Анализ данных (Data analysis)

Единственные соседние степени во всей математике

Числа 8 и 9 выглядят обычно, но их соседство уникально:
2³ = 8
3² = 9
Это единственная пара степеней натуральных чисел больше 1, которые отличаются ровно на единицу.

Иными словами, уравнение
xᵖ - yᑫ = 1
при x, y, p, q > 1 имеет только одно решение:
3² - 2³ = 1
Эжен Каталан сформулировал эту гипотезу в 1844 году. Доказать её смогли лишь спустя более 150 лет: в 2002 году это сделал математик Преда Михэйлеску.

Сегодня результат известен как теорема Михэйлеску.

Простое утверждение оказалось настолько глубоким, что для доказательства понадобились современные методы алгебраической теории чисел.

Китай, похоже, заканчивает эпоху “берите наши open-weight модели и делайте что хотите”

Пекин обсуждает новые экспортные ограничения для AI и чипов. По данным FT/Reuters, Минкоммерции Китая уже консультировалось с Alibaba, ByteDance и Zhipu: как ограничить вывод training data за рубеж и стоит ли дальше разрешать иностранцам скачивать веса самых сильных моделей.

Причина - китайские frontier-модели всё чаще выходят open-weight. После Kimi K3 это стало особенно чувствительно: Moonshot представила 2.8T-модель и заявила, что она приближается к уровню американских frontier-систем.

Когда Китай догонял, открытость была оружием: раздать веса, ускорить adoption, ударить по закрытым западным моделям.

Теперь, когда разрыв с США уменьшился, те же веса выглядят уже не как маркетинг, а как стратегический актив.

И ограничения могут коснуться не только моделей. Обсуждаются меры, которые не дадут зарубежным производителям вроде Qualcomm и TSMC делать продвинутые чипы по дизайнам Huawei, Alibaba и ByteDance. Также возможны ограничения на зарубежные покупки стратегических AI-стартапов, включая agentic AI.

Китай начинает охранять AI так же жёстко, как редкоземы, чипы и другие рычаги технологической власти.

Open-source был стратегией андердога.

Похоже, Пекин уже не считает себя андердогом.

MIT предложили интересную рамку для self-evolving AI scientists - систем, которые не просто ищут ответ, а умеют понять, что им не хватает самого языка для описания открытия.

Проблема в том, что большинство ИИ-систем для науки работают внутри заранее заданной схемы. Они могут перебирать гипотезы, искать статьи, запускать инструменты, сравнивать результаты, но всё равно остаются внутри фиксированного набора переменных, тестов и понятий.
А настоящая наука часто начинается там, где приходится менять саму схему:
- добавить новый тип переменной
- придумать новый инструмент измерения
- ввести новый класс объектов
- изменить способ проверки гипотезы
- сформулировать утверждение, которое раньше нельзя было выразить
Идея статьи в том, чтобы представлять каждый элемент работы агента как typed artifact: данные, модель, вывод инструмента, ошибку, промежуточный результат, гипотезу или финальный claim. Система должна знать не только «что это», но и как это было получено.
Так агент может различать три режима:
- retrieval - добавили уже известный факт
- search - поискали внутри старой схемы
- discovery - изменили саму схему, чтобы стало возможно выразить новое
Это попытка формализовать то, что ИИ-агенты пока чаще имитируют: разницу между «найти ответ внутри языка» и «заслужить право изменить сам язык».

arxiv.org/abs/2606.01444

Anthropic улетает в космос: $900 млрд оценки после $350 млрд в феврале

По данным Financial Times, Anthropic согласовала условия нового раунда на $30 млрд. Сделка может закрыться уже в этом месяце и оценить компанию в $900 млрд без учёта новых денег.

В феврале 2026 года Anthropic оценивали в $350 млрд. Сейчас речь уже про $900 млрд. Почти x3 за три месяца.
По ARR картина ещё жёстче:
- конец 2025 года: $9 млрд
- конец мая 2026 года: $45 млрд

Почти x5 за пять месяцев.

Раунд, по данным FT, ведут Dragoneer, Greenoaks, Sequoia Capital и Altimeter Capital. И это уже не просто история про «ещё один AI-стартап поднял денег».

Рынок начал переоценивать Anthropic как одного из главных победителей enterprise-AI. Claude Code, корпоративные контракты, API, агенты, инфраструктура вокруг моделей - всё это внезапно превращается не в красивую демку, а в гигантский денежный поток.
https://www.ft.com/content/9deae3c6-716d-4f4d-8b09-434d8519f847

У Anthropic довольно красиво спрятан смысл в названиях моделей Claude.

Haiku - японское стихотворение на 3 строки. Минимум слов, жёсткая форма, ничего лишнего. Так и работает Claude Haiku: быстрый, лёгкий, точный, без долгих размышлений там, где нужен простой ответ.

Sonnet - сонет, стихотворение на 14 строк с правилами, ритмом и пространством для выражения. Отсюда и роль Claude Sonnet: баланс между дисциплиной и гибкостью. Он хорошо держит инструкции, но при этом не превращается в сухой автокомплит.

Opus - большое произведение композитора. Обычно самое амбициозное, сложное и серьёзное. В линейке Claude это флагман: модель для задач, где ошибка стоит дорого и нужно больше глубины.

Mythos - уже другой уровень символизма. Mythos - это мифы, истории и образы, которыми культуры объясняли неизвестное: богов, происхождение мира, границы человеческого понимания.

Поэтому название Mythos звучит, как намёк на что-то, что выходит за привычную линейку «быстрее, дешевле, умнее».

Нейминг у них реально с аурой.

Я исправляю код, используя свой мозг вместо ИИ:

📚 Из любой книги теперь можно сделать slash-команду для Claude

Не просто прочитать, подчеркнуть пару мыслей и забыть через неделю.

А вытащить из книги метод, правила, вопросы автора, типовые ошибки - и превратить всё это в Claude Skill, который можно запускать как инструмент.

Например, берёте The Mom Test.

Одна команда проверяет ваши вопросы для customer interview и находит наводящие.
Вторая команда переписывает их в формате Rob Fitzpatrick.

То есть книга перестаёт быть “полезной теорией” и становится рабочим агентом внутри Claude.

Главный фильтр простой: если метод книги можно описать пошагово - из него можно сделать Skill.

Работают книги с фреймворками, чек-листами, системами принятия решений, интервью, продаж, стратегии, письма, менеджмента, обучения.
Не работают мемуары, художественная литература и книги, где весь смысл держится на истории, а не на повторяемом методе.

Промпт для Claude:
Use the skill-creator to build a skill from [НАЗВАНИЕ КНИГИ] by [АВТОР].
The skill should activate when I ask Claude to [точная задача. Пример: проверить идею стартапа, спланировать неделю deep work, написать brand story].
Method from the book:
- Steps: [вставьте шаги метода]
- Rules the author repeats: [вставьте повторяющиеся правила]
- Mistakes to avoid: [вставьте ошибки, от которых автор предостерегает]
- Questions the author asks: [вставьте вопросы автора]
Do NOT use this skill for: [3-4 смежные, но неподходящие задачи. Пример: general writing, unrelated business advice, book summaries].
Interview me on anything missing before generating the SKILL.md. Then run an evaluation.
Продвинутый совет: для больших книг делайте не один Skill, а два.

/[book]-diagnose - задаёт вопросы и применяет фреймворк к вашей ситуации.

/[book]-apply - берёт шаги и шаблоны книги и производит готовый результат.

Так книга превращается не в конспект, а в рабочую операционную систему.

⚡️ Один слой контекста срезал Claude Code расходы в 3 раза

Интересный кейс: Claude Code начал тратить в 3 раза меньше токенов после одного изменения в workflow.
До: 10.4M токенов, 10 ошибок, $9.21.
После: 3.7M токенов, 0 ошибок, $2.81.
Что поменяли? Вместо того чтобы каждый раз скармливать Claude Code лишний контекст вручную, автор подключил Insforge Skills + CLI как backend-слой для context engineering.
Проще говоря, Claude Code стал получать не «всё подряд», а нужный контекст в нужный момент. Меньше мусора в окне, меньше блужданий по проекту, меньше повторных попыток, меньше счёт за токены.
Это open-source и работает локально. То есть речь пронормальную инженерную прокладку между кодом и агентом.
Подход, при котором нужно не писать промпты длиннее, а строить им нормальную систему памяти, навыков и доступа к контексту.

https://github.com/InsForge/InsForge

⚡️ Математическая ловушка, которую не могут закрыть почти 90 лет
Есть задача, которая выглядит как упражнение для школьника, но до сих пор ломает математиков.
Она называется гипотеза Коллатца.
Правило смешное простое: берете любое положительное число. Если оно нечетное - умножаете на 3 и прибавляете 1. Если четное - делите на 2. Потом повторяете снова и снова.
Например, начнем с 7:
7 → 22 → 11 → 34 → 17 → 52 → 26 → 13 → 40 → 20 → 10 → 5 → 16 → 8 → 4 → 2 → 1
И вот в чем безумие: какое бы число вы ни взяли, по гипотезе вы все равно рано или поздно придете к 1.
Звучит почти очевидно. Но проблема в том, что никто не смог доказать это для всех чисел.
Можно проверить миллиарды примеров. Можно написать код. Можно увидеть, что все работает. Но в математике этого мало. Нужно доказательство, что не существует ни одного числа, которое уйдет в бесконечность или попадет в другой цикл.
Именно поэтому гипотеза Коллатца так бесит математиков: правило занимает две строки, а доказательство не нашли до сих пор.
Иногда самая страшная задача выглядит не как монстр, а как детская игра с числами.
Компьютеры уже проверили гипотезу для гигантского количества чисел, но это все равно не доказательство.
В математике нельзя сказать: "Мы проверили очень много, значит это правда». Нужно доказать, что исключений нет вообще."