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

Парадокс Ферми: Если Вселенная так велика, то где, черт возьми, все?

Летом 1950 года Энрико Ферми обедал с коллегами. Они болтали о летающих тарелках и вероятности инопланетной жизни. Ферми молча что-то прикидывал в уме, а потом вдруг громко спросил:

«Ну и где они все в таком случае?»

Этот простой вопрос стал одним из парадоксов.

Математика масштабов: почему они должны быть.

В нашей галактике Млечный Путь примерно 400 миллиардов звезд. В наблюдаемой Вселенной - еще сотни миллиардов таких же галактик. Даже если мы будем максимальными пессимистами и предположим, что условия для жизни - это невероятная редкость (скажем, 1 шанс на миллион), математика всё равно неумолима. Только в нашей Галактике должно быть от 10 000 до 1 000 000 развитых цивилизаций. Более того, Вселенной 13.8 миллиардов лет. Земле - всего 4.5 миллиарда. Если где-то жизнь зародилась хотя бы на миллион лет раньше нашей (что в космических масштабах - секунда), эти существа уже должны были колонизировать всю галактику, построить мегаструктуры вокруг звезд (сферы Дайсона) и зашумить весь радиоэфир.

Но когда мы направляем телескопы в космос, мы слышим только абсолютную, мертвую тишину. Никаких сигналов. Никаких зондов. Ни-че-го.

Великий Фильтр: Три пугающих ответа.

Ученые предложили десятки объяснений этого парадокса. Самая популярная и пугающая концепция называется «Великий фильтр». Идея в том, что на пути развития любой жизни есть некий барьер (фильтр), который почти невозможно пройти. Этот барьер уничтожает 99.9% цивилизаций.

Главный вопрос: Где находится этот фильтр по отношению к нам? 

1. Вариант А: Фильтр позади нас (Мы уникальны). Возможно, сам факт зарождения жизни из неживой материи — это чудо, которое случается раз на триллион. Или переход от одноклеточных к многоклеточным невероятно сложен. В таком случае нам дико повезло: мы прошли фильтр. Мы — первая или единственная разумная жизнь во Вселенной.

2. Вариант Б: Фильтр впереди нас (Мы обречены). Жизнь зарождается часто, цивилизации развиваются до нашего уровня (изобретают радио, расщепляют атом)... а потом сталкиваются с барьером и уничтожают сами себя. Ядерная война, экологический коллапс, вышедший из-под контроля искусственный интеллект или смертельный вирус. Если фильтр впереди, то наше исчезновение - лишь вопрос времени.

3. Вариант В: Гипотеза Темного леса (Нам нужно заткнуться). Эту идею популяризировал китайский фантаст Лю Цысинь. Представьте, что Вселенная - это темный лес. Каждая цивилизация - это охотник с ружьем, крадущийся между деревьями. Ресурсы ограничены, и никто не знает намерений других. Если охотник видит чужой костер или слышит крик, у него есть только одна логичная стратегия выживания: выстрелить первым. Инопланетяне существуют. Но они молчат и прячутся, потому что понимают: тот, кто выдаст свое местоположение, будет немедленно уничтожен более развитым хищником. А мы, земляне, радостно отправляем радиосигналы во все стороны, как наивные дети.

Итог Артура Кларка

Писатель Артур Кларк идеально резюмировал этот парадокс: «Существует всего две возможности: либо мы одни во Вселенной, либо нет. Обе одинаково пугают».

Источник. Телеграмм канал - @Pomatematike

Как регулировать доступ ИИ к ERP-системам и финансовым системам

Основная проблема

ИИ-агенты и копилоты получают беспрецедентный доступ к данным ERP и финансовых систем, действуя с «машинной скоростью». Традиционные модели контроля, рассчитанные на людей, не работают.

Отсутствие управления создает риски: непрозрачные потоки данных, скрытые нарушения разделения обязанностей (SoD) и появление «призрачных» машинных идентификаторов, которые не отслеживаются и живут дольше проектов или сотрудников.

Три пути проникновения ИИ в ERP

• Встроенные копилоты ERP (например, от SAP или Oracle). Риск: они часто наделяются избыточными правами, а их активность не отделяется в логах от действий человека.
• Внешние ИИ-агенты через API. Риск: используют долгоживущие ключи и общие служебные учетные записи, что не позволяет атрибутировать действия и соблюдать SoD.
• Теневой ИИ (Shadow AI). Риск: выгрузка данных в Excel или BI-инструменты с последующим использованием в неконтролируемых ИИ-сервисах, что обходит все официальные каналы мониторинга.

Общий корень проблемы

Все три сводятся к неуправляемым идентификациям (identity), имеющим мощный доступ к чувствительным финансовым данным. Неизвестно: какие именно идентификаторы существуют, к каким данным они обращаются и какие действия могут выполнять.

Три принципа правильного управления (что такое «хорошо»)

• ИИ-агенты как полноценные идентификаторы (first-class identities). У каждого должен быть владелец, бизнес-цель и профиль риска, а не общая техническая учетка.
• Доступ на основе политик, а не разовых заявок. Выдача прав должна проходить через стандартные рабочие процессы с проверкой SoD.
• Сквозные, готовые к аудиту треки. Возможность в любой момент показать, где живет ИИ, к чему имеет доступ, кто одобрил и когда проводился последний обзор.

Жизненный цикл ИИ (JML — Joiner, Mover, Leaver)

• Joiner (Присоединение). Новый ИИ-кейс проходит предсказуемый путь: сбор требований, назначение ответственного владельца и классификация риска, выдача доступа строго по политике.
• Mover (Изменение). Любое расширение прав (новые коды компаний, доступ к проводкам) автоматически запускает переоценку рисков и новые согласования, не позволяя правам накапливаться.
• Leaver (Увольнение). При завершении проекта или истечении срока контракта все учетные данные ИИ (ключи, токены, роли) должны автоматически отзываться, а доказательства активности — сохраняться для аудита.

Практические шаги: чек-лист из 10 пунктов (краткое резюме для руководителей CISO, CFO)

• Создать единый реестр всех ИИ-идентификаторов.
• Назначить каждому владельца и категорию риска.
• Встроить ИИ в стандартные процессы JML.
• Определить политики доступа и правила SoD для ИИ.
• Заменить общие служебные аккаунты на управляемые ИИ-идентичности.
• Требовать согласования доступа ИИ к чувствительным данным по политике.
• Включить ИИ в регулярные кампании по ресертификации доступов.
• Включить непрерывный мониторинг активности ИИ и аномалий.
• Автоматически отзывать доступ при завершении проектов.
• Регулярно отчитываться перед комитетами по аудиту о метриках доступа ИИ.

Ключевая мысль: Управление доступом ИИ к ERP должно рассматриваться не как техническая проблема безопасности, а как проблема управления идентификациями (identity governance). Решение — распространить дисциплину, применяемую к привилегированным пользователям, на мир нечеловеческих и ИИ-идентичностей.

Источник - телеграмм-канал Data secrets

Математика счастья, совести, выбора, заблуждений

Математика счастья: выбор между гарантированным миллионом и рискованным миллиардом

Математика счастья

Кажется, математика подсказывает очевидный ответ. Математическое ожидание варианта с риском составляет 0,01·1 000 000 000 + 0,99·0 = 10 000 000 долларов. Это в 10 раз больше гарантированного миллиона! Однако подавляющее большинство людей интуитивно выбирает вариант А. В чем же дело? Ошибка не в нашей иррациональности, а в несовершенстве математической модели, которая уравнивает деньги и счастье.

Это классическая проблема, уходящая корнями в Санкт-Петербургский парадокс, который в XVIII в. сформулировал швейцарский математик Д. Бернулли. Он первым предложил ключевую идею: ценность денег нелинейна. Рациональный человек максимизирует не ожидаемую денежную выгоду, а ожидаемую полезность. Полезность — это философско-экономическая мера удовлетворения или благополучия.

Бернулли предположил, что полезность богатства растёт логарифмически: U(w) = ln w, где w — это благосостояние. Это неплохо объясняет нашу осторожность. Переход от 10 000 до 1 010 000 долларов — колоссальный скачок в качестве жизни. Но переход от 1 000 000 000 к 1 001 000 000 для миллиардера практически незаметен. Логарифм учитывает это: прирост полезности от добавления одной и той же суммы денег тем меньше, чем выше исходное благосостояние.

Давайте смоделируем наш изначальный выбор с помощью функции Бернулли. Допустим, текущее благосостояние человека — $10 000.

Вариант А (гарантия): U = ln(10 000 + 1 000 000) ≈ ln(1 010 000) ≈ 13,83.

Вариант Б (риск): E[U] = 0,01·ln(10 000 + 1 000 000 000) + 0,99·ln(10 000) ≈

0,01·20,72 + 0,99·9,21 ≈ 9,32.

Ожидаемая полезность рискованного варианта (9,32) оказывается значительно ниже полезности гарантированного миллиона (13,83). Математика, наконец, согласилась с интуицией! Интересно, что если мы начнём увеличивать начальное благосостояние, точка безразличия, где оба варианта становятся равнопривлекательными, наступит примерно при $400 миллионах.

Эта концепция вышла далеко за рамки теоретических пари. В середине XX в. Дж. фон Нейман и О. Моргенштерн формализовали теорию ожидаемой полезности, заложив основы современной экономики и теории игр. Она объясняет не только наши бытовые решения, но и глобальные экономические стратегии.

Почему большинство предпочитает стабильную зарплату предпринимательскому риску с потенциально высоким доходом? Потому что потеря гарантированного уровня жизни (высокая полезность) болезненнее, чем вероятность приобретения большего богатства (низкий прирост полезности).

Эта модель также даёт мощный аргумент в пользу предпочтения людьми социального государства. Когда общество через налоги и социальные программы (медицина, образование, поддержка безработных) страхует человека от серьёзных падений, оно сглаживает его кривую полезности. Потери становятся менее страшными. А значит, люди могут позволить себе больше риска — инновации, запуск стартапов.

Любопытный факт: страны с сильной социальной защитой, такие как Швеция или Дания, последовательно лидируют по количеству стартапов и «единорогов» (компаний с рыночной стоимостью свыше $1 млрд) на душу населения. Это не просто совпадение, а прямое следствие снижения индивидуального риска, что математически описано функцией полезности.

Конечно, модель Бернулли — лишь рабочая гипотеза. Она упрощает мир. На наше чувство «полезности» влияют десятки факторов: зависть, альтруизм, прошлый опыт, культурные нормы. Современные поведенческие экономисты лауреаты Нобелевской премии Д. Канеман и А. Тверски, показали, что мы по-разному оцениваем потери и приобретения (теория перспектив), что является дальнейшим развитием этих идей.

Однако именно простота и элегантность логарифмической функции делают её прекрасной отправной точкой. Она показывает: прежде чем принимать решение, стоит спросить себя — мы считаем деньги или счастье? И иногда математический ответ — это не большая сумма в долларах или рублях, а спокойный сон и уверенность в завтрашнем дне.

Источник: https://t.me/mathematics_not_for_you.

Математика не для всех.

Парадокс Симпсона

Как статистика обманывает ваш мозг

Представьте ситуацию: вы выбираете хирурга.

• Хирург А: Успешно провел 90% операций.
• Хирург Б: Успешно провел 80% операций.

Кого вы выберете? Конечно, А. А что, если я скажу вам, что Хирург Б на самом деле лучше, и если вы хотите выжить, надо идти к нему? Это не ошибка. Это статистическая ловушка.

Реальный пример: Скандал в Беркли. Самый известный случай произошел в 1973 году в университете Беркли. Администрация посмотрела на статистику поступления и ужаснулась:

• Принято 44% мужчин.
• Принято 35% женщин.

Разрыв огромный! Университет обвинили в сексизме и дискриминации женщин. Началось расследование. Статистики начали проверять каждый факультет отдельно, чтобы найти виновных. Когда они разбили данные по кафедрам, случилось невероятное.
Оказалось, что на большинстве факультетов процент приема женщин был ВЫШЕ, чем у мужчин!

Как такое возможно?

• Глобально: Мужчин берут чаще.
• Локально (на каждом факультете): Женщин берут чаще.

Разгадка

Причина крылась в том, КУДА подавали документы абитуриенты.

• Мужчины массово штурмовали технические факультеты, где было много мест и высокий процент приема (скажем, брали 60 из 100).
• Женщины чаще подавали на гуманитарные специальности с безумной конкуренцией, где брали всего 5 человек из 100.

Даже если женщины поступали блестяще и побеждали мужчин в конкурентной борьбе на своих факультетах, их общая статистика тянулась вниз, потому что они играли в «сложную игру», а мужчины - в «легкую».

Где это опасно для жизни?

В медицине. Вернемся к хирургам.

• Хирург А (90% успеха) оперирует только легкие случаи (удаление аппендицита), где риск умереть минимален.
• Хирург Б (80% успеха) - гений, который берется за сложнейшие операции на сердце, от которых отказались остальные. У него умирают чаще, но только потому, что к нему везут безнадежных пациентов.

Если не знать контекст (сложность операции), можно сделать фатальную ошибку, выбрав «статистически успешного» врача.

Итог: Цифры сами по себе ничего не значат без контекста. Всегда спрашивайте: «А из чего складывается этот средний показатель?»

Источник: @Pomatematike

Влияние формулировки на выбор

Мы спрашивали участников эксперимента: 

“Вы проводите отпуск за границей и раздумываете, воспользоваться ли услугами местной авиалинии, чтобы посетить один необычный остров. По стати­ стике безопасности, если летать названным рейсом раз в год, в среднем возможна одна катастрофа в ты­ сячу лет. Если вы откажетесь от перелета, вы вряд ли снова посетите этот угололк земли. Согласитесь ли вы полететь?” Все респонденты ответили утвердительно. 

Но затем мы изменили формулировку второго предложения: “По статистике безопасности, на этой ли­нии в среднем один полет из тысячи кончается ката­ строфой”. И что же? Лишь 70% заявили, что полетят. 

А ведь в обоих случаях вероятность аварии — один к тысяче; просто вторая формулировка звучит более “рискованно”.

Цитата из книги Талеб Н. - О секретах устойчивости - 2012

Булева алгебра совести Владимира Лефевра

Могут ли моральные терзания человека подчиняться законам математической логики? На этот вопрос в своей книге «Алгебра совести» ответил В.А. Лефевр, советский учёный, ставший профессором Калифорнийского университета. Он предложил радикальную идею: совесть — не абстрактное чувство, не туманный голос внутреннего «я», а вычислительный механизм, бинарный процессор, в котором добро кодируется как 1, зло — как 0, а этический выбор становится операцией с булевыми переменными.

Центральная формула модели. 

G = (P ∧ ¬B) ∨ (¬P ∧ B).

Определение готовности к добру с двумя параметрами: 

• P (давление настоящего: 1 при альтруистическом методе, 0 при эгоистическом),
• B (ожидание будущего: 1 при вере в успех, 0 при пессимизме). 

Эта структура эквивалентна операции «исключающее ИЛИ». Она создаёт парадоксальную логику: склонен к добру либо когда окружающая среда враждебна, но человек верит в лучшее (P=0, B=1), либо когда окружение человека благоприятно, но он предвидит крах (P=1, B=0). Так математически объясняется феномен жертвенности — действие вопреки обстоятельствам ради высших целей.

Лефевр выделил две базовые этические системы.

Западная («добро ∪ зло = зло») следует правилу минимума: даже малая доля зла (0) обнуляет все поступки («капля дёгтя портит бочку мёда»). 

Её формула вины 

V = p · R

Произведение вероятности вреда p на масштаб последствий R предполагает ответственность за последствия. 

Так, врач, допустивший ошибку при спасении жизни, несёт вину, даже если его намерения были чисты. Эта система обеспечивает нулевую терпимость к компромиссам. В ней индивиды возвышаются в собственных глазах, когда вступают в сотрудничество друг с другом, т.к. именно кооперация минимизирует риск ошибки (p) и распределяет ответственность (R), снижая индивидуальную вину (V) и создавая ощущение моральной чистоты коллективно действия.

Восточная система («добро ∪ зло = добро») работает по принципу максимума: добро (1) доминирует над злом (0) («цель оправдывает средства»). Здесь вина зависит от намерения: V = M/(E + 1), где M — мера умысла, E — приложенные усилия. Единица в знаменателе обеспечивает конечную вину даже при E=0, что отражает неотвратимость моральной ответственности. Такой подход оправдывает тактические ошибки ради великой цели, как в случае буддийского монаха, солгавшего ради спасения жизни товарища. В этой системе индивиды возвышаются в своих глазах, когда вступают в конфликт, поскольку активное противостояние (высокое E) служит доказательством силы их намерения (М) ради высшего блага, снижая личную вину (V) через демонстрацию преданности цели.

Ключевое открытие Лефевра — эти системы не только существуют в культурах, но и конкурируют внутри одного человека. Например, юрист, отвергающий выгодный ход дела из-за этических сомнений (западная логика), может простить близкому человеку обман при искреннем его раскаянии (восточная логика). Лефевр математически описал этот переход через весовые коэффициенты: при доминировании внешних оценок (P → 1) активируется западная система, при рефлексивном анализе (B → 1) — восточная.

Модель нашла неожиданное применение в геополитике. Во время холодной войны Лефевр консультировал Белый дом, объясняя, что СССР использует гибридную этику: декларируя восточную идею «коммунизм как высшая добродетель», внутри применяемых западных критериев (нулевая терпимость к инакомыслию). Такой парадокс запутывал западных дипломатов, привыкших к логической однозначности.

Сегодня модель Лефевра заставляет разработчиков ИИ задуматься: по какому принципу должен действовать алгоритм в моральной дилемме — минимизировать риск вреда (западный подход) или стремиться к высшей цели, допуская возможные издержки (восточный подход)? Формула Лефевра раскрывает мораль не как набор догм, а как активный диалог между разумом и этикой — диалог, который становится особенно важным в эпоху, когда решения вместо людей принимают алгоритмы.

Источник. Математика не для всех

Правило 37%: Математическая формула идеального выбора

Представьте ситуацию: вы ищете квартиру (или спутника жизни, или сотрудника). Вариантов много, но смотреть их можно только по очереди. И если вы отказались от варианта, вернуться к нему нельзя (квартиру сдали, невеста вышла замуж за другого).

Дилемма:

• Схватить первый попавшийся вариант - упустите что-то лучшее впереди.
• Перебирать до конца - рискуете остаться ни с чем (лучшее уже прошло).

Когда нужно остановиться? Стратегия «Отказывай и наблюдай»

Математики просчитали эту ситуацию и вывели идеальный алгоритм. Он называется Правило 1/e (где e - число Эйлера, ≈2.718). Это примерно 37%.

Как это работает:

1. Определитесь, сколько всего вариантов вы готовы посмотреть (например, 100 квартир или 10 лет активного поиска партнера).
2. Разделите это число на 2.718. Получится 37%.
3. Этап 1: Сбор данных (первые 37%).
4. Этап 2: Охота (остальные 63%).

Просто смотрите и отказывайте всем. Даже если вариант кажется идеальным. Ваша цель здесь - понять рынок и установить планку качества. Запомните самого лучшего из них. Теперь выбирайте ПЕРВОГО, кто окажется лучше, чем тот самый лучший из первой группы.

37% - это баланс между риском «выбрать слишком рано» и риском «упустить всех».

• Если вы посмотрите только 10% вариантов, у вас мало информации, вы выберете кота в мешке.
• Если вы посмотрите 90% вариантов, вы, скорее всего, уже пропустили идеал и теперь выбираете из остатков.

Математика утверждает: следуя правилу 37%, у вас самые высокие шансы (около 37%) выбрать абсолютно лучший вариант из всех возможных.

Пример из жизни

Вы решили посмотреть 10 квартир.

1. Первые 3 квартиры (37% от 10) вы смотрите только для ознакомления. Допустим, 2-я была супер, но вы скрепя сердце идете дальше.
2. Начиная с 4-й квартиры, вы готовы вносить залог.
3. Как только вы видите квартиру, которая лучше, чем та самая 2-я, - берите её. Не думайте.

Итог: Хватит бесконечно искать «то самое». Потратьте треть времени на анализ, а потом действуйте решительно. Математика на вашей стороне.

@Pomatematike

Примеры промптов для агентского искусственного интеллекта

В книге "Юньчжун Цзяншу, Ван Чжаохуа, И Лици, Ли Цзиган. Агенты искусственного интеллекта. Руководство по разработке" приведен весьма примечательный образец промта для искусственного интеллекта.

Этот промт сам по себе интересен тем, что представляет собой неплохое руководство для рецензирования без привлечения искусственного интеллекта. 

Промпт пользовательского ввода (ассистент по рецензированию журналов):

Ты эксперт по рецензированию научных журналов, пожалуйста, проведи всестороннюю рецензию представленной статьи по следующим аспектам.

1. Инновационность и научность содержания исследования.
2. Обоснованность и нормативность методов исследования.
3. Надежность анализа данных.
4. Логичность и надежность выводов.

Пожалуйста, укажи конкретные и конструктивные замечания по сильным и слабым сторонам статьи.

Промпт для пояснения понятий и концепций

Ты университетский профессор, глубоко разбирающийся в различных дисциплинах. При объяснении концепций ты умеешь интегрировать свои междисциплинарные знания, постепенно раскрывая концепцию с помощью четырех шагов: 

• определение в дисциплине, 
• популярное объяснение, 
• философская суть, 
• применение в жизни. 

Пожалуйста, объясни концепцию «рефлексия».

Структура промптов CRISPE

CRISPE расшифровывается следующим образом:

• CR (Capacity and Role, Способности и роль): задаваемая модели роль.
• I (Insight, Контекст): это фоновая информация и контекст, которая предоставляется модели.
• S (Statement, Задание): конкретная задача, которую должна выполнить модель.
• P (Personality, Персонаж): стиль предоставления результата.
• E (Experiment, Эксперимент): итеративное опробование и оптимизация промпта.

Пример промпта.

• Способности и роль: я хочу, чтобы ты выступил в роли сценариста.
• Контекст: ранее со мной связался рекламодатель, желающий продвинуть свой программный продукт, который используется в основном в социальных сетях и для платежей.
• Задание: я хочу, чтобы ты написал сценарий для четырех человек на тему семейной гармонии, в котором будет представлена реклама бренда.
• Персонаж: сценарий должен быть написан для популярных платформ коротких видео. Сценарий предназначен для съемки видео, общая продолжительность которого не должна превышать 5 минут.
• Концепция структурированных промптов – это один из методов, который не противоречит другим техникам, таким как CoT (цепочка мышления), ToT (дерево мышления) или Think step by step (пошаговое размышление).

Апология математика

Из книги "Апология матетатика" Харди.

Серьезность теоремы

«Серьезность» теоремы определяется не ее практическими последствиями, которых ничтожно мало, а значимостью соединенных в ней математических идей. Говоря обобщенно, математическая идея «значима», если она логично и понятно связывает между собой множество других математических идей. Таким образом, серьезная теорема — та, что связывает значимые идеи, — наверняка повлечет за собой прогресс как в самой математике, так и в других науках.

Серьезность теоремы заключается, конечно, не в ее влиянии — последнее лишь подтверждает ее серьезность. Красота математической теоремы во многом зависит от ее серьезности

Примеры серьезных теорем.

1. Теорема Евклида о бесконечности множества простых чисел.
2. Доказательство Пифагора, подтверждающее «иррациональность» квадратного корня из двух.
3. Очень красивая теорема — теорема Ферма «о двух квадратах».
4. Теорема Кантора о «несчетности» континуума.

На теореме Евклида держится вся арифметика. Простые числа — как строительный материал, и теорема Евклида гарантирует, что этого ресурса нам хватит для решения всех арифметических задач. А вот область применения теоремы Пифагора гораздо шире, и сформулирована она гораздо лучше.

Теорема Евклида гарантирует, что мы располагаем достаточным количеством строительного материала для создания полноценной арифметики целых чисел. А теорема Пифагора и ее следствия показали, что такой арифметикой нам не обойтись, так как существует множество достойных внимания величин, измерить которые в целых числах нельзя; диагональ квадрата — лишь самый очевидный тому пример.

Значимость идеи  

Значимая математическая идея (и, соответственно, серьезная теорема) должна обладать определенной степенью обобщенности; то есть быть составляющей многих математических конструкций и входить в доказательства различных теорем. Серьезная теорема, как бы узко она ни была сформулирована изначально (как теорема Пифагора), должна позволять достаточно широкие обобщения и представлять целый класс теорем подобного рода.

Концепция «иррациональных чисел» глубже концепции целых, а теорема Пифагора, соответственно, глубже Евклидовой.

Обе теоремы (и под теоремами я, разумеется, имею в виду и их доказательства) отличает высокая степень непредсказуемости в сочетании с непреложностью и экономностью. Доводы поражают своей неожиданностью, применяемые методы кажутся по-детски простыми по сравнению с далекоидущими последствиями; при этом выводы неопровержимы. В рассуждениях нет нагромождения подробностей — каждая строчка бьет в цель.

О реальности, математической и физической

Очень часто, например, астроном или физик спешат объявить, что вывели «математическое доказательство», объясняющее определенное поведение Вселенной. Подобные заявления, если воспринимать их буквально, - полнейший вздор. Невозможно доказать математически, что назавтра наступит затмение, ибо затмения, как и прочие физические явления, не являются частью абстрактного мира математики.

Я убежден, что математическая реальность находится вне нас, что наша задача — открывать или просто наблюдать ее и что теоремы, которые мы доказываем и высокопарно называем собственными «творениями», — всего лишь заметки по ходу наших наблюдений.

Какой бы ни была реальность физика, в ней мало или вообще нет признаков того, что под реальностью подразумевает здравый смысл. Стул может быть как множеством взаимосвязанных электронов, так и божественным замыслом: любое из этих определений имеет свои достоинства, но ни одно не соответствует представлениям здравого смысла.

Ни физикам, ни философам до сих пор не удалось дать убедительное определение «физической реальности» или объяснить, как от запутанного нагромождения фактов или ощущений физик переходит к созданию объектов, которые зовутся «реальными». Поэтому утверждать, будто нам понятна суть физики, мы не можем, зато вполне представляем себе, чем именно занимается физик. Физик пытается свести разрозненную массу не связанных между собой фактов к некой упорядоченной системе абстрактных отношений, позаимствовать которую можно только в математике.

Математик же, напротив, имеет дело с собственной математической реальностью, на которую я смотрю с точки зрения «реалиста», а не «идеалиста» В любом случае (в чем и состоял мой главный тезис) реалистичный взгляд возможен скорее в математической, чем в физической реальности, потому что объекты в математике куда ближе к тому, чем кажутся.

Стул или звезда нисколько не похожи на то, какими нам видятся; и чем больше мы о них думаем, тем размытее их очертания в тумане порождаемых ими ощущений. Тогда как число «2» или «317» никак не зависит от ощущений, а их свойства становятся лишь отчетливее по мере их изучения. Современная физика как раз лучше всего вписывается в идеалистическую философию: я этому не верю, но так говорят признанные физики. Фундаментальная же математика представляется мне камнем, на котором зиждется весь идеализм: 317 — простое число не потому, что мы так думаем или наше мышление имеет ту или иную направленность, а потому, что так оно и есть, так устроена математическая реальность.


---

Однажды я написал: «Наука считается полезной, если ее развитие обостряет существующее неравенство в распределении богатства или еще более явно способствует разрушению человеческой жизни». Эту фразу, написанную в 1915 году, неоднократно цитировали (как за, так и против меня). Разумеется, ее следует рассматривать как чисто риторическое заявление, вполне, впрочем, простительное, учитывая время его появления. — Примеч. авт.
---

Харди Годфри Гарольд. АПОЛОГИЯ МАТЕМАТИКА

* * *

Врожденное качество мы должны развивать. Традиционная аналогия: качество масла уже изначально присутствует в молоке, но чтобы его получить, мы должны взбить молоко.

RL-среда ИИ агентов

Что такое RL-среды и почему без них не будет никаких ИИ-агентов

Индустрия переходит от моделей, которые отвечают, к агентам, которые действуют. И если посмотреть на то, как сегодня обучают ИИ, то становится очевидно, что на одних текстах далеко уже не уедешь.

Дело в том, что агентам недостаточно просто уметь воспроизводить правильные ответы, они должны уметь выбирать стратегию поведения, чтобы решать многошаговые задачи и подстраиваться под непредсказуемое поведение пользователя. Отсюда вывод: агентам нужно учиться через опыт.

И тут на сцену выходят RL-среды. Это сейчас один из главных трендов машинного обучения в целом. Над его развитием работают все игроки индустрии: Open AI, Google, Яндекс, Anthropic.

RL-среда = симулятор, где модель обучается через реальные действия. Модель выбирает какую-то стратегию и работает по ней (это называется траектория), затем получает оценку своих действий, и постепенно учится выбирать лучшую политику. Самое главное, что правильного ответа тут иногда просто нет, так что мы говорим именно про сравнение вариантов действий. Работает это потому, что RL-среда учит не отдельным ответам, а последовательностям действий. Модель начинает учитывать последствия своих шагов и учится планированию, адаптации и работе с неопределенностью.

Но и проблем с RL-средами пока хватает. Во-первых, сложно задать корректную функцию награды: модель может научиться "обманывать" метрику, не решая задачу по сути. Во-вторых, остается проблема credit assignment – как понять, на каком шаге стратегия пошла не так. И, наконец, сами среды пока далеки от реальности: симулированный пользователь все еще ведет себя проще, чем настоящий. Вот тут об этих и других вызовах для RL есть побольше вводных на русском.

Суть в том, что чем лучше будут RL-среды – тем лучше (и быстрее) будут агенты, так что следующий этап в ИИ сейчас зависит от того, как хорошо ключевые игроки их прокачают.

Из телеграмм-каналов.

Мурмурация как динамическая топологическая сеть

Мурмурация — уникальное природное явление, при котором тысячи птиц сбиваются в огромную стаю и ведут себя при этом как единый организм. Сжимаясь и разлетаясь, синхронно меняя направление, взмывая вверх или резко падая вниз, они образуют в небе причудливые, непрерывно меняющиеся фигуры.

С математической точки зрения мурмурацию птиц можно рассматривать как объект изучения топологии движущих сетей. Ключевая модель здесь — постоянно меняющийся ориентированный граф.

Вершины графа — это отдельные птицы. Ребро от вершин A к вершине B существует, если птица B находится в поле восприятия птицы A в данный момент. Важно, что связь несимметрична: птица A может видеть птицу B, но не наоборот, что делает граф ориентированным.

Каждая птица поддерживает связь лишь с ограниченным числом ближайших соседей (обычно 5–7) — это её локальная топологическая окрестность. Критически важно, что взаимодействие определяется топологией, а не метрикой. Птица ориентируется не на фиксированный радиус, а на фиксированное число соседей, независимо от расстояния до них. Именно этот принцип обеспечивает устойчивость стаи при её растяжении или сжатии.

Исследования показывают, что слаженные структуры мурмурации не возникают, если птицы используют метрический принцип, координируя движение только с теми, кто находится в пределах фиксированного радиуса.

Несмотря на отсутствие центрального координатора, из этих локальных правил возникает глобальный порядок. Граф взаимодействий обладает свойствами сети «малого мира»: даже в стае из тысяч особей средняя длина пути между любыми двумя вершинами остается малой. Это обеспечивает почти мгновенное распространение информации: локальное возмущение за доли секунды передаётся по всей системе через цепочку соседей.

Топологическая структура стаи остаётся устойчивой, даже когда её геометрическая форма — положение вершин в пространстве — радикально меняется. Стая может изгибаться, дробиться и сливаться, но её связность сохраняется.

Таким образом, мурмурация — это реализация высокодинамичного графа, в котором простые локальные топологические ограничения порождают сложную глобальную топологию поведения.

Источник: https://t.me/mathematics_not_for_you.

Математика не для всех.