Arvutiteadus
Keel, mis ei mõjuta seda, kuidas sa programmeerimisest mõtled, ei ole tundmist väärt.
— (1982)
Kogenud arendajad tundsid end AI-ga kiiremana, kuigi mõõdetavalt töötasid aeglasemalt — see on tegelik tulemus, mitte otsus AI-kodeerimise kohta
METR-i juhuslikustatud kontrollitud katses tegid 16 kogenud avatud lähtekoodiga tarkvara arendajat 246 päris ülesannet koodibaasides, mida nad hästi tundsid; juhusliku poole ülesannete puhul tohtis kasutada 2025. aasta alguse AI-tööriistu (Cursor Pro koos Claude 3.5/3.7 Sonnetiga). Nad ootasid, et AI vähendab ülesandele kuluvat aega umbes 24%; selle asemel suurenes lõpetamisaeg 19% — ja pärast katset uskusid nad endiselt, et AI oli neid umbes 20% kiirendanud. See tajuerinevus on uuringu selge ja robustne tuum. Kuid tegemist oli 16 arendaja, ühe kitsa olukorra ja 2025. aasta alguse hetkepildiga: autorid rõhutavad, et see ei näita, et AI ei aitaks enamikku arendajaid, ning nende enda 2026. aasta jätku-uuring kaldub juba kiirenemise poole, ehkki oma piirangutega.
Krüptograafiline tõestus võib saladust varjata, muutes puuduva simulaatori puudumise raskesti tõestatavaks
Nullteadmustõestused võimaldavad väidet tõestada tunnistajat paljastamata. Klassikaline teooria ütleb, et täielikus tähenduses ei saa seda saavutada ühe sõnumi, usaldatud seadistuse puudumise ja täiusliku korrektsusega. Rahul Ilango artikkel ei kaota seda võimatust. See muudab sihtmärki: selle asemel et nõuda simulaatori tegelikku olemasolu, nõutakse, et ükski valitud tõestussüsteem ei suudaks tõhusalt tõestada, et simulaatorit ei ole. Oluliste tõestuskeerukuse ja krüptograafiliste eelduste korral piisab sellest, et taastada nullteadmuse falsifitseeritavad mängupõhised tagajärjed omadus omaduse järel. Mõte ei ole valmis internetiprimitiivis, vaid tõestusteoreetilises viisis muuta matemaatiline tõestamatus krüptograafiliseks katteks.
Meditsiiniline AI võib olla keskmiselt privaatne ja siiski paljastada konkreetseid patsiente — eriti alaesindatuid
„Privaatsust säilitava” meditsiinilise AI mudeli väide toetub tavaliselt ühele keskmisele arvule. See uuring väidab, et see on vale test. Autorid uurisid treeningandmestikku kuulumise järeldamise ründeid — mis paljastavad, kas konkreetse inimese kirje oli mudeli treeningandmetes ja võivad seeläbi reeta näiteks tema haiguse — ning mõõtsid riski koondkeskmise asemel patsiendi kaupa, seitsmes meditsiiniandmestikus (pildid, EKG, elektroonilised terviseandmed) ja paljudes mudelites. Muster: keskmiselt turvalisena näiv mudel võib lasta ründajal konkreetse inimese peaaegu täiuslikult tuvastada (attack AUC ≥ 0,95); paljastatud kuuluvad süstemaatiliselt alaesindatud rühmadesse (rahvusvähemus, haruldane haigus, ebatavaline pildistamine); ning probleem kasvab mudelite suurenedes. Autorid ei ütle, et meditsiinilisest AI-st tuleb loobuda — nad ütlevad, et privaatsust tuleb mõõta patsiendi kaupa, mudelile ligipääsu piirata ja kasutada diferentsiaalprivaatsust. Ebamugav tuum: „keskmiselt privaatne” ei ole privaatsusgarantii ning ebaõnnestub patsientide puhul, kes on juba kõige vähem kaitstud.
Joonistava AI õpetamine lehte vaatama
Vektorgraafikat genereerivad keelemudelid töötavad pimesi — kirjutavad joonistuskäsud välja ilma tulemust kunagi nägemata. Uus meetod laseb mudelil jälgida oma lõuendi täitumist tõmme tõmbe haaval ning aus pööre on see, et lihtsalt silmade andmine teeb tulemuse halvemaks: mudel tuleb neid kasutama ümber treenida. Tasuks saadakse mudel, mis jõuab samale tasemele või napilt ette konkurentidest, mida treeniti kuni kakskümmend korda suurema andmehulgaga — päris ja hoolikas ühe benchmark’i tulemus, mitte revolutsioon.
AI-agent töötas terved patsiendijuhud iseseisvalt läbi — simulaatoris, mineviku haiguslugudel
MIRA on uut tüüpi meditsiiniline AI: ühe küsimuse vastamise asemel töötab ta simuleeritud haigusloos läbi terve juhu — võtab anamneesi, tellib ja loeb teste, jõuab diagnoosini ning kirjutab korraldusi. Avaliku andmebaasi 574 retrospektiivsel haigusjuhul kaheksa eelvalitud diagnoosi piires teatasid autorid paremast diagnostilisest täpsusest kui arstidel ning valdavalt ravijuhistega kooskõlas ja ravimiohututest otsustest. Iga täpsustus selles lauses loeb: see töötas liivakastis mineviku andmetel, ainult tekstis; suur osa eelisest tuli selgete testitulemustega haigustest; ta tellis umbes kaks korda rohkem vereanalüüse kui arstid; ja mitut tulemust hinnati algses haigusloos kirjapandu järgi. Päris edasiminek on kogu töövoos tegutsev agent — mitte tõend, et masin diagnoosib nüüd arstist paremini. Autorid ütlevad sama: üldistamine, ohutus ja juhtimine vajavad veel prospektiivseid reaalelu uuringuid.
Kas suured robotite „alusmudelid“ töötavad tegelikult paremini? Hoolikas vastus: mõõdukalt jah, ja enamik uuringuid ei suuda seda eristada
Toyota Research Institute treenis „suuri käitumismudeleid“ — robotipoliitikaid, mis eeltreeniti ~1700 tunni mitmekesiste manipulatsiooniandmete peal — ning võrdles neid nullist treenitud ühe ülesande poliitikatega ebatavaliselt range, pimeda, randomiseeritud ja suure valimiga hindamise abil (~1800 pärismaailma, üle 47 000 simulatsioonikatse) koos korraliku statistikaga. Pärast ülesandespetsiifilist peenhäälestust olid suured mudelid keskmiselt paremad, vajasid umbes 3–5× vähem ülesandespetsiifilisi andmeid ja olid tingimuste nihkudes robustsemad; rohkem eeltreeninguandmeid parandas jõudlust sujuvalt. Ilma peenhäälestuseta ei edestanud nad aga järjepidevalt ühe ülesande mudeleid, osa efekte oli nähtav ainult suurte valimitega ning andmete normaliseerimine mõjutas tulemust arhitektuurist rohkem. See on mõõdukas toetus robotite alusmudelite suunale — mitte üldrobot, zero-shot üldmudel ega „emergentne hüpe“ — ning hoiatus, et suur osa robootikast võib mõõta müra.
Miks keelemudelid hallutsineerivad — ja miks meie hindamisviis seda alal hoiab
Enesekindlad valeväited, mida nimetame „hallutsinatsioonideks”, pole müstiline rike: osa neist on treeningu statistiline kõrvalsaadus ning need püsivad, sest levinud võrdlustestid premeerivad enesekindlat pakkumist ausa „ma ei tea” asemel. Nelja tippmudeli juhtumiuuring näitab, et punktireeglite kirjutamine viiba sisse („avatud hindamisreeglid”) pöörab selle stiimuli ümber.