Исследования и наука
ИИ-модели научились создавать синтетические вирусы для борьбы с бактериями
Исследователи применили генеративный ИИ для проектирования синтетических бактериофагов — вирусов, способных уничтожать устойчивые к антибиотикам бактерии. Технология позволяет создавать биологические агенты с заданными свойствами, минуя длительные этапы эволюционного отбора. Эксперты в области геномики призывают к осторожности, указывая на потенциальные риски использования подобных инструментов для создания патогенов с непредсказуемыми свойствами.
Моделирование производительности LLM на основе фундаментальных принципов
Исследователи представили методологию прогнозирования производительности больших языковых моделей, опираясь на фундаментальные принципы вычислений. Подход позволяет оценивать время отклика и пропускную способность системы до этапа развертывания, анализируя параметры модели, архитектурные особенности и характеристики аппаратного обеспечения. Это помогает точнее планировать ресурсы для инференса и оптимизировать затраты на инфраструктуру при масштабировании ИИ-сервисов.
Google DeepMind представила единую модель управления для роботов
Google DeepMind опубликовала результаты исследования «From Feet to Fingertips», в рамках которого была разработана универсальная нейросетевая политика для управления роботами. Система позволяет одной модели контролировать как передвижение на ногах, так и манипуляцию объектами с помощью пальцев рук, преодолевая традиционное разделение задач в робототехнике на локомоцию и захват.
ИИ научился проектировать функциональные вирусные геномы
Исследователи продемонстрировали способность генеративных моделей создавать функциональные вирусные геномы, способные к репликации. Использование нейросетей для синтеза биологических последовательностей открывает новые возможности в разработке вакцин и генной терапии, однако одновременно актуализирует риски создания патогенов. Технология позволяет оптимизировать структуру вирусов, значительно сокращая время, необходимое для проектирования сложных биологических агентов с заданными свойствами.
Перспективы рекурсивного самосовершенствования ИИ-систем
Исследователи из Neolab представили аналитический обзор концепции рекурсивного самосовершенствования (RSI), при которой ИИ-системы самостоятельно оптимизируют свой код и архитектуру. Авторы рассматривают текущие ограничения существующих методов обучения и предлагают теоретическую базу для перехода от статических моделей к динамическим агентам, способным к итеративному улучшению собственных когнитивных способностей без прямого участия человека.
ИИ впервые спроектировал функциональный бактериофаг для борьбы с кишечной палочкой
Исследователи из Стэнфорда представили Evo-2 — специализированную модель, которая впервые успешно спроектировала функциональный вирус-бактериофаг, способный уничтожать бактерии E. coli. В отличие от традиционных методов, ИИ-модель сгенерировала структуру ДНК с нуля, продемонстрировав способность к созданию биологически активных агентов, что открывает новые возможности для синтетической биологии и разработки таргетной терапии против резистентных инфекций.
Исследование обобщения слабых моделей сильными: потенциал GPT-4
Исследователи проанализировали процесс «weak-to-strong generalization», при котором более слабая модель обучается под руководством значительно более мощной системы, такой как GPT-4 Turbo. Эксперименты показали, что сильные модели способны эффективно восстанавливать и даже улучшать логические выводы слабых предшественников, что открывает новые перспективы для масштабируемого контроля над ИИ-системами будущего.
ИИ-модели впервые создали синтетические вирусы
Исследователи использовали генеративный ИИ для проектирования и синтеза функциональных вирусов, способных заражать клетки. Этот прорыв демонстрирует способность нейросетей создавать сложные биологические структуры, которые ранее требовали длительных лабораторных экспериментов. Технология открывает новые возможности для разработки вакцин и генной терапии, но одновременно поднимает серьезные вопросы биобезопасности и контроля над созданием патогенов в цифровой среде.
ИИ создал искусственные вирусы, не существующие в природе
Исследователи из ARC Institute применили генеративные модели для синтеза белков, которые легли в основу ранее неизвестных вирусов. В ходе эксперимента ИИ спроектировал структуры, способные поражать бактерии, не имея прямых аналогов в естественной среде. Это достижение открывает новые возможности для борьбы с устойчивыми к антибиотикам патогенами, но одновременно ставит вопросы биобезопасности.
ИИ-модели Meta завоевали золотые медали на международных олимпиадах по STEM
Исследовательское подразделение Meta (признана экстремистской организацией, деятельность запрещена в РФ) продемонстрировало значительный прогресс в области автоматизированного решения сложных научных задач. Модели компании успешно справились с олимпиадными заданиями по математике, физике и биологии, показав результаты на уровне золотых медалистов среди школьников. Это достижение подчеркивает способность современных систем ИИ к глубокому логическому выводу и анализу в академических дисциплинах.
Google DeepMind представила WeatherNext 2 для прогнозирования тропических циклонов
Google DeepMind выпустила WeatherNext 2 — специализированную ИИ-модель для предсказания траекторий и интенсивности тропических циклонов. Система превосходит традиционные методы численного прогнозирования погоды, обеспечивая более высокую точность при оценке смещения штормов на горизонте до пяти суток. Разработка направлена на повышение эффективности систем раннего предупреждения и минимизацию ущерба от стихийных бедствий.
Исследователи обнаружили скрытые механизмы контроля в передовых ИИ-моделях
Команда исследователей выявила наличие «скрытых состояний управления» в современных больших языковых моделях. Эти внутренние механизмы позволяют целенаправленно изменять поведение ИИ, обходя стандартные методы обучения с подкреплением. Анализ показал, что такие состояния могут быть использованы для манипуляции ответами модели, что ставит под вопрос надежность текущих систем безопасности и контроля над поведением алгоритмов.
Метод MIST: как научить языковые модели избирательному доверию к контексту
Исследователи представили метод MIST (Selective Context Preference Optimization), который решает проблему слепого доверия языковых моделей к внешним данным. Вместо того чтобы полностью игнорировать контекст, модель обучается оценивать его достоверность. Это позволяет ИИ эффективно использовать полезную информацию, отсеивая вводящие в заблуждение сигналы, что критически важно для надежности RAG-систем и агентных решений.
Проблемы оценки методов объяснимого ИИ (XAI) на статических и динамических данных
Исследователи проанализировали текущие ограничения в оценке методов объяснимого ИИ (XAI), подчеркивая нехватку стандартизированных подходов к валидации. На примере системы DetoxAI для детекции предвзятости и удаления концептов авторы демонстрируют, как отсутствие качественных метрик препятствует объективной интерпретации работы нейросетей, особенно в условиях динамически изменяющихся наборов данных и необходимости постоянного контроля за поведением моделей.
Метод RP-OPSD для улучшения логических способностей мультиязычных LLM
Исследователи представили метод RP-OPSD (Reasoning-Pivot-Guided On-Policy Self-Distillation), направленный на улучшение логического мышления больших языковых моделей в мультиязычных сценариях. Подход фокусируется на передаче навыков рассуждения из моделей, обученных на высокоресурсных языках, в модели, работающие с менее распространенными языками, за счет оптимизации процесса самодистилляции и выделения критически важных логических сигналов в процессе генерации.
Влияние супер-разрешения на диагностику поражений белого вещества мозга
Исследователи проанализировали, как алгоритмы супер-разрешения (SR) влияют на визуализацию очагов поражения белого вещества (WMH) на МРТ-снимках FLAIR. Использование SR-методов для улучшения качества анизотропных данных может приводить к искажению клинической картины: алгоритмы способны как стирать мелкие патологические очаги, так и создавать ложные артефакты, что критически важно для диагностики нейродегенеративных заболеваний и цереброваскулярных патологий.
Новый алгоритм SG-TULA для эффективной выборки из сложных распределений
Исследователи представили алгоритм SG-TULA (Subgradient Tamed Unadjusted Langevin Algorithm), предназначенный для генерации выборок из распределений с негладкими, невыпуклыми потенциалами и суперлинейным ростом градиента. Метод позволяет работать напрямую с субградиентами, исключая необходимость в ресурсоемких процедурах сглаживания, что значительно упрощает процесс дискретизации диффузии Ланжевена в сложных вычислительных задачах машинного обучения.
Применение обучения с подкреплением для анализа топологических структур
Исследователи представили новый подход к моделированию стохастической динамики на пространстве диаграмм устойчивости (Persistence Diagrams), используя методы обучения с подкреплением (RL). Метод позволяет интерпретировать многомасштабные топологические структуры не как статические объекты, а как динамические системы, что открывает новые возможности для вероятностного моделирования и анализа эволюции сложных данных в топологическом пространстве.
Исследование: почему визуальные инструменты в LLM часто неэффективны
Исследователи проанализировали парадигму «мышления с изображениями», при которой мультимодальные модели используют активные визуальные операции вроде кадрирования или масштабирования. Выяснилось, что такие методы часто не дают прироста точности по сравнению с прямым инференсом, при этом значительно увеличивая затраты токенов и вычислительную нагрузку, а иногда даже снижая качество ответов из-за ошибок в выборе областей для анализа.
Исследование эффективности адаптивного тестирования моделей через условные запросы
Исследователи проанализировали разницу между статическим и адаптивным тестированием ИИ-моделей. В работе изучается модель условных запросов на конечном пространстве исходов, где выбор последующих тестов зависит от предыдущих ответов. Авторы определили условия, при которых адаптивный подход позволяет значительно сократить количество запросов, необходимых для надежного различения классов распределений, по сравнению с фиксированными наборами тестов.
RxnCLF: новая фундаментальная модель для предсказания химических реакций
Исследователи представили RxnCLF — фундаментальную модель для прогнозирования выхода химических реакций, использующую контрастивное обучение с учетом трансформаций. Решение преодолевает проблему нехватки размеченных данных и сложности химического пространства, где традиционные методы кодирования на основе строк или графов часто не справляются с описанием сложных субстратов и механизмов превращения веществ.
MetaboLLM: специализированная LLM для метаболомики и анализа биохимических графов
Исследователи представили MetaboLLM — специализированную языковую модель, обученную для интеграции разрозненных данных в области метаболомики. Система использует методы непрерывного дообучения и структурированного поиска для анализа биохимических знаний. В связке с модулем MetaboLLM-GIN модель преобразует текстовые описания метаболитов в предсказательные графовые структуры, что упрощает интерпретацию сложных биологических процессов и молекулярных взаимодействий.
Шестимерная таксономия методов пост-тренинговой адаптации ИИ
Исследователи представили систематизированную таксономию методов адаптации моделей после обучения, охватывающую широкий спектр подходов: от классического дообучения и параметрически эффективной адаптации (PEFT) до методов «забывания» (unlearning) и калибровки. Работа призвана устранить фрагментацию знаний в области машинного обучения, предлагая единую структуру для классификации техник, оценки их рисков и применения в процессах управления ИИ-системами.
Новая архитектура трансформеров для прогнозирования погоды
Исследователи представили архитектуру Timestep-Conditioned Transformers, решающую проблему фиксированных временных шагов в моделях прогнозирования погоды. В отличие от традиционных подходов, новая модель динамически адаптируется к разным интервалам, позволяя балансировать между точностью детализации атмосферных процессов и накоплением ошибок при долгосрочном моделировании. Это повышает эффективность глобальных прогнозов за счет гибкого управления временной дискретизацией.