Революция искусственного интеллекта в научных исследованиях. От предсказания структуры белков до поиска новых лекарств. Машинное обучение в физике, химии, биологии, астрономии.
Современные математики активно внедряют большие языковые модели (LLM) в свои рабочие процессы, используя их как генераторы идей для доказательств. Эти идеи затем строго проверяются символьными вычислениями и SAT-солверами, превращая вероятностные догадки в математически верифицированные факты.
Две группы исследователей применили машинное обучение для поиска новых антивирусных механизмов у бактерий, обнаружив тысячи неизвестных ранее систем.
Википедия вводит запрет на использование нейросетей для создания и переписывания статей, чтобы защитить репутацию площадки от недостоверных данных.
Система The AI Scientist от Sakana AI продемонстрировала возможность полной автоматизации научного цикла в области машинного обучения.
Использование алгоритмов машинного обучения и спутниковых данных InSAR позволяет обнаруживать подготовку оползней и лавин на ранних стадиях, автоматизируя мониторинг тысяч склонов.
Генеральный директор OpenAI Сэм Альтман опроверг широко распространенные утверждения о значительном водопотреблении систем искусственного интеллекта, назвав их «совершенно не соответствующими действительности». Однако он признал, что растущие энергетические потребности ИИ представляют собой серьезную проблему, требующую ускоренного перехода к ядерной и возобновляемой энергетике. Об этом Альтман заявил в интервью The Indian Express во время своего визита в […]
Учёные MIT создали вычислительный фреймворк, моделирующий эволюцию зрения у ИИ-агентов. Инструмент помогает понять, как задачи формируют зрительные системы, и может использоваться для проектирования сенсоров в робототехнике.
На площадке ITER начались криогенные испытания первой тороидальной катушки при температуре 4 К (-269°C). Месяц в условиях глубокого космола позволит проверить сверхпроводимость магнитов перед сборкой реактора.
Исследователи MIT разработали модель глубокого обучения, предсказывающую движение и деление клеток эмбриона плодовой мушки с точностью 90%. Метод объединяет два подхода к моделированию и открывает путь к изучению развития сложных тканей и ранней диагностике заболеваний.
Стэнфордские учёные использовали GPT-4 для анализа Google Street View и обнаружили, что после стихийных бедствий богатые районы отстраиваются лучше, а бедные превращаются в пустыри, что подтверждает гипотезу «машины восстановления».