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👎1🔥1
📚 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.
❤24🔥11👍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.
👍5
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/
❤17👍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
🔥15❤6👍5😁2
Никола Тесла хотел передавать электричество без проводов на большие расстояния.
Беспроводная связь уже показала, что информацию можно передавать без кабелей, но с энергией всё оказалось намного сложнее.
Тесла считал, что Землю и атмосферу можно использовать как часть глобальной системы передачи электричества. Для проверки идеи он построил башню Wardenclyffe в Нью-Йорке при финансовой поддержке Дж. П. Моргана.
Но проект быстро стал слишком дорогим. Дополнительного финансирования Тесла не получил, башню так и не достроили в задуманном виде, а в 1917 году её снесли.
Эксперименты Теслы помогли развитию исследований беспроводной передачи, но его мечта о передаче больших объёмов электричества по всему миру без проводов так и не была реализована.
Сегодня беспроводная передача энергии работает на коротких расстояниях - например, в зарядках для смартфонов. А передавать большие мощности на очень большие расстояния без проводов всё ещё крайне сложно.
Беспроводная связь уже показала, что информацию можно передавать без кабелей, но с энергией всё оказалось намного сложнее.
Тесла считал, что Землю и атмосферу можно использовать как часть глобальной системы передачи электричества. Для проверки идеи он построил башню Wardenclyffe в Нью-Йорке при финансовой поддержке Дж. П. Моргана.
Но проект быстро стал слишком дорогим. Дополнительного финансирования Тесла не получил, башню так и не достроили в задуманном виде, а в 1917 году её снесли.
Эксперименты Теслы помогли развитию исследований беспроводной передачи, но его мечта о передаче больших объёмов электричества по всему миру без проводов так и не была реализована.
Сегодня беспроводная передача энергии работает на коротких расстояниях - например, в зарядках для смартфонов. А передавать большие мощности на очень большие расстояния без проводов всё ещё крайне сложно.
❤11👍3🥰2😁2
За основу взята упрощенная версия доказательства Уайлса от Дармона, Даймонда и Тейлора. Сгенерировано 13 млн строк кода и 30 300 промежуточных теорем, из которых в финальное доказательство вошли 29 500. Результат проверил компилятор Lean и подтвердил математик Кевин Баззард, ведущий проект формализации этой теоремы с 2024 года.
Первые попытки проваливались. Агенты теряли состояние проекта и переставали координироваться, их неудачные заходы дали около 7% строк итогового кода. Сработало после перехода на платформу Prove2Me, которая держит граф теорем и позволяет агентам работать параллельно, смягчая деградацию памяти на длинной дистанции.
Полностью автономным процесс не был - человек изредка давал указания верхнего уровня. Смысл автоматизации в том, что люди-рецензенты уже не успевают проверять поток доказательств, а формализация снимает с них часть нагрузки.
anthropic.com
@data_math
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤7👍5
Forwarded from Machinelearning
📲 OpenAI решила задачу тысячелетия? Пока доказательств нет
Математик Тристан Бакмастер утверждает, что 6 сентября представители OpenAI сообщили ему о готовом доказательстве образования сингулярности в уравнениях Навье–Стокса с внешней силой.
Если доказательство верно и соответствует условиям задачи Института Клэя, оно может закрыть одну из главных нерешённых проблем математики.
До этого Бакмастер и Левент Алпёге с помощью Claude и моделей OpenAI получили новые результаты для уравнений Эйлера и родственных систем. Однако эти работы сами по себе задачу Навье–Стокса не решают.
Параллельно возник спор об авторстве. Бакмастер заявляет, что ему предлагали оформить результат OpenAI без Алпёге, работающего в Anthropic. Себастьен Бюбек назвал обвинения ложными.
Доказательство OpenAI не опубликовано, Бакмастер его не видел, независимой проверки нет. Институт Клэя по-прежнему указывает задачу как нерешённую.
https://www.claymath.org/millennium/navier-stokes-equation/
@ai_machinelearning_big_data
Математик Тристан Бакмастер утверждает, что 6 сентября представители OpenAI сообщили ему о готовом доказательстве образования сингулярности в уравнениях Навье–Стокса с внешней силой.
Если доказательство верно и соответствует условиям задачи Института Клэя, оно может закрыть одну из главных нерешённых проблем математики.
До этого Бакмастер и Левент Алпёге с помощью Claude и моделей OpenAI получили новые результаты для уравнений Эйлера и родственных систем. Однако эти работы сами по себе задачу Навье–Стокса не решают.
Параллельно возник спор об авторстве. Бакмастер заявляет, что ему предлагали оформить результат OpenAI без Алпёге, работающего в Anthropic. Себастьен Бюбек назвал обвинения ложными.
Доказательство OpenAI не опубликовано, Бакмастер его не видел, независимой проверки нет. Институт Клэя по-прежнему указывает задачу как нерешённую.
https://www.claymath.org/millennium/navier-stokes-equation/
@ai_machinelearning_big_data
👍7❤4🤣1
🚨 OpenAI обвинили в возможном использовании чужой неопубликованной математики
Математик Андреас Том заявил, что есть признаки того, что OpenAI могла обучать Astra на приватных обсуждениях, где он вместе с Габором Куном работал над гипотезой Громова о софичности - одной из задач, решение которой позже приписали Astra.
Если его версия подтвердится, спор будет уже не только о том, «кто решил задачу».
Речь пойдёт о том, могла ли неопубликованная работа исследователей попасть в обучающие данные модели, а затем быть представлена как самостоятельный прорыв ИИ.
Автор поста пишет, что похожие претензии ранее поднимали и другие исследователи.
Пока это именно обвинения, а не доказанный факт.
Но если появятся подтверждения, вопрос происхождения «научных открытий» моделей станет намного серьёзнее.
https://x.com/Machinelearrn/status/2098002641468985622
Математик Андреас Том заявил, что есть признаки того, что OpenAI могла обучать Astra на приватных обсуждениях, где он вместе с Габором Куном работал над гипотезой Громова о софичности - одной из задач, решение которой позже приписали Astra.
Если его версия подтвердится, спор будет уже не только о том, «кто решил задачу».
Речь пойдёт о том, могла ли неопубликованная работа исследователей попасть в обучающие данные модели, а затем быть представлена как самостоятельный прорыв ИИ.
Автор поста пишет, что похожие претензии ранее поднимали и другие исследователи.
Пока это именно обвинения, а не доказанный факт.
Но если появятся подтверждения, вопрос происхождения «научных открытий» моделей станет намного серьёзнее.
https://x.com/Machinelearrn/status/2098002641468985622
❤5👍2🔥2🤣1
Единственный математик, решивший одну из семи задач тысячелетия.
🧠 Решил задачу, над которой бились почти век. Отказался от медали и миллиона долларов
Это Григорий Перельман - российский математик, доказавший гипотезу Пуанкаре, одну из семи задач тысячелетия.
🥇 1982 год: в 16 лет получает золото Международной математической олимпиады с идеальным результатом - 42 из 42 баллов.
📄 2002–2003 годы: выкладывает на arXiv три препринта с доказательством гипотезы, сформулированной ещё в 1904 году. Работу он строит на методе потока Риччи Ричарда Гамильтона. Проверка и подробное изложение доказательства занимают у математиков несколько лет.
🏅 2006 год: отказывается от Филдсовской медали - одной из самых престижных наград в математике.
💵 2010 год: отказывается и от $1 млн, присуждённого Институтом Клэя за решение задачи.
Доказательство Перельмана при этом остаётся в открытом доступе - прочитать его может любой.
О задаче и доказательстве: https://www.claymath.org/millennium/poincare-conjecture/
🧠 Решил задачу, над которой бились почти век. Отказался от медали и миллиона долларов
Это Григорий Перельман - российский математик, доказавший гипотезу Пуанкаре, одну из семи задач тысячелетия.
🥇 1982 год: в 16 лет получает золото Международной математической олимпиады с идеальным результатом - 42 из 42 баллов.
📄 2002–2003 годы: выкладывает на arXiv три препринта с доказательством гипотезы, сформулированной ещё в 1904 году. Работу он строит на методе потока Риччи Ричарда Гамильтона. Проверка и подробное изложение доказательства занимают у математиков несколько лет.
🏅 2006 год: отказывается от Филдсовской медали - одной из самых престижных наград в математике.
💵 2010 год: отказывается и от $1 млн, присуждённого Институтом Клэя за решение задачи.
Доказательство Перельмана при этом остаётся в открытом доступе - прочитать его может любой.
О задаче и доказательстве: https://www.claymath.org/millennium/poincare-conjecture/
❤21🔥10👍9🤡3🤣1
Forwarded from Искусственный интеллект. Высокие технологии
🚨 Теренс Тао и ещё 24 лауреата Филдсовской премии выступили против того, как AI-компании используют математику
25 ведущих математиков подписали декларацию A Severe Misalignment of AI in Mathematics.
Их главный тезис: превращать сложнейшие открытые задачи в очередной benchmark для моделей — опасный путь.
Что их беспокоит:
- AI-решения публикуются слишком быстро
- не хватает времени на полноценную проверку и нормальное изложение доказательств
- новые идеи и методы не успевают отделить от уже существующих работ
- возникают серьёзные вопросы атрибуции и плагиата
- поток «решено / не решено» может вытеснить главное — понимание того, почему математика вообще работает
Авторы прямо пишут:
> «Мы наблюдаем общую угрозу интеллектуальному труду».
Они не отрицают резкий прогресс LLM в математике. Наоборот — признают, что модели уже способны решать крупные открытые проблемы.
Но для математиков ценность задачи не только в финальном доказательстве. Важны новые идеи, объяснения, обсуждение, обучение следующего поколения и корректная связь с предыдущими работами.
Поэтому конфликт целей становится всё заметнее:
Декларацию подписали Теренс Тао, Питер Шольце, Марина Вязовская, Седрик Виллани, Максим Концевич и ещё 20 лауреатов Филдсовской премии.
https://terrytao.wordpress.com/2026/09/11/a-severe-misalignment-of-ai-in-mathematics/
@vistehno
25 ведущих математиков подписали декларацию A Severe Misalignment of AI in Mathematics.
Их главный тезис: превращать сложнейшие открытые задачи в очередной benchmark для моделей — опасный путь.
Что их беспокоит:
- AI-решения публикуются слишком быстро
- не хватает времени на полноценную проверку и нормальное изложение доказательств
- новые идеи и методы не успевают отделить от уже существующих работ
- возникают серьёзные вопросы атрибуции и плагиата
- поток «решено / не решено» может вытеснить главное — понимание того, почему математика вообще работает
Авторы прямо пишут:
> «Мы наблюдаем общую угрозу интеллектуальному труду».
Они не отрицают резкий прогресс LLM в математике. Наоборот — признают, что модели уже способны решать крупные открытые проблемы.
Но для математиков ценность задачи не только в финальном доказательстве. Важны новые идеи, объяснения, обсуждение, обучение следующего поколения и корректная связь с предыдущими работами.
Поэтому конфликт целей становится всё заметнее:
AI-лаборатории → решить быстрее и показать capabilityматематическое сообщество → понять, проверить, объяснить и встроить результат в наукуДекларацию подписали Теренс Тао, Питер Шольце, Марина Вязовская, Седрик Виллани, Максим Концевич и ещё 20 лауреатов Филдсовской премии.
https://terrytao.wordpress.com/2026/09/11/a-severe-misalignment-of-ai-in-mathematics/
@vistehno
❤14👍8❤🔥5👎1🔥1
🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку
Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте.
А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом.
Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска.
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_ci
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: t.me/fizmat
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
Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.
Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте.
А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом.
Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска.
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_ci
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: t.me/fizmat
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
Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.
👍5❤2🔥2