Сегодня на повестке дня у нас красивейшая математика: польский физик-теоретик доказал, что абсолютно все математические функции можно вывести из одной операции

Его статью уже заслужено называют концептуальным прорывом. Сейчас разберемся, что тут к чему.

Скорее всего, вам знакома операция NAND (NOT AND). Ее главная прелесть в том, что на ней строится ВСЯ булева логика, то есть через NAND можно представить любую другую логическую функцию (OR, AND, NOT и пр).

Это называется функциональная полнота, и используется она повсеместно. Кстати, именно из-за нее реальные процессоры часто строятся почти полностью из NAND-гейтов.

Так вот: автор этой статьи нашел аналог NAND для непрерывной математики.

Он показал, что абсолютно любую функцию и число: экспоненту, π, мнимую единицу, синусы, косинусы, сложение, умножение, корни и вообще все-все-все – можно представить в виде единицы + такого выражения:

eml(x,y)=e^x−ln(y)

Например, ln_x=eml(1,eml(eml(1,x),1)). Для других операторов выражения гораздо длиннее и глубже, но они существуют, и автор это доказал.

Это до безумия красиво, но вы спросите: есть ли тут какая-то практическая польза?

И да, она есть. И это symbolic regression.

Символьная регрессия – это когда нам нужно восстановить явную формулу, которая порождает данные. Она используется в науке и инженерии: например, по экспериментальным данным найти закон движения или компактную модель в физике/финансах. Обычно такие методы перебирают огромное пространство формул из разных операций (+, ×, sin, log…), и это очень сложный, дискретный и плохо оптимизируемый процесс.

EML открывает новый путь. Если все функции можно выразить через одну операцию, то все пространство формул становится однородным (деревья из одного типа узлов). А значит, мы можем применять для symbolic regression нейросети, оптимизируя параметры таких деревьев градиентами. Да-да, и здесь ИИ.

В статье показано, что в простых случаях модель не просто аппроксимирует данные, а может схлопнуться в точную аналитическую формулу. Если это масштабируется, то это потенциальный мост между машинным обучением и классической наукой: модели смогут не просто предсказывать данные, а выводить из них интерпретируемые законы.

www.alphaxiv.org/abs/2603.21852v2

36к звезд за два дня набрал репозиторий с единственным файлом CLAUDE.md

Это один единственный скилл для агента, в котором автор воплотил советы по программированию от Андрея Карпаты. Скилл, кстати, так и называется в честь Андрея:

github.com/forrestchang/andrej-karpathy-skills

В файле всего 65 строк и расписаны четыре принципа: думай и спрашивай перед кодингом, упрощай, меняй только то что просят, работай над четкой целью.

Все эти принципы основаны вот на этом посте Андрея (мы частично переводили его тут), в котором он делился наблюдениями о кодинге с агентами.

Пользователи пишут, что файлик действительно бустит поведение моделей: PR становятся чистыми и минималистичными, исчезают ненужные диффы, агенты меньше путаются и лучше следуют инструкциям.

Видимо все, в чем фигурирует имя Карпаты, обречено на успех

Дата-инженер, пора на прокачку

Если хотите в 2026 не просто “поддерживать пайплайны”, а лучше понимать архитектуру, ускорять разработку и принимать более сильные технические решения — регистрируйтесь на серию вебинаров от команды Дата-сервисов VK Tech.

🦾 В одной серии — сразу 3 практических вебинара:
20 апреля — ClickHouse в 2026: сценарии, сильные стороны, лучшие практики
20 мая — Наш опыт построения Lakehouse: ошибки и выводы 2025
10 июня — Вайбкодинг в data engineering: как ускоряться, не ломая прод

🏆 Кому будет полезно:
Дата-инженерам, senior-аналитикам, архитекторам данных, руководителям дата-платформ и всем, кто строит или развивает контур аналитики, BI и ML.

💪 В чем можно прокачаться:
— понять, где ClickHouse реально силен, а где его не стоит ставить “по умолчанию”
— разобраться, как грамотно использовать ClickHouse в DWH и Lakehouse-архитектуре
— увидеть типовые ошибки при построении Lakehouse и не повторять их у себя
— лучше понять связку S3 + Iceberg + Trino / Spark / ClickHouse
— разобраться, где ИИ помогает в data engineering, а где создает риск для качества и прода
— ускорить разработку SQL, ETL/ELT и витрин без потери контроля

💸💸💸 Дополнительный мотив зарегистрироваться:
Получить бонусные рубли для тестирования ClickHouse и Lakehouse в VK Cloud.

📢 Спикер:
Алексей Белозерский, руководитель профессионального сервиса VK Data Platform, VK Tech.

Ведет Telegram-канал «Архитектор Данных» — там про архитектуру данных, внедрение ИИ, аналитику. Подписаться на канал Алексея.

✍️ Зарегистрироваться на вебинары:

ClickHouse

Lakehouse

Вайбкодинг

Подписаться, чтобы не пропускать новые материалы и анонсы:
👉 Данные на стероидах — Telegram-канал команды Дата сервисы VK Tech о практиках и подходах для извлечения максимальной пользы из работы с данными. Подписаться на канал.

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

Освоить создание ИИ-агентов теперь можно в «Академии Yandex AI Studio» — бесплатно и с практикой.

Если смотреть с позиции Big Data, речь про следующий слой работы с данными: не только про хранение и обработку, но и автоматизацию аналитики и процессов через AI-агентов. Обучение построено на практике — лабораторные проходят в dev-консоли и опираются на типовые сценарии: отчётность, исследования, работа с документами.

Порог входа низкий: базовые решения можно собрать без кода, а дальше — углубляться в более сложные сценарии. Для этого есть «кукбуки» с пошаговой логикой (например, мониторинг новостей или суммаризация встреч), которые можно адаптировать под свои пайплайны и источники данных.

Дополнительно в курсах разбираются вопросы оценки эффективности ИИ-продуктов, создания голосовых агентов и многое другое.

Фактически это движение к data-driven automation: когда поверх DWH и пайплайнов появляется слой AI-агентов, работающих с данными напрямую, при этом снижается порог входа в такие проекты для бизнеса.

Подробнее в статье.

GPT-5.4 Pro решила задачу Эрдеша номер 1196

Она была открыта с 1968, когда Эрдеш, Саркожи и Семереди поставили в своей работе вопрос о плотности так называемых примитивных множеств.

Джаред Дьюкер Лихтман – математик, который получил доказательство – сам работал над этой проблемой 7 лет. GPT-5.4 Pro же понадобилось 80 минут, чтобы собрать доказательство структурно, и еще 30 минут, чтобы перевести его в латех.

Самое интересное, что подход модели оказался крайне неочевидным. В центре оказалась новая вероятностная точка зрения. Модель предложила рассматривать элементы примитивного множества через цепи Маркова, тогда как в прежней литературе использовали в основном жесткие аналитические оценки и комбинаторные разбиения.

Решение называют первым "Book proof" от ИИ (= красивое изящное доказательство, которое войдет в учебники) и даже сравнивают с ходом 37 AlphaGo в партии против Ли Седоля. Система тогда сделала крайне нестандартный ход, который эксперты сначала даже сочли ошибкой, но в итоге именно он перевернул ход партии. История, как видите, повторяется.

Вот что говорит по этому поводу Теренс Тао:

Я бы сказал, что это ИИ-сгенерированное доказательство невольно выявило более глубокую связь между двумя областями математики – структурой целых чисел и теорией марковских процессов – чем это ранее было явно представлено в литературе (хотя задним числом там можно найти намеки и предшествующие идеи). Это может оказаться существенным вкладом в понимание природы целых чисел, выходящим далеко за рамки решения этой конкретной задачи Эрдеша.

https://www.erdosproblems.com/forum/thread/1196

Google выпустили SOTA модель для генерации речи

Вышла Gemini 3.1 Flash TTS – новое поколение голосового движка в экосистеме Gemini.

Киллер-фича: суперточный 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, ИИ-подкасты и голосовые агенты скоро выйдут на совсем новый уровень

blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/

Любимое видео сегодняшнего дня

Дженсен Хуанг сказал, что США должны сотрудничать с Китаем, потому что те уже могут сделать свой собственный Claude Mythos

У Дваркеша Пателя вышло новое интервью с Дженсеном Хуангом. Советуем, кстати, посмотреть его полностью, там было много жарких интересных споров.

Основное, что подчеркивал Дженсен: гонка ИИ приобретает совсем другое значение, потому что Китай уже обладает достаточными вычислительными мощностями и энергетикой для обучения модели, аналогичной Claude Mythos. Поэтому США нельзя закрываться, и в то же время надо всеми силами удерживать технологическое лидерство.

Он сказал, что в текущей ситуации виноваты в первую очередь экспортные ограничения США. Ограничения поставок ускорили развитие китайского ИИ‑чипа и конкурентов вроде Huawei и SMIC. Вместо того, чтобы ослабить Китай, США своими ограничениями усилили его независимость.

В то же время в США аналогов Nvidia все еще нет, это иллюзия. Хуанг подчеркивает, что основной драйвер спроса на TPU и Trainium – это Anthropic. Дело в том, что на ранней стадии стартапа Amazon и Google вложились в Anthropic и получили сделки на компьют. Nvidia же инвестиций тогда не сделала, и Хуанг называет это упущением.

В итоге теперь Anthropic обязаны использовать TPU и Trainium, создавая на них искусственный спрос. Без такого крупного заказчика вся история с ASIC‑чипами была бы гораздо менее экономически обоснованной. По словам CEO, для США это плохо, потому что конкуренция должна строится на инноватике, а не на политике, и текущее положение подкашивает позиции Nvidia (а значит, и Америки) на мировом рынке.

Как вывести ваши научные исследования на новый уровень с ИИ

Если вы занимаетесь наукой – сейчас крайне важно научиться применять AI к своей задаче и встраивать его в исследовательский процесс.Сегодня ИИ становится ключевым фактором, который определяет уровень и скорость научных исследований: он помогает находить закономерности в сложных данных, ускорять эксперименты и получать результаты, которые раньше были недостижимы.

В ШАДе как раз стартовал набор на направление «ИИ в естественно-научных исследованиях». Это очная программа на 2 года в Москве, где дают базу по ML, но при этом не уводят в абстракцию: ключевая идея в том, что вы развиваете собственный научный проект, пробуя применять ИИ к своей задаче. Плюс – регулярные семинары и обсуждения с людьми из индустрии и академии.

Из требований: нужен свой исследовательский проект, понимание, как именно ИИ может его усилить, и научный руководитель (если нет степени). Смотрят на бэкграунд и публикации, но в целом это именно про внятную исследовательскую траекторию, а не только про формальные достижения.

Кому актуально – не пропустите, возможность редкая. Дедлайн подачи заяки – 3 мая, оставить заявку можно по ссылке

Вышел Claude Opus 4.7

Скорость релизов Anthropic просто поражает

Кроме бенчмарков:

– Добавили новый режим ризонинга xhigh (extra high) между high и max. В Claude Code заодно подняли дефолтный уровень до xhigh для большинства планов, чтобы по умолчанию лучше работать с тяжелыми задачами.

– В API добавили task budgets (бета). Это механизм, который помогает ограничивать токены на одну задачу, чтобы модель не ушла в бесконечный цикл и не съела все токены.

https://www.anthropic.com/news/claude-opus-4-7

Вся ваша вечерняя новостная лента в одном скрине

Opus 4.7 – это нечто. Он прекрасен, это другой взгляд на все привычное, что у нас было. Новый стандарт, несомненный знак новой эры.

(Я его еще не попробовал)

OpenAI выпустили GPT-Rosalind – свою AlphaFold

Это модель для исследований в области естественных наук: разработка лекарств, биология, химия, геномика и тд. Название отсылает к Розалинд Франклин, чьи исследования помогли установить структуру ДНК.

Модель специально затюнена под домен и предназначена для ускорения исследований:

Разработка нового лекарства в США занимает в среднем 10-15 лет. Прогресс замедляется из-за сложности научных задач и разрозненных, трудоемких рабочих процессов. Мы верим, что ИИ может ускорить эти этапы, помогая анализировать данные, находить скрытые связи и формировать более точные гипотезы. В перспективе это позволит быстрее достигать прорывных открытий и повышать вероятность успеха в области естественных наук.

Пока модель в превью и доступна только избранным enterprise-клиентам. В основном это крупный биотех.

https://openai.com/index/introducing-gpt-rosalind/

В OpenAI опять потери: из компании уходит Кевин Вейл и еще два лидера

Кевин был вице-президентом OpenAI по научным исследованиям и бывшим главным продуктовым директором. Вы его точно знаете, он постоянно появлялся на стримах и очень часто светился в Твиттере.

В последнее время он возглавлял инициативу OpenAI for Science, но компания решила свернуть побочные проекты и эту команду интегрировали в другие подразделения. Видимо, это и послужило причиной ухода.

Одновременно с Кевином стартап также покидает Билл Пиблз, глава подразделения Sora (ну тут понятно почему), и Сринивас Нараян, CTO по enterprise-приложениям.