Сергей Николенко — учёный, преподаватель и практик в области машинного обучения и информатики в целом. Доктор физико-математических наук, сотрудник ПОМИ РАН, преподаватель в СПбГУ, Harbour Space University, ИТМО и НИУ ВШЭ, Head of AI в компании Synthesis AI, автор более 200 научных публикаций и нескольких книг, в том числе бестселлера «Глубокое обучение» (Питер, 2018), монографии «Synthetic Data for Deep Learning» (Springer, 2021) и прямо сейчас появляющейся в продаже книги «Машинное обучение: Основы» (Питер, 2025). Сергей ведёт исследования в разных областях, от улучшения больших языковых моделей до анализа алгоритмов и теоретической информатики, применяет машинное обучение в реальных проектах, пишет посты и книги, ведет телеграм-канал «Sinекура» (@sinecor), а также стал двукратным чемпионом мира по «Что? Где? Когда?».

Уже два года мы живём в эпоху больших языковых моделей (large language models, LLM). За пределы академического сообщества эти новости вышли после появления ChatGPT от OpenAI, а затем появилось много разных моделей, либо созданных на основе ChatGPT, либо продолжающих и развивающих её идеи. Например, главные новости последних месяцев — это большие рассуждающие модели (large reasoning models, LRM), сначала появившиеся у OpenAI в виде семейства o1, а затем внедрённые практически во все ведущие LLM, в том числе [полу]открытые. Начиная с весны 2023 года, буквально каждую неделю появляются новости, которые раньше считались бы революционными, и скорость прогресса никак не хочет уменьшаться.

В первой части я постараюсь рассказать о том, как искусственный интеллект дошёл до такой жизни. Мы поговорим о том, что такое нейросети в целом, как произошла сначала революция глубокого обучения, потом внутри неё революция трансформеров, а потом, внутри неё, — революция больших языковых моделей. Обсудим самые последние новости и сформулируем несколько направлений, которые прямо сейчас являются предметом активных исследований. DeepSeek-R1 тоже обсудим, разумеется. Кое-какие технические детали, возможно, рассказать будет уместно, но я постараюсь сделать рассказ максимально доступным для непрофессионалов.

Данил Сагунов
– Научный сотрудник ИТМО, МКН СПбГУ; выпускник магистратуры Академического Университета РАН по направлению Теоретическая информатика
– Научные интересы: parameterized complexity, algorithmic graph theory, exact algorithms, algorithms for NP-hard problems, kernelization, computational complexity, graph algorithms and parameters
– Финалист ICPC 2016
– Координатор Сodeforces и HackerRank 2016
– Личная страница: danilka.pro

Мы уже привыкли к тому, что выражение «задача NP-трудна» стало синонимом «задача не решается за полиномиальное время», хотя неравенство классов P и NP до сих пор не доказано. А что, если задача всё-таки решается за полиномиальное время, но сам порядок полинома нас не очень устраивает? Например,

– Можем ли мы быстрее n^2 найти среди набора из n бинарных строк две строки, у которых не совпадает ни один единичный бит?

– Можно ли найти в заданном наборе три числа с заданной суммой существенно быстрее n^2?

– Вычислим ли радиус заданного графа быстрее n^3?

В курсе мы постараемся установить связи между этими и другими классическими алгоритмическими задачами, многие из которых широко применяются и не являются NP-трудными. Например, докажем, что алгоритм со временем работы n^1.9 для первой задачи позволит решать задачу выполнимости быстрее 1.9999^n; а третий вопрос неразрывно связан с кубическим алгоритмом для задачи APSP вычисления матрицы кратчайших расстояний.

В отличие от полиномиальных сведéний, которые используются для доказательства NP-трудности, в fine-grained сведениях мы будем более детально следить за временем работы и размером задачи (отсюда и название). Например, мы покажем, что задача из первого вопроса сводится (за время быстрее, чем n^1.9) к поиску наибольшей общей подпоследовательности (Longest Common Subsequence, LCS) заданных двух строк длины O(n). Как следствие, алгоритм со временем работы n^1.9 для LCS повлечёт 1.9999^n-алгоритм для задачи выполнимости.

Мы познакомимся с известными результаты области, как с классическими, так и с более современными, рассмотрим открытые вопросы, поговорим о лучших известных алгоритмах для некоторых из задач и о препятствиях для сведения их друг к другу.

Пререквизиты: для восприятия курса потребуется знакомство с базовым курсом алгоритмов.

Сергей Николенко — учёный, преподаватель и практик в области машинного обучения и информатики в целом. Доктор физико-математических наук, сотрудник ПОМИ РАН, преподаватель в СПбГУ, Harbour Space University, ИТМО и НИУ ВШЭ, Head of AI в компании Synthesis AI, автор более 200 научных публикаций и нескольких книг, в том числе бестселлера «Глубокое обучение» (Питер, 2018), монографии «Synthetic Data for Deep Learning» (Springer, 2021) и прямо сейчас появляющейся в продаже книги «Машинное обучение: Основы» (Питер, 2025). Сергей ведёт исследования в разных областях, от улучшения больших языковых моделей до анализа алгоритмов и теоретической информатики, применяет машинное обучение в реальных проектах, пишет посты и книги, ведет телеграм-канал «Sinекура» (@sinecor), а также стал двукратным чемпионом мира по «Что? Где? Когда?».

Многие исследователи считают, что создание настоящего сильного искусственного интеллекта (artificial general intelligence, AGI) уже не за горами. Во второй части нашего разговора мы именно это и обсудим: когда появится AGI, как мы об этом узнаем и, главное, готовы ли мы к этому? Нужно ли нам бояться AGI и если нужно, то чего именно и над чем нам в этом контексте работать? Почему такие люди, как Джеффри Хинтон, Йошуа Бенджи и Билл Гейтс, говорят, что создание AGI может быть экзистенциальным риском для человечества?

В этой части я надеюсь не только поговорить о рисках, но и дать достаточно полный обзор основных направлений исследований, которые люди сейчас ведут в области AI safety. Это очень молодая область, и очень сложная — в основном мы не знаем даже, как хорошо поставить ту или иную задачу. Но заниматься ей надо, и мы поговорим о том, как люди пытаются это делать. Как и в первой части, доклад не будет требовать глубокого знания технических аспектов машинного обучения, но некоторые идеи я всё-таки надеюсь рассказать.

Александр Тискин
– DPhil (Oxford)
– доцент факультета МКН СПбГУ
– Научные интересы: алгоритмы на строках, параллельные алгоритмы, комбинаторная оптимизация

Борис Золотов
– Аспирант МКН СПбГУ, преподаватель
– Научные интересы: алгоритмы на строках, структуры данных, вычислительная геометрия

Доклад будет посвящен классической задаче вычисления наибольшей общей подпоследовательности (Longest Common Subsequence, LCS) для пары строк, также известной в мире биоинформатики как задача выравнивания последовательностей (Sequence Alignment). Решение из учебника основано на методе динамического программирования и кажется единственно возможным. Мы увидим, что это не так: предварительно обобщив задачу, ее можно эффективно решить при помощи рекурсии, где «склеивание» подзадач производится при помощи на первый взгляд совершенно посторонней структуры — моноида Гекке или «липких кос», определяемого через тропическое матричное умножение и очень похожего на классическую группу кос. Такое решение представляет не только теоретический интерес, но и позволяет получить эффективные алгоритмы для сравнения сжатых строк без их декомпрессии, параллельного сравнения строк, а также решения некоторых практических задач биоинформатики. В последние годы появляется все больше приложений этого метода: приближенный поиск по образцу в режиме малого редакционного расстояния; сравнение динамических строк; сравнение периодических строк; локальное сравнение строк при помощи оракула. Мы опишем основные идеи некоторых из них.

Александр Нестеров
– Phd in Economics
– Заведующий Международной лабораторией теории игр и принятия решений
– Доцент департамента экономики ВШЭ Санкт-Петербург

Мы поговорим об основах теории игр для решения экономических задач: как предсказывать поведение агентов (людей, фирм) и как устраивать оптимальные правила их взаимодействий? Когда свободный рынок работает хорошо и когда совсем плохо? Когда свободный рынок будет саморазрушаться? Как это можно предотвратить? Как на рынке оказываются вредные посредники и как сделать это для них невыгодным? Как менялся рынок приёма в вузы в России, и какие перемены ждать в будущем?

Константин Сергеевич Яковлев, к.ф.-м.н., ведущий научный сотрудник ФИЦ ИУ РАН и AIRI, доцент ВШЭ, МФТИ, СПбГУ

Представьте себе современный склад крупного онлайн-ретейлера, на котором хранятся миллионы единиц товара, которые нужно постоянно перемещать от мест хранения к местам комплектования посылок для того, чтобы пользователи получали свои заказы вовремя. Совершенно очевидно, что в XXI веке такую работу нужно поручить роботам, которые в режиме 24/7 будут на себе перевозить товары внутри склада. Но как нам планировать маршруты для этих роботов так, чтобы, с одной стороны, они были безопасными (т.е. роботы, следуя по ним, не сталкивались друг с другом), с другой наименее затратными по времени достижения целей (ведь чем быстрее будут перемещаться товары и комплектоваться посылки, тем лучше)?

Именно на этот весьма актуальный вопрос мы попытаемся ответить в этой лекции. Будут рассмотрены как централизованные методы планирования, опирающиеся на классические техники поиска путей на графах (такие как алгоритм эвристического поиска A*, например), так и децентрализованные подходы, которые активно используют последние достижения в области искусственного интеллекта (обучения с подкреплением, трансформеные нейросетевые модели и пр.).