Forwarded from Machinelearning
Vercel совместно с AWS, GitHub, Microsoft, OpenAI и командой Cursor выпустила открытый формат Agent Plugins. Стандарт унифицирует упаковку плагинов для ИИ-агентов.
Ранее структуру директорий и конфигурации навыков или MCP-серверов приходилось адаптировать под каждый клиент. Теперь достаточно собрать расширение в единую файловую структуру с общим манифестом, после чего совместимые платформы распознают и загружают его напрямую.
На старте формат поддерживают ChatGPT, Codex, Cursor, GitHub Copilot, Kiro и VS Code. Версия 1.0.0 стандартизирует только базовые компоненты - Agent Skills и MCP-серверы.
Дистрибуция, установка, управление правами доступа, а также специфичные команды и хуки остаются на стороне провайдеров.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7
🧮 AI может изменить саму природу математических исследований.
Bloomberg пишет о проблеме, которая уже начинает обсуждаться в академической среде: что будет, если AI начнёт создавать доказательства быстрее, чем люди смогут понять их последствия?
Математика может столкнуться не с нехваткой новых результатов, а с их избытком.
Сегодня академический успех строится вокруг количества публикаций, цитат и новых теорем. Но если машины смогут генерировать тысячи доказательств, ценность может сместиться в другое место.
Главным навыком станет не только найти решение, а понять, какие задачи вообще имеют значение.
Будущая роль математиков может быть больше связана с выбором направлений, проверкой важности результатов, объяснением сложных идей и обучением других.
Возможно, самым редким ресурсом станет не способность доказать теорему, а способность понять, почему она важна.
https://www.bloomberg.com/opinion/articles/2026-08-13/math-faces-an-ai-spiritual-crisis-it-has-a-lesson-for-the-rest-of-us
Bloomberg пишет о проблеме, которая уже начинает обсуждаться в академической среде: что будет, если AI начнёт создавать доказательства быстрее, чем люди смогут понять их последствия?
Математика может столкнуться не с нехваткой новых результатов, а с их избытком.
Сегодня академический успех строится вокруг количества публикаций, цитат и новых теорем. Но если машины смогут генерировать тысячи доказательств, ценность может сместиться в другое место.
Главным навыком станет не только найти решение, а понять, какие задачи вообще имеют значение.
Будущая роль математиков может быть больше связана с выбором направлений, проверкой важности результатов, объяснением сложных идей и обучением других.
Возможно, самым редким ресурсом станет не способность доказать теорему, а способность понять, почему она важна.
https://www.bloomberg.com/opinion/articles/2026-08-13/math-faces-an-ai-spiritual-crisis-it-has-a-lesson-for-the-rest-of-us
🤔14🤷♂4🤗4👍2😁1
🦾 Современные задачи прогнозирования всё чаще выходят за рамки возможностей классических моделей. Если вы уже работаете с временными рядами, пора разобраться, какие архитектуры действительно определяют развитие машинного обучения сегодня.
24 августа в 20:00 МСК приглашаем вас на открытый урок курса «Машинное обучение. Экспертный уровень».
На занятии сравним современные модели с ARIMA, Prophet, XGBoost и LSTM, разберём TimesNet, TimeGPT и другие актуальные подходы, а также на практике построим прогноз и оценим качество современных решений. Вы поймёте, где они дают преимущество и как применять их в реальных задачах.
➡️ Если вы хотите уверенно использовать современные методы прогнозирования, зарегистрируйтесь на открытый урок и получите практическое представление о технологиях, которые уже становятся новым стандартом отрасли: https://tglink.io/f47312dd0c868d?erid=2W5zFHKPFBw
#реклама
О рекламодателе
24 августа в 20:00 МСК приглашаем вас на открытый урок курса «Машинное обучение. Экспертный уровень».
На занятии сравним современные модели с ARIMA, Prophet, XGBoost и LSTM, разберём TimesNet, TimeGPT и другие актуальные подходы, а также на практике построим прогноз и оценим качество современных решений. Вы поймёте, где они дают преимущество и как применять их в реальных задачах.
➡️ Если вы хотите уверенно использовать современные методы прогнозирования, зарегистрируйтесь на открытый урок и получите практическое представление о технологиях, которые уже становятся новым стандартом отрасли: https://tglink.io/f47312dd0c868d?erid=2W5zFHKPFBw
#реклама
О рекламодателе
❤4
🚨 OpenAI расформировала команду Preparedness, которая занималась самыми опасными сценариями развития ИИ
По данным Financial Times, команду распустили в конце июля. Она оценивала риски от передовых моделей, включая кибератаки, биологические угрозы и сценарии, где ИИ получает слишком большую автономность. Теперь направления вроде bio и cyber распределили между другими внутренними командами OpenAI.
При этом сама система оценки рисков никуда не исчезла. OpenAI по-прежнему называет Preparedness Framework основой подхода к наиболее серьёзным рискам от продвинутого ИИ, а новый Frontier Governance Framework охватывает cyber, CBRN, манипуляции и потерю контроля.
У такой реорганизации есть логика: специалисты по безопасности теперь могут сидеть ближе к командам, которые реально строят и запускают модели. Многие современные риски зависят уже не только от eval-тестов, но и от sandboxing, сетевых ограничений, мониторинга и всей инфраструктуры вокруг агента.
Но есть и обратная сторона. Отдельная safety-команда могла выступать независимым барьером, когда скорость релиза конфликтовала с безопасностью. При распределённой ответственности такой внутренний стоп-сигнал потенциально становится слабее.
ft.com/content/53082739-7714-4aae-9816-e55ab423cbee?syn-25a6b1a6=1
По данным Financial Times, команду распустили в конце июля. Она оценивала риски от передовых моделей, включая кибератаки, биологические угрозы и сценарии, где ИИ получает слишком большую автономность. Теперь направления вроде bio и cyber распределили между другими внутренними командами OpenAI.
При этом сама система оценки рисков никуда не исчезла. OpenAI по-прежнему называет Preparedness Framework основой подхода к наиболее серьёзным рискам от продвинутого ИИ, а новый Frontier Governance Framework охватывает cyber, CBRN, манипуляции и потерю контроля.
У такой реорганизации есть логика: специалисты по безопасности теперь могут сидеть ближе к командам, которые реально строят и запускают модели. Многие современные риски зависят уже не только от eval-тестов, но и от sandboxing, сетевых ограничений, мониторинга и всей инфраструктуры вокруг агента.
Но есть и обратная сторона. Отдельная safety-команда могла выступать независимым барьером, когда скорость релиза конфликтовала с безопасностью. При распределённой ответственности такой внутренний стоп-сигнал потенциально становится слабее.
ft.com/content/53082739-7714-4aae-9816-e55ab423cbee?syn-25a6b1a6=1
👍9❤5
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Пользователей 13-17 лет ChatGPT будет автоматически переводить в безопасный режим. Возраст система определит по поведению, в совокупности она анализирует больше двух тысяч сигналов - от того, в какое время человек заходит, до того, как он формулирует запросы. Решила, что перед ней подросток, - режим включается сам.
В этом режиме модели запрещено изображать эмоциональную привязанность. Фильтры не пропускают контент для взрослых и не дают выдавать сведения о способах самоповреждения и о расстройствах пищевого поведения. Учебные задачи ChatGPT разбирает иначе - вместо готового решения задает наводящие вопросы.
Запуск идет на фоне исков, которые семьи подали к ИИ-компаниям, обвиняя их в психологическом вреде, нанесенном детям сгенерированным контентом.
openai.com
Стартап из Стэнфорда представил Sonic-3.6 - модель синтеза речи реального времени на архитектуре моделей пространства состояний (SSM).
Sonic-3.6 возглавила сразу два рейтинга Artificial Analysis. В категории Controlled Voice, где синтезаторы гоняют на восьми одинаковых эталонных голосах, она обошла Eleven v3 от ElevenLabs.
Задержка до первого аудиокадра, по заявлению компании, меньше 90 мс. Есть управление темпом, громкостью и эмоциями, теги экспрессии внутри запроса и свои словари произношения с транскрипцией IPA. Голос клонируется по десятисекундному фрагменту.
Модель работает через API и в Cartesia Playground. Для проб есть бесплатный тариф, платные подписки начинаются от 5 долларов в месяц.
cartesia.ai
Search Index сравнивает поисковые API, на которые опираются ИИ-агенты. В первый набор вошли Parallel, Exa, Firecrawl, You.com, Tavily, Keenable и Brave.
Замеряют в одинаковых условиях: агент на фреймворке Stirrup под управлением GPT-5.6 Luna проходит каждую задачу по 25 раз. Индекс складывается из трех тестов - DeepSearchQA (множественные запросы), BrowseComp (многошаговый поиск) и AA-Omniscience (вопросы из шести предметных областей).
Чем точнее выдача, тем дешевле инференс - агенту не приходится перебирать лишнее. Parallel Search срезает расход токенов больше чем на 40%, и хотя сам вызов API дороже, задача в сумме обходится в 0,084 доллара вместо 0,110.
Со скоростью сложнее. Очень быстрые, но менее точные поисковики заставляют агента делать лишние круги, так что итоговое время почти не отличается. Лучший баланс цены и качества показали Parallel и Firecrawl.
Методология открытая, новые API можно предлагать к добавлению.
ArtificialAnalysis в X
В сервисе ElevenMusic заработала бесплатная библиотека аудиосемплов со встроенной моделью text-to-audio. Барабанные лупы, вокальные нарезки и звуковые эффекты генерируются по текстовому описанию, лимит - 25 запросов в день.
Все, что сгенерировано, попадает в общий каталог. Любой пользователь платформы может искать там звуки, слушать их и скачивать.
ElevenMusic в X
American Airlines запретила провоз гуманоидных и зооморфных роботов и в салоне, и в багаже. Раньше то же самое сделали Delta, United и Southwest.
Причина - литий-ионные батареи. У типичных гуманоидов они на 800-2500 Вт·ч, тогда как Федеральное управление гражданской авиации разрешает провозить устройства с батареями емкостью до 160 Вт·ч. Бортовые средства пожаротушения рассчитаны на ноутбуки и смартфоны и с загоревшимся аккумулятором такой емкости не справятся.
Обойти запрет не выйдет - робота не пустят на борт, даже если выкупить ему отдельное кресло или оформить как вспомогательное устройство.
simpleflying.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤4⚡2❤🔥1👍1
✔ Физики передали квантовую запутанность на 420 км
Команда Научно-технического университета Китая связала запутанностью два удаленных модуля памяти на холодных атомах через оптоволокно длиной 420 км.
Достижение важно тем, что превзойден предел PLOB - теоретический потолок для прямой передачи запутанности по каналу без ретрансляции, который начинает мешать после 230 км. Обойти его удалось как раз потому, что квантовая память играет роль промежуточного узла. Это один из кирпичей для будущих квантовых повторителей и квантового интернета.
Чтобы уменьшить потери, квантовую память перевели с длины волны 795 нм на 780 нм и перестроили схему преобразования частот, подогнав сигнальные фотоны под окно сверхнизких потерь волокна. Рассинхронизацию фаз убрали автоподстройкой на двух длинах волн и трех частотах. Интерференция фотонов оставалась стабильной на всех 420 км.
https://www.cas.cn/syky/202608/t20260817_5118473.shtml
Команда Научно-технического университета Китая связала запутанностью два удаленных модуля памяти на холодных атомах через оптоволокно длиной 420 км.
Достижение важно тем, что превзойден предел PLOB - теоретический потолок для прямой передачи запутанности по каналу без ретрансляции, который начинает мешать после 230 км. Обойти его удалось как раз потому, что квантовая память играет роль промежуточного узла. Это один из кирпичей для будущих квантовых повторителей и квантового интернета.
Чтобы уменьшить потери, квантовую память перевели с длины волны 795 нм на 780 нм и перестроили схему преобразования частот, подогнав сигнальные фотоны под окно сверхнизких потерь волокна. Рассинхронизацию фаз убрали автоподстройкой на двух длинах волн и трех частотах. Интерференция фотонов оставалась стабильной на всех 420 км.
https://www.cas.cn/syky/202608/t20260817_5118473.shtml
👍10❤4
⚡️Терренс Тао: AI может сделать доказательства массовыми раньше, чем математика успеет к этому адаптироваться
В новой работе *Mathematics in the age of AI* Терренс Тао пишет, что математика входит в период серьёзной турбулентности.
Проблема уже не только в том, сможет ли AI доказывать теоремы.
Куда важнее другое: что произойдёт, если генерация доказательств станет дешёвой и массовой?
Тогда придётся заново отвечать на вопросы:
— что вообще считать вкладом в математику
— что значит «понять» доказательство
— за что давать признание
— кто считается автором работы: человек, AI или их связка
— какие результаты действительно ценны, если доказательств стало слишком много
Тао считает, что математикам придётся сделать явными те правила и ценности, которые раньше существовали неформально.
То есть AI может изменить не только то, как мы доказываем теоремы, но и само понимание того, что считается хорошей математикой.
https://arxiv.org/abs/2608.16753
В новой работе *Mathematics in the age of AI* Терренс Тао пишет, что математика входит в период серьёзной турбулентности.
Проблема уже не только в том, сможет ли AI доказывать теоремы.
Куда важнее другое: что произойдёт, если генерация доказательств станет дешёвой и массовой?
Тогда придётся заново отвечать на вопросы:
— что вообще считать вкладом в математику
— что значит «понять» доказательство
— за что давать признание
— кто считается автором работы: человек, AI или их связка
— какие результаты действительно ценны, если доказательств стало слишком много
Тао считает, что математикам придётся сделать явными те правила и ценности, которые раньше существовали неформально.
То есть AI может изменить не только то, как мы доказываем теоремы, но и само понимание того, что считается хорошей математикой.
https://arxiv.org/abs/2608.16753
❤11👍6🔥3✍2
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://xn--r1a.website/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: https://xn--r1a.website/+S4hinvO3QI43ZjNi
Kubernetes: t.me/kubernetc
GameDev: https://xn--r1a.website/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://xn--r1a.website/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://xn--r1a.website/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://xn--r1a.website/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://xn--r1a.website/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://xn--r1a.website/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: https://xn--r1a.website/+S4hinvO3QI43ZjNi
Kubernetes: t.me/kubernetc
GameDev: https://xn--r1a.website/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://xn--r1a.website/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://xn--r1a.website/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://xn--r1a.website/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://xn--r1a.website/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
❤3🔥1
⚡️ Теперь RL можно обучать прямо через реальный агентный harness, даже если он для тебя black box
ClawGym II показывает интересный подход: Claude Code или OpenClaw можно оставить без изменений и всё равно встроить их в RL training loop.
Фреймворк запускает агентный harness внутри sandbox, перехватывает model calls на serving-уровне и восстанавливает из них полные trajectories. После этого PPO или GRPO могут оптимизировать поведение модели уже с учётом реальной агентной среды.
Главный плюс: training stack не нужно заново реализовывать tool routing, retries, context management или subagents.
На Qwen3-30A3B это дало:
— +9.98 п.п. Pass@1 через OpenClaw
— +14.81 п.п. через Claude Code
Причём mix-harness training тоже сработал: одна политика, обученная сразу на OpenClaw и Claude Code, не хуже одиночных вариантов под обоими harness.
То есть следующий шаг в RL для агентов — обучать модель не в упрощённой симуляции, а прямо через тот сложный стек, в котором она потом будет реально работать.
Paper: arxiv.org/abs/2608.16798
ClawGym II: Exploring Black-Box RL on Agent Harness
ClawGym II показывает интересный подход: Claude Code или OpenClaw можно оставить без изменений и всё равно встроить их в RL training loop.
Фреймворк запускает агентный harness внутри sandbox, перехватывает model calls на serving-уровне и восстанавливает из них полные trajectories. После этого PPO или GRPO могут оптимизировать поведение модели уже с учётом реальной агентной среды.
Главный плюс: training stack не нужно заново реализовывать tool routing, retries, context management или subagents.
На Qwen3-30A3B это дало:
— +9.98 п.п. Pass@1 через OpenClaw
— +14.81 п.п. через Claude Code
Причём mix-harness training тоже сработал: одна политика, обученная сразу на OpenClaw и Claude Code, не хуже одиночных вариантов под обоими harness.
То есть следующий шаг в RL для агентов — обучать модель не в упрощённой симуляции, а прямо через тот сложный стек, в котором она потом будет реально работать.
Paper: arxiv.org/abs/2608.16798
ClawGym II: Exploring Black-Box RL on Agent Harness
❤4👍3🔥2
Forwarded from Machinelearning
Последние месяцы доказательства, сгенерированные ИИ, посыпались валом как для новых результатов, так и для старых, причем часть из них формализована на Lean и проверить такой репозиторий непросто, особенно если ты не эксперт. Нужно убедиться:
Под эту задачу и Теренс Тао запустил Palomar - реестр математики, верифицированной на Lean. Инициативу вырастили Lean FRO и ICARM.
Прием заявок уже идет, чтобы в него попасть, в репозитории должно быть три вещи:
Снимок поданного репозитория проверяют двумя этапами.
Сначала инструмент Comparator смотрит, что solution module типизируется и доказывает ровно то, что заявлено в challenge file. После этого языковая модель сверяет, похоже ли неформальное описание в на то, что заявлено формально.
Прошел оба - попал в реестр. Принимают формализации и старых результатов, и новых. Кто автор доказательства - человек, ИИ или оба вместе - значения не имеет.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7❤4❤🔥2
📚 674 страницы по Machine Learning - бесплатно
Вышел открытый учебник Introduction to Machine Learning - полноценное введение в машинное обучение: от фундаментальных идей до алгоритмов и практических методов.
В книге:
* основы ML и математический фундамент;
* обучение с учителем и без учителя;
* классические алгоритмы;
* модели и методы оптимизации;
* оценка качества;
* ключевые техники, используемые в современных системах.
Отличный материал для студентов, разработчиков и всех, кто хочет разобраться в ML не только через готовые библиотеки, а понять, как всё работает внутри.
📖 674 страницы PDF бесплатно:
http://arxiv.org/abs/2409.02668
Вышел открытый учебник Introduction to Machine Learning - полноценное введение в машинное обучение: от фундаментальных идей до алгоритмов и практических методов.
В книге:
* основы ML и математический фундамент;
* обучение с учителем и без учителя;
* классические алгоритмы;
* модели и методы оптимизации;
* оценка качества;
* ключевые техники, используемые в современных системах.
Отличный материал для студентов, разработчиков и всех, кто хочет разобраться в ML не только через готовые библиотеки, а понять, как всё работает внутри.
📖 674 страницы PDF бесплатно:
http://arxiv.org/abs/2409.02668
❤8👍3
Forwarded from Data Science
📚 Бесплатная книга по выпуклой оптимизации - 130 страниц
"Convex Optimization: Algorithms and Complexity" - хорошее введение в алгоритмы выпуклой оптимизации и их вычислительную сложность.
Внутри:
* градиентные методы
* ускоренные методы
* субградиентная оптимизация
* проксимальные алгоритмы
* first-order methods
* оценки скорости сходимости
* сложность оптимизационных алгоритмов
Полезно для ML, математики и тех, кто хочет глубже понять, что стоит за обучением моделей.
PDF:
https://arxiv.org/abs/1405.4980
"Convex Optimization: Algorithms and Complexity" - хорошее введение в алгоритмы выпуклой оптимизации и их вычислительную сложность.
Внутри:
* градиентные методы
* ускоренные методы
* субградиентная оптимизация
* проксимальные алгоритмы
* first-order methods
* оценки скорости сходимости
* сложность оптимизационных алгоритмов
Полезно для ML, математики и тех, кто хочет глубже понять, что стоит за обучением моделей.
PDF:
https://arxiv.org/abs/1405.4980
❤6
Квантовое туннелирование - частица проходит через барьер, который классически пройти не должна
В обычной физике всё просто: если у частицы недостаточно энергии, чтобы преодолеть барьер, она должна отскочить назад.
В квантовой механике это работает иначе.
Частица описывается волновой функцией. Внутри барьера она не обрывается мгновенно, а экспоненциально затухает. Если барьер достаточно тонкий, небольшая часть вероятности остаётся и с другой стороны.
То есть частица может оказаться там, куда классическая физика её не пустила бы.
Вероятность туннелирования резко падает:
- при увеличении ширины барьера
- при увеличении массы частицы
Поэтому электроны туннелируют сравнительно легко, а для больших объектов вероятность практически исчезает.
И это не абстрактный эффект.
Квантовое туннелирование участвует в:
- термоядерных реакциях внутри Солнца
- альфа-распаде
- работе сканирующего туннельного микроскопа
- некоторых механизмах записи и стирания flash-памяти
Один из самых странных эффектов квантовой механики одновременно лежит в основе вполне обычных технологий.
В обычной физике всё просто: если у частицы недостаточно энергии, чтобы преодолеть барьер, она должна отскочить назад.
В квантовой механике это работает иначе.
Частица описывается волновой функцией. Внутри барьера она не обрывается мгновенно, а экспоненциально затухает. Если барьер достаточно тонкий, небольшая часть вероятности остаётся и с другой стороны.
То есть частица может оказаться там, куда классическая физика её не пустила бы.
Вероятность туннелирования резко падает:
- при увеличении ширины барьера
- при увеличении массы частицы
Поэтому электроны туннелируют сравнительно легко, а для больших объектов вероятность практически исчезает.
И это не абстрактный эффект.
Квантовое туннелирование участвует в:
- термоядерных реакциях внутри Солнца
- альфа-распаде
- работе сканирующего туннельного микроскопа
- некоторых механизмах записи и стирания flash-памяти
Один из самых странных эффектов квантовой механики одновременно лежит в основе вполне обычных технологий.
❤17🔥6🥰2
Томас Фуллер, известный как «Вирджинский калькулятор», был порабощённым африканцем, прославившимся феноменальным устным счётом.
Его привезли из Африки и продали в рабство в 1724 году, когда ему было около 14 лет. Несмотря на отсутствие формального образования, Фуллер мог решать сложные математические задачи в уме.
Однажды его спросили, сколько секунд в полутора годах. Он почти сразу ответил:
47 304 000.
В другой раз ему предложили вычислить, сколько секунд прожил человек возрастом 70 лет, 17 дней и 12 часов.
Примерно через полторы минуты Фуллер назвал:
2 210 500 800 секунд.
Один из присутствующих пересчитал всё на бумаге и заявил, что ответ слишком большой.
Фуллер спокойно ответил:
«Вы забыли про високосные годы».
После повторного подсчёта оказалось, что прав был именно он.
За свои способности Томас Фуллер получил прозвище «Virginia Calculator» и остался в истории как один из самых необычных мастеров устного счёта XVIII века.
Его привезли из Африки и продали в рабство в 1724 году, когда ему было около 14 лет. Несмотря на отсутствие формального образования, Фуллер мог решать сложные математические задачи в уме.
Однажды его спросили, сколько секунд в полутора годах. Он почти сразу ответил:
47 304 000.
В другой раз ему предложили вычислить, сколько секунд прожил человек возрастом 70 лет, 17 дней и 12 часов.
Примерно через полторы минуты Фуллер назвал:
2 210 500 800 секунд.
Один из присутствующих пересчитал всё на бумаге и заявил, что ответ слишком большой.
Фуллер спокойно ответил:
«Вы забыли про високосные годы».
После повторного подсчёта оказалось, что прав был именно он.
За свои способности Томас Фуллер получил прозвище «Virginia Calculator» и остался в истории как один из самых необычных мастеров устного счёта XVIII века.
❤18🔥10👍7😱1
Участвуй в МТС True Tech Champ 2026 — всероссийском чемпионате по программированию с двумя треками и призовым фондом 10 250 000 рублей.
Трек 1: Алгоритмический [индивидуальный зачет, 2 750 000 ₽, шесть призовых мест]
Решай задачи по алгоритмам и структурам данных, которые помогут прокачать навыки для технических собеседований и работы в ведущих ИТ-командах. Лучшие участники пройдут в финал, где в режиме реального времени будут соревноваться в правильности решений и скорости мышления.
Трек 2: Программирование роботов [командный формат, 7 500 000 ₽, три призовых места]
Напиши алгоритмы для робособаки и робота-манипулятора и проведи их через три этапа соревнований. Сначала — через цифровой симулятор, где нужно пройти трассу и выполнить задания по передаче предметов. Затем — подключись к реальному полигону через удалённый доступ и выполни задания на физических роботах дистанционно. А в очном финале лучшим командам предстоит управлять роботами на площадке, дорабатывать алгоритмы под новые условия и бороться за победу на глазах у зрителей. Рекомендуемые стеки: Go, Java, Python, C#, C++, JS.
Регистрируйся до 13 сентября и стань частью масштабного чемпионата.
Трек 1: Алгоритмический [индивидуальный зачет, 2 750 000 ₽, шесть призовых мест]
Решай задачи по алгоритмам и структурам данных, которые помогут прокачать навыки для технических собеседований и работы в ведущих ИТ-командах. Лучшие участники пройдут в финал, где в режиме реального времени будут соревноваться в правильности решений и скорости мышления.
Трек 2: Программирование роботов [командный формат, 7 500 000 ₽, три призовых места]
Напиши алгоритмы для робособаки и робота-манипулятора и проведи их через три этапа соревнований. Сначала — через цифровой симулятор, где нужно пройти трассу и выполнить задания по передаче предметов. Затем — подключись к реальному полигону через удалённый доступ и выполни задания на физических роботах дистанционно. А в очном финале лучшим командам предстоит управлять роботами на площадке, дорабатывать алгоритмы под новые условия и бороться за победу на глазах у зрителей. Рекомендуемые стеки: Go, Java, Python, C#, C++, JS.
Регистрируйся до 13 сентября и стань частью масштабного чемпионата.
👍4
Ньютон почти не ошибался: наука подтверждает его правоту уже 350 лет
Ньютона обычно вспоминают как гения математики, но сам он трезво признавал: человеческая память ограничена, и ошибиться может каждый. При этом свой след он оставил далеко не только в физике – серьёзные работы у него есть по астрономии, истории и богословию, и эти работы прошли проверку временем куда лучше, чем можно было ожидать.
Дело не в широте интересов – таких эрудитов в XVII веке хватало. Ньютона выделяла способность отличать то, что действительно верно, от того, что лишь кажется правдоподобным. Многие современники строили теории на догадках и авторитетах предшественников, Ньютон же методично проверял, что из этого выдерживает проверку, а что нет.
Лучшее доказательство этой способности – “Начала” (“Principia”). Его наблюдения об устройстве Солнечной системы, сделанные без современных телескопов и без единой космической миссии, до сих пор согласуются с тем, что известно науке сегодня. Часть расчётов и выводов, которые сейчас можно встретить в учебниках и статьях, по сути принадлежат человеку XVII века – просто об этом редко вспоминают.
Вот в чём разница между эрудицией и настоящим научным мышлением: можно знать очень много и всё равно регулярно ошибаться в том, что из этого правда. Ньютон умел отделять одно от другого, и именно поэтому его выводы пережили и телескопы, и спутники, и несколько последующих научных революций.
https://uproger.com/nyuton-pochti-ne-oshibalsya-nauka-podtverzhdaet-ego-pravotu-uzhe-350-let/
Ньютона обычно вспоминают как гения математики, но сам он трезво признавал: человеческая память ограничена, и ошибиться может каждый. При этом свой след он оставил далеко не только в физике – серьёзные работы у него есть по астрономии, истории и богословию, и эти работы прошли проверку временем куда лучше, чем можно было ожидать.
Дело не в широте интересов – таких эрудитов в XVII веке хватало. Ньютона выделяла способность отличать то, что действительно верно, от того, что лишь кажется правдоподобным. Многие современники строили теории на догадках и авторитетах предшественников, Ньютон же методично проверял, что из этого выдерживает проверку, а что нет.
Лучшее доказательство этой способности – “Начала” (“Principia”). Его наблюдения об устройстве Солнечной системы, сделанные без современных телескопов и без единой космической миссии, до сих пор согласуются с тем, что известно науке сегодня. Часть расчётов и выводов, которые сейчас можно встретить в учебниках и статьях, по сути принадлежат человеку XVII века – просто об этом редко вспоминают.
Вот в чём разница между эрудицией и настоящим научным мышлением: можно знать очень много и всё равно регулярно ошибаться в том, что из этого правда. Ньютон умел отделять одно от другого, и именно поэтому его выводы пережили и телескопы, и спутники, и несколько последующих научных революций.
https://uproger.com/nyuton-pochti-ne-oshibalsya-nauka-podtverzhdaet-ego-pravotu-uzhe-350-let/
❤15👍5💩1🤣1
Forwarded from Machinelearning
Самый известный из ныне живущих математиков записал для Big Think полуторачасовое видео, где раскладывает математику на шесть опорных концепций и объясняет, как они предвосхищали открытия в науке и что с ними будет дальше, когда в дело вошёл ИИ.
Видео сделано под его книгу
Six Math Essentials, которая готовится к выходу.Тао - профессор математики Калифорнийского университета, в десять лет взял бронзу на международной олимпиаде, в тринадцать - золото и до сих пор остаётся самым молодым золотым медалистом в её истории.
Докторскую защитил в Принстоне в двадцать один год, профессором в UCLA стал в двадцать четыре (тоже самым молодым за всю историю университета). Филдсовская медаль 2006 года, стипендия Макартура того же года, одна из первых Премий по прорывам в математике.
В последние годы он один из самых заметных голосов в дискуссии о том, что ИИ делает с математикой - недавно он объявлял об открытии реестра Palomar, куда складывают доказательства на Lean после машинной проверки.
Числа, алгебра, геометрия, вероятность, анализ и динамика. Тао выбрал их потому, что все шестеро уходят корнями на тысячи лет назад, всем знакомы в начальном виде - и все за это время развились до крайне изощрённой математики.
Но если убрать техническую сложность, под ней остаются интуитивно понятные вещи, а сама математика - это лишь точный язык, позволяющий описать их аккуратно.
Видео разбито на три части: сами шесть понятий, затем то, как математика решает задачи науки, и в финале - как ИИ меняет математику и науку.
0:00 Часть 1. Шесть опорных элементов математики
1:14 Числа: древнейшее изобретение, которым пользуются до сих пор
5:56 Алгебра: правила, стоящие за правилами
11:39 Геометрия: как греки измерили Луну
13:30 Вероятность: ставки на неопределённость
17:00 Анализ: как приручили бесконечность
24:07 Динамика: математика изменения
32:12 Часть 2. Как математика решает задачи науки
34:30 Три открытия, изменившие мир
48:17 Почему математика работает и как её делают на самом деле
54:29 Часть 3. Как ИИ навсегда меняет математику и науку
1:07:38 Почему быстрее не всегда лучше
1:15:18 Что ИИ умеет сейчас и что поставлено на карту
@ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥14❤5👍4😁2