Сегодня у нас две довольно мрачные игры, обе маленькие, обе с необычными идеями (у одной геймплей, у другой графика и история), и обе интересные:
Две игры о плохом будущем: Dead Letter Dept. и Decade
(и вот на DTF выложил)
Dead Letter Dept.
Маленькая игра, одно прохождение на два часа (можно потом пробовать получить другие концовки), но атмосферу создаёт отлично.
Геймплей необычный, и на Steam Deck тут не поиграешь: ты должен работать разметчиком данных для OCR-системы на почте, то есть печатать на клавиатуре сложно распознаваемые адреса и имена.
Иногда, впрочем, система требует напечатать не просто адрес, а, скажем, весь текст с открытки, и эти тексты тоже складываются в не до конца ясную, но завлекательную историю.
Сделали игру два человека [...] В начале 2000-х Скотт Маки подрабатывал на Почте США именно тем, чем занимается герой игры — ездил по ночам на склад где-то на отшибе и распознавал адреса. [...]
Да и для героя это тоже вроде как подработка, чтобы пока перебиться, а то деньги заканчиваются. Живёшь ты в типичном лиминальном пространстве, а работаешь в лиминальном пространстве и того типичнее. [...]
Но вскоре среди хорошо и плохо написанных адресов начинают попадаться разные интересные штуки, и начинается, собственно, хоррор. Хоррор тут именно такой, который мне нравится: не скримеры, а нарастающая медленная неправильность мира — то картинка дрогнет, то слова в адресе начнут обращаться лично к тебе, то ты заметишь что-то на фоне, чего там быть не должно. [...]
Спойлерить сюжет я не буду, но сделано круто и с любовью, двух часов на такое произведение искусства точно не жалко, всем рекомендую попробовать. Кстати, я получил плохую концовку, а потом, когда уже читал обзоры-комментарии, случайно узнал, как можно было получить (более) хорошую. И прямо жалко стало, что не догадался! Это было абсолютно несложно, но я не заметил и прошёл мимо. Надеюсь, теперь я вас уж точно заинтриговал.
Decade
Очень необычная игра, с интересным хорошо проработанным миром и уникальным графическим стилем. Как вы наверняка догадываетесь, я такие люблю, и Decade тоже оценил.
Посылка игры такая: на Земле произошёл глобальный катаклизм, и практически всё человечество погибло. Вы — предводитель группы из четырёх даже не подростков, а детей, которые оказались в бункере вместе с... машиной времени. Это значит, что вы теперь можете отправлять трёх своих товарищей в прошлое и пытаться изменить его так, чтобы катаклизма не произошло.
Подвох в том, что машина работает только ровно на десять лет: каждая попытка отправиться в прошлое тратит десять лет жизни ваших товарищей, а жизнь у них не бесконечна. [...]
Политическая сторона здесь по проработанности напоминает Disco Elysium. Но собственно игровая часть подкачала. [...] По сути это значит, что вы просто постоянно занимаетесь сейвскаммингом, а потом плюёте на это и подсматриваете в прохождение.
Зато концовки бесподобны. Оцените стиль. И это не статичные картинки, а мини-киносюжеты. Абсолютно уникальный стиль, как в кислотных киноэкспериментах из семидесятых; нигде такого в играх не видел.
В общем, рекомендую часик-другой поиграть, посмотреть столько концовок, сколько сможете, а потом взять гайд и посмотреть остальные. Но идея крутая, и разработчику безусловный респект, стоит поддержать.
#tgif #games
Две игры о плохом будущем: Dead Letter Dept. и Decade
(и вот на DTF выложил)
Dead Letter Dept.
Маленькая игра, одно прохождение на два часа (можно потом пробовать получить другие концовки), но атмосферу создаёт отлично.
Геймплей необычный, и на Steam Deck тут не поиграешь: ты должен работать разметчиком данных для OCR-системы на почте, то есть печатать на клавиатуре сложно распознаваемые адреса и имена.
Иногда, впрочем, система требует напечатать не просто адрес, а, скажем, весь текст с открытки, и эти тексты тоже складываются в не до конца ясную, но завлекательную историю.
Сделали игру два человека [...] В начале 2000-х Скотт Маки подрабатывал на Почте США именно тем, чем занимается герой игры — ездил по ночам на склад где-то на отшибе и распознавал адреса. [...]
Да и для героя это тоже вроде как подработка, чтобы пока перебиться, а то деньги заканчиваются. Живёшь ты в типичном лиминальном пространстве, а работаешь в лиминальном пространстве и того типичнее. [...]
Но вскоре среди хорошо и плохо написанных адресов начинают попадаться разные интересные штуки, и начинается, собственно, хоррор. Хоррор тут именно такой, который мне нравится: не скримеры, а нарастающая медленная неправильность мира — то картинка дрогнет, то слова в адресе начнут обращаться лично к тебе, то ты заметишь что-то на фоне, чего там быть не должно. [...]
Спойлерить сюжет я не буду, но сделано круто и с любовью, двух часов на такое произведение искусства точно не жалко, всем рекомендую попробовать. Кстати, я получил плохую концовку, а потом, когда уже читал обзоры-комментарии, случайно узнал, как можно было получить (более) хорошую. И прямо жалко стало, что не догадался! Это было абсолютно несложно, но я не заметил и прошёл мимо. Надеюсь, теперь я вас уж точно заинтриговал.
Decade
Очень необычная игра, с интересным хорошо проработанным миром и уникальным графическим стилем. Как вы наверняка догадываетесь, я такие люблю, и Decade тоже оценил.
Посылка игры такая: на Земле произошёл глобальный катаклизм, и практически всё человечество погибло. Вы — предводитель группы из четырёх даже не подростков, а детей, которые оказались в бункере вместе с... машиной времени. Это значит, что вы теперь можете отправлять трёх своих товарищей в прошлое и пытаться изменить его так, чтобы катаклизма не произошло.
Подвох в том, что машина работает только ровно на десять лет: каждая попытка отправиться в прошлое тратит десять лет жизни ваших товарищей, а жизнь у них не бесконечна. [...]
Политическая сторона здесь по проработанности напоминает Disco Elysium. Но собственно игровая часть подкачала. [...] По сути это значит, что вы просто постоянно занимаетесь сейвскаммингом, а потом плюёте на это и подсматриваете в прохождение.
Зато концовки бесподобны. Оцените стиль. И это не статичные картинки, а мини-киносюжеты. Абсолютно уникальный стиль, как в кислотных киноэкспериментах из семидесятых; нигде такого в играх не видел.
В общем, рекомендую часик-другой поиграть, посмотреть столько концовок, сколько сможете, а потом взять гайд и посмотреть остальные. Но идея крутая, и разработчику безусловный респект, стоит поддержать.
#tgif #games
❤10🐳3🔥2👍1
Потихоньку движемся к концу в курсе "Введение в глубокое обучение" в ЮФУ. Вот уже добрался до относительно недавних новостей:
ЮФУ — 2026.05.21 — Законы масштабирования, CoT и рассуждающие модели
(слайды на странице курса)
Законы масштабирования в каком-то смысле породили современные LLM. Речь здесь не о законе Мура и сопутствующих (с которых я начал лекцию), а об эмпирических зависимостях, которые связывают переменные вроде вычислительного бюджета, объёма данных для обучения и итоговой ошибки на тестовом множестве. Люди находили такие зависимости ещё до трансформеров, но именно OpenAI смогла в них по-настоящему поверить и сделать огромную ставку на то, что они продолжатся на два порядка вперёд, то есть начать обучать сначала GPT-3, а потом и GPT-4. И эта ставка, как мы знаем, блестяще сыграла.
А во второй части рассказал про chain-of-thought методы и о том, как они привели к современным рассуждающим моделям. Это был, пожалуй, последний на данный момент большой скачок именно в интеллекте базовых моделей (последние новости скорее о том, как делать для них разные агентские обвязки). И всё это поражает тем, насколько всё это по сути просто: я вот взял и объяснил, и думаю, что слушатели поняли, а это ведь передний край полуторагодичной давности. Конечно, там скрыт большой слой нетривиальной инженерии, о котором мы не говорили, но всё равно базовые идеи в глубоком обучении часто действительно можно взять и объяснить на пальцах.
Остались у нас в этом курсе, наверное, примерно две встречи; скорее всего, уже будем разговаривать о capabilities и о том, куда всё катится...
#sfu #lectures #dsfrontiers
ЮФУ — 2026.05.21 — Законы масштабирования, CoT и рассуждающие модели
(слайды на странице курса)
Законы масштабирования в каком-то смысле породили современные LLM. Речь здесь не о законе Мура и сопутствующих (с которых я начал лекцию), а об эмпирических зависимостях, которые связывают переменные вроде вычислительного бюджета, объёма данных для обучения и итоговой ошибки на тестовом множестве. Люди находили такие зависимости ещё до трансформеров, но именно OpenAI смогла в них по-настоящему поверить и сделать огромную ставку на то, что они продолжатся на два порядка вперёд, то есть начать обучать сначала GPT-3, а потом и GPT-4. И эта ставка, как мы знаем, блестяще сыграла.
А во второй части рассказал про chain-of-thought методы и о том, как они привели к современным рассуждающим моделям. Это был, пожалуй, последний на данный момент большой скачок именно в интеллекте базовых моделей (последние новости скорее о том, как делать для них разные агентские обвязки). И всё это поражает тем, насколько всё это по сути просто: я вот взял и объяснил, и думаю, что слушатели поняли, а это ведь передний край полуторагодичной давности. Конечно, там скрыт большой слой нетривиальной инженерии, о котором мы не говорили, но всё равно базовые идеи в глубоком обучении часто действительно можно взять и объяснить на пальцах.
Остались у нас в этом курсе, наверное, примерно две встречи; скорее всего, уже будем разговаривать о capabilities и о том, куда всё катится...
#sfu #lectures #dsfrontiers
❤12🔥4
И в СПбГУ тоже движемся к концу, вот, наверное, предпоследние лекции из курса "Графические вероятностные модели":
СПбГУ — 2026.05.22 — Приближенное RL, градиент по стратегиям, планирование
(слайды и доска, как всегда, на странице курса)
Начал с приближённого RL: как работать с функциями значений, если состояний (и тем более пар состояние-действие) астрономически много, как это всегда в реальности и бывает? Обсудили полуградиентные методы, the deadly triad (bootstrap, off-policy аппроксимация) и так далее.
Но когда ваши функции значений становятся ML-моделями, вы можете сделать таковой и саму стратегию! А это открывает путь к методам градиента по стратегиям (policy gradient): обсудили собственно главную теорему, следующие из неё алгоритмы all-actions и REINFORCE, потом REINFORCE с бейзлайном... а это уже почти совсем actor-critic. Так что отсюда рукой подать до полноценных actor-critic алгоритмов, в том числе самых современных: TRPO, PPO, GRPO...
Последней темой стало планирование: рассказал про decision-time planning в форме MCTS и дошёл до того, как работает AlphaZero; там суть не в нейросетях, а в форме функции ошибки и структуре обучения с подкреплением, так что это было как раз в тему.
В следующий раз, видимо, начнём таки говорить о нейросетях: deep learning велик и продолжает экспоненциально увеличиваться, так что я в последние годы стараюсь хоть немножко начать заранее, чтобы в семестр уместилось побольше.
#spsu #lectures #pgm2026
СПбГУ — 2026.05.22 — Приближенное RL, градиент по стратегиям, планирование
(слайды и доска, как всегда, на странице курса)
Начал с приближённого RL: как работать с функциями значений, если состояний (и тем более пар состояние-действие) астрономически много, как это всегда в реальности и бывает? Обсудили полуградиентные методы, the deadly triad (bootstrap, off-policy аппроксимация) и так далее.
Но когда ваши функции значений становятся ML-моделями, вы можете сделать таковой и саму стратегию! А это открывает путь к методам градиента по стратегиям (policy gradient): обсудили собственно главную теорему, следующие из неё алгоритмы all-actions и REINFORCE, потом REINFORCE с бейзлайном... а это уже почти совсем actor-critic. Так что отсюда рукой подать до полноценных actor-critic алгоритмов, в том числе самых современных: TRPO, PPO, GRPO...
Последней темой стало планирование: рассказал про decision-time planning в форме MCTS и дошёл до того, как работает AlphaZero; там суть не в нейросетях, а в форме функции ошибки и структуре обучения с подкреплением, так что это было как раз в тему.
В следующий раз, видимо, начнём таки говорить о нейросетях: deep learning велик и продолжает экспоненциально увеличиваться, так что я в последние годы стараюсь хоть немножко начать заранее, чтобы в семестр уместилось побольше.
#spsu #lectures #pgm2026
🔥15❤4
Вы давеча накидали мне так много реакций, что я не мог не откликнуться на этот запрос. Тем более что в итоге оказалось, что довольно много чего о гипотезе Эрдёша, которую давеча опроверг GPT, действительно можно объяснить на пальцах! Конечно, далеко не всё, но я старался:
GPT и единичные расстояния: опровержение гипотезы Эрдёша
Пост длинный, а доказательство, разумеется, весьма нетривиальное, но интересующимся я действительно рекомендую попробовать его прочитать. Я начал с самых истоков, подробно обсудил постановку задачи и простые результаты, а про основной результат постарался дать и краткое описание для специалистов, и общее рукомахательное описание для неспециалистов.
Приведу здесь оглавление и (сокращённое) заключение.
1. Введение
2. Что такое задача о единичных расстояниях
— Постановка задачи
— Грубые оценки
— Эрдёш, 1946 (нижняя оценка чуть лучше линейной)
— Гипотеза Эрдёша
— Простейшая верхняя оценка: O(n^{3/2})
3. Текущая верхняя оценка O(n^{4/3})
— Что такое число пересечений
— Конструкция Секеля
4. Почему задача такая сложная и почему ей нужна теория чисел
5. Что именно сделал GPT
6. Кольца, решётки и сумма двух квадратов
— Что такое кольцо
— Гауссовы целые Z[i]
— Решётка из целых поля Q(\sqrt{2})
— Как нижняя оценка Эрдёша устроена через кольца
— Идея GPT
— Проекция
— Почему из этого следует n^{1+\delta}
7. Детали конструкции: где взять такие поля
(эту часть непрофессионалам лучше пропустить, а профессионалам — рассказать мне, где я там налажал)
8. Почему же люди этого не сделали?
9. Реакции: «I would accept it for any journal without hesitation»
10. Заключение: что всё это значит
Попытаюсь подытожить общую картину. Гипотеза Эрдёша о единичных расстояниях, простоявшая с 1946 года и широко считавшаяся верной, была опровергнута контрпримером, который полностью автоматически построила внутренняя модель OpenAI (но именно чистая LLM, без внешних инструментов вроде Lean). См. таймлайн на последней картинке.
Само доказательство — это “обычная математика”, которую могли бы создать и живые математики: оно совмещает известные ингредиенты в новое целое. Доказательство перепроверили и упростили живые математики, и финальная версия вполне читаема, да и на самом деле не так уж сложна. [...]
Лично меня в этой истории больше всего впечатляет именно то, что первый выдающийся LLM-результат оказался таким “чистым”, аккуратным и понятным. Интуитивно ведь ждёшь, что первые такие истории будут чем-то вроде доказательства ABC-гипотезы, с сомнениями в корректности и огромными нечеловеческими доказательствами. Но нет: доказательство короткое и изящное, никаких сомнений нет...
Конечно, из этого пока не следует, что все живые математики скоро останутся без работы, и у этой конкретной задачи есть ряд свойств, делающих её особенно подверженной такому решению; мы их тоже обсудили. Скорее всего, большинство важных открытых проблем устроены не так... но, с другой стороны, откуда нам знать? Об этой задаче мы тоже такого не предполагали. Видимо, часть открытых задач — довольно большая часть, как мне кажется по итогам этой истории, — окажется решённой AI-системами в относительно близком будущем. [...]
Хочется, конечно, оптимистично сказать, что при этом человеческое внимание освободится для тех задач, которые требуют чего-то по-настоящему нового. Но, честно говоря, лично я вряд ли смог бы стать математиком в мире, где входной билет в профессию требует чего-то вроде решения не просто задачи Эрдёша, а задачи Эрдёша с концептуально новым решением...
Что дальше, коллеги?
#blog #ai #math #longreads
GPT и единичные расстояния: опровержение гипотезы Эрдёша
Пост длинный, а доказательство, разумеется, весьма нетривиальное, но интересующимся я действительно рекомендую попробовать его прочитать. Я начал с самых истоков, подробно обсудил постановку задачи и простые результаты, а про основной результат постарался дать и краткое описание для специалистов, и общее рукомахательное описание для неспециалистов.
Приведу здесь оглавление и (сокращённое) заключение.
1. Введение
2. Что такое задача о единичных расстояниях
— Постановка задачи
— Грубые оценки
— Эрдёш, 1946 (нижняя оценка чуть лучше линейной)
— Гипотеза Эрдёша
— Простейшая верхняя оценка: O(n^{3/2})
3. Текущая верхняя оценка O(n^{4/3})
— Что такое число пересечений
— Конструкция Секеля
4. Почему задача такая сложная и почему ей нужна теория чисел
5. Что именно сделал GPT
6. Кольца, решётки и сумма двух квадратов
— Что такое кольцо
— Гауссовы целые Z[i]
— Решётка из целых поля Q(\sqrt{2})
— Как нижняя оценка Эрдёша устроена через кольца
— Идея GPT
— Проекция
— Почему из этого следует n^{1+\delta}
7. Детали конструкции: где взять такие поля
(эту часть непрофессионалам лучше пропустить, а профессионалам — рассказать мне, где я там налажал)
8. Почему же люди этого не сделали?
9. Реакции: «I would accept it for any journal without hesitation»
10. Заключение: что всё это значит
Попытаюсь подытожить общую картину. Гипотеза Эрдёша о единичных расстояниях, простоявшая с 1946 года и широко считавшаяся верной, была опровергнута контрпримером, который полностью автоматически построила внутренняя модель OpenAI (но именно чистая LLM, без внешних инструментов вроде Lean). См. таймлайн на последней картинке.
Само доказательство — это “обычная математика”, которую могли бы создать и живые математики: оно совмещает известные ингредиенты в новое целое. Доказательство перепроверили и упростили живые математики, и финальная версия вполне читаема, да и на самом деле не так уж сложна. [...]
Лично меня в этой истории больше всего впечатляет именно то, что первый выдающийся LLM-результат оказался таким “чистым”, аккуратным и понятным. Интуитивно ведь ждёшь, что первые такие истории будут чем-то вроде доказательства ABC-гипотезы, с сомнениями в корректности и огромными нечеловеческими доказательствами. Но нет: доказательство короткое и изящное, никаких сомнений нет...
Конечно, из этого пока не следует, что все живые математики скоро останутся без работы, и у этой конкретной задачи есть ряд свойств, делающих её особенно подверженной такому решению; мы их тоже обсудили. Скорее всего, большинство важных открытых проблем устроены не так... но, с другой стороны, откуда нам знать? Об этой задаче мы тоже такого не предполагали. Видимо, часть открытых задач — довольно большая часть, как мне кажется по итогам этой истории, — окажется решённой AI-системами в относительно близком будущем. [...]
Хочется, конечно, оптимистично сказать, что при этом человеческое внимание освободится для тех задач, которые требуют чего-то по-настоящему нового. Но, честно говоря, лично я вряд ли смог бы стать математиком в мире, где входной билет в профессию требует чего-то вроде решения не просто задачи Эрдёша, а задачи Эрдёша с концептуально новым решением...
Что дальше, коллеги?
#blog #ai #math #longreads
1🔥29❤13🤔5👍2
Канал берёт новую высоту; теперь у меня 4000 подписчиков! Ура!
И прекрасная Ира @fuesis, конечно же, за этим следит и отмечает. Смотрите, какая красота.) Видимо, это уже традиция, ведь они с Инной уже дарили мне такой тортик на предыдущий, трёхтысячный юбилей. На этот раз, говорят, на тортике изображён Арагац, как раз около 4000 метров.
Спасибо Ире! И спасибо вам всем за то, что читаете, лайкаете и комментируете. Для канала с таким контентом, как у меня, 4К подписчиков - это не так уж и мало. Спасибо, и очень надеюсь, что смогу вас чем-нибудь радовать ещё долго.
#lifestyle #blog
И прекрасная Ира @fuesis, конечно же, за этим следит и отмечает. Смотрите, какая красота.) Видимо, это уже традиция, ведь они с Инной уже дарили мне такой тортик на предыдущий, трёхтысячный юбилей. На этот раз, говорят, на тортике изображён Арагац, как раз около 4000 метров.
Спасибо Ире! И спасибо вам всем за то, что читаете, лайкаете и комментируете. Для канала с таким контентом, как у меня, 4К подписчиков - это не так уж и мало. Спасибо, и очень надеюсь, что смогу вас чем-нибудь радовать ещё долго.
#lifestyle #blog
6❤77🎉30🔥9
Cеминар лаборатории Маркова, видимо, расходится на лето. На последнем заседании были сразу два доклада, вот пока первый:
Семинар Markov Lab — 2026-05-22 — Потоковое распознавание речи в реальном времени
(слайды на странице семинара)
Даниил Павленко (СПбГУ)
Доклад Даниила — про потоковое распознавание речи (streaming ASR): это когда аудио приходит не целиком, а кусочками в реальном времени, и системе нужно одновременно поддерживать низкую задержку (latency) и выдавать осмысленные промежуточные гипотезы. Это нужно для голосовых ассистентов, субтитров созвонов и в целом любой онлайн-транскрибации, когда результаты нужны в реальном времени.
Даниил рассказал введение в обработку звука (дискретизация, преобразование Фурье, спектрограммы) и обзор ASR-архитектур, а потом собственно рассказал о своей системе: замороженный streaming encoder из NeMo плюс проектор и декодер из Qwen3, обученные на 15 тысячах часов аудио. Центральная идея — внутренний механизм финализации: вместо внешнего модуля, который решает, что фраза закончилась и транскрипт можно отдавать дальше, это решение встраивается в саму модель.
#spsu #seminar #markovlab
Семинар Markov Lab — 2026-05-22 — Потоковое распознавание речи в реальном времени
(слайды на странице семинара)
Даниил Павленко (СПбГУ)
Доклад Даниила — про потоковое распознавание речи (streaming ASR): это когда аудио приходит не целиком, а кусочками в реальном времени, и системе нужно одновременно поддерживать низкую задержку (latency) и выдавать осмысленные промежуточные гипотезы. Это нужно для голосовых ассистентов, субтитров созвонов и в целом любой онлайн-транскрибации, когда результаты нужны в реальном времени.
Даниил рассказал введение в обработку звука (дискретизация, преобразование Фурье, спектрограммы) и обзор ASR-архитектур, а потом собственно рассказал о своей системе: замороженный streaming encoder из NeMo плюс проектор и декодер из Qwen3, обученные на 15 тысячах часов аудио. Центральная идея — внутренний механизм финализации: вместо внешнего модуля, который решает, что фраза закончилась и транскрипт можно отдавать дальше, это решение встраивается в саму модель.
#spsu #seminar #markovlab
❤12👍3🔥2