У сегодняшних детей будут свои внуки, когда они доживут до момента, на котором заканчиваются все климатические прогнозы. Нет ли в прошлом каких-то подсказок насчёт нашего будущего?

Все, что случилось с нами, лишь пролог.
— Уильям Шекспир, «Буря»

Приветствую моих постоянных читателей и тех, кто сюда зашел впервые.

По мере того, как мой блог на Хабре продолжает приобретать узнаваемые очертания и читательскую аудиторию, я размышляю о том, какие его черты я хотел бы сохранить, и что объединяет наиболее успешные мои статьи – согласитесь, дискуссии на десятки и сотни комментариев, не сводящиеся к банальным холиварам, не могут не вдохновлять.

На данный момент мне кажется, что читателю хочется не только узнать о настоящем, но и заглянуть в будущее. То есть, мне нравится делать обоснованные экстраполяции на основе тех фактов, которые я беру за основу статьи.

Именно поэтому я не мог пройти мимо инфографики, найденной здесь. Статья Дэвида Алайона (David Alayon) написана в феврале 2018 года и называется «Things to come. A timeline of future technology» (Что впереди: технологическая хронология будущего). Автор сделал красивую подборку технологий, которые могут быть внедрены в течение ближайших тридцати лет, поступив при этом именно так, как я описал выше: аргументированно экстраполировав настоящее в будущее. Просто скопировать и перевести эту хронологию было бы недостаточно; вдобавок, картинка у автора вышла очень длинной. Поэтому я разберу ее на отдельные иллюстрации, охарактеризую каждую из упомянутых технологий, а также отмечу, на какие из тем этой хронологии планирую написать статьи в моем хаброблоге.

В настоящее время глубокое обучение используется для перевода, прогнозирования укладки белков, анализа рентгеновских и других медицинских снимков , а также для игр, столь сложных как го  - вот лишь некоторые варианты применения этой технологии, которая становится всепроникающей. Успех в этой и других отраслях привел технологию машинного обучения от безвестности в нулевые до доминирования сегодня.

Хотя, славные дни глубокого обучения начались сравнительно недавно, зародилась эта парадигма много лет назад. В 1958 году, когда компьютеры-мейнфреймы еще занимали целые залы и работали на электронно-лучевых трубках, Фрэнк Розенблатт из Корнельского университета, исходя из знаний о том, как устроены связи между нейронами в мозге, спроектировал первую нейронную сеть, которую прозорливо описал как «устройство для распознавания образов». Но амбиции Розенблатта сильно опережали его время – и он об этом знал. Даже в своей инаугурационной статье он был вынужден признать, с каким волчьим аппетитом нейронная сеть жрет вычислительные ресурсы, сетуя на то, что «по мере того, как количество связей в сети растет… нагрузка на традиционный цифровой компьютер вскоре становится чрезмерной».  

Введение

C тех давних пор, когда лучше ZX-Spectrum ничего не было, запомнилась игрушка, в которой надо было задать программу роботу, чтобы он в автономном плавании победил противника. И вот в свободное от работы и отдыха время я начал заниматься программой, которая при помощи настроек, считываемых из текстового файла в XML-формате позволяет:

• создать плоский мир, по размерам ограниченный ресурсами компьютера. Вместо ледяной стены по краю у него появление с противоположного края, для объектов внутри мира он кажется непрерывным.
• добавить неограниченное количество стационарных источников геотермальной энергии
• наблюдать освещение солнцем в виде пятна, имитирующего движение светила со сменой времён суток и года.
• описать минеральные вещества с разной степенью "летучести", то есть подверженности произвольному перемещению по поверхности из-за диффузии
• описать химические реакции между веществами, которые могут осуществлять живые организмы под воздействием энергии
• и, конечно же, наблюдать за "живыми" организмами.

Основное отличие от существующих игр — в модели нет предопределенного сценарием конца.