Friss kutatási eredmények és tudományos áttörések a mesterséges intelligencia világából
Az AI-eszközöket használó tudósok háromszor több cikket publikálnak és ötször annyi idézést kapnak, miközben a tudomány területe szűkül — derül ki a Nature-ben megjelent chicagói kutatásból.
Andrej Karpathy március 7-én kiadott 'autoresearch' repója, amely az MIT licenc alatt fut, közel 90 ezer GitHub csillagot gyűjtött be napok alatt. A rendszer 11%-kal csökkenti a GPT-2 betanítási idejét.
A Google DeepMind kutatása szerint a Gemini 2.5 Flash modell megbízhatóan értékeli a teljes duplex beszélgetéseket, így jelentősen csökkenhetnek az értékelési költségek.
Az Adversarial Social Epistemology (ASE) elméleti keretet kínál az LLM-ek és emberi közösségek közötti kommunikáció torzításának elemzésére, amely túlmutat a hagyományos fogalmakon, mint az epistemic bubble vagy az echo-chamber.
A HydroShear szimulátor újszerű, path-dependent force tracking eljárással modellezi a tapintási erőket, így a robotok szimulációban tanulhatnak meg finommanipulációs feladatokat, amelyek 93%-os sikerességgel ültethetők át valós környezetbe.
Az AI-függőségek megértése kulcsfontosságú a vezetők számára: a felmérés szerint a vezetők 91%-a nem érti teljesen szervezete AI-függőségeit, miközben átlagosan hat AI-incidenst tapasztaltak az elmúlt két évben.
A nagy nyelvi modellek (LLM) rendszeresen átírják az afroamerikai angolt (AAE) standard amerikai angolra (SAE), még akkor is, ha a felhasználó AAE-ben ír.
A kutató szerint a jövő AI-fejlődése függhet a memóriaarchitektúrák fejlesztésétől, nem a számítási kapacitás növekedésétől.
A Biomni, egy nyílt forráskódú AI-ügynök, több mint 150 bioinformatikai eszközt és 59 adatbázist használ, hogy segítse a kutatókat a hatalmas biomedikai adatok elemzésében.
Grant Sanderson és Dwarkesh Patel podcastjában elhangzottak alapján a szerző amellett érvel, hogy az AI-képességek fejlődéséhez nem elegendő a verifikálhatóság, a 'grindolhatóság' is legalább ilyen fontos.
Az AI új gyógyszereket tervez, 1000 év klímáját szimulálja egy nap alatt, de az emberi kutatók döntik el, mi a fontos — közölte a Stanford HAI.
Will Knight, a Wired újságírója szerint az egyéni fejlesztők is képesek magukat javító AI-modelleket létrehozni, ami új korszakot nyithat a technológia elterjedésében.
Az AI-fegyverkezési verseny narratívája veszélyes, mert korlátozza a gondolkodást és aláássa a nemzetközi együttműködést — véli Verity Harding, a Google DeepMind korábbi vezetője.
Az Oyster-II nevű új keretrendszer a reinforcement learning segítségével javítja a nyelvi modellek biztonságát és hasznosságát, miközben elkerüli a korábbi megoldások túlzott elutasításait.
Az Anthropic J-Lens nevű módszerével felfedett, hogy a Claude modell J-Space nevű belső munkatárhelyén tárolt koncepciók közvetlenül befolyásolják a válaszokat, például a „pók” helyett a „hangya” koncepció hat lábat eredményez a kimenetben.
A fejlett AI-felhasználók 80%-a jelentős, legalább 10%-os megtérülést tapasztal, míg az early-stage cégeknél ez az arány mindössze 11% — derül ki a Box 1640 IT-döntéshozó bevonásával készült felméréséből.
A Mass Balance űrlaborja a SpaceX segítségével indult Föld körüli pályára, hogy mikrogravitációs körülmények között gyűjtsön adatokat az öregedéssel összefüggő betegségek fehérjéinek viselkedéséről.
A DMKGC nevű új AI-keretrendszer diffúziós modellekkel generál domain-specifikus entitás-ábrázolásokat, 4,3%-kal növelve az MRR-mutatót a tudásgráf-kiegészítésben.
Az ICIP-CAS kutatócsoport által kifejlesztett PraMem módszer a hosszú távú viselkedés előrejelzését célozza, új megközelítést kínálva az LLM-ek korlátaihoz.
Az Anthropic kutatói szerint a Claude LLM-ben létezik egy belső „J-Space” nevű munkaterület, amely a gépi tudatosság felé mutathat, ám a tudósok hangsúlyozzák, hogy ez még nem bizonyíték a tudatra.
Az Apple és a Google kutatói 15-szer kevesebb paraméterrel rendelkező, kompakt modellel javítják az automatikus beszédfelismerés hibáit, felülmúlva a nagy nyelvi modellek teljesítményét.
Tetszik az oldal? Támogasd a fejlesztést
Az AI Forradalom egy automatizált pipeline: napi adatgyűjtés, LLM-feldolgozás és infrastruktúra fenntartása valódi költségekkel jár. Ha értékesnek találod a tömör, naprakész AI-összefoglalókat, egy kávé sokat segít.