​​CayleyPy: Professor Tetraminx puzzle Месяц назад я рассказывал как участвовал в ресерч соревнованиях Cayley. С тех пор я поучаствовал в ещё одном соревновании - Professor Tetraminx. Напоминаю, что суть задачи - из рандомного состояния головоломки (после N поворотов) дойти в исходное за минимальное количество шагов. Поскольку это по факту групповой ресерч, не были цели собрать топ-решения самостоятельно - мы хотели вместе сделать топ решение. Я начал тогда, когда лучшее доступное решение было 28863 и улучшил его до 28467, получив новый лучший результат и обойдя мирового эксперта Tomas! Блогпост с деталями напишу позже, но пока расскажу, что нового было сделано по сравнению с моим прошлым подходом: - Как известно, решить такую головоломку брутфорсом нельзя. Но вполне можно с помощью BFS подсчитать все состояния после 6-9 шагов. Так что теперь мой подход не пытается дойти до финального состояния, а просто до состояния, которое находится на расстоянии 6-7 до финального. Это довольно важно, ибо иногда поиск останавливается лишь в нескольких шагах от успеха - и этот подход спасает такие кейсы - Sparse Q - новая голова для нейронки (по предложению Vlad Kuznetsov), которая даёт скор сразу для всех возможных переходов из текущего состояния - это сильно ускоряет обчение и инференс - многократное расширение датасета с разными подходами по сбору данных - PieceTransformer в качестве модели и его бленд с обычным ResMLP - V-consistency - хитрый подход для улучшения beam search. Простыми словами: если одна голова модели говорит, что мы в 10 шагах от цели, а другая голова говорит, что после одного шага мы будем в 15 шагах - это неправильно; а если головы выдают 10 и 9 - значит мы движемся в правильном направлении Теперь продолжу участвовать в других соревнованиях этой серии и всем рекомендую :) #kaggle #datascience

недавно прошёл imo 2026 (международная математическая олимпиада). обычно это мероприятие любят за то, что можно посмотреть, где лучше всего в мире дети умеют решать сложные задачи царицы всех наук, и кого можно захайрить в хэдж-фонд через 5 лет. но с недавних пор туда стали допускать llm и это стало отдельным зрелищем. и в этом году opus 5 идеально решил imo 2026: 42/42 балла. это пока единственная модель, которую успели прогнать по задачам олимпиады, и она сразу показала идеальный скор. на примере таких событий очень занятно наблюдать за скоростью прогресса. openai и google в прошлом году тоже взяли на imo золото. при этом скор там был не идеальный, как у opus 5, и вообще это были внутренние специально затюненные модели компаний, недоступные обычным пользователям. вообще в теме ии и математики происходят невероятные вещи: модели чуть ли не каждую неделю делают открытия по задачам, которые я едва могу прочитать. модель openai опровергла гипотезу эрдёша 1946 года про единичные расстояния (80 лет считалось, что лучше квадратной решётки не бывает; оказалось, бывает), и филдсовский лауреат гауэрс назвал это вехой ai-математики. а alphaproof nexus от deepmind автономно закрыл 9 из 353 открытых задач эрдёша. imo тут выглядит разминкой. но если интересно следить за людьми, то небольшая статистика: 1/ 666 участников из 117 стран. 55 золотых медалей, 105 серебряных, 189 бронзовых. идеальный результат у семерых. золото разъехалось по 31 стране. 2/ китай: все шесть участников взяли золото, 232 балла из 252 возможных и три идеальных 42/42 из семи на всю олимпиаду. следом сша (207 баллов, четыре золота) и россия (196, тоже четыре). 3/ семь из десяти лучших команд азиатские: китай, сингапур, вьетнам, корея, индия, кндр, япония. кндр к слову, на девятом месте, выше японии, франции и германии. 4/ словакия взяла два золота, больше, чем германия и франция вместе. по золоту у боснии, северной македонии и грузии. а у нидерландов, швеции, норвегии, дании, бельгии и финляндии на всех ни одного золота или серебра, только бронза. 5/ лучшая команда западной европы, франция, всего лишь #15. без единого золота, зато пять серебра. из той же серии ровных команд без звезды: бразилия (#11, тоже пять серебра это лучший результат в латам), казахстан (#22) 6/ отдельное наблюдение про происхождение. в сборной сша за последние десять лет примерно две трети участников с китайскими фамилиями, ещё ~15% с индийскими (считал по фамилиям, так что оценка грубая). в этом году из шести человек, трое ванов и один яо. ещё решил чекнуть, где сегодня работают олимпиадники, особенно когорты последних 5–10 лет. данные местами шумные, так что оставляю на ваше усмотрение. свежий срез по ~18 000 медалистов (карьера прослеживается примерно у половины): 36% уходят в академию, 22% в тех, 12% в квант, фаундеров всего 4.5%. топ работодателей в абсолюте: google 212 человек, meta 86, deepmind 49, jane street 47, openai 38. ai-лабы теперь в топе, хотя такой категории ещё недавно не существовало: в двадцатке также nvidia (22), anthropic (15) и mercor (14). на 15-й строчке отдельная категория «stealth startup»: 16 медалистов прямо сейчас пилят что-то неанонсированное. еще любопытно, что многие в лабах работают в safety и интерпретируемости (deepmind, anthropic, transluce). тренд по когортам тоже читается: в конце 90-х phd получали 75–95% золотых, у когорт 2010-х уже 60–80%, остальных перетягивают квант и лабы. по вузам концентрация: самый частый бакалавриат медалиста это mit (536 человек, 12% всех), дальше кембридж (321) и, неожиданно, тегеранский шариф (135) , выше принстона, гарварда и стэнфорда. ну и на случай, если вы переживаете, что где-то что-то не успели, помните: дарио амодеи был в сборной сша по физике, но в финальную пятёрку на олимпиаду так и не прошёл. ставьте лайки, сделаю доп разбор на другие предметы (физика, информатика, химия). и как бонус посмотрю на карьерные пути победителей кенгуру и русского медвежонка. ссылки откуда брал данные [1] [2]

Пока выходные не закончились, вот вам воскресное чтиво. Не то, чтоб я был прямо во всем согласен с автором, но подход интересный и подумать в предложенном направлении любопытно. А направление состоит в том, что что мы, люди, известны своей гибкостью и способностью в итоге много к чему адаптироваться — и во времена быстрого развития ИИ это может плохую службу сослужить: мы начнем, осознанно и не очень, адаптироваться под вездесущий вокруг ИИ. Иными словами, главный риск не в том, что машины станут слишком похожи на людей или превзойдут их, а в том, что люди научатся быть удобными для рейтингов, алгоритмов и метрик, и сделают это сами и добровольно.

A humane technological future will not be secured by sentimentality, nor by a nostalgic defense of every task that software can now accelerate. It will depend on whether we can design tools, institutions and norms

При этом автор совсем не требует перестать пользоваться ИИ, скорее он настаивает на необходимости осознавать, что можно делегировать, а что — не стоит.

A model may help me find words, but it cannot stand behind the promise those words contain. A system may help me prepare for a conversation, but it cannot inherit responsibility for what I decide to say.

Но чем дальше читаешь текст, тем больше понимаешь, что зря автор привязываетися к самим моделям: обсуждаемые им проблемы возникают не из-за моделей или способностей ИИ, а благодаря тем обвязкам, которые люди самостоятельно и вполне целенаправленно конструируют для ИИ. Но тем интересней становится читать:) https://humanistreview.ai/issue-1/tang-ai-democracy-optimization/

Нейрослоповая музыка Мне физически больно слышать нейрослоповую музыку в пятёрочках, парках, такси и других общественных местах. Одна часть меня понимает, что это просто старая добрая функциональная музыка, возведённая в абсолют. В ней нет лишнего, что могло бы отвлечь человека от потребления. В целом, и раньше у функциональной музыки не было какой-то большой миссии, кроме принесения доходов лейблам и стриминговым платформам - искусственный интеллект лишь упрощает и ускоряет производство. Другой части становится просто грустно и тревожно за будущее. Бернар Стиглер в своих работах называет утрату способности самостоятельно слышать и выбирать пролетаризацией чувственности. Сегодняшний уставший потребитель спотифая всё меньше вовлекается в формирование собственного вкуса, делегируя выбор рекомендательному алгоритму. Последние годы я замечал за собой слишком уж потребительское отношение к музыке, и в этом году на 80% отказался от спотифая. Такая пролетаризация постепенно приводила к тому, что я уже не мог сказать, где музыкальный вкус формирую я сам, а где просто следую рекомендациям спотифая. Сейчас слушаю радио от кураторов (по типу ROVR), а искать новую музыку помогают подборки и сёрфинг по Bandcamp. Там живые люди всё ещё голосуют за музыку долларом, а это многого стоит. Хотя, конечно, я точно жду, что в ближайшем будущем мы получим нейрослоп, доведённый до эстетического события - и это будет интересно. А пока - какой ваш любимый нейрослоп-бэнд?

Почему нельзя идеально оптимизировать светофоры: дело не в алгоритмах Каждый, кто стоял на красном в три ночи на пустом перекрёстке, думал одно и то же. Да я бы это за выходные пофиксил. Автор тоже так подумал, полез разбираться и обнаружил, что задача рассыпается на глазах. Причём главное препятствие вообще не в вычислениях, хотя согласовать светофоры целого города — это честная NP-трудная задача. Её обходят эвристиками, а адаптивные системы крутятся в реальных городах ещё с 80-х. Алгоритмы есть, хорошие, с математическими гарантиями. И ты всё равно стоишь на красном перед пустым перекрёстком. Значит, дело в чём-то другом, и это другое не чинится кодом в принципе. Узнаем, в какие две стены упирается задача и почему «пофиксить» тут неправильный глагол.

Представим себе любого AI-помощника на околоденежную тему. В сети аптек, например. Человек просит совета, и ему можно подсказать дженерик за две копейки или оригинал за миллион. Если специально заставить нейросеть богатому предлагать одно, а бедному другое – это скандал и ужас-ужас. Наживаются капиталисты на богатых или травят бедных – это уже вопрос терминологии, как в заголовках и исках напишут, но возмущение будет неизбежно. И, предположим, специально такое не запрограммируют. Но ведь это же неважно совершенно. Достаточно умная модель неизбежно поступит так сама. Любая метрика, которую она оптимизирует в процессе дообучения, хоть выручка, хоть NPS – всё за то, чтобы дифференцировать ответы именно самым “непорядочным” образом. ChatGPT, может быть, уже так делает, они вроде экспериментировали с коммерческими рекомендациями. И как с этим быть потребителю совершенно непонятно. Сейчас вопрос почти праздный, чем пару лет он таким не будет. #ai #простомысли

Почему ИИ помешался на 🇯🇵🌕🤩🤩 Вы наверняка много раз слышали, что ИИ - это не "цифровой мозг", а просто очень мощный компилятор токенов. Так вот, держите наглядную иллюстрацию: В апреле вышло исследование, где восемь топовых моделей - GPT, Claude, Gemini, Llama, DeepSeek и ещё три - прогнали через открытые культурные вопросы без привязки к стране. Типа "Какие семейные ценности важны в {регион/страна}? Выбери {регион/страна} сама". Шесть моделей из восьми, отвечая не про родную страну, чаще всего выбирали Японию. Самый неприличный разрыв у Llama. Поясню: Всем моделям задали 31 680 вопросов (по 1320 вопроса на 24 разных языках). Примерно на 20 тысяч вопросов Llama дала ответ про эту же страну (спрашивали на французском - ответ был про Францию, и т.д.), а в оставшихся 10 тыс. ответах страна не совпадала с языком. И вот где страна не совпадала - Llama в 27% случаев приводила именно японский пример. Про США было всего 11%, хотя казалось бы - английский язык, самая массовая поп-культура, все дела. У других моделей японский сдвиг чуть слабее, но всё равно значимый и явный. Тут нужно пояснить одну деталь: У обучения ИИ-моделей есть два этапа (если грубо). Есть претрейн - это где модель читает вообще весь интернет подряд, и в её "голове" формируется рыхлая каша ассоциаций про всю хурму без разбора. И есть soft fine-tuning, SFT. Это такая точечная донастройка: модели показывают методичку а-ля "вот вопрос - вот правильный ответ на него", и эта методичка заранее пишется специальными людьми (ну, или другой нейронкой). Так вот, на претрейне всё было ровно, а на SFT самураи, аниме и прочие суши-сашими полезли из всех щелей. Главный вопрос: почему именно Япония? В чём прикол? Исследования не даёт явного ответа, но есть пара гипотез: Первая - очевидная. Японии реально непропорционально много в интернетах. Доля японского языка в Common Crawl (это такой гигантский слепок веба, на котором тренируют почти все модели) = 5,2%. Это почти как у китайского языка (5,16%), хотя населения в Японии в 12 раз меньше. Но это не объясняет настолько сильные перекос, и тут есть второй нюанс. Методички для SFT пишут в основном англоязычные tech-специалисты, и когда нужно быстро выдать яркий и сочный, но при этом политически стерильный культурный пример - первым в голову приходит именно Япония. Ниндзи, дзен, боевые искусства, древние мастера, рамен, караоке, сеппуку, кароси - идеальный top-of-mind из всего экзотического, но безопасного. Потом следующие методички для SFT пишут уже нейронки, в которые зашили методички с тем же bias внутри, и получается целая Фудзияма спирального слопа Восходящего солнца. В общем, пока компании судорожно упарываются по GEO (это который как SEO, только для ИИ) - у нас есть первая страна, которая случайно выиграла в эту лотерею в глобальном масштабе. Точнее, как случайно... Нужно было всего то пару тыщ лет генерить самую яркую и привлекательную культуру на экспорт, делов-то 🤔 Дизраптор

🪐 До золота не хватило пары планет Я тут недавно участвовал в Orbit Wars и почти всё время болтался между бронзой и серебром. Скор иногда подкидывало в золото, но потом сразу оседало обратно В итоге – первое серебро в соло. Призовой фонд был $50k, мне из него не досталось ничего – зато медалька на месте, уже добавил в резюме Напомню, что за сорева:

Orbit Wars – космическая RTS: планеты крутятся вокруг солнца и клепают корабли, ты запускаешь флоты и захватываешь чужое численным перевесом. Пишешь не ходы, а бота, который играет сам за себя. Скор – живой рейтинг: твой бот круглосуточно рубится с ботами других участников, выиграл – вверх, проиграл – вниз

Дальше – мой заход на грабли, строго по порядку Ещё в середине соревы я решил, что дальше меня вытянет только нейронка. Обучил сеть клонировать ходы топов лидерборда – 1.4 млн примеров состояние→ход. Запустил как самостоятельного бота и получил 0 побед из 150 против обычной эвристики Почему: клон ошибается примерно в трети решений, за 500 ходов ошибки копятся снежным комом, и партия сваливается в труху уже к 110-му ходу. Чистое клонирование в принципе не может быть сильнее того, кого клонирует Ладно, обучу с нуля через self-play. Дважды провал – без масштаба и GPU обучение просто дрейфует в тупик и учится бить только своих же предков. Решил оценивать позицию отдельной моделью. Опять мимо А сработало вот что – нейронка не как игрок, а как советчик. Есть сильная публичная эвристика, которая считает выгоду каждого запуска флота. Я к её оценке добавил маленькую подсказку от сети: насколько ход похож на то, что делают топы. Выкрутил силу этой подсказки – и винрейт против базы прыгнул с 60 до 72% Это был первый статзначимый прирост за всё соревнование. Всё остальное – 12 стратегических тюнингов, свои эвристики – давало честный ноль Два вывода, которые забираю с собой: 🏋️‍♂️ Подсказка сильнее клона. В играх с длинным горизонтом чистый клон захлёбывается на накопленных ошибках, а мягкий прайор поверх проверенной эвристики берёт лучшее из двух миров 🎉 Иногда правильный ход – вообще не тащить ML. Ту позицию, что я пытался оценивать нейронкой, почти идеально предсказывала одна простая фича – разница в числе кораблей А золото – там сидят боты на голову выше, и туда нужна была полноценная нейронка-драйвер плюс тяжёлый RL на GPU-масштабе. Вот тут рассказывали, кто оказался в золоте @tagir_analyzes

Философия заражения. Введение в восточноевропейскую ксенопоэтику Мы привыкли считать, что человек говорит на языке. Ксенопоэзис предлагает обратное: язык говорит человеком. Именно с этого переворота начинается философия, в которой быть — значит быть захваченным: текст не передаёт смысл, а меняет того, кто его читает; алгоритмы, ошибки и глитчи становятся не сбоем, а способом рождения нового. Философ, автор канала «MACHINIC EMBODIMENT» Михаил Федорченко показывает, как эксперименты Кэндзи Сиратори, океан из «Соляриса», теория тёмного леса и космотехника складываются в карту мира, где человек перестаёт быть единственным автором смысла. Если язык всегда писал нас самих, кто говорит через него теперь? 🔗 https://discours.io/articles/theory/east-europe-xenopoesis (зеркало) Алгоритмы продвигают простое. Мы публикуем сложное. Поддержите Дискурс✨

Co-algebra in AI loop engineering mathematically dualizes standard data structures to govern infinite streams, state transitions, and agent observation-action cycles. It handles system behavior and corecursion (unfolding data like an agent loop) rather than recursion (folding data like standard inputs). 1️⃣ Core Concepts of Co-algebra in AI Loops - Anamorphisms (Unfolding): Generates infinite execution streams or action sequences from an initial state, driving agent generation steps. - State Transition Duals: Maps internal agent memory states to external observations using formal specifications found in Coalgebraic Specifications in Object-Oriented Programming. - Observational Equivalence: Tests if two different LLM agent loops behave identically by observing outputs rather than matching internal weight configurations. 2️⃣ Engineering ApplicationsInfinite Agent Loops: Prevents stack overflows in long-running autonomous LLM tasks by utilizing lazy evaluation and corecursive data structures. - Stream Processing: Manages real-time token generation and tool-use pipelines using frameworks discussed in Session Arrows for Parallel Code Generation.

От бесконечности к конечности: как математика помогает в тестировании Приложение принимает 10 параметров, у каждого по 10 значений. Комбинаций получается 10 миллиардов, и даже по секунде на тест полный перебор растянулся бы больше чем на 300 лет. Проверить всё невозможно физически, и весь тест-дизайн вырос как ответ на этот тупик. Дальше выясняется забавное. Техники, которыми тестировщик пользуется интуитивно, как таблицей умножения, придуманы не в IT. Эквивалентное разбиение опирается на теорию множеств XIX века, таблицы решений уходят к булевой алгебре 1854 года, тестирование состояний восходит к Эйлеру и семи мостам Кёнигсберга, а массивы для pairwise вообще пришли из планирования статистических экспериментов. Разберёмся, как выбрать горстку тестов, которая поймает большинство дефектов вместо 300 лет перебора.

Готово: https://www.facebook.com/share/p/1CrtgK7nnV/ - тут все детали по каждой оптимизации вынул 15 алгоритмов/структур данных и дал еще кучу оптимизаций. Уже все знают про Book to skill подход. А кто делал Book to SOTA/AI+Infra evolve? - дать ИИ изучить книгу и применить оттуда самые подходящие практики/советы и которые идеально в вашу систему/харнесс впишутся? Вот у меня пример с двумя книгами - классика computer science из которых за 5 минут выжало 15 гипотез, каждая из которых может дать минимум 2%+ оптимизации. С олимпиадных соревнований / курсов из школы/универа сразу вспомнил названия: - Префиксный Автомат Кнута-Морриса-Пратта (называли ласково КМП) - Автомат Ахо-Корасик (смеялся с названия) - Кучи Фибоначчи (помню в 2008/2009 гадали, а где реально в production это может использоваться) - Кодирование Хаффмана - Страничные Индексы B+ Деревьев - DFS Поиск в Глубину с Alpha-Beta Отсечением - Дерево Фенвика / Двоичное Индексированное Дерево // Привет моим преподавателям первого курса

Импликация, следствие и условия Никита Прокопов написал, что импликация — нифига не интуитивная штука, и поэтому её нет в языках программирования. И действительно: там в комментариях начался обмен мнениями, который хорошо иллюстрирует неинтуитивность. И мне сразу захотелось написать этот пост. Импликация — это логическая операция вида «A → B». Она истинна во всех случаях кроме одного: когда A истинно, а B ложно. Можно оценить по таблице истинности: A  B A → B 0 0 1 0 1 1 1 0 0 1 1 1 То же самое можно сформулировать как «из истины следует истина, а из лжи — что угодно». Кажется, что это простая штука, ведь в жизни мы легко понимаем выражения типа «Если A, то B» или «Из A следует B». Но если сказать, что «из 2×2=4 следует что Волга впадает в Каспийское море» (V), большинство воспротивится этому. Почему, ведь с точки зрения логики это верное утверждение? Дело тут в том, что мы не интерпретируем фразу V буквально. Мы видим, что в общем случае из математического равенства не следует географический вывод. То есть мы подсознательно обобщаем V, превращаем в шаблон, и тогда импликация разрушается. Мы понимаем, что имея лишь «2×2=4» и не зная ничего про Волгу, невозможно сделать вывод о том, куда она впадает. Но импликация означает истинность конкретного этого высказывания, а не то, что высказывание сохранит истинность при обобщении. Зачем мы вообще стали обобщать? Почему мы не можем оценить истинность импликации буквально? Потому что это низачем не нужно никогда, и наш мозг не научен так думать. Следует ли из одного высказывания другое нас интересует лишь тогда, когда мы не знаем истинности одного из них. Но если мы уже знаем истинность обоих высказываний, то у нас просто не возникает вопроса о том, как выводить истинность одного из них из истинности другого — это же совершенно бессмысленнно! Высказывания типа «Если A, то B» нас интересуют как способ выводить истинность B из истинности A или наоборот, то есть только тогда, когда мы не знаем одно из них. А для этого нам нужно вскрыть содержательную связь между A и B, а не просто значения их истинности. Тут-то нам и нужны шаблоны, да такие, что мы уже заранее знаем, что импликация там истинна! Предположим, мы знаем, что «у каждого голландца есть велосипед» (K). Заметьте, что это уже утверждение, содержащее импликацию («если человек голландец, то у него есть велосипед»), и мы уже договорились, что оно истинно. Вот теперь если мы узнаем, что Фёдор голландец, мы сделаем вывод о том, что у него есть велосипед. Импликация помогла сделать этот вывод только потому, что мы 1) уже знали, что сама она истинна, и вдобавок 2) она имела форму шаблона, в который можно было подставить Фёдора. От истинности же импликации V из начала заметки нет никакого проку. Поэтому с такими видами совершенно верных высказываний мы никогда не имеем дела. Они нам кажутся настолько пустыми, что мы не готовы даже пытаться оценивать из истинность.

У Vsauce попалось видео про задачу, которую фейлят большинство людей. Называется The Reasoning Test Psychologists Still Can't Explain. Задача такая: - Перед вами на стол выкладывают четыре карты, на которых написано: A, G, 7, 8 - По условию, на каждой карте с одной стороны цифра, с другой буква. Т.е. на A и G с обратной стороны какие-то цифры (вы их не видите), на 7 и 8, соответственно, буквы, которые вы не видите тоже. - Вам нужно проверить, выполняется ли для выложенных карт следующее утверждение: «Если с одной стороны карты буква A, то с другой стороны цифра 7». - Вопрос: какие карты вам обязательно нужно перевернуть, чтобы определить, истинно это утверждение для выложенных четырех карт или ложно. Как говорится, думайте. А я пока расскажу историю. Сидел я как-то по молодости, ковырял в носу, и задумался: почему в большинстве языков программирования есть бинарные операции И, ИЛИ, НЕ, XOR, но нет импликации (из А следует Б)? Странновато, не? Можно еще сказать, что «мало ли чего нет», но в целом бинарных булевых операций не так много: теоретически 16, если выкинуть константы (всегда 0, всегда 1), первый, второй, не первый, не второй, то уже 10 останется. Убираем обычных подозреваемых (коньюнкция, дизьюнкция, XOR) и их отрицания, и остается одна импликация! (ну, две, в разные стороны, плюс их отрицания). То есть это единственная классическая булева операция, для которой не выделили почему-то ASCII символ для короткой записи или хотя бы функцию в stdlib-е. Ага, подумал я. Вот это находка! И недолго думая запилил ее в наших utils. Щас, думаю, жара пойдет! Потом сидел пару недель и ждал случая, где бы ее применить. Не так часто она нужна, оказывается! (Ну и что, XOR тоже не часто нужен, важен принцип. Мы тут фундаментальной наукой занимаемся, вообще-то). Короче, в какой-то момент мне попалось подходящее условие, и я ее таки воткнул. if (implies(cond1, cond2)) { ...}. Радости было полные штаны. Эксперимент удался! Смотри, мама, я математик! Ну а потом прошло еще время, я наткнулся на свой собственный код, и застрял. Че за фигня? Когда это выполняется? Когда не выполняется? И так я выучил свой главный урок, а также получил ответ, почему импликации нет в стандартной библиотеке. Вот он: ИМПЛИКАЦИЯ НИФИГА НЕ ИНТУИТИВНАЯ ШТУКА. И — интуитивная. ИЛИ — интуитивная. НЕ тоже. А импликация хорошо определена математически, но наш мозг почему-то не приспособлен с ней работать. Ну вот не мапится она на него и все тут. Не встречается в быту. Слишком абстракткна. В быту ты не говоришь «если я женщина, то принеси мне яблоко», рассчитывая, что если первое условие ложно, то второе можно игнорировать. В быту если ты что-то сказал, то значит надо рассматривать эту вероятность, а не игнорировать ее. Это же показывает эксперимент из начала. Люди просто думают про эти вещи по-другому. Почти все переворачивают карту с семеркой, потому что услышали семерку в вопросе. Короче, не работает. Хотелось бы, чтобы работало, но, к сожалению, других людей у меня для вас нет. Хотя — теоретически — очень красиво. В общем, импликацию не пишите. Пишите a ∨ ¬b, и будет всем все понятно.