Ml
Представьте, что вам показывают ряд чисел: 1, 6, 21, 107 и — внимание! — 47 176 870 Кажется естественным спросить: какое число идёт дальше? Эти значения — первые пять членов так называемой последовательности «занятого бобра» Она связана с одной из самых…
«Ловушка для бобра» связана с одной из самых известных и трудных проблем информатики: можно ли заранее определить, завершит ли программа работу или будет выполняться бесконечно?
Ещё в 1936 году Алан Тьюринг показал, что универсального метода для этого не существует
Это открытие получило название проблемы остановки
Суть в том, что любая процедура, которая сможет корректно решать задачу для одних программ, обязательно окажется бесполезной для других
Есть ситуации, в которых никакой алгоритм не сможет дать ответ
Чтобы доказать это, Тьюринг ввёл строгую математическую модель вычислений — машину Тьюринга
В этой модели программы описываются как воображаемые устройства, выполняющие пошаговые действия по набору простых правил
Чем больше таких правил у машины, тем богаче её поведение и тем труднее заранее понять, завершится ли её работа или она зациклится навсегда
А насколько всё усложняется?
В 1962 году математик Тибор Радо предложил новый подход — он придумал игру под названием «занятый бобёр»
Правила такие: выбирается число n — это количество правил машины Тьюринга
Нужно найти такую машину с n правилами, которая сделает больше всех шагов, прежде чем остановится
Эта машина и называется «занятым бобром», а соответствующее число, BB(n), — это максимальное количество её шагов
На первый взгляд задача кажется простой
Нужно лишь:
Перечислить все возможные машины с n правилами
Смоделировать их работу на компьютере
Отсечь те, что сразу уходят в бесконечные циклы
Для остальных записать, сколько шагов они успели сделать
Та машина, что проработает дольше всех, и будет «бобром-рекордсменом»
Ещё в 1936 году Алан Тьюринг показал, что универсального метода для этого не существует
Это открытие получило название проблемы остановки
Суть в том, что любая процедура, которая сможет корректно решать задачу для одних программ, обязательно окажется бесполезной для других
Есть ситуации, в которых никакой алгоритм не сможет дать ответ
Чтобы доказать это, Тьюринг ввёл строгую математическую модель вычислений — машину Тьюринга
В этой модели программы описываются как воображаемые устройства, выполняющие пошаговые действия по набору простых правил
Чем больше таких правил у машины, тем богаче её поведение и тем труднее заранее понять, завершится ли её работа или она зациклится навсегда
А насколько всё усложняется?
В 1962 году математик Тибор Радо предложил новый подход — он придумал игру под названием «занятый бобёр»
Правила такие: выбирается число n — это количество правил машины Тьюринга
Нужно найти такую машину с n правилами, которая сделает больше всех шагов, прежде чем остановится
Эта машина и называется «занятым бобром», а соответствующее число, BB(n), — это максимальное количество её шагов
На первый взгляд задача кажется простой
Нужно лишь:
Перечислить все возможные машины с n правилами
Смоделировать их работу на компьютере
Отсечь те, что сразу уходят в бесконечные циклы
Для остальных записать, сколько шагов они успели сделать
Та машина, что проработает дольше всех, и будет «бобром-рекордсменом»
Ml
«Ловушка для бобра» связана с одной из самых известных и трудных проблем информатики: можно ли заранее определить, завершит ли программа работу или будет выполняться бесконечно? Ещё в 1936 году Алан Тьюринг показал, что универсального метода для этого не…
Но на практике всё гораздо сложнее
Количество возможных машин растёт лавинообразно с увеличением числа правил
Проверять каждую вручную бессмысленно, поэтому приходится писать специальные программы, чтобы классифицировать и отбраковывать варианты
Некоторые машины легко раскусить: они быстро останавливаются или застревают в очевидных циклах
Но есть и такие, что работают очень долго, не проявляя никаких заметных закономерностей
И именно здесь в полную силу проявляется «проклятие проблемы остановки»
Чем больше правил у машины, тем больше вычислительной мощности требуется для анализа
Но простого увеличения мощности недостаточно — некоторые машины работают так долго, что их пошаговое моделирование становится просто невозможным
Чтобы разобраться с ними, нужны специальные математические трюки
Как отметил инженер-программист и опытный исследователь «бобров» Шон Лигоцки, современные технологии, конечно, помогают, но их возможностей далеко не всегда хватает
И всё же даже самые мощные компьютеры и самые хитрые алгоритмы оказываются бессильны перед некоторыми машинами Тьюринга
Они работают так долго и так непредсказуемо, что шаг за шагом моделировать их попросту невозможно
Для этого уже нужны не железо и код, а новые математические идеи
Именно здесь охота за «занятым бобром» превращается в настоящее приключение на грани науки и искусства — где числа перестают быть просто числами и становятся вызовом для нашего воображения
Что же было дальше?
В этой точке начинается совершенно новая глава истории, в которой появляются рекорды, не помещающиеся во Вселенную, загадочные машины вроде «Антигидры» и неожиданные связи с другими великими проблемами математики
Количество возможных машин растёт лавинообразно с увеличением числа правил
Проверять каждую вручную бессмысленно, поэтому приходится писать специальные программы, чтобы классифицировать и отбраковывать варианты
Некоторые машины легко раскусить: они быстро останавливаются или застревают в очевидных циклах
Но есть и такие, что работают очень долго, не проявляя никаких заметных закономерностей
И именно здесь в полную силу проявляется «проклятие проблемы остановки»
Чем больше правил у машины, тем больше вычислительной мощности требуется для анализа
Но простого увеличения мощности недостаточно — некоторые машины работают так долго, что их пошаговое моделирование становится просто невозможным
Чтобы разобраться с ними, нужны специальные математические трюки
Как отметил инженер-программист и опытный исследователь «бобров» Шон Лигоцки, современные технологии, конечно, помогают, но их возможностей далеко не всегда хватает
И всё же даже самые мощные компьютеры и самые хитрые алгоритмы оказываются бессильны перед некоторыми машинами Тьюринга
Они работают так долго и так непредсказуемо, что шаг за шагом моделировать их попросту невозможно
Для этого уже нужны не железо и код, а новые математические идеи
Именно здесь охота за «занятым бобром» превращается в настоящее приключение на грани науки и искусства — где числа перестают быть просто числами и становятся вызовом для нашего воображения
Что же было дальше?
В этой точке начинается совершенно новая глава истории, в которой появляются рекорды, не помещающиеся во Вселенную, загадочные машины вроде «Антигидры» и неожиданные связи с другими великими проблемами математики
Cимуляции - это будущее
Главный тренд сезона - огромные траты OpenAI/Anthropic на обучение с подкреплением, они платят $1+млрд, а стартапы - $500k
Новая волна обучения ИИ связана не с данными из интернета, а наблюдением за работой реальных людей
Исполнительный директор OpenAI считает, что вся экономика превратится в «машину обучения с подкреплением»
Anthropic и OpenAI, обучают большие языковые модели работать с реальными корпоративными приложениями — от Salesforce и Zendesk до медицинских систем Cerner и Excel
Модели тренируют в симулированных средах, где они экспериментируют с софтом, а эксперты-люди (программисты, врачи, биологи и тд) показывают, как выполнять задачи пошагово
Например, Ml учится фильтровать лиды в Salesforce и обновлять статусы
Об этом Google говорили ещё в январе 2025 года
Anthropic планирует вложить $1.000.000.000 в такие среды в 2026 году, OpenAI — до $8.000.000.000 к 2030-му
Эксперты тоже дорожают, уже сейчас топ-специалисты получают $90-120/час, а скоро — до $250
Стартапы вроде Turing и Scale строят тысячи таких "тренажёров" для Ml, создавая новую экосистему
Это решает проблему ограничений традиционного обучения ИИ и открывает путь к новым продуктам — от Ml-агентов до корпоративного софта
Напомним, что Дэмис Хассабис говорил о симуляции ещё в августе, а именно, что за этим будущее Ml и агентов
Главный тренд сезона - огромные траты OpenAI/Anthropic на обучение с подкреплением, они платят $1+млрд, а стартапы - $500k
Новая волна обучения ИИ связана не с данными из интернета, а наблюдением за работой реальных людей
Исполнительный директор OpenAI считает, что вся экономика превратится в «машину обучения с подкреплением»
Anthropic и OpenAI, обучают большие языковые модели работать с реальными корпоративными приложениями — от Salesforce и Zendesk до медицинских систем Cerner и Excel
Модели тренируют в симулированных средах, где они экспериментируют с софтом, а эксперты-люди (программисты, врачи, биологи и тд) показывают, как выполнять задачи пошагово
Например, Ml учится фильтровать лиды в Salesforce и обновлять статусы
Об этом Google говорили ещё в январе 2025 года
Anthropic планирует вложить $1.000.000.000 в такие среды в 2026 году, OpenAI — до $8.000.000.000 к 2030-му
Эксперты тоже дорожают, уже сейчас топ-специалисты получают $90-120/час, а скоро — до $250
Стартапы вроде Turing и Scale строят тысячи таких "тренажёров" для Ml, создавая новую экосистему
Это решает проблему ограничений традиционного обучения ИИ и открывает путь к новым продуктам — от Ml-агентов до корпоративного софта
Напомним, что Дэмис Хассабис говорил о симуляции ещё в августе, а именно, что за этим будущее Ml и агентов
The Information
How Anthropic and OpenAI Are Developing AI ‘Co-Workers’
Anthropic, OpenAI and other artificial intelligence developers are sending large language models to the office. The AI models are being taught how to use everything from Salesforce’s customer relationship management software to Zendesk’s customer support…
Российские физики сделали мировой рекорд - 10-кубитный квантовый гейт
Команда под руководством академика Николая Колачевского из физического института имени П.Н. Лебедева РАН и Алексея Федорова из РКЦ создала гейт Тоффоли для 10 квантовых систем
Вместо обычных кубитов, которые имеют только два состояния — 0 или 1, они использовали кудиты — системы с несколькими состояниями, что позволило сделать вычисления более эффективными
Такой подход ускоряет и улучшает квантовые вычисления, особенно для задач вроде поиска в больших базах данных или сложной оптимизации
Это можно применить не только к ионным системам, но и к другим квантовым технологиям
Это особенно важно для современных квантовых компьютеров, которые пока работают с ограничениями
Команда под руководством академика Николая Колачевского из физического института имени П.Н. Лебедева РАН и Алексея Федорова из РКЦ создала гейт Тоффоли для 10 квантовых систем
Вместо обычных кубитов, которые имеют только два состояния — 0 или 1, они использовали кудиты — системы с несколькими состояниями, что позволило сделать вычисления более эффективными
Такой подход ускоряет и улучшает квантовые вычисления, особенно для задач вроде поиска в больших базах данных или сложной оптимизации
Это можно применить не только к ионным системам, но и к другим квантовым технологиям
Это особенно важно для современных квантовых компьютеров, которые пока работают с ограничениями
lebedev.ru
ФИАН - Ученые российского Квантового проекта показали мировой рекорд в квантовых вычислениях
Anthropic показал,как ИИ-агенты учатся искать информацию по-человечески
Основная идея - Ml-агенты должны использовать файловые системы для работы с данными, вместо попыток держать всю информацию в контексте
Разработчик из Anthropic показал, как Ml-агенты могут решать такие задачи по-новому, не пытаясь запомнить всю вашу переписку
Он создал Ml-агента для работы с электронной почтой
Вместо того, чтобы анализировать весь почтовый ящик одновременно, система:
- Получает запрос найти информацию о конкретном человеке
- Ищет письма с его адресом или упоминаниями имени
- Сохраняет найденные письма в рабочие файлы
- Анализирует их содержание для извлечения нужных данных
- При необходимости делает дополнительные поисковые запросы
Результат превзошёл ожидания - система самостоятельно составила подробный профиль пользователя, включая историю адресов, контакты и профессиональную информацию
Документация по безопасности
Основная идея - Ml-агенты должны использовать файловые системы для работы с данными, вместо попыток держать всю информацию в контексте
Разработчик из Anthropic показал, как Ml-агенты могут решать такие задачи по-новому, не пытаясь запомнить всю вашу переписку
Он создал Ml-агента для работы с электронной почтой
Вместо того, чтобы анализировать весь почтовый ящик одновременно, система:
- Получает запрос найти информацию о конкретном человеке
- Ищет письма с его адресом или упоминаниями имени
- Сохраняет найденные письма в рабочие файлы
- Анализирует их содержание для извлечения нужных данных
- При необходимости делает дополнительные поисковые запросы
Результат превзошёл ожидания - система самостоятельно составила подробный профиль пользователя, включая историю адресов, контакты и профессиональную информацию
Документация по безопасности
GitHub
GitHub - anthropics/claude-code-sdk-demos: Claude Code SDK Demos
Claude Code SDK Demos. Contribute to anthropics/claude-code-sdk-demos development by creating an account on GitHub.
Комитет политических действий, выступающий за развитие Ml, под названием «Американский проект технологического совершенства» (American Technology Excellence Project), — это последняя попытка бороться с политикой, которая, по её мнению, препятствует развитию Ml
Суперкомитет политических действий (Super PAC) сосредоточится на продвижении и защите американских технологических компаний и руководства, поддержке прогресса в области искусственного интеллекта и предоставлении родителям возможности контролировать, как их дети используют онлайн-приложения и технологии искусственного интеллекта
Cуперкомитет политических действий (Super PAC) будет возглавляться ветераном-республиканцем и консалтинговой фирмой демократов Hilltop Public Solutions
Комитет будет работать над избранием политиков, дружественных к технологиям, от обеих партий на промежуточных выборах в следующем году
https://www.axios.com/2025/09/23/meta-superpac-ai-regulation
Суперкомитет политических действий (Super PAC) сосредоточится на продвижении и защите американских технологических компаний и руководства, поддержке прогресса в области искусственного интеллекта и предоставлении родителям возможности контролировать, как их дети используют онлайн-приложения и технологии искусственного интеллекта
Cуперкомитет политических действий (Super PAC) будет возглавляться ветераном-республиканцем и консалтинговой фирмой демократов Hilltop Public Solutions
Комитет будет работать над избранием политиков, дружественных к технологиям, от обеих партий на промежуточных выборах в следующем году
https://www.axios.com/2025/09/23/meta-superpac-ai-regulation
10 лет назад на конференции Airbnb Open Air 2015:
Как за те же годы менялась риторика о том, что беспокоит при разработке все более мощных ИИ:
• от
в 2015
• до
в 2025
Ссылки на источники высказываний см. под графиком в твите
«ИИ, скорее всего, приведёт к концу света, но до тех пор появятся отличные компании»
Что и было сделано, - достаточно посмотреть на кривую роста оценки стоимости OpenAI за прошедшие 10 летКак за те же годы менялась риторика о том, что беспокоит при разработке все более мощных ИИ:
• от
«Разработка сверхчеловеческого машинного интеллекта, вероятно, является величайшей угрозой для дальнейшего существования человечества»
в 2015
• до
«Больше всего я всегда беспокоюсь о неизвестных неизвестных [...] это глупый пример, но он недавно поразил меня: у больших языковых моделей есть определённый стиль
Они говорят в определённом ритме, у них немного необычная дикция, и они злоупотребляют длинными тире
И я недавно заметил, что реальные люди это переняли»
в 2025
Ссылки на источники высказываний см. под графиком в твите
🔥2
Google представил Gemini Robotics 1.5 — первую модель мышления для воплощенного рассуждения, делающую роботов умнее и автономнее
Что умеет:
- Анализировать сложные ситуации
- Планировать многоэтапные задачи
- Использовать поисковик и цифровые инструменты Google
- Естественно взаимодействовать с людьми
- Адаптироваться к изменениям
Она имеет двухуровневую архитектуру:
1. Gemini Robotics-ER 1.5 ("мозг"): координирует, планирует, взаимодействует
2. Gemini Robotics 1.5 ("исполнитель"): выполняет точные действия
Модель уникальна тем, что:
- "Думает" перед действием, создавая план на естественном языке
- Работает с разными роботами без специализации
- Доступна через Gemini API
Самые продвинутые конкуренты, такие как Physical Intelligence, Figure, 1X, Boston Dynamics, Tesla, NVIDIA отстают так как:
- Нет интеграции с веб-поиском
- Нет продвинутого планирования и рассуждений
- Фокус на промышленности, ловкости или массовом производстве
Что умеет:
- Анализировать сложные ситуации
- Планировать многоэтапные задачи
- Использовать поисковик и цифровые инструменты Google
- Естественно взаимодействовать с людьми
- Адаптироваться к изменениям
Она имеет двухуровневую архитектуру:
1. Gemini Robotics-ER 1.5 ("мозг"): координирует, планирует, взаимодействует
2. Gemini Robotics 1.5 ("исполнитель"): выполняет точные действия
Модель уникальна тем, что:
- "Думает" перед действием, создавая план на естественном языке
- Работает с разными роботами без специализации
- Доступна через Gemini API
Самые продвинутые конкуренты, такие как Physical Intelligence, Figure, 1X, Boston Dynamics, Tesla, NVIDIA отстают так как:
- Нет интеграции с веб-поиском
- Нет продвинутого планирования и рассуждений
- Фокус на промышленности, ловкости или массовом производстве
Google DeepMind
Gemini Robotics 1.5 brings AI agents into the physical world
We’re powering an era of physical agents — enabling robots to perceive, plan, think, use tools and act to better solve complex multi-step tasks.
Стартап с лицензией FDA говорит, что человеческий опыт теперь можно программировать.
Mindstate Design Labs создали ИИ-платформу Osmanthus, которая:
- Анализирует паттерны активности нейромедиаторов для каждого ментального состояния
- Использует данные более чем 70.000 психоделических опытов
- Применяет машинное обучение, статистику и семантические модели
- Создает карту модульной системы воздействия различных психоделиков
Mindstate Design Labs объявил о завершении 1-ого испытания на 52 здоровых добровольцах их нейротехнологической платформы для программирования ментальных состояний на молекулярном уровне
Компания получила разрешение FDA и европейского регулятора на клинические испытания препарата MSD-001, который создает эмоцию, усиливающую эстетическое восприятие без галлюцинаций
По сути, это
модифицированная версия психоделика 5-MeO-MiPT
Основная идея - использовать это вещество как "базу", к которой можно добавлять другие компоненты для получения специфических эффектов
Интересный проект, но команда недооценивает реальные ограничения:
1. Сложность мозга
2. Риски комбинаций
Вещества, безопасные по отдельности, могут давать непредсказуемые эффекты при сочетании
3. Люди очень по-разному реагируют на психоактивные вещества
Универсальных "эмоций в бутылке" может и не получиться
Mindstate Design Labs создали ИИ-платформу Osmanthus, которая:
- Анализирует паттерны активности нейромедиаторов для каждого ментального состояния
- Использует данные более чем 70.000 психоделических опытов
- Применяет машинное обучение, статистику и семантические модели
- Создает карту модульной системы воздействия различных психоделиков
Mindstate Design Labs объявил о завершении 1-ого испытания на 52 здоровых добровольцах их нейротехнологической платформы для программирования ментальных состояний на молекулярном уровне
Компания получила разрешение FDA и европейского регулятора на клинические испытания препарата MSD-001, который создает эмоцию, усиливающую эстетическое восприятие без галлюцинаций
По сути, это
модифицированная версия психоделика 5-MeO-MiPT
Основная идея - использовать это вещество как "базу", к которой можно добавлять другие компоненты для получения специфических эффектов
Интересный проект, но команда недооценивает реальные ограничения:
1. Сложность мозга
2. Риски комбинаций
Вещества, безопасные по отдельности, могут давать непредсказуемые эффекты при сочетании
3. Люди очень по-разному реагируют на психоактивные вещества
Универсальных "эмоций в бутылке" может и не получиться
WIRED
A Startup Used AI to Make a Psychedelic Without the Trip
Mindstate Design Labs, backed by Silicon Valley power players, has created what its CEO calls “the least psychedelic psychedelic that’s psychoactive.”
🔥1
OpenAI запускает функцию автоматических сводок ChatGPT Pulse, которая создает персонализированные отчеты для пользователей в автоматическом режиме
Сервис генерирует от 5 до 10 брифингов и призван побудить пользователей проверять ChatGPT с утра вместо соцсетей или новостных приложений
Pulse стала частью изменения стратегии потребительских продуктов OpenAI
Компания переходит от реактивных систем к проактивным решениям, работающим без прямых запросов пользователя
Похожий подход используют ChatGPT Agent и Codex, превращая ChatGPT из чат-бота в полноценного ассистента
https://mltimes.ai/openai-zapuskaet-funkcziyu-avtomaticheskih-svodok-chatgpt-pulse/
Сервис генерирует от 5 до 10 брифингов и призван побудить пользователей проверять ChatGPT с утра вместо соцсетей или новостных приложений
Pulse стала частью изменения стратегии потребительских продуктов OpenAI
Компания переходит от реактивных систем к проактивным решениям, работающим без прямых запросов пользователя
Похожий подход используют ChatGPT Agent и Codex, превращая ChatGPT из чат-бота в полноценного ассистента
https://mltimes.ai/openai-zapuskaet-funkcziyu-avtomaticheskih-svodok-chatgpt-pulse/
MLTimes
OpenAI запускает функцию автоматических сводок ChatGPT Pulse - MLTimes
С днём глобальной квадратуры ума!
Иногда календарь подкидывает совпадения, от которых мурашки бегут по коже у свидетелей плоской земли и корня «РА»
27 сентября — именно такой день
Почему?
Если записать дату в Американском формате (09/27/2025), получится число 9.272.025
Это точный квадрат:
3045 × 3045 = 9.272.025
А если записать её по-европейски (27/09/2025), мы получаем 27.092.025
И это тоже квадрат:
5205 × 5205 = 27 092 025
По другим чертогам записывать не станем, что б не отрыть ворота в преисподнюю
Такое совпадение называется «глобальная квадратная дата» — и за весь XXI век оно случается всего 8 раз на дню
Для сравнения: «голубая луна» бывает раз в 2–3 года, а солнечное затмение где-то на Земле — каждые полгода
Следующая глобальная квадратная дата — только 1 января 2036 года, но там обе записи дают одно и то же число
Поэтому 27 сентября 2025-го считается самой красивой датой всех времен и народов!
И да, не забывайте, сам 2025 год — тоже квадратный:
2025 = 45 × 45
А ещё это сумма кубов всех цифр от 0 до 9
Так что сегодня отмечаем, 27 сентября 2025-го мы будем жить в чистой математической гармонии, Во истину, Аминь!
Иногда календарь подкидывает совпадения, от которых мурашки бегут по коже у свидетелей плоской земли и корня «РА»
27 сентября — именно такой день
Почему?
Если записать дату в Американском формате (09/27/2025), получится число 9.272.025
Это точный квадрат:
3045 × 3045 = 9.272.025
А если записать её по-европейски (27/09/2025), мы получаем 27.092.025
И это тоже квадрат:
5205 × 5205 = 27 092 025
По другим чертогам записывать не станем, что б не отрыть ворота в преисподнюю
Такое совпадение называется «глобальная квадратная дата» — и за весь XXI век оно случается всего 8 раз на дню
Для сравнения: «голубая луна» бывает раз в 2–3 года, а солнечное затмение где-то на Земле — каждые полгода
Следующая глобальная квадратная дата — только 1 января 2036 года, но там обе записи дают одно и то же число
Поэтому 27 сентября 2025-го считается самой красивой датой всех времен и народов!
И да, не забывайте, сам 2025 год — тоже квадратный:
2025 = 45 × 45
А ещё это сумма кубов всех цифр от 0 до 9
Так что сегодня отмечаем, 27 сентября 2025-го мы будем жить в чистой математической гармонии, Во истину, Аминь!
Among Us раскрыл характеры Ml-моделей
• Kimi K2 — легко поддается давлению
• Qwen 3 — ленится на рутинных задачах
• Gemini 2.5 Pro — защищает даже сомнительные идеи
• GPT-5 — врет убедительнее всех
• Claude Sonnet 4 — остается честным, даже играя за предателя
• Kimi K2 — легко поддается давлению
• Qwen 3 — ленится на рутинных задачах
• Gemini 2.5 Pro — защищает даже сомнительные идеи
• GPT-5 — врет убедительнее всех
• Claude Sonnet 4 — остается честным, даже играя за предателя
Пока академические круги увлечены алгоритмами Шора и Гровера, финансовые гиганты уже вовсю тестируют квантовые алгоритмы для решения практических задач
Квантовый приближённый алгоритм оптимизации (QAOA) стал первым рабочим инструментом для комбинаторной оптимизации — той самой области, где финансы зарабатывают миллиарды, но где классические компьютеры часто сдаются
Суть QAOA: когда перебор невозможен
Большинство финансовых задач — это оптимизационные кошмары
Нужно выбрать лучшую комбинацию из тысяч активов, учесть сотни ограничений, минимизировать риски и максимизировать прибыль
Классически это NP-сложные задачи: время решения растёт экспоненциально с размером портфеля
Алгоритм QAOA работает по гибридной схеме: квантовый процессор готовит суперпозицию всех возможных решений, а классический оптимизатор корректирует параметры, стремясь увеличить вероятность найти оптимальное решение
Алгоритм итеративно чередует два типа унитарных операций:
1. Оператор задачи, кодирующий функцию стоимости
2. Оператор смешивания, исследующий пространство решений
Математически QAOA минимизирует гамильтониан вида H = ∑ᵢⱼ Jᵢⱼσᵢσⱼ + ∑ᵢ hᵢσᵢ, где коэффициенты кодируют веса рёбер в графе оптимизации
Goldman Sachs: оптимизация портфелей
Компания Goldman Sachs с 2019 года экспериментирует с QAOA для задач управления активами
Их квантовая команда под руководством Stefan Woerner разработала алгоритмы для:
Выбора портфеля: классическая задача Марковица — найти оптимальное соотношение активов при заданном уровне риска — превращается в задачу квадратичной оптимизации
QAOA на 20 кубитах IBM показал результаты, сопоставимые с классическими решателями для портфелей из 100+ активов
Арбитража пар: поиск статистических арбитражных возможностей между коррелированными активами
Квантовый алгоритм выявляет скрытые паттерны в исторических данных, которые пропускают традиционные методы
Управление рисками: алгоритм QAOA помогает оптимизировать параметр VaR (Value at Risk) и стресс-тестирование портфелей в режиме реального времени
J. P. Morgan: производные инструменты и кредитование
Крупнейший американский банк инвестирует в квантовые технологии через собственную лабораторию JPMorgan Chase Institute
Их достижения:
Ценообразование опционов: команда Marco Pistoia адаптировала QAOA для расчёта цен сложных деривативов методом Монте-Карло
Квантовая версия показала квадратичное ускорение по сравнению с классическими симуляциями
Кредитный риск:
QAOA оптимизирует кредитные портфели, балансируя доходность и вероятность дефолта
Алгоритм учитывает корреляции между заёмщиками и макроэкономические факторы
Высокочастотная торговля: экспериментальные алгоритмы для оптимизации исполнения крупных ордеров с минимизацией воздействия рынка
D-Wave: квантовый отжиг в действии
Канадская D-Wave Systems пошла альтернативным путём — вместо универсальных квантовых компьютеров они создают специализированные машины для квантового отжига (quantum annealing)
Их процессоры с тысячами кубитов уже решают реальные оптимизационные задачи:
Volkswagen Financial Services: используют D-Wave для оптимизации лизинговых портфелей и управления рисками автокредитования
Система анализирует миллионы сценариев и находит оптимальные стратегии ценообразования
Recruit Holdings (Япония): применяют квантовый отжиг для персонализации финансовых продуктов и кредитного скоринга
Алгоритм обрабатывает поведенческие данные клиентов и оптимизирует предложения в реальном времени
Денверский аэропорт и Lockheed Martin: хотя и не финансовые компании, но их кейсы показательны
D-Wave оптимизирует логистику и планирование ресурсов — задачи, аналогичные финансовому риск-менеджменту
Квантовый приближённый алгоритм оптимизации (QAOA) стал первым рабочим инструментом для комбинаторной оптимизации — той самой области, где финансы зарабатывают миллиарды, но где классические компьютеры часто сдаются
Суть QAOA: когда перебор невозможен
Большинство финансовых задач — это оптимизационные кошмары
Нужно выбрать лучшую комбинацию из тысяч активов, учесть сотни ограничений, минимизировать риски и максимизировать прибыль
Классически это NP-сложные задачи: время решения растёт экспоненциально с размером портфеля
Алгоритм QAOA работает по гибридной схеме: квантовый процессор готовит суперпозицию всех возможных решений, а классический оптимизатор корректирует параметры, стремясь увеличить вероятность найти оптимальное решение
Алгоритм итеративно чередует два типа унитарных операций:
1. Оператор задачи, кодирующий функцию стоимости
2. Оператор смешивания, исследующий пространство решений
Математически QAOA минимизирует гамильтониан вида H = ∑ᵢⱼ Jᵢⱼσᵢσⱼ + ∑ᵢ hᵢσᵢ, где коэффициенты кодируют веса рёбер в графе оптимизации
Goldman Sachs: оптимизация портфелей
Компания Goldman Sachs с 2019 года экспериментирует с QAOA для задач управления активами
Их квантовая команда под руководством Stefan Woerner разработала алгоритмы для:
Выбора портфеля: классическая задача Марковица — найти оптимальное соотношение активов при заданном уровне риска — превращается в задачу квадратичной оптимизации
QAOA на 20 кубитах IBM показал результаты, сопоставимые с классическими решателями для портфелей из 100+ активов
Арбитража пар: поиск статистических арбитражных возможностей между коррелированными активами
Квантовый алгоритм выявляет скрытые паттерны в исторических данных, которые пропускают традиционные методы
Управление рисками: алгоритм QAOA помогает оптимизировать параметр VaR (Value at Risk) и стресс-тестирование портфелей в режиме реального времени
J. P. Morgan: производные инструменты и кредитование
Крупнейший американский банк инвестирует в квантовые технологии через собственную лабораторию JPMorgan Chase Institute
Их достижения:
Ценообразование опционов: команда Marco Pistoia адаптировала QAOA для расчёта цен сложных деривативов методом Монте-Карло
Квантовая версия показала квадратичное ускорение по сравнению с классическими симуляциями
Кредитный риск:
QAOA оптимизирует кредитные портфели, балансируя доходность и вероятность дефолта
Алгоритм учитывает корреляции между заёмщиками и макроэкономические факторы
Высокочастотная торговля: экспериментальные алгоритмы для оптимизации исполнения крупных ордеров с минимизацией воздействия рынка
D-Wave: квантовый отжиг в действии
Канадская D-Wave Systems пошла альтернативным путём — вместо универсальных квантовых компьютеров они создают специализированные машины для квантового отжига (quantum annealing)
Их процессоры с тысячами кубитов уже решают реальные оптимизационные задачи:
Volkswagen Financial Services: используют D-Wave для оптимизации лизинговых портфелей и управления рисками автокредитования
Система анализирует миллионы сценариев и находит оптимальные стратегии ценообразования
Recruit Holdings (Япония): применяют квантовый отжиг для персонализации финансовых продуктов и кредитного скоринга
Алгоритм обрабатывает поведенческие данные клиентов и оптимизирует предложения в реальном времени
Денверский аэропорт и Lockheed Martin: хотя и не финансовые компании, но их кейсы показательны
D-Wave оптимизирует логистику и планирование ресурсов — задачи, аналогичные финансовому риск-менеджменту
Джулиан Шритвизер, который был соавтором AlphaGo, AlphaZero и MuZero, а теперь — исследователь в Anthropic, написал в своем блоге анализ того, что происходит в Ml
Люди замечают, что хотя Ml теперь может писать программы, разрабатывать веб-сайты и тд, он все еще часто совершает ошибки, а затем почему-то делают вывод, что Ml никогда не сможет выполнять эти задачи на человеческом уровне или окажет лишь незначительное влияние
Хотя всего несколько лет назад сама возможность Ml делать эти вещи была полной научной фантастикой
Данные показывают устойчивый рост:
1. В программировании: модели уже могут автономно работать над задачами 2+ часа
2. В разных профессиях: новейшие модели почти достигли уровня экспертов-людей с 14-летним опытом
Конкретные прогнозы на ближайшие годы:
• К середине 2026 года Ml сможет автономно работать полный рабочий день 8 часов
• К концу 2026 года хотя бы одна модель достигнет уровня экспертов во многих профессиях
• К концу 2027 - Ml начнет регулярно превосходить экспертов
Люди замечают, что хотя Ml теперь может писать программы, разрабатывать веб-сайты и тд, он все еще часто совершает ошибки, а затем почему-то делают вывод, что Ml никогда не сможет выполнять эти задачи на человеческом уровне или окажет лишь незначительное влияние
Хотя всего несколько лет назад сама возможность Ml делать эти вещи была полной научной фантастикой
Данные показывают устойчивый рост:
1. В программировании: модели уже могут автономно работать над задачами 2+ часа
2. В разных профессиях: новейшие модели почти достигли уровня экспертов-людей с 14-летним опытом
Конкретные прогнозы на ближайшие годы:
• К середине 2026 года Ml сможет автономно работать полный рабочий день 8 часов
• К концу 2026 года хотя бы одна модель достигнет уровня экспертов во многих профессиях
• К концу 2027 - Ml начнет регулярно превосходить экспертов
www.julian.ac
Failing to Understand the Exponential, Again
Posts and writings by Julian Schrittwieser