Генассамблея ООН: семь проблем человечества

Семь главных угроз человечеству назвал генеральный секретарь ООН Антониу Гутерриш. 

 Первая – ядерная угроза.

Сегодня уровень глобальной тревоги в связи с ядерным оружием достиг самой высокой отметки со времён холодной войны. И это не абстрактный страх. Миллионы людей живут в постоянном ужасе из-за ядерных испытаний и испытаний ракет, которые с провокационной целью проводит Корейская Народно-Демократическая Республика. В самой КНДР подобные испытания никак не облегчают участь тех, что страдает от голода и чудовищных нарушений прав человека. Я безоговорочно осуждаю эти испытания", – заявил Антониу Гутерриш.

Вторая глобальная угроза – это терроризм.

Он разрушает общество, дестабилизирует целые регионы и отнимает энергию, которая могла бы использоваться более продуктивно. Глава ООН призвал страны активизировать контртеррористические усилия и поблагодарил делегатов Генеральной Ассамблеи за то, что они поддержали его инициативу по созданию нового управления по борьбе с терроризмом.

Неразрешённые конфликты и систематических нарушениях международного гуманитарного права. Преследования, дискриминация и жестокие репрессии заставили 400 тысяч человек бежать из штата Ракхайн в Мьянме.Власти в Мьянме должны прекратить военные операции и обеспечить беспрепятственный гуманитарный доступ. Они также должны удовлетворить требования народности рохинья, вопрос о статусе которых до сих пор не решён

4 Изменение климата.

5 Рост социального неравенства.

6. Проблемы в сфере кибербезопасности.

7. Миграция.

Владивосток: работа и безработица - реальные цифры

Вакансии5212

IT - Телеком173 Административный персонал881 Банки - Инвестиции85 Бухгалтерия - Финансы380 Домашний персонал79 Логистика - ВЭД - Склад - Снабжение417 Маркетинг - Реклама - PR170 Медицина - Фармацевтика187 Наука - Образование125 Охрана - Безопасность153

Продажи - Сопровождение1276 Промышленность - Производство486 Спорт - Красота176 Строительство - Ремонт435 Топ-менеджмент191 Транспорт735 Туризм - Гостиничный бизнес - Общепит436 Услуги - Прочее622

Государственная служба - Некоммерческие организации64

Культура - Искусство - Развлечения37


Резюме154390

IT - Телеком2994 Административный персонал30878 Бухгалтерия - Финансы12288 Государственная служба - Некоммерческие организации3746 Домашний персонал4883 Культура - Искусство - Развлечения3049 Логистика - ВЭД - Склад - Снабжение17668 Маркетинг - Реклама - PR5977 Наука - Образование3027 Охрана - Безопасность7257

Продажи - Сопровождение227663 Промышленность - Производство14520 Спорт - Красота3019 Строительство - Ремонт16283 Топ-менеджмент4501 Транспорт22107 Туризм - Гостиничный бизнес - Общепит14915 Услуги - Прочее30690

Разделив количество резюме на количество вакансий, мы можем получить количество человек, претендующих на одну должность в той или иной сфере деятельности.  

Соотношение: количество человек на одно место

IT - Телеком 17,3 Административный персонал35 Бухгалтерия - Финансы32 Домашний персонал61 Логистика - ВЭД - Склад - Снабжение42 Маркетинг - Реклама - PR35 Наука - Образование24 Охрана - Безопасность47

Продажи - Сопровождение22 Промышленность - Производство30 Спорт - Красота17 Строительство - Ремонт37 Топ-менеджмент24 Транспорт30 Туризм - Гостиничный бизнес - Общепит34 Услуги - Прочее49

Государственная служба - Некоммерческие организации58

Культура - Искусство - Развлечения82

Яндекс: альтернативный способ определения геозависимости запроса

Немногим более года назад я опубликовал в своём блоге довольно любопытный способ определения геозависимости выдачи Яндекса одним запросом. Вообще традиционный способ определения геозависимости подразумевает минимум два запроса – надо сравнить выдачи для разных регионов. Там, где они совпадают, делается вывод о геонезависимости. Однако, в последнее время выдача даже в одном и том же регионе по одним и тем же запросам, сделанным в разные моменты времени, может различаться вследствие различных причин, например, примеси «многорукого бандита». Что может привести к неверному выводу о геозависимости геонезависимого запроса. Таким образом, задача определения геозависимости выдачи именно одним запросом — достаточно актуальна.

Эволюция генетических алгоритмов и искусственная селекция

Если снять с полового размножения все лишнее, останется суть: обмен генетического материала между хромосомами отца и матери. Этот процесс называется кроссинговер, и его результат — появление двух новых хромосом. Первая состоит из материнской хромосомы до точки перекреста, после которой идет отцовская, вторая — наоборот.

Генетический алгоритм основан на подражании этому процессу. В каждом поколении он сводит друг с другом самые приспособленные особи, перекрещивает их битовые строки в произвольной точке и получает двух потомков от каждой пары родителей. После этого алгоритм делает в новых строках точечные мутации и отпускает в виртуальный мир. Когда строки возвращаются с присвоенным значением приспособленности, процесс повторяется заново. Каждое новое поколение более приспособлено, чем предыдущее, и процесс прерывается либо после достижения желаемой приспособленности, либо когда заканчивается время.

Представьте, например, что нам нужно вывести правило для фильтрации спама. Если в обучающих данных десять тысяч разных слов, каждое правило-кандидат можно представить в виде строки из 20 тысяч битов, по два для каждого слова. Первый бит для слова «бесплатно» будет равен единице, если письмам, содержащим слово «бесплатно», разрешено соответствовать правилу, и нулю, если не разрешено. Второй бит противоположен: один, если письма, не содержащие слова «бесплатно», соответствуют правилу, и ноль — если не соответствуют. Если единице равны оба бита, письмо будет соответствовать правилу вне зависимости от того, содержит оно слово «бесплатно» или нет, то есть правило, по сути, не содержит условий для этого слова. С другой стороны, если оба бита равны нулю, правилу не будут соответствовать никакие письма, поскольку либо один, либо другой бит всегда ошибается и такой фильтр пропустит любые письма (ой!). В целом письмо соответствует правилу, только если оно разрешает весь паттерн содержащихся и отсутствующих в нем слов. Приспособленностью правила может быть, например, процент писем, который оно правильно классифицирует. Начиная с популяции произвольных строк, каждая из которых представляет собой правило с произвольными условиями, генетический алгоритм будет выводить все более хорошие правила путем повторяющегося кроссинговера и мутаций самых подходящих строк в каждом поколении. Например, если в текущей популяции есть правило «Если письмо содержит слово “бесплатный” — это спам» и «Если письмо содержит слово “легко” — это спам», перекрещивание их даст, вероятно, более подходящее правило «Если письмо содержит слова “бесплатный” и “легко” — это спам», при условии, что перекрест не придется между двумя битами, соответствующими одному из этих слов. Кроссинговер также породит правило «Все письма — спам», которое появится в результате отбрасывания обоих условий. Но у этого правила вряд ли будет много потомков в следующем поколении.

Поскольку наша цель — создать лучший спам-фильтр из всех возможных, мы не обязаны честно симулировать настоящий естественный отбор и можем свободно хитрить, подгоняя алгоритм под свои нужды. Одна из частых уловок — допущение бессмертия (жаль, что в реальной жизни его нет): хорошо подходящая особь будет конкурировать за размножение не только в своем поколении, но и с детьми, внуками, правнуками и так далее — до тех пор пока остается одной из самых приспособленных в популяции. В реальном мире все не так. Лучшее, что может сделать очень приспособленная особь, — передать половину своих генов многочисленным детям, каждый из которых будет, вероятно, менее приспособлен, так как другую половину генов унаследует от второго родителя. Бессмертие позволяет избежать отката назад, и при некотором везении алгоритм быстрее достигнет желаемой приспособленности. Конечно, если оценивать по количеству потомков, самые приспособленные индивидуумы в истории были похожи на Чингисхана — предка одного из двух сотен живущих сегодня людей. Так что, наверное, не так плохо, что в реальной жизни бессмертие не дозволено.

Если мы хотим вывести не одно, а целый набор правил фильтрации спама, можно представить набор — кандидат из n правил в виде строки n × 20 000 битов (20 тысяч для каждого правила, если в данных, как раньше, 10 тысяч разных слов). Правила, содержащие для каких-то слов 00, выпадают из набора, поскольку они, как мы видели выше, не подходят ни к каким письмам. Если письмо подходит к любому правилу в наборе, оно классифицируется как спам. В противном случае оно допустимо. Мы по-прежнему можем сформулировать приспособленность как процент правильно классифицированных писем, но для борьбы с переобучением, вероятно, будет целесообразно вычитать из результата штраф, пропорциональный сумме активных условий в наборе правил.

Мы поступим еще изящнее, если разрешим выводить правила для промежуточных концепций, а затем выстраивать цепочки из этих правил в процессе работы. Например, мы можем получить правила «Если письмо содержит слово “кредит” — это мошенничество» и «Если письмо — мошенничество, значит, это письмо — спам». Поскольку теперь следствие из правила не всегда «спам», требуется ввести в строки правил дополнительные биты, чтобы представить эти следствия. Конечно, компьютер не использует слово «мошенничество» буквально: он просто выдает некую строку битов, представляющую это понятие, но для наших целей этого вполне достаточно. Такие наборы правил Холланд называет системами классификации. Они «рабочие лошадки» эволюционистов — основанного им племени машинного обучения. Как и многослойные перцептроны, системы классификации сталкиваются с проблемой присвоения коэффициентов доверия — какова приспособленность правил к промежуточным понятиям? — и для ее решения Холланд разработал так называемый алгоритм пожарной цепочки. Тем не менее системы классификации используются намного реже, чем многослойные перцептроны.

По сравнению с простой моделью, описанной в книге Фишера, генетические алгоритмы — довольно большой скачок. Дарвин жаловался, что ему не хватает математических способностей, но, живи он на столетие позже, то, вероятно, горевал бы из-за неумения программировать. Поймать естественный отбор в серии уравнений действительно крайне сложно, однако выразить его в виде алгоритма — совсем другое дело, и это могло бы пролить свет на многие мучающие человечество вопросы. Почему виды появляются в палеонтологической летописи внезапно? Где доказательства, что они постепенно эволюционировали из более ранних видов? В 1972 году Нильс Элдридж и Стивен Джей Гулд предположили, что эволюция состоит из ряда «прерывистых равновесий»: перемежающихся длинных периодов застоя и коротких всплесков быстрых изменений, одним из которых стал кембрийский взрыв. Эта теория породила жаркие дебаты: критики прозвали ее «дерганной эволюцией». На это Элдридж и Гулд отвечали, что постепенную эволюцию можно назвать «ползучей». Эксперименты с генетическими алгоритмами говорят в пользу скачков. Если запустить такой алгоритм на 100 тысяч поколений и понаблюдать за популяцией в тысячепоколенных отрезках, график зависимости приспособленности от времени будет, вероятно, похож на неровную лестницу с внезапными скачками улучшений, за которыми идут плоские периоды затишья, со временем длящиеся все дольше. Несложно догадаться, почему так происходит: когда алгоритм достигнет локального максимума — пика на ландшафте приспособленности, — он будет оставаться там до тех пор, пока в результате счастливой мутации или кроссинговера какая-то особь не окажется на склоне более высокого пика: в этот момент такая особь начнет размножаться и с каждым поколением взбираться по склону все выше. Чем выше текущий пик, тем дольше приходится ждать такого события. Конечно, в природе эволюция сложнее: во-первых, среда может меняться — как физически, так и потому, что другие организмы тоже эволюционируют, и особь на пике приспособленности вдруг может почувствовать давление и будет вынуждена эволюционировать снова. Так что текущие генетические алгоритмы полезны, но конец пути еще очень далеко.

Как и многие другие ученые, работавшие над ранними этапами машинного обучения, Холланд начинал с нейронных сетей, но, после того как он — тогда еще студент Мичиганского университета — прочитал классический трактат Рональда Фишера The Genetical Theory of Natural Selection, его интересы приобрели другое направление. В своей книге Фишер, который также был основателем современной статистики, сформулировал первую математическую теорию эволюции. Теория Фишера была блестящей, но Холланд чувствовал, что в ней не хватает самой сути эволюции: автор рассматривал каждый ген изолированно, а ведь приспособленность организма — комплексная функция всех его генов. Если бы гены были независимы, частотность их вариантов очень быстро сошлась бы в точку максимальной приспособленности и после этого оставалась бы в равновесии. Но если гены взаимодействуют, эволюция — поиск максимальной приспособленности — становится невообразимо сложнее. Когда в геноме тысяча генов и у каждого два варианта, это даст 21000 возможных состояний: во Вселенной нет такой древней и большой планеты, чтобы все перепробовать. И тем не менее эволюция на Земле сумела создать ряд замечательно приспособленных организмов, и теория естественного отбора Дарвина объясняет, как именно это происходит, по крайней мере качественно, а не количественно. Холланд решил превратить все это в алгоритм.

Но сначала ему надо было окончить университет. Он благоразумно выбрал более традиционную тему — булевы схемы с циклами — и в 1959 году защитил первую в мире диссертацию по информатике. Научный руководитель Холланда Артур Бёркс поощрял интерес к эволюционным вычислениям: помог ему устроиться по совместительству на работу в Мичиганском университете и защищал его от нападок старших коллег, которые вообще не считали эту тему информатикой. Сам Бёркс был таким открытым для новых идей, потому что тесно сотрудничал с Джоном фон Нейманом, доказавшим принципиальную возможность существования самовоспроизводящихся машин. Бёрксу выпало завершить эту работу после того, как в 1957 году фон Нейман умер от рака. То, что фон Нейману удалось доказать возможность существования таких машин, — замечательное достижение, учитывая примитивное состояние генетики и информатики в то время, однако его автомат просто делал точные копии самого себя: эволюционирующие автоматы ждали Холланда.

Ключевой вход генетического алгоритма, как назвали творение Холланда, — функция приспособленности. Если имеется программа-кандидат и некая цель, которую эта программа должна выполнить, функция приспособленности присваивает программе баллы, показывающие, насколько хорошо она справилась с задачей. Можно ли так интерпретировать приспособленность в естественном отборе — большой вопрос: приспособленность крыла к полету интуитивно понятна, однако цель эволюции как таковой неизвестна. Тем не менее в машинном обучении необходимость чего-то похожего на функцию приспособленности не вызывает никаких сомнений. Если нам нужно поставить диагноз, то программа, которая дает правильный результат у 60 процентов пациентов в нашей базе данных, будет лучше, чем та, что попадает в точку только в 55 процентах случаев, и здесь возможной функцией приспособленности станет доля правильно диагностированных случаев.

В этом отношении генетические алгоритмы во многом похожи на искусственную селекцию. Дарвин открывает «Происхождение видов» дискуссией на эту тему, чтобы, оттолкнувшись от нее, перейти к более сложной концепции естественного отбора. Все одомашненные растения и животные, которые мы сегодня воспринимаем как должное, появились в результате многих поколений отбора и спаривания организмов, лучше всего подходящих для наших целей: кукурузы с самыми крупными початками, деревьев с самыми сладкими фруктами, самых длинношерстных овец, самых выносливых лошадей. Генетические алгоритмы делают то же самое, только выращивают они не живых существ, а программы, и поколение длится несколько секунд компьютерного времени, а не целую жизнь.

Функция приспособленности воплощает роль человека в этом процессе, но более тонкий аспект — это роль природы. Начав с популяции не очень подходящих кандидатов — возможно, совершенно случайных, — генетический алгоритм должен прийти к вариантам, которые затем можно будет отобрать на основе приспособленности. Как это делает природа? Дарвин этого не знал. Здесь в игру вступает генетическая часть алгоритма. Точно так же как ДНК кодирует организм в последовательности пар азотистых оснований, программу можно закодировать в строке битов. Вместо нулей и единиц алфавит ДНК состоит из четырех символов — аденина, тимина, гуанина и цитозина. Но различие лишь поверхностное. Вариативность последовательности ДНК, или строки битов, можно получить несколькими способами. Самый простой подход — это точечная мутация, смена значения произвольного бита в строке или изменение одного основания в спирали ДНК. Но Холланд видел настоящую мощь генетических алгоритмов в более сложном процессе: половом размножении.

Педро Домингос

Профессор Вашингтонского университета, ведущий эксперт по машинному обучению и искусственному интеллекту

Закон Йеркса — Додсона: зависимость наилучших результатов от средней интенсивности мотивации.

Законом Йеркса-Додсона в психологии называют зависимость наилучших результатов от средней интенсивности мотивации. Существует определенная граница, за которой дальнейшее увеличение мотивации приводит к ухудшению результатов.

Роберт Йеркс и Джон Додсон ещё в 1908 году установили, что для того, чтобы научить животных проходить лабиринт, наиболее благоприятной является средняя интенсивность мотивации (она задавалась интенсивностью ударов тока).

Известно, что для того, чтобы осуществлялась деятельность, необходима достаточная мотивация. Однако, если мотивация слишком сильна, увеличивается уровень активности и напряжения, вследствие чего в деятельности (и в поведении) наступают определенные разлады, то есть эффективность работы ухудшается. В таком случае высокий уровень мотивации вызывает нежелательные эмоциональные реакции (напряжение, волнение, стресс и т. п.), что приводит к ухудшению деятельности. Экспериментально установлено, что существует определенный оптимум (оптимальный уровень) мотивации, при котором деятельность выполняется лучше всего (для данного человека, в конкретной ситуации).

Например: уровень мотивации, который условно можно оценить в семь баллов, будет наиболее благоприятным. Последующее увеличение мотивации (до 10 и более) приведёт не к улучшению, а к ухудшению эффективности деятельности. Таким образом, очень высокий уровень мотивации не всегда является наилучшим.

Новый сервер игроков РПГ-клуба "TRON"

Дорогие друзья! Рады сообщить вам, что впервые за два года по многочисленным просьбам игроков РПГ-клуб "TRON" открывает долгожданный новый сервер! Запуск состоится зимой этого года, но уже сейчас у вас есть возможность выбрать, каким он будет.

Dear friends! We are glad to inform you that for the first time in past two years by popular demand RPG-club "TRON" launches a new server! Start in scheduled in the fall of this year, but already now you have the opportunity to choose what the new server will look like.

Когнитивные механизмы творческой игры у Лукоморья

- Ну и что Профессор. Как Вам это? - Разница между страной и режимом? Конечно все правильно. - И Вы тоже боитесь? - Боюсь, конечно. Боюсь. Поэтому и молчу. Извините, Полковник, у Вас есть что-нибудь покушать? - Мне сообщили, у Вас появился новый друг. Он кто? - Да так, секретный физик. Спектроскопия жидких холестерических кристаллов в голубой фазе. Скажите, а нас скоро переведут в новую одиночную камеру? - Скоро. Профессор, нас очень интересует от кого Вы получили эту технологию точного прогноза землетрясений - Я уже говорил на допросе, это Речкабо. Это его тема. - А над чем Вы сейчас работаете? 

- Над «вертикалью Снукса - Панова». Это такая сопоставляющая временные интервалы между качественными скачками в развитии биосферы и общества, используящая геохронологическую шкалу и датировку революций от нижнего палеолита до современности. Расчеты показали, что последовательное сжатие исторического времени на протяжении миллиардов лет происходит в соответствии с простой логарифмической формулой. С точки зрения математики, экспонента должна рано или поздно завершиться вертикальной линией, когда интервалы между переломными событиями стремятся к нулю, а скорость исторического процесса – достигает бесконечности. Так вот, согласно данной формуле, это произойдет не через миллионы и тысячи лет, а в районе 2030 года. Все идет к новой сингулярности.

- Скажите Профессор, а как это быть полименталом?
- Не понял, Полковник.... Гипербо́рея - это ты что ли?
- Я, а кто же.
- Ну и зачем ты это делаешь?
- А что, так веселее. И есть меньше хочется. Кстати. Тебе не кажется, что этот физик нам где-то встречался?
- Нам?
- Ну хорошо. не нам. Тебе.
- Там же по русски написано - Черномор.
- Ты же знаешь, мы по русски читать не умеем.
- Хорошо. Представь себе большое помещение. Вместо стен, живая изгородь из кустарников. Прямо напротив входа дупло большого дерева, которое образует Трон. В центре зала что-то лениво жует гигантская черепаха. Сверху панциря у нее стилизованный стол, на котором лежат фрукты. Сверху, в специальное углубление падает тонкая струйка воды. Рядом лежат деревянные ковшики. По периметру помещения, с двух сторон стоят каменные идолы, напоминающие скульптуры с острова Пасхи. Их открытые рты являются креслами. В одном из кресел сидит перевязанный мужчина. Из под его повязки сочиться изумрудная жидкость. Это АС. В помещение входит мужчина с длинными волосами в фиолетовой тоге по имени Речка. На приоткрытом плече видна татуировка в виде зеленого дракона. Чувствуется, что он здесь хозяин. Мужчина подходит и садиться рядом с АСом.

Речка: Как там Луко?
АС: У Луко? – Мор. (пытается встать) Я…
Речка: перебивая:  Сиди, сиди. Мор говоришь. А с дубом что?
АС: Дуб зелёный.
Речка: задумчиво Зеленый говоришь. Это хорошая весть. Тебе дадут сто дукатов.
АС: удивленно: Злата? Я…
Речка: О Великие Боги. Прости меня эльф. Я с этими гномами совсем уже нюх потерял. Значит дуб зеленый. А плохие новости есть?
АС: всдыхает: Цепь на дубе!
Речка. вскакивает: Как цепь? Кто дуб охранял?
АС: Том.
Речка: Том? Он кто при свете?
АС: И днём и ночью кот. 
Речка: Глупый кот охранял эльфийскую реликвию?  Какой маг распорядился?
АС. Ученый, все. 
Речка. Ученый? Мистик? Управление без магии, одними словами? И что же он теперь делает?
АС: Ходит по цепи.
Речка: Ну они у меня доходяться. Я им еще Землю припомню. Ладно. Ты как? Голова болит?
АС: Кругом идет.
Речка: Ладно потерпи. Тебя как Великая мать лечит?
АС: На право – песнь. Заводит налево – сказ.
Речка: Понял. А как она тебя после березового сока лечит?
АС: «Ку" – говорит.
Речка: подходит к изгороди, ложиться на пол, секунд тридцать что-то там смотрит, потом довольный берет со стола банан. Кожура с банана сползает сама по себе.
Речка: А в Изумрудном городе ты был?
АС: Там чудеса - там леший. 
Речка: С чего это водного лешего занесло к горным эльфам? Ладно у нас тут одна прибилась…
АС: (как бы про себя). Бродит русалка на ветвях. 
Речка: Ну конечно, об этом уже все реальности знают: русалки крутят шашни с коалами. Кстати, ты моего медведя не видел?
АС: Сидит там. (показывает на один из кустов. Речка подходит и достает из кустов маленького мальчика, лет трех).
Речка: И что мы опять в папином кабинете делаем? Опять черепахе панцирь разрисовываем?
АС: (впадая в транс) ..на неведомых дорожках следы...
Речка: (продолжает разговаривать с сыном). Или все же отправить тебя в город к бабушке?
АС:  …невиданных зверей избушка, там.....
Речка: (поворачивается и вслушивается в слова АС) Воин, какая избушка, опиши ее?
АС: На курьих ножках.
Речка: Ахер еся!!! Яйцо звездного Феникса!! И как оно выглядит?
АС: Стоит без окон, без дверей. 
Речка: Свежее значит. Только прилетело. И в каком месте ты его видел, опиши.
АС: Там лес и дол виден.
Речка: Все ясно, понял. А кроме тебя там кто-нибудь был?
АС: И "Й Полный" там. .
Речка: «Й Полный»? – Это ж меняет дело. Значит это его сущности Звездолет прозевали. Прям шип из сердца. АС, когда хорошо, потом так себе, потом плохо и снова так себе, ты о чем поешь?
АС: О заре.
Речка. А я о Полярных слияниях, это у нас родовое. (Подходит к сыну, который что-то шепчет в деревянный ковшик).
Сын: ..прихлынут волны на брег... (Речка наклоняеться к сыну и начинает шептать на ухо, мальчик повторяет за ним).
Сын: …песчаный и пустой и...мальчик сбился, остановился и смотрит на отца. Он пытается вспомнить но не может в глазах стоят слезы. Речка что-то начинает показывать ему на пальцах
Сын: ... тридцать витязей.....прекрасных.....чредой...
Речка: поворачивается к Асу: Кроме «Й Полный» еще кто был? Чьи, откуда?
АС: …Из вод выходят "Ясных И"…
Речка: Все старперы до кучи.
АС: С ним и дядька: "Их Морской".
Речка: Стоп. «Их Морской» тоже там? А из благородных кто есть?
АС: Там Королевич.
Речка: Какой Королевич? В которого стреляли..
АС: Мимо.
Речка: Ух ты!!
АС. продолжая… Ходом пленяет Грозного…
Речка: Ну вот, торжествует справедливость. Хоть и через 65 лет после войны. И кого ж теперь нам всем ждать? Что они сказали.
АС: Царя.
Речка. Ну и ладушки. Хорошо хоть не Ктулху, как в прошлый раз. (К Речке подходит сын и тянет его к воде. Ребенок показывает пальцем куда-то в глубь.
Сын: Там. В облаках. 
Речка: (подзывает Аса). Что видишь, АС?
АС (смотрит в глубь) ... перед народом через леса...через моря ..
Речка: Ты про Великих говори, моря и леса у нас только нефтяные черви не видят.
АС: Колдун. Несёт богатыря. 
Речка:  показывает пальцем куда-то
АС: В темнице? (Вглядывается) Там царевна. (Еще через несколько секунд.)  Тужит.
Речка. Вот тот и оно, у них царевна тужит и тут появляется этот Царь. А зодиак у нас сейчас какой?
АС (смотрит недоуменно на Речку. Потом понимает). А! Бурый. (Опять смотрит на Речку, говорит испуганным голосом). Волк?
Речка. Он же Оборотень, он же Вовчик, он же Серый и он же «Зубами щелк». (Подходит и то же всматриваться в воду). Эх, ну мелковат масштаб, не вижу. А посмотри-ка дружище, кому он служит. Только внимательно посмотри, по взрослому.
АС. (Смотрит): Ей верно служит. (Продолжает вглядываться, что-то замечает и поднимает удивленные глаза на Речку.) Там...ступа… с Бабою.
Речка. Хорошо иметь свежий третий глаз Шивы. Молодец. А я думал не заметишь. В зал входит петух и бочком, бочком двигается к черепахе.
Речка. Я - гой" идёт-бредёт. (Подходит к черепахе и разговаривает с ней):  Сама? Опять что-то шепчет:  С собой? Встает во весь рост смотрит на петуха, и показывает ему пальцем на выход: Там. Петух разворачивается и гордо выходит из зала.
Речка. Царь. Кащей над златом. Чахнет там русский дух. В зал опять входит петух и смотрит на Речку. Речка показывает петуху в сторону выхода. Там. Петух гордо выходит, нагадив на пол.
Речка. Втягивая воздух, удивленно: Русью, пахнет. Задумчиво И там я был. Речка вдруг резко наклоняется и что-то поднимает с земли. Он подходит к Асу, который осторожно разматывает бинты и смотрит, что на них нет сукровицы. Речка дает ему что-то поднятое с пола. И мед.
АС смущаясь: Я пил у моря.
Речка: подойдя к Асу вплотную и вглядываясь в его глаза. Видно, что у Речки глаза как у кошки: Видел дуб зелёный?
АС: Также тревожно. Под ним сидел.
Речка: И?
АС: Кот, (вскрикивает) Учёный!! на крик из стены вылетает лиана, которая совсем не лиана, а зеленая кобра. Она кусает Аса и стоит, раскачивая капюшон.
Речка. Подходит к кобре. Свои. Кобра успокаивается и исчезает. Речка подходит к телу АС, которое быстро сжимается и трансформируется в робота. Он смотрит на него и вздыхает: «Мне!! Сказки говорил….».

- И что?
- А то, что это физик, он и есть тот колдун, который через леса, через поля несет богатыря.
- Зачем?
- Что зачем?
- Богатыря через поля несет?
- Ты меня достал.
- Я просто хочу кушать.
- Сейчас пойдем спать.
- А кушать?
- У нас денег нет.
- А ты попроси.
- У кого?
- Да у всех. Вот кто твой опус читает, у тех и проси.
- Это не опус, а исследование. С его помощью я пытаюсь понять когнитивный механизм, посредством которого носитель информационной модели, творчески играя ее компонентами, способен формировать метамодели, в рамках которых неуправляемые константы превращаются в управляемые переменные.
- И?
- И технологические задачи, принципиально неразрешимые в одной модели, оказываются решенными в другой модели, и если перестать возводить функциональные по определению модели в ранг «объективных истин», то не видно иных оснований считать возможности целенаправленного управления потенциально исчерпанными.
- За это дадут деньги?
- Вряд ли. Это из метафизики. А в этой стране беднее метафизика, только философы и поэты.
- Ты кушать хочешь?
- Хочу.
- Тогда проси.
- Прошу. Подайте кто сколько может непризнанному гению.... - Доволен?
- Да, вот теперь пошли спать.