AI výskum

Výskumný systém Minions spája nevyužité GPU v zariadeniach s Apple Silicon do spoločnej inferenčnej vrstvy. Sľubuje lepšie využitie existujúceho hardvéru, no Apple zatiaľ nezverejnil údaje potrebné na porovnanie s klasickým GPU klastrom.

Eye-trackingový preprint rozlišuje dve fázy odhaľovania lokálnych AI úprav: zachytenie pozornosti a správne vyhodnotenie obrazu. Veľkosť zásahu ovplyvňovala najmä pohľad, kým sémantická vierohodnosť rozhodovala o úsudku; výsledky však pochádzajú z malej online štúdie a zatiaľ neovereného modelu.

AMIE počas simulovaných videokonzultácií spracúval obraz aj zvuk, viedol anamnézu a navigoval virtuálne vyšetrenie. Priaznivé hodnotenie však nemožno zamieňať za klinickú validáciu ani pripravenosť na nasadenie v európskom zdravotníctve.

Recenzovaná štúdia 1 131 používateľov Character.AI spája využívanie chatbotov na spoločnosť s nižšou subjektívnou pohodou. Súvislosť bola výraznejšia pri intenzívnych interakciách, citlivom sebaodhaľovaní a slabej podpore mimo internetu, no observačné dáta nedokazujú príčinný vzťah.

Metóda LEAD kombinuje rozklad úlohy s krátkym výhľadom a prekrývajúcimi sa pokusmi. Má obmedziť situácie, keď jediný chybný krok nenávratne pokazí celé dlhé riešenie.

Stanford HAI opisuje veľkú štúdiu algoritmického náboru: pri 4 miliónoch žiadostí mala spoločná závislosť firiem od jedného dodávateľa zvýrazniť rasové rozdiely a systémové odmietanie rovnakých kandidátov.

Štúdia z Harvard Medical School a Beth Israel Deaconess naznačuje, že model o1 vedel pri prvom triážnom rozhodovaní trafiť presnú alebo veľmi blízku diagnózu častejšie než dvojica internistov. Autori však zároveň varujú, že zaujímavý benchmark ešte nie je dôkaz pripravenosti nasadiť AI na reálne život-ohrozujúce rozhodnutia.

Apple predstavilo ParaRNN, framework, ktorý má odstrániť kľúčové úzke miesto klasických rekurentných sietí. Firma tvrdí, že pri tréningu nelineárnych RNN dosiahla zrýchlenie až 665-krát a otvorila cestu k sedemmiliardovým modelom s konkurencieschopnou perplexitou.