К главному обзору своей жизни я ещё наверняка вернусь, а пока вот маленький пиксельный квест, в котором вы играете за начальницу службы безопасности звездолёта, летящего к другой звезде уже тридцать с лишним лет, и расследуете череду происшествий, из которых складывается заговор на этом “корабле поколений”. Полная версия как всегда на сайте:

Between Horizons
(и вот на DTF)

Кто это сделал. DigiTales Interactive — маленькая студия из Саарбрюккена; я там когда-то сидел с научным визитом, не помню уже по какому именно поводу. Between Horizons — их вторая игра после нуарного детектива Lacuna 2021 года; в него я когда-то играл с большим удовольствием. [,,,]

Жанр Between Horizons авторы описывают как “2.5D pixel art adventure” с ветвящимся сюжетом в полуоткрытом мире. Собственно, так и есть: пиксельные персонажи ходят по объёмным декорациям с параллаксом, выглядит симпатично.

Завязка. Корабль называется “Zephyrus”, и это первый в истории человечества корабль поколений: тысяча с небольшим человек летят к планете Eurus-d, до которой ещё сто лет пути. Те, кто стартовал с Земли, не долетят, доберутся только их внуки. Героиню зовут Стелла, ей двадцать четыре, она родилась уже на борту и в самом начале игры получает должность начальника службы безопасности — вместо отца, который её только что занимал и погиб (там вообще общество весьма сословным образом устроено, должности передаются по наследству). Официальная версия — несчастный случай, а игра начинается прямо с похорон и торжеств по случаю Arrival Day, годовщины отлёта. [...]

Как устроены расследования. Геймплей мне очень даже понравился. У Стеллы есть планшет с “Zephyr OS” и вкладками вроде “Дела”, “Улики”, “Сообщения” и т.д. Улики собираются сами собой — поговорил с человеком, осмотрел предмет, прочитал табличку, и в базе появляется карточка. Каждое дело — это, по сути, один вопрос: кто отправил сообщение? в какой комнате стоит тайный сервер? кто саботировал? Отвечаешь на него, перетаскивая нужную улику в нужное поле, и дело закрывается.

Но здесь есть важные отличия от большинства детективных квестов. Во-первых, ответить можно только один раз, и никакого game over при неправильном ответе не будет [...] Во-вторых, как вас сразу предупреждают, “отправив дело, вы можете ещё долго не узнать, были ли правы, — а может быть, и никогда не узнать”. [...] Как по мне, крутое решение, в детективе это отлично работает.

Самих загадок здесь не очень много; нет никаких шкатулок и шестерёнок, никакого “примени рыбу к люстре”. Зато иногда нужно применить обычную человеческую логику [...] Например, в одном деле повстанцы где-то на корабле поставили свой сервер связи; Стелла ходит по кораблю и в определённых местах может подключить к кабелю планшет и получить пинг до сервера: низкий, если он рядом, средний и высокий, если он на противоположной стороне кольца. Дальше вы ходите по коридорам и триангулируете; с одной стороны, очень просто, с другой, жизненно и логично. [...]

Сюжет. Пересказывать не буду, потому что он и есть главное содержание в такой игре, и он хороший. Начинается всё как камерный детектив, но к середине превращается в историю о том, что бывает с обществом, которое заперто в ограниченном пространстве на сто лет и знает, что никто из живущих не увидит цели. [...]

Заключение. Between Horizons — маленький аккуратный детектив, в котором расследование устроено очень приятно: ты сам делаешь выводы, сам за них отвечаешь и сам иногда пользуешься головой не по игровой логике, а согласно здравому смыслу. Красивый корабль, хорошо прописанные персонажи, история с социальным и житейским смыслом и законченный финал за один-два вечера. Рекомендую. Сам играл на Steam Deck, и в этом формате тоже всё прекрасно. Да и Lacuna, кстати, тоже рекомендую, хорошо, что появился повод вспомнить.

#tgif #games

Сети из линейных нейронов не имеют смысла, но одни нелинейные функции помогают сети учиться, а другие обучение останавливают. Поговорили о том, как устроены нейросети, в популярных лекциях в ЮФУ:

ЮФУ — 2026.09.28 — Как работают нейронные сети
(слайды и доска на странице курса)

Разбирались с устройством нейросетей буквально на пальцах и на доске. Начали с одного нейрона, собрали из простых операций граф вычислений и выяснили, чем выбор архитектуры отличается от обучения весов.

Потом прошли от пороговых активаций через сигмоиды к ReLU и Swish: зачем нужны производные, почему насыщение мешает обучению и как простенький шарнирчик оказался настолько удачной идеей.

Удивительно, сколько в истории одного искусственного нейрона дожило до наших дней: базовая модель Маккаллоха—Питтса из 1943 года всё ещё узнаваема даже в современных трансформерах. Но сходство отдельного нейрона с биологическим ещё не означает, что вся сеть устроена и учится как мозг.

В конце мы начали обсуждать обучение как задачу минимизации ошибки и на примере линейной регрессии добрались до идеи градиентного спуска. А подробно разбирать обратное распространение ошибки будем уже в следующий раз.

#sfu #lectures #dsfrontiers

Для разнообразия сегодня выкладываю не лекцию, а доклад, уже давний, с мемориала Вавилова:

Vavilov Memorial — 2026.09.19 — Vibemathed: The AI takeoff in mathematics
(слайды на странице "Выступления")

Это доклад о том, как математика в 2026 году трансформируется под натиском AI-моделей, которые доказывают всё новые и новые результаты. Я рассказал общую канву расцвета "вайб-математики", кульминацией которой к тому времени уже стало решение задачи тысячелетия об уравнениях Навье-Стокса; этому результату и окружающим его controversies тоже довольно большая часть доклада была посвящена.

Но об этом я уже и в блоге подробно писал, и здесь в канале. Давайте сейчас подсвечу любопытное наблюдение Ноама Брауна из интервью Дваркешу Пателю. Я каждый раз в докладах показывал слайды о скорости прогресса LLM в математике, но мне не приходило в голову построить график вроде того, что METR строил для работы программистов.

А Ноаму пришло в голову. И смотрите, как оно получается:

— в 2022 году LLM решали словесные задачи для третьего класса школы; для математика-профессионала это задачи на пять секунд;

— в 2023 решали MATH, задачи из программы старшей школы, профессионалу где-то на одну минуту, даже поменьше;

— в 2024 начали решать AIME, простенькие олимпиадные задачки, которые у математика заняли бы где-то 10 минут;

— в 2025 уже начали решать серьёзные олимпиады вроде IMO, где можно сказать, что профессионал-математик за 10 минут не справится, но за пару часов по идее должен.

То есть довольно устойчиво график показывал 10x времени в год. И вот в 2026-м мы получаем решения сотен открытых проблем, в том числе одной из задач тысячелетия и массы задач, над которыми профессионалы думали очень долго.

Никак нельзя сказать, что поиск, скажем, примера несофической группы или доказательства гипотезы о двойном покрытии циклами — это задача на 15-20 часов работы математика-профессионала. То есть в этих единицах прогресс внезапно довольно резко ускорился (ну и, собственно, его измерение в этих единицах теперь потеряло смысл). Не буду утверждать, что это что-то серьёзное значит сверх конкретного наблюдения, но любопытно.

Ещё раз спасибо Николаю Николаевичу и другим коллегам за приглашение! Напоминаю, что к докладу есть и extended abstract, который можно скачать со странички конференции; вот прямая ссылка на pdf:

Vibemathed: the AI takeoff in mathematics — Sergey Nikolenko

#talks #events #ai #math

Даа, посты явно сильно отстают от темпа, заданного этим семестром... Впрочем, какая разница, это же не злободневные новости, а фундаментальные курсы лекций. Сегодня вот дошли до лекции, которая была в "Глубоком обучении" в позапрошлую пятницу:

СПбГУ — 2026.09.25 — Распознавание объектов
(слайды и доска на странице курса)

В новой лекции по глубокому обучению переходим от классификации картинок к распознаванию объектов. Я на этот раз сократил часть про компьютерное зрение, хочется всё-таки побольше поговорить про generative AI, но мы всё равно прошли стандартный путь от R-CNN, который отдельно обрабатывал каждый предложенный прямоугольник, до Faster R-CNN и YOLO. По дороге обсудили, как вообще обучать сеть с переменным числом ответов, почему маленькие объекты так трудно находить и как иерархия классов помогает объединять разные датасеты.

Как всегда, эта история интересна не конкретными архитектурами, а идеями, которые пригождаются далеко за пределами распознавания котиков: один раз посчитать общие признаки, добавить маленькому объекту контекст всей картинки, не дать тысячам простых отрицательных примеров заглушить несколько важных положительных... Архитектуры меняются, а идеи остаются, так что и в эпоху трансформеров их полезно понимать.

#spsu #dl2026 #lectures

Ну и рекордный третий пост за день, но иначе уже невозможно — надо всё-таки выложить предыдущий семинар, раз следующий уже сегодня прошёл:

Семинар Markov Lab — 2026.09.30 — Интерпретация явлений естественного языка в LLM для задачи контролируемой генерации текстов
(слайды на странице семинара)

Ольга Александровна Митрофанова (СПбГУ) рассказывала о персонификации языковых моделей: как задавать им возраст, пол, образование и другие характеристики и проверять, что получилось. В докладе — синтетические корпусы, сравнение ассоциаций людей и LLM, а также эксперименты с языковым выражением эмоций: как модель отвечает ребёнку или взрослому, который радуется или грустит.

Здесь у классической лингвистики появляется новая работа: представления о языковой личности, корпусные методы и ассоциативные эксперименты помогают разбирать ответы LLM. Впрочем, правдоподобно сыгранная роль ещё не значит, что модель воспроизводит человеческие закономерности.

В обсуждении много говорили о том, как сравнивать людей и модели, отделять влияние персоны от самого запроса и как вообще заниматься этой наукой, если модели постоянно меняются (а они меняются!).

В целом, доклад вызвал действительно очень живое обсуждение и длинную дискуссию, и мне кажется, что это было очень круто. Уважаемые лингвисты, приходите ещё! :)

#markovlab #seminar #spsu

А вот контент совсем новый, которого раньше в моих лекциях не было. В курсе "Технологии и фронтиры науки о данных" в ЮФУ я на прошлой лекции в конце заметил, что разговор об одном нейроне прошёл вроде бы хорошо, но слушатели совсем потерялись, когда я перешёл к сетям и начал говорить об оптимизации, функциях ошибки и вообще о том, что технически значит "обучение".

Поэтому лекцию в понедельник я сделал совсем новую. Постарался рассказать о том, что такое "обучение AI-модели", в самых-самых простых словах, начиная от печки:

ЮФУ — 2026.10.05 — Как обучаются модели машинного обучения
(слайды и доска на странице курса)

Первая задача обучения в этой лекции звучит буквально так. Предположим, что вы начали работать в копицентре, но вам забыли выдать прайс-лист. Зато на столе лежат три вчерашних чека: в первом за одну страницу распечатки заплатили 30 рублей, во втором 60 рублей за две, в третьем — 90 рублей за три. Какое, на ваш взгляд, здесь правило ценообразования?

И вот от этого вопроса мы начали потихоньку разворачивать основные понятия машинного обучения: чем inference отличается от learning, что такое функция ошибки, как выглядит эта задача с двумя параметрами (условная цена за оформление заказа), как данным соответствует много разных моделей (к 30x можно же прибавить 10(x-1)(x-2)(x-3), сохраняя нулевую ошибку), как работает локальный поиск параметров, почему бы их просто не перебрать...

Дошли, в целом, до понятия градиентного спуска; в следующий раз попробую уже всё-таки на нейросети этот разговор спроецировать.

Это был очень новый для меня педагогический опыт, так что, наверное, объяснял я не идеально, но кажется, что получилось интересно, и студенты тоже в итоге сказали, что "шестерёнки в голове начали вращаться". Так что если вам интересно узнать, что такое машинное обучение, но у вас нет никакой подготовки в этой области, попробуйте, вдруг зайдёт.)

#sfu #lectures #dsfrontiers