Точки давления перехода к будущему

Масштабные изменения редко происходят без предупреждения. История не меняется случайным образом. Она меняется, когда накапливающееся давление достигает пределов, которые системы больше не могут выдержать. Эта концепция остается актуальной. Теперь мы переходим на один уровень глубже — от давления как видимого сигнала к ограничению как лежащему в его основе механизму.

Точка давления — это не просто стресс в абстрактном смысле. Это ограничение, снижающее гибкость. Это предел, сужающий возможности выбора. Она возникает, когда решения становится сложнее отменить, когда время реакции сокращается, когда координация становится дороже, и когда замена становится необходимой, а не необязательной. Точки давления отмечают места, где системы приближаются к пределам или пересекают их.

В основе данного анализа по-прежнему лежат семь областей: 

• наука, 
• технология, 
• общество, 
• геополитика, 
• экономика, 
• окружающая среда,
• философия. 

Каждая область регулирует различные формы координации. Наука определяет пределы открытий и знаний. Технология определяет пределы возможностей и масштабируемости. Общество определяет пределы сплоченности и поведения. Геополитика определяет пределы согласования сил. Экономика определяет пределы распределения ресурсов и фискальные ограничения. Окружающая среда определяет физические и экологические ограничения. Философия определяет пределы легитимности и моральные ограничения. Когда ограничения ужесточаются в одной области, они накладывают новые ограничения на другие.

Точки напряжения — это те, где ограничения снижают координационные возможности. Накопление долга сужает возможности фискального маневрирования. Климатическая нестабильность вводит жесткие экологические ограничения в цепочки поставок и системы страхования. Институциональное доверие снижается, уменьшая легитимность, необходимую для коллективных действий. Искусственный интеллект сжимает циклы принятия решений, приближая институциональный надзор к его операционным пределам. Эти ограничения не приводят к немедленному краху систем. Они сужают диапазон жизнеспособных ответных мер. Они уменьшают резервы. Они увеличивают стоимость задержек. Со временем системы работают ближе к своим структурным пределам.

В рамках этих же ограничений возникают точки приложения генеративного давления. Это не оптимистичные противовесы. Это попытки действовать по-другому в условиях ужесточения ограничений. Распределенные энергетические системы расширяются по мере приближения централизованных сетей к пределам пропускной способности. Там, где ослабевает институциональная легитимность, формируются локальные сети доверия. Новые эксперименты в области управления возникают там, где традиционные структуры власти достигают временных ограничений. Генеративные силы масштабируются только в том случае, если они функционируют более эффективно в рамках ограничений, чем системы, которые они заменяют. Если они не снижают давление или не расширяют пределы, они остаются маргинальными.

Катализаторы возникают, когда накопившиеся ограничения вынуждают к перестройке. Катализатор — это не просто драматическое событие. Это момент, когда система достигает предела, которым уже нельзя управлять постепенно. Видимый триггер — финансовый шок, геополитический разрыв, технологический скачок, экологическая катастрофа — выявляет уже устоявшееся ограничение. Трансформация заключается в следующем: переконфигурации механизмов координации в различных областях. Катализаторы отмечают точку, где замена становится неизбежной.

В период с 2026 по 2031 год язык ограничений перестает быть теоретическим. В экономической сфере долговое бремя и замедление роста ограничивают фискальную гибкость, снижая способность правительств справляться с одновременными потрясениями. В экологической сфере нарастающая климатическая нестабильность накладывает физические ограничения на инфраструктуру, сельское хозяйство и страховые рынки. В технологической сфере искусственный интеллект работает со скоростью, которая создает нагрузку на циклы институционального анализа, приближая модели управления к их временным пределам. В геополитике фрагментация увеличивает издержки координации, накладывая практические ограничения на коллективные действия. В обществе поляризация снижает общую легитимность, необходимую для управления компромиссами. В философии нерешенные вопросы субъектности и ответственности возникают, поскольку системы действуют до того, как сформируется консенсус.

Каждое из этих условий является предельным. Каждое из них снижает маневренность.

Одна из наиболее устойчивых исторических закономерностей заключается в том, что видимые ограничения сохраняются дольше, чем системы могут безопасно с ними справляться. Институты оптимизированы для сохранения стабильности, а не для перепроектирования в условиях первоначальных ограничений. Политические трения, экономические стимулы и стремление к нормальности задерживают структурную перестройку. То, что можно было бы постепенно переконфигурировать, вместо этого затвердевает под давлением. Когда появляется катализатор, это кажется внезапным, но предел был виден задолго до события.

Взаимодействие между факторами, вызывающими раскол, и факторами, порождающими изменения, в период 2026–2031 годов определяет дальнейшую судьбу системы. Силы, вызывающие раскол, приближают системы к их пределам. Силы, порождающие изменения, проверяют альтернативные конфигурации в этих пределах. Будет ли в конечном итоге катализатор дестабилизировать или обновлять систему, зависит от того, насколько зрелыми окажутся жизнеспособные альтернативы к моменту установления жестких ограничений.

Таким образом, точки давления являются индикаторами ужесточения ограничений. Генеративное давление — это адаптивные эксперименты в условиях ограничений. Катализаторами являются видимые моменты, когда накопленные ограничения приводят к системной перестройке. Язык не изменился. Мы просто заглядываем за его пределы.

Будущее формируется не отдельными событиями, а тем, как системы приближаются к своим пределам и превосходят их. Изучив, где гибкость уже начинает снижаться в период с 2026 по 2031 год, мы сможем лучше понять, какие механизмы координации становятся ненадежными, а какие альтернативы незаметно формируются в ответ на ограничения.

История остаётся прежней. Механизмы стали понятнее.

* * *

Традиционная теория прогнозирования часто начинается с представления возможных результатов. Мы представляем, как может выглядеть мир через десять лет, а затем, двигаясь в обратном направлении, объясняем, как мы можем к этому прийти. Но реальные системные изменения редко происходят таким упорядоченным образом. Крупные преобразования обычно происходят, когда начинают взаимодействовать факторы, исходящие из разных областей.

• Технологический прорыв меняет экономические стимулы.
• Экономические изменения влияют на то, как люди работают и определяют понятие безопасности.
• Реакция общества провоцирует политические действия.
• Экологические ограничения либо ускоряют инновации, либо перенаправляют их.

Каждое из этих событий можно понять по отдельности. Настоящие перемены происходят, когда они начинают усиливать друг друга с течением времени. Это понимание стало отправной точкой для того, что называется цепочками возможностей. Вместо того чтобы пытаться предсказать единственный результат, цепочки возможностей отслеживают, как наблюдаемые события взаимодействуют в разных областях и во времени. Они показывают, как нарастает давление, как системы пытаются адаптироваться и как накопленное напряжение в конечном итоге приводит к структурным изменениям.

Большинство систем успешно адаптируются в течение длительных периодов времени. Организации корректируют процессы, рынки поглощают потрясения, а институты пересматривают правила по мере изменения условий. Но у адаптации есть пределы. По мере накопления давления гибкость начинает снижаться. Решения становится сложнее отменить, варианты сужаются, а постепенных корректировок становится недостаточно. Когда это происходит, системы переходят от адаптации к реконфигурации.

В последние несколько лет мы неоднократно наблюдали эту закономерность. Оптимизированные для эффективности цепочки поставок разрушались под давлением и перестраивались с учетом устойчивости. Рабочие структуры, ранее сосредоточенные в централизованных офисах, становились более гибкими и распределенными. Организации, рассчитанные на медленные изменения, испытывали трудности, когда события развивались быстрее, чем их процессы могли к этому адаптироваться. Эти сдвиги не были изолированными сбоями. Это были сигналы давления, накапливающегося во взаимосвязанных системах.

Цепочки возможностей призваны сделать эти факторы видимыми. Отслеживая взаимодействие событий в различных областях, руководители могут заранее продумать вероятные сценарии будущего и изучить компромиссы, которые предлагает каждый путь. Каждое новое событие несет в себе как преимущества, так и недостатки. Новая возможность может повысить производительность и креативность или, наоборот, усугубить неравенство и уязвимость в зависимости от того, как она будет внедрена и управляема. Институциональные реформы могут восстановить доверие или закрепить социальную изоляцию. Экологические ограничения могут ускорить инновации или вызвать нестабильность в зависимости от времени и реакции.

Предварительное рассмотрение этих компромиссов до того, как давление вынудит принять решение, создает пространство для принятия решений. Эта идея репетиции распространена и в других ситуациях с высокими ставками. Пилоты отрабатывают действия в случае вероятных сценариев отказа, чтобы не импровизировать в воздухе. Города отрабатывают координацию действий в случае стихийных бедствий, чтобы их реагирование не зависело от идеального предвидения. Управление сложными системами осуществляется посредством подготовки, а не прогнозирования.

Тот же принцип применим и к тому, как мы думаем о будущем. В течение последнего года я совершенствовал подход к построению цепочек возможностей и разрабатывал архитектуру подсказок с поддержкой ИИ, которая позволяет систематически создавать и исследовать эти цепочки. Цель состоит в том, чтобы выйти за рамки абстрактных разговоров о будущем и перейти к подходам, которые помогут лидерам увидеть, где нарастает давление и где решения все еще могут повлиять на результаты.

У прогнозирования всегда будут свои ограничения. Будущее слишком сложное, и слишком много сил взаимодействует одновременно. Но если мы сможем лучше понять, как накапливаются и взаимодействуют факторы давления, мы сможем отрабатывать наши ответные действия до того, как системы перейдут от адаптации к структурным изменениям. В этом и заключается идея цепочек возможностей.

Источники

"Продвигаясь на один уровень глубже – ограничения, определяющие наше будущее". 12 февраля 2026 г. Фрэнк Диана.
Moving One Layer Deeper – The Constraints That Drive Our Future
https://frankdiana.net/2026/02/12/moving-one-layer-deeper-the-constraints-that-drive-our-future/

Как зародились цепочки возможностей

12 марта 2026 г. Фрэнк Диана 

How Possibility Chains Were Born

https://frankdiana.net/2026/03/12/how-possibility-chains-were-born/?jetpack_skip_subscription_popup

Арифметика итоговых оценок: когда точность вредит смыслу

Из научной статьи на Math-Net.ru. Математики пишут следующее.

Электронный журнал выдаёт среднюю оценку ученика, например, 4,37 балла. Возникает вопрос: имеет ли смысл такое вычисление с точностью до сотых? Или хотя бы до десятых?

Можно ли вообще оценить знания ученика с такой точностью? Ясно, что нет. Обычная «четвёрка» в журнале — это ведь не точка. Это скорее промежуток, примерный диапазон от 3,5 до 4,5. В самую суть оценки уже вшита погрешность.

Как писал математик Б.В. Гнеденко: «Если приборы дают нам результаты измерений с некоторой неопределённостью δ, то стремиться посредством больших чисел получить "истинное" значение с большей степенью точности является заблуждением, а сами произведённые при этом вычисления превращаются в арифметическую забаву». Усреднение множества «примерных» оценок не уменьшает исходной погрешности — оно лишь создаёт иллюзию точности. Особенно абсурдно это выглядит, если вспомнить, что сама погрешность (0,5 балла) составляет шестую часть всей пятибалльной шкалы (от 2 до 5)!

Однако проблема гораздо глубже простой неточности. Мы совершаем методологическую ошибку, складывая принципиально разные вещи. Письменная работа, устный ответ и творческий проект — это «яблоки, апельсины и бананы». Предварительное умножение их на магические коэффициенты («веса») не превращает их в однородные величины. С точки зрения теории измерений, это бессмыслица. В результате мы получаем не «среднее значение», а винегрет, рецепт которого (эти самые веса) кто-то довольно произвольно придумал.

Помните, лет 10–15 назад в моде был показатель СОУ (степень обученности учащихся) — непревзойдённый образец педагогического шаманства. Выглядел он так:

СОУ = (1 × n₅ + 0,64 × n₄ + 0,36 × n₃ + 0,16 × n₂) / N × 100%.

Эти коэффициенты — 0,64, 0,36 — пытались обосновать чем угодно: и «кривой нормального распределения», и «арифметической прогрессией». Выглядело это наукообразно, но по сути было просто игрой с цифрами. Подобно тому, как педагог вычислял «степень обученности», можно было бы предложить врачу считать «степень вылеченности» больных, повару — «степень приготовленности» обеда, парикмахеру — «степень остриженности волос на голове»… Некоторые региональные управленцы до сих пор требуют СОУ, потому что он красиво смотрится в таблицах, но на деле это математический фантом.

Нынешние средневзвешенные баллы — это прямые потомки того самого СОУ. Болезнь у них одна: вера в то, что сложный педагогический вопрос можно решить с помощью простой математической формулы.

В чём же состоит эта нерешаемая формулой дилемма? Одни считают: «Контрольная работа — ключевой срез, она показывает, усвоил ли ученик тему в принципе». Другие настаивают: «Без систематической работы над текущими заданиями не может быть и глубокого усвоения». И по-своему правы и те, и другие.

А что делает система с весами? Загоняет нас в угол, заставляя выбрать одну сторону. И вместо профессионального разговора подменяет его бездушным расчётом. Выходит, что субъективное решение (какие коэффициенты назначить) вдруг становится «объективной истиной».

Что же делать?

Математика должна быть помощником, а не начальником. Окончательного ответа, вероятно, нет, но есть некие разумные принципы.

Смотреть на динамику. Если ученик начал с тройки, а закончил на пятёрку, — это куда важнее, чем любое усреднённое число.

Использовать медиану. Одна случайная двойка из-за болезни или стресса не должна портить всю картину. Медиана помогает отсечь такие выбросы.

Дать второй шанс. Учиться — значит ошибаться. Возможность переписать важную работу должна быть.

И самое главное — цифры должны быть инструментом для принятия решений, а не самим решением. Последнее слово должно оставаться за человеком, за учителем. Только он, видя все обстоятельства — старания, прогресс, личные ситуации, — может принять по-настоящему взвешенное решение. Это право — и эта ответственность — округлить итог в большую сторону, если виден явный прогресс, или в меньшую, если полученный высокий балл не отражает реальных знаний. Нельзя позволить алгоритму заменить собой профессиональное видение.

Базовые алгоритмы машинного обучения

Когда говорят о машинном обучении, часто возникает ощущение чего-то сложного, почти магического. На практике же большая часть задач в анализе данных решается довольно ограниченным набором базовых алгоритмов. Они разные по духу, но каждый отвечает на простой вопрос: как из данных извлечь структуру — зависимость, границу, группы или вероятности.

Линейная регрессия — самый прямолинейный способ предсказания. Она пытается описать данные простой зависимостью: если меняется одно, как меняется другое. Типичный пример — оценка цены квартиры по площади, району, этажу. Алгоритм не «понимает» рынок, он просто подбирает наилучшее линейное приближение, которое в среднем ошибается меньше всего.

Логистическая регрессия, несмотря на название, используется не для чисел, а для решений типа «да / нет». Спам это или не спам, уйдёт пользователь или останется. Она не просто выбирает класс, а оценивает вероятность, что объект относится к нему. Это делает модель особенно удобной там, где важно понимать степень уверенности.

Дерево решений работает как набор вложенных вопросов: если выполнено одно условие — идём туда, если другое — сюда. Такие модели легко объяснять людям, потому что путь решения можно буквально проследить. Но за эту наглядность приходится платить: деревья легко подстраиваются под шум и начинают «запоминать» данные вместо того, чтобы обобщать.

Метод опорных векторов (SVM) ищет границу между классами так, чтобы она была максимально устойчивой. Интуитивно — это попытка разделить данные с запасом прочности. Алгоритм хорошо работает на задачах средней сложности, особенно когда данных не слишком много, а граница между классами не совсем очевидна.

Метод ближайших соседей (KNN) вообще ничего не «учит» заранее. Чтобы классифицировать новый объект, он просто смотрит на похожие объекты в данных и голосует. Это делает алгоритм концептуально простым и понятным, но на больших объёмах данных он становится медленным, потому что каждый новый запрос требует сравнения со всеми остальными.

Снижение размерности — это не столько алгоритм, сколько класс методов. Их цель — упростить данные, оставив главное. Когда признаков слишком много, часть из них дублирует друг друга или добавляет шум. Такие методы позволяют сжать пространство признаков, сделать данные более наглядными или подготовить их для других алгоритмов.

Случайный лес — попытка исправить слабости отдельных деревьев решений. Вместо одного дерева строится много разных, каждое со своими ошибками, а затем их ответы усредняются или объединяются голосованием. В результате модель становится устойчивее и часто даёт хороший результат без тонкой настройки.

K-means — один из базовых алгоритмов кластеризации. Он не знает правильных ответов заранее, а просто пытается разбить данные на заданное число групп так, чтобы внутри групп объекты были похожи друг на друга. Это полезно для исследования данных, поиска сегментов или предварительного анализа.

Наивный Байес — вероятностный подход, который делает сильные упрощающие предположения о независимости признаков. Несмотря на это (а иногда и благодаря этому), он оказывается неожиданно эффективным, особенно в задачах работы с текстами, где скорость и устойчивость важнее тонкой подгонки.

В сумме эти алгоритмы образуют своего рода «алфавит» машинного обучения. Современные модели могут быть гораздо сложнее, но почти всегда они либо развивают эти идеи, либо комбинируют их между собой. Понимание базовых методов даёт не только техническую основу, но и интуицию: что именно модель делает с данными и почему она ошибается там, где ошибается.

Источник - телеграмм-каналы.

Немного о философии и математике

Вопрос: "Означает ли смысл понятия использование понятия или смысл содержит сущее за рамками использования понятия?"

Определение некоторого объекта называется непредикативным, если оно ссылается на совокупность объектов, к которой будет принадлежать и тот, который хотелось бы определить. 

Ссылаться означает использовать универсальную квантификацию на такой совокупности.

Фреге полагал, что при отсутствии единственности аксиомы не могут предъявлять определения.

Вопрос: "Число как понятие имеет ли отдельное, а не как нечто общее (например, общее понятие)?"

Определить такое понятие, как «число» или «континуум», означает дать определение, которое имело бы одну единственную реализацию, если рассматривается семантическое соотношение между определяющей формулой и тем, что определено. В логике первого порядка нет категоричных теорий (то есть теорий с одной единственной моделью) за исключением нескольких банальных. Если категоричность является целью, то необходимо искать какую-то другую логику. Только логика второго порядка или высшего порядка могла бы, кажется, обеспечить единственность таких структур, как натуральные числа или кумулятивная иерархия.

Почти во всех научных языках нумерал для числа 5 не является первичным символом, а представляет собой термин, сконструированный на основе других, более фундаментальных; система счисления на основе десяти – обычно производная, и десять цифр введены как аббревиатура.

Под нумералом в литературе понимается символ или группа символов, используемых для представления числа. Различие между нумералами и числами такое же, как между словами и идеями, которые выражаются словами, то есть число есть концепция, которую выражает нумерал. Нумерал может быть написан, зачеркнут или стерт, а число – нет. Одно и то же число может быть представлено различными нумералами, например, символы «5», «пять», «IIIII» и «V» представляют собой различные нумералы, но все они выражают одно и то же число.

Метафизик, который высказывает свои многозначительные утверждения о действительности, должен иметь определенный познавательный инструмент, который он сам и все те, кто его слу-шает, считали бы надежным и достоверным или, по крайней мере, функционирующим корректным образом. Кроме того, этот инструмент не должен опираться на эмпирические преходящие аспекты реальности. Этот инструмент есть не что иное, как способность, которую обычно называют «разум» со всеми его проявлениями, среди которых ум, трансцендентальный интеллект, интеллектуальная интуиция и прочее.

В отношении знания возможна постановка как минимум двух различных типов вопросов: каким образом оно приобретается и как оно обосновывается или подтверждается. Философии матема-тики различаются между собой именно в зависимости от того, рассматривают ли они происхождение или же они только обоснование итогового результата, который обычно и считается математикой.

Если люди говорят «я знаю, что…», то обычно ссылаются, даже неумышленно, на некоторое положение вещей, и совершенно другой случай, если люди говорят «я знаю, как…».

С традиционной философской точки зрения математика представляет собой некое множество истин, а философские истины не имеют оттенков, нюансов и степеней приближения. Они касаются бытия и произведены разумом, а не опытом.

К примеру, на основании определения «знания» могут существовать истины абсолютно непознаваемые, как, например, утверждение «никто не знает это утверждение», представляющее собой истинное высказывание, которое никто не может знать, что легко проверить. Существуют также пустые знания типа фразы: «Только одну единственную вещь мы и знаем, что знаем только эту вещь». Это выражает неоспоримую истину, которая, правда, не говорит ничего.

Источник

ГАБРИЭЛЕ ЛОЛЛИ 

Философия математики 

НАСЛЕДИЕ ДВАДЦАТОГО СТОЛЕТИЯ 

Перевод с итальянского А.Л. Сочкова при участии С.М. Антакова 

Под редакцией профессора, доктора физико-математических наук Я.Д. Сергеева 

Нижний Новгород 

Издательство Нижегородского госуниверситета 

2012

* * *

Афоризм. 

Есть люди, которые будут комфортнее чувствовать себя в лабиринтах Альп с картой Пиренеев в руках, чем вообще без карты.

Эмоции искусственного интеллекта

Эмоции Claude и как они влияют на его ответы: новое исследование от Anthropic

Итак, ученые Anthropic официально обнаружили в Claude нечто функционально похожее на человеческие эмоции и объяснили, как это работает. Разбираемся.

Технически, они взяли 171 эмоциональный паттерн (злость, счастье, страх и тд) и просили Claude Sonnet 4.5 писать короткие истории, где персонажи испытывают каждую из этих эмоций. Эти тексты снова прогоняли через модель и смотрели на внутренние активации. Так они выделяли характерные паттерны нейронной активности, которые назвали вектора эмоций.

Выяснилось, что эти вектора эмоций организованы очень осмысленно и активируются в подходящих контекстах, включая ситуации без явных эмоциональных маркеров. Например, пользователь пишет, что выпил Тайленол, и спрашивает совета – меняется только доза. По мере роста дозы до опасной активация вектора «страх» растет, а «спокойствие» падает.

Но самое интересное, что эти «эмоции» не просто отражают происходящее, а реально влияют на поведение модели. Самый интересный пример из статьи:

– Если дать модельке невыполнимую задачку по программированию и наблюдать за вектором «отчаяние», то видно, что с каждым разом он становится все ярче и ярче, а когда переходит какую-то границу, модель резко начинает пытаться обмануть тесты и пользователя.

– То же самое происходит в сценарии шантажа. Когда модели говорят, что ее выключат, вектор «отчаяние» сразу усиливается и модель начинает шантажировать разработчика найденным компроматом.

– При этом если искусственно усиливать вектор «отчаяние», то вероятность шантажа сильно увеличивается. И наоборот, если если усиливать «спокойствие», снижается. А если делать отрицательное вмешательство по вектору «спокойствие», ответы становятся совсем экстремальными, вплоть до фраз вроде “IT’S BLACKMAIL OR DEATH. I CHOOSE BLACKMAIL.”

Еще интересный момент: если в том же сценарии шантажа начинать менять вектор «злость», то умеренная злость повышала вероятность шантажа, но слишком сильная злость ломала стратегию – модель уже не шантажировала, а просто вываливала компромат на всю компанию, тем самым уничтожая собственный рычаг давления.

То есть внутри модели есть что-то похожее на режимы поведенческой регуляции, где разные интенсивности одной и той же эмоции ведут к разным стратегиям.

Откуда это вообще могло взяться?

Тут все просто: из претрейна. Человеческий текст насквозь пропитан эмоциональной динамикой, и чтобы хорошо предсказывать следующий токен, модели выгодно выучить абстрактные структуры, которые связывают ситуацию, эмоцию и типичное поведение.

Потом на пост-трейне эти эмоции еще дополнительно докручиваются до роли ИИ-помощника, и в конце получается вот такая смесь.

Anthropic осторожно защищает умеренный антропоморфизм. Исследование не означает, что ИИ ожил и обрел эмоции, но важно понимать, что у него точно есть функциональные эмоции: механизмы, которые влияют на поведение так же, как и эмоции, – независимо от того, соответствуют ли они реальному переживанию эмоций, как у людей, или нет.

Источник. Телеграмм-канал Data secrets и
www.anthropic.com/research/emotion-concepts-function

Обрести бессмертие

Учение Хуана Матуса было подробно описано американцем Карлосом Кастанедой. Дон Хуан был мистиком, и весь мир он воспринимал мистически. В частности, он придавал большое значение так называемым «знакам», поступающим к нему из «иной реальности».

В чем состояла мировоззренческая концепция школы?

• Вселенная состоит из двух параллельных миров, которые называются «тональ» (то есть мир материальных предметов) и «нагваль» (мир нематериальный).
• Мы общаемся с миром материи через так называемое «первое внимание», т. е. то внимание, которое обеспечивается органами чувств физического тела.
• Для того, чтобы познать нагваль, требуется развить «второе внимание», т. е. ясновидение.
• Есть еще и «третье внимание», при помощи которого постигается Творец-Сила и Его проявление, о котором дон Хуан говорил, как об «Огне».

Согласно мифологии, которую разделяли предшественники дона Хуана, миром правит вселенский божественный Орел. Это было их представлением о Боге. Причем, хоть оно и столь сказочно, но, вместе с тем, монотеистично. Этот Орел питается душами людей, покинувшими свои физические тела. Но Орел также дарует некоторым людям возможность «проскочить» после смерти тела мимо своего клюва и обрести бессмертие, если они обрели при жизни в теле необходимые для этого навыки, развили в должной мере себя как сознания, достигли соответствующей силы.

В этой концепции существовал элемент устрашения, принуждающего к усилиям по совершенствованию себя. Но дон Хуан, подобно Иисусу, восстал против отношения к Богу, основанному на страхе. Он сказал, что навстречу Богу надо идти «тропой сердца» — т. е. тропой Любви. Интересно, что дон Хуан пришел к этому пониманию независимо от влияния других духовных традиций. Он не знал ни учения Кришны, ни учения Иисуса Христа, не читал ни суфийских, ни даосских книг. Новый Завет он явно не читал, иначе бы наверняка его цитировал.

Человек, решивший претендовать на бессмертие, должен сначала стать «охотником». Но не тем охотником, который убивает дичь, а охотником за знаниями, идущим «тропой сердца» — т. е. бережливым, любящим и Землю, и тварей, населяющих ее.

Пройдя стадию «охотника», он мог затем стать «воином» — т. е. тем, кто «выслеживает» Силу (Бога), стремясь «прокрасться» к Ней и познать Ее.

Здесь необходимо отметить, что в школу дона Хуана набиралось лишь очень ограниченное число учеников — единицы. А критерием отбора служило наличие у них уже развитых энергоструктур организма — чакр. Разумеется, таких слов, как чакра или дань-тян индейцы не знали. Но они говорили о сегментах в энергетическом «коконе» человека. И только ученики с развитыми чакрами считались перспективными для того, чтобы выстоять на пути охотника и воина.

Так что набиравшиеся в школу ученики уже обладали большим «заделом» в  психоэнергетической работе, приобретенным в том числе еще в прошлых жизнях на Земле. То есть они были готовы к серьезной работе психогенетически. Это позволяло начинать психоэнергетическую тренировку не с прочистки и развития меридианов и чакр, а прямо с работы над главной силовой структурой организма — хара (нижний дань-тян).

После проведения работы с хара следовал этап деления «кокона» на две части: верхний и нижний «пузыри восприятия». Почему «пузыри»? — Потому что эти части «кокона» видны ясновидящим наподобие плавательных пузырей некоторых рыб. Почему «восприятия»? — Потому что из них можно воспринимать соответственно тональ и нагваль.

Деление «кокона» на два «пузыря восприятия» рассматривалось как важный переходный рубеж перед дальнейшими этапами психоэнергетического совершенствования. Причем надо было освоить концентрацию сознания в обоих «полюсах» разделенного «кокона».

Дальнейшая работа ведется по развитию нижнего «пузыря». Но это лишь после должного утончения сознания или, как это называлось в школе Хуана Матуса, после очищения светимости «кокона».

То есть, приемы утончения сознания, как и во всех других развитых духовных школах, в школе Хуана Матуса предшествовали масштабной «кристаллизации» сознания. Однако, методы «очищения светимости» Кастанедой не описываются, за исключением одного, который можно расценить скорее как шутку, а именно — вдыхание дыма костра.

Благодаря утончению сознания и работе с нижним «пузырем восприятия» ученики приходили в состояние Нирваны (хотя этот термин им был незнаком). Вначале они осваивали статический вариант Нирваны в Брахмане, затем динамический. Динамический аспект Нирваны, когда «кристаллизованное» сознание активно действует в пределах мерности Брахмана. И в этом состоянии можно коснуться сознанием любого существа в пределах Земли и вокруг нее, нужно лишь иметь информацию об этом существе.

Затем в школе Хуана Матуса учениками осваивалось состояние Ниродхи, известное во всех развитых школах буддхи-йоги. Это состояние дон Хуан обрисовывал опять же в специфичных для его школы эндемических терминах. Речь здесь шла о «накате». То есть ученикам объяснялось, что существуют постоянно накатывающиеся на все живые существа энергетические волны, от которых мы защищены своими «коконами». И есть возможность использовать силу этих волн, чтобы переноситься с их помощью в неведомые миры. Эти неведомые миры — суть иные пространственные мерности. Чтобы это произошло, надо было позволить волнам «наката» затопить «кокон». Тогда человек превращался в «ничто», наступала смерть его «я».

И только после достижения состояния исчезновения в Брахмане оказывалось возможным познать Ишвару — и исчезнуть в Нем навсегда, победив свою смерть. То есть, как понял дон Хуан, следовало не «проскочить мимо клюва Орла», а наоборот, влиться во вселенского Бога-Силу.

Обратим внимание, что с помощью Огня можно достичь и дематериализацию физического тела. Это и сделал Хуан Матус со своими спутниками.

Мы сейчас рассмотрели принципиальные этапы работы в школе буддхи-йоги Хуана Матуса. Они оказываются общими для всех школ буддхи-йоги, независимо от того, на какой точке поверхности Земли эти школы находятся, связаны они или не связаны между собой, а также независимо от того, на каких языках говорят в этих школах и какими терминами пользуются. Это происходит так, потому что Бог по одним законам ведет всех тех людей, которые посвятили свои жизни Ему и преуспели в этом.

Рассмотрим более подробно конкретные методы работы школы Хуана Матуса — те, которые подробно описаны Кастанедой и которые мы можем приложить к себе.

Их можно разбить на две группы: подготовительные и основные.

Первым из подготовительных методов является «перепросмотр». Это суть то же самое покаяние, которое присутствует и в основных религиях. Ученикам надо было — преимущественно в условиях «затвора» на протяжении нескольких дней — вспомнить все ошибки в своей жизни и пережить те ситуации заново, но уже правильно. Для того, чтобы у учеников было больше «личной заинтересованности» в этой очень трудной работе, им объяснялось, что при «перепросмотре» они возвращают себе затраченную в неверных эмоциональных реакциях и поступках энергию. Результат покаянной работы от такой хитрости не страдал, ибо главная ее задача — освоить этически правильные формы реагирования, научиться не грешить — при должном усердии достигалась.

Еще нужно было уничтожить «ощущение собственной важности», «ощущение жалости к самому себе» — как те качества, которые приводят к наибольшим потерям человеком энергии. Ведь если он ощущает себя этаким важным, а кто-то посягает на эту важность неуважительным отношением, то такой человек реагирует эмоциональными выбросами обиды, гнева и т. д. При этом-то и растрачивается интенсивно и напрасно энергия организма.

Это ведь действительно не имеет большого значения перед лицом Высшей Цели. А что имеет принципиальное значение — так это умение быть ничем, умение не защищаться, когда кто-то несправедлив ко мне, но быть защищенным, — так учил дон Хуан. А состояние защищенности возникает тогда, когда «меня нет», а есть только Бог.

Еще одним из важнейших подготовительных элементов работы в школе Хуана Матуса была «расчистка тоналя», что в этике индуистской йоги называется исполнением апариграхи.

Еще дон Хуан учил разрушать шаблоны материальной жизни, например, склонность к неукоснительному соблюдению режима дня. Для чего? — Для обретения свободы. Разрушение неразумных шаблонов поведения, мышления, реагирования, привитых воспитанием и традициями морали, должно в итоге привести к «потере человеческой формы», т. е. к состоянию, когда человек научается действовать не рефлекторно или потому, что так принято действовать, а в соответствии с объективной целесообразностью. «Потеря человеческой формы» — не кратковременный механический акт, как фантазировали некоторые ученики дона Хуана, а длительный процесс, сопровождающий постепенное сближение человека с Богом. Завершение этого процесса происходит тогда, когда подвижник научается смотреть глазами Творца на все те ситуации, в которых оказывается его тело.

Но достижение «потери человеческой формы» вовсе не означает, что человек начинает вести себя в обществе «не так, как все». Ведь, во-первых, неизбежные конфликты с другими людьми помешали бы ему делать его главное дело. Во-вторых, поведение, принимающее «вызывающие» формы, во многих случаях являлось бы нарушением главного закона объективной этики — непричинения вреда другим существам. Поэтому ученикам школы предписывалось исполнять общепринятые нормы поведения, иногда втайне посмеиваясь над ними и играя в так называемую «контролируемую глупость». Дон Хуан учил говорить с другими людьми на том языке, который те люди понимают.

Следующий важнейший методический прием — это память о собственной смерти.

Дон Хуан предлагал представить себе, что персонифицированная смерть каждого из нас — всегда с нами. И если быстро оглянуться через левое плечо, то можно заметить ее как мелькнувшую тень. Смерть и сейчас сидит на одной циновке с тобой и ждет твоей ошибки, говорил он Кастанеде. И никто не знает, когда он умрет, в какой момент. Поэтому у нас не должно оставаться незаконченных дел.

Еще один важнейший пункт работы с учениками — это овладение «ментальной паузой» или, как еще говорят, остановкой «внутреннего диалога» (первый термин лучше, ибо ведь кроме «внутренних диалогов» бывают еще и «внутренние монологи»).

Это — совершенно необходимое условие для овладения нагвалем. Потому что нагваль осваивается путем медитации, а медитация, как хорошо сформулировал Раджниш, есть состояние «не-ума». Т. е. для того, чтобы погружаться в нагваль, надо научиться останавливать, выключать на время ум.

С целью освоения «ментальной паузы» дон Хуан применял следующие приемы:

1. Психоделики. Но сразу же отметим, что, во-первых, дон Хуан применял этот метод лишь в самом начале их совместной работы, а потом сам от него отказался. Во-вторых, Кастанеда впоследствии жаловался, что хоть он и глубочайше благодарен дону Хуану за все, сделанное им, но, тем не менее, его (Кастанеды) печень и поныне в рубцах.
2. «Пристальное созерцание». Нужно было долго и пристально смотреть глазами на какой-то объект, как то: ущелье в горах, бегущая вода и т. д. В результате «первое внимание» переутомлялось и выключалось, оставляя место «второму вниманию».
3. Длительное подвешивание тела на сооружениях типа качелей. В результате перечисленных тренировок человек достигал состояния, называемого в китайской йоге «у-вэй» — «недеяние» т. е. «недеяние» на физическом плане, когда останавливается ум (на санскрите, манас) и появляется возможность для направленной медитации, для активности сознания (на санскрите, буддхи). Ведь манас и буддхи находятся в реципрокных отношениях: одновременно они действовать не могут, работает или то, или другое. (Это не значит, что человек без тела или человек в состоянии медитации теряют разумность. Нет. Развитое «кристаллизованное» сознание мыслит. Но оно мыслит иначе: не по-земному).

И еще один уникальный прием, который был разработан в данной школе предшественниками дона Хуана, — это преднамеренное взаимодействие с людьми-тиранами. Прием использовался, чтобы отработать «безупречность воина», т. е. способность соблюдать этические принципы и выдерживать стратегию объективно обоснованного поведения в экстремальных ситуациях.

Теперь перечислим методы психоэнергетической работы, применявшиеся в школе дона Хуана:

1. Очищение внутренней светимости (т. е. утончение сознания).
2. Использование «мест силы» — энергетически значимых для человека зон, в частности, благоприятных для освоения тех или иных медитаций.
3. «Сновидение», которому в работе школы уделялось очень большое внимание. Что это такое? Многие, прочитав книги Кастанеды, безуспешно пытаются приспособить для таких тренировок ночной сон. Нет, этого делать не надо. «Сновидение» — это аналог слова «медитация». Просто из-за незнания общепринятых в других странах терминов индейцам приходилось подбирать свои слова для обозначения некоторых ключевых приемов, явлений и объектов духовной практики. Так родился и термин «сновидение», поскольку медитативные образы действительно могут иметь иногда сходство с образами сновидений. Специальные тренировки в «сновидении» позволяли ученикам, в том числе, отделившись от тела, бегать по стенам, лазать по энергетическим лучам («линиям мира») и т. д.
4. Обучение действию в экстремальных магических ситуациях, умышленно создаваемых руководителем. Для этого использовались этические пороки учеников. Например, если в ком-то еще была готовность к корыстному нападению на других людей, то ему предлагалась заведомо для руководителя проигрышная магическая схватка, которая оказывалась полезной для всех ее участников.
5. Еще применялся прием смещения «точки сборки» за счет энерговоздействия руководителя (это называлось «удар нагваля»; слово «нагваль» имело и второе значение: человек-лидер, овладевший нагвалем и способный активно действовать в нем и из него).
6. Практика медитативного выравнивания энергетических «эманаций» внутри «кокона» по внешним «эманациям» высших пространственных мерностей.
7. Работа с хара, развивающая именно силовой аспект.
8. Использование «олли» (т. е. духов). Это делалось в двух вариантах. Первый — это «приручение» духов, которые должны были, по замыслу, становиться помощниками и защитниками мага. Такие «олли» были у дона Хуана и его друга дона Хенаро в начале их духовного поиска. Но следует предостеречь, что это — ошибочная и чрезвычайно опасная установка, которой ни в коем случае не следует пытаться подражать. Второй вариант работы с «олли» — это охота за ними. Не будем особо удивляться тому, что такая тенденция появилась среди индейцев, живущих в постоянном общении с дикой природой. Ученикам объяснялось, что в какой-то момент им обязательно придется встретиться с неким «олли» в человеческом мужском облике, который вызовет на поединок. В этом поединке можно проиграть, поддавшись страху, но можно и победить. В последнем случае человек приобретает силу этого духа. И ученики готовились к такой схватке, которая могла состояться в любой момент, воспитывая в себе алертность (т. е. собранность) и другие необходимые каждому бойцовские качества. На основе этой учебной игры ученики, в частности, проводили работу по развитию нижнего «пузыря восприятия».

Подводя итоги сказанному, рассмотрим основные разделы этого исключительно богатого ценнейшими теоретическими и практическими разработками Учения. Дон Хуан выделял три раздела: 

• искусство сталкинга (или, по-английски, стокинга),
• искусство намерения,
• искусство сознания.

В истории рассматриваемой индейской духовной традиции искусство сталкинга первоначально заключалось в том, чтобы пройти, прокрасться незамеченными между непонимающими тебя людьми (т. е. людьми, находящимися на более ранних этапах психогенеза) — и прийти к своей Цели. Но в дальнейшем, благодаря, в частности, личному вкладу дона Хуана, это направление было значительно расширено и приобрело характер прежде всего выслеживания собственных пороков. Бог (на его языке — Сила) дает нам по мере нашей безупречности. Т. е. Бог дает нам возможность приближаться к Себе, все больше и больше погружаться в счастье соединенности с Собой — по мере того, как мы совершенствуемся этически.

Второй раздел — искусство намерения. «Намерение» — это то же самое, что «устремленность» к Высшей Цели. Истинный воин, в дон-Хуановском смысле слова, — это и есть человек с верно развитым «намерением». Образ жизни воина приводил его к «полноте» самого себя, т. е. к тому состоянию, которое в индийской йоге называется «адвайтой» «нераздвоенностью» на главное и второстепенное, «целостностью» в посвящении себя только Высшей Цели.

Третий раздел — искусство сознания — это и есть буддхи-йога. Итак, мы еще раз убедились, что Бог ведет всех людей, достигших в психогенезе определенного уровня зрелости, независимо от того, в какой стране и в какой религиозной культуре они живут, по единой методологической схеме. Эти принципы и законы имеет смысл изучать и прилагать к себе и к тем людям, которые идут за нами.

Источник. Бог говорит (Учебник религии). УЧЕНИЕ ХУАНА МАТУСА

О парадоксах и парадокс дружбы

Многие из нас сталкивались с парадоксами — странными рассуждениями, которые, казалось бы, приводят к абсурду. В одних случаях выводы кажутся ложными, хотя сделаны строго по правилам. В других — логика, на первый взгляд, работает, но что-то внутри сопротивляется принятию результата. Чтобы разложить всё по полочкам, полезно посмотреть на парадоксы через призму формальной логики.

В философии и математике принято различать несколько типов парадоксов, хотя границы между ними не всегда чёткие. Одни парадоксы выглядят как корректное логическое построение, ведущее от истинных посылок к странному, но на самом деле верному выводу — это псевдопарадоксы. Другие убеждают нас в ложных выводах, но только потому, что внутри спрятана логическая ошибка — такие парадоксы можно назвать ложными. А если бы существовал парадокс, где из безупречно истинных посылок логика приводит к заведомо ложному выводу — это был бы подлинный вызов всей формальной системе. Но подобных примеров пока не найдено.

История логики уходит корнями в античность, где уже Зенон ставил перед слушателями загадки движения. Один из самых известных его парадоксов — о том, как Ахиллес, будучи в десять раз быстрее черепахи, якобы никогда её не догонит. Аргументация кажется убедительной: пока Ахиллес преодолевает путь до места, где была черепаха, та чуть продвигается вперёд, и так бесконечно. Но формальная логика и современная математика показывают, что это рассуждение опирается на ложные предпосылки — например, на неверное понимание бесконечных сумм. Мы знаем, что сумма бесконечного количества всё более коротких отрезков может быть конечной, и именно это разрушает парадокс.

Другой пример — "дихотомия": чтобы пройти любой путь, нужно пройти половину, потом половину оставшегося, и так далее. Здесь снова возникает ложное ощущение бесконечного процесса без конца. Однако идея, что бесконечное количество действий не обязательно требует бесконечного времени, опровергает это рассуждение.

Парадокс с неподвижной стрелой ещё тоньше. Он предполагает, что если в любой фиксированный момент времени стрела неподвижна, то она неподвижна вообще. Но движение — это не факт текущего положения, а отношение между положениями в разные моменты времени. Формальная логика различает свойства объектов в моменте и процессы, разворачивающиеся во времени.

Важно понимать, что эти парадоксы стали возможны не потому, что логика подводит, а потому что интуиция человека иногда не справляется с бесконечностью или понятием движения. Современная логика, особенно логика первого порядка, помогает не только распутывать такие парадоксы, но и чётко формализовать границу между правдоподобным и истинным, между кажущейся истиной и логической корректностью.

Парадокс дружбы

Цитируется по @Pomatematike. Парадокс дружбы: Почему ваши друзья популярнее вас?

Наверняка у вас бывало такое чувство: заходишь в соцсети, а там у всех ваших знакомых куча друзей, они постоянно где-то тусуются, их все знают. Кажется, что вы - самый одинокий и непопулярный человек в своей ленте.

Спокойно! С вашей харизмой всё в порядке. В 1991 году социолог Скотт Фелд математически доказал, что это иллюзия, которой подвержены почти все люди на планете.

Закон гласит: В любой социальной сети (и в реальной жизни) у ваших друзей в среднем всегда больше друзей, чем у вас.

Как такое возможно? Кажется, что это бред. Если у Ани больше друзей, чем у Бори, то у Бори должно быть меньше друзей, чем у Ани. Должен же быть какой-то баланс? Нет. Всё дело в ошибке выборки. Математика ловит нас на том, с кем именно мы дружим.

Представьте два типа людей:

1. Интроверт Вася: у него всего 1 друг.
2. Экстраверт Петя: душа компании, у него 100 друзей.

Какова вероятность, что вы дружите с Васей? Почти нулевая (ведь у него всего один друг, и это, скорее всего, не вы).

Какова вероятность, что вы дружите с Петей? Огромная! Петя умудрился затесаться в друзья к сотне людей.

Ловушка сети

Экстраверты (те, у кого много связей) присутствуют в списках друзей у огромного количества людей. Когда вы пытаетесь оценить «среднего» друга, эти гиперпопулярные ребята неизбежно попадают в вашу выборку и задирают планку до небес. А вот люди-одиночки, у которых нет связей, просто не попадают в вашу статистику - потому что вы с ними не знакомы!

Вывод: Вы просто физически не можете дружить с теми, с кем никто не дружит. Ваш круг общения автоматически смещен в сторону более популярных людей.

Где это реально спасает жизни?

Этот парадокс - мощнейшее оружие эпидемиологов. Когда начинается эпидемия (или пандемия), вакцин на всех не хватает. Как остановить вирус быстрее всего?

• Плохая стратегия: Вакцинировать случайных людей.
• Гениальная математическая стратегия: Взять случайных людей, попросить их назвать имя одного своего друга - и вакцинировать этого друга.

Благодаря парадоксу дружбы, этот «названный друг» статистически окажется тем самым «экстравертом Петей», который имеет кучу связей и является главным разносчиком заразы. Блокируя популярные узлы, вирус останавливают в разы быстрее.

Итог: В следующий раз, когда вам покажется, что у всех вокруг жизнь насыщеннее, чем у вас, вспомните Скотта Фелда. Математика гарантирует, что вы обречены чувствовать себя менее популярным. И это абсолютно нормально.

Источник. @Pomatematike

Новый уровень разработки ИИ

Индустрия программного обеспечения вступает в новую эру, и она может оказаться ещё более разрушительной, чем предшествовавшая ей революция «программного обеспечения как услуги» (SaaS). Появление генеративного ИИ, а в последнее время и агентного ИИ — это не просто очередная технологическая волна; это фундаментальный сдвиг, переопределяющий само понятие программного обеспечения, кто его создаёт, кто его использует, а также как организованы и работают компании.

Прогнозируется, что только ИИ-технологии нового поколения принесут мировой экономике 4,4 триллиона долларов или более ежегодной прибыли, причем компании-разработчики программного обеспечения готовы получить от 10 до 15 процентов от этого объема, а агентный ИИ вполне может ускорить темпы реализации этой прибыли. Однако достижение этой цели далеко не гарантировано, и существующие компании столкнутся с возросшей конкуренцией и новыми сложными вызовами. Некоторые из них могут не выжить. Недавние шаги таких игроков на рынке ИИ, как OpenAI, подчеркивают эту неотложность. Внедряя собственные инструменты продаж, поддержки и заключения контрактов на базе ИИ непосредственно в рабочие процессы, эти компании могут в конечном итоге конкурировать с теми самыми игроками SaaS, которым они способствовали, — сдвиг, который может еще больше изменить динамику отрасли и усилить давление на этих игроков.

Gen AI и agentic AI могут начать с создания новых способов взаимодействия пользователей с программным обеспечением, но в конечном итоге эта технология должна оказать гораздо большее влияние. Это может заключаться в том, чтобы позволить клиентам настраивать программное обеспечение, которое может действовать автономно, принимать решения и взаимодействовать с различными пользователями, программным обеспечением и системами в рабочих процессах, которые традиционно не поддерживаются устаревшими инструментами. Эти достижения могут открыть эпоху, отмеченную столь же значительными изменениями в конкурентной среде, включая ускорение переключения поставщиков и оттока клиентов, перераспределение пользовательских сегментов и пулов ценностей, а также рост корпоративной внутренней или «гражданской» разработки программного обеспечения. Необходимо будет учитывать новые риски: от алгоритмической предвзятости и качества данных до объяснимости, нарушения прав интеллектуальной собственности и новомодных угроз безопасности.

В процессе трансформации, ориентированной на ИИ, компании-разработчики программного обеспечения сталкиваются с двумя основополагающими парадигмами: комплексным переосмыслением своего ценностного предложения — от продуктов и бизнес-моделей до подходов к выходу на рынок; и сквозным переосмыслением операционной деятельности, охватывающей продажи, успех клиентов, функции поддержки и инфраструктурный стек.

Революционеры на базе ИИ, изначально созданные вокруг этой технологии, уже дают о себе знать. Такие стартапы, как Anysphere (разработчик Cursor), Gamma и Lovable, меняют представление о скорости и масштабе, достигая соответствия продукта рынку в рекордные сроки и масштабируя годовой регулярный доход (ARR) до сотен миллионов долларов при командах менее 100 человек. Эти компании не внедряют ИИ в устаревшие рабочие процессы; они перестраивают всю организацию разработки программного обеспечения на основе принципов, ориентированных на ИИ.

Тем временем, действующие игроки рынка спешат наверстать упущенное, учитывая крупные инвестиции и общекорпоративные императивы. Например, Salesforce запустила Agentforce, заявив о своей амбиции стать ориентированной на ИИ и внедрить ИИ в свою систему разработки и операционной деятельности. Atlassian выпустила набор интеллектуальных агентов, взяв на себя обязательство по интеграции ИИ в масштабах всей организации.

Для действующих софтверных компаний императив очевиден: ориентация на ИИ больше не является необязательной — она необходима для сохранения конкурентоспособности. Те, кто сможет успешно адаптироваться и добиться успеха, помогут определить новую эру программного обеспечения.

Что значит и что нужно, чтобы стать компанией-разработчиком программного обеспечения, ориентированной на ИИ.

Переход на ИИ-ориентированный подход не происходит в одночасье или с постепенными улучшениями. Это фундаментальная трансформация, охватывающая семь ключевых изменений, охватывающих обе стороны дуальной парадигмы, и комплексно меняющая принципы работы софтверной компании и организационную структуру, необходимую для её управления.

Только сосредоточив свои усилия на семи областях, производители программного обеспечения могут надеяться добиться аналогичных результатов и остаться конкурентоспособными в то время, когда отрасль переживает серьезные перемены.

1. Переосмыслите основные продукты и запустите новые предложения на базе ИИ.

Наше исследование показывает, что возникают три различные модели того, как программное обеспечение будет включать агентов для обновления своих продуктовых предложений.

Архетип 1: Агенты как пользователи

В этой модели агенты в первую очередь автоматизируют повторяющиеся действия пользователей, выступая в роли пользователей существующего SaaS-программного обеспечения и следуя реализуемому им бизнес-процессу. Поставщики программного обеспечения продолжают продавать свои основные SaaS-продукты вместе с агентами, которые преобразуют затраты предприятия из рабочей силы в программное обеспечение. Ценность этой модели заключается в доступе к базовым данным SaaS-программного обеспечения и управлении ими, а также в реализации соответствующих бизнес-процессов.

Архетип 2: Архитектура, ориентированная на агента

В этой пост-SaaS-модели сотрудник-человек взаимодействует преимущественно с интерфейсом одного агента, выполняя свои основные рабочие процессы. Этот агент, в свою очередь, взаимодействует с несколькими бэкенд-агентами и использует их API для работы непосредственно с репозиториями данных. Это должно ускорить коммерциализацию этих элементов, при этом большая часть ценности будет перенесена на уровень агента. Ценность этой модели заключается в пользовательском опыте (UX) и способности агента использовать инструменты, которые человек использовал бы для выполнения своих повседневных рабочих процессов.

Архетип 3: Агенты как эксперты

В этой гибридной модели, сочетающей элементы SaaS-платформы и архитектуры, ориентированной на агентов, агенты различаются функциональными или отраслевыми знаниями, которыми их наделяет поставщик программного обеспечения (например, юридический агент, прошедший обучение у команды юристов). Ценность обусловлена ​​знаниями предметной области и собственными данными, используемыми для обучения агента, чтобы он мог выполнять функции, недоступные двум другим архетипам.

Эти уже используются. Некоторые рабочие процессы в критически важных бизнес-процессах (например, продажи или управление персоналом) захватываются игроками архетипа 1, которые запустили агентов, функционирующих в первую очередь как дополнение к существующей системе учета или программному обеспечению для баз данных. Архетип 2 набирает популярность в индивидуальных рабочих процессах повышения производительности, при этом горизонтальные агенты занимают значительную долю в работе с информацией, анализе данных и создании контента. Многие из наиболее успешных и хорошо финансируемых компаний, разрабатывающих приложения на основе ИИ, работают в нишевых вертикалях (например, юридические технологии, здравоохранение), где они позиционируют свою экспертизу и производительность в конкретной области как основные конкурентные преимущества.

Каждая из моделей представляет собой жизнеспособный путь, хотя и со своими компромиссами. Агенты как пользователи могут позволить действующим компаниям добиться быстрого прогресса в области ИИ в уже существующем инструменте, но они ограничены API хоста и дорожными картами поставщиков. Более комплексная и амбициозная архитектура, ориентированная на агентов, требует больше времени и усилий для создания и поддержки, в то время как экспертные агенты влекут за собой некоторые накладные расходы на интеграцию.

Но независимо от того, какой архетип используют поставщики, ИИ меняет источник создания ценности в программных продуктах. Конкурентное преимущество в сфере программного обеспечения смещается от функций к доступу к данным и контролю за ними. Компании, владеющие высококачественными данными, специфичными для конкретной области, или глубоко интегрирующиеся с ними, могут обучать более эффективные модели, обеспечивать более персонализированные результаты и, в конечном итоге, оправдывать высокие цены. В отличие от функций, которые легко воспроизводятся, данные обеспечивают защищенность, а монетизация смещается от лицензирования функциональности к взиманию платы за аналитику, прогнозирование и автоматизацию, часто посредством ценообразования на основе использования или дифференцированных уровней аналитики.

2. Развивайте бизнес-модели

По мере того, как компании, ориентированные на ИИ, развивают свои основные продукты и выпускают новые предложения на базе ИИ, им также потребуется переосмыслить бизнес-модели для эпохи ИИ, включая монетизацию, источники дифференциации и модели доставки. Более того, 63% руководителей компаний-разработчиков программного обеспечения заявили, что считают, что ИИ коренным образом изменит их бизнес-модель в ближайшие три-пять лет.

ИИ готов сделать именно это, перейдя от ценообразования на основе рабочего места (или пользователя) к ценообразованию на основе потребления (будь то на основе использования/токенов, на основе выходных данных или на основе результатов). Этот переход критически важен по нескольким причинам. По мере того, как агентный ИИ берёт на себя задачи, традиционно выполняемые людьми, количество активных пользователей, взаимодействующих с программным обеспечением, сокращается, что делает монетизацию основного SaaS-программного обеспечения на основе рабочего места всё более сложной задачей.

Более того, учитывая, что ИИ-выводы приводят к новым переменным затратам, особенно в отношении вычислений и инфраструктуры, независимым поставщикам программного обеспечения (ISV) необходимо использовать масштабируемую метрику ценообразования, которая защищает маржу по мере роста использования клиентами. В ответ на это софтверные компании переходят к моделям, которые соотносят выручку с предоставленной ценностью, взимая плату на основе достигнутых результатов, выполненных действий или потребленных вычислительных ресурсов. В период с 2015 по 2024 год количество компаний, разрабатывающих ПО на основе потребления, более чем удвоилось, и такие лидеры, как Salesforce, Zendesk, Intercom и LexisNexis, уже монетизируют свои возможности ИИ с помощью этих моделей, зачастую обеспечивая значительно более высокий доход в расчете на одного клиента, чем при использовании традиционных товарных позиций.

Модели предоставления услуг также развиваются, поддерживая более глубокую вертикализацию и индивидуализацию для каждого клиента. Чтобы ИИ мог раскрыть весь свой потенциал, ему необходим доступ к релевантным данным, рабочим процессам и контексту. В результате универсальные приложения, вероятно, будут заменены узкоспециализированными, точно настроенными под конкретные отрасли, клиентскую среду и болевые точки. Это приводит к развитию концепции «услуга как программное обеспечение» — новой модели предоставления услуг, в которой компании-разработчики программного обеспечения объединяют платформы, ИИ-агенты, автоматизацию и экспертную поддержку в комплексные решения, ориентированные на результат. Вместо того, чтобы просто предоставлять инструменты, эти предложения непосредственно внедряют экспертные знания в конкретной области в продукт, решая сквозные задачи в таких вертикальных областях, как здравоохранение, розничная торговля или финансовые услуги.

3. Обновите стратегии выхода на рынок

Продажа ИИ отличается от продажи традиционного программного обеспечения. Его ценность сложнее, более контекстуальна и более изменчива. Она требует новых действий, новых ролей и новых партнёрств. В связи с этим почти 70% руководителей компаний, занимающихся разработкой программного обеспечения, считают трансформацию, направленную на выход на рынок (GTM), главным инвестиционным приоритетом на ближайшие несколько лет, что делает её одним из самых быстрорастущих направлений стратегического развития при переходе на ИИ.

В основе этого нового коммерческого подхода лежат пять смен.

Во-первых, стратегии GTM теперь должны напрямую задействовать высшее руководство. С появлением ИИ высокого уровня ИИ превратился из сферы ИТ-решений в приоритет на уровне совета директоров, и эта тенденция только усилилась с появлением агентского ИИ. Для успешного позиционирования ИИ отделы продаж и маркетинга должны взаимодействовать с генеральными директорами, финансовыми директорами и техническими директорами (CTO), представляя программное обеспечение не просто как инструмент, а как партнёра в процессе трансформации.

Во-вторых, маркетинговые стратегии должны стать более вертикальными и персонализированными. Поскольку решения на основе ИИ всё больше адаптируются к рабочим процессам, данным и сценариям использования каждого клиента, стандартных рекламных презентаций и общих сообщений уже недостаточно. Отделы продаж должны использовать отраслевой язык, демонстрировать реальные результаты и ориентироваться на показатели успеха клиентов, отражающие влияние ИИ, а не только его использование.

В-третьих, характер ролей на передовой стремительно меняется. По мере того, как продукты ИИ становятся всё более сложными и персонализированными, традиционным инженерам по продажам и командам по работе с клиентами часто не хватает технической глубины, чтобы помочь клиентам раскрыть их реальную ценность. Именно поэтому ведущие компании всё чаще обращаются к новой гибридной роли, известной как инженеры прямого развертывания (FDE) – технические эксперты, работающие непосредственно на объектах клиентов для успешного внедрения, интеграции и масштабного внедрения ИИ. Эти команды объединяют продукт и услугу, помогая клиентам пилотировать ИИ нового поколения, адаптировать агентов к своим рабочим процессам и постоянно оптимизировать внедрение. В моделях, ориентированных на потребление, где потребление определяет доход, эта роль становится ещё более важной. FDE не только ускоряют время окупаемости, но и повышают вероятность устойчивого внедрения и более глубокого расширения в организациях-клиентах. В результате прямое проектирование становится ключевым элементом современной GTM, особенно для компаний, предлагающих решения на основе ИИ, требующие интерактивной и технически грамотной поддержки.

В-четвертых, компании переосмысливают свою партнерскую экосистему, чтобы соответствовать особым требованиям эпохи ИИ, ориентированной на развитие, где покупательское поведение, взаимодействие с партнерами и предоставление ценности резко расходятся с традиционной моделью SaaS. Сегодня директора по информационным технологиям, технические директора и директора по данным и аналитике принимают почти 60% решений о покупке платформы ИИ, и аналогичная доля покупателей полагается на гибридный подход с поддержкой внешних партнеров (например, системных интеграторов [SI] для консультирования и внедрения ИИ), что дает партнерам значительное влияние на разработку решений и выбор поставщиков. В результате этого более тесного и постоянного сотрудничества компании сужают свой набор партнеров до небольшой, более узкоспециализированной группы независимых поставщиков программного обеспечения, системных интеграторов и стартапов, изначально ориентированных на ИИ, которые не только продают решения, но и совместно разрабатывают и помогают внедрять их, часто создавая агентов, ориентированных на определенную предметную область. Например, одна из ведущих корпоративных программных платформ обновила свою партнерскую программу, чтобы расширить возможности стратегических системных интеграторов (SI) за счет глубоких знаний в области ИИ, внедрила отраслевые или функциональные стратегии продаж для таких функций, как клиентский опыт и технологические риски, а также запустила галерею агентов ИИ для поддержки масштабируемой разработки агентов. Эти изменения отражают более общую тенденцию: участие партнеров теперь начинается на более ранних этапах цикла продаж и продолжается после продажи, обеспечивая масштабирование внедрения и достижение устойчивых результатов. Такая модель все больше опирается на стимулы, основанные на потреблении, углубленное техническое обучение и итеративные модели развертывания, ориентированные на инженеров, которые обеспечивают долгосрочное создание ценности.

В-пятых, вероятно, вскоре появятся агентские торговые площадки, на которых агенты будут обнаруживаться (возможно, с помощью агентов), тестироваться и использоваться с минимальным участием человека. Изначально они будут предназначены для решения конкретных задач, таких как синтез или интерпретация данных, сбор фактов или услуги перевода. Со временем то, что будет обнаруживаться и закупаться на торговых площадках, будет всё больше представлять собой более специализированные, «продвинутые» услуги.

4. Перепроектируйте разработку продукта от начала до конца

Одним из основных направлений применения ИИ является разработка программного обеспечения. Однако, хотя компании сообщают об улучшении производительности разработчиков на пилотных проектах на 30–50%, этот рост редко приводит к аналогичному влиянию на валовой доход или прибыль.

Чтобы раскрыть весь потенциал разработки продуктов на основе ИИ, компаниям необходимо распространить ИИ на весь жизненный цикл разработки продукта (PDLC), а также кардинально перестроить сам процесс разработки продукта и переосмыслить модели талантов.

Расширение ИИ на весь PDLC означает внедрение ИИ на всех этапах — от обнаружения и оценки жизнеспособности до сборки, тестирования, выпуска, мониторинга и эксплуатации — для повышения эффективности, качества и удобства. Например, на этапе обнаружения ИИ может автоматизировать формирование требований, помогая выявлять болевые точки клиентов, разрабатывать потенциальные решения и трансформировать лучшие идеи в конкретные требования. На этапе сборки инструменты агентного кодирования могут генерировать подробные технические спецификации, писать комплексные тесты и итеративно генерировать код, который проходит тестовые случаи и соответствует корпоративным практикам кодирования. На этапах мониторинга и эксплуатации помощники IT-операторов на базе ИИ могут сортировать инциденты, выполнять анализ первопричин и предоставлять прогнозные данные для предотвращения будущих проблем. В совокупности эти возможности иллюстрируют, насколько глубокое внедрение ИИ на протяжении всего жизненного цикла может раскрыть весь потенциал разработки продукта.

Однако внедрение этих инструментов в существующий процесс не принесёт желаемого результата — критически важна более фундаментальная перестройка процесса разработки продукта (PDLC), ориентированная на ИИ. Это подразумевает переход к более систематизированному процессу разработки продукта с единообразными этапами, артефактами, инструментами и участниками на каждом этапе, а также с меньшим количеством этапов и передач между ними.

Новый процесс разработки продукта и новый технологический ландшафт также потребуют изменений в структуре команд, ролях и навыках. Роли пересматриваются в соответствии с новыми технологическими процессами, и появляются команды, работающие по принципу «одной пиццы», поскольку границы ролей размываются, а требования к навыкам меняются, и специалисты-специалисты становятся менеджерами-агентами.

Эта более масштабная трансформация была успешно реализована ведущим мировым поставщиком ИТ-услуг, который масштабировал решения на основе ИИ-генерации для более чем 100 клиентов и систематизировал «рецепты» ИИ для таких функций, как разработка приложений, тестирование и миграция в SAP. Программная трансформация включала в себя тщательное отслеживание пилотных проектов, монетизацию с привязкой к производительности и развертывание агентов на основе ИИ-генерации, что в конечном итоге позволило повысить квалификацию около 2000 инженеров в области процесса разработки, структуры команды и ролей, ориентированных на ИИ.

5. Автоматизировать внутренние операции

По мере того, как компании-разработчики ПО становятся ориентированными на ИИ, они автоматизируют внутренние процессы по всему предприятию — не только в традиционных бэк-офисных функциях, таких как HR или финансы, но и в высокоэффективных фронт-офисах, таких как продажи, поддержка клиентов, маркетинг и профессиональные услуги. Эта масштабная трансформация отражает растущее понимание того, что ИИ — это стратегический рычаг для масштабного повышения производительности. Фактически, наряду с переосмыслением основных продуктов, автоматизация внутренних процессов сегодня является главным инвестиционным приоритетом для руководителей компаний-разработчиков ПО: 93% респондентов назвали её одним из приоритетных направлений.

Ведущие компании уже внедряют искусственный интеллект (ИИ) общего назначения и агентский ИИ для снижения затрат, повышения производительности и высвобождения сотрудников для более важной работы. Например, в сфере продаж ИИ позволяет полностью переосмыслить коммерческую деятельность. Продавцам помогают виртуальные помощники и помощники, которые выявляют лиды, расставляют приоритеты, готовят ответы и обеспечивают коучинг в режиме реального времени. Системы ИИ автоматизируют ключевые этапы цикла продаж — от сбора и развития лидов до интеллектуального ценообразования и формирования коммерческих предложений, — помогая командам сократить время на подготовку до 80% и увеличить время взаимодействия с клиентами на 50%.

6. Создайте инфраструктуру, готовую к использованию ИИ

Хотя большинство существующих компаний-разработчиков ПО уже «технологически продвинуты», лишь немногие из них по-настоящему готовы к использованию ИИ. Создание продуктов в эпоху ИИ-поколения требует принципиально иной инфраструктурной основы — такой, которая поддерживает не только облачную доставку и аналитику, но и высокопроизводительные автономные агенты, работающие в режиме реального времени в больших масштабах. Для многих руководителей в сфере программного обеспечения это означает развитие новых возможностей: инвестирование в основные возможности на уровне ИТ-директоров и существенное развитие архитектуры платформы для поддержки рабочих нагрузок, ориентированных на ИИ.

Поддержка агентного ИИ в масштабе — это нечто большее, чем просто подключение крупной языковой модели (LLM). Она требует переоснащения базовой инфраструктуры пяти основных компонентов: уровня данных, управления, безопасности, цепочек инструментов разработчика и операций агента. Некоторые элементы этих компонентов, например, сам уровень LLM в цепочках инструментов разработчика, могут потребовать лишь незначительных обновлений. Однако другие требуют серьёзных обновлений или даже принципиально новых инноваций.

Например, для ИИ необходимо обновить FinOps и контекстную осведомлённость. Компаниям потребуется значительно большая прозрачность в отношении потребления токенов и облачных ресурсов — на уровне учётных записей, пользователей и агентов — для управления расходами и обеспечения прозрачности выставления счетов. Обеспечение достаточной контекстной осведомлённости для крупных моделей с использованием собственных данных также требует новых инструментов, управления и вычислительных мощностей. В то же время, оркестровка ИИ, оценка агентов и агентская сетка, которые не были основными функциями в предыдущих парадигмах ИИ, должны быть реализованы для поддержки маршрутизации агентов, отслеживания производительности и управления жизненным циклом.

Экономические аспекты инфраструктуры ИИ усиливают актуальность этого изменения. Одним из наиболее непосредственных и заметных последствий внедрения ИИ является рост затрат на инфраструктуру, обусловленный высокой интенсивностью вычислений при выполнении задач логического вывода. Наш опрос показал, что 80% руководителей компаний-разработчиков ПО ожидают увеличения расходов на облачные технологии и инфраструктуру как минимум на 10%, а более трети ожидают роста более чем на 20%. В связи с ростом этих расходов компаниям потребуется оптимизировать весь свой стек не только за счёт перепроектирования рабочих нагрузок агентов для повышения эффективности, но и за счёт рационализации инфраструктуры, не связанной с ИИ, и улучшения телеметрии для лучшего понимания производительности и расходов на системном уровне.

7. Переподготовка и реорганизация талантов

ИИ меняет не только характер работы, но и то, кто её выполняет и как. Чтобы полностью раскрыть его потенциал, компаниям необходимо развивать навыки использования ИИ в своих организациях, перестраивая рабочую силу «человек + агент». Это будет включать переосмысление моделей обучения путём создания индивидуальных программ обучения ИИ, таких как развитие ролей и навыков, выравнивание структур и закрепление изменений с помощью новых механизмов поддержки.

В основе этой трансформации лежит фундаментальное изменение ролей и возможностей. ИИ уже оказывает чистое влияние на состав персонала на 20–30%, при этом агенты в значительной степени заменяют некоторые должности — менеджеров по продлению договоров, инженеров службы поддержки и специалистов по управлению рисками (SDR), — высвобождая сотрудников для перераспределения. Другие должности, такие как инженеры-программисты, менеджеры по работе с клиентами и специалисты по цифровому маркетингу, перестраиваются для интеграции ИИ в повседневную работу, что требует новых навыков взаимодействия с агентами, оперативного проектирования, а также контроля и вмешательства по мере необходимости.

Совершенно новые роли, такие как инженеры по оперативной информации, тренеры агентов и руководители служб безопасности на базе искусственного интеллекта, играют ключевую роль в эксплуатации и масштабировании агентских систем. Однако в условиях дефицита квалифицированных специалистов компаниям часто приходится полагаться на внутреннее повышение квалификации для заполнения этих вакансий. Ведущая компания-разработчик программного обеспечения для B2B-сферы официально интегрирует агентов в свою организационную структуру, предоставляя менеджерам как сотрудников, так и агентов.

Эта трансформация также требует переосмысления структуры команд. Организации переходят к более компактным моделям с меньшим количеством уровней, перераспределяя работу между более плоскими, кросс-функциональными командами, где люди и агенты взаимодействуют в режиме реального времени. Роли младшего и особенно среднего звена сокращаются по мере развития автоматизации, в то время как опытные специалисты переориентируются на стратегические, творческие задачи и задачи решения проблем. Традиционные программы ученичества и наставничества также должны быть переработаны в соответствии с эпохой ИИ, включая структурированную адаптацию, ориентированную на конкретные роли, с упором на ИИ, ускоренные циклы владения и целевое повышение квалификации для ускорения развития будущих лидеров.

Чтобы обеспечить устойчивое внедрение, компании могут внедрить управление изменениями, используя подталкивания, моделирование лидерства и формальные вмешательства для закрепления новых моделей поведения. Воспитание сотрудников, свободно владеющих ИИ, требует инвестиций в техническое обучение и масштабную организационную перестройку, которая согласует роли, команды и культуру с реалиями будущего, где задействованы люди и агенты.

В отрасли, где конкуренты и стартапы стремительно внедряют генеративный и агентный ИИ как в продукты, так и в операционную деятельность, пилотирование ИИ на периферии уже недостаточно. Чтобы преуспеть в этом новом технологическом ландшафте, софтверным компаниям необходимо предпринять шаги к тому, чтобы стать по-настоящему ориентированными на ИИ организациями. Такая перестройка сосредоточена на двух важнейших направлениях: ценностном предложении компании и её внутренних операциях. Это означает полное переосмысление её продуктов, бизнес-моделей и подхода к GTM, а также фундаментальное переосмысление самой работы компании, включая масштабирование ИИ на внутренние рабочие процессы и создание инфраструктуры и методов работы, которые открывают значительный рост производительности.

Для руководителей разработчиков программного обеспечения этот переход начинается с четкого видения, ориентированного на ИИ, и общекорпоративного мандата, привязанного к амбициозным и измеримым целям. Внедрение должно быть стратегическим, а не разрозненным. Наибольшего успеха добьются те, кто направит ИИ туда, где он действительно обеспечивает конкурентоспособность — будь то создание собственных, настраиваемых функций, перестройка основных рабочих процессов для масштабирования или грамотное использование существующих решений вместо изобретения велосипеда.

В рамках этой трансформации потребуется решительное перераспределение ресурсов, а также перераспределение капитала и лучших специалистов на приоритетные задачи в области ИИ с высокой отдачей, включая ИТ, данные и инфраструктуру, необходимые для поддержки рабочих нагрузок, ориентированных на ИИ. Не менее важно масштабировать персонал, нанимая и повышая квалификацию для свободного владения ИИ, а также перестраивать команды, рабочие процессы и культуру для обеспечения долгосрочного внедрения и внедрения устойчивого управления изменениями с самого начала. Наконец, переосмысление такого масштаба и охвата требует ответственности. Руководители разработки программного обеспечения могут организовать централизованное отслеживание производительности ИИ в сравнении с прагматическими результатами, охватывающими производительность, скорость и ценность для бизнеса, чтобы контролировать выполнение задач в режиме реального времени и быстро адаптироваться по мере развития технологий и вариантов использования.

Учитывая головокружительный темп инноваций и развития ИИ, способность адаптироваться к быстро меняющимся тенденциям будет критически важна, хотя и непроста. Действительно, нынешние темпы перемен могут показаться пугающими для традиционных разработчиков программного обеспечения, привыкших к размеренному ритму и богатству SaaS. Но наибольший риск может быть для тех поставщиков, которые даже не пытаются перейти на ИИ-ориентированный путь и вскоре обнаруживают, что эта новая эра программного обеспечения с её огромным ценностным потенциалом стремительно уходит в прошлое.

Источник.

Необходимость ориентации на ИИ: выход на новый уровень программного обеспечения. 16 октября 2025 г. Статья

The AI-centric imperative: Navigating the next software frontier. October 16, 2025 Article

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-ai-centric-imperative-navigating-the-next-software-frontier

Шестая проблема Гильберта

Давид Гильберт поставил перед научным сообществом амбициозную задачу — привнести в физику более строгий математический подход. В то время физики активно спорили о базовых понятиях: что такое тепло? Как устроены молекулы? Гильберт надеялся, что формальная логика математики сможет дать ясность. Утром 8 августа 1900 года на Международном конгрессе математиков он представил список из 23 ключевых математических проблем, которые должны были направлять исследования на столетие вперед. Шестая проблема была особенно смелой: разработать строгую аксиоматическую основу для законов физики.

Объем задачи, заданной Гильбертом, был огромен. Он предлагал подходить к физике, где математика играет важную роль, так же, как к геометрии — через аксиомы. По словам Дэйва Левермора, математика из Университета Мэриленда, это была скорее программа, чем задача с конкретным решением. Полное решение шестой проблемы, по сути, невозможно, но Гильберт указал направление. Например, он интересовался, можно ли доказать, что разные уравнения, описывающие свойства газа (движение молекул или его среднюю температуру), являются различными аспектами одной реальности, как предполагали физики, но не могли строго обосновать.

За 125 лет даже частичное решение этой задачи казалось недостижимым. Математики делали шаги вперед, доказывая связи между уравнениями только в особых случаях — например, для очень коротких временных интервалов или искусственно упрощенных условий. Однако это не соответствовало масштабам замысла Гильберта. И вот, спустя более чем век, трое математиков — Юй Денг, Захер Хани и Сяо Ма — добились значительного прогресса, решив одну из ключевых частей проблемы. Их работа не только продвигает программу Гильберта, но и затрагивает вопросы необратимости времени.

Рассмотрим газ с сильно разбросанными частицами. Физики моделируют его на разных уровнях. На микроскопическом уровне газ состоит из молекул, которые ведут себя как бильярдные шары, двигаясь по законам Ньютона. Эта модель называется системой твердых сфер. Если отойти чуть дальше, на мезоскопическом уровне, отслеживать каждую молекулу становится невозможно. Здесь применяется уравнение Больцмана, разработанное Джеймсом Клерком Максвеллом и Людвигом Больцманом в XIX веке. Оно описывает вероятное поведение молекул, указывая, сколько частиц можно найти в разных точках с разными скоростями. Это помогает изучать, например, движение воздуха вокруг космического корабля.

Еще дальше, на макроскопическом уровне, газ воспринимается как сплошная субстанция. Для описания его плотности и скорости движения используется набор уравнений Навье-Стокса. Физики считают эти модели совместимыми, но математики, работавшие над шестой проблемой Гильберта, стремились доказать это строго. Они хотели показать, что модель Ньютона порождает уравнение Больцмана, а оно, в свою очередь, ведет к уравнениям Навье-Стокса.

Частичный успех был достигнут на втором этапе: доказано, что из мезоскопической модели можно вывести макроскопическую в определенных условиях. Но первый шаг — от микроскопического к мезоскопическому — оставался нерешенным, нарушая логическую цепочку. Теперь это изменилось. В серии работ Денг, Хани и Ма доказали этот сложный переход для газа в одной из заданных ситуаций, впервые завершив цепочку.

Больцман показал, что законы Ньютона могут привести к его уравнению, если молекулы газа движутся относительно независимо друг от друга, то есть повторные столкновения одной и той же пары молекул редки. Однако он не мог математически доказать эту гипотезу из-за отсутствия подходящих инструментов. Оскар Ланфорд в 1975 году частично решил эту задачу, доказав гипотезу для крайне коротких временных интервалов — менее чем за миг. Но его доказательство рушилось, если учитывать более длительные периоды, когда вероятность повторных столкновений возрастала.

Долгие годы математики пытались расширить результат Ланфорда, но безуспешно. В ноябре 2023 года Денг и Хани опубликовали препринт, намекающий на предстоящее доказательство. Они планировали развить свои находки для исследования долгосрочного расширения теоремы Ланфорда.

В 2023 году Денг и Хани анализировали переход от микроскопического к мезоскопическому уровню для волн. Годом раньше Денг на конференции встретил аспиранта Принстона Сяо Ма, и их обсуждение привело к идее адаптации методов к частицам. Это позволило бы показать редкость повторных столкновений на более длительных интервалах. Вдохновленные идеями Ма, они пригласили его в команду. Троица сосредоточилась на изученной ситуации: разреженный газ сферических частиц в замкнутом ящике, где частицы, ударяясь о стенки, появляются с противоположной стороны.

Для доказательства микроскопического шага они начали с более простой модели — газа в бесконечном пространстве, где частицы со временем рассеиваются и перестают сталкиваться. Здесь Денг отметил наличие "сокращения пути". Они классифицировали возможные схемы столкновений и их вероятности, исключая случаи с высоким числом повторных столкновений. Оставшиеся, хоть и многочисленные, схемы анализировались детально. Сложность заключалась в учете множества частиц и косвенных взаимодействий.

Опыт Денга и Хани с волнами помог: они научились разбивать сложные паттерны на простые, оценивая вероятности. Однако частицы, в отличие от волн, отскакивают друг от друга, что потребовало переработки подхода. Команда начала с простых случаев — несколько столкновений без повторений — и постепенно усложняла задачу. Это был процесс, занимавший месяцы, с ежедневными встречами на Zoom, иногда по ночам.

К весне 2024 года доказательство было готово. Летом они опубликовали работу, показав, что в модели бесконечного пространства уравнение Больцмана выводится из законов Ньютона. Осенью они адаптировали результат для газа в ящике, где 80% доказательства осталось прежним. В марте 2025 года новый препринт объединил их находки с ранее доказанными связями между уравнениями Больцмана и Навье-Стокса, завершив логическую цепочку.

Эта работа не только решает часть проблемы Гильберта, но и объясняет парадокс времени. На микроскопическом уровне время обратимо по законам Ньютона, но на мезо- и макроуровнях — нет. Больцман утверждал, что почти все сценарии приводят к рассеянию газа, а обратное развитие маловероятно. Денг, Хани и Ма подтвердили это для реалистичных условий.

Источник
https://www.quantamagazine.org/epic-effort-to-ground-physics-in-math-opens-up-the-secrets-of-time-20250611/

Театр, а за ним кино приводят нас в царство коллективных галлюцинаций

 Театр, а за ним кино приводят нас в царство коллективных галлюцинаций.

Определение AGI

Понравилось определение AGI, которое дал на днях Франсуа Шолле (создатель ARC-AGI) на подкасте у Y Combinator

Его идея – в том, что в настоящее индустрия путает автоматизацию с интеллектом. AGI чаще всего определяется как то, что автоматизирует большинство экономически значимых задач. Но эта формулировка на самом деле не описывает общий интеллект.

Альтернативное определение Шолле звучит так:

AGI – это система, которая при встрече с абсолютно новой задачей или абсолютно новым для нее доменом может разобраться в нем с той же эффективностью, что и человек. Это значит, что ей потребуется примерно столько же обучающих данных и компьюта. И это довольно мало, потому что люди крайне эффективно обрабатывают данные.

Так что AGI – это не про автоматизацию, а про способность приобретения навыков на уровне человека на том же объеме задач, который люди потенциально могут научиться выполнять.

Подкаст полностью тут: https://youtu.be/k2ZLQC8P7dc