Автор: Академик Олег Фиговский.
Эту статью, посвящённую Искусственному Интеллекту (ИИ) on Юрия Бобылёва из Москвы, который пишет, что Россия уже даже не «страна 3го мира по ИИ», а сильно хуже — это вывод ноябрьского отчета Microsoft и AI Economy Institute
Согласно нему, Россия на 117 месте в мире по распространению ИИ. Впереди России — Суринам, Венесуэла и Кения, а сразу после – Беларусь, Кыргызстан, Папуа Новая Гвинея и Гаити. Это первый в мире расчет популяционно-нормированного индикатора распространения ИИ — AI User Share (доля пользователей ИИ среди трудоспособного населения). Ключевая формула:
AI User Share = (% Microsoft-пользователей, использующих ИИ) × (% населения с ПК/планшетом) × (мобильный коэффициент), с вычитанием оценочного оверлапа десктоп/мобайл.
Этот индикатор представляет наиболее детальную оценку с нормализацией по численности населения, показывая охват в режиме близком к реальному времени по 148 экономикам. Все предыдущие отчеты, так или иначе пытавшиеся учесть распространение ИИ по странам (их за 2024-2025 было восемь: Stanford HAI, МВФ, Oxford Insights, Anthropic, Salesforce, BCG, Tortoise Media и Всемирный банк) менее точны. Отчет Microsoft и AI EI:
• ловит изменения за недели/дни, а не за полгода-год как опросы
• популяционно-нормированный с вниманием к устройствам и мобайлу — это лучше, чем «трафик среди интернет-пользователей» для межстрановых сопоставлений.
Если же перейти от относительных к абсолютным цифрам, мой расчет по цифрам Microsoft и AI EI показывает такой расклад:
✔️ В США AI User Share 26.3% (но в абсолюте это 55 млн реально работающих с ИИ людей)
✔️ В России 7.6% (только 7.1 млн реально работающих с ИИ людей)
✔️ А вот в Китае 20%, но зато это 195 млн реально работающих с ИИ людей
В предыдущем сентябрьском отчете Anthropic AI USAGE INDEX Россия (по расчетам ИИ той же компании Anthropic, т.к. официально компания в России не работает) получила оценочное значение AIUI 0.8 — 1 (где-то между Перу/Албанией и Чехией/Польшей). Т.е. среди «стран 3го мира по ИИ» (lower middle 25-50%).
По более точному расчету Microsoft и AI EI, Россия опустилась сильно ниже «стран 3го мира по ИИ». У Перу и Албании показатели вдвое лучше. А у Польши и Чехии – почти в 4 раза лучше. Отчет честно предупреждает, что в их методике у России (а также Ирана и Китая) «низкая уверенность»/импутация из-за слабого базового сигнала и перекосов источников (после 2022 в России сильно просел «официальный» контур Windows/Office/Copilot и сопутствующая телеметрия, неполное покрытие локальных AI-сервисов, плюс высокая доля мобайла + VPN/геомаскировка).
Современная вычислительная техника в разы превосходит ту, что была десятки лет тому назад. Данный технологический прогресс не является чем-то удивительным, а лишь показывает, что совершенствование не имеет предела (по крайней мере, мы его пока точно не достигли). Одной из потенциальных ветвей развития вычислительной техники является использование света (фотонов) вместо электрического тока. Однако, данная технология, как и любая другая в зачаточном состоянии, сопряжена с рядом проблем. Одной из которых является контроль над потоками света. Ученые из Нью-Йоркского университета (США) разработали новый тип материалов, который потенциально может решить эту проблему. Ключевым аспектом проектирования и обнаружения новых материалов является понимание связи между структурой и свойствами. Кристаллы зарекомендовали себя как универсальная платформа для инженерии функциональных характеристик, поскольку периодичность атомного строения существенно упрощает прогнозирование и оптимизацию свойств.
Однако не все свойства могут быть реализованы в периодических структурах. Апериодические среды способны обеспечивать транспортные характеристики, недостижимые в периодических системах, включая формирование изотропных фотонных запрещенных зон, востребованных в оптоэлектронике: например, в свободно форменных волноводах и покрытиях с настраиваемой отражательной способностью. Изотропные запрещенные зоны были продемонстрированы в некоторых детерминистских апериодических системах, таких как спирали Фогеля, а почти изотропные запрещенные зоны были обнаружены в квазикристаллах. В ряде недавних работ поиск таких свойств был направлен на коррелированные неупорядоченные структуры, то есть случайные точечные конфигурации, не обладающие традиционным дальним порядком, но демонстрирующие пространственные корреляции.
Строго придерживаясь этой логики одиночного рассеяния, идеальный материал с запрещенной зоной должен демонстрировать кольцо высоких значений в S(k), на фоне низких значений вокруг него. В соответствии с этим предлагается коррелированная неупорядоченная структура, структурный фактор которой содержит одно кольцо из G ∈ 2ℕ* δ-пиков с интенсивностью O(N) на окружности радиуса K, при этом минимизируя порядок в остальных областях. В рассматриваемом нами сегодня труде ученые показали, что такие гипотетические структуры, названные гироморфами, реализуемы, а также был представлен надежный алгоритм их генерации в 2D и 3D. Для генерации гироморфов был использован метод Fast Reciprocal-Space Correlator (FReSCo). Применялся вариант NUwNU (неравномерное реальное пространство с неравномерными ограничениями[o1] в k-пространстве), который накладывал ограничения в непрерывных позициях обратного пространства, предполагая свободные граничные условия для точечной конфигурации. Начиная с изначально некоррелированной случайной точки с N частицами, была проведена оптимизация для получения G высоких пиков (каждый с целевой высотой N), равномерно расположенных на кольце, что позволило создать G-кратный гироморф.
Следуя другим исследованиям, были проведены измерения пропускания. Источник был задан в виде стандартного гауссова пучка с нулевой кривизной, сфокусированного в центре среды. Система связанных диполей была решена для 360 равномерно распределенных ориентаций θ пучка и для нескольких частот k0. Затем была измерена прошедшая интенсивность за системой на расстоянии D от ближайшей ее границы. Для каждой ориентации θ пропускание определялось как средняя интенсивность по 180 углам в диапазоне [θ − π/2; θ + π/2] на полуокружности радиуса D, нормированная на значение падающего поля в тех же точках в отсутствие среды.
Результаты, показанные учёными, были сопоставлены с классическими кандидатами на наличие запрещенной зоны — детерминированными квазикристаллами с 10- и 60-кратной симметрией, построенными по методу де Брейна, детерминированной спиралью Фогеля, а также случайной SHU-структурой, сгенерированной с помощью FreSCo. Спираль Фогеля и SHU-структуры демонстрируют значительно более мелкие провалы пропускания по сравнению с гироморфами, что объясняется более слабо выраженными особенностями их S(k), а также минимальными изменениями DOS. Показано, что квазикристаллы при низких симметриях могут формировать довольно глубокие, но анизотропные запрещенные зоны, а при высоких симметриях — изотропные, но более мелкие, вследствие уширения особенностей их S(k). Далее ученые решили перенести концепцию гироморфов на трехмерные структуры. Структуры были оптимизированы таким образом, чтобы в их факторе структуры возникали G равномерно распределенных пиков на сфере радиуса K. Поскольку стандартного метода равномерного размещения точек на сфере с сохранением центр симметрии не существует, расположение пиков было выбрано на основе икосаэдрической геометрии. Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых.
Это достижение имеет как фундаментальное, так и прикладное значение. Фундаментально, была задумана и подтверждена новая разновидность структур, сочетающая, казалось бы, противоречивые свойства и выделяющаяся среди всех известных типов материалов. Практически, численные результаты показывают, что гироморфы превосходят существующие изотропные фотонные материалы с запрещенной зоной. Таким образом, гироморфы представляют интерес для приложений, включая свободные волноводы и легкие покрытия с сильным обратным рассеянием, например, высоко отражающие «белые» структуры.
Сегодня на рынке ИИ доминируют большие языковые модели, такие как ChatGPT, Gemini или DeepSeek. Они блестяще имитируют человека, но на самом деле не понимают мир и не обучаются у него в режиме реального времени. Авторы нового исследования предполагают, что для выхода на следующий уровень нам необходимо прекратить моделировать язык и начать моделировать сам мозг. Цай Боруй и Чжао Яо из Университета Дикина (Австралия) представили концепцию, которая, по их мнению, сократит разрыв между современными чат-ботами и универсальным ИИ. Авторы отмечают, что существующие модели часто генерируют ненадежные рассуждения и не могут улучшить свое поведение на основе нового опыта без дорогостоящего переобучения, пишет Daily Neuron.
Основная проблема заключается в том, что язык — это всего лишь описание мышления, а не функциональный субстрат самого мышления. «Хотя языковые представления могут формулировать принципы обучения, они не могут воплощать сложную нейронную динамику, посредством которой фактически происходит биологическое обучение», — сказали ученые. Для решения этой проблемы исследователи предлагают модель «Базового интеллекта», которая позволяет описать основные механизмы интеллекта, обучаясь непосредственно на примерах разумного поведения. Главная инновация этого подхода заключается в том, что именно пытается предсказать ИИ. Традиционные модели функционируют как чрезвычайно продвинутые системы автокоррекции, угадывающие следующее слово в предложении. Модель «Базового интеллекта» работает совершенно иначе: она прогнозирует выходной сигнал нейрона. Ее цель — научить систему предсказывать выходной сигнал биологических нейронов на основе коллективной динамики нейронной системы.
Этот подход основан на новой архитектуре, называемой «состоянием нейронной сети». В отличие от стандартных моделей ИИ, обрабатывающих данные жесткими слоями, эта сеть имитирует временную динамику биологических нейронов. Она позволяет системе хранить и обрабатывать информацию с течением времени подобно тому, как человеческий разум удерживает мысль при обработке новой информации. Сеть использует графоподобную структуру, где связи могут разветвляться и замыкаться. Она имитирует сложную структуру мозга, где сигналы не просто движутся вперед, а циркулируют, создавая петли обратной связи. Эти петли позволяют информации сохраняться и взаимодействовать с течением времени, что создает форму кратковременной памяти и контекста, критически важные для сложных рассуждений.
В качестве иллюстрации авторы использовали известный пример собаки Павлова. В этом биологическом сценарии собака учится связывать звук колокольчика с появлением еды. В конечном итоге, у собаки выделяется слюна при одном только звуке колокольчика. Стандартная языковая модель просто прочитала бы текстовое описание этого события. Модель «Базового интеллекта» пытается воспроизвести нейронную активность, происходящую в мозге собаки во время этого процесса обучения. Она рассматривает опыт собаки как последовательность нейронных входов и выходов. Обучая ИИ на этих последовательностях, модель не просто запоминает историю собаки, она изучает базовый механизм ассоциации и адаптации. В зависимости от активности система регулирует силу внутренних связей. Это явление известно как нейронная пластичность и позволяет ИИ перестраиваться на основе опыта, подобно биологическому мозгу. Таким образом, модель преобразует абстрактную и труднодостижимую цель «обучения интеллекту» в конкретную задачу обучения последовательностям.
Передавая модели большие объемы данных — входящую сенсорную информацию и исходящую двигательную, система может изучать универсальные принципы, лежащие в основе когнитивных способностей. Эти данные можно собирать косвенно с помощью носимых датчиков или цифровых аватаров, которые регистрируют, как люди воспринимают и действуют в мире. Исследование открывает путь к системам ИИ, способным по-настоящему мыслить и адаптироваться к новым условиям без вмешательства человека. Ученые из Бангладеш представили недавно новый тип искусственного интеллекта, способный самостоятельно восстанавливаться после сбоев и обучаться быстрее традиционных моделей. Система основана на принципах гомеостаза и саморегуляции, которые позволяют человеческому мозгу поддерживать стабильность и восстанавливаться после перегрузок.
Моделирование квантовых чипов позволяет исследователям понять их функции и выявить возможные проблемы до производства. Сотрудники проекта Quantum Systems Accelerator (QSA) разрабатывают электромагнитные модели для моделирования этих чипов. Они провели первое в своем роде моделирование квантового микрочипа, использовав для этого более 7000 графических процессоров Nvidia суперкомпьютера Perlmutter Национального научно-вычислительного центра энергетических исследований. Моделирование мельчайших деталей чрезвычайно сложной квантовой микросхемы, спроектированной при помощи эксфлопсного инструмента Artemis, потребовало практически всех мощностей суперкомпьютера Perlmutter. Исследователи проекта QSA, ученые из Национальной лаборатории им. Лоуренса Беркли и Калифорнийского университета, задействовали почти все 7168 графических процессоров Nvidia в течение 24 часов, чтобы описать структуру и работу многослойного чипа площадью всего 10 кв. мм и толщиной 0,3 мм, с травлением шириной всего в один микрон.
«Мы дискретизировали чип на 11 миллиардов секций решетки. Мы смогли выполнить за семь часов более миллиона тактов, что позволило нам за один день оценить на Perlmutter три конфигурации схем. «Такое моделирование было бы невозможно за столь краткий срок без использования всей системы», —сказал Энди Нонака, один из исследователей. — Вычислительная модель предсказывает, как проектные решения влияют на распространение электромагнитных волн в чипе, — сказал Нонака, — чтобы обеспечить правильное взаимодействие сигналов и избежать нежелательных перекрестных помех». Такой уровень детализации делает это моделирование уникальным. Использование графических процессоров Perlmutter дало ученым вычислительную мощность, необходимую для изучения физических деталей и демонстрации работы механизма микросхемы.
«Мы проводим полноволновое моделирование на физическом уровне, то есть нам важно, какой материал используется в микросхеме, как она монтируется, как соединяются металлические провода — ниобий или другой металл, как построены резонаторы, каковы их размер, форма и материал, — сказал Яо Чжи, коллега Нонака. — Нам важны эти физические детали, и мы включаем их в нашу модель». Помимо детального представления чипа, модель сымитировала взаимодействие кубитов друг с другом и с другими частями квантовой схемы. Сочетание этих качеств — физической конструкции чипа и возможности моделирования в реальном времени — тоже важная отличительная черта проекта. Все это в совокупности открывает перед исследователями уникальные возможности, пишет Phys. В дальнейшем команда планирует провести больше моделирований, чтобы лучше разобраться в конструкции квантовых цепей и увидеть, как они функционируют в составе более крупных систем. «Мы хотели бы увидеть, как кубит резонирует с остальной частью схемы. В частотной области мы хотели бы сравнить его с другими моделированиями в частотной области, чтобы получить больше уверенности в том, что количественно модель верна», — сказал Яо.
Команда специалистов из Китая совершила рывок в гонке квантовых технологий, представив инновационный по ряду показателей фотонный процессор. Новый чип обещает значительно повысить эффективность центров обработки данных ИИ и суперкомпьютеров. Он уже применяется в аэрокосмической отрасли, биомедицине и финансах, превосходя вычислительные возможности классических систем, а недавно был удостоен награды на Всемирной интернет-конференции 2025 года в Учжэне. Разработкой устройства занимались ученые из Института CHIPX и стартапа Turing Quantum. Чип изготовлен из тонкопленочных пластин ниобата лития и использует для выполнения вычислений вместо электронных битов фотоны. ЭЭто позволяет повысить скорость решения сложных задач в тысячу раз, пишет SCMP.
Хотя настоящие квантовые компьютеры все еще находятся на стадии разработки, фотонные чипы позволили значительно повысить эффективность решения сложных задач в различных научных областях благодаря гибридной квантово-классической архитектуре. Масштабируемость и гибкость конфигурации этих чипов, а также эксплуатационная стабильность делают их идеальными для использования в центрах обработки данных и высокопроизводительных вычислительных системах. Новые фотонные процессоры отличаются исключительной плотностью: на небольшой кремниевой пластине диаметром 15 см размещается более 1000 оптических компонентов. Это высочайший уровень миниатюризации, или монолитной интеграции. Вдобавок, устройства демонстрируют высочайшую производительность в таких критически важных областях, как передача данных и пропускная способность. Конструкция чипов позволяет легко масштабировать их до 1 миллиона кубитов.
Кроме того, технология китайских специалистов существенно сокращает сроки разработки квантовых фотонных устройств. Чипы, на создание которых раньше уходило шесть месяцев, теперь можно спроектировать всего за две недели. Опытная производственная линия CHIPX для фотонных чипов на основе ниобата лития была запущена в июне и уже вышла на полный замкнутый цикл, охватывающий проектирование, изготовление на уровне пластины, упаковку и тестирование, вплоть до системной интеграции микрочипа. В будущем фабрика сможет выпускать 12 000 пластин в год, при этом из каждой пластины будет изготавливаться около 350 чипов. По словам разработчиков, впервые оптические квантовые компьютеры стали промышленной продукцией. «Достижение технологии совместной упаковки для фотоники и электроники, интеграция на уровне кристалла и массовое производство фотонных квантовых чипов в масштабах пластин — все это, я полагаю, произошло впервые в мире, — заявил Цзинь Сяньминь, основатель стартапа Turing Quantum, на церемонии награждения. — В ближайшем будущем мы надеемся разработать чипы, способные обрабатывать большее количество фотонов».
Фотосинтез и другие естественные процессы зависят от быстрого и эффективного перемещения энергии между молекулами. Когда солнечный свет падает на лист, энергия должна пройти через белковые структуры, прежде чем ее можно будет накопить и использовать. Десятилетиями ученые задавались вопросом, играет ли квантовая механика какую-либо роль в столь поразительной эффективности фотосинтеза. Исследователи из США обнаружили доказательства того, что квантовая запутанность действительно ускоряет этот процесс.
Как показало моделирование, проведенное командой из Университета Райса, энергия передается быстрее между молекулярными участками, если она изначально находится в запутанном, делокализованном состоянии, а не в одном месте. Эти результаты могут привести к появлению новых принципов проектирования систем искусственного фотосинтеза и более эффективных солнечных технологий, пишет IE. Для исследования группа построила упрощенную молекулярную модель, состоящую из двух зон: донорской, где энергия поглощается, и акцепторной, куда энергия в конечном итоге должна попасть. Энергия между этими двумя конечными положениями перемещалась постепенно: чаще всего, короткими прыжками, но иногда и длинными. Исследователи учли также влияние окружающей среды, к примеру, вибраций, которые могут мешать или же способствовать течению энергии.
Основной вопрос, занимавший ученых, был простым: движется ли энергия быстрее, если она изначально локализована в одном месте или если она распространяется по нескольким донорским участкам в квантовой суперпозиции? «Делокализация начального возбуждения в нескольких зонах ускоряет перенос энергии, чего невозможно достичь, если начинать с одной зоны», — сказал Гвидо Пагано, соавтор исследования. Ученый отметил, что это преимущество сохранялось даже при наличии внешних помех. «Начальное состояние в делокализованном квантовом состоянии предоставляет системе больше возможностей, — сказал он. — Наше моделирование показывает, что эта дополнительная когерентность обеспечивает более быстрый перенос к акцептору, даже в присутствии помех окружающей среды».
Результаты для запутанных начальных состояний показали стабильный прирост скорости. Перенос энергии сохранял более высокую скорость при широком спектре взаимодействий. Это означает, что природа может использовать запутанность и когерентность для оптимизации скорости передачи возбуждения, тем самым повышая устойчивость этого процесса. Если природные системы используют для повышения эффективности квантовые эффекты, то ими же могут воспользоваться инженеры при создании искусственных систем. Например, в новых фотоэлементах когерентность может служить для более эффективного перемещения энергии, снижения потерь и повышения производительности.
Иллюстрация: Digital Russia
