Gallup фиксирует рекордный уровень субъективного чувства безопасности за почти два десятилетия измерений. В 2024 году 73% взрослых по миру ответили «да» на вопрос: «Чувствуете ли вы себя в безопасности, гуляя в одиночку ночью в районе, где вы живёте?» Это максимум с 2006 года — несмотря на исторически высокий уровень вооружённых конфликтов.

Исследование основано на опросах 145 170 респондентов 15+ из 144 стран и территорий (полевой этап — 2024 год). Использовались вероятностные репрезентативные выборки; телефонные и очные интервью. Базовый индикатор — ответ на вопрос о безопасности прогулок ночью; он комбинируется с оценкой доверия к полиции и опытом краж/нападений для расчёта Law and Order Index.

Высокие уровни безопасности показывают Азия-Тихоокеанский регион, Западная Европа, страны Персидского залива и постсоветская Евразия (отдельные страны — 90%+ отвечающих «да»). В Евразии показатель почти удвоился относительно 2006 года.

Африка и Латинская Америка остаются зонами наименьшей субъективной безопасности. Самый низкий показатель в мире в ЮАР — 33%; соседние Лесото и Ботсвана также внизу рейтинга. На этом фоне выделяются примеры городских программ (Бразилия), показывающих, что локальные инициативы могут улучшать восприятие безопасности.

Особенно интересен устойчивый гендерный разрыв: В 2024 году 67% женщин и 78% мужчин заявили, что чувствуют себя в безопасности ночью. Он сохраняется даже в высокодоходных странах (напр., США — разрыв 26 п. п.; в Италии — один из самых низких показателей «чувствуют себя в безопасности» среди женщин в ЕС).

Рост субъективного чувства безопасности объясняется локальными факторами: доверием к соседям и институтам, качеством работы полиции, устойчивыми поведенческими практиками и городской инфраструктурой безопасности. Иначе говоря, личная безопасность — не только следствие мира, но и условие его достижения: сильные местные связи и эффективные институты способны поддерживать ощущение защищённости даже на фоне глобальной нестабильности.

Исследователи из Гарвардской медицинской школы, Imperial College London и Genentech представили PDGrapher — систему ИИ, способную проектировать сценарии восстановления клеток, затронутых болезнью.

Обычно при разработке лекарств используются модели, которые прогнозируют реакцию клеток на различные терапевтические воздействия. PDGrapher идет в обратную сторону — вычисляет, какие комбинации генов нужно затронуть, чтобы клетка вернулась в нормальное состояние. Иными словами, вместо описания реакции на лечение модель проектирует причинные связи, стоящие за процессом восстановления.

Чтобы это стало возможным, исследователи построили PDGrapher как графовую нейросеть с двумя модулями, где генные взаимодействия работают как узлы в карте причин и следствий. Один модуль подбирает, какие гены стоит «включить» или «отключить», другой проверяет, приведет ли комбинация к нужному эффекту.

Благодаря такой архитектуре PDGrapher до 25 раз быстрее существующих моделей (scGen, CellOT): она не перебирает тысячи вариантов, а сразу ищет релевантные сочетания. При этом точность предсказаний выше, а результаты устойчивы даже для клеток, которых система не видела на этапе обучения.

В тестах на 38 наборах данных модель предсказывала терапевтические мишени на 7–13% точнее аналогов, а совпадение с реальными точками воздействия в генетических сетях было на 11,6% выше случайного уровня.

Для немелкоклеточного рака легкого PDGrapher выделила ключевые гены KDR и TOP2A, а также правильно определила пять из одиннадцати целей препарата Пралсетиниб, не встречавшегося в обучающих данных.

PDGrapher предлагает новую логику научного поиска: вместо анализа действия существующих лекарств она моделирует возможные будущие терапии, исходя из причинных связей внутри клетки. Такой подход может радикально ускорить разработку препаратов для онкологии и других сложных заболеваний, где традиционные методы ограничены масштабом экспериментов и неполнотой данных.

Исследователи из Университета Южной Калифорнии представили PDDL-INSTRUCT — фреймворк, который учит большие языковые модели планировать в строгих логических системах. Он решает одну из главных проблем современных LLM — низкую эффективность в последовательных рассуждениях, когда от модели требуется не просто ответ, а формально выстроенный план действий.

Обычно языковые модели теряют точность там, где важно описывать каждое действие и его последствия в правильном порядке. PDDL-INSTRUCT интегрирует цепочки рассуждений (Chain-of-Thought) и автоматическую верификацию шагов, обучая ИИ не только строить планы, но и проверять их на логическую корректность.

Фреймворк опирается на три ключевых принципа. Во-первых, модель учится явно рассуждать о том, какие действия возможны, к каким состояниям они ведут и не нарушают ли внутренние правила системы. Во-вторых, процесс планирования разбивается на элементарные шаги — от проверки предусловий до контроля эффектов и инвариантов. И наконец, на этапе обратной связи подключается внешний верификатор VAL, который не только указывает на ошибку, а подробно объясняет ее природу. Это позволяет модели осознанно исправлять собственные логические сбои.

Результаты убедительные: точность планирования достигла 94% на стандартных тестах — это на 66% выше, чем у базовых LLM. Потому что, в отличие от типичных моделей, PDDL-INSTRUCT не просто запоминает удачные решения, а восстанавливает саму логику их построения, приближаясь к принципам классических планировщиков.

Работа показывает, что сочетание формальной логики, пошаговой декомпозиции и верификации способно сделать языковые модели значительно надежнее в планировании. Разработки в этом направлении открывают путь к использованию ИИ там, где ошибка в процессе недопустима — в робототехнике, логистике, промышленной автоматизации и медицине, где каждый шаг должен быть не только выполнен, но и обоснован.

Исследователи из UC Berkeley и Google представили AlphaEvolve — систему искусственного интеллекта, которая доказывает, что ИИ способен делать вклад в открытия фундаментальной теории вычислительной сложности — область, лежащую в основе криптографии, телекоммуникаций и алгоритмов обработки данных.

В работе AlphaEvolve выступала в роли исследователя, самостоятельно выдвигая и проверяя гипотезы о структуре сложных математических объектов, которые раньше считались недостижимыми для классических методов.

Одним из ключевых достижений стали новые результаты для задач на случайных графах. Модель смогла построить редкий тип таких графов — графы Рамануджана, отличающиеся особыми свойствами случайности и симметрии. AlphaEvolve сгенерировала примеры с числом вершин до 163, что раньше считалось вычислительно невозможным. Эти структуры помогли уточнить границы сложности известных задач MAX-CUT и MAX-Independent Set, которые описывают оптимальное разделение сетей и поиск несвязанных узлов.

Во второй части эксперимента система сгенерировала новые малые комбинаторные конструкции — так называемые «гаджеты», используемые в теории приближенных вычислений. Это область, где невозможно быстро найти точный ответ, поэтому важно определить, насколько близко можно подойти к идеальному решению.

AlphaEvolve помогла уточнить эти пределы: например, для задачи MAX-4-CUT теоретическая граница точности была скорректирована с 0.9883 до 0.987. Для математиков такая разница — важное уточнение границ вычислимого вообще.

Главное технологическое достижение AlphaEvolve — скорость. Проверка гипотез стала быстрее в 10 000 раз по сравнению с традиционными методами, что позволило работать с гораздо более сложными структурами и типами графов, ранее недоступными даже самым мощным вычислительным системам.

Подобные системы особенно важны сегодня, когда объем и сложность цифровых данных растут быстрее, чем человек способен их анализировать и контролировать. Алгоритмы вроде AlphaEvolve становятся не просто катализаторами вычислений, а инструментами, формирующими новые принципы, на которых строится безопасность и устойчивость современного цифрового мира.

Исследовательница и соосновательница School of Education Софья Смыслова изучает, как онлайн-инициативы высшего образования, созданные российскими академиками в вынужденной эмиграции после 2022 года, помогают участникам заниматься «педагогическим производством будущего» и заново выстраивать связь между прошлым, настоящим и будущим.

Исследование основано на партисипативных методах — учебных дневниках и рефлексивных интервью с преподавателями и студентами двух неформальных онлайн-проектов, действовавших за рубежом. В работе показано, как именно эти инициативы становятся пространствами интеллектуального восстановления и «безопасными зонами» для обсуждения опыта утраты, изгнания и поиска новых смыслов.

Заметно, что часто обучение часто приобретает терапевтический характер. Через открытые дискуссии и совместное размышление участники находят новые способы соотносить себя с знанием, сообществом и временем. Для одних этот процесс становится источником обновленной академической и политической субъектности, для других — попыткой удержать чувство устойчивости в ситуации кризиса и неопределенности.

Онлайн-формат усиливает эту многослойность. Он разрушает территориальные границы и делает возможным свободный диалог между теми, кто остался в России, и теми, кто уехал, создавая общее пространство обучения.

Однако гибкость онлайн-обучения не устраняет всех ограничений — вместе с новыми формами взаимодействия оно сохраняет старые иерархические. Привязка расписания к московскому времени делает участие студентов из дальних регионов почти невозможным, а привычные лекционные форматы нередко переносятся в цифровую среду без адаптации.

Смыслова подчеркивает, что образование в изгнании — это не фиксированный формат с заранее заданными целями, а живой процесс, в котором сценарии будущего непрерывно создаются в повседневных педагогических практиках. По ее мнению, такие инициативы не только поддерживают интеллектуальную жизнь в условиях утраты и неопределенности, но и становятся экспериментальными пространствами, где возможные будущие начинают складываться уже в настоящем.