Сегодня – 7 ноября – удивительный день, связанный с моей карьерой научного журналиста.

Во-первых, сегодня празднуют День N7 все поклонники франшизы Mass Effect. Грех тут не вспомнить дилогию разборов по показанным в играх науках: старый про физику и совсем свежий про искусственный интеллект.

Но, оказывается, сегодня ещё отмечают День холодца. В декабре 2022 года, аккурат под канун новогодних праздников, я сидел в лаборатории кафедры оптики и нанофотоники Института физики КФУ и проверял купленный в местном супермаркете холодец на предмет разных свойств: механических, электрических, оптических. О том, что у меня вышло, можно прочитать в лабораторном отчёте там же, на N + 1.

Всех причастных с праздниками!🎉🎉🎉

Несмотря на плотную занятость на конференции, работа над текстами продолжается.

На прошлой неделе мы с Егором Ершовым выпустили следующий текст в серии конспектов лекций по вычислительной фотографии. На этот раз статья разбирает такую вещь, как конвейер формирования изображений в современных цифровых камерах.

Конвейер (или чаще пайплайн) — это термин из компьютерных наук и IT (да и много откуда, на самом деле), который обозначает чёткую последовательность шагов некоторого процесса. В данном случае мы разбираемся с тем, что конкретно происходит в камере после нажатия кнопки затвора на физическом и программном уровне, начиная с подсчёта фотонов сенсорами матрицы и заканчивая сохранением в JPG или иной формат.

Тема, как вы, наверное, понимаете, невероятно обширная, поэтому первый текст охватывает только самые первые шаги подготовки сырого RAW-изображения: работу сенсоров и первичную коррекцию сигналов. А ещё из текста можно узнать, как камере удаётся строить цветное изображение, если матрица состоит из фотодиодов, которые поглощают фотоны во всём видимом диапазоне

Мировое сообщество ML-ресёрчеров опять стоит на ушах — на ICLR 2026 произошла массовая утечка имён рецензентов. Не могу смолчать и попробую объяснить, почему меня это очень тревожит.

Для начала надо оговориться: утечка случилась не столько у самой конференции, сколько у платформы OpenReview.net, которая хостит сборники большинства значимых мероприятий по компьютерным наукам. Учёные регистрируются там и могут подавать свои статьи и писать анонимные рецензии по чужим, если таковые им поручены. Вчера стало известно, что из-за ошибки в API сайта любой человек мог связать рецензию с аккаунтом, её написавшим. Технические подробности можно узнать, например, тут.

Новость взбудоражила сообщество, и у этого были важные предпосылки. Состязательность системы рецензирования создаёт напряжение между подавшим статью учёным и его рецензентами. Но покуда действует анонимность, это напряжение никуда не канализуется, сублимируясь в форме мемов и фольклора (см, к примеру мем про рецензента №2).

Чтобы предотвратить любое сведение счётов, оргкомитет ICLR пригрозил мстителям многолетними банами, но это, как вы понимаете, не панацея. Как следствие, некоторые рецензенты внезапно бросились менять свои оценки на наивысшие, из-за чего конференция временно заморозила такую возможность.

Всё это добавило проблем в и без того крайне сложную ситуацию с рецензированием в науке об ИИ. Дело в том, что там принято публиковаться не в журналах, а в сборниках конференций. Но если выпуски топового журнала выходят, условно, раз в месяц и имеют лимит по числу статей, то топовые конференции случаются раз в год, и все ресёрчеры стремятся к тому, чтобы их статья попала в соответствующий сборник.

Из-за этого организаторам конференций приходится организовывать рецензирование гигантского количества статей (счёт идёт на десятки тысяч). «Как отрасль будет разруливать толпы ИИ-исследователей, организовывать массовое рецензирование и всё такое прочее — будем посмотреть» — писал я полтора года назад.

Этот год показал, что со скрипом или вообще никак. Во-первых, массовость статей потребовала мобилизации вообще всех участников, включая студентов с соответствующим качеством рецензирования, либо банального отсечения сабмитов по какому-нибудь простому критерию. Во-вторых, ситуацию усугубило массовое использование LLM по обе стороны баррикад (я подробно разбирался в этом тут). Утечка имён рецензентов здесь — прям вишенка на торте.

Беда в том, что рецензирование — это иммунная система науки. Если она сломается, то откровенный мусор может быть приравнен к научному знанию, а качественные исследования так и не будут опубликованы под знаком качества.

Случившееся стало поводом для большой дискуссии о том, как сохранить этот фильтр надёжным. Но что бы не придумает ML-сообщество, это, по-видимому, будут тектонические изменения, с которыми ни одна научная область в истории человечества ещё не сталкивалась.

За последний год стало ясно, что, если вы хотите научить ИИ решать по-настоящему сложные задачи, одной LLM не обойтись. Как показала практика, использование нескольких моделей в агентном режиме — то есть, когда для них распределены роли и организовано активное взаимодействие — даёт существенные преимущества.

Многие группы пытаются строить подобные системы и, как правило, проходят один и тот же, либо похожий путь. В мире разработки такая ситуация рано или поздно приводит к появлению разнообразных фреймворков, которые упрощают рутину и ускоряют процесс создания продукта.

Именно таким фреймворком стал MAESTRO — программная платформа, которая позволяет легко строить и настраивать мультиагентные системы на базе большинства популярных LLM. Его разработала группа «Мультимодальные архитектуры ИИ» AIRI, а я помог коллегам выпустить статью на Хабре про его устройство

Олды помнят, как 3 года назад я ходил в студию к ребятам, которые делают канал Кубрик, и разбирал там в роли физика сцены из Звёздных войн. Так вот, недавно они позвали меня смотреть всякую супергероику, и мы уже отсняли материал. Когда ролик выйдет, я его обязательно сюда принесу.

Как обычно работает классификатор машинного обучения? В датасет кладётся набор точек класса А, класса Б, класса В и т.д. — и модель учится. А как быть, если вам нужно, чтобы классификатор хорошо определял только класс А при том, что всех остальных классов настолько великое множество, что их чисто технически невозможно загнать в датасет?

Именно в такой ситуации оказались недавно мои коллеги из лаборатории «Сильный ИИ в медицине» AIRI, которые поехали на хакатон «Лидеры цифровой трансформации 2025». Им нужно было построить ИИ-сервис, который смотрит на КТ-снимок грудной клетки и определяет, здоровый ли это орган или нет. Класс А в данном случае — здоровый снимок, а Б, В и всё остальное — разнообразные патологии, коих может быть очень много.

Коллеги нашли хорошее решение, которое принесло им второе место и денежный приз. Подробностями они поделились в хабре Института, который я, как водится, помог им выпустить.

Я проходил дилогию головоломок Portal много лет назад, но эти игры навсегда запали мне в память. Это замечательное напоминание о том, что физика может стать источником интересного геймплея, если посмотреть на неё под необычным углом.

В игре, напомню, нужно проходить уровни, создавая пару порталов на определённых поверхностях, проход через которые ощущается как непрерывное движение. Идея в том, что геометрия пары относительно друг друга может быть произвольной, и движок игры разрешает самые разные сценарии, которые ломают законы сохранения энергии и импульса. Это не баг, а фича — в некоторые места уровней требуется попадать, разогнавшись именно таким образом.

Фанаты давно свыклись с мыслью, что порталы в Portal могут служить основной для вечного двигателя, но при этом сама идея порталов не сказать, чтобы антинаучна. Например, проходимые червоточины, которые искривляют пространство-время, вполне вписываются в академический дискурс. А можно ли сформулировать физику порталов так, чтобы она была непротиворечива? Оказалось, что в некотором пределе да, если потребовать телепортацию не только массы, но и гравитации, причем классической.

Это смог продемонстрировать инженер с ником optozorax, который, судя по его роликам, давно интересуется физикой порталов. Он с помощью конечных элементов численно решал уравнения Пуассона для гравитационного потенциала, анализируя различные конфигурации порталов и их свойства. Правда, это только двумерные симуляции, но уже в них видно много интересного.

Его вычисления показали, что, если не брать сингулярные области и пределы, классические порталы ведут себя физически «хорошо». Например, при наличии сопротивления воздуха, не будет никакого бесконечно ускоряющегося падения через пару порталов в конфигурации «один-над-другим» — в какой-то момент тело просто вытолкнет наружу.

Детальнее ознакомиться с его исследованием можно на Youtube. Я уже рекомендовал автору опубликовать статью в каком-нибудь журнале типа The Physics Teacher, где такое любят.

Раз уж зашла речь про Arc Raiders… У этой игры есть ещё одна особенность, которая пересекается с тематикой этого канала — машинное обучение и искусственный интеллект.

Игрожуры очень хвалят Arc Raiders за реалистичную анимацию роботов, осмысленность их движений и «живость» из поведения. Например, робот учится предугадывать тактические паттерны своего кожаного противника и бить на упреждение, а в случае отрыва конечности железяка продолжает ковылять, адаптировавшись к повреждению.

Всё дело в том, что, как оказалось, Embark Studios, создавшая игру, довольно давно имеет ML-подразделение, которое тесно сотрудничает с геймдизайнерами и аниматорами. Команда долго обучала роботов с помощью техники Reinforcement Learning, то есть, штрафуя их за неправильные движения и вознаграждая за правильные.

Была в работе Embark Studios особенность, которая отличала их от коллег, занимающихся RL для других прикладных задач и академии. Движения роботов не только должны были быть эффективны, но ещё и эстетичны, а также уложены в логику игрового мира. По этой причине аниматоры и геймдизайнеры тоже принимали активное участие в обучении агентов, влияя на функцию награды.

В этой связи хотелось бы отметить, что словосочетание «искусственный интеллект» игроки и игровые журналисты применяли почти за полвека до изобретения этих ваших трансформеров (и никого это не смущало тогда, между прочим!). Традиционно так называли скрипты для управления ботами и мобами, реже — прописанные для них анимации для взаимодействия с рельефом уровня или препятствиями.

Но именно Embark Studios стала, насколько мне известно, первой студией, которая применила обучаемый ИИ в тайтле AAA-уровня. Как мы видим по рейтингам, всё было не зря!

Ребята с канала Кубрик, к которым я недавно ходил смотреть комментировать фильмы про супергероев, выложили сегодня наше видео. Разбираем фильмы «Дедпул и Росомаха», последнего «Супермена» и «Фантастическую четверку».

Я не сразу согласился, потому что рассматривать супергероев через научную призму, это как пинать лежачего. Вместо этого я, наоборот, попытался выступить адвокатом дьявола и похвалить авторов, если не за научную достоверность, то хотя бы за обращение с сложным физическим концепциям.

И, надо сказать, киношники в этом плане не подвели. Поговорим про ускорители, антиматерию, червоточины, проблему измерения в квантовой механике и многое другое