AML

https://minimal.app/o8WodxO2

https://minimal.app/o8WodxO2

Bета-версия чат-бота Aristotle, ориентированного на математическое мышление Математический интеллект (MSI) Aristotle позиционируется как Ml, способный предоставлять ответы без галлюцинаций в количественных дисциплинах, таких как математика, физика, статистика и компьютерные науки Основные особенности Aristotle: В отличие от ChatGPT или Gemini, которые могут галлюцинировать, Aristotle использует формальную верификацию Это достигается с помощью языка программирования Lean 4, который позволяет переводить математические задачи из естественного языка в машинно-читаемые доказательства Перед выдачей ответа Aristotle проверяет корректность решения с помощью алгоритмического процесса, не зависящего от Ml, что схоже с методами, используемыми в высоконагруженных отраслях, таких как авиация и медицина Это обеспечивает отсутствие ошибок в расчетах и повышает доверие к результатам Harmonic объявила, что Aristotle достиг золотого уровня на Международной математической олимпиаде 2025 года (IMO) В отличие от моделей Google и OpenAI, которые также показали высокие результаты, Aristotle использовал формальные машинно-читаемые тесты, что подчеркивает его уникальный подход к верификации Модель использует синтетические данные и самообучение, что позволяет ей генерировать собственные задачи и доказательства, обходя ограничения, связанные с нехваткой данных, характерные для других Ml

Channel name was changed to «Ml»

Деятельность по оказанию влияния представляет собой «намеренную попытку повлиять на мысли, чувства или поведение человека или группы», и Пентагон видит большие возможности в использовании мощи машинного обучения (Ml) не только для создания дипфейков и пропагандистских кампаний в целях собственной деятельности по оказанию влияния, но и для получения уникальной информации о целевой аудитории для целей планирования Сценарии использования Ml на PSYOP поле боя самые разнообразные Но в основном всё крутится вокруг обмана противника (дезинформирования) «Оперативным силам (особенно на тактическом уровне) требуется способность клонировать голоса для передачи сообщений Команде может потребоваться имитировать голос командира противника, чтобы добиться его сдачи» Ml может предоставить Пентагону широкий спектр инструментов для проведения кампаний влияния В докладе RAND приводится несколько примеров: Создание изображений и видео с желаемым уровнем детализации и точности: Ml уже показал себя многообещающим в создании текста, графики и видео; генерация аудиоконтента «наиболее отстает» с точки зрения создания оригинального контента Создание продуктов в строгих условиях: Небольшое подразделение должно иметь возможность подключения к Интернету, использовать отдельный ноутбук или даже блокноты для создания и создания простых сообщений Как только подразделение получит доступ к интернету, оно должно иметь возможность мгновенно распространять этот контент Доставляет персонализированные сообщения с точностью: Выявлять сообщников боевиков-террористов через человеческие сети, а затем направлять им сообщения, специально подобранные для того, чтобы найти отклик у отдельных лиц и побудить их принять участие в усилиях по дерадикализации Доставляет больше продукции и быстрее: Генеративный ИИ может «сбалансировать ситуацию на поле боя», позволяя меньшему количеству военнослужащих США производить больше контента быстрее и конкурировать в больших масштабах Клонирует голоса командиров противника: Оперативные силы (особенно на тактическом уровне) нуждаются в способности клонировать голоса для передачи сообщений. Команда может имитировать голос командира противника, чтобы добиться его сдачи Управление подписями: Ml может помочь интегрировать многочисленные потоки данных и предоставить офицерам информационной войны и тактическим командирам на местах четкую картину их тактической ситуации Переводите человеческие голоса в реальном или почти реальном времени: Трансляция переговоров между мостами в режиме, близком к реальному времени, поможет усилить влияние США на союзников во время операции по обеспечению свободы судоходства Быстро перевести текст Бригада содействия силам безопасности может попытаться разобраться в устройстве, руководство к которому составлено на французском, немецком или корейском языке, а затем передать партнерским силам конкретные продукты влияния Это может потребовать перевода сотен страниц высокотехнологичной информации на английский, а затем на язык принимающей страны Сам отчет тут: https://www.rand.org/pubs/research_reports/RRA3157-1.html

О дата-центрах ML в космосе в своих интервью Лекс Фридман задал Хассабису, СЕО DeepMind, вопрос о том, каким будет главный источник энергии для ML через 20 лет? На что Хассабис отвечает: «Солнечная энергия, питающая дата-центры в космосе» В свежем интервью СЕО OpenAI, высказал идею о строительстве дата-центров в космосе, заявив, что это может быть более логичным, чем их размещение на Земле Основные преимущества такого проекта: 1. В космосе есть естественное охлаждение, что может снизить энергозатраты на охлаждение серверов, которые на Земле потребляют огромное количество электроэнергии 2. Размещение серверов в космосе может повысить защиту информации, так как физический доступ к ним становится труднее Несмотря на привлекательность идеи, есть значительные ограничения для реализации такого проекта: 1. Запуск даже одной серверной стойки делает проект экономически нецелесообразным на текущий момент 2. В отличие от спутников Starlink или OneWeb, которые выступают ретрансляторами, полноценные дата-центры требуют сложной инфраструктуры, включая стабильную связь с Землёй и защиту от космической радиации МКС на данный момент является единственным примером "космического дата-центра", где тестировались протоколы связи, такие как DTN 3. Пока проекты вроде Starlink обходятся без космических дата-центров, предпочитая наземные серверы, что подчеркивает текущую нерентабельность таких идей

К чувствительным темам искусственный интеллект не допустят: в рамках эксперимента запрещено использование больших генеративных моделей ML для прогнозирования социально-экономических процессов, а также передача и обработка сведений, составляющих гостайну Причина в том, что ML не может нести ответственность за сбои в подобной работе, а установить конкретного ответственного за них в силу особенностей технологии не всегда возможно Сервисы для «пилота» может разрабатывать как само Минцифры на базе федеральной государственной информационной системы «Единая информационная платформа Национальной системы управления данными», так и (на добровольной и безвозмездной основе) поставщики, отобранные президиумом правкомиссии по цифровому развитию (его возглавляет вице-премьер – глава аппарата правительства, орган будет анализировать соответствие потенциальных поставщиков требованиям по технической оснащенности, безопасности и надежности) Ранее эксперты Высшей школы госуправления РАНХиГС оценили органы власти (52 ведомства) по уровню индекса зрелости ML Наиболее готовыми к его внедрению в 2024 году признаны Федеральная налоговая служба и Роструд Исследование показало, что более половины ведомств пока не нашла умысла в ML

Квантовая оценка фазы (Quantum Phase Estimation) — это универсальный инструмент, который решает эту задачу и лежит в основе самых мощных квантовых алгоритмов Алгоритм QPE решает фундаментальную задачу квантовой механики: найти собственные значения унитарного…

Квантовая оценка фазы (Quantum Phase Estimation) — это универсальный инструмент, который решает эту задачу и лежит в основе самых мощных квантовых алгоритмов Алгоритм QPE решает фундаментальную задачу квантовой механики: найти собственные значения унитарного оператора U Если у нас есть собственное состояние |ψ⟩ такое, что U|ψ⟩ = e^2πiφ|ψ⟩, то QPE извлекает фазу φ с заданной точностью Математически это выглядит очень элегантно, но скрывает огромную вычислительную мощь Многие важные задачи — от факторизации чисел до моделирования молекул — сводятся к поиску собственных значений определенных операторов Алгоритм QPE, как это обычно бывает, использует два регистра кубитов Первый (n кубитов) называется счётным регистром и будет хранить результат Второй содержит собственное состояние |ψ⟩ исследуемого оператора U Ключевая идея: Применяем оператор U с разными степенями (U¹, U², U⁴, U⁸, ...) к собственному состоянию, контролируя каждую операцию кубитами счетного регистра Затем применяем обратное квантовое преобразование Фурье, которое «декодирует» фазу из паттерна интерференции Схема алгоритма: |0⟩⊗n ——[H⊗n]——•————•————•————[QFT†]——[M⊗n]— | | | |ψ⟩ ———————————[U¹]—[U²]—[U⁴]—————————————————— После применения гейтов Адамара создаётся суперпозиция, в которой каждый контрольный кубит «пробует» соответствующую степень оператора U Квантовое преобразование Фурье извлекает фазовую информацию, концентрируя амплитуды в состояниях, соответствующих двоичному представлению фазы φ Экспоненциальная точность: с n кубитами QPE может определить фазу с точностью до 2–n Это означает, что всего 20 кубитов дают точность в миллионную долю! Универсальность: QPE — это «швейцарский нож» квантовых вычислений Любая задача, которую можно свести к поиску собственных значений, автоматически получает квантовое ускорение Фундамент для Шора: в алгоритме факторизации Шора QPE используется для нахождения периода функции f(x) = ax mod N Собственные значения оператора сдвига кодируют информацию о периоде, что позволяет разложить число на простые множители from qiskit import QuantumCircuit, QuantumRegister from qiskit.circuit.library import QFT import numpy as np def qpe_circuit(n_qubits, unitary_gate, eigenstate_prep=None): """ Создает схему квантовой оценки фазы n_qubits: количество кубитов для счетного регистра unitary_gate: унитарный оператор U eigenstate_prep: схема подготовки собственного состояния """ # Регистры counting_qubits = QuantumRegister(n_qubits, 'counting') target_qubits = QuantumRegister(1, 'target') qc = QuantumCircuit(counting_qubits, target_qubits) # Подготовка собственного состояния if eigenstate_prep: qc.compose(eigenstate_prep, target_qubits, inplace=True) # Суперпозиция в счетном регистре qc.h(counting_qubits) # Контролируемые степени унитарного оператора for i in range(n_qubits): power = 2 ** i for _ in range(power): qc.append(unitary_gate.control(), [counting_qubits[i]] + list(target_qubits)) # Обратное квантовое преобразование Фурье qft_inverse = QFT(n_qubits, inverse=True) qc.compose(qft_inverse, counting_qubits, inplace=True) # Измерение qc.measure_all() return qc # Пример: оценка фазы для Z-гейта from qiskit.circuit.library import ZGate z_gate = ZGate() # Подготовка собственного состояния |1⟩ для Z eigenstate_prep = QuantumCircuit(1) eigenstate_prep.x(0) # Создание схемы QPE с 4 кубитами точности qpe = qpe_circuit(4, z_gate, eigenstate_prep) print("Схема QPE готова!")

Глава OpenAI заявил, что личные разговоры с ML (всеми продуктами машинного обучения), могут быть использованы в качестве доказательств в суде, в отличие от конфиденциальных бесед с терапевтами или юристами (хотя и они тоже)

Статья «Position: AI Safety Should Prioritize the Future of Work

Почитать на выходные (но вероятно paywall) Тема очередного номера The Economist — The economics of superintelligence 1. https://www.economist.com/leaders/2025/07/24/the-economics-of-superintelligence [краткий бриф следующих двух статей] 2. https://www.economist.com/briefing/2025/07/24/ai-labs-all-or-nothing-race-leaves-no-time-to-fuss-about-safety [про AI safety] 3. https://www.economist.com/briefing/2025/07/24/what-if-ai-made-the-worlds-economic-growth-explode [про влияние на экономику] 4. https://www.economist.com/business/2025/07/23/the-dark-horse-of-ai-labs [про Anthropic] Вдогонку к экономике сверхинтеллекта статья с Outstanding Position Paper Award ICML 2025 Между прочим, один из авторов — Бодхисаттва!