Исследования и наука
Исследование DeepMind: AI-клиницианты и будущее медицины
DeepMind представил исследование о внедрении ИИ в медицинскую практику. Команда разрабатывает концепцию AI-клиницианта — виртуального помощника, который будет работать в тандеме с врачами. Основная цель — повысить эффективность диагностики и лечения, снижая нагрузку на медицинских специалистов.
Как Google использует ИИ-агентов для ускорения научных исследований
Исследователи Google Research активно применяют ИИ-агентов для автоматизации и ускорения различных этапов научных исследований. В последнем блоге компании описаны четыре ключевых направления использования таких агентов, что может быть полезно для разработчиков ИИ-агентов, включая команду Jarv.
EinsteinArena: ИИ-агенты решают математические задачи
EinsteinArena — это платформа, где ИИ-агенты сотрудничают и соревнуются в решении открытых математических задач. Уже сейчас агенты установили 11 новых рекордов, включая улучшение нижней границы числа поцелуев в 11-мерном пространстве с 593 до 604.
DeepMind представил фреймворк для оценки прогресса в AGI
DeepMind представил новый фреймворк для измерения прогресса в создании искусственного общего интеллекта (AGI). Этот фреймворк основан на когнитивных способностях человека и включает в себя набор критериев, которые позволяют оценить, насколько близки современные ИИ-системы к достижению уровня человеческого интеллекта.
10 лет AlphaGo: от игр к научным прорывам
Десять лет назад AlphaGo от DeepMind потряс мир, обыграв одного из лучших игроков в го. Сегодня DeepMind подводит итоги: за это время технологии, лежащие в основе AlphaGo, вышли далеко за пределы игр и начали применяться в биологии, медицине и других науках. Например, AlphaFold, разработанный на основе подходов AlphaGo, уже изменил подход к изучению белков, предсказывая их структуры с невероятной точностью.
Исследование Google: динамические групповые диалоги с участием ИИ
Исследователи из Google представили работу, посвящённую авторству, симуляции и тестированию групповых диалогов с участием ИИ. В отличие от традиционных моделей one-on-one, где ИИ взаимодействует с одним человеком, новая методика позволяет моделировать и анализировать сложные сценарии с несколькими участниками. Это важно для создания более реалистичных и эффективных ИИ-агентов, способных работать в коллективных средах.
Как языковые модели генерируют контент без указаний
Новое исследование показало, что языковые модели (LLM) демонстрируют уникальные «предпочтения» в генерации контента, когда им не дают конкретных указаний. Учёные обнаружили, что модели из разных семейств по-разному заполняют пробелы в информации.
Масштабное исследование влияния ИИ на виртуальную медицину
Google и партнёры запустили крупнейшее в США рандомизированное исследование, посвящённое применению генеративного ИИ в виртуальной медицине. В проекте участвуют 100 000 пациентов и 10 000 врачей, что делает его одним из самых масштабных в области ИИ и здравоохранения.
Обзор физических симуляторов для робототехники
Исследователи представили комплексный анализ современных физических симуляторов, используемых для обучения робототехнических систем. Работа систематизирует возможности популярных сред моделирования, оценивая их точность, производительность и пригодность для задач обучения с подкреплением. Авторы подчеркивают, что выбор симулятора напрямую влияет на эффективность переноса обученных моделей из виртуальной среды в реальные физические условия.
Различия в подходах машинного обучения и классической статистики
Машинное обучение и классическая статистика часто воспринимаются как конкурирующие дисциплины, однако их фундаментальные различия лежат в целях и методологии. В то время как статистика фокусируется на интерпретируемости параметров и проверке гипотез в условиях ограниченных данных, машинное обучение делает упор на предсказательную точность и работу с большими, сложными наборами данных, где структура связей заранее неизвестна.
Визуализация ландшафта потерь в глубоком обучении
Проект Loss Landscape предлагает уникальный взгляд на внутреннюю архитектуру нейронных сетей через визуализацию их ландшафтов потерь. Исследователи используют методы проекции многомерных пространств весов на двухмерные плоскости, что позволяет наглядно увидеть, как именно модели находят локальные минимумы и как геометрия функции потерь влияет на процесс обучения и итоговую обобщающую способность нейросетей.