Համակարգչային գիտություն
Այն լեզուն, որը չի ազդում ծրագրավորման մասին մտածելու ձևիդ վրա, չարժե սովորել։
— (1982)
Փորձառու ծրագրավորողները AI-ով իրենց ավելի արագ էին զգում, մինչդեռ չափելիորեն ավելի դանդաղ էին աշխատում
METR-ի պատահականացված վերահսկվող փորձարկմանը բաց կոդով նախագծերի 16 փորձառու մշակող կատարել է 246 իրական առաջադրանք իրենց լավ ծանոթ կոդային բազաներում։ Նրանք սպասում էին, որ 2025 թվականի սկզբի AI գործիքները մոտ 24%-ով կկրճատեն աշխատանքի ժամանակը, բայց իրականում առաջադրանքները 19%-ով ավելի երկար տևեցին, իսկ հետո մասնակիցները դեռ կարծում էին, որ մոտ 20%-ով արագացել են։ Ընկալման այս տարբերությունն է հետազոտության ամենակայուն արդյունքը։ Այն չի նշանակում, որ AI-ը դանդաղեցնում է ծրագրավորողների մեծ մասին, և թիմի 2026 թվականի follow-up-ն արդեն հակառակ ուղղությամբ է հուշում՝ սեփական սահմանափակումներով։
Կրիպտոգրաֆիկ ապացույցը կարող է թաքցնել գաղտնիքը՝ simulator-ի բացակայությունը դժվար ապացուցելի դարձնելով
Zero-knowledge proofs-ը թույլ են տալիս որևէ պնդում ապացուցել՝ առանց witness-ը բացահայտելու։ Դասական տեսությունն ասում է, որ լիարժեք իմաստով դա հնարավոր չէ մեկ հաղորդագրությամբ, առանց վստահելի setup-ի և perfect soundness-ով։ Rahul Ilango-ի paper-ը այդ անհնարինությունը չի վերացնում։ Այն փոխում է թիրախը․ simulator-ի իրական գոյությունը պահանջելու փոխարեն հարցնում է՝ արդյոք ընտրված proof system-ը կարող է արդյունավետորեն ապացուցել, որ simulator գոյություն չունի։ Proof complexity-ի և cryptography-ի խոշոր assumptions-ի ներքո սա բավական է zero-knowledge-ի falsifiable, game-based հետևանքները property-by-property վերականգնելու համար։ Սա ինտերնետում անմիջապես կիրառելի primitive չէ, այլ proof-theoretic եղանակ՝ mathematical unprovability-ն cryptographic cover-ի վերածելու համար։
Medical AI-ն կարող է average-ում private լինել և միաժամանակ expose անել կոնկրետ patients-ին — հատկապես underrepresented groups-ին
Medical-AI model-ի «privacy-preserving» claim-ը սովորաբար հենվում է average risk-ի վրա։ Այս study-ն membership inference risk-ը չափել է per patient՝ յոթ medical datasets և բազմաթիվ models-ի վրա։ Pattern-ը անհարմար է․ aggregate-ում safe models-ը որոշ individuals-ի membership-ը կարող են գրեթե perfect leak անել (attack AUC ≥0.95), exposed-ը disproportionally underrepresented groups-ից են, և risk-ը worsens է model size-ի հետ։ Authors-ը առաջարկում են per-patient assessment, access control և differential privacy։
Սովորեցնել նկարչական AI-ին նայել իր իսկ էջին
Վեկտորային գրաֆիկա ստեղծող լեզվային մոդելները սովորաբար գրում են նկարչական հրահանգները՝ չտեսնելով արդյունքը։ Նոր մեթոդը յուրաքանչյուր քայլից հետո ցույց է տալիս կիսատ կտավը, բայց հետաքրքիր շրջադարձն այն է, որ պարզապես «աչքեր տալը» վատացնում է արդյունքը․ մոդելը պետք է հատուկ վերամարզվի տեսածն օգտագործելու համար։ Մեկ benchmark-ում վերամարզված մոդելը հավասարվում կամ փոքր-ինչ գերազանցում է մինչև 20 անգամ ավելի շատ տվյալներով մարզված մրցակիցներին՝ իրական, բայց ոչ հեղափոխական արդյունք։
ԱԲ գործակալն ինքնուրույն վարեց ամբողջական հիվանդների դեպքեր՝ սիմուլյացիայում, անցյալ գրառումների վրա
MIRA-ն բժշկական ԱԲ-ի նոր տեսակ է․ մեկ հարցի պատասխանելու փոխարեն այն սիմուլացված հիվանդանոցային գրառման ներսում վարում է ամբողջ դեպքը՝ վերցնում պատմությունը, նշանակում և կարդում հետազոտությունները, հասնում ախտորոշման և կազմում հրահանգները։ Հանրային տվյալների բազայից վերցված 574 հետահայաց դեպքերի վրա, ութ նախապես ընտրված ախտորոշումների շրջանակում, հեղինակները հայտնում են, որ այն ախտորոշման ճշտությամբ գերազանցել է բժիշկներին և հիմնականում տվել է ուղեցույցներին համապատասխան, դեղորայքային առումով անվտանգ որոշումներ։ Բայց այդ նախադասության յուրաքանչյուր սահմանափակում կարևոր է․ այն աշխատել է մեկուսացված միջավայրում՝ անցյալ գրառումներով և միայն տեքստով, առավելության մեծ մասը եկել է հստակ թեստերով վիճակներից, այն մոտ կրկնակի շատ արյան հետազոտություններ է օգտագործել, իսկ մի շարք արդյունքներ գնահատվել են ըստ պատմական քարտում գրանցված գործողությունների։ Իրական առաջընթացը ամբողջ աշխատանքային ընթացքի միջով գործող գործակալն է, ոչ ապացույց, որ մեքենան այժմ բժիշկներից լավ է ախտորոշում։ Հեղինակներն էլ ընդգծում են, որ ընդհանրացումը, անվտանգությունն ու կառավարումը դեռ պահանջում են հեռանկարային, իրական միջավայրի ուսումնասիրություններ։
Մեծ robot «foundation model»-ներն իսկապե՞ս ավելի լավ են աշխատում։ Զգույշ պատասխանը՝ չափավոր այո, իսկ շատ ուսումնասիրություններ դա չեն կարող տարբերել noise-ից
Toyota Research Institute-ը train է արել large behavior model-ներ՝ մոտ 1,700 ժամ տարբեր manipulation data-ի վրա pretrain արված robot policy-ներ, և դրանք համեմատել from-scratch single-task policy-ների հետ անսովոր խիստ blind, randomized, large-sample փորձերով՝ մոտ 1,800 real-world և 47,000+ simulation trial։ Per-task finetuning-ից հետո մեծ մոդելները միջինում ավելի լավ էին, մոտ 3–5× պակաս task-specific data էին պահանջում և ավելի robust էին պայմանների փոփոխության դեպքում, իսկ performance-ը pretraining data-ի հետ սահուն աճեց։ Բայց առանց finetuning-ի դրանք single-task model-ներին հետևողականորեն չէին գերազանցում, մի շարք effect-ներ այնքան փոքր էին, որ մեծ sample էր պետք, իսկ data-normalisation-ի սովորական ընտրությունը architecture-ից ավելի կարևոր էր։ Սա չափված աջակցություն է robot-foundation-model ուղղությանը՝ ոչ general-purpose robot, ոչ zero-shot generalist, ոչ emergent leap, և զգուշացում, որ robotics-ի մեծ մասը կարող է noise չափել։
Ինչու են լեզվային մոդելները hallucinate անում — և ինչու մեր scoring-ը օգնում է, որ դա շարունակվի
Լեզվային մոդելների confident falsehood-ները mysterious glitch չեն․ դրանց մի մասը training-ի statistical հետևանք է, իսկ persistence-ը մասամբ գալիս է այն բանից, որ mainstream benchmarks-ը confident guess-ը ավելի լավ են գնահատում, քան ազնիվ «I don't know»-ը։ Four frontier models-ի case study-ն ցույց է տալիս, որ scoring rules-ը prompt-ում բացահայտելը՝ «open rubrics», կարող է շրջել այդ incentive-ը։