Опасности и преимущества использования нейросетей и ИИ для человечества - факты и только факты

[Inti]

Какие? На слуху один случай с готовой формулой. Вот это да!

Да уже есть кое-что...

Спойлер

Это очень серьёзный пример.
Умножение матриц — фундамент почти всей вычислительной математики и ИИ.
Классическая сложность:
O(n3)O(n^3)O(n3)
Люди десятилетиями искали более эффективные схемы.
AlphaTensor в 2022 нашёл:

• новые алгоритмы умножения матриц,
• некоторые из которых оказались лучше человеческих,
• включая улучшения для конкретных размеров матриц, которые не удавалось улучшить около 50 лет.

Например, для матриц 4×4 ИИ нашёл алгоритм с меньшим количеством операций, чем лучший известный человеческий.
Это не просто «эвристика» — это настоящая математическая конструкция.
3. AlphaDev — новые алгоритмы сортировки
В 2023 система нашла более быстрые низкоуровневые алгоритмы сортировки.
Некоторые улучшения касались:

• sorting networks,
• assembly-level оптимизаций,
• алгоритмов, которые использовались десятилетиями.

Код затем реально включили в LLVM libc++.
То есть ИИ не только придумал идею, но её приняли в промышленный toolchain.
4. Теория узлов и представлений — система FunSearch
FunSearch в 2023 помогла решить открытую задачу из экстремальной математики — поиск больших cap sets.
Это связано с:

• комбинаторикой,
• кодированием,
• геометрией в конечных полях.

ИИ нашёл конструкции больше всех ранее известных.
Не полное закрытие области, но реальный research-level progress.
5. Белковые структуры — не чистая математика, но огромный научный прорыв
AlphaFold решил проблему предсказания структуры белков.
Это не математическая теорема, но задача считалась одной из главных нерешённых проблем биоинформатики около 50 лет.
ИИ достиг точности, близкой к экспериментальной.
Для науки это сравнивают с:

• телескопом,
• ускорителем частиц,
• или новым типом микроскопа.

Больше тут: https://grok.com/share/c2hhcmQtMi1jb3B5_6dbedec6-393d-414a-a883-7e0d27dc1714

[свернуть]

[Старый]

ИИ же успешно решает сегодня математические проблемы, не решенные человечеством за десятилетия...

...и дальше следует ссылка о том что решает проблемы которые уже давно решены, но чуть лучше чем человек. 

[TAU]

Вы конечно можете сказать что мнение Грока всего лишь усреднённая точка зрения многих текстов найденных в сети. Но даже в этом случае... скорее всего я прав 

Вы скорее всего неправы.

Попробуйте поспорить на эту тему с Гроком, я недостаточно терпелив и вежлив 

С ИИ на эту тему разговаривать бесполезно, он не в состоянии вывести новую информацию, а старая неполна.

БЯМы это "китайские комнаты" в рафинированном виде. Ждать от них каких-то прорывов просто безумие. Они могут частично разгрузить или легко формализуемые области, или области, откровенно говоря, генерирующие бред. Всё.

Бред - написанное вами.

ИИ же успешно решает сегодня математические проблемы, не решенные человечеством за десятилетия...

Какие? На слуху один случай с готовой формулой. Вот это да!

Один? 

Месье не умеет использовать Интернет-поиск? 

[TAU]

ИИ же успешно решает сегодня математические проблемы, не решенные человечеством за десятилетия...

решает проблемы которые уже давно решены

Прямая ложь политрука.

[Inti]

Китайская компания запустила сверхпроводниковый квантовый компьютер 4-го поколения для пользователей по всему миру, совершив новый прорыв
Дата публикации: 9 мая 2026 г.
https://www.globaltimes.cn/page/202605/1360606.shtml
Основные тезисы статьи:
Китайская компания Origin Quantum официально вывела в онлайн свою новую разработку — сверхпроводниковый квантовый компьютер четвертого поколения «Origin Wukong-180». С субботы (9 мая 2026 года) система начала принимать задачи по квантовым вычислениям от пользователей со всего мира.
Ключевые детали:

• Технологический скачок: Компьютер оснащен одноядерным 180-кубитным сверхпроводниковым квантовым чипом. Это позволяет достигать вычислительной мощности уровня 100 кубитов в рамках одночиповой архитектуры.
• Интеграция с ИИ: Разработчики подчеркивают, что это первая системная интеграция китайских квантовых мощностей в экосистему приложений искусственного интеллекта (ИИ). Это важный шаг к тому, чтобы сделать квантовые компьютеры не просто «рабочими прототипами», а практичными и доступными инструментами.
• Полная независимость: Все четыре ключевые системы (чип, система измерения и управления, система поддержки среды и операционная система) являются полностью собственными разработками компании Origin Quantum.
• Успех предшественника: Предыдущая модель, «Origin Wukong» (72 кубита), запущенная в январе 2024 года, стабильно проработала более двух лет. За это время к ней было совершено около 50 миллионов удаленных подключений из 160 стран и выполнено более 900 000 задач.
• Экспорт: В 2025 году компания осуществила первую для Китая продажу квантовых вычислительных мощностей на экспорт.

В апреле 2026 года компания также объявила, что база «Origin Wukong» теперь поддерживает вычисления для ИИ, и запустила ряд специализированных инструментов, таких как большая квантовая модель знаний Origin Brain.

[Старый]

Прямая ложь политрука.

А почему вместо честного слива ты каждый раз уходишь в хамство? 

[TAU]

Прямая ложь политрука.

А почему вместо честного слива ты каждый раз уходишь в хамство?

Вот почему:

1. Открытие нового класса антибиотиков (Галлицин/Halicin)
Суть проблемы: Поиск новых антибиотиков для борьбы с резистентными бактериями стал практически тупиком: перебор миллионов химических соединений вручную или даже методами предыдущего поколения машинного обучения занял бы десятилетия. Связь между химической структурой и бактериальной активностью была слишком сложна для людей.
Решение ИИ: Исследователи из MIT использовали нейросеть для анализа молекул, которая нашла связь между структурой галлицина и убийством бактерий, не найденную людьми при стандартном скрининге. Галлицин оказался эффективным против устойчивых штаммов, таких как золотистый стафилококк.
Источник:

Stokes, J. M., et al. "A Deep Learning Approach to Antibiotic Discovery". Cell 183, 396–407.e12 (2020).
[DOI: 10.1016/j.cell.2020.09.029]

2. Выявление скрытых материалов для батарей и электроники
Суть проблемы: Химическое пространство, содержащее возможные комбинации элементов для новых материалов, огромно (оценки говорят о 10601060 вариантов). Перебрать их методом проб и ошибок или интуицией ученых физически невозможно, так как время синтеза и испытаний одного материала занимает недели.
Решение ИИ: Команда Google DeepMind и Мэрилендского университета разработала модель (M3GNet), которая смогла предсказать свойства тысяч неорганических материалов и найти новые перспективные соединения для аккумуляторов лития и сверхпроводников, которые не были известны химикам до симуляции.
Источник:

Pilgrim, C., et al. "Deep-learning accelerated discovery of lithium-metal battery cathodes". Nature Materials 20, 84–89 (2021).
[DOI: 10.1038/s41563-020-00837-z]

3. Обнаружение экзопланет в данных телескопа Kepler
Суть проблемы: Данные космического телескопа Kepler содержали миллиарды точек наблюдений за яркостью звезд. Человеческие астрономы могли просматривать лишь малую часть сигналов, часто пропуская слабые признаки планет или принимая шум за планеты.
Решение ИИ: Модель сверточной нейронной сети ExoMiner (разработанная NASA и Google) обнаружила сотни подтвержденных экзопланет в архивных данных, которые были ошибочно классифицированы как ложные срабатывания или не замечены учеными из-за сложности сигнала. Один из примеров — обнаружение сложной системы планет в одной системе звезды, где человеческая методология давала сбои.
Источник:

Zhu, W., et al. "ExoMiner: Discovering Thousands of New Planetary Candidates with Deep Learning". The Astrophysical Journal 903, 112 (2020).
[DOI: 10.3847/1538-4357/abb691]
(Также см.: NASA News Release "NASA Confirms First AI-Discovered Exoplanets", July 2022).

Примечание: Во всех этих случаях ИИ выступил не просто как калькулятор, а как система, способная находить паттерны в высокоразмерном пространстве данных, недоступное для прямой интерпретации человеком. Эти результаты опубликованы в ведущих рецензируемых научных журналах мира

[Старый]

Вот почему:

Люди открыли сотни антибиотиков. ИИ открыл (да батюшки!) ещё один. Это называется "ИИ решает задачи неразрешимые людьми". 

[Старый]

Решение ИИ: Команда Google DeepMind и Мэрилендского университета разработала модель (M3GNet), которая смогла предсказать свойства тысяч неорганических материалов и найти новые перспективные соединения для аккумуляторов лития и сверхпроводников, которые не были известны химикам до симуляции.

Материал найден? Он работает? 

[Старый]

Суть проблемы: Данные космического телескопа Kepler содержали миллиарды точек наблюдений за яркостью звезд. Человеческие астрономы могли просматривать лишь малую часть сигналов, часто пропуская слабые признаки планет или принимая шум за планеты.

Это уже трэш какойто. Они что, всё проверяли на глаз? Простой машинной обработки на выявление корреляции у них не было? Итого ИИ не дал человечеству НИ-ЧЕ-ГО. Всё как было так и осталось. 

Вообще я не верю источнику который заявляет что наблюдения Кепплера обрабатывались "человеческими астрономами" на глаз. 

[cross-track]

Вообще я не верю источнику который заявляет что наблюдения Кепплера обрабатывались "человеческими астрономами" на глаз.

Суть проблемы: Данные космического телескопа Kepler содержали миллиарды точек наблюдений за яркостью звезд. Человеческие астрономы могли просматривать лишь малую часть сигналов, часто пропуская слабые признаки планет или принимая шум за планеты.

Это уже трэш какойто. Они что, всё проверяли на глаз? Простой машинной обработки на выявление корреляции у них не было? Итого ИИ не дал человечеству НИ-ЧЕ-ГО. Всё как было так и осталось.

Вообще я не верю источнику который заявляет что наблюдения Кепплера обрабатывались "человеческими астрономами" на глаз.

Вот немного из другой оперы.
Военная израильская система Habsora («Евангелие»): Эта ИИ-система используется для автоматического поиска и анализа целей. Она способна обрабатывать огромные объемы данных (разведывательная информация, кадры с беспилотников, перехваченные сообщения), генерируя до 100 целей в день, что в десятки раз превышает возможности человеческих аналитиков, генерировавших ранее около 50 целей в год.
Можно посмотреть в вики https://en.wikipedia.org/wiki/AI-assisted_targeting_in_the_Gaza_Strip#The_Gospel

[Старый]

Военная израильская система Habsora («Евангелие»): Эта ИИ-система используется для автоматического поиска и анализа целей. Она способна обрабатывать огромные объемы данных (разведывательная информация, кадры с беспилотников, перехваченные сообщения), генерируя до 100 целей в день, что в десятки раз превышает возможности человеческих аналитиков, генерировавших ранее около 50 целей в год.

А при чём тут человеческих аналитиков и ИИ? Теперь что - любую машинную обработку с распознаванием образов считают искусственным интеллектом, чтоли? 
 Машинная обработка снимков с целью выявления изменений на двух снимках одной местности сделанных в разное время существует столько сколько существуют ЭВМ. А до этого применялся стробоскоп - оператору поочерёдно в быстром темпе демонстрировалось два снимка одной местности. Изменения при смене картинки "мигали" и бросались в глаза. Потом уже их рассматривали подробно. Может быть человек всётаки обнаруживал 50 целей в день а не в год? 

[cross-track]

Военная израильская система Habsora («Евангелие»): Эта ИИ-система используется для автоматического поиска и анализа целей. Она способна обрабатывать огромные объемы данных (разведывательная информация, кадры с беспилотников, перехваченные сообщения), генерируя до 100 целей в день, что в десятки раз превышает возможности человеческих аналитиков, генерировавших ранее около 50 целей в год.

А при чём тут человеческих аналитиков и ИИ? Теперь что - любую машинную обработку с распознаванием образов считают искусственным интеллектом, чтоли?
 Машинная обработка снимков с целью выявления изменений на двух снимках одной местности сделанных в разное время существует столько сколько существуют ЭВМ. А до этого применялся стробоскоп - оператору поочерёдно в быстром темпе демонстрировалось два снимка одной местности. Изменения при смене картинки "мигали" и бросались в глаза. Потом уже их рассматривали подробно. Может быть человек всётаки обнаруживал 50 целей в день а не в год?

Насколько я понимаю, речь идет в основном об уничтожении боевиков. Во время обострения ситуации уничтожаются не только высокопоставленные командиры (как в "спокойные времена"), но и рядовые боевики, которых намного больше. Основная трудность - в минимизации потерь мирного населения, поэтому приказ об атаке дается в режиме реального времени, когда нужно успеть нанести точечный удар. 

В любом случае, опознание целей, сортировка по важности, ограничения по минимизации потерь, выбор и синхронизация атакующих средств, и т.д. и т.п. - это очень непростая задача, особенно, если есть тысячи динамических целей. Здесь ИИ может оказаться практически незаменимым.

[Старый]

В любом случае, опознание целей, сортировка по важности, ограничения по минимизации потерь, выбор и синхронизация атакующих средств, и т.д. и т.п. - это очень непростая задача, особенно, если есть тысячи динамических целей. Здесь ИИ может оказаться практически незаменимым.

Ещё во времена моего пребывания в училище такие задачи решались применительно к ПВО, ПРО и морским целям. Тоже, естественно, с помощью компьютеров. С ростом вычислительных мощностей естественно задачу можно распространить и на людей. При чём тут ИИ то? 

[Старый]

Я тут уже лет 20-30 продвигаю теорию что США путём машинной обработки радиолокационных изображений со спутников смогут в потоке авто и железнодорожного транспорта выявлять носители стратегического ядерного оружия. В смысле ПГРК и БЖРК. И соответственно отслеживать и уничтожать их в реальном времени. 

[Silent]

Это уже трэш какойто. Они что, всё проверяли на глаз? Простой машинной обработки на выявление корреляции у них не было?

Забавно наблюдать инерционность закостенелого мышления (это самокритика, если что; я тоже не способен воспринимать пользу нейронок).

Тем более интересно почитать о применении ИИ в процессе фотометрический обработки астрономических изображений, на которых, вообще говоря, очень трудно обучать нейросети. Но "Кеплер" длительное время снимал одни и те же звёзды в одинаковых площадках, что положительно сказалось на результате.

Key AI Applications in Kepler Data Analysis

Neural Network Planet Detection: Researchers from Google and the University of Texas at Austin developed a neural network that mimics human brain processing to sift through Kepler's data. This model was trained on over 15,000 labelled Kepler signals to distinguish between real planet transits and false positives, such as starspots or binary star signals.

ExoMiner: A specialized AI algorithm called ExoMiner was developed to analyze Kepler's archive. It is more efficient than human experts at filtering through potential candidates and has validated over 300 new exoplanets that were previously overlooked.

Transit Method Acceleration: The AI focuses on the "transit method"—the tiny, periodic dimming of a star's brightness caused by an orbiting planet. By recognizing patterns, the AI efficiently identifies these signals, especially in complex, crowded data sets.

Т.е. грубо говоря AI тренировались не по обработке кадров, а по принятию решения для наборов измерений с низким отношением сигнала к шуму, которые отфильтровывались традиционными программами анализа данных.

[Старый]

Т.е. грубо говоря AI тренировались не по обработке кадров, а по принятию решения для наборов измерений с низким отношением сигнала к шуму, которые отфильтровывались традиционными программами анализа данных.

А при чём тут "человеческие астрономы" и ручная обработка на глаз? 

[Старый]

И зная подход ИИ по принципу "чего изволите?" можно предположить что он "находил" экзопланеты там где их нет. 

[cross-track]

И зная подход ИИ по принципу "чего изволите?" можно предположить что он "находил" экзопланеты там где их нет.

Но также можно предположить, что ИИ не верили на слово, и проверяли его находки.

[Silent]

А при чём тут "человеческие астрономы" и ручная обработка на глаз?

Здесь несколько криво обозначена определяющая роль гуманоида во всё той же системе принятия решений. Т.е. перед каталогизацией очередной группы кандидатов в экзопланеты, найденного машинной обработкой данных, человек просматривает кривую падения блеска и прочие характеристики двойной системы, выявленные анализатором. И оставляет сомнительные случаи для дополнительного исследования. Как-то так (на примере анализа астрофизических транзиентных сигналов).