AML

Limits of Mathematics: A Journey Through the Key Areas of Mathematical Logic Dirk W. Hoffmann Хоффман ставит перед собой благородную цель: без потери глубины объяснить ключевые понятия и результаты, которые потрясли основания математики в прошлом столетии Структура путешествия включает в себя исторический экскурс, знакомство с формальными системами, аксиоматическую теорию чисел и множеств (ZF), теоремы Гёделя о неполноте, теорию вычислимости (включая проблему остановки и 10-ю проблему Гильберта), алгоритмическую теорию информации Грегори Чайтина и, наконец, теорию моделей Такой широкий охват — несомненный плюс, делающий книгу ценным обзором для новичка «Limits of Mathematics» — это книга с разорванной амбицией С одной стороны, это смелая попытка собрать под одной обложкой самые сложные идеи века: от теорем Гёделя до теории моделей С другой стороны, исполнение страдает из-за методологических просчетов и недостаточной редактуры исторической части Читать стоит «с оглядкой» — тем, кто уже имеет базовое представление о логике и хочет бегло ознакомиться с нетривиальной темой алгоритмической информации (глава 6) Книгу можно использовать как дополнительный источник, чтобы увидеть общую картину Стоит воздержаться абсолютным новичкам, которые хотятся научиться понимать логику, а не просто читать о ней Студентам, которым нужны строгие и ясные доказательства (например, теоремы о полноте или непротиворечивости), придется идти к классикам вроде Эндертона, Клини или того же автора, но в другой его книге — «Gödel’s Incompleteness Theorems», которая написана Хоффманом гораздо лучше

День рождения Андрея Николаевича Колмогорова Небольшая история про учёного, изменившего наше представление о теории вероятностей В начале XX века она выглядела странной областью: её уже вовсю использовали в физике и статистике, но концептуально она оставалась шаткой Что такое вероятность: аналог частоты или классификатор степени уверенности? Дискуссии разделили математиков на два лагеря: ярых сторонников понятия и его активных противников Ответ, который сегодня кажется очевидным, появился в 1933 году, когда Колмогоров опубликовал книгу «Основные понятия теории вероятностей» В ней он полностью отвязал вероятность от интуиции и построил её как раздел теории меры На протяжении 20 лет Колмогоров почти каждые два года совершал крупные открытия Одно из них связано и с именем Альберта Эйнштейна В 1905 году Эйнштейн написал четыре работы, заложившие основы всей физики XX века Среди них была работа про броуновское движение — случайный процесс Андрей Николаевич одним из первых дал ясное описание того, что такое «случайный процесс» Суть идеи проста и глубока Есть пространство элементарных исходов Ω, есть так называемая σ-алгебра событий, и есть мера P, обладающая тремя свойствами, с которых началась современная теория вероятностей: • неотрицательность • нормировка: P(Ω) = 1 • σ-аддитивность Но сегодня мы поговорим о чуть менее известной стороне Колмогорова — его интересе к гуманитарным наукам Открывайте цитаты: ⠀ ⠀ Увлечение историей России ⠀ Уже в 17-18 лет наш герой провёл исследование земельных отношений в Новгородской земле Результаты долгое время не публиковали — по словам одного из критиков, «в исторической науке каждый вывод должен быть обоснован несколькими доказательствами» Тогда Колмогоров решил уйти в науку, в которой для окончательного вывода достаточно одного доказательства Так история навсегда потеряла гениального исследователя, а математика приобрела его Кстати, рукопись его исследования издали в 1994 году ⠀ Анализ русской поэзии ⠀ Можно ли описать поэзию количественно, формализовать ритм, структуру, вариативность? В своё время Марков подступился с подобными вопросами к «Евгению Онегину» Его последователем можно смело назвать Колмогорова В 1960 году он начал читать на мехмате МГУ спецсеминар и выступать с лекциями на эту тему в Доме литераторов и Политехническом музее Параллельно публиковались несколько больших статей, которые задумывались как части книги по стиховедческому анализу Но Колмогоров так и не успел её выпустить Кстати, именно Колмогоров дал формальное описание падежа, которое вошло в стандарты лингвистики Приводить его, в силу сложности, не решимся… ⠀ ▶️ Школа и учебники ⠀ Если бы Колмогоров сделал только аксиоматику вероятности, его имя уже было бы в истории Но он сделал гораздо больше — он создал школу Причём в двух смыслах Во-первых, научную, из которой вышли десятки выдающихся математиков Его семинар стал средой, где формировался стиль мышления: строгость, ясность, уважение к структуре Во-вторых, буквальную Он открыл сеть физмат-интернатов при МГУ и других ведущих университетах СССР Сегодня эти школы называются СУНЦ Колмогоров также участвовал в реформе школьного математического образования Он был одним из авторов учебников и программ, которые пытались приблизить школьную математику к современной Это была попытка научить школьников не только считать, но и понимать предмет Таким был Колмогоров со своим стремлением к предельной строгости и, казалось бы, неожиданным интересом к творческим наукам

«Во многих случаях математика — это бегство от реальности Математик находит свою монашескую нишу и счастье в занятиях, которые не связаны с внешними делами» «Важна не столько полезность теоремы, сколько её элегантность» «Меня всё ещё удивляет, что несколько каракулей на доске или на листе бумаги могут изменить ход человеческих дел» 13 апреля 1909 г. родился Станислав Улам, польский и американский математик Один из создателей термоядерной бомбы в США Выдвинул теорию ядерного ракетного двигателя Открыл концепцию клеточного автомата Доказал ряд теорем и выдвинул несколько гипотез в чистой и прикладной математике Разработал численный метод Монте-Карло Улам понял, что его подход даст решение сложного дифференциального уравнения, только нужно представить его в виде случайного процесса Один довольно забавный результат, связанный с именем учёного, — скатерть Улама Она была открыта математиком случайно. Однажды, в 1963 г., ему пришлось присутствовать на довольно скучном докладе, и, чтобы развлечься, он начертил на листке бумаги вертикальные и горизонтальные линии, решив заняться составлением шахматных этюдов Но вместо этого стал нумеровать клетки: в центре поставил единицу, а затем, двигаясь по спирали, двойку, тройку и т. д. При этом он машинально отмечал все простые числа И неожиданно оказалось, что они стали выстраиваться вдоль диагональных прямых. Имеются разные вариации скатерти Улама Например, в 1994 г. Роберт Сакс изобрёл вариант скатерти Улама, где числа расположены по архимедовой спирали. Откуда берутся красивые паттерны из простых чисел при закручивании всех натуральных чисел по спирали?! Казалось бы, совершенно невероятный результат! Однако ему есть довольно простое объяснение Об этом хорошо рассказано: https://youtu.be/DxntHp7-wbg?si=TpkzbTH6Nzm-39z1 https://dzen.ru/a/XOneyqp-iwCzVs30?ysclid=m8w46l9fty412086650

“a lot of people tried the free tier of ChatGPT somewhere last year and allowed it to inform their views on AI a little too much” “One group tried a free chatbot and found it unreliable The other is using frontier agentic coding tools and watching them complete days of engineering work in hours Both are right They are just not talking about the same thing” https://www.businessinsider.com/andrej-karpathy-growing-gap-ai-understanding-2026-4 и https://www.forbes.com/sites/josipamajic/2026/04/10/people-dont-agree-on-what-ai-can-do-but-they-dont-even-use-the-same-product/

США создали ChatGPT, Claude и большую часть современного AML Но в реальном применении этих технологий они уступают двум десяткам стран Tortoise Media ранжирует 83 государства по совокупному AML-потенциалу — инновациям, инвестициям и внедрению США первые в абсолюте, но в пересчете на душу населения лидируют уже Сингапур, Израиль и Швейцария. В ОАЭ AML регулярно используют 64 % работающего населения В Сингапуре — 61 % В США — 28% Доверяют технологии 67 % жителей ОАЭ против 32 % американцев В ОАЭ AML регулярно используют 64 % работающего населения В Сингапуре — 61 % В США — 28 %, это 24-е место в мире Доверяют технологии 67 % жителей ОАЭ против 32 % американцев Конкуренты поставили на опенсорсные решения Модели вроде Qwen от Alibaba уже работают внутри Airbnb Белый дом ужесточает экспортный контроль над полупроводниками и называет технологическую экспансию Китая геополитической угрозой Сингапур — третий в общем рейтинге, но оказывается первым по эффективности Не потому что создал лучший AML, а потому что встроил его в экономику, инфраструктуру и систему переобучения кадров По числу исследователей на миллион жителей он опережает и США, и Китай

Центральное Разведывательное Агенство США делает ставку на искусственный интеллект В ближайшие годы AML-ассистенты будут встроены во все аналитические платформы агентства Подготовлен первый отчёт, сгенерированный AML, а за последний год ЦРУ протестировало более 300 AML-проектов AML возьмут на себя рутинные, но критически важные задачи: подготовку черновиков разведывательных оценок, верификацию данных из разрозненных источников, машинный перевод и выявление скрытых трендов в больших массивах информации В перспективе десяти лет ведомство планирует перейти к модели, при которой офицеры управляют командами автономных AML-агентов Центр киберразведки, курирующий тайные хакерские операции, также усилит применение AML моделей Принципиальная позиция ЦРУ: право принятия ключевых решений остаётся за людьми Однако стратегические амбиции ведомства выходят далеко за рамки автоматизации рутины Cторона, получившая доступ к лучшим AML-системам, обретёт «огромную стратегическую власть» — и ЦРУ намерено оказаться именно на этой стороне

Математикам не присуждают Нобелевские премии Нобелевские премии даются в области естественных наук, а математика не наука Математика это язык Математика это искусство А главная задача искусства — выйти за рамки подражания и подняться до уровня высших абстракций

Китай встроил автономный AML в структуры командования батальонного уровня В симуляции десантной операции система обошла пятерых военных экспертов: решения быстрее на 43 %, точность воспроизведения данных при глушении связи — выше 90 % Ключевая функция — не скорость, а умение видеть пробелы Пока командиры спорили над картой, AML за секунды засёк отсутствие вражеских резервов и указал, где ждёт засада Слабые места: нужна история решений конкретного командира для настройки, и система пока работает только для амфибийных операций https://mltimes.ai/voennyy-ii-kitaya-prinimaet-resheniya-na-43-bystree-opytnyh/

На переднем крае математики сейчас происходят сразу несколько сдвигов, и все они так или иначе связаны с искусственным интеллектом Один из самых интересных — переход от неформальной «бумажной» математики к формальной, в которой каждое утверждение и каждое доказательство представлены в виде точного кода, который проверяет компьютер Интерактивные системы доказательства теорем вроде Lean и Coq стали не просто экзотикой, а рабочими инструментами, позволяющими записывать сложные теории в виде формальных систем и получать гарантию, что в цепочке рассуждений нет ни одной пропущенной детали На этом фоне появилась новая практическая область — то, что я бы назвал «математикой с поддержкой AML» Это когда большая языковая модель не придумывает теоремы из воздуха, а помогает математику и инженеру проходить самые рутинные, трудоёмкие части работы: подбирать тактики, искать подходящие леммы в огромной библиотеке, заполнять фрагменты доказательств Мои собственные эксперименты показывают, что в связке «человек + модель» можно автоматически закрывать значительную часть шагов в доказательстве, сокращая руками вводимые тактики в Lean в разы по сравнению с классическими средствами автоматизации Это уже не теория, а рабочие прототипы, которые используются в реальных проектах Параллельно растёт направление полностью автоматического доказательства: системы вроде AlphaProof и других нейросетевых связок учатся по библиотекам формальных доказательств, генерируют собственные доказательства и находят ошибки в существующих формулировках Они особенно сильны там, где структура теоремы и используемых понятий уже хорошо отражена в формальной библиотеке, и пока заметно слабее на действительно новых концепциях, но в связке с человеком дают эффект, которого у классических автоматических систем просто не было Это меняет не только темп работы, но и саму практику: становится возможным проверять и дорабатывать формулировки, с которыми математики жили десятилетиями Для инженера по искусственному интеллекту всё это не «чужая наука», а ближайшее будущее профессии От формальной верификации критичных систем до проверки корректности протоколов и сложных алгоритмов — везде, где цена ошибки велика, математические доказательства становятся частью инженерного процесса, а инструменты с AML-поддержкой снимают барьер входа в формальную математику Понимать, что именно делает такая система, где границы её возможностей, чем отличается формальное доказательство от красивого, но нестрогого эскиза — всё это требует дискретного и логического фундамента Если коротко: математика перестаёт быть исключительно «бумажной наукой» и всё больше становится совместной работой человека и машины — с формальными языками, проверяемыми доказательствами и AML-помощниками И специалист, который в этом не разбирается, через несколько лет будет таким же анахронизмом, как программист, не умеющий пользоваться системой контроля версий

Algrow — платформа для роста на YouTube Скрапит миллионы каналов, отслеживает тренды, форматы, обложки, просмотры Теперь она работает как MCP-интеграция внутри Claude Это значит: открываешь чат Claude → пишешь запрос → Claude дёргает ~19 инструментов Algrow Ищет похожие каналы, вирусные видео, читает транскрипты, анализирует превью, проверяет банны Даже генерирует TTS, картинки и видео Как подключить: в Claude добавляешь кастомный connector Algrow (URL: https://mcp.algrow.online/mcp, клиент algrowmcpclaude), авторизуешь аккаунт — всё. Теперь любой промпт Claude может обращаться к живым данным YouTube: 300k+ каналов и 18M+ видео, обновления минимум раз в день Актуальные метрики, совпадения по формату, тренды — прямо в ответе

А что, если сама нейросеть и есть компьютер? Не агент поверх операционной системы, не модель, вызывающая инструменты, а система, где вычисление, память и ввод/вывод объединены в одном латентном состоянии Это называется Neural Computers (NC) Реализуется через видеомодели, где нейросеть симулирует работающий компьютер изнутри, без внешней операционной системы Результаты пока скромные, модель воспроизводит внешний вид интерфейса и короткие цепочки команд, но символические вычисления остаются слабым местом

После релиза Anthropic Managed Agents, 2 игрока из открытой экосистемы ответили публично Letta говорит, что они это построили год назад, только без закрытого кода и без привязки к одному провайдеру А сам подход с блоками памяти - это тупик Агенты становятся умнее, они уже умеют работать с компьютером напрямую Жёсткие блоки ограничивают то, чему агенты могли бы научиться сами. А СЕО LangChain сформулировал ещё короче: открытая оболочка - открытая память Закрытая оболочка - чужая память Инженеры LangChain показали, как должна выглядеть альтернатива Оболочку агента можно улучшать автоматически через тесты как обучающий сигнал Каждое реальное взаимодействие становится данными Чем больше агент работает, тем лучше он становится Этот маховик крутится только если данные принадлежат тебе, а не провайдеру Параллельно появился ещё третий игрок с другой стороны стека - Multica, открытый десктопный клиент, предлагает третий путь:данные остаются на твоей машине, агент работает локально, интеллект приходит из облака Никакого провайдера между тобой и твоей памятью Anthropic хочет владеть серверным слоем, LangChain и Letta борются за открытость на уровне фреймворков, а Multica говорит уберите облако из уравнения там, где это возможно