Господа!

На прошлой неделе прошла конференция Data Fusion 2026 от ВТБ (и примкнувших). На DF рекордное количество panel discussion и множество интереснейших спикеров. Вообще, на конференциях по-моему большинство самых интересных разговоров происходят в спикерских (чисто по составу участников). 😁 Я там, в том числе, вел секцию "Научный прорыв года в ИИ" (13 работ из 141 поданной — acceptance rate круче, чем на А* 😂).

Были интереснейшие дискуссии по поводу А* и будущего стремительно меняющейся науки. Про будущее потом, а вот чем полезны А* сформулирую:

* Для прохождения на А* критична novelty. Результат должен быть новым в мире. Это значит, что вы должны быть не только в состоянии добежать до быстро уходящего вперед научного фронтира, но и спланировать свои исследования таким образом, чтобы успеть выполнить их и написать статью быстрее китайцев. Это КРАЙНЕ нетривиально. Очень частая ситуация, когда придумана хорошая гипотеза и дальше пока вы делаете работу (через месяц или за неделю до публикации) китайцы (как правило) публикуют на www.arxiv.org что-то очень-очень похожее. И дальше это найдут ревьюверы и зарубят статью по novelty (самая частая ситуация и очень серьезный риск). И дальше все по кругу. В наиболее актуальных областях, где статьи выходят каждый день, умение выиграть это соревнование у китайцев — это крайне нетривиальный скилсет (нужно и хорошо ориентироваться в быстро меняющемся ландшафте научного фронтира, и верно оценивать сколько есть времени для присмотренной полянки, быстро ресечить и писать и т.д.). Это тянут не все.

* Для прохождения на А* важен significant contribution. Не получится сделать что-то небольшое по-быстрому. Оно не пройдет. Наш прошлогодний второй ICCV Highlight IQA-Adapter: Exploring Knowledge Transfer from Image Quality Assessment to Diffusion-based Generative Models содержательно это 3 работы, каждая из которых довольно интересна и нова. Потому и Highlight (топ-9.7% принятых статей).

* Для прохождения на А* критично доказательство годности результата. Разного рода читерства и deep fake science очень много. В нашей области videoprocessing мало хороших крупных датасетов и очень частая ситуация, когда многочисленные "типа SOTA" методы не воспроизводятся на других данных. На нашем флагманском по популярности и размеру в своей области датасете CVQAD до сих пор SOTA — VMAF (метод от Netflix ДЕСЯТИЛЕТНЕЙ (!) давности, датасет обучения которой Netflix не раскрыла, но он, очевидно, был не маленьким). Т.е. 10 лет наука гора рожала мышь! В области выходит до 3000 статей в год (много улучшений и разных более узких кейсов), но в базовой задаче при большом числе "типа SOTA" все плохо. Как следствие, ревьюверы А* крайне скептичны (и крайне злы). И малейшей неаккуратности в описании сравнения результата не прощают. Это формирует крайне важный скилсет — умение четко выстроить методику сравнения и четко доказательно донести результат.

Забавно, что в своей области на многочисленных модных конференциях российских компаний по ИИ я регулярно слышу ужасные (методологически) сравнения своих результатов с другими. Причем докладчики без опыта А* часто совершенно искренне не понимают, в чем проблема 😁🤷‍♂️. Ну и по novelty нередко слышу как наши компании компании хвастаются, но не публикуются ("так-то я легко марафон пробегу, просто времени нет", а у Google 175+ статей только на одной (!) NeurIPS 2025, 140+ на ICML 2025 и 125+ на ICLR 2025, у них время есть, да))) 😉

AI — мощнейший усилитель. Если есть ум и навыки, то ума и навыков, если нет, то их отсутствия. Что мы в ближайшее время радостно пронаблюдаем (уже, собственно). 😁

В этом плане есть те (люди и компании), кто считает, что ему (им) эти навыки не нужны. Посмотрим на результат. Счет будет (и уже есть) на табло. Я лично ставлю на Google 😁

Всем конкурентоспособности! 🙂

Stay tuned! 😁

@vgcourse