#нейросети

Слушатели узнают, что такое обучение с подкреплением.

Искусственный интеллект по когнитивным способностям в перспективе может догнать человека или даже обойти его. По словам генерального директора Google DeepMind, подобный инструмент может появиться в ближайшие десять лет.

Коллектив исследователей из МФТИ и Института проблем передачи информации им. А. А. Харкевича (ИППИ РАН) разработал математическую модель, описывающую, как системы искусственного интеллекта влияют на собственное будущее, обучаясь на данных, которые сами же и породили. Ученые создали теоретический каркас, объясняющий природу «цифровых эхо-камер» и механизм, из-за которого умные алгоритмы со временем могут терять адекватность или усиливать социальные предрассудки.

Исследователи «Яндекса» разработали новый метод оценки качества машинного перевода. На основе этой метрики разработчики смогут целенаправленно совершенствовать существующие модели. Разработку уже оценило мировое академическое сообщество: компания представила статью о методе на международной конференции по машинному обучению EMNLP 2025.

Исследователи Центра искусственного интеллекта НИУ ВШЭ разработали новый метод оценки надежности моделей машинного обучения. Они показали, что подход работает в восемь раз быстрее, чем полный перебор моделей, и существенно снижает объем ручной проверки. Метод можно использовать в задачах физики элементарных частиц с нейросетями различной архитектуры.

Слушатели узнают про набор инструментов для работы с нейросетями.

Команда исследователей из SberAI, НИУ ВШЭ, Института искусственного интеллекта AIRI и МФТИ представила LIBRA — первый в своем роде масштабный бенчмарк для оценки способности больших языковых моделей (LLM) работать с длинными текстами на русском языке. Эта разработка решает критическую проблему в области развития искусственного интеллекта, предоставляя российскому научному сообществу универсальный и прозрачный инструмент для измерения и сравнения производительности нейросетей в одной из самых сложных и востребованных задач.

Ученые из НИУ ВШЭ выяснили, что современные ИИ-модели, включая ChatGPT и Claude, в играх на стратегическое мышление вроде «конкурса красоты» Кейнса переоценивают уровень рациональности своих оппонентов, будь то студенты-первокурсники или опытные ученые. Модели стараются предсказать поведение людей, но в итоге играют «слишком умно» и проигрывают, потому что приписывают людям больше логики, чем те демонстрируют на деле.

«Галлюцинацией» называют ситуации, когда большая языковая модель утверждает нечто как факт, хотя информация ложна или не имеет оснований. Причина проста: стандартные методы обучения поощряют догадки, а не признание неопределенности. Представьте экзамен с вариантами ответов: угадав, вы с большей вероятностью получите балл, чем оставив вопрос пустым. С ИИ происходит то же самое.

Слушатели узнают на что способны нейросети, а также получат представление о том, как они работают.

Мы часто слышим: загар вреден для здоровья, от него лучше воздержаться. Но все не так однозначно. Ультрафиолет действительно способен причинить коже серьезный вред, одновременно он жизненно необходим нашему организму. Есть ли способ получить все преимущества от ультрафиолета, но обойти его недостатки?

Исследователи из Института искусственного интеллекта Московского государственного университета и «Яндекса» создали LORuGEC — первый открытый набор данных с примерами ошибок по сложным правилам русского языка. Они также разработали метод, помогающий обучить ИИ исправлять грамматические, пунктуационные и орфографические ошибки при генерации текстов. «Яндекс» рассказал о разработках на полях Конгресса молодых ученых.

Исследователи Лаборатории социальной и когнитивной информатики НИУ ВШЭ — Санкт-Петербург под руководством Сергея Кольцова научились уменьшать размер нейронных сетей быстро и без потери качества благодаря методам статистической физики.

Команда исследователей из МИСиС и МФТИ с коллегами разработала новый метод, который значительно повышает надежность нейронных сетей, обучая их эффективно распознавать объекты и ситуации, с которыми они не сталкивались в процессе обучения. Предложенный подход, названный Identity Curvature Laplace Approximation (ICLA), позволяет искусственному интеллекту более точно оценивать собственную неуверенность, что является критически важным шагом для создания безопасных систем в таких областях, как беспилотный транспорт, медицинская диагностика и финансовый мониторинг.

Может ли у искусственного интеллекта проявиться сознание? Этот вопрос интересует ученых и инженеров по всему миру. Российская компания «Яндекс» решила провести исследование, которое поможет ответить на него.

Мошенники активно пользуются возможностями искусственного интеллекта, в том числе и в сфере страхования автомобилей. Популярность набирает услуга «разбить» машину на фотографии за несколько сотен рублей.

Исследователь Андрей Терников из НИУ ВШЭ в Санкт-Петербурге предложил пошаговую схему безопасного внедрения больших языковых моделей в университетах. Она учитывает типичные причины сбоев и помогает выстроить работу так, чтобы снизить риски. Такой подход позволяет вузам заранее выявлять уязвимости и безопасно запускать искусственный интеллект в обучении.

Технологии искусственного интеллекта подарили миру не только умных помощников и реалистичных роботов, но и новую, почти неотличимую от реальности форму мошенничества — дипфейки. Поддельные видео- и аудиозаписи, где знакомый человек с экрана умоляет о срочной финансовой помощи, становятся инструментом массового обмана. Чтобы понять, как защитить себя и своих близких от этой угрозы, мы обратились к Василию Шутову, преподавателю кафедры КБ-1 «Защита информации» РТУ МИРЭА.

Люди создают при помощи искусственного интеллекта (ИИ) сотни тысяч изображений и видео, основанных на уже существующих персонажах, местах и идеях. Но стили каких художников, архитекторов, современных иллюстраторов и кинорежиссеров воспроизводятся чаще всего?

Коллектив ученых из МФТИ, НИИСИ и Университета Иннополис разработал и детально сравнил между собой ряд высокоэффективных модификаций численного метода, основанного на гибридном подходе с использованием так называемых Химерных сеток. Этот подход позволяет значительно повысить точность и одновременно снизить ресурсоемкость компьютерного моделирования упругих волн в средах со сложной геометрией. Разработка имеет огромное значение для таких критически важных областей, как сейсмическая разведка полезных ископаемых и ультразвуковая дефектоскопия материалов, например, железнодорожных рельсов.