🚨 Финансовый директор OpenAI Сара Фрайер только что опубликовала огромное обновление по доходам: более $20B ARR. В статье также говорилось: "Вычислительные мощности выросли примерно в 3 раза по сравнению с прошлым годом (0,2 ГВт в 2023 году, 0,6 ГВт в 2024 году, примерно 1,9 ГВт в 2025 году). Доходы следовали той же кривой: $2B ARR в 2023 году, $6B в 2024 году и более $20B в 2025 году." Если ARR растет так быстро в таких объемах, можно ли с уверенностью сказать: "ай-бабл был обманом"?

Я начинаю испытывать сильный FOMO, если мои агенты не работают 24/7. Кажется, что упущенная выгода колоссальна. Это как если бы у вас была команда из 100 инженеров, которые просто сидят без дела, потому что вы не дали им работы. На самом деле, это не очень приятное чувство. И я чувствую это даже после того, как выпустил функцию в субботу. Кто-то еще испытывает это?

Физически обоснованная GNN, которая изучает законы Ньютона на основе данных и экстраполирует на системы в 35 раз больше Большинство нейронных сетей для физического моделирования требуют много данных и хрупки. Обучите их на одной конфигурации, и они разваливаются, когда вы меняете граничные условия, увеличиваете систему или проводите длительные запуски. Основная проблема: эти модели изучают корреляции, а не законы сохранения. Винай Шарма и Ольга Финк используют другой подход с Dynami-CAL GraphNet. Вместо того чтобы надеяться, что сеть откроет физику, они встраивают её непосредственно в архитектуру. Ключевое понимание: третий закон Ньютона гарантирует, что внутренние силы сохраняют линейный и угловой момент — даже когда энергия рассеивается через трение или неупругие столкновения. Они достигают этого с помощью новой локальной системы отсчета, которая является SO(3)-эквивариантной, инвариантной к трансляциям и антисимметричной при обмене узлов. Силы, декодированные из встраиваний рёбер, автоматически равны и противоположны. Угловой момент получает такое же обращение: сеть предсказывает как внутренние моменты, так и точку приложения силы, изолируя вращение от орбитальных вкладов. Результаты впечатляют. Обученная всего на пяти траекториях 60 сталкивающихся сфер в стационарной коробке, модель экстраполирует на вращающийся цилиндрический бункер с 2,073 частицами — поддерживая стабильные, физически согласованные запуски на протяжении 16,000 временных шагов. На ограниченных N-телесных системах, захвате движений человека и динамике молекул белка она превосходит специализированные базовые модели, требуя при этом меньше данных. Сообщение: когда вы встраиваете законы сохранения в архитектуру, а не в функцию потерь, вы получаете модели, которые обобщаются на разных масштабах, геометриях и граничных условиях — потому что они с самого начала усвоили правильный индуктивный уклон. Статья: