Кабинет

Посты канала Sinекура

сначала новые

#2305Фотоальбом

Я на прошлой неделе много ездил и дважды выступал с докладами вроде Vibemathed. Но те доклады, кажется, пока не выложены, зато могу выложить такую свою лекцию на студкемпе Яндекса, который проходил на МКН. Я тогда ещё только-только отошёл от болезни, и с голосом было ещё не очень, но зато это одна из относительно длинных версий, часа на два суммарно. Студкемп Яндекса — 2026.10.28 — Vibemathed: Математика после 6 октября (слайды на странице выступлений) Как уже давно знают подписчики, этот мой доклад — о том, как AI меняет математическую работу: от автоматического доказательства теорем и первых экспериментов с LLM (раздел "Древняя история — до 2026"), через первые результаты к великому дропу OpenAI шестого октября. Отдельная большая часть доклада — события и реакции, как на октябрьские событие, так и более ранние, и попытка осмыслить, почему математическое сообщество так по-разному смотрит на происходящее. О реакциях я писал большой пост, но это на самом деле старый философский вопрос, который внезапно стал очень практическим: достаточно ли знать, что утверждение верно, или нам ещё нужно понять, почему? А может, не просто понять почему, но и понять какие-то более глубокие идеи, которыми это объясняется? Если AI-модель принесла новое доказательство, которое никто ещё толком не понял, — математика уже сделана или самое интересное только начинается? Обсуждали также формальную проверку в Lean, "переваривание" доказательств, человеческие цели математики и удовольствие от самого поиска. В конце в записи оставлены вопросы и обсуждение. В общем, в последнее время этот доклад пользуется огромной популярностью, везде зовут об этом поговорить, и думаю, что зовут не зря. Дивный новый мир пришёл в математику раньше, чем во многие другие науки, но у меня мало сомнений, что придёт и к ним. #talks #events #ai #math

Открыть в Telegram
Просмотры825−27%к среднему
Пересылки4
Реакции13
Комментарии0
#2304Фотоальбом
Просмотры1 247+10%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч961
33 ч1 247
  1. Через 24 часа961
  2. Всего сейчас1 247
#2303Фотоальбом
Просмотры1 246+10%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч961
33 ч1 246
  1. Через 24 часа961
  2. Всего сейчас1 246
#2302Фотоальбом
Просмотры1 246+10%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч960
33 ч1 246
  1. Через 24 часа960
  2. Всего сейчас1 246
#2301Фотоальбом
Просмотры1 234+8%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч947
33 ч1 234
  1. Через 24 часа947
  2. Всего сейчас1 234
#2300Фотоальбом
Просмотры1 238+9%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч949
33 ч1 238
  1. Через 24 часа949
  2. Всего сейчас1 238
#2299Фотоальбом
Просмотры1 236+9%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч951
33 ч1 236
  1. Через 24 часа951
  2. Всего сейчас1 236
#2298Фотоальбом
Просмотры1 236+9%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч951
33 ч1 236
  1. Через 24 часа951
  2. Всего сейчас1 236
#2297Фотоальбом
Просмотры1 227+8%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч949
33 ч1 227
  1. Через 24 часа949
  2. Всего сейчас1 227
#2296Фотоальбом
Просмотры1 231+8%к среднему
Пересылки19
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч949
33 ч1 231
  1. Через 24 часа949
  2. Всего сейчас1 231
#2295Фотоальбомизменён

У одной классической нейросети для распознавания картинок (InceptionV1) есть нейрон, которому нравятся кошки и автомобили. В 2020 году Ник Каммарата с соавторами показывал его как пример того, как трудно будет понять, что происходит внутри нейросети. В октябре 2026-го тот же Каммарата снова показал интерпретацию того же нейрона, и многие комментаторы написали, что это, возможно, один из важнейших дней в истории глубокого обучения. Что же изменилось за шесть лет? Об этом мой новый пост. Он довольно большой, с картинками и двумя собственными экспериментами (с помощью GPT, конечно). Читать лучше по ссылке: Революция в интерпретируемости? Are neural networks already clean? Зачем сети кошка и автомобиль в одном нейроне? Возможно, сеть просто экономит место. Если два признака редко бывают нужны одновременно, их можно записывать в одни и те же координаты, а когда понадобится узнать, есть ли на картинке машина, сложить несколько координат с нужными весами. Но есть и другая возможность. Посмотрите на кошачью морду, а потом на автомобиль, снятый в три четверти. Контур, который образуют фары и капот, очень похож на тот, который у кошки образуют скулы и подбородок. Вполне возможно, что сеть давно заметила это сходство, а исследователям помешало то, что они знают про эти классы гораздо больше. Что увидел сам нейрон. Тут я решил воспользоваться редкой возможностью и повторить эксперименты: мы взяли исходную InceptionV1, подали на вход фотографии из статьи и посмотрели, где и насколько сильно срабатывает тот самый канал. На кошачьей морде и на капоте пикапа получился уверенный плюс, а на морде французского бульдога, снятой примерно в том же масштабе, — глубокий минус. Пока всё прекрасно. Тогда нарисуем просто угол и начнём скруглять вершину. У одного контрольного нейрона отклик сразу падает почти вчетверо, а у нашего после первого скругления он почти вдвое вырастает. Вот за это я и люблю такие опыты. У сходства кошки с пикапом вполне может быть геометрическая причина, но уже после 320 нарисованных углов хочется заметно аккуратнее формулировать, в чём она состоит. Откуда взялись 90%. Каммарата писал, что примерно у 90% исследованных полюсов (положительных и отрицательных по отдельности) нейронов Qwen3-32B удаётся назвать одну основную функцию. Причём "назвать" — это значит, что LLM по этому описанию может придумать фразы, которые будут нейрон сильно активировать, и похожие на них, которые не будут. А пользуется ли этим сама модель? Вот это интересный вопрос. В одной задаче Qwen читает историю пациентки и собирается спросить о нарушениях зрения. Если отключить четыре нейрона, которые авторы связывают с гипотезой о преэклампсии, вероятность следующего слова "visual" падает с 90,3% до 0,05%, и модель спрашивает про зуд. А если оставить эти четыре в покое и отключить шесть других, связанных со зрительными симптомами, то модель переключается на другой вопрос, который по-прежнему имеет смысл при том же диагнозе. Под конец мы проделаем похожий опыт на сети для распознавания рукописных цифр. Там у одного нейрона все пятьдесят любимых картинок в обучающей выборке — четвёрки. Казалось бы, уж про этот-то всё понятно. Но насколько изменятся ответы сети, если вместо нейрона подставить наше замечательное объяснение? И что будет, если вообще перестать смотреть на картинку и всегда подставлять одно и то же число? Ответ оказался довольно удивительным... #blog #ai #longreads

Открыть в Telegram
Просмотры1 229+8%к среднему
Пересылки19
Реакции28
Комментарии7
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
19 ч951
33 ч1 229
  1. Через 24 часа951
  2. Всего сейчас1 229
#2285Фотоальбомизменён

Сегодня у нас небольшая сюжетная игра про вампиров в русской провинции XIX века. Простая история с симпатичными персонажами и очень условным геймплеем; я играл на Steam Deck урывками в дороге и в итоге провёл в ней часов шесть. В целом понравилось, хотя к игровым механикам много вопросиков: Cabernet (и вот на DTF) Завязка. Главную героиню зовут Елизавета Морозова, можно просто Лиза. Она молодой врач, и в начале игры её хоронят. Впрочем, тут же выясняется, что жизнь на этом не закончилась: Лиза приходит в себя в тёмном подвале и вскоре попадает на приём к графине Орловой, где нужно срочно осваивать правила нового общества. [...] Почти Россия. Разработчики описывают место действия как мир, вдохновлённый Восточной Европой XIX века. Но по сути это, конечно, Россия. Морозовы и Орловы, доктор Волков, самовар на столе, Пушкин на языке, пьяный извозчик, русалки и ночь на Ивана Купалу. [...] Антураж мне в целом понравился. Местная нечисть, бытовые подробности, маленькие городские сплетни хорошо уживаются друг с другом. Получается такая готическая история на фоне из “Войны и мира”. Персонажи. Персонажи здесь довольно архетипичные, чтоб не сказать карикатурные. [...] Но они симпатичные, за их делами следить интересно, и у каждого найдётся тот или иной твист. [...] Вообще Cabernet достаточно хорошо делает самое нужное для такой игры: цепляет человеческими историями, и не хочется заканчивать игру, не закончив все возможные сайд-квесты. Геймплей. Формально это narrative RPG: есть характеристики, проверки в диалогах, отношения с персонажами, задания и время, которое нужно распределять между ночными занятиями. [...] Но собственно геймплея здесь совсем немного. Загадки в основном тривиальные: поговорить, найти нужный предмет, вернуться. Хотя вот кота я в какой-то момент так и не смог найти, пришлось обойтись без кота. Больше всего жаль вампирские способности. Можно превращаться в летучую мышь, гипнотизировать людей, становиться невидимой — казалось бы, сколько всего можно с этим придумать! [...] Но способности возникают только в строго очерченных сюжетных квестах: вот здесь надо применить именно это, и без этого тебя дальше не пустят или зафейлят квест, а все решения принимаются исключительно в обычных диалогах. Деньги и кровь. Ещё есть кровь, которую нужно регулярно пить. [...] Но на практике кровь можно просто купить. С деньгами, кстати, получилось совсем странно. Иногда по сюжету тебе нужна сразу большая сумма, и просто так её не набрать. По крайней мере, единственный способ много заработать, который я нашёл, — ходить в местное “казино” (на самом деле трактир) играть в блекджек. Причём не просто играть, а сейвскамить, и загружаться придётся немало, потому что казино в среднем несомненно остаётся в плюсе. Зачем так сделано, я не понял. Возможно, я пропустил какой-то другой способ обогатиться, но в моём прохождении выбор был примерно такой: или иди в казино, или квест зафейлится. Увлекательного в этом занятии мало. Да ещё и, возвращаясь к началу, после этого сейвскама полностью теряет смысл механика вампирского голода. Это явный минус. Графика. Графика очевидно дешёвая: плоские персонажи, простая анимация, разговоры с портретами. Но кое-где красиво нарисовано: озеро под луной, ночные крыши, лес, тёплый свет в окнах. Для небольшой истории такого оформления вполне хватает. [...] Заключение. Cabernet — явно не игра года для меня. Вампирские способности можно было использовать гораздо интереснее, экономика показалась сломанной, а персонажам не помешало бы побольше глубины. Но о том, что прошёл, я в целом не пожалел: история душевная, сеттинг приятный, и на пять-шесть часов местных персонажей вполне хватает. Для портатива рекомендую. #tgif #games

Открыть в Telegram
Просмотры1 099−3%к среднему
Пересылки5
Реакции19
Комментарии0