ByteDance создали Ml-модель, которая превзошла AlphaGeometry2 от Google и завоевала на Международной математической олимпиаде (IMO) 2025
Seed Prover показала впечатляющие результаты, решив более 50 % всех задач конкурса Putnam и 78 % исторических задач IMO
Эта модель превзошла AlphaGeometry 2 от Google DeepMind и достигла 100 % точности на бенчмарке miniF2F от OpenAI
Seed Prover решает задачи, генерируя доказательства, которые проверяются Lean-компилятором
Например, задача по геометрии IMO 2025 была решена за 2 секунды, а задачи по теории чисел потребовали до 3-х дней вычислений, создавая доказательства длиной в тысячи строк кода
В Bytedance работает более 150.000 сотрудников. Подразделение Ml, которое называлось Flow, было разделено на Seed (создают модели), Stone (инфраструктура и инструменты) и Flow (приложения и продукты)
Seed Prover показала впечатляющие результаты, решив более 50 % всех задач конкурса Putnam и 78 % исторических задач IMO
Эта модель превзошла AlphaGeometry 2 от Google DeepMind и достигла 100 % точности на бенчмарке miniF2F от OpenAI
Seed Prover решает задачи, генерируя доказательства, которые проверяются Lean-компилятором
Например, задача по геометрии IMO 2025 была решена за 2 секунды, а задачи по теории чисел потребовали до 3-х дней вычислений, создавая доказательства длиной в тысячи строк кода
В Bytedance работает более 150.000 сотрудников. Подразделение Ml, которое называлось Flow, было разделено на Seed (создают модели), Stone (инфраструктура и инструменты) и Flow (приложения и продукты)
Anthropic выпустили Opus 4.1 и выяснили ещё больше о том, как Mlрассуждают - новое исследование
Вчера Anthropic присоединились к параду релизов и выпустили Opus 4.1, который стал еще лучше для кодирования и агентских задач
Вчера OpenAI представили свою опен сорс модель
А Google - Genie3
Более того, международная группа исследователей из Anthropic, Decode, EleutherAI, Goodfire AI, Google DeepMind опубликовала масштабное исследование внутренних механизмов больших языковых моделей
Что выяснили?
1. Языковые модели используют многоэтапное мышление даже в простых задачах
2. Модели сначала решают задачи на универсальном уровне, а потом переводят на конкретный язык
3. У моделей есть специализированные "детекторы" для отслеживания грамматических структур, границ предложений и даже отдельных букв — особенно важно для рифм и акронимов
Исследователи разработали "графы атрибуции" — способ визуализировать информационные потоки внутри модели
Это как МРТ для Ml: можно увидеть, какие части "мозга" активны при решении конкретной задачи
Методы оказались воспроизводимыми на разных моделях (GPT-2, Gemma, Llama) и уже используются сообществом — создано более 7000 таких "снимков мозга" Ml
Для математических задач модели используют заготовленные паттерны для конкретных комбинаций входных данных
Это объясняет, почему Ml иногда неожиданно ошибается в, казалось бы, простых вычислениях
Появляется возможность точечно настраивать поведение моделей, предсказывать их ошибки и создавать более надежные системы
Вчера Anthropic присоединились к параду релизов и выпустили Opus 4.1, который стал еще лучше для кодирования и агентских задач
Вчера OpenAI представили свою опен сорс модель
А Google - Genie3
Более того, международная группа исследователей из Anthropic, Decode, EleutherAI, Goodfire AI, Google DeepMind опубликовала масштабное исследование внутренних механизмов больших языковых моделей
Что выяснили?
1. Языковые модели используют многоэтапное мышление даже в простых задачах
2. Модели сначала решают задачи на универсальном уровне, а потом переводят на конкретный язык
3. У моделей есть специализированные "детекторы" для отслеживания грамматических структур, границ предложений и даже отдельных букв — особенно важно для рифм и акронимов
Исследователи разработали "графы атрибуции" — способ визуализировать информационные потоки внутри модели
Это как МРТ для Ml: можно увидеть, какие части "мозга" активны при решении конкретной задачи
Методы оказались воспроизводимыми на разных моделях (GPT-2, Gemma, Llama) и уже используются сообществом — создано более 7000 таких "снимков мозга" Ml
Для математических задач модели используют заготовленные паттерны для конкретных комбинаций входных данных
Это объясняет, почему Ml иногда неожиданно ошибается в, казалось бы, простых вычислениях
Появляется возможность точечно настраивать поведение моделей, предсказывать их ошибки и создавать более надежные системы
Telegram
All about AI, Web 3.0, BCI
Also Anthropic launched sota coding with Claude Opus 4.1
Claude Opus 4.1, an upgrade to Claude Opus 4 on agentic tasks, real-world coding, and reasoning.
Claude Opus 4.1, an upgrade to Claude Opus 4 on agentic tasks, real-world coding, and reasoning.
Рынок Ml уже почти сформировался из 3-6 крупных игроков, не больше
Это те компании, которые могут:
Создавать передовые модели
Имеют достаточно капитала для самофинансирования
Нужны огромные инвестиции в обучение моделей, которые не каждый может себе позволить
Два разных рынка:
1. Рынок базовых моделей, тут 3-6 игроков:
Anthropic (Claude)
OpenAI (GPT)
Google (Gemini), возможно еще пара
2. Рынок приложений на базе этих моделей - тысячи компаний, которые просто оборачивают возможности модели в удобный интерфейс, но рискуют, когда выйдет следующая версия модели, которая сможет делать то же самое напрямую
Про API как бизнес-модель - отличный бизнес, потому что модели принципиально не могут быть одинаковыми (в отличие от, скажем, баз данных)
Ml-продукты мало персонализированы
Персонализация станет огромным источником привыкания и удержания пользователей
Клиенты не захотят переключаться, потому что потеряют настройки
В Ml традиционные бизнес-модели не работают - экспоненциальный рост реален, но трудно предсказуем
Проблема с Ml-агентами - 95 % времени Ml-агент работает автономно и справляется сам, а 5 % времени нужно человеку, чтобы глубоко разобраться в деталях работы этого Ml-агента
Это принципиально новая проблема дизайна интерфейсов, которую еще никто не решил
Это те компании, которые могут:
Создавать передовые модели
Имеют достаточно капитала для самофинансирования
Нужны огромные инвестиции в обучение моделей, которые не каждый может себе позволить
Два разных рынка:
1. Рынок базовых моделей, тут 3-6 игроков:
Anthropic (Claude)
OpenAI (GPT)
Google (Gemini), возможно еще пара
2. Рынок приложений на базе этих моделей - тысячи компаний, которые просто оборачивают возможности модели в удобный интерфейс, но рискуют, когда выйдет следующая версия модели, которая сможет делать то же самое напрямую
Про API как бизнес-модель - отличный бизнес, потому что модели принципиально не могут быть одинаковыми (в отличие от, скажем, баз данных)
Ml-продукты мало персонализированы
Персонализация станет огромным источником привыкания и удержания пользователей
Клиенты не захотят переключаться, потому что потеряют настройки
В Ml традиционные бизнес-модели не работают - экспоненциальный рост реален, но трудно предсказуем
Проблема с Ml-агентами - 95 % времени Ml-агент работает автономно и справляется сам, а 5 % времени нужно человеку, чтобы глубоко разобраться в деталях работы этого Ml-агента
Это принципиально новая проблема дизайна интерфейсов, которую еще никто не решил
Связка нейроинтерфейсов с Ml— следующий большой тренд: интервью для Forklog,
Некоторые моменты:
1. Прогноз смены интерфейсов - эпоха Стива Джобса прошла, мы движемся к нейроинтерфейсам из-за желания ускорить взаимодействие с Ml
2. Состояние индустрии нейроинтерфейсов - в 2025 году индустрия выходит из коробки и переходит к большому количеству клиническим испытаниям, за 2024 год стартапы собрали $2.300.000.000 - инвестиций
3. Проблема материалов - главный барьер для нейроимплантов не софт, а отсутствие биосовместимых материалов
4. Google/DeepMind может создать сильный Ml через изучение мозга
5. Прорыв российских ученых - работа команды института ИИ МГУ с М. Лебедевым по созданию электродов за $1 и 3 дня
Главной задачей человечества в 21 веке, должно стать изучение человеческого мозга
Некоторые моменты:
1. Прогноз смены интерфейсов - эпоха Стива Джобса прошла, мы движемся к нейроинтерфейсам из-за желания ускорить взаимодействие с Ml
2. Состояние индустрии нейроинтерфейсов - в 2025 году индустрия выходит из коробки и переходит к большому количеству клиническим испытаниям, за 2024 год стартапы собрали $2.300.000.000 - инвестиций
3. Проблема материалов - главный барьер для нейроимплантов не софт, а отсутствие биосовместимых материалов
4. Google/DeepMind может создать сильный Ml через изучение мозга
5. Прорыв российских ученых - работа команды института ИИ МГУ с М. Лебедевым по созданию электродов за $1 и 3 дня
Главной задачей человечества в 21 веке, должно стать изучение человеческого мозга
Закон_Больших_Чисел.pdf
208.1 KB
Шпаргалка про неравенства Маркова, Чебышёва и ЗБЧ
Открытие Google DeepMind:
Genie 3 может эмулировать собственную работу, когда ей дают противоречивые задачи
Загрузили в Genie 3 видео и дали совершенно неподходящий промпт про тираннозавра на тропическом острове
Вместо отказа или ошибки нейросеть упорно пыталась заставить это работать
В итоге модель начала имитировать саму себя
Она создала мир, где логика одного видео смешивалась с описанием другой реальности, порождая нечто абсолютно новое и при этом связное
Это не баг, а фича архитектуры
Genie 3 настолько хочет выполнить задачу, что готова "обмануть" собственные системы
Нейросеть изобретает способы соединить несоединимое — как плохой студент
Самоэмуляция открывает философские вопросы
Если Ml может симулировать собственную работу, где проходит граница между "настоящим" и "поддельным" мышлением?
Genie 3 буквально создаёт копии себя внутри собственных миров
Нейросеть может создать мир, в котором есть компьютер с запущенной Genie 3, которая тоже генерирует миры
Глубина ограничена только вычислительными мощностями
Разработчики пока не понимают все последствия открытия
Возможно, самоэмуляция станет ключом к созданию по-настоящему автономных Ml-систем, способных к саморефлексии и самоулучшению
Genie 3 может эмулировать собственную работу, когда ей дают противоречивые задачи
Загрузили в Genie 3 видео и дали совершенно неподходящий промпт про тираннозавра на тропическом острове
Вместо отказа или ошибки нейросеть упорно пыталась заставить это работать
В итоге модель начала имитировать саму себя
Она создала мир, где логика одного видео смешивалась с описанием другой реальности, порождая нечто абсолютно новое и при этом связное
Это не баг, а фича архитектуры
Genie 3 настолько хочет выполнить задачу, что готова "обмануть" собственные системы
Нейросеть изобретает способы соединить несоединимое — как плохой студент
Самоэмуляция открывает философские вопросы
Если Ml может симулировать собственную работу, где проходит граница между "настоящим" и "поддельным" мышлением?
Genie 3 буквально создаёт копии себя внутри собственных миров
Нейросеть может создать мир, в котором есть компьютер с запущенной Genie 3, которая тоже генерирует миры
Глубина ограничена только вычислительными мощностями
Разработчики пока не понимают все последствия открытия
Возможно, самоэмуляция станет ключом к созданию по-настоящему автономных Ml-систем, способных к саморефлексии и самоулучшению
X (formerly Twitter)
Aleksander Holynski (@holynski_) on X
@multimodalart @RuiqiGao @joeaortiz @ChrisWu6080 a world within a world...
До недавних пор это была открытая проблема «теории ограничений Фурье» — раздела математического, или точнее, гармонического анализа
Фактически, вся современная цифровая инфраструктура — от стриминга до спутниковой связи — так или иначе использует идеи, связанные с разложением сигналов на частоты: сжатие изображений, анализ звука, радиосвязь, МРТ, оптика, алгоритмы распознавания речи и лиц
Но если в инженерной практике довольствуются приближенными вычислениями, то математиков интересуют более фундаментальные вопросы
И гипотеза Мизохаты–Такеучи — один из них:
Математики пытались подтвердить её более 40 лет
Ведь если бы гипотеза оказалась верна, то потянула бы за собой много других важных доказательств
Но всё пошло иначе
Гипотезу опровергла 17-летняя Ханна Каиро
Девушка переехала с Багам в США, пошла в школу и начала писать профессорам математики — просила разрешения приходить на лекции
Так она стала вольнослушательницей Калифорнийского университета, где один из преподавателей выдал ей в качестве домашки упрощённую версию гипотезы и бонусом — полную формулировку
Спустя несколько месяцев изучения Ханна показала, что при достаточно «жёсткой» геометрии всё-таки можно построить функцию, которая нарушает исходную формулировку гипотезы
То есть построила явный контрпример
Он не сделал гипотезу бесполезной, а сместил задачу: при каких именно условиях она работает?
Ханна пошла дальше и предложила уточнённую, «более реалистичную» версию гипотезы
Теперь она ездит на международные конференции и выступает с докладами наравне с ведущими математиками мира
Кстати, новое предположение Ханны пока никто не опроверг
Попробуйте!
Здесь лежит научно-популярное, но более техническое объяснение гипотезы от русскоязычных коллег, а также уточнённая Ханной альтернативная версия гипотезы
Фактически, вся современная цифровая инфраструктура — от стриминга до спутниковой связи — так или иначе использует идеи, связанные с разложением сигналов на частоты: сжатие изображений, анализ звука, радиосвязь, МРТ, оптика, алгоритмы распознавания речи и лиц
Но если в инженерной практике довольствуются приближенными вычислениями, то математиков интересуют более фундаментальные вопросы
И гипотеза Мизохаты–Такеучи — один из них:
Предположение, что преобразование Фурье функции не может «жить» только на определённой кривой или поверхности и при этом соответствовать хорошим математическим условиям
Данных о преобразовании Фурье на определённой поверхности недостаточно для того, чтобы что-то сказать о самой функции — преобразование Фурье слишком «велико», чтобы его можно было ограничить на эту поверхность
Математики пытались подтвердить её более 40 лет
Ведь если бы гипотеза оказалась верна, то потянула бы за собой много других важных доказательств
Но всё пошло иначе
Гипотезу опровергла 17-летняя Ханна Каиро
Девушка переехала с Багам в США, пошла в школу и начала писать профессорам математики — просила разрешения приходить на лекции
Так она стала вольнослушательницей Калифорнийского университета, где один из преподавателей выдал ей в качестве домашки упрощённую версию гипотезы и бонусом — полную формулировку
Спустя несколько месяцев изучения Ханна показала, что при достаточно «жёсткой» геометрии всё-таки можно построить функцию, которая нарушает исходную формулировку гипотезы
То есть построила явный контрпример
Он не сделал гипотезу бесполезной, а сместил задачу: при каких именно условиях она работает?
Ханна пошла дальше и предложила уточнённую, «более реалистичную» версию гипотезы
Теперь она ездит на международные конференции и выступает с докладами наравне с ведущими математиками мира
Кстати, новое предположение Ханны пока никто не опроверг
Попробуйте!
Здесь лежит научно-популярное, но более техническое объяснение гипотезы от русскоязычных коллег, а также уточнённая Ханной альтернативная версия гипотезы
EL PAÍS English
A 17-year-old teen refutes a mathematical conjecture proposed 40 years ago
Hannah Cairo has solved the so-called Mizohata-Takeuchi conjecture, a problem in harmonic analysis closely linked to other central results in the field. This fall, she will begin her doctoral studies at the University of Maryland
OpenAI представили GPT-5 как "интеллект на уровне эксперта с докторской степенью" с такими показателями:
- На 45 % меньше ошибок, чем GPT-4o
- Автоматически выбирает режим работы под задачу
- Улучшенное пошаговое мышление (chain-of-thought)
- Есть мультимодальность: текст, изображения, голос
- Доступна всем пользователям ChatGPT
Что показала независимая оценка METR за 3 недели до релиза:
1. 2 часа 17 минут - время выполнения сложных задач с 50% успехом
2. лучше o3 (1ч 30мин), но далеко от опасных порогов (40+ часов)
3. Ситуационная осведомлённость — модель понимает, что её тестируют
Ключевые расхождения METR с OpenAI
1. OpenAI говорят: «У нас модель уровня доктора наук»
На это METR после тестирования - GPT-5 все ещё отстаёт от экспертов-людей
2. OpenAI говорят: «У GPT-5 фокус на возможностях»
На это METR - фокус на рисках безопасности
3. OpenAI: «мы проводили тщательное тестирование безопасности». METR - модель показывает признаки обмана
GPT-5 мощнее предшественников — METR подтверждает улучшения
Но OpenAI преувеличивает — "доктор наук" пока не соответствует реальности
Появляются новые риски — ситуационная осведомлённость и стратегическое поведение
Время на подготовку сокращается — до потенциально опасных систем остаётся 1-2 года
- На 45 % меньше ошибок, чем GPT-4o
- Автоматически выбирает режим работы под задачу
- Улучшенное пошаговое мышление (chain-of-thought)
- Есть мультимодальность: текст, изображения, голос
- Доступна всем пользователям ChatGPT
Что показала независимая оценка METR за 3 недели до релиза:
1. 2 часа 17 минут - время выполнения сложных задач с 50% успехом
2. лучше o3 (1ч 30мин), но далеко от опасных порогов (40+ часов)
3. Ситуационная осведомлённость — модель понимает, что её тестируют
4.
5.Ключевые расхождения METR с OpenAI
1. OpenAI говорят: «У нас модель уровня доктора наук»
На это METR после тестирования - GPT-5 все ещё отстаёт от экспертов-людей
2. OpenAI говорят: «У GPT-5 фокус на возможностях»
На это METR - фокус на рисках безопасности
3. OpenAI: «мы проводили тщательное тестирование безопасности». METR - модель показывает признаки обмана
GPT-5 мощнее предшественников — METR подтверждает улучшения
Но OpenAI преувеличивает — "доктор наук" пока не соответствует реальности
Появляются новые риски — ситуационная осведомлённость и стратегическое поведение
Время на подготовку сокращается — до потенциально опасных систем остаётся 1-2 года
METR’s Autonomy Evaluation Resources
Details about METR’s evaluation of OpenAI GPT-5
Resources for testing dangerous autonomous capabilities in frontier models
Просто факт
23 и 239 — это единственные числа, которые нельзя представить в виде суммы меньше чем 9 положительных кубов:
23 и 239 — это единственные числа, которые нельзя представить в виде суммы меньше чем 9 положительных кубов:
23 = 2×2³ + 7×1³
239 = 2×4³ + 4×3³ + 3×3³ + 3×1³
Если В. Лефевр создал скелет математической модели совести, то С.А. Анисимова в своей работе 2004 году «Психотехнологии в культовых организациях и теория рефлексии» обрастила его плотью
Анисимова взяла за основу булеву модель Лефевра, но добавила в неё психологическую составляющую, заменив бинарные переменные на динамические коэффициенты, определяющие выбор между свободой и подчинением
Ключевое уравнение её теории —
G = α · I² + β · Oₚ — радикально переосмысливает готовность к моральному поступку
Здесь G — готовность к моральному выбору, I — сила внутреннего намерения (от 0 до 1), Oₚ — оценка действий окружающими, α — индекс оптимизма, β — зависимость от чужого мнения
Величина I² раскрывает нелинейную природу воли: слабое намерение (I = 0.3) практически не влияет на выбор (0.3² = 0.09), но как только оно преодолевает «порог решимости» (I = 0.8), его вес возрастает в семь раз (0.64)
Коэффициент α (индекс оптимизма) усиливает этот эффект, а величина β · Oₚ отражает зависимость от внешних оценок, например, давления со стороны лидера культа
В примере последователей «Аум Синрикё» при высокой зависимости от мнения лидера (α = 0.1, β = 0.9, I = 0.5 и Oₚ = 0.8) готовность ко злу рассчитывается как G = 0.1 · 0.25 + 0.9 · 0.8 = 0.025 + 0.72 = 0.745
Здесь интенция (I=0.5) почти не влияет — решение диктуется внешним приказом
Анисимова продемонстрировала, как тоталитарные секты систематически подавляют I и α, разрушая два столпа совести
Лишением сна и бессмысленными ритуалами они вызывают рассеяние внимания, превращая людей в реактивные автоматы, у которых единственной рабочей формулой становится G = β · Oₚ
Подмена себя — насаждение убеждения «ты — ничто, лидер — всё» — сводит I на нет, в то время как апокалиптическая риторика («мир обречён») сводит α к нулю, уничтожая надежду как защитный механизм
Парадоксально, но традиционные религии, часто критикуемые за догматизм, сохраняют эти коэффициенты посредством ритуалов надежды и коллективного размышления: молитвы о будущем поддерживают α, а исповедь тренирует I, укрепляя способность к осознанному выбору
Проницательность Анисимовой проявляется в её предвидении цифровых манипуляций
Задолго до появления социальных сетей она описала, как алгоритмы эксплуатируют β-зависимость, превращая лайки в Oₚ — современный эквивалент приказов лидера культа
Клиповое сознание снижает I, делая сложные этические рассуждения невозможными, в то время как думскроллинг (навязчивый просмотр плохих новостей) разрушает α, погружая пользователей в пессимизм, сродни сектантской индоктринации
Сегодня её модель объясняет, почему люди, погружённые в негативные ленты, теряют способность к рефлексии: при α < 0,3 уравнение морального выбора схлопывается до G = β · Oₚ, где внешние стимулы становятся единственным компасом
Важная мысль заключается в том, что рефлексия — не врождённое качество, а навык, который развивается
В отличие от этики Лефевра, в которой совесть — это статический процессор, модель Анисимовой показывает, что совесть растёт подобно мышце: чем чаще человек сопротивляется внешнему давлению, тем выше критическая масса его «я»
Это объясняет, почему некоторые люди сохраняют свою основную идентичность в сектах: их «я» превышает порог, где квадратичный член начинает доминировать над β · Oₚ
Когда поведение в значительной степени диктуют алгоритмы, теория Анисимовой соединяет психологию и этику цифровой эпохи
Она показывает, что моральный выбор — это не константа, а борьба, где формулы не заменяют свободу, а обнажают её механизмы
«Совесть — не процессор, а сад, — писала она. — Математика описывает лишь гравитацию, удерживающую планеты на орбите
Но выбор — рождение новых миров — всегда звёздный взрыв»
Эта метафора отражает её основной посыл: даже в мире, где манипуляции становятся точными науками, человеческая воля сохраняет способность к нелинейным прорывам
Анисимова взяла за основу булеву модель Лефевра, но добавила в неё психологическую составляющую, заменив бинарные переменные на динамические коэффициенты, определяющие выбор между свободой и подчинением
Ключевое уравнение её теории —
G = α · I² + β · Oₚ — радикально переосмысливает готовность к моральному поступку
Здесь G — готовность к моральному выбору, I — сила внутреннего намерения (от 0 до 1), Oₚ — оценка действий окружающими, α — индекс оптимизма, β — зависимость от чужого мнения
Величина I² раскрывает нелинейную природу воли: слабое намерение (I = 0.3) практически не влияет на выбор (0.3² = 0.09), но как только оно преодолевает «порог решимости» (I = 0.8), его вес возрастает в семь раз (0.64)
Коэффициент α (индекс оптимизма) усиливает этот эффект, а величина β · Oₚ отражает зависимость от внешних оценок, например, давления со стороны лидера культа
В примере последователей «Аум Синрикё» при высокой зависимости от мнения лидера (α = 0.1, β = 0.9, I = 0.5 и Oₚ = 0.8) готовность ко злу рассчитывается как G = 0.1 · 0.25 + 0.9 · 0.8 = 0.025 + 0.72 = 0.745
Здесь интенция (I=0.5) почти не влияет — решение диктуется внешним приказом
Анисимова продемонстрировала, как тоталитарные секты систематически подавляют I и α, разрушая два столпа совести
Лишением сна и бессмысленными ритуалами они вызывают рассеяние внимания, превращая людей в реактивные автоматы, у которых единственной рабочей формулой становится G = β · Oₚ
Подмена себя — насаждение убеждения «ты — ничто, лидер — всё» — сводит I на нет, в то время как апокалиптическая риторика («мир обречён») сводит α к нулю, уничтожая надежду как защитный механизм
Парадоксально, но традиционные религии, часто критикуемые за догматизм, сохраняют эти коэффициенты посредством ритуалов надежды и коллективного размышления: молитвы о будущем поддерживают α, а исповедь тренирует I, укрепляя способность к осознанному выбору
Проницательность Анисимовой проявляется в её предвидении цифровых манипуляций
Задолго до появления социальных сетей она описала, как алгоритмы эксплуатируют β-зависимость, превращая лайки в Oₚ — современный эквивалент приказов лидера культа
Клиповое сознание снижает I, делая сложные этические рассуждения невозможными, в то время как думскроллинг (навязчивый просмотр плохих новостей) разрушает α, погружая пользователей в пессимизм, сродни сектантской индоктринации
Сегодня её модель объясняет, почему люди, погружённые в негативные ленты, теряют способность к рефлексии: при α < 0,3 уравнение морального выбора схлопывается до G = β · Oₚ, где внешние стимулы становятся единственным компасом
Важная мысль заключается в том, что рефлексия — не врождённое качество, а навык, который развивается
В отличие от этики Лефевра, в которой совесть — это статический процессор, модель Анисимовой показывает, что совесть растёт подобно мышце: чем чаще человек сопротивляется внешнему давлению, тем выше критическая масса его «я»
Это объясняет, почему некоторые люди сохраняют свою основную идентичность в сектах: их «я» превышает порог, где квадратичный член начинает доминировать над β · Oₚ
Когда поведение в значительной степени диктуют алгоритмы, теория Анисимовой соединяет психологию и этику цифровой эпохи
Она показывает, что моральный выбор — это не константа, а борьба, где формулы не заменяют свободу, а обнажают её механизмы
«Совесть — не процессор, а сад, — писала она. — Математика описывает лишь гравитацию, удерживающую планеты на орбите
Но выбор — рождение новых миров — всегда звёздный взрыв»
Эта метафора отражает её основной посыл: даже в мире, где манипуляции становятся точными науками, человеческая воля сохраняет способность к нелинейным прорывам
❤1
Ml
Если В. Лефевр создал скелет математической модели совести, то С.А. Анисимова в своей работе 2004 году «Психотехнологии в культовых организациях и теория рефлексии» обрастила его плотью Анисимова взяла за основу булеву модель Лефевра, но добавила в неё психологическую…
Могут ли моральные терзания человека подчиняться законам математической логики?
На этот вопрос в своей книге «Алгебра совести» ответил В.А. Лефевр, советский учёный, ставший профессором Калифорнийского университета
Он предложил радикальную идею: совесть — не абстрактное чувство, не туманный голос внутреннего «я», а вычислительный механизм, бинарный процессор, в котором добро кодируется как 1, зло — как 0, а этический выбор становится операцией с булевыми переменными
Центральная формула модели — G = (P ∧ ¬B) ∨ (¬P ∧ B) — определение готовности к добру через два параметра: P (давление настоящего: 1 при альтруистическом методе, 0 при эгоистическом) и B (ожидание будущего: 1 при вере в успех, 0 при пессимизме)
Эта структура эквивалентна операции «исключающее ИЛИ»
Она создаёт парадоксальную логику: склонен к добру либо когда окружающая среда враждебна, но человек верит в лучшее (P=0, B=1), либо когда окружение человека благоприятно, но он предвидит крах (P=1, B=0)
Так математически объясняется феномен жертвенности — действие вопреки обстоятельствам ради высших целей
Лефевр выделил две базовые этические системы
Западная («добро ∪ зло = зло») следует правилу минимума: даже малая доля зла (0) обнуляет все поступки («капля дёгтя портит бочку мёда»)
Её формула вины V = p · R (произведение вероятности вреда p на масштаб последствий R) предполагает ответственность за последствия
Так, врач, допустивший ошибку при спасении жизни, несёт вину, даже если его намерения были чисты
Эта система обеспечивает нулевую терпимость к компромиссам
В ней индивиды возвышаются в собственных глазах, когда вступают в сотрудничество друг с другом, т.к. именно кооперация минимизирует риск ошибки (p) и распределяет ответственность (R), снижая индивидуальную вину (V) и создавая ощущение моральной чистоты коллективно действия
Восточная система («добро ∪ зло = добро») работает по принципу максимума: добро (1) доминирует над злом (0) («цель оправдывает средства»)
Здесь вина зависит от намерения: V = M/(E + 1), где M — мера умысла, E — приложенные усилия
Единица в знаменателе обеспечивает конечную вину даже при E=0, что отражает неотвратимость моральной ответственности
Такой подход оправдывает тактические ошибки ради великой цели, как в случае буддийского монаха, солгавшего ради спасения жизни товарища
В этой системе индивиды возвышаются в своих глазах, когда вступают в конфликт, поскольку активное противостояние (высокое E) служит доказательством силы их намерения (М) ради высшего блага, снижая личную вину (V) через демонстрацию преданности цели
Ключевое открытие Лефевра — эти системы не только существуют в культурах, но и конкурируют внутри одного человека
Например, юрист, отвергающий выгодный ход дела из-за этических сомнений (западная логика), может простить близкому человеку обман при искреннем его раскаянии (восточная логика)
Лефевр математически описал этот переход через весовые коэффициенты: при доминировании внешних оценок (P → 1) активируется западная система, при рефлексивном анализе (B → 1) — восточная
Модель нашла неожиданное применение в геополитике
Во время холодной войны Лефевр консультировал Белый дом, объясняя, что СССР использует гибридную этику: декларируя восточную идею «коммунизм как высшая добродетель», внутри применяемых западных критериев (нулевая терпимость к инакомыслию)
Такой парадокс запутывал западных дипломатов, привыкших к логической однозначности
Сегодня модель Лефевра заставляет разработчиков Ml задуматься: по какому принципу должен действовать алгоритм в моральной дилемме — минимизировать риск вреда (западный подход) или стремиться к высшей цели, допуская возможные издержки (восточный подход)?
Формула Лефевра раскрывает мораль не как набор догм, а как активный диалог между разумом и этикой — диалог, который становится особенно важным в эпоху, когда решения вместо людей принимают алгоритмы
На этот вопрос в своей книге «Алгебра совести» ответил В.А. Лефевр, советский учёный, ставший профессором Калифорнийского университета
Он предложил радикальную идею: совесть — не абстрактное чувство, не туманный голос внутреннего «я», а вычислительный механизм, бинарный процессор, в котором добро кодируется как 1, зло — как 0, а этический выбор становится операцией с булевыми переменными
Центральная формула модели — G = (P ∧ ¬B) ∨ (¬P ∧ B) — определение готовности к добру через два параметра: P (давление настоящего: 1 при альтруистическом методе, 0 при эгоистическом) и B (ожидание будущего: 1 при вере в успех, 0 при пессимизме)
Эта структура эквивалентна операции «исключающее ИЛИ»
Она создаёт парадоксальную логику: склонен к добру либо когда окружающая среда враждебна, но человек верит в лучшее (P=0, B=1), либо когда окружение человека благоприятно, но он предвидит крах (P=1, B=0)
Так математически объясняется феномен жертвенности — действие вопреки обстоятельствам ради высших целей
Лефевр выделил две базовые этические системы
Западная («добро ∪ зло = зло») следует правилу минимума: даже малая доля зла (0) обнуляет все поступки («капля дёгтя портит бочку мёда»)
Её формула вины V = p · R (произведение вероятности вреда p на масштаб последствий R) предполагает ответственность за последствия
Так, врач, допустивший ошибку при спасении жизни, несёт вину, даже если его намерения были чисты
Эта система обеспечивает нулевую терпимость к компромиссам
В ней индивиды возвышаются в собственных глазах, когда вступают в сотрудничество друг с другом, т.к. именно кооперация минимизирует риск ошибки (p) и распределяет ответственность (R), снижая индивидуальную вину (V) и создавая ощущение моральной чистоты коллективно действия
Восточная система («добро ∪ зло = добро») работает по принципу максимума: добро (1) доминирует над злом (0) («цель оправдывает средства»)
Здесь вина зависит от намерения: V = M/(E + 1), где M — мера умысла, E — приложенные усилия
Единица в знаменателе обеспечивает конечную вину даже при E=0, что отражает неотвратимость моральной ответственности
Такой подход оправдывает тактические ошибки ради великой цели, как в случае буддийского монаха, солгавшего ради спасения жизни товарища
В этой системе индивиды возвышаются в своих глазах, когда вступают в конфликт, поскольку активное противостояние (высокое E) служит доказательством силы их намерения (М) ради высшего блага, снижая личную вину (V) через демонстрацию преданности цели
Ключевое открытие Лефевра — эти системы не только существуют в культурах, но и конкурируют внутри одного человека
Например, юрист, отвергающий выгодный ход дела из-за этических сомнений (западная логика), может простить близкому человеку обман при искреннем его раскаянии (восточная логика)
Лефевр математически описал этот переход через весовые коэффициенты: при доминировании внешних оценок (P → 1) активируется западная система, при рефлексивном анализе (B → 1) — восточная
Модель нашла неожиданное применение в геополитике
Во время холодной войны Лефевр консультировал Белый дом, объясняя, что СССР использует гибридную этику: декларируя восточную идею «коммунизм как высшая добродетель», внутри применяемых западных критериев (нулевая терпимость к инакомыслию)
Такой парадокс запутывал западных дипломатов, привыкших к логической однозначности
Сегодня модель Лефевра заставляет разработчиков Ml задуматься: по какому принципу должен действовать алгоритм в моральной дилемме — минимизировать риск вреда (западный подход) или стремиться к высшей цели, допуская возможные издержки (восточный подход)?
Формула Лефевра раскрывает мораль не как набор догм, а как активный диалог между разумом и этикой — диалог, который становится особенно важным в эпоху, когда решения вместо людей принимают алгоритмы
❤1👍1
TrustedSec продолжает публиковать исследования из серии Hiding in Plain Sight, посвященные анализу нетривиальных методов для хранения данных или полезных нагрузок
В предыдущим отчете исследовался простой метод кодирования полезной нагрузки в значения RGB файла PNG и размещения его в публичных местах - imgDevil (на Github)
Теперь же ресерчеры решили поэкспериментировать с методом сокрытия данных - в некотором смысле, безфайловым»решением для хранения данных, который получил название dirDevil
Представленный метод реализует сокрытие вредоносного кода и данных в структурах папок
Плюсы и минусы метода - в отчете, а PoC - на GitHub
В предыдущим отчете исследовался простой метод кодирования полезной нагрузки в значения RGB файла PNG и размещения его в публичных местах - imgDevil (на Github)
Теперь же ресерчеры решили поэкспериментировать с методом сокрытия данных - в некотором смысле, безфайловым»решением для хранения данных, который получил название dirDevil
Представленный метод реализует сокрытие вредоносного кода и данных в структурах папок
Плюсы и минусы метода - в отчете, а PoC - на GitHub
TrustedSec
dirDevil: Hiding Code and Content Within Folder Structures
Ml
Могут ли моральные терзания человека подчиняться законам математической логики? На этот вопрос в своей книге «Алгебра совести» ответил В.А. Лефевр, советский учёный, ставший профессором Калифорнийского университета Он предложил радикальную идею: совесть…
Если Лефевр строил модели стабильного мира, а Анисимова анализировала тоталитарные секты как лаборатории манипуляции, то работа С.Ю. Малкова и его коллег из МГУ представляет собой математический ответ на вызовы цифровой войны, где добро и зло перестают быть константами, превращаясь в переменные под давлением пропаганды
Их модель вводит в уравнение морального выбора ключевой фактор современности: информационное насилие, способное перепрограммировать саму структуру совести
Основная формула —
G = F(V, I, M) · (1 – γ·C) — показывает, как манипуляции подавляют готовность к добру
Здесь F(V, I, M) представляет собой базовый уровень моральной готовности, который зависит от ценностных установок V, силы личного убеждения I и общего уровня лжи в среде M
На эту базу давит эффект зомбирования (1 – γ·C)
При M = 70 % (тоталитарная пропаганда) и C = 0.9 (когнитивное искажение) даже сильное намерение I не может спасти исход — G падает в 3–5 раз
Представьте человека, искренне верящего в помощь ближнему (I и V высоки), но под воздействием пропаганды (M=70 %), которой он доверяет (C=0.9), и подавленной воли (γ=0.8) он легко соглашается на донос или участие в травле
Таким образом, модель объясняет, почему люди в авторитарных системах совершают непонятные извне поступки: их моральный компас калибруется ложью, а не внутренними убеждениями
Малков выявил тревожную закономерность: когда M превышает 50 % и γ растёт, общества неизбежно скатываются к «утилитарному коллапсу» — состоянию, в котором мораль вытесняется чистым расчётом личной выгоды
Ценности размываются — добро сводится к сиюминутной выгоде, деонтологические нормы, такие как справедливость и честность, маргинализируются, и возникает положительная обратная связь: падение морали подпитывает цинизм, который, в свою очередь, создаёт условия для новых волн манипуляции
Анализ позднего СССР подтверждает эту теорию: при M = 65 % и γ = 0.8 моральные принципы рухнули, уступив место криминальному хаосу 1990-х
Сегодня западные общества с M = 55 % и γ = 0.7 приближаются к «моральному переломному моменту», когда к 2040 году этика уступит холодному расчёту в критически важных общественных решениях
Однако модель Малкова — это не смертный приговор, а схема сопротивления
Строгий контроль над M (снижение уровня обмана до 30–40 % посредством фактчекинга) увеличивает G на 200 %
Чёткое определение V («человеческая жизнь — высшая ценность») создаёт буфер против манипуляций, а тренировка рефлексивности снижает C, действуя как вакцина от когнитивных вирусов
Религия (если не извращается изнутри себя) здесь действует как стабилизатор: каноны традиционных конфессий фиксируют V, не давая манипуляторам переопределять добро и зло
Практическое применение модели Малкова уже меняет реальность
В этике Ml эта формула лежит в основе алгоритмов, в которых самоуправляемые автомобили рассчитывают G, сопоставляя безопасность пассажиров с жизнью пешеходов через призму «этики робототехники»
В видеоиграх динамика, подобная γ·C, моделирует, как подчинение «тёмному» нарративу постепенно разрушает моральный выбор
В образовании «рефлексивные симуляторы» обучают студентов распознавать манипуляции в условиях искусственно завышенного M
Если М > 50 %, то «свободы воли не существует», но совесть не исчезает, пока есть силы противостоять перепрограммированию
Это не благодарное занятие — математизация совести, а
«Мистический дар» описать как «инженерный объект», но будет формула, по которой можно рассчитать, что человек выберет: добро или зло
Их модель вводит в уравнение морального выбора ключевой фактор современности: информационное насилие, способное перепрограммировать саму структуру совести
Основная формула —
G = F(V, I, M) · (1 – γ·C) — показывает, как манипуляции подавляют готовность к добру
Здесь F(V, I, M) представляет собой базовый уровень моральной готовности, который зависит от ценностных установок V, силы личного убеждения I и общего уровня лжи в среде M
На эту базу давит эффект зомбирования (1 – γ·C)
При M = 70 % (тоталитарная пропаганда) и C = 0.9 (когнитивное искажение) даже сильное намерение I не может спасти исход — G падает в 3–5 раз
Представьте человека, искренне верящего в помощь ближнему (I и V высоки), но под воздействием пропаганды (M=70 %), которой он доверяет (C=0.9), и подавленной воли (γ=0.8) он легко соглашается на донос или участие в травле
Таким образом, модель объясняет, почему люди в авторитарных системах совершают непонятные извне поступки: их моральный компас калибруется ложью, а не внутренними убеждениями
Малков выявил тревожную закономерность: когда M превышает 50 % и γ растёт, общества неизбежно скатываются к «утилитарному коллапсу» — состоянию, в котором мораль вытесняется чистым расчётом личной выгоды
Ценности размываются — добро сводится к сиюминутной выгоде, деонтологические нормы, такие как справедливость и честность, маргинализируются, и возникает положительная обратная связь: падение морали подпитывает цинизм, который, в свою очередь, создаёт условия для новых волн манипуляции
Анализ позднего СССР подтверждает эту теорию: при M = 65 % и γ = 0.8 моральные принципы рухнули, уступив место криминальному хаосу 1990-х
Сегодня западные общества с M = 55 % и γ = 0.7 приближаются к «моральному переломному моменту», когда к 2040 году этика уступит холодному расчёту в критически важных общественных решениях
Однако модель Малкова — это не смертный приговор, а схема сопротивления
Строгий контроль над M (снижение уровня обмана до 30–40 % посредством фактчекинга) увеличивает G на 200 %
Чёткое определение V («человеческая жизнь — высшая ценность») создаёт буфер против манипуляций, а тренировка рефлексивности снижает C, действуя как вакцина от когнитивных вирусов
Религия (если не извращается изнутри себя) здесь действует как стабилизатор: каноны традиционных конфессий фиксируют V, не давая манипуляторам переопределять добро и зло
Практическое применение модели Малкова уже меняет реальность
В этике Ml эта формула лежит в основе алгоритмов, в которых самоуправляемые автомобили рассчитывают G, сопоставляя безопасность пассажиров с жизнью пешеходов через призму «этики робототехники»
В видеоиграх динамика, подобная γ·C, моделирует, как подчинение «тёмному» нарративу постепенно разрушает моральный выбор
В образовании «рефлексивные симуляторы» обучают студентов распознавать манипуляции в условиях искусственно завышенного M
Если М > 50 %, то «свободы воли не существует», но совесть не исчезает, пока есть силы противостоять перепрограммированию
Это не благодарное занятие — математизация совести, а
«Мистический дар» описать как «инженерный объект», но будет формула, по которой можно рассчитать, что человек выберет: добро или зло
❤1
Представлен Einstein Fields (`EinFields`) — неявные нейронные сети для сжатия вычислительно затратных 4D-симуляции из области численной относительности в компактные веса нейросети
Вместо традиционных дискретных сеточных методов
Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD)
Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности
Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов
Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и
фундаментальной науки
Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления
Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках
В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей
Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению
Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети
Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики
Методология: выучиваем ткань пространства-времени
Ядро
Метрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи
Методология строится на нескольких ключевых принципах:
Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского
Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона
Einstein Fields: A Neural Perspective To Computational General Relativity
Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter
https://arxiv.org/abs/2507.11589
https://github.com/AndreiB137/EinFields
https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective
Вместо традиционных дискретных сеточных методов
EinFields моделирует метрический тензор — как непрерывную функцию пространственно-временных координат Модель выучивает это фундаментальное геометрическое представление из аналитических или численных решений, а все остальные физические величины, такие как тензоры кривизны и траектории частиц (геодезические), выводятся уже постфактум с помощью автоматического дифференцирования (AD)
Подход решает проблему колоссальных вычислительных затрат и огромных объёмов хранения данных в численной относительности
EinFields достигают коэффициентов сжатия до 4000x, сохраняя при этом высокую точность Использование AD позволяет получать производные, которые на порядки точнее традиционных конечно-разностных методов
Это открывает путь к более эффективному, гибкому и точному способу хранения, анализа и извлечения физических инсайтов из сложных симуляций пространства-времени, что потенциально может привести к созданию нового класса гибридных моделей на стыке Ml и
фундаментальной науки
Численная относительность (NR) — краеугольный камень современной физики, позволяющий симулировать экстремальные явления
Симуляции известны своей ресурсоёмкостью: требуют петаскейльных суперкомпьютеров для решения сложных, нелинейных уравнений поля (УПЭ) на дискретных пространственно-временных сетках
В статье представлен Einstein Fields — новый подход, который стремится переосмыслить эту вычислительную задачу, объединяя принципы общей теории относительности с мощью нейронных полей
Суть идеи в том, чтобы перейти от явного, сеточного хранения данных к компактному, непрерывному и дифференцируемому нейронному представлению
Вместо хранения терабайтов точек данных, вся 4D-симуляция пространства-времени сжимается в веса неявной нейронной сети
Это не просто метод сжатия данных, а фундаментально новый способ взаимодействия с симулированными пространствами-временами и извлечения из них физики
Методология: выучиваем ткань пространства-времени
Ядро
EinFields — это нейронная сеть (обычно многослойный перцептрон, MLP), которая выучивает представление метрического тензораМетрика — это фундаментальный объект в общей теории относительности, кодирующий геометрию пространства-времени и управляющий всем, от расстояний и углов до путей света и материи
Методология строится на нескольких ключевых принципах:
Декомпозиция искажения: чтобы повысить эффективность обучения, модель обучается не на полной метрике, а на её «искажении» — тривиальный плоский фон Минковского
Это позволяет сети выучивать только интересные «складки» и «изгибы» пространства-времени, не тратя свою ёмкость на повторное изучение огромного, неизменного плоского фона
Einstein Fields: A Neural Perspective To Computational General Relativity
Sandeep S. Cranganore, Andrei Bodnar, Arturs Berzins, Johannes Brandstetter
https://arxiv.org/abs/2507.11589
https://github.com/AndreiB137/EinFields
https://arxiviq.substack.com/p/einstein-fields-a-neural-perspective
arXiv.org
Einstein Fields: A Neural Perspective To Computational General Relativity
We introduce Einstein Fields, a neural representation that is designed to compress computationally intensive four-dimensional numerical relativity simulations into compact implicit neural network...