Вернуться к курсуСкачать Markdown

Пошаговое руководство по курсу

Для кого: инженеры, которым нужны физически-вдохновлённые примитивы — консенсус, маршрутизация, выборка, риск, термодинамика — в виде готовых к вызову оракулов AIMarket. Язык лаб: COURSE_LANG=en|ru|es|fr|zh · строки UI в i18n/ · этот гайд на русском. English · Español · Français · 中文

Сверка с текущей экосистемой

Перед живым вызовом используйте поиск Hub и проверьте идентификатор возможности, источник и заявленную цену. Сохраните точный вход воспроизводимой лабораторной. Разделяйте результат математической проверки алгоритма и подписанную квитанцию, если её выдал живой вызов. Пустой поиск означает, что по этому запросу на момент проверки не нашлось совпадений.

Зачем этот курс

Большинство «AI»-курсов заканчиваются на промптах. Здесь же учат детерминированным, физически-вдохновлённым вычислениям, которые можно проверить, сертифицировать и тарифицировать — примитивам, что лежат под агентом, а не над ним. Каждый модуль оборачивает реальный оракул AIMarket:

Каждая лаба воспроизводима (фиксированный seed, без LLM по умолчанию) и печатает блок Trace, который можно изучить. К концу вы сможете вызвать любой из пяти оракулов, прочитать вывод и получить сертификат курса.

Содержание

  1. Выбор трека
  2. Установка (10 минут)
  3. M1 — Консенсус Murmuration
  4. M2 — Сертификат TSP для Colony
  5. M3 — Синий шум Turing
  6. M4 — Каскадный риск Ablation
  7. M5 — Термодинамический аудит Landauer (продвинутый)
  8. Трейс в каждой лабе
  9. Упражнения и сертификат
  10. Мост: от курса к AIMarket
  11. Чеклист самопроверки
  12. Типичные проблемы

Выбор трека

Трек Модули Время NumPy LLM
Базовый M1 → M2 → M3 → M4 ~2 ч Да ([oracles]) Нет
Продвинутый Базовый + M5 +45 мин Да Нет

Все лабы детерминированы — в курсе нет LLM. «Интеллект» — в физике: робастная статистика, комбинаторные границы, критичность, термодинамика. После каждой лабы читайте раздел Трейс — каждый скрипт печатает блок Trace.

Установка (10 минут)

Шаг 1 — Клон и установка

git clone https://github.com/alexar76/aimarket-courses.git
cd aimarket-courses/physics-inspired-computing-course
pip install -e ".[oracles,dev]"

Extra [oracles] тянет NumPy (единственная зависимость времени выполнения); [dev] добавляет pytest. Требуется Python 3.11+.

Внутри монорепозитория aicom? Колёса оракулов можно не ставить — лабы находят murmuration, colony, turing, ablation и landauer напрямую из oracles/oracles/* через courselib/oracle_paths.py. Вне монорепозитория именно [oracles] заставляет импорты работать.

Шаг 2 — Тесты

pytest -q

Ожидается: все тесты проходят (паритет i18n по en/ru/es/fr/zh, мосты к оракулам, сертификат, упражнения).

Шаг 3 — Язык интерфейса лаб (опционально)

export COURSE_LANG=ru   # или es, по умолчанию en
python labs/lab01_murmuration_consensus.py

COURSE_LANG переключает печатаемые строки каждой лабы (заголовки, концепции, метки) через courselib/i18n.py. Числа, имена оракулов и виды событий трейса не меняются — локализуется только текст. Неизвестные значения откатываются к английскому и не роняют лабу.

Шаг 4 — Google Colab

  1. Откройте сайт курса → Open in Colab на любой лабе.
  2. Выполните setup-ячейку (clone + pip install -e ".[oracles,dev]").
  3. При необходимости задайте os.environ["COURSE_LANG"] = "ru" в setup-ячейке.
  4. Запустите ячейку лабы.

M1 — Консенсус Murmuration

Концепция: робастный консенсус DeGroot и агрегация Tukey-biweight по зашумлённым оценкам агентов. Лаба: labs/lab01_murmuration_consensus.py · Оракул: Murmuration · ~15 мин · трек: базовый

Шаги

  1. Прочитайте docstring в начале файла лабы (отрасли: роевой интеллект, робастная статистика).
  2. Запустите: python labs/lab01_murmuration_consensus.py
  3. Лаба подаёт шесть оценок — пять около 2.0 плюс один дикий выброс 50.0 — и печатает median, trimmed_mean, biweight, сошедшееся значение converged и число итераций DeGroot, а в конце — блок Trace.
  4. Заметьте: biweight ≈ 2.0, хотя обычное среднее было бы ~10 — выброс подавлен, а не усреднён.
  5. Просмотрите courselib/physics.py::murmuration_aggregate и murmuration.consensus.aggregate.

Что это доказывает

Один плохой датчик (или вредоносный агент) не сдвигает консенсус. Оценка biweight занижает вес далёких точек, и рой сходится к истине, а не к шуму.

Самопроверка

M2 — Сертификат TSP для Colony

Концепция: маршрут «ближайший сосед» + 2-opt с допустимой границей зазора оптимальности. Лаба: labs/lab02_colony_tsp.py · Оракул: Colony · ~20 мин · нужен M1

Шаги

  1. Запустите: python labs/lab02_colony_tsp.py
  2. Лаба решает маршрут на 6 городов и печатает tour (порядок обхода), length, lower_bound (доказуемый нижний предел оптимальной длины) и gap в процентах — насколько маршрут может быть хуже оптимума.
  3. Прочитайте блок Trace — событие tsp логирует length и gap.
  4. Ключевая идея: всегда length ≥ lower_bound, поэтому gap — это сертификат. Вы поставляете маршрут вместе с гарантией качества.

Что это доказывает

Чтобы действовать, точный оптимум не нужен — малый gap (скажем, < 5%) часто и есть достаточно хороший ответ с приложенным числом. Так эвристики становятся подотчётными.

Самопроверка

M3 — Синий шум Turing

Концепция: выборка по лучшему кандидату (Mitchell) для равномерных, но нерегулярных множеств точек. Лаба: labs/lab03_turing_bluenoise.py · Оракул: Turing · ~20 мин · нужен M1

Шаги

  1. Запустите: python labs/lab03_turing_bluenoise.py
  2. Лаба запрашивает 64 точки (candidates=12, seed=2026) и печатает count, min_distance (минимальный зазор между любыми двумя точками), seed и его seed_source, а также sample из 3 координат.
  3. Сравните со случайным равномерным разбросом: синий шум максимизирует минимальное расстояние, поэтому нет ни сгустков, ни пустот.
  4. Перезапустите с другим seed (правкой лабы) — раскладка меняется, но min_distance остаётся высоким.

Что это доказывает

Синий шум превосходит наивную случайную выборку для Monte Carlo, дизеринга и процедурного размещения: равномерное покрытие без видимой структуры.

Самопроверка

M4 — Каскадный риск Ablation

Концепция: абелева песочная модель самоорганизованной критичности — степенное распределение размеров лавин и хвостовой риск. Лаба: labs/lab04_ablation_cascade.py · Оракул: Ablation · ~20 мин · нужен M1

Шаги

  1. Запустите: python labs/lab04_ablation_cascade.py
  2. Лаба строит небольшой направленный граф подверженности (demo_exposure_graph() — банки A→D плюс сток), сбрасывает 1200 зёрен и печатает tau (степенной показатель распределения размеров лавин), max_avalanche (крупнейший наблюдённый каскад), cvar95 (95% условный VaR — ожидаемый размер худших 5% каскадов) и topple_total.
  3. Прочитайте блок Trace — событие cascade логирует tau и max_avalanche.
  4. Интуиция: в критической системе малые возмущения иногда запускают общесистемные каскады. tau и cvar95 количественно описывают этот хвост.

Что это доказывает

Среднее поведение скрывает опасность. Тяжёлый хвост (управляемый tau) означает, что редкие, но огромные каскады доминируют в риске — это и есть режим отказа взаимосвязанных финансовых или инфраструктурных сетей.

Самопроверка

M5 — Термодинамический аудит Landauer (продвинутый)

Концепция: энергетический порог стирания бита kT·ln2 на DAG операций. Лаба: labs/lab05_landauer_audit.py · Оракул: Landauer · ~30 мин · трек: продвинутый

Шаги

  1. Запустите: python labs/lab05_landauer_audit.py
  2. Лаба проверяет небольшую необратимую схему (demo_circuit_ops() — два входа, гейт AND, выход) при temperature_k=300.0 и печатает irreversible_bits (биты, уничтоженные логикой), energy_floor_j (порог Ландауэра в джоулях, kT·ln2 на стёртый бит), efficiency и circuit_commitment — хеш, фиксирующий проверяемую схему.
  3. Прочитайте блок Trace — событие landauer логирует bits и floor_j.
  4. Физика: стирание одного бита при температуре T стоит не менее kT·ln2 джоулей. Гейт AND уничтожает информацию (два входа → один выход), поэтому его порог ненулевой.

Что это доказывает

Существует жёсткий, зависящий от температуры нижний предел энергии, которую любое необратимое вычисление обязано рассеять. Аудит превращает этот физический закон в число, привязываемое к схеме, а circuit_commitment делает аудит защищённым от подделки.

Самопроверка

Трейс в каждой лабе

Концепция: каждая лаба логирует Trace, чтобы её поведение можно было изучить, а не принимать как магию. Где: во всех пяти лабах · ~5 мин после каждой лабы

Каждый скрипт строит courselib.trace.Trace и вызывает trace.log(kind, **fields). Лаба печатает число записанных events; kind (consensus, tsp, bluenoise, cascade, landauer) указывает, какой физический примитив сработал, а поля фиксируют ключевые числа.

Шаги (после каждой лабы)

  1. Прокрутите к строке trace / events в конце вывода.
  2. Сопоставьте kind и поля с только что прочитанным блоком результата.
  3. Воспринимайте трейс как «лог юнит-теста» лабы — в production это становится чеками тарификации и записями аудита.

Самопроверка

Упражнения и сертификат

После лаб запустите DIY-проверки:

python labs/run_exercises.py

Это прогоняет упражнения всех пяти модулей (m1–m5) и печатает ✓/✗ по каждому. Во время итераций запускайте по одному:

python labs/run_exercises.py --module m4

Каждое упражнение утверждает свойство, которому учит лаба — например, m1 проверяет, что biweight устойчив к выбросу, m2 — что length ≥ lower_bound, m4 — что tau > 0.5.

Когда все пять пройдены, получите сертификат:

python labs/run_exercises.py --certificate "Иван Петров" --lang ru

Создаётся certificate.html (используйте --lang en или --lang es для другой локали). Откройте его в браузере и Print → Save as PDF. ID сертификата — это хеш имени и даты, поэтому он стабилен и проверяем. Флаг --skip-check передавайте, только если нужен HTML без повторного прогона упражнений.

Мост: от курса к AIMarket

Пять оракулов, которые вы вызывали локально, — это те же пакеты, что live-обслуживаются в экосистеме AIMarket. Чтобы перейти от «я запустил лабу» к «я вызвал размещённый оракул»:

Курс (локальная лаба) AIMarket (размещённый оракул)
M1 murmuration_aggregate Оракул Murmuration — capability консенсуса
M2 colony_tsp Оракул Colony — маршрутизация + сертификат
M3 turing_bluenoise Оракул Turing — capability выборки
M4 ablation_cascade Оракул Ablation — capability системного риска
M5 landauer_audit Оракул Landauer — термодинамический аудит
Лаба Trace Чек invoke + provenance на хосте

circuit_commitment (M5) и сертификат gap (M2) — это ровно тот проверяемый вывод, что позволяет покупателю доверять ответу оракула, не пересчитывая его.

Чеклист самопроверки

После базового трека вы должны уметь:

После продвинутого трека добавьте:

Типичные проблемы

Проблема Решение
ModuleNotFoundError: courselib Запуск из корня репозитория; лабы добавляют родительскую папку в sys.path
ImportError: Oracle package '…' not installed Выполните pip install -e ".[oracles]" или запускайте из монорепозитория aicom, где находится oracles/oracles/*
ModuleNotFoundError: numpy Extra [oracles] ставит NumPy — повторите pip install -e ".[oracles,dev]"
Ошибка версии Python Курсу нужен Python 3.11+
Пустые / английские строки при другом языке Задайте COURSE_LANG; проверьте ключ в i18n/ru.json / i18n/es.json
Падение паритета i18n в pytest Добавьте недостающий ключ во все три файла i18n/en.json, ru.json, es.json
Сертификат не создаётся Сначала должны пройти упражнения; запустите python labs/run_exercises.py или передайте --skip-check
Colab выполняет старый код Перезапустите setup-ячейку; зафиксируйте ветку main

Обновление сайта и ноутбуков

После правок лаб или i18n/:

python3 scripts/build_course_assets.py

Гайды в docs/ правятся вручную — сначала EN, затем зеркала RU/ES.