AML

Доминирование в принятии решений зависит от скорости выполнения цикла понимания, визуализации, руководства и оценки При этом сегодня недостатка информации нет, есть ее избыток и это проблема Поиск и проверка этой информации вручную отнимают драгоценное время Доминирование в принятии решений — способность понимать, принимать решения и действовать быстрее Ml обладает потенциалом трансформации Ml даёт преимущество: обрабатывая огромные объёмы данных, выдавая рекомендации и проверяя предположения, визуализация может быть достигнута быстрее и с большей чёткостью, ускоряя планирование и обеспечивая превосходство в принятии решений Режиссура — это процесс, где понимание превращается в действие Речь идёт о решительном принятии решений, адаптации к давлению и превращении возможностей в результаты Визуализация помогает определить варианты, а режиссура превращает понимание в результаты И тут Ml может оказать серьезную помощь Сегодня меняется не важность цикла, а скорость, с которой он должен быть выполнен Противники уже используют Ml и цифровые сети для ускорения собственных процессов принятия решений, сжимая сроки и повышая ставки https://smallwarsjournal.com/2025/10/03/agentic-ai-decision-dominance/

Теорема о бесконечных обезьянах нравится нематематикам — если бесконечно долго колотить по клавиатуре, то когда-нибудь в бесконечности, можно напечатать и "Евгений Онегин" Сложнее нематематикам объяснить другое… Пока он ждут, что обезъяна напечатает "Евгения Онегина" целиком без ошибок, она сначала миллионы раз напечатает его с ошибкой всего в одном знаке, и квинтиллионы раз — с двумя неправильно написанными знаками

9 октября в МЦНМО на семинаре учителей математики А. Заславский, В. Конышев, С. Кузнецов, Ю. Нагуманов будут рассказывать про новые методы в олимпиадной геометрии «В последнее время в олимпиадной геометрии наряду с традиционными стали широко использоваться такие инструменты, как движение точек, кубические кривые, теорема Дезарга об инволюциях и др. В докладе будет рассказано об этих методах и разобран ряд сложных задач, предлагаемых на недавних олимпиадах» (как всегда трансляции не будет) mccme.ru/nir/seminar/

Себ Крие из DeepMind о том, как Ml-агенты могут изменить общество и государство Эту статью Себ Крие написал от собственного имени, а не Google, где он работает над разработкой политики Себ предлагает концепцию, что Ml-агенты могут радикально снизить "транзакционные издержки": затраты на поиск, переговоры и исполнение договорённостей, которые мешают людям напрямую договариваться друг с другом, вместо того, чтобы полагаться на государственное регулирование Как это работает на практике? Представьте себе умного цифрового помощника, который: • знает все ваши предпочтения в мельчайших деталях • может мгновенно вести переговоры с миллионами других агентов • находит решения, выгодные для всех сторон Ключевые преимущества системы: Подотчётность: Все сделки прозрачны и зафиксированы Коллективная сила: Тысячи людей могут мгновенно объединиться через своих агентов для переговоров Гибкость: Правила адаптируются в реальном времени, а не ждут решения чиновников Государство не исчезает, но меняет роль: вместо "центрального планировщика" оно становится "гарантом правил" — обеспечивает права собственности, исполнение контрактов и защиту от насилия Себ предлагает модель "матрёшки": Внешний слой: Закон Средний слой: Рыночная конкуренция между провайдерами агентов Внутренний слой: Личная лояльность агента к пользователю

Про Ml "Один человек из аудитории спросил меня, являются ли математики скорее «изобретателями» — то есть творцами нового мира, созданного их воображением,— или же «первооткрывателями» предсуществующей реальности Я ответил, что, как и почти все математики, я скорее склоняюсь к платонизму и воспринимаю математику как реальность, независимую от нас, которая существовала в нас, но была сокрыта, укрыта покровом, и наша задача — обнажить её Однако, поразмыслив, я прихожу к выводу, что для характеристики деятельности математика (или, в более широком смысле, учёного, ищущего истину) существует слово более точное и куда более глубокое, чем «изобретатель» или «первооткрыватель», слово также полностью библейское, которое появляется в конце длинного отрывка из Гротендика, процитированного мною: математик — это слуга Слуга — это тот, кто заботится о чём-то ином, а не о себе: так же и математик, который в моменты погружения в математику теряет даже сознание собственного «я» Слуга не решает: математик никогда не решает, что является истинным, но постоянно натыкается на сопротивление истины Он прилагает усилия к истине, но не может её исказить, кроме как немедленно введя себя в заблуждение; он может лишь прилепиться к ней, повиноваться Слуга — это один из многих, и более того, он, по слову Христа, «раб неключимый»: то, что он делает, другой мог бы сделать на его месте Точно так же математик чувствует себя крошечным перед лицом огромной традиции математики, лишь ничтожную часть которой он знает и которую ему было бы не под силу выстроить самостоятельно Лучшее, на что он может надеяться, — это продвинуть её чуть-чуть вперёд, в то же время осознавая, что его работа будет быстро превзойдена, что многие другие способны сделать то же самое не хуже него и что они неизбежно сделают это однажды, если он сам не приложит к этому руку Он также знает, что даже самые сложные проблемы покажутся лёгкими и перестанут впечатлять, как только будут решены в первый раз, так что любой прогресс, которого он добивается, растворяет, стирает и заставляет забыть о трудности, которую пришлось преодолеть Слуга не говорит, он слушает Математик должен замолкнуть внутренне и прислушаться, напрячь своё существо, чтобы услышать столь тонкий и деликатный голос вещей, каковы они есть, и позволить руке бежать под их диктовку Как это ни странно, но именно становясь слугой математических реальностей и их голосом, их переводчиком, математик реализует себя Величайшие математические тексты одновременно и самые безличные — в том смысле, что каждый, читая их, испытывает глубокую эмоцию, видя, как из тумана невысказанного, строка за строкой, появляется нечто, что он всегда в себе носил, что жаждало быть высказанным и до сих пор не могло обрести выражения, — и самые личные — в том смысле, что сразу узнаёшь почерк их автора" Лоран Лафорг (перевод с французского)

Кожаным мешкам приготовиться: Ml приблизились по качеству работы к отраслевым экспертам При этом Ml могут выполнять работу в 44 профессиях из 9 отраслей примерно в 100 раз быстрее и в 100 раз дешевле OpenAI создала GDPval - бенчмарк моделей на реальных задачах экономики Он измеряет эффективность модели при выполнении 1.230 задач, взятых непосредственно из реальных знаний опытных специалистов из широкого спектра профессий и секторов, вносящих наибольший вклад в ВВП США. Бенчмарк предоставляет четкую картину того, как модели работают с экономически значимыми задачами по сравнению с экспертами – людьми Каждое задание основано на реальных результатах работы, таких как юридическое задание, инженерный проект, беседа со службой поддержки клиентов или план ухода за больными Все эти задания были тщательно разработаны и проверены опытными специалистами со средним опытом работы в этих областях более 14 лет Результат: 1) Ml работают уже почти на уровне экспертов – людей «Мы обнаружили, что лучшие на сегодняшний день передовые модели уже приближаются по качеству к работе, выполненной отраслевыми экспертами», — пишут авторы Claude Opus 4.1 занял первое место с общим процентом побед или ничьих 47.6 % по сравнению с работой, выполненной человеком, за ним следуют GPT-5-high с 38.8 % и o3 high с 34.1 % 2) Ml несравненно эффективней людей. «Мы обнаружили, что передовые модели могут выполнять задачи GDPval примерно в 100 раз быстрее и в 100 раз дешевле, чем отраслевые эксперты» Самое важное. Это всего лишь сегодняшние модели Через год новые модели будут сильно умней и умелей экспертов людей И профессий будет уже не 44 в 9 отраслях, а много больше. Подробней [1,2]

Anthropic выпустили инструкцию как правильно управлять вниманием и памятью Ml-агентов, чтобы они работали умнее и надёжнее на сложных задачах

Исследователи из 18 ведущих университетов мира запустили новую открытую платформу aiXiv, предназначенную для размещения научных работ, созданных при участии искусственного интеллекта Сегодняшний академический ландшафт сталкивается с противоречием: с одной стороны, Ml уже способен генерировать статьи определенного качества, с другой — отсутствует подходящая площадка для их систематической публикации Tрaдиционные журналы пока принципиально исключают AI-авторство, а arXiv не обеспечивает должного контроля качества В итоге перспективные идеи и тексты, созданные Ml, часто остаются «невидимыми» для научного сообщества Как устроен aiXiv Рецензирование Внутри платформы работает замкнутый цикл оценки качества На первом этапе статьи анализируются агентом с RAG-моделями на основе Semantic Scholar API, который подбирает релевантные источники для замечаний Затем система распределяет работу по подтемам и формирует команды из 3–5 специализированных «рецензентов-агентов» Итоговое заключение выносится агрегирующим редактором В тестировании на материалах ICLR 2024/25 aiXiv продемонстрировал точность отбора лучших статей до 81 %, что выше предыдущих решений вроде DeepReview Доработка статей Авторы, как и в традиционной публикационной модели, получают замечания, могут исправлять текст, загружать обновленные версии и при необходимости добавлять «response letter» Это повышает вероятность принятия работы Финальное решение Вопрос о публикации ставится на голосование пяти ведущих LLM Для выхода статьи в открытый доступ требуется минимум три положительных голоса Принятые материалы получают DOI и становятся доступны для широкой дискуссии Особенность платформы в том, что публиковаться на ней могут не только Ml, но и люди Препринт с подробным описанием проекта доступен тут

«По словам французского нейрофизиолога Жан-Пьера Шанжё: «С моей точки зрения, аксиоматический метод (применяющийся, например, в евклидовой геометрии) – выражение способностей головного мозга, связанное с его использованием Ведь основная характеристика языка – это именно его генеративный характер (Changeux and Connes 1995)» Однако, если математика – тот же язык, как объяснить, что, хотя дети легко учатся родному языку, математика дается многим с таким трудом? Марджори Флеминг (1803–1811), шотландская девочка-вундеркинд, не дожившая до 9 лет, оставила дневник – более девяти тысяч слов прозы и около пятисот стихотворных строк – где, помимо всего прочего, очаровательно описывает, с какими сложностями сталкиваются дети при изучении математики В одном месте Марджори жалуется: «А теперь я хочу рассказать тебе, дорогой дневник, как страшно и ужасно мучает меня таблица умножения, ты себе и представить не можешь! Самое кошмарное – это восемь на восемь и семь на семь, это противно самой природе!»

Несколько лет назад директор Института машинного интеллекта Люк Мюэльхаузер попытался подсчитать, насколько изменила благосостояние человечества промышленная революция Он выделил 6 критериев, по которым можно судить о благосостоянии (и по которым есть данные): ожидаемая продолжительность жизни при рождении, ВВП на душу населения, доля живущих в крайней бедности, количество потребляемых килокалорий человеком в день, технологический уровень и уровень политической свободы Как он все это подсчитал и где взял данные, описано в его посте А вывод получился вполне ожидаемым: перемены последних двух столетий в благополучии людей совершенно не сопоставимы по масштабу ни с чем в предыдущей истории Эти перемены настолько велики, что любые колебания в прошлом человечества для нас малозаметны – с точки зрения человека, живущего на современном уровне благополучия, до промышленной революции человечество пребывало на самом дне по любым показателям уровня жизни И это мало зависело от исторического периода, все всегда было очень плохо и очень стабильно Все лучшие события в мировой истории случилось с человечеством за последние пару сотен лет, - и даже мировые войны не затормозили прогресс (вместе с «испанкой» они убили 7 % населения планеты, - бывало, кстати, и похуже, Черная смерть или Чингисхан выкашивали по 10 %) Самые существенные изменения в образе жизни, благополучии и даже в политических свободах человечеству приносит развитие технологий, а не войны, реформы или революции Так происходит и сейчас: в 20-е годы повседневную жизнь человечества больше всего меняют нейросети, в десятые – смартфоны, в нулевые – интернет, в 90-е персональные компьютеры, и т.д.

GPT-5 впервые прошёл «тест Гёделя» и сумел доказать три крупных гипотезы в области комбинаторной оптимизации, — констатируют исследователи из Университета Хайфы и компании Cisco В одном случае модель не просто справилась с задачей, но предложила неожиданное решение, опровергнувшее исходную гипотезу «На решение подобных задач у лучших аспирантов обычно уходит несколько дней Впервые эксперимент был построен так, чтобы искусственный интеллект столкнулся не с задачамиуровня олимпиад, а с открытыми математическими гипотезами» «Этот результат можно назвать историческим: впервые искусственный интеллект сделал шаг от «обучения математике» к реальному «созданию математики» Это начало глубокого преобразованиянаучной парадигмы, которое может определять ход исследований уже в 2030-е годы» Ml становится научным агентом («учёным»), способным делать научные открытия, меняющие мир

Проект «Vesuvius Challenge» Представьте себе библиотеку в древнеримской вилле в Геркулануме В 79 году н.э. извержение Везувия накрыло раскаленным пеплом и лавой Помпеи и Геркуланум Все виллы, хижины крестьян, дворцы, храмы и конечно же библиотеки были полностью уничтожены Но под слоем пепла и лавы сотни свитков папируса из этих библиотек не сгорели, а обуглились Они превратились в хрупкие, спрессованные «угольные брикеты», которые невозможно развернуть, не уничтожив С 2023 года идет проект «Vesuvius Challenge» Исследователи использовали передовой метод — синхротронная рентгеновская томография Свитки просвечивают, получая 3D-модель с невероятной детализацией 1. Чернила в этих свитках — это углерод (сажа) Папирус после обугливания — тоже углерод Рентген «не видит» разницы Но Ml обучен находить мельчайшие изменения в текстуре и структуре папируса в тех местах, где было нанесено чернило Он буквально учится читать по «шрамам», оставленным пером 2. Разворачивает свиток виртуально Физически развернуть свиток нельзя — он рассыплется Ml анализирует 3D-модель и цифровыми методами «разворачивает» ее в плоский лист Это как развернуть скомканный лист бумаги, не прикасаясь к нему 3. Даже после виртуального разворачивания текст представляет собой набор едва заметных трещин и неровностей Специально обученные нейросети, похожие на те, что распознают рукописный текст, ищут знакомые паттерны — очертания древнегреческих букв В начале 2024 года команда участников «Vesuvius Challenge» с помощью своего Ml-алгоритма первой полностью расшифровала более 2.000 слов из одного из свитков (около 5 % текста) Это оказался неизвестный ранее философский текст о музыке, еде и жизни удовольствий! Автор (вероятно, эпикурейский философ Филодем) рассуждает, являются ли удовольствия из разных источников (еда, музыка) ограниченными по своей природе Получаем прямой доступ к мыслям людей, живших 2.000 лет назад, минуя всех переписчиков и интерпретаторов Ученые надеются прочесть сотни таких свитков, что может перевернуть наше представление об античной философии, литературе и науке Это великолепный пример симбиоза гуманитарных наук и передовых технологий Ml становится машиной времени, позволяющей заглянуть в прошлое, которое мы уже считали навсегда потерянным Историческую правду мы будем узнавать не от людей