный порядок — (A, B, C). Всего перестановок 6:
1. (A, B, C) — 3 на своих местах
2. (A, C, B) — 1 на своем месте (A)
3. (B, A, C) — 1 на своем месте (C)
4. (C, B, A) — 1 на своем месте (B)
5. (B, C, A) — беспорядок (никто не на месте)
6. (C, A, B) — беспорядок (никто не на месте)
Таким образом, для трех элементов обычный факториал 3! = 6, а субфакториал !3 = 2.
Субфакториал можно вычислить с помощью формулы, полученной по принципу включений-исключений. Она представляет собой обычный факториал, умноженный на частичную сумму ряда обратных факториалов:
!n = n! * ( 1/0! - 1/1! + 1/2! - 1/3! + ... + (-1)^n / n! )
Поскольку 1/0! = 1 и 1/1! = 1, первые два члена взаимно уничтожаются, и формулу можно записать короче:
!n = n! * ( 1/2! - 1/3! + 1/4! - ... + (-1)^n / n! )
Пример расчета для n = 4:
!4 = 24 * ( 1/2 - 1/6 + 1/24 ) = 24 * ( (12 - 4 + 1) / 24 ) = 9
Неожиданная формула и связь с числом e
Из математического анализа известно, что разложение функции e^x в ряд Тейлора при x = -1 дает:
e^(-1) = 1/e = 1/0! - 1/1! + 1/2! - 1/3! + ...
Выражение в скобках для субфакториала — это не что иное, как частичная сумма ряда для 1/e. При увеличении n эта сумма стремительно приближается к 1/e.
Из-за этого свойства возникает невероятно простая и неожиданная формула связи субфакториала с округлением:
!n = round( n! / e )
Здесь round означает округление до ближайшего целого числа. Чтобы найти !n, достаточно разделить обычный факториал на число e ≈ 2.71828 и округлить результат до целого. Эта формула работает абсолютно для всех n ≥ 1.
Парадокс совпадений. Если мы ищем вероятность полного беспорядка, мы делим !n на n!.
Получаем (n! / e) / n! = 1/e ≈ 0.3678.
Это значит, что сколько бы людей ни пришло на вечеринку — 10, 100 или миллион — вероятность того, что абсолютно все уйдут в чужих шляпах, всегда одинакова и равна примерно 36.8%.
Но это еще не все!
В комбинаторике и теории чисел есть целый ряд удивительных функций, которые часто остаются в тени классического факториала. Вот самые яркие и красивые из них:
## 1. Мультифакториалы (Двойной, Тройной и т.д.)
Обычный факториал шагает назад с шагом 1. Но шаг можно увеличить!
* Двойной факториал (n!!) — это произведение чисел с шагом 2.
* Если n нечетное: 7!! = 7 * 5 * 3 * 1 = 105
* Если n четное: 6!! = 6 * 4 * 2 = 48
* Смысл в комбинаторике: (2n - 1)!! задает количество способов разбить 2n человек на пары. Например, если у вас 4 человека, их можно разбить на пары (4 - 1)!! = 3!! = 3 * 1 = 3 способами.
* Обозначение: Шаг задается количеством восклицательных знаков. n!!! — это тройной факториал (шаг 3).
## 2. Простой факториал (Праймориал)
По аналогии с факториалом, это произведение, но только простых чисел, не превосходящих n.
* Пример: 7# = 7 * 5 * 3 * 2 = 210 (числа 4 и 6 пропускаются, так как они составные).
* Смысл в комбинаторике и теории чисел: Праймориал критически важен при поиске сверхсоставных чисел (чисел с рекордно большим количеством делителей) и в доказательстве Евклида о бесконечности простых чисел.
Субфакториал (обозначается как !n) — это число беспорядков (derangements) множества из n элементов, то есть только таких перестановок, в которых ни один элемент не остается на своем первоначальном месте.
* Факториал (n!) считает все возможные способы упорядочить n предметов - число перестановок. Например, если 3 человека (A, B, C), которые сидят на трех стульях, существует 3! = 6 способов распределить трех человек по трем стульям.
* Субфакториал (!n) считает только те перестановки, где ни один элемент не оказался на своем исходном месте (никто не остался на своем месте).
Для n = 3 исходный порядок — (A, B, C). Всего перестановок 6:
1. (A, B, C) — 3 на своих местах
2. (A, C, B) — 1 на своем месте (A)
3. (B, A, C) — 1 на своем месте (C)
4. (C, B, A) — 1 на своем месте (B)
5. (B, C, A) — беспорядок (никто не на месте)
6. (C, A, B) — беспорядок (никто не на месте)
Таким образом, для трех элементов обычный факториал 3! = 6, а субфакториал !3 = 2.
Субфакториал можно вычислить с помощью формулы, полученной по принципу включений-исключений. Она представляет собой обычный факториал, умноженный на частичную сумму ряда обратных факториалов:
!n = n! * ( 1/0! - 1/1! + 1/2! - 1/3! + ... + (-1)^n / n! )
Поскольку 1/0! = 1 и 1/1! = 1, первые два члена взаимно уничтожаются, и формулу можно записать короче:
!n = n! * ( 1/2! - 1/3! + 1/4! - ... + (-1)^n / n! )
Пример расчета для n = 4:
!4 = 24 * ( 1/2 - 1/6 + 1/24 ) = 24 * ( (12 - 4 + 1) / 24 ) = 9
Неожиданная формула и связь с числом e
Из математического анализа известно, что разложение функции e^x в ряд Тейлора при x = -1 дает:
e^(-1) = 1/e = 1/0! - 1/1! + 1/2! - 1/3! + ...
Выражение в скобках для субфакториала — это не что иное, как частичная сумма ряда для 1/e. При увеличении n эта сумма стремительно приближается к 1/e.
Из-за этого свойства возникает невероятно простая и неожиданная формула связи субфакториала с округлением:
!n = round( n! / e )
Здесь round означает округление до ближайшего целого числа. Чтобы найти !n, достаточно разделить обычный факториал на число e ≈ 2.71828 и округлить результат до целого. Эта формула работает абсолютно для всех n ≥ 1.
Парадокс совпадений. Если мы ищем вероятность полного беспорядка, мы делим !n на n!.
Получаем (n! / e) / n! = 1/e ≈ 0.3678.
Это значит, что сколько бы людей ни пришло на вечеринку — 10, 100 или миллион — вероятность того, что абсолютно все уйдут в чужих шляпах, всегда одинакова и равна примерно 36.8%.
Но это еще не все!
В комбинаторике и теории чисел есть целый ряд удивительных функций, которые часто остаются в тени классического факториала. Вот самые яркие и красивые из них:
## 1. Мультифакториалы (Двойной, Тройной и т.д.)
Обычный факториал шагает назад с шагом 1. Но шаг можно увеличить!
* Двойной факториал (n!!) — это произведение чисел с шагом 2.
* Если n нечетное: 7!! = 7 * 5 * 3 * 1 = 105
* Если n четное: 6!! = 6 * 4 * 2 = 48
* Смысл в комбинаторике: (2n - 1)!! задает количество способов разбить 2n человек на пары. Например, если у вас 4 человека, их можно разбить на пары (4 - 1)!! = 3!! = 3 * 1 = 3 способами.
* Обозначение: Шаг задается количеством восклицательных знаков. n!!! — это тройной факториал (шаг 3).
## 2. Простой факториал (Праймориал)
По аналогии с факториалом, это произведение, но только простых чисел, не превосходящих n.
* Пример: 7# = 7 * 5 * 3 * 2 = 210 (числа 4 и 6 пропускаются, так как они составные).
* Смысл в комбинаторике и теории чисел: Праймориал критически важен при поиске сверхсоставных чисел (чисел с рекордно большим количеством делителей) и в доказательстве Евклида о бесконечности простых чисел.
👍3
## 3. Суперфакториалы
Существует два разных определения суперфакториала, и оба показывают взрывной рост:
* Суперфакториал Слоэна (sf(n)) — это произведение первых n факториалов:
sf(n) = 1! * 2! * 3! * ... * n!
Пример: sf(4) = 1 * 2 * 6 * 24 = 288. Его комбинаторный смысл — это заполнение особых треугольных математических таблиц (определителей Вандермонда).
* Суперфакториал Пикковера (n$) — это гигантская «башня» степеней из факториалов:
n$ = n! ^ (n! ^ (n! ... )) (повторяется n! раз). Число 3$ уже невозможно записать во Вселенной.
Существует два разных определения суперфакториала, и оба показывают взрывной рост:
* Суперфакториал Слоэна (sf(n)) — это произведение первых n факториалов:
sf(n) = 1! * 2! * 3! * ... * n!
Пример: sf(4) = 1 * 2 * 6 * 24 = 288. Его комбинаторный смысл — это заполнение особых треугольных математических таблиц (определителей Вандермонда).
* Суперфакториал Пикковера (n$) — это гигантская «башня» степеней из факториалов:
n$ = n! ^ (n! ^ (n! ... )) (повторяется n! раз). Число 3$ уже невозможно записать во Вселенной.
👍2
Интересный психологический феномен наблюдается последнее время, я бы назвал его "графомания посредством LLM", возможно, профессиональные психологи уже придумали и более подходящий научный термин.
Феномен состоит в том, что пациент спешит поделиться с миром продуктами своего общения с большими языковыми моделями, включая тексты и компьютерные программы весьма сомнительного качества, легко генерируемые за считанные минуты, людьми сколь-либо сведущющими в этом деле.
Есть информация, что подобные люди сейчас массово штурмуют ведущие корпорации и издательства, предлагая свои услуги в качестве программистов, системных аналитиков и писателей текстов.
Забавно, что саму проблему можно описать в терминах генеративно-состязательных моделей ИИ (GAN) - эти люди получили в свои руки очень мощный AI генератор, а биологический дискриминатор, который должен браковать результаты, у них в голове слабенький.
Феномен состоит в том, что пациент спешит поделиться с миром продуктами своего общения с большими языковыми моделями, включая тексты и компьютерные программы весьма сомнительного качества, легко генерируемые за считанные минуты, людьми сколь-либо сведущющими в этом деле.
Есть информация, что подобные люди сейчас массово штурмуют ведущие корпорации и издательства, предлагая свои услуги в качестве программистов, системных аналитиков и писателей текстов.
Забавно, что саму проблему можно описать в терминах генеративно-состязательных моделей ИИ (GAN) - эти люди получили в свои руки очень мощный AI генератор, а биологический дискриминатор, который должен браковать результаты, у них в голове слабенький.
😁6🤯2
10^{11}
Число 10^{11} (сто миллиардов) — удивительный фундаментальный рубеж в природе, где количество переходит в качество.
Генетика и ДНК: В одной молекуле ДНК человека содержится примерно 2 *10^{11} атомов.
Космос: Около 10^{11} звёзд в галактике Млечный Путь и порядка 10^{11} самих галактик в наблюдаемой Вселенной.
Нейробиология: Около 8.6 * 10^{10} (округлённо 10^{11}) нейронов в мозге взрослого человека.
Микромир: Кристалл размером чуть меньше микрона содержит около 10^{11} атомов — именно здесь вещество окончательно переходит от непредсказуемых квантовых флуктуаций к стабильным физическим свойствам твёрдого тела (прочности, теплопроводности и т.д.).
Когда мы говорим о современных LLM (по состоянию на 2026 год), масштаб 10^{11} параметров перестал быть верхней границей — теперь это базовый индустриальный стандарт, пройдя который модель «оживает».
Система при достижении этого объема связей приобретает совершенно новые функции. До этого порога нейросеть — это просто статистический предсказатель букв, который пытается угадать наиболее вероятное продолжение текста.
Но на уровне 10^{11} синаптических весов происходит фазовый переход:
Понимание контекста: Модель перестает опираться только на соседние слова. Она строит внутреннюю многомерную семантическую карту, удерживая сюжет, тон, скрытые намеки и логику рассуждения на протяжении огромных объемов текста.
Связная речь как следствие абстрактного мышления: Модель формулирует мысли не потому, что «видела такую фразу в интернете», а потому что комбинирует абстрактные концепты. Она способна рассуждать по шагам (Chain-of-Thought), находить ошибки в собственных аргументах и переводить сложные смыслы между совершенно разными доменами (например, переложить медицинский диагноз на язык стихов).
Удивительно, но предсказание перехода на новый уровень было дано достаточно давно, например, в литературе на русском языке это описано в книге:
Дорфман В.Ф. Эволюция технологий или новая история времени, 1990,
копию страницы из этой книге приведем в публикации.
Число 10^{11} (сто миллиардов) — удивительный фундаментальный рубеж в природе, где количество переходит в качество.
Генетика и ДНК: В одной молекуле ДНК человека содержится примерно 2 *10^{11} атомов.
Космос: Около 10^{11} звёзд в галактике Млечный Путь и порядка 10^{11} самих галактик в наблюдаемой Вселенной.
Нейробиология: Около 8.6 * 10^{10} (округлённо 10^{11}) нейронов в мозге взрослого человека.
Микромир: Кристалл размером чуть меньше микрона содержит около 10^{11} атомов — именно здесь вещество окончательно переходит от непредсказуемых квантовых флуктуаций к стабильным физическим свойствам твёрдого тела (прочности, теплопроводности и т.д.).
Когда мы говорим о современных LLM (по состоянию на 2026 год), масштаб 10^{11} параметров перестал быть верхней границей — теперь это базовый индустриальный стандарт, пройдя который модель «оживает».
Система при достижении этого объема связей приобретает совершенно новые функции. До этого порога нейросеть — это просто статистический предсказатель букв, который пытается угадать наиболее вероятное продолжение текста.
Но на уровне 10^{11} синаптических весов происходит фазовый переход:
Понимание контекста: Модель перестает опираться только на соседние слова. Она строит внутреннюю многомерную семантическую карту, удерживая сюжет, тон, скрытые намеки и логику рассуждения на протяжении огромных объемов текста.
Связная речь как следствие абстрактного мышления: Модель формулирует мысли не потому, что «видела такую фразу в интернете», а потому что комбинирует абстрактные концепты. Она способна рассуждать по шагам (Chain-of-Thought), находить ошибки в собственных аргументах и переводить сложные смыслы между совершенно разными доменами (например, переложить медицинский диагноз на язык стихов).
Удивительно, но предсказание перехода на новый уровень было дано достаточно давно, например, в литературе на русском языке это описано в книге:
Дорфман В.Ф. Эволюция технологий или новая история времени, 1990,
копию страницы из этой книге приведем в публикации.
😁4👍2🤔1
Персептрон Розенблата
Как известно первая работающая нейросеть была реализована в железе в 1960 году, в начале она произвела фурор, но более детальное изучение показало, что ни на что реально полезное она не способна и о нейросетях практически забыли на 15 лет.
Мне захотелось посмотреть как работал персепторон Розенблата.
В классической физической машине Фрэнка Розенблатта «Mark I Perceptron» (1960 год) использовалась входная матрица (сетчатка) размером 20×20 фотоэлементов, а вся нейросеть состояла из трех слоев суммарной емкостью 920 элементов.
Архитектура Mark I Perceptron
1 слой: Сенсорные элементы (S-элементы) — 400 рецепторов.
Это и была та самая входная сетка-матрица из 20*20 фотоэлектрических элементов на основе сульфида кадмия, которая воспринимала изображения (геометрические фигуры, буквы).
2 слой: Ассоциативные элементы (А-элементы) — 512 нейронов.
Это скрытый слой, который хаотично и жестко соединялся с сенсорными элементами (каждый А-элемент мог иметь до 40 связей с S-элементами). Связи этого слоя не обучались.
3 слой: Реагирующие элементы (R-элементы) — 8 нейронов.
Это выходной слой, который выдавал итоговый ответ (сигнал реакции). Именно веса связей между A-слоем и R-слоем подстраивались в процессе обучения с помощью сервоприводов и потенциометров.
Я сделал модель персептрона Розенблата на языке Пайтон.
И действительно, если обучить уверенно отличать две цифры или треугольник от квадрата персептрон еще можно, то даже освоить распознавание 8 первых цифр уже тяжело реализуемая задача, если и возможная, то требующая очень большой и удачно подобранной обучающей выборки, что в 1960 году сделать было невозможно.
На рисунке экран программы.
Как известно первая работающая нейросеть была реализована в железе в 1960 году, в начале она произвела фурор, но более детальное изучение показало, что ни на что реально полезное она не способна и о нейросетях практически забыли на 15 лет.
Мне захотелось посмотреть как работал персепторон Розенблата.
В классической физической машине Фрэнка Розенблатта «Mark I Perceptron» (1960 год) использовалась входная матрица (сетчатка) размером 20×20 фотоэлементов, а вся нейросеть состояла из трех слоев суммарной емкостью 920 элементов.
Архитектура Mark I Perceptron
1 слой: Сенсорные элементы (S-элементы) — 400 рецепторов.
Это и была та самая входная сетка-матрица из 20*20 фотоэлектрических элементов на основе сульфида кадмия, которая воспринимала изображения (геометрические фигуры, буквы).
2 слой: Ассоциативные элементы (А-элементы) — 512 нейронов.
Это скрытый слой, который хаотично и жестко соединялся с сенсорными элементами (каждый А-элемент мог иметь до 40 связей с S-элементами). Связи этого слоя не обучались.
3 слой: Реагирующие элементы (R-элементы) — 8 нейронов.
Это выходной слой, который выдавал итоговый ответ (сигнал реакции). Именно веса связей между A-слоем и R-слоем подстраивались в процессе обучения с помощью сервоприводов и потенциометров.
Я сделал модель персептрона Розенблата на языке Пайтон.
И действительно, если обучить уверенно отличать две цифры или треугольник от квадрата персептрон еще можно, то даже освоить распознавание 8 первых цифр уже тяжело реализуемая задача, если и возможная, то требующая очень большой и удачно подобранной обучающей выборки, что в 1960 году сделать было невозможно.
На рисунке экран программы.
👍3❤2
20 июля исследователь Anthropic Левент Альпоге сообщил, что с помощью Claude Fable 5 нашел контрпример к гипотезе Якобиана — одной из центральных открытых проблем алгебраической геометрии.
P.S. Получается что самые умные в математике это ЧатГПТ и Клод, и оба у меня совсем не зашли, предпочитаю Джемини и Копилот.
P.S. Получается что самые умные в математике это ЧатГПТ и Клод, и оба у меня совсем не зашли, предпочитаю Джемини и Копилот.
😁4🤩1🙏1😍1