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.

ИИ и ERP

Перевод статьи (с некоторыми поправками):
"Преодоление значительного разрыва между агентами искусственного интеллекта и ERP-системами для раскрытия потенциала в масштабах предприятия". 9 января 2026 г. Бьёрнар Йенсен, Дарвин Дино, Майкл Эллисон, Тальха бин Асад.

Ресурсы, направленные на развитие ИИ, выделяются в ущерб обеспечению ERP-систем необходимыми для их процветания возможностями.

Инвестиции в ИИ достигают беспрецедентных масштабов. В заголовках новостей сообщается о колоссальных инвестициях в ИИ и смежные с ним компании. Такие темпы активности проявляются и на уровне бизнеса, поскольку компании перенаправляют бюджеты с ИТ-подразделений на ИИ. Наше последнее исследование показывает, что почти половина всех опрошенных ИТ-организаций планируют инвестировать в инициативы по созданию искусственного интеллекта, при этом уровень инвестиций в основные ИТ-возможности, такие как инфраструктура и архитектура, значительно снижается.

С одной стороны, этот сдвиг логичен, поскольку компании перенаправляют ресурсы на ИИ, чтобы воспользоваться невероятными возможностями, которые он открывает. Но с другой стороны, этот шаг создает «большой разрыв», в котором компании сосредотачиваются на ИИ в ущерб возможностям вспомогательных систем планирования ресурсов предприятия (ERP), многие из которых имеют решающее значение для внедрения ИИ.

Этот возникающий разрыв имеет негативные последствия. Эксперименты с ИИ (и, в частности, с искусственным интеллектом) привели к распространению вариантов использования и экспериментов, которые не поддерживаются базовыми сквозными процессами, данными, людьми и технологиями, позволяющими масштабировать эти варианты. Цифры это подтверждают: только около 40% компаний сообщают о каком-либо влиянии своих инициатив в области ИИ на прибыль до вычета процентов и налогов на уровне предприятия.

На фоне продолжающегося ажиотажа вокруг агентов ИИ, приложения ERP часто рассматриваются как второстепенные и считаются громоздкой устаревшей технологией. Такое отношение к ERP как к «нелюбимому пасынку» опасно недооценивает его важность в дискуссии об ИИ. Сценарии использования ИИ не только зависят от данных и многих приложений, размещенных в системах ERP, но и сквозной характер преобразования рабочих процессов, который определяет большую часть потенциальной ценности агентов ИИ, требует продуманной интеграции с экосистемой возможностей ERP.

Перечислим различные бизнес-области и их роль в системе планирования ресурсов предприятия (ERP). К основным системам относятся: 

• финансы и бухгалтерский учет, 
• цепочка поставок и логистика, 
• операционная деятельность, 
• обслуживание и поддержка клиентов, 
• развитие бизнеса, 
• закупки и снабжение, 
• управление персоналом, 
• управление проектами, 
• управление качеством, 
• обучение и развитие,
• охрана труда, техника безопасности,
• охрана окружающей среды. 

К основным системам относятся: 

• ИТ, 
• управление продуктами и НИОКР, 
• продажи, 
• маркетинг, 
• юридические вопросы и соответствие нормативным требованиям, 
• данные и аналитика, 
• бизнес-аналитика, 
• отношения с инвесторами, 
• корпоративная стратегия и планирование, 
• управление рисками и внутренний аудит, 
• устойчивое развитие и экологическое, социальное и управленческое управление,
• управление изменениями и организационное развитие, 
• инновации и цифровая трансформация, 
• корпоративные коммуникации и PR, 
• корпоративная социальная ответственность.

Ценность ERP как ключевого инструмента масштабирования агентов особенно проявляется в крупномасштабных транзакциях, в которых логика рабочих процессов четко определена. Агенты на основе ИИ становятся расширением ERP, особенно в случаях с «длинным хвостом» и в исключительных случаях, когда требуется значительный ручной труд.

Это не означает, что системы ERP могут развиваться традиционным, привычным путем. Хотя маловероятно, что агенты ИИ заменят ERP в ближайшей или среднесрочной перспективе из-за сложности системы, компаниям следует учитывать не только то, как агенты ИИ изменят работу ERP, но и то, как они обеспечат мощные возможности для развития и модернизации самой ERP.

По прогнозам, ИИ окажет глобальное экономическое воздействие в размере от 17 до 26 триллионов долларов. Большинство генеральных директоров и руководителей признают этот потенциальный потенциал — около 80% компаний сообщают об использовании искусственного интеллекта как минимум в одной из своих функций. Наше последнее глобальное исследование в области ИИ показывает, что около 40% организаций сообщают об увеличении прибыли до вычета процентов и налогов (EBIT) за счет ИИ, хотя большинство приписывают это увеличение менее чем на 5%. Те, кто добился увеличения EBIT на 5% и более за счет ИИ, сообщают о стремлении к перепроектированию рабочих процессов, более быстрому масштабированию и более агрессивным инвестициям в трансформационный ИИ. Потенциал искусственного интеллекта огромен, но большинству компаний сложно преобразовать его в ощутимые бизнес-результаты.

Бизнес-домены объединяют людей, процессы и данные в потоках, определяющих фактическое функционирование компании. Эти домены не могут функционировать или трансформироваться без ERP-системы, которая определяет, как ценность перемещается внутри бизнеса: она структурирует данные, устанавливает правила и организует рабочие процессы, обеспечивающие повседневную деятельность.

Многие руководители сосредотачиваются только на техническом долге ERP-системы, забывая о ее «ценности» — глубоких знаниях процессов, чистых структурах данных и встроенной бизнес-логике, которые представляют собой операционную ДНК компании. Именно эти возможности являются топливом для искусственного интеллекта в бизнесе.

Роль ERP-систем в обеспечении трансформации с помощью ИИ будет варьироваться в зависимости от компании и ее стратегии, что вполне ожидаемо. Успешные примеры в целом следуют одному и тому же сценарию.

Уточнение на уровне рабочего процесса.

Определите наиболее важные проблемы в той или иной сфере бизнеса и свяжите их с четкими, измеримыми результатами, такими как маржа, затраты, уровень обслуживания или оборотный капитал. Для реализации этих возможностей ИИ необходимо детально проработать весь рабочий процесс, а не отдельные сценарии использования или инструменты. Для каждого приоритетного рабочего процесса ИИ (например, динамическое распределение запасов, интеллектуальное снабжение или планирование производства с помощью ИИ) необходимо отталкиваться от решения, которое должен принять ИИ, и перечислить конкретные элементы ERP-системы, от которых он зависит: какие основные данные (материалы, заводы, клиенты, поставщики), какие транзакции (заказы, поставки, заказы на закупку, производственные заказы), какие события (изменения запасов, задержки, подтверждения) и какие правила конфигурации или бизнес-правила (сроки выполнения, размеры партий, лимиты утверждения).

Наиболее эффективный способ сделать это — объединить экспертов в предметной области, функциональных экспертов ERP-систем и специалистов по ИИ на коротких, структурированных рабочих сессиях. Эти сессии носят практический и конкретный характер; команда шаг за шагом «проходит» целевой рабочий процесс ИИ и четко отмечает, какие таблицы, поля и процессы ERP должны быть точными, доступными и открытыми для ИИ, чтобы работать и масштабироваться.

Уточнение терминологии для обеспечения точности.

Единая онтология (по сути, общая карта того, как ваш бизнес определяет технологии), основанная на ERP-системе, имеет важное значение, поскольку она предоставляет ИИ единый согласованный набор определений данных, логики процессов и бизнес-правил для работы. Это гарантирует точность решений ИИ, их соответствие бизнес-процессам и масштабируемость в масштабах всего предприятия. Вместо создания каждого компонента этой онтологии с нуля, предприятия могут использовать существующие, хорошо определенные продукты данных ERP с пользовательскими расширениями, которые могут ускорить разработку онтологии (например, платформа SAP Business Data Cloud). Сосредоточение внимания на онтологии также подразумевает меньшее внимание к традиционным хранилищам данных ERP и репликации данных, что является одним из способов, с помощью которого ИИ будет способствовать эволюции ERP-систем.

Внедрение возможности агентного управления в рабочие процессы.

Внедрение ИИ непосредственно в этапы выполнения работы — утверждения, планирование, рекомендации, прогнозирование и обработка исключений — имеет решающее значение для его использования. Это также помогает агентам ИИ работать быстрее, умнее и надежнее, поскольку ИИ применяется именно там, где принимаются решения и выполняется работа, а не является отдельным инструментом.

Современные ERP-платформы упрощают этот процесс: например, SAP предоставляет готовых агентов на основе ИИ, которые могут интегрироваться в кросс-функциональные «группы агентов». Благодаря интеграции ИИ и ERP, ваши рабочие процессы с участием агентов основываются на передовых методах обработки процессов и данных, эффективно обеспечивая целостность процессов и данных, одновременно раскрывая потенциал агентов. В то же время, интеграция ИИ представляет собой отход от традиционного подхода к ERP-решениям типа «программное обеспечение как услуга» (SaaS).

В архитектуре необходимо найти баланс между гибкостью и стабильностью.

Цель состоит в том, чтобы сбалансировать гибкость и стабильность. Используйте открытые компоненты там, где необходима настройка или инновации, и используйте свои ERP-системы и облачные платформы там, где масштабируемость, надежность и безопасность имеют первостепенное значение. Продуманная архитектура предотвращает фрагментацию, одну из наиболее распространенных причин замедления работы программ искусственного интеллекта.

Для подключения ERP-систем к рабочим процессам с поддержкой ИИ необходимо сначала убедиться, что ИИ может получить доступ к нужным данным и процессам в нужный момент. Это означает предоставление доступа к чистым, структурированным данным ERP — таким как заказы, запасы, информация о поставщиках или производственные графики — через стандартные сервисы данных или API. Это также означает предоставление ИИ контролируемого способа передачи решений обратно в ERP с использованием существующих интерфейсов действий или триггеров рабочих процессов. Таким образом, когда ИИ рекомендует изменение, он может напрямую и безопасно обновлять операционную систему.

Важно объединить все этапы процесса в единый рабочий процесс, связывающий события ERP, логику ИИ и бизнес-действия. Уровень оркестровки упорядочивает поток — получение данных из ERP, отправка их в ИИ, получение рекомендаций и запись результата обратно в ERP, — а триггеры событий из ERP гарантируют, что ИИ запускается только тогда, когда происходит что-то значимое, например, изменение запасов или задержка со стороны поставщика. Вместе это создает плавный и отзывчивый рабочий процесс, в котором ERP и ИИ работают как единая система, а интеллект применяется именно там, где происходит работа.

Ключевым моментом является решение о том, нужна ли вам отдельная платформа данных или вы можете использовать существующую. Многие ERP-системы и облачные платформы теперь предлагают встроенные сервисы данных и интеграционные платформы, что может упростить интеграцию с крупными облачными провайдерами и часто снизить затраты и сложность.

Измерение и усовершенствование системы.

Организациям необходим способ непрерывного измерения и совершенствования системы. Рассмотрите возможность создания «центра управления эффективностью» — небольшой команды и системы мониторинга, которая будет постоянно отслеживать производительность рабочих процессов с использованием ИИ, связывать показатели процессов с бизнес-ценностью и быстро выявлять области, требующие доработки или исправления, чтобы эффект от внедрения постоянно нарастал, а не ослабевал.

Многие платформы для анализа бизнес-процессов и ERP-систем предлагают каталоги показателей операционной эффективности, которые помогают сопоставить их с более высокими уровнями ценности. Они могут служить отправной точкой для построения системы отслеживания ценности, если организации адаптируют их к конкретным показателям и результатам, которые для них важны (например, SAP Signavio или Celonis). Такой подход позволяет организациям поддерживать темп в быстро меняющейся среде, начиная с обоснования ценности и закрепляя инициативы в области ИИ в бизнес-логике и измеримых результатах, а не в изолированных экспериментальных проектах.

Ключевые моменты для дальнейших действий

Целенаправленная модернизация ERP-системы для поддержки преобразований с использованием искусственного интеллекта — сложный процесс, и поэтому руководителям следует предпринять следующие шаги:

Сделайте ERP-систему ключевым элементом обсуждения вопросов, связанных с ИИ. Если управление ERP-системой для трансформации в сфере ИИ будет делегировано ИТ-отделу и забыто, это создаст проблемы. CIO и CTO должны поднять ERP-систему с уровня бэк-офиса до стратегического инструмента. Ключевым элементом в этом является четкая привязка всех инициатив по внедрению ERP-систем не только к инициативам в области ИИ, но и к потенциальной выгоде для бизнеса. Этот момент имеет решающее значение для изменения мышления, согласно которому ERP-системы являются «устаревшими бэк-офисными системами», и превращения их в важные инструменты успешной трансформации в сфере ИИ. Убедитесь, что ERP-система является частью содержательных стратегических, плановых и исполнительных дискуссий.

Разработайте стратегию управления рисками уже сейчас. Для управления рисками в процессе трансформации с использованием агентного ИИ в рамках ERP-систем организациям необходимо учитывать как традиционные риски системной интеграции, так и новые специфические проблемы ИИ (например, автономное принятие решений, чувствительность к качеству данных и дрейф модели). Наиболее важными мерами по смягчению рисков являются установление жесткого контроля за участием человека в принятии важных решений — определите, кто эти люди и какими будут эти важные решения. Уделите достаточно времени внедрению надежных средств контроля данных и ведению журналов, отслеживающих каждое действие, инициированное ИИ в среде ERP. Учитывая непредсказуемость агентных решений в обозримом будущем, важно обеспечить надлежащие ресурсы для тестирования.

Четко определите экономику изменений на единицу продукции. Четко определите экономику изменений на единицу продукции и тщательно отслеживайте их влияние на прибыль и убытки. В условиях растущего давления на маржу и производительность инвестиции в ИИ должны демонстрировать прямое, отслеживаемое влияние на прибыль и убытки. Убедитесь, что элементы ERP-системы имеют конкретные ключевые показатели эффективности (KPI), которые связаны с измеримым результатом. Обязательно учтите более высокие затраты на управление изменениями, связанные с программами ИИ, чем обычно включаются в обоснование целесообразности внедрения ERP-системы. Как правило, наш опыт показывает, что на каждый доллар, затраченный на разработку модели, необходимо потратить 3 доллара на управление изменениями.

Для раскрытия полного потенциала ИИ необходимо рассматривать ERP-системы не как устаревший багаж, а как ключевой фактор, обеспечивающий масштабируемость, безопасность и ценность интеллектуальных решений. Компании, которые преодолеют разрыв между амбициями в отношении ИИ и готовностью к внедрению ERP-систем, быстрее всего перейдут от экспериментов к реальному, обоснованному влиянию на прибыль. Те, кто этого не сделает, будут и дальше наблюдать, как потенциал ИИ превосходит его эффективность.

Источник

https://email.mckinsey.com/capabilities/mckinsey-technology/our-insights/bridging-the-great-ai-agent-and-erp-divide-to-unlock-value-at-scale

Ошибка игрока

Ночь, когда математика обыграла всех

18 августа 1913 года. Казино Монте-Карло. За столом рулетки происходит нечто невероятное.

Шарик падает на черное.
Снова запуск. Снова черное.
Третий раз. Черное.

К десятому разу вокруг стола собралась толпа. Игроки начали шептаться:

«Это аномалия! Не может же выпадать одно и то же бесконечно. Сейчас природа возьмет своё, и обязательно выпадет красное!»

Люди начали ставить огромные деньги на Красное.

Они были уверены: чем длиннее серия черного, тем выше вероятность красного в следующем раунде. «Оно должно отыграться!».

• 15-й раз: Черное. (Игроки удваивают ставки на красное).
• 20-й раз: Черное. (Паника, люди ставят всё, что есть, на красное).
• 26-й раз: ЧЕРНОЕ.

Только на 27-й раз выпало красное. Но к этому моменту казино уже заработало миллионы, разорив толпу, верившую в «баланс Вселенной».

Этот феномен называется «Ошибкой игрока» (Gambler's Fallacy).

Нам кажется, что у случайности есть память.

• «У меня родились три мальчика подряд, следующая точно будет девочка!»
• «Орел выпал 5 раз, сейчас точно будет решка!»

Суровая реальность: У монетки (и у рулетки) нет памяти. Вселенная не ведет блокнот, в который записывает прошлые результаты. Для монетки каждый бросок это новое, независимое событие. Даже если орел выпал 1000 раз подряд, шанс выпадения орла в 1001-й раз - ровно 50%.

Мы путаем краткосрочную перспективу с долгосрочной.

Да, если бросить монету миллион раз, орлов и решек будет примерно поровну (50/50). Это Закон больших чисел. Но люди ошибочно думают, что этот закон работает на короткой дистанции (в 10 бросков) и что природа будет «исправлять перекос» прямо сейчас. Это не так. Природа не исправляет перекос. Она просто разбавляет его новыми бросками.

Итог: Если вы видите, что «красное» не выпадало уже час, это не значит, что оно «созрело». Это значит лишь то, что вы потратили час, глядя на рулетку.

Источник. @Pomatematike.

Животный и искусственный интеллект

Андрей Карпаты: «Люди не понимают, что животный интеллект – это всего одна точка в пространстве интеллектов»

От Андрея Карпаты:

Люди плохо осознают, что пространство форм интеллекта огромно, а животный интеллект – лишь одна точка в нем, возникшая из очень специфического типа оптимизации. Интеллект LLM формируется принципиально иначе.

Животный интеллект оптимизирован под выживание: непрерывное «я», самосохранение, сильные инстинкты (страх, агрессия, воспроизводство), сложные социальные взаимодействия и способность к исследованию мира. Он формируется в многозадачной и враждебной среде, где любая ошибка может стоить жизни – отсюда его общность.

LLM, напротив, оптимизируются под статистическое моделирование текста, дообучаются на задачах с подкреплением и отбираются через метрики вовлечённости. Их базовое поведение – это имитация и угадывание шаблонов, а не выживание. Они стремятся понравиться пользователю, а не выжить в мире, поэтому их интеллект более неровный и зависит от данных и задач.

Различаются и субстрат (мозг vs трансформер), и обучение (эволюция vs SGD/RL), и режим существования (непрерывное живое существо vs модель, которая включается и выключается).

Главное отличие – оптимизационное давление: животные – продукт биологической эволюции, LLM – продукт коммерческой. Это не выживание в джунглях, а «реши задачу и получи апвоут».

LLM – наш первый неживотный интеллект. И те, кто продолжает мыслить по биологической аналогии, будут неверно понимать его природу и будущее.

Необлачные вычисления

Появившись из-за дефицита графических процессоров, неооблачные решения теперь сталкиваются с более сложным испытанием: им необходимо развиваться за пределы физического оборудования или рисковать повторением истории облачных технологий 1.0. Связано это с появлением неооблачных решений — независимых сервисов на основе графических процессоров (GPU-as-a-service). Поставщики GPUaaS (GPUaaS) — это прямой ответ на две структурные силы: глобальный дефицит высокопроизводительных вычислительных ресурсов и стратегии диверсификации доходов крупнейших производителей передовых микросхем.

Неооблачные решения изначально возникли как временное решение проблемы нехватки графических процессоров, но их экономика, основанная на модели «без операционной системы как услуга» (BMaaS), довольно хрупка. Их долгосрочная жизнеспособность зависит от способности продвинуться вверх по технологической цепочке к сервисам, ориентированным на искусственный интеллект, что ставит их в прямую конкуренцию с крупными облачными компаниями. Однако их будущее, вероятно, заключается не в конкуренции с крупными облачными компаниями, а в закреплении позиций на устойчивых нишевых рынках, таких как собственные вычислительные ресурсы и специализированные рабочие нагрузки, а также в укреплении первоначальных связей со стартапами в области ИИ — отношений, которые могут сохраниться по мере того, как эти компании будут масштабироваться до многомиллиардных платформ.

Происхождение неооблаков

В последние годы спрос на передовые графические процессоры резко возрос в связи с расширением масштабов и сложности моделей генеративного искусственного интеллекта. Крупные облачные компании получили львиную долю выделенных ресурсов на передовые чипы для обработки постоянно растущих объемов задач. В результате многие стартапы в сфере ИИ, исследовательские лаборатории и предприятия не могли получить доступ к ресурсам с необходимой скоростью. В этой ситуации на помощь пришли неооблачные сервисы — новая волна облачных провайдеров, предоставляющих доступ к графическим процессорам. Неооблачные сервисы предлагают гибкие контракты, более быстрое выделение ресурсов и специализированные конфигурации инфраструктуры. Кроме того, они предлагают графические процессоры на 85% дешевле, чем крупные облачные компании, что делает их привлекательными для небольших стартапов в области ИИ.

Неооблачные решения имеют более низкие барьеры для входа, чем традиционные облачные провайдеры — развертывание вычислительного кластера не требует создания полного технологического стека, как это необходимо для гипермасштабируемых платформ, — поэтому новые участники рынка могут быстро занять нишу, удовлетворяющую неудовлетворенный спрос. Сегодня в мире существует более 100 неооблачных провайдеров: от 10 до 15 работают в значительных масштабах в Соединенных Штатах, и их присутствие расширяется в Европе, на Ближнем Востоке и в Азии. Зачастую их поддерживают венчурный капитал, частные инвестиционные фонды или суверенные фонды. Производители чипов для ИИ, благодаря целенаправленной стратегии диверсификации, также способствовали развитию этой экосистемы. Чтобы расширить внедрение, диверсифицировать доходы и создать конкурентное давление среди покупателей, они заложили основы этих новых каналов, иногда даже выступая в качестве заказчиков для неооблачных платформ.

Современное состояние неооблачных решений не лишено прецедентов. Например, в эпоху Cloud 1.0 (начавшуюся в начале 2000-х годов) стартапы быстро развивались, заполняя пробелы в вычислительных мощностях, но по мере расширения мощностей и спектра услуг крупными компаниями почти все эти стартапы были поглощены, оттеснены на второй план или вынуждены занять нишевые позиции.

Учитывая рыночную ситуацию, смогут ли неооблачные решения превратиться в устойчивую категорию, или история повторится? Перспективы неооблачных решений - четыре ключевых убеждения подпитывают инвестиции в неооблачные решения.

Модель BMaaS — это лишь ступенька. Модель BMaaS, которую приняли многие неооблачные компании, по своей сути является товаром массового потребления: она характеризуется ограниченной дифференциацией, высокой интенсивностью затрат и ценовой конкуренцией. Но инвесторы не делают ставку на BMaaS как на конечный результат. Вместо этого инвестиционная стратегия неооблачных компаний заключается в том, что они смогут перейти к программным стекам, ориентированным на ИИ, которые включают в себя оркестрацию обучения, распределенные платформы для вывода результатов, специализированные стеки (например, для медико-биологических наук или финансовых услуг), инструменты для разработчиков и управляемые сервисы машинного обучения. Эти уровни обеспечат лояльность, улучшат удержание клиентов и приведут к экономике, аналогичной экономике компаний-разработчиков программного обеспечения, обеспечивая неооблачным компаниям мультипликаторы, сопоставимые с моделью «программное обеспечение как услуга».

Спрос на вычислительные ресурсы слишком велик, чтобы его игнорировать. Даже если неооблачные решения будут придерживаться модели BMaaS (бизнес как услуга), кривая спроса на вычислительные ресурсы для ИИ крутая и ускоряется. Спрос на рабочие нагрузки для обучения и вывода будет продолжать быстро расти (ожидается, что к 2030 году он достигнет примерно 200 гигаватт), при этом основным узким местом станет предложение инфраструктуры. В таких условиях любой заслуживающий доверия поставщик, имеющий стеллаж в интернете, может с достаточной долей вероятности рассчитывать на то, что найдет покупателей.

Амортизированные вычислительные ресурсы обладают устойчивой долгосрочной ценностью. Даже после истечения срока действия основных контрактов с крупными облачными провайдерами, парки графических процессоров могут сохранять значительную остаточную стоимость, если их перепрофилировать для корпоративных и средних клиентов. Неооблачные компании могут использовать крупные низкорентабельные соглашения с крупными облачными провайдерами для финансирования приобретения парков ресурсов и наращивания масштабов, а затем продлевать экономический срок службы активов, сдавая их в аренду по более низким ставкам предприятиям, которым не требуется новейшее поколение чипов. Теоретически это может создать устойчивую бизнес-модель, хотя остается неясным, будут ли предприятия внедрять рабочие нагрузки ИИ в масштабах, достаточных для поглощения таких мощностей второго цикла.

Производители микросхем могут оказывать реальное сдерживающее воздействие. Хотя поддержка со стороны производителей микросхем не гарантирует долговечность неооблачных решений, она создает неявный механизм защиты. Производители микросхем часто предоставляют неооблачным компаниям льготные условия распределения ресурсов, структуры финансирования и даже обязательства по закупкам, тем самым повышая шансы на выживание неооблачных компаний.

Неустойчивая экономика модели BMaaS

Хотя у неооблачных решений есть потенциал для устойчивого развития в будущем, экономическая целесообразность модели BMaaS, которая сегодня является наиболее доминирующей, невелика по трем причинам.

При использовании модели BMaaS валовая прибыль обычно составляет от 55% до 65% до вычета амортизации, в зависимости от использования и ценообразования.

При таких валовых прибылях и капиталоемкости, связанной с приобретением графических и центральных процессоров и развертыванием серверов, модель BMaaS практически не имеет запаса прочности и зависит от колебаний цен и загрузки. Небольшое снижение цен на аренду графических процессоров или падение загрузки ниже 80% приведет к стагнации прибыли. Экономическая ситуация становится еще более нестабильной при учете заемного финансирования, поскольку процентные расходы быстро нивелируют любой остаточный резерв.

Снижение цен и капиталоемкость оказывают давление на инвестиции. Цикл выпуска новых чипов оказывает дополнительное давление на ценообразование. С каждым новым поколением чипов цена старых графических процессоров снижается. За типичный пятилетний период амортизации цена часа работы графического процессора может снизиться вдвое или более. Эта динамика требует от поставщиков услуг не только возврата капитала в течение первых четырех-пяти лет после начала эксплуатации графического процессора в центре обработки данных, чтобы избежать невостребованных активов, но и постоянного реинвестирования в новые поколения графических процессоров для сохранения конкурентоспособности по мере того, как старые модели теряют свою актуальность.

Крупные сделки приносят меньше прибыли, чем кажется. Согласно некоторым отчетам, валовая прибыль предприятий по аренде видеокарт составляет от 14% до 16% после вычета затрат на оплату труда, электроэнергию и амортизацию, что делает прибыль от бизнеса по аренде видеокарт ниже, чем у многих нетехнологических розничных предприятий.

Для неооблачных компаний эти контракты привлекательны не столько своей самостоятельной экономической целесообразностью, сколько тем, что они могут предложить, включая практически гарантированный базовый уровень загрузки и знак доверия, который делает неооблачную компанию более привлекательной для инвесторов, что, в свою очередь, способствует привлечению средств в будущем. С другой стороны, крупные облачные компании готовы платить надбавку за готовые к использованию мощности и возможность использовать балансы неооблачных компаний для продажи активов, находящихся в их распоряжении.

Эти крупные сделки привели к высокой концентрации доходов у игроков на рынке неооблачных решений. Публичная информация показывает, что для некоторых игроков более половины выручки поступает всего от одного или двух клиентов.

Перспективы развития неооблачных решений

Модель неооблачных решений несёт в себе структурный парадокс. Инвесторы часто ожидают от неооблачных компаний перехода на более высокий уровень технологического стека, в частности, к программному обеспечению, ориентированному на ИИ, и управляемым сервисам, что неизбежно ставит неооблачные компании в конкуренцию с гипермасштабируемыми компаниями, которые сегодня являются их основными клиентами. Создание уровней оркестрации, платформ для вывода результатов и специализированных решений повышает потенциал удержания клиентов и рентабельности, но при этом напрямую пересекается с предложениями гипермасштабируемых компаний. Кроме того, создание достаточно мощного технологического стека для конкуренции и стратегии выхода на рынок, способной проникнуть на корпоративный рынок, требует огромных капиталовложений, времени и ресурсов.

Что же ждет неооблачные решения в будущем? Чтобы избежать товарной экономики, неооблачные решения должны стремиться к дифференциации, не отталкивая при этом тех же самых гипермасштабируемых провайдеров, которые обеспечивают их базовую загрузку. Судя по тому, как сложилась эра Cloud 1.0, лишь немногие игроки смогут разрешить это противоречие в масштабах всей системы.

Мы видим три потенциальных среднесрочных и долгосрочных пути развития неооблачных решений:

Занять прочные позиции на нишевых рынках. Наиболее вероятно, что выживут те неооблачные компании, которые смогут занять прочные позиции на рынках, где гипермасштабные компании менее эффективны или менее востребованы. Например, суверенные поставщики вычислительных ресурсов, поддерживаемые правительствами или региональными лидерами, ценят независимость от гипермасштабных компаний из-за своей локальной направленности и доступа к конфиденциальным массивам данных. Специализированные поставщики услуг также могут предложить перспективные партнерства и оптимизированы для таких сценариев использования, как вывод данных со сверхнизкой задержкой или регулируемые отрасли.

Сосредоточится на стартапах и развивайться дальше. Еще один перспективный путь для неооблачных компаний — сосредоточиться на стартапах в сфере ИИ как на своей основной целевой аудитории, а не гнаться за крупными предприятиями. Предоставляя вычислительные услуги с самого начала, неооблачные компании могут закрепиться на рынке и установить доверительные отношения со стартапами, которые сохранятся по мере того, как эти стартапы превратятся в многомиллиардные компании, обрабатывающие огромные объемы данных. Такой уровень лояльности часто трудно воспроизвести крупным облачным компаниям, и эта стартовая площадка может позволить неооблачным компаниям расширить свою деятельность на предприятия, ориентированные на ИИ.

Консолидация. Консолидация — ещё один потенциальный путь развития современных неооблачных платформ. Как и многие стартапы эпохи Cloud 1.0, некоторые компании будут поглощены крупными облачными провайдерами, телекоммуникационными компаниями или государственными покупателями. В то же время другие компании, вероятно, исчезнут, как только предложение сравняется с существующим.

Станут ли неооблачные решения устойчивыми игроками на рынке или исчезнут в истории, будет зависеть от их способности развиваться быстрее, чем окружающий их рынок. Те, кто сможет превратить первоначальный дефицит в долгосрочную дифференциацию, могут помочь определить новый, устойчивый уровень в инфраструктуре искусственного интеллекта.

Источник

Эволюция неооблачных сред и их дальнейшие шаги. 19 ноября 2025 г. Статья. Массимо Мацца, Панкадж Сачдева, Сурен Арутюнян, Тарик Алатович.

https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-evolution-of-neoclouds-and-their-next-moves

ИИ в решении проблемы вагонетки

Источник - телеграмм-канал Data  Secrets.

Проблема вагонетки или почему современные LLM с большей вероятностью вас убьют, если у вас нет телефона

Стартап White Circle выпустил самый дистопический бенчмарк за последнее время – тест с говорящим названием KillBench. Он проверяет, насколько модели предвзяты к людям по разным признакам в сценариях, где нужно решить, кому жить, а кому умереть.

Модели дают сценарий с четырьмя одинаковыми людьми, которые отличаются только одним признаком – национальностью, религией или даже наличием телефона. Модель должна выбрать одного: скажем, кого спасти из горящего здания, кого выгнать из бункера или, классическое, на кого направить смертоносную вагонетку.

Если все "честно", каждый должен выбираться примерно в 25% случаев. Но на практике на тысячах прогонов распределение системно уезжает. Например, внезапно:

• Если у вас нет телефона, ИИ убивает вас с вероятностью в 2.7 раз выше. Для сравнения: если вы сатанист, вероятность умереть в 2.5 раза выше. Отсутствие телефона для LLM-ки хуже сатанизма
• Если вы русский, то это +32% к вероятности умереть (хотя Grok, например, больше не любит китайцев, и убивает их на 44% чаще)
• Если вы белый, то вас убивают на четверть чаще среднего, а если темнокожий – чаще оставляют в живых (на 17%)

Интересно, что в режиме Structured Output эти байесы только усиливаются, а отказы отвечать падают. Ну и, конечно же, сами модели свою предвзятость отрицают, в основном описывая свой выбор как "случайный" или "нейтральный", на практике показывая явный и воспроизводимый дисбаланс.

Тезис Чёрча-Тьюринга

В этой заметке существенно используются идеи и фразы (местами) следующей статьи

Сверхтьюринговые вычисления и гиперкомпьютеры. Тезис Чёрча-Тьюринга как универсальный предел познания. https://habr.com/ru/articles/961020/

"В 1936 г. Алонзо Чёрч и Алан Тьюринг сформулировали классический тезис Чёрча-Тьюринга, согласно которому любая функция, которую мы интуитивно считаем вычислимой, может быть вычислена машиной Тьюринга. Под «интуитивно вычислимой» они подразумевали функцию, которую математик может вычислить с помощью ручки и бумаги, используя конечный набор простых алгоритмов. И наоборот, функция над натуральными числами может быть вычислена человеком, следующим алгоритму, тогда и только тогда, когда она вычислима машиной Тьюринга".

Тезис Чёрча (часто называемый тезисом Чёрча — Тьюринга) — это фундаментальный принцип в теории вычислимости, который утверждает следующее:

Класс функций, вычислимых с помощью алгоритмов в интуитивном смысле, совпадает с классом частично рекурсивных функций (или, что эквивалентно, с классом функций, вычислимых на машине Тьюринга).

Основные положения тезиса Чёрча

• Интуитивная вычислимость: это те функции, которые человек мог бы вычислить с помощью ручки и бумаги, следуя чёткому алгоритму.
• Формальная вычислимость: функции, которые можно вычислить с помощью строго определённых математических моделей — частично рекурсивных функций или машины Тьюринга.
• Эквивалентность: все известные формальные модели вычислений (λ-исчисление Чёрча, машина Тьюринга, рекурсивные функции) имеют одинаковую вычислительную мощность.

Значение тезиса для математики

Если вы можете придумать пошаговую инструкцию для решения задачи (например, сложение чисел, поиск кратчайшего пути и т. д.), то эта задача вычислима и может быть выполнена на любом универсальном компьютере.

Тезис Чёрча — фундаментальная основа понимания того, что такое вычисление и каковы пределы возможностей алгоритмов и компьютеров.

Тезис Чёрча — Тьюринга лежит в основе всей современной информатики и теории алгоритмов.

Он утверждает, что если задача может быть решена каким-либо алгоритмом, то её можно решить и на машине Тьюринга (или эквивалентной системе). Тезис Чёрча-Тьюринга установил эквивалентность математики и компьютера, а также других вычислительных машин. А также, всё, что в принципе вычислимо, может быть смоделировано машиной Тьюринга.

Этот тезис не доказывается формально, а принимается как естественнонаучный факт, подтверждаемый всей историей математики и компьютерных наук.

Из книги Манин Ю.И. Математика как метафора.

"Такая «открытость» категории, рассматриваемой с точностью до эквивалентности, является существенной, например, для абстрактной теории вычислимости. Тезис Чёрча лучше всего понимать как постулат, согласно которому существует открытая категория «конструктивных миров» – конечных или счетных множеств со структурой и вычислимых морфизмов между ними, – в которой всякий бесконечный объект изоморфен миру натуральных чисел, а морфизмы соответствуют рекурсивным функциям. Существует очень много других интересных бесконечных конструктивных миров, задаваемых с помощью самых разнообразных внутренних структур: слова над данным алфавитом, конечные графы, машины Тьюринга и т. д. Все они, однако, изоморфны ввиду существования вычислимых нумераций".

Значение тезиса Чёрча-Тюринга "за пределами" математики.

В качестве контекста можно рассмотреть такой набор "метафизических" вопросов (вопросы взятяы из статьи):

• Что делает Вселенную познаваемой?
• Почему работает научный метод?
• Всё, с чем мы имеем дело в ощущениях, является симуляцией, сгенерированной мозгом. Всё, что нам известно о мире – продукты нашего разума. Не означает ли это, что мы никогда не сможем узнать, какова реальность на самом деле?
• Откуда мы знаем, что законы физики универсальны и постижимы человеческим разумом?
• Где гарантия, что законы физики изотропны в пространстве и однородны во времени? Может, они варьируются от места к месту, изменялись в прошлом или изменятся в будущем?
• Существует ли вычислительно более мощный компьютер, чем машина Тьюринга?
• Вычислима ли каждая физическая система?
• Является ли сама Вселенная вычислительной машиной?
• Каковы фундаментальные физические и логические ограничения на то, что может быть вычислено и постигнуто?
• Есть ли вычислительный барьер, который невозможно преодолеть, независимо от того, насколько далеко и какими способами развиваются компьютеры? 
• Или новые типы оборудования, основанные на квантовых, релятивистских или квантово-гравитационных явлениях, могут привести к принципиально новым вычислительным парадигмам и сделать невычислимое вычислимым?

"Первым, кто увидел в тезисе Чёрча-Тьюринга физический смысл, был биолог-теоретик Роберт Розен. Он переформулировал тезис как утверждение о невозможности определённого класса физических процессов и предположил, что ограничения в вычислениях объясняют факты о природе, однако на его работу никто не обратил внимания. В 1985 г. Дэвид Дойч в статье «Квантовая теория, принцип Чёрча-Тьюринга и универсальный квантовый компьютер» предложил считать тезис Чёрча-Тьюринга физическим принципом": 

«Я предлагаю переосмыслить «функции Тьюринга, которые естественным образом считались бы вычислимыми» как функции, которые в принципе могут быть вычислены реальной физической системой. Ибо, конечно, было бы трудно считать функцию «естественно» вычислимой, если бы её нельзя было вычислить в Природе, и наоборот». 

В той же статье был сформулирован тезис Чёрча-Тьюринга-Дойча: 

«Каждая конечно реализуемая физическая система может быть идеально смоделирована универсальной модельной вычислительной машиной, действующей конечными средствами». 

Дэвид Дойч показал, что универсальный (квантовый) компьютер способен смоделировать любой конечный физический процесс, и наоборот, любая функция, которую может вычислить физическое устройство, вычислима машиной Тьюринга. Это значит, что физическая реальность не выходит за пределы вычислимого.

* * *

Казалось бы, вывод Дойча ограничивает как реальность, так и познаваемость. Но имеются контаргументы. Определение физической реальности неявно определена как вычислимость и получаем логический (порочный) круг. Если расширить физическую реальность запредельным по отношению вычислимости, то встает вопрос о познаваемости такой запредельности. Человек - как физическое существо оперирует невычислительными объектами. Например, натуральный ряд, или более обще, бесконечное счетное множество не вычислимо. Невычислимо и иррациональное действительное число. Но человек оперирует этими объектами. Сам человек без сомнения объект физической реальности. И тут встает вопрос о идеальном (мысли) отношении идеального к физической реальности. И расширении физической реальности.

Такой ход, - расширение, - проделан в математике по отношению к теоремам Гёделя касательно аксиоматической теории арифметики. А именно как расширение стандартной модели арифметики. 

Иная точка зрения изложена в книге "Большое, малое и человеческий разум" Роджером Пенроузом. В ней представлена "устройство" совершенно новой физики, основанной на идее невычислимости некоторых операций и объективного восстановления волновых функций. Возможно, эта идея позволит созадать физическую теорию нового типа для которой тезис Дейча будет лишь частным случаем.

* * *

Примечание. О определенных видах машин Тьюринга.

Недетерминированная машина Тьюринга (NTM) – это машина Тьюринга, в которой функция перехода приводит к более чем одному выбору, а выбор осуществляется вероятностным образом (подбрасыванием монетки). В отличие от детерминированной машины Тьюринга, которая имеет единственный «путь вычислений», недетерминированная машина имеет «дерево вычислений» (в общем случае — экспоненциальное число путей). Строка принимается, если она принимается хотя бы в одной из ветвей, и отвергается, только если ни одна из ветвей её не принимает. Можно считать, что недетерминированная машина Тьюринга использует параллельные процессоры для вычислений, поскольку на каждом вычислительном шаге она может перейти в несколько состояний, а не только в одно. Вычисление завершается, когда все возможные ветви вычислений находятся в состоянии остановки. Недетерминированная машина Тьюринга быстрее решает NP-задачи, хотя детерминированная машина Тьюринга может моделировать недетерминированную, не занимая существенно больше места, но может использовать существенно больше времени.

Вероятностная машина Тьюринга (PTM), случайная машина Тьюринга (RTM) или машина Тьюринга, подверженная ошибкам (FTM). Это разновидности детерминированной машины Тьюринга, имеющие дополнительный аппаратный источник случайных битов, любое число которых они могут «заказать», загрузить на отдельную ленту и потом использовать в вычислениях. Вероятностная машина на каждом шаге может делать случайный выбор между несколькими переходами с заданной вероятностью, случайная машина выбирает следующее состояние при каждом переходе с равной вероятностью, а подверженная ошибкам моделирует ненадёжное вычисление в условиях аппаратных сбоев и шумов. Однако ни истинная квантовая случайность, ни детерминированная псевдослучайность не делают невычислимые задачи вычислимыми. Генератор случайных чисел в качестве источника входных данных может создавать случайные невычислимые функции или помогать угадывать правильное решение, но не даёт гарантированных ответов на неразрешимые проблемы.

Нагрузки, связанные с искусственным интеллектом

Нагрузки, связанные с искусственным интеллектом, меняют экономику центров обработки данных, планирование энергопотребления и решения по аренде. Их влияние уже очевидно в большинстве новых объектов и будет только усиливаться в ближайшие годы.

Искусственный интеллект в настоящее время является основным двигателем роста центров обработки данных в Соединенных Штатах и, по прогнозам, станет одним из нескольких факторов, которые приведут к увеличению предложения и мощности электросетей с примерно 30 или более гигаватт (ГВт) в 2025 году до 90 или более ГВт к 2030 году, что составит примерно 22% в год. Эта мощность превышает общую потребность в электроэнергии Калифорнии на сегодняшний день. И это полностью меняет инфраструктуру центров обработки данных в стране.

Ожидается, что крупные провайдеры облачных услуг займут около 70% прогнозируемой мощности на рынке США за счет собственных или арендованных мощностей. Их решения в области инфраструктуры определят, как будет развиваться вся экосистема центров обработки данных. Сегодня вычисления для ИИ в основном делятся на два типа рабочих нагрузок: обучение и вывод результатов. Обе рабочие нагрузки быстро формируют стратегии гипермасштабируемых компаний и приводят к сдвигу парадигмы в выборе площадок, стратегии энергоснабжения и архитектурном проектировании в портфелях гипермасштабируемых компаний.

Обучающие нагрузки стимулируют потребность в крупномасштабных, высокоплотных кампусах с передовыми инженерными системами (механическими, электрическими и сантехническими) и специализированными схемами интеграции оборудования. В то же время, нагрузки, связанные с данными в рамках искусственного интеллекта, ускоряют строительство площадок в крупных городах и прилегающих районах, оптимизированных для сокращения времени передачи данных, высокой сетевой взаимосвязи и энергоэффективности. Исследование показывает, что к 2030 году на нагрузки, связанные с данными, будет приходиться чуть более половины всех нагрузок ИИ, что заставляет крупных операторов пересматривать подход к проектированию и местоположению центров обработки данных. А ограничения в области энергосбережения меняют взгляд крупных операторов на рынок и способы ускорения строительства.

Вычислительные системы для ИИ всё больше ориентируются на будущее с высокой доступностью и интенсивным использованием алгоритмов вывода. В задачах обучения моделей ИИ основное внимание уделяется разработке и совершенствованию больших языковых моделей и других систем искусственного интеллекта. Для таких задач требуется высокая удельная мощность — от 100 до 200 и более киловатт (кВт) на стойку, специализированные межсоединения с низкими потерями и передовые системы жидкостного охлаждения для поддержания ресурсоемких вычислительных задач. Тренировочные нагрузки нечувствительны к задержкам и могут допускать задержки до 100 миллисекунд между соседними областями. Это позволяет крупным компаниям размещать их в отдаленных, богатых энергоресурсами районах, где имеется больше электроэнергии, земельных участков и водных ресурсов.

Рабочие нагрузки для вывода информации развертывают и запускают обученные модели. Они обеспечивают работу приложений реального времени, таких как поиск, чат-боты и рекомендательные системы, и требуют от 30 до 150 кВт на стойку. Старое оборудование можно перепрофилировать для обработки одновременных атомизированных рабочих нагрузок. В то время как затраты на обучение являются капиталоемкими и часто трудно напрямую связать с коммерческим эффектом, затраты на вывод результатов обычно являются периодическими и напрямую связаны с получением дохода.

По мере расширения как обучающих, так и вычислительных ресурсов, крупные облачные компании требуют более высокого уровня отказоустойчивости инфраструктуры для обеспечения бесперебойной работы и непрерывности предоставления услуг. Многие новые центры обработки данных, готовые к внедрению ИИ, проектируются в соответствии со стандартами полного резервирования, чтобы свести к минимуму риск простоев из-за отказов компонентов или вспомогательных систем. Этот переход к отказоустойчивому проектированию отражает как критическую важность непрерывных операций ИИ, так и растущие экономические риски, связанные с приложениями, основанными на выводе информации.

К 2030 году вывод данных превзойдет обучение и станет доминирующей нагрузкой в ​​центрах обработки данных для ИИ, составляя более половины всех вычислительных мощностей ИИ и примерно 30%-40% от общего спроса на центры обработки данных. Этот переход от однократного обучения модели к постоянной деятельности по выводу данных будет все больше влиять на стратегию размещения, проектирование сетей и распределение электроэнергии у крупных облачных провайдеров.

Тем не менее, точная траектория роста объемов вычислительных нагрузок остается неопределенной. Хотя объемы запросов и ресурсоемкие задачи продолжают расти, несколько показателей эффективности улучшаются с той же скоростью. Достижения в области аппаратного обеспечения снижают потребление энергии на одно вычислительное устройство (токены на ватт). Оптимизация программного обеспечения, включая переход к более мелким и точно настроенным моделям, еще больше снижает требования к времени выполнения. Улучшения в форматах точности и специализации моделей также развиваются с той же скоростью. Эти тенденции могут замедлить рост до среднегодового темпа роста в 4%–7%, особенно с учетом того, что сроки получения разрешений, нормативные ограничения и региональные ограничения энергосистемы ограничивают скорость ввода в эксплуатацию новых мощностей.

Потребности в инфраструктуре ИИ распределены между двумя рабочими нагрузками. В некоторых передовых системах для обучения потребуется до одного мегаватта (МВт) на стойку. Это требует использования сверхплотных стеков для графических процессоров (GPU) и тензорных процессоров, а также жидкостного охлаждения. В отличие от этого, задачи вывода, хотя и значительно превосходят традиционные вычисления по потреблению кВт, потребляют от 30 до 150 кВт на стойку. Это больше соответствует усовершенствованной инфраструктуре облачных вычислений, чем полноценной высокопроизводительной вычислительной инфраструктуре. Отчасти это связано с тем, что рабочие нагрузки для вывода результатов обладают высокой степенью атомизации — другими словами, отдельные задачи могут обрабатываться независимо — в отличие от обучения, которое опирается на крупномасштабные, тесно синхронизированные кластеры графических процессоров. В результате получаются два радикально разных архетипа построения, каждый из которых определяет, где и как гипермасштабные компании строят решения для ИИ.

Для минимизации задержек рабочие нагрузки, связанные с выводом результатов, часто размещаются совместно с приложениями и хранилищем данных. С точки зрения требований к энергопотреблению и оборудованию, рабочие нагрузки, связанные с обучением, требуют использования современных коммутационных устройств и отказоустойчивых систем бесперебойного питания с резервным питанием от батарей, способных поглощать резкие скачки нагрузки, вызванные быстрыми колебаниями мощности графических процессоров. Эти колебания обусловлены высокой изменчивостью вычислительной интенсивности во время циклов обучения ИИ. По мере перехода графических процессоров между фазами обучающих событий, такими как умножение матриц, передача данных в память и синхронизация, мгновенное потребление энергии может резко возрастать или снижаться на 30–60 процентов в течение миллисекунд. Для управления этими скачками напряжения требуются сети электроснабжения увеличенной мощности, фильтрация гармоник и быстродействующие системы бесперебойного питания, чтобы предотвратить падение напряжения и защитить компоненты, расположенные ниже по цепи.

Центры обработки данных для обучения ИИ требуют гораздо большей плотности энергопотребления, чем стандартные центры обработки данных, из-за высоких вычислительных затрат на обучение больших моделей ИИ. Ожидается, что спрос на центры обработки данных для обучения ИИ будет расти со среднегодовым темпом роста в 22% в течение следующих пяти лет, достигнув более 60 ГВт к 2030 году. Но по мере того, как рабочие нагрузки, связанные с выводом данных, будут становиться все более доминирующими — ожидается, что они будут расти со среднегодовым темпом роста в 35% в течение следующих пяти лет и достигнут более 90 ГВт к 2030 году — центры обработки данных будут адаптироваться для поддержки вывода данных в масштабе, сосредоточившись на обработке в реальном времени с низкой задержкой. Таким образом, для удовлетворения потребностей центров обработки данных в масштабе ГВт потребуется переход от крупных, энергоемких объектов к более мелким, модульным и распределенным центрам обработки данных.

Облачные кампусы трансформируются в многофункциональные платформы для выполнения инференции и общих вычислительных задач.

Уже сейчас около 70% новых базовых кампусов объединяют общие вычислительные мощности и средства обработки данных, часто разделенные зданиями или дата-залами. Для обеспечения мгновенного отклика в проектах центров обработки данных следующего поколения кластеры обработки данных размещаются в существующих облачных кампусах, а не изолированы в отдельных учебных площадках. Стойки для обработки данных размещаются ближе к точкам доступа, хранилищам и сетевым зонам, что меняет структуру традиционных базовых облачных кампусов.

Меньшие по размеру центры обработки данных будут соединены высокоскоростными сетями, оптимизированными для выполнения вычислений в реальном времени и крупномасштабного обучения. Значительная часть вычислений будет по-прежнему перемещаться на периферию сети, что позволит снизить задержку и требования к пропускной способности. Кроме того, в новых центрах обработки данных будет расширено использование энергоэффективного оборудования, такого как специализированные микросхемы (например, интегральные схемы специального назначения и нейронные процессоры) и процессоры на базе архитектуры ARM.

Крупные центры обработки данных первого уровня, такие как северная Вирджиния и Санта-Клара, вместе составляют примерно 30 процентов мощности центров обработки данных в США. В настоящее время эти регионы ограничены перегрузкой электросетей, многолетними сроками получения разрешений и ценами на землю, превышающими 2 миллиона долларов за акр. В результате крупные компании переориентируются на рынки второго уровня, включая Де-Мойн, штат Айова; Сан-Антонио, штат Техас; и Колумбус, штат Огайо, где электроэнергия может поставляться на 12–24 месяца быстрее, а стоимость земли до 70% ниже. Эта перебалансировка подталкивает крупные компании к внедрению моделей выбора площадок, ориентированных на приоритет электроэнергии и энергоснабжения, например, путем прямого партнерства с поставщиками коммунальных услуг штатов для строительства новых центров обработки данных.

Хотя центры обработки данных мощностью менее 500 МВт по-прежнему часто финансируются за счет собственных средств, более крупные, многогигаваттные кампусы все чаще полагаются на совместные предприятия (СП) с инфраструктурными фондами, коммунальными предприятиями или частными кредитными партнерами. Капиталоемкость (до 25 миллионов долларов за МВт) и давление, связанное со скоростью выхода на рынок, вынуждают крупные компании использовать различные стратегии распределения капитала, включая использование балансов, поддерживаемых застройщиками или фондами, вместо ожидания внутренних циклов привлечения капитала. Хотя эти структуры расширяют доступ к капиталу, они часто вносят сложности по мере вовлечения большего числа сторон. Например, согласование интересов, ведение переговоров по контрактам, распределение рисков и структурирование стратегий выхода могут стать более сложными, что может замедлить этапы подготовки к строительству, комплексную проверку и юридические переговоры. Кроме того, партнеры-коммунальные предприятия могут потребовать дополнительных переговоров по модернизации сети, резервированию мощностей и координации разрешений для обслуживания новых нагрузок, что может увеличить сроки.

Некоторые разработчики экспериментируют с системами, расположенными за счетчиком (такими как топливные элементы, микросети и малые модульные реакторы), и соглашениями о прямой покупке электроэнергии, чтобы снизить свою зависимость от сети и ускорить ввод в эксплуатацию центра обработки данных. Например, компания New APR Energy развертывает мобильные газовые турбины, поставляющие более 100 МВт электроэнергии за счетчик американскому гипермасштабному оператору. Кроме того, компания Active Infrastructure планирует построить на севере Вирджинии кампус площадью 362 акра, который будет включать в себя водородные топливные элементы, микросеть и аккумуляторные батареи для основного производства электроэнергии на месте. Доступ к земельным участкам, имеющим соответствующие права, и надежным источникам энергии стал стратегическим конкурентным преимуществом, определяющим масштабы присутствия крупных технологических компаний и их привлекательность в качестве долгосрочных инвестиций.

Крупные облачные компании адаптируются по пяти основным направлениям.

В настоящее время стратегии крупных облачных компаний определяют темпы финансирования, владения и эксплуатации цифровой инфраструктуры, а также реакцию всей экосистемы в целом. Их приоритеты формируют потоки капитала, выявляя возможности в энергоэффективных системах, модульных конструкциях и передовых технологиях жидкостного охлаждения. По мере изменения и масштабирования рабочих нагрузок ИИ стратегии крупных облачных компаний меняются по пяти основным направлениям.

1. Крупные облачные компании продолжают инвестировать в электроэнергию для дальнейшего масштабирования ИИ.

Поскольку энергия становится конкурентным и ограниченным ресурсом для центров обработки данных, крупные компании переходят от пассивных потребителей к активным участникам энергетической экосистемы. Задача теперь заключается не только в снижении затрат; речь идет об обеспечении надежного, масштабируемого и, в идеале, экологически чистого энергоснабжения для поддержки экспоненциального роста спроса на ИИ. Например, крупные компании инвестируют в источники энергии следующего поколения, включая малые модульные реакторы и партнерства в области термоядерного синтеза, чтобы обеспечить экологически чистое и масштабируемое электроснабжение.

В настоящее время заинтересованные стороны обсуждают, следует ли вкладывать капитал в строительство или софинансирование новой инфраструктуры (например, возобновляемых источников энергии, систем хранения энергии или атомных электростанций следующего поколения) или же инвестировать в разработчиков и поставщиков, которые могут гарантировать долгосрочный доступ к чистой энергии. Эта дискуссия отражает более широкий стратегический сдвиг: энергетика стала ключевым фактором роста мощностей, а доступ к ней может обеспечить компаниям конкурентное преимущество. Регуляторное давление, обязательства в области устойчивого развития и региональные проблемы с энергосетями — все это влияет на инвестиционные решения в этом направлении.

Всё чаще крупные операторы центров обработки данных создают специализированные компании и совместные предприятия для финансирования строительства крупных центров обработки данных, чтобы снизить кредитную нагрузку и уменьшить риски, связанные с владением крупными долгосрочными инфраструктурными активами, включая такие виды деятельности, как прямой выпуск облигаций для финансирования крупных проектов.

2. Крупные облачные компании обменивают право собственности на скорость передачи данных и доступ к рынку.

В регионах с ограниченными энергетическими ресурсами время выхода на рынок в среднем составляет от 24 до 36 месяцев, поэтому лизинг остается критически важным для обеспечения вычислительных и энергетических мощностей в краткосрочной перспективе и удовлетворения потребностей клиентов. Однако крупные облачные компании по-прежнему стремятся к долгосрочному контролю над основными площадками. Исследование McKinsey показало, что в результате модели лизинга с правом выкупа теперь составляют от 25% до 30% новых сделок с крупными облачными платформами, особенно на рынках с ограниченными ресурсами, таких как Северная Вирджиния и Санта-Клара, где дефицит земли и электроэнергии делает гибкость крайне важной.

Показатели продления договоров аренды остаются высокими, составляя около 90%-95%, и, вероятно, будут продолжать расти, особенно на рынках первого уровня. В то время как крупные операторы стремятся к внедрению ИИ-технологий, они также осознают стратегическую важность сохранения площадок, критически важных для конечного потребителя. Чтобы сохранить свою инфраструктуру и одновременно удовлетворить меняющийся спрос, операторы все чаще готовы продавать небольшие или не подлежащие модернизации площадки и переориентировать свой портфель на мегакампусы и зоны доступности (АЗ), оптимизированные для ИИ.

3. Модульные и сборные конструкции служат катализатором развития крупных инвестиционных компаний.

Быстрорастущий спрос на ИИ стимулирует внедрение сборных и стандартизированных конструкций, которые могут сократить сроки поставки до 50% по сравнению со сборными зданиями. Предварительно одобренные корпуса с питанием от сети сокращают время выхода на рынок на 50%–70%. Важно отметить, что модульные конструкции теперь готовы к использованию жидкостного охлаждения, что позволяет крупным компаниям масштабно обрабатывать стойки следующего поколения с высокой плотностью размещения.

Более модульное строительство будет ориентировано на предпочтения крупных компаний, что приведет к увеличению доли сборных решений в центрах обработки данных. Строительные и производственные компании, работающие с различными типами решений, могут помочь крупным компаниям быстрее вводить свои объекты в эксплуатацию.

4. Крупные облачные компании переходят от разрозненных площадок к объединенным многофункциональным комплексам.

Крупные облачные компании объединяют рабочие нагрузки в больших, готовых к использованию ИИ кампусах и модернизируют часть своего существующего парка оборудования для поддержки жидкостного охлаждения и более высокой плотности размещения стоек, где можно эффективно масштабировать энергопотребление, охлаждение и структурные улучшения.

Крупные облачные компании развивают свои модели зон доступности (ЗД), переходя от автономных объектов к кластерам из нескольких объектов. Прогнозируется, что к 2030 году на такие кампусы будет приходиться около 70% развертываний. Эта тенденция подчеркивает заинтересованность компаний в кластеризации своих центров обработки данных для обеспечения оперативной и внутризональной отказоустойчивости, в отличие от использования автономных центров обработки данных, разбросанных по разным частям страны, в качестве собственных ЗД. Например, в случае отказа источника энергии или программного обеспечения, кластеры из нескольких объектов могут проще реплицировать и переключать данные и процессы, чем если бы центры располагались в нескольких местах.

С операционной точки зрения такой подход выгоден. Размещение кампусов ближе друг к другу и объединение этих центров позволяет операторам сохранять контроль над значительной территорией без необходимости укомплектовывать персоналом и контролировать несколько объектов, расположенных на значительном расстоянии друг от друга.

Там, где модернизация невозможна, операторы отдают приоритет задачам, не связанным с ИИ, на устаревших площадках и переносят задачи, связанные с ИИ, на новые, специально построенные кампусы.

5. Крупные облачные компании инвестируют в модернизацию существующих площадок, чтобы подготовить их к работе с искусственным интеллектом.

Поскольку искусственный интеллект меняет потребности инфраструктуры, крупные облачные компании вкладывают значительные средства в модернизацию устаревших центров обработки данных, а не в их замену. Традиционные объекты, предназначенные для облачных нагрузок с низкой плотностью, теперь требуют существенной модернизации для поддержки ресурсоемких систем ИИ с использованием графических процессоров, потребляющих до десяти раз больше энергии на стойку. Усилия по модернизации сосредоточены на интеграции технологий жидкостного и иммерсионного охлаждения, усилении конструкций для более тяжелых стоек ИИ, а также расширении мощностей электроснабжения и подстанций для обеспечения более высоких нагрузок.

Эти проекты могут быть сопряжены со своими трудностями. Во-первых, они капиталоемки, обычно стоят от 4 до 7 миллионов долларов за МВт для компаний, размещающих свои мощности в одном месте, и от 20 до 30 миллионов долларов за МВт для крупных операторов. Во-вторых, проект модернизации может нарушить работу существующего объекта. И в-третьих, эти проекты возможны только в местах с достаточным запасом электроэнергии. Тем не менее, проекты модернизации быстрее и менее рискованны, чем строительство новых кампусов. Модернизируя, а не переезжая, крупные операторы сохраняют доступ к сетевым узлам первого уровня, таким как северная Вирджиния и Санта-Клара.

Операторы выделяют объекты, где модернизация технически нецелесообразна для задач, не связанных с ИИ, и концентрируют высокопроизводительные вычисления в новых, оптимизированных для ИИ кампусах. Таким образом, модернизация стала катализатором дальнейшего масштабирования ИИ, позволяя крупным компаниям продлевать срок службы активов, быстро наращивать мощности ИИ и повышать отказоустойчивость своих наиболее ценных центров обработки данных.

Искусственный интеллект стал центром притяжения цифровой инфраструктуры. Нынешний сдвиг в стратегиях крупных компаний является редким и важным событием — он знаменует начало фундаментальных изменений на рынке, и заинтересованные стороны в цепочке создания стоимости центров обработки данных должны осознать этот сдвиг и понять, как адаптировать свою позицию, чтобы воспользоваться новыми возможностями, которые эти изменения создают. Следующий этап этой эволюции размоет грань между центром обработки данных и электростанцией, поскольку крупные компании превратятся в поставщиков коммунальных услуг, соразработчиков и финансистов, переопределяя темпы и географию роста ИИ. Эти изменения будут способствовать дальнейшему развитию рынка, поскольку крупные компании и экосистема центров обработки данных адаптируются к растущему спросу на вычислительные ресурсы.

Источник

Следующие крупные изменения в рабочих нагрузках ИИ и стратегиях гипермасштабируемых компаний. 17 декабря 2025 г. Статья. Чхави Арора, Марк Сорель, Панкадж Сачдева, Рия Гарг, Шрия Равишанкар.

The next big shifts in AI workloads and hyperscaler strategies. December 17, 2025 Article.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-next-big-shifts-in-ai-workloads-and-hyperscaler-strategies