Дмитрий Сергеевич Малышев — доктор физико-математических наук, профессор кафедры прикладной математики и информатики нижегородской Высшей школы экономики и ведущий научный сотрудник её лаборатории алгоритмов и технологий анализа сетевых структур; с января 2022 года — ведущий инженер ключевых проектов компании Huawei [1]. В октябре 2026 года стал лауреатом нижегородской премии в области информационных технологий и искусственного интеллекта «НЕЙМАРК» в номинации «ИТ в науке» — за разработку алгоритмов векторного поиска, то есть поиска по смыслу в больших массивах данных [2][3].
Премия «НЕЙМАРК — 2026»
Победителей наградили 20 октября 2026 года в «Академии Маяк» имени А. Д. Сахарова, на площадке конференции ITGorky. Премию вручали в шести номинациях: «ИТ в науке», «ИТ в медицине», «ИТ в культуре», «ИТ в образовании», «ИТ-Молодёжь» и «Open Source» [2].
Вместе с Малышевым лауреатами стали Сергей Парин («ИТ в медицине»), Артур Штоян («ИТ в культуре»), Алексей Усков («ИТ в образовании»), Георгий Шакрыл («ИТ-Молодёжь») и Никита Соболев («Open Source»). На церемонии выступали заместитель губернатора Егор Поляков, заместитель председателя правительства области Екатерина Солнцева, министр цифрового развития и связи Александр Синелобов и исполняющий обязанности ректора университета «НЕЙМАРК» Дмитрий Колесников [2].
Награда ИТ-кампуса «Неймарк» у Малышева вторая: в декабре 2023 года он получил премию «Лидеры ИТ-индустрии» [1].
Что такое векторный поиск
Векторный поиск переводит объекты — тексты, изображения, звук — в наборы чисел, векторы, и ищет не совпадение слов, а ближайшие по смыслу объекты. Обычный поиск по ключевым словам не понимает ни синонимов, ни контекста; векторный понимает. На этом устроены рекомендательные системы, распознавание образов и агентные системы, а в быту — подбор похожих музыкальных треков, подборки фильмов и поиск снимка в галерее телефона, у которого нет ни одной подписи [3].
Развитие искусственного интеллекта, говорит Малышев, превратило поиск в диалог: система держит в уме контекст и ищет сразу в текстах, изображениях и видео. Нерешённых задач он называет две — удержать равновесие между точностью и скоростью, когда объектов сотни миллиардов и триллионы, и научиться так же быстро искать в данных, которые всё время меняются [3].
Смысловой поиск этой энциклопедии устроен так же: запрос и статьи переводятся в векторы, и ответом служат ближайшие по смыслу страницы, а не совпавшие по буквам. Приближённые графовые алгоритмы вроде HNSW на нескольких тысячах страниц не нужны — полный перебор выходит быстрее; они начинают окупаться там, где счёт объектов идёт на миллионы.
Поиск на процессорах Kunpeng
Большинство известных решений векторного поиска рассчитано на процессоры x86 — Intel и AMD, а подходы, над которыми работает Малышев, ориентированы на китайские процессоры: заложенные оптимизации обходят ограничения библиотек, написанных под x86. Над решениями работала команда исследователей и разработчиков из России, Китая и Польши [3].
В 2026 году вышли две работы этой команды. В апреле на конференции ACM SIGKDD представлена KBest — векторный поиск на процессорах Kunpeng, у работы 22 автора [4]; в мае на конференции IEEE ICDE — KScaNN, масштабируемый приближённый поиск ближайших соседей на тех же процессорах, у неё 16 авторов [5]. В обеих Малышев указан с местом работы в нижегородской Вышке [4][5].
Нижегородские предшественники
Поиском ближайших соседей в Нижнем Новгороде занимались задолго до нынешних работ. Около двадцати лет назад такие задачи вела лаборатория под руководством Владимира Крылова в компании «Мера», а затем Александр Пономаренко предложил алгоритм поиска на графах «тесного мира» [3].
В ноябре 2013 года в журнале Information Systems вышла статья Юрия Малькова, Александра Пономаренко, Андрея Логвинова и Владимира Крылова об алгоритме приближённого поиска ближайших соседей на графах тесного мира; в печатном выпуске она появилась в 2014-м. В выходных данных у всех четверых значится нижегородская компания MERA Labs, у Малькова второй адрес — Институт прикладной физики РАН, у Пономаренко — лаборатория алгоритмов и технологий анализа сетевых структур нижегородской Вышки, у Крылова — политех [6].
Мальков и Дмитрий Яшунин развили этот подход в иерархический: препринт об алгоритме HNSW они выложили 30 марта 2016 года [7], а законченная работа вышла в журнале IEEE Transactions on Pattern Analysis and Machine Intelligence. Адресом Яшунина в ней указан Нижний Новгород, Мальков к тому времени работал в московском исследовательском центре Samsung [8].
HNSW стал отраслевым образцом приближённого поиска по векторам: в интервью нижегородской Вышки говорится о более чем 4500 ссылках на эту работу. Направление в лаборатории поддерживал её заведующий, заслуженный профессор Валерий Калягин [3].
Графы и преподавание
Малышев окончил факультет вычислительной математики и кибернетики Нижегородского университета в 2007 году по специальности «прикладная математика и информатика» и там же в 2009-м защитил кандидатскую диссертацию о границах эффективной разрешимости в семействе наследственных классов графов. Докторскую степень получил в 2014 году, звание доцента — в 2013-м, профессора — в 2021-м [1].
В университете Лобачевского он прошёл путь от ассистента до профессора кафедры алгебры, геометрии и дискретной математики; с сентября 2010 года работает в нижегородской Вышке, с сентября 2011-го — в её лаборатории алгоритмов и технологий анализа сетевых структур, с мая 2024 года — ведущий научный сотрудник лаборатории дискретной и комбинаторной оптимизации Московского физико-технического института. Научные интересы — теория графов, комбинаторный анализ и алгоритмы дискретной математики [1].
Среди его наград — медаль Европейской академии для молодых учёных России (2018), диплом лауреата премии правительства Москвы молодым учёным (2021) и победа во всероссийском конкурсе «Золотые имена высшей школы» (2024); лучшим преподавателем Вышки его называли в 2016, 2018 и 2023/24 учебном году [1].
Источники
- hse.ru — НИУ ВШЭ — Малышев Дмитрий Сергеевич: образование, опыт работы, достижения
- Время Н — Победителей премии «НЕЙМАРК — 2026» наградили в Нижнем Новгороде
- nnov.hse.ru — «Развитие ИИ превратило поиск в диалог»: профессор нижегородской Вышки стал лауреатом премии «НЕЙМАРК — 2026»
- doi.org — ACM SIGKDD — KBest: Efficient Vector Search on Kunpeng CPU
- doi.org — IEEE ICDE — KScaNN: Scalable Approximate Nearest Neighbor Search on Kunpeng
- doi.org — Information Systems — Approximate nearest neighbor algorithm based on navigable small world graphs
- arxiv.org — Efficient and robust approximate nearest neighbor search using Hierarchical Navigable Small World graphs (препринт)
- doi.org — IEEE Transactions on Pattern Analysis and Machine Intelligence — Efficient and Robust Approximate Nearest Neighbor Search Using Hierarchical Navigable Small World Graphs
