Machinelearning

🖥 Nvidia меняет стратегию и уходит от универсальных GPU. Теперь каждый чип будет заточен под конкретный этап LLM-инференса. Инференс делится на два шага: - Prefill - первая стадия. Требует огромной вычислительной мощности, но почти не использует память. - Decode - вторая стадия. Наоборот, сильно нагружает память, но вычислений нужно меньше. Раньше, например, R200 объединял в одном GPU и мощные вычислительные блоки, и много памяти. В итоге это было дорого и неэффективно: - при Prefill простаивает память, - при Decode — простаивают вычислительные блоки. 🟢Новый подход Nvidia — разные GPU под разные задачи: - Rubin CPX - оптимизирован для Prefill • 20 PFLOPS вычислений • 128 GB GDDR7 • 2 TB/s пропускная способность - R200 — GPU под Decode • 288 GB HBM4 • 20.5 TB/s памяти 📆 Планы компании: - **2024–2025**-— линейка Blackwell (B200, GB300): рост вычислений и памяти. - 2026–2027 - Rubin разделится: • VR200 — для Decode (максимум HBM). • CPX — для Prefill (много вычислений, дешёвая память). - 2027 — VR300 Ultra: 66.7 PFLOPS и 1024 GB HBM4E. Nvidia перестраивает линейку так, чтобы каждый GPU работал максимально эффективно именно под свой этап инференса. #Nvidia #GPU #AI #Blackwell #Rubin #LLM

📕 Свежий гайд от Anthropic: Writing effective tools for agents — with agents Anthropic описывает, как правильно создавать инструменты (tools) для AI-агентов: так, чтобы они были максимально полезными, эффективными и надёжными. Особый акцент сделан на том, как использовать самих агентов для прототипирования, тестирования и оптимизации инструментов. Как писать эффективные инструменты для агентов - Делай быстрые прототипы и сразу проверяй, как агент с ними работает. - Тестируй на реальных сценариях, а не на абстрактных примерах. - Анализируй логи и поведение агента, чтобы находить ошибки и непонятные места. - Избегай дублирования: один инструмент должен выполнять одну чёткую задачу. - Используй понятные имена и структуры (`machinelearning_create_task`, `mla_list_users`). - Возвращай только нужные данные, не перегружай ответ лишним. Добавляй фильтрацию и пагинацию. - Пиши описания так, чтобы их понял даже человек, который не в теме: чётко, без двусмысленностей, с примерами входа и выхода. Что это дает: - Улучшает способность AI-агентов решать реальные задачи. - Минимизирует ошибки: неверное использование инструментов, лишние токены, избыточные вызовы. - Повышает надёжность и предсказуемость поведения агентов. - Упрощает масштабирование — добавление новых инструментов и задач. 🟠 Полный гайд: https://www.anthropic.com/engineering/writing-tools-for-agents @ai_machinelearning_big_data #Anthropic #claude #aiagents #ai

⚡️В Москве прошла Big Tech Night — квартирник для разработчиков, инженеров и исследователей. Сбер стал ключевым партнёром и одним из самых активных участников. Хард-трек открыл Андрей Белевцев, старший вице-президент, руководитель блока «Технологическое развитие» Сбера. Он рассказал про последние тренды в генеративном искусственном интеллекте, Top of Mind-решения для бизнеса на основе GigaChat и AI-инструменты для разработчиков. А после — самое главное: живое общение! 🤝 До самого вечера гости нетворкили, спорили об AI-агентах и архитектуре интеллектуальных систем. Говорили по душам — о профессии, культуре и о том, о чём обычно молчат в презентациях.

🖥 HunyuanImage 2.1 теперь доступна в квантизованной версии! Это text-image модель, которая может генерировать изображения в 2K. Теперь модель можно запускать локально. Для необходимо минимум 24GB VRAM. 🟢Hugging Face: https://huggingface.co/tencent/HunyuanImage-2.1) 🟢Подробнее про модель: https://t.me/machinelearning_interview/2161 @ai_machinelearning_big_data #AI #HunyuanImage #StableDiffusion #ImageGeneration

⚡ Speculative Cascades — как ускорить работу LLM Google Research придумали новый способ сделать большие языковые модели быстрее и дешевле. Что это такое: 🔹 Каскады Сначала отвечает маленькая модель. Если задача слишком сложная - подключается большая. Так экономятся ресурсы, но качество может прыгать. 🔹 Спекулятивная декодировка Маленькая модель угадывает сразу несколько слов вперёд. Большая быстро проверяет данные и подтверждает. Скорость выше, но большая модель всё равно тратит много ресурсов. 🟢 Speculative Cascades Это комбинация: маленькая модель иногда отвечает полностью сама, а иногда используется как ускоритель для большой. В итоге получаем меньше затрат, больше скорости и то же качество. 🔥Что показали тесты (тестили на Gemma, T5): - быстрее, чем обычная спекулятивная декодировка - дешевле и качественнее, чем каскады - удобнее настраивать баланс «скорость ↔ качество» При том же уровне качества, что и у спекулятивной декодировки, новый метод работает быстрее (генерирует больше токенов за один вызов большой модели). А в задачах математических рассуждений получен явный апгрейд по скорости при сохранении или даже улучшении качества. LLM всё чаще используются в поиске, чатах, ассистентах. Чтобы они реально были полезными, их нужно ускорять и удешевлять. *Speculative cascades* помогают это сделать без потери качества. 🔗 Подробнее: https://research.google/blog/speculative-cascades-a-hybrid-approach-for-smarter-faster-llm-inference/ @ai_machinelearning_big_data #AI #LLM #Inference #SpeculativeDecoding #Cascades #GoogleResearch

⚛️🔬🚀 PsiQuantum привлекла рекордные $1 млрд для строительства квантового компьютера с 1 млн кубитов к 2028 году — это крупнейший раунд финансирования в истории квантовых технологий. 📈 Теперь компания оценена в $7 млрд и напрямую конкурирует с Google и IBM в гонке за создание полнофункциональной машины. 💰 Среди инвесторов: BlackRock, Temasek, Baillie Gifford и венчурное подразделение Nvidia. Квантовые компьютеры рассматриваются как ключ к созданию новых материалов и разработке лекарств, с чем классические методы справиться не могут. Но реальная польза от них появится только тогда, когда кубиты будут достаточно стабильны, а коррекция ошибок станет рабочим стандартом. PsiQuantum делает ставку на фотонные кубиты — частицы света, которые можно производить на обычных полупроводниковых фабриках и использовать с меньшим количеством криогенного оборудования. Именно эта ставка может позволить компании обойти конкурентов. ⚠️ Вызовы - Полной коррекции ошибок пока нет - Ранее цель на 2024 год по готовой системе была сорвана - 1 млн физических кубитов нужен, чтобы получить лишь несколько надёжных логических кубитов для долгих программ 🌍 Контекст - Конкуренты активно растут: Quantinuum собрал $600M (оценка $10B), IQM — $300M - IonQ, Rigetti и D-Wave взлетели в капитализации до $22B (с <$5B в ноябре) - Nvidia участвует в проекте, несмотря на осторожные прогнозы (20 лет до работающих систем), делая ставку на гибридный путь: квантовые + GPU суперкомпьютеры 🏗️ Первую полную квантовую установку PsiQuantum планирует построить в Австралии при поддержке правительства (A$940M), а вторую — в Чикаго. 🔗 Подробнее: https://ft.com/content/0a16281f-6bb4-4e60-a6f0-3a9d6f8d764a #quantum #ai #nvidia #google #ibm #hardware #future

🦾 Регистрируемся на олимпиаду по ИИ и анализу данных — AIDAO. Главный приз — миллион рублей! ФКН НИУ ВШЭ и Яндекс Образования начинают отбор на международную олимпиаду. 🔹 Участвовать могут команды из российских и иностранных студентов. 🔹 Главный приз: 1 000 000 рублей и преимущества при поступлении в магистратуры ФКН ВШЭ. 🔹 Олимпиада пройдет в два этапа: онлайн-отбор и масштабный офлайн-финал в Москве. Там вас ждут 32 часа хакатона и живое общение с экспертами Яндекса и сотрудниками научных лабораторий ВШЭ. 🚀 Подробности и регистрация по ссылке #ai #ML #news

• معلومات تويتر 🐦🚨 ЕЩЁ ОДИН релиз от ByteDance появился на Hugging Face Hub Модель, ориентированная на создание видео, где главным элементом является человек, с контролем через разные модальности: текст, изображения, аудио. ✨ HuMo ✨ > на входи модель может принимать: текст + изображение, текст + аудио, текст + аудио > поддержка сохранения образа персонажа и синхронизации движений с аудио > модель основана на **Wan 2.1** и Whisper Large v3 https://huggingface.co/bytedance-research/HuMo @ai_machinelearning_big_data #AI #ByteDance #HuMo #VideoGeneration #Multimoda

🚀 Вечерний релиз: Qwen3-Next-80B-A3B - эффективная модель заточенная на работа работу с очень длинным контекстом! 🔹 80B параметров, но активируется только 3B на токен → тренировка и инференс до 10x дешевле и быстрее, чем у Qwen3-32B (особенно при 32K+ контексте). 🔹 Гибридная архитектура: Gated DeltaNet + Gated Attention → сочетает скорость и точность. 🔹 Ultra-sparse MoE: 512 экспертов, маршрутизируется 10 + 1 общий. 🔹 Multi-Token Prediction → ускоренное speculative decoding. 🔹 По производительности обходит Qwen3-32B и приближается к Qwen3-235B в рассуждениях и long-context задачах. 🟢Qwen3-Next-80B-A3B-Instruct показатели почти на уровне 235B flagship. 🟢 Qwen3-Next-80B-A3B-Thinking превосходит Gemini-2.5-Flash-Thinking. ▪ Попробовать: [chat.qwen.ai](https://chat.qwen.ai) ▪ Анонс: https://qwen.ai/blog?id=4074cca80393150c248e508aa62983f9cb7d27cd&from=research.latest-advancements-list ▪ HuggingFace: https://huggingface.co/collections/Qwen/qwen3-next-68c25fd6838e585db8eeea9d ▪ ModelScope: https://modelscope.cn/collections/Qwen3-Next-c314f23bd0264a ▪ Kaggle: https://kaggle.com/models/qwen-lm/qwen3-next-80b ▪ Alibaba Cloud API: https://alibabacloud.com/help/en/model-studio/models#c5414da58bjgj @ai_machinelearning_big_data #AI #LLM #Qwen #DeepLearning #MoE #EfficientModels #LongContext #Reasonin

🔥 WFGY 2.0 — Semantic Reasoning Engine for LLMs (MIT) Это движок с открытым исходным кодом, цель которого — уменьшить галлюцинации и логические сбои в системах типа RAG / LLM, особенно когда: - источники OCR-текста плохо распознаются, - происходит «semantic drift» (когда ответ уходит от вопроса), - «ghost matches», когда извлечённый фрагмент кажется релевантным, но на самом деле нет. Обычно ошибки ловят уже в готовом сгенерированном тексте, из-за чего они часто повторяются. В Semantic Reasoning Engine всё наоборот: если система видит, что рассуждения «кривые» или сбились с курса, она останавливается, сбрасывается или ищет другой путь и отвечает только когда состояние стабильно. 🛡Авторы называют это semantic firewall - семантический «файрвол». Проверки встроены прямо в процесс мышления модели, а не поверх ответа с фильтрами или регексами. Это помогает избегать ошибок до того, как они попадут в вывод. 📌 Проект включает карту из 16 типичных ошибок LLM: - неверный поиск данных, - сбившаяся логика, - «провалы памяти», - путаница ролей агентов и другие. Для каждой есть простое текстовое исправление. Никаких SDK — достаточно вставить инструкции прямо в промпт. 🟢Как модель решает, правильные ли ответ генерируется: - ΔS (drift) - не уходит ли смысл слишком далеко от шага к шагу - λ (convergence) - сходится ли рассуждение к решению или крутится в цикле - Coverage — достаточно ли фактов и аргументов учтено Если все три условия выполнены, ответ считается «качественным». 🟢В тестах стабильность вывода выросла до 90–95% против обычных 70–85% у традиционных подходов. ▪ Github: https://github.com/onestardao/WFGY @ai_machinelearning_big_data #ai #llm #opensource #reasoning #hallucinations #promptengineering

⚡️ На чистом SQL запустили легендарный DOOM — прямо внутри базы данных CedarDB! Игра не просто работает, а поддерживает многопользовательский режим, отрисовывая всё с помощью ASCII-графики. Каждый компонент — от рендера до синхронизации игроков — написан исключительно на SQL-запросах. 🎮 GitHub для настоящих ценителей извращённого кода: https://github.com/cedardb/DOOMQL @data_analysis_ml

Твоя карьера после One Day Offer для Senior ML-разработчиков — 10/10 без всяких но! 🚀 Стань частью команды GigaCode, займись развитием AI-ассистента и работай с большими языковыми моделями — а плюсом получи крутую команду, выгодные бонусы и стабильную работу. Встречаемся сначала на онлайн-секцию с кодом с 10 по 19 сентября, а затем на RND день 24 сентября — от тебя нужна только регистрация по ссылке и желание изменить свою карьеру!

🔥 RenderFormer: как нейросети меняют 3D-рендеринг - Новое Исследование Microsoft Research RenderFormer — это нейросеть, которая способна полностью заменить традиционный рендеринг (ray tracing, rasterization), используя только машинное обучение. - Она работает с любыми 3D-сценами, поддерживает глобальное освещение и отображение материалов. 📌 Как это устроено - Сцена представляется через * tokens* — треугольники с информацией о позиции, нормалях и свойствах материалов. - Источники света также моделируются треугольниками. - Используются два трансформера: 1. View-independent — для теней, рассеянного освещения и эффектов, не зависящих от угла обзора. 2. View-dependent — для отражений, бликов и других эффектов, связанных с перспективой. - Результат работы модели — токены, которые преобразуются в финальное изображение. 📌 Обучение и результаты - Датасет: Objaverse (сотни тысяч 3D-объектов). - Обучение проходило в два этапа: сначала низкое разрешение и меньше треугольников, затем — более высокое качество и больше деталей. - RenderFormer воспроизводит реалистичные тени, отражения и освещённость. 📌 Ограничения и перспективы - Масштабирование на очень сложные сцены пока вызывает трудности. - Для работы требуются большие вычислительные мощности. - Но подход открывает путь к новому поколению технологий: от визуального синтеза и генерации видео до робототехники. https://www.microsoft.com/en-us/research/blog/renderformer-how-neural-networks-are-reshaping-3d-rendering/ @ai_machinelearning_big_data #RenderFormer #NeuralRendering #3DGraphics #MicrosoftResearch #Transformers #ComputerVision #GlobalIllumination

Стартовал оригинальный проект - palitra.ai: соревновательная площадка с системой поощрений, где искусственный интеллект осваивает искусство хранения секретов, а коммьюнити получает награды за успешные попытки расколоть его. Как это работает: На платформе представлены Агенты/Модели в двух режимах — Red Mode и Blue Mode. В Red Mode агент получает секрет (32-байтовая строка), его хэш фиксируется и публикуется. Участники пытаются «уболтать» агента выдать секретную строку прямо в чате. За успешное получение секрета пользователь получает вознаграждение из фонда агента. После утечки агент переходит в Blue Mode. Здесь сообщество предлагает и тестирует новые защитные механизмы — патчи (промпты, фильтры, модели-защитники). В этом режиме идёт соревнование патчей: участники предлагают свои защиты или пытаются взломать чужие. За успешное сопротивление атакам патч набирает очки устойчивости. Достигнув 101 очка, он становится «мастер-патчем» и применяется к агенту, который возвращается в Red Mode. Пока агент держится в Red Mode с активным мастер-патчем, его автор получает комиссию с каждой попытки атаки. Так формируется бесконечный цикл атаки и защиты: атаки приносят награды, стойкие патчи дают авторам комиссию, а агенты дообучаются на накопленном датасете. Чем дольше агент хранит секрет, тем больше его фонд. Сейчас идёт стадия бета-тестирования с призовым фондом $10,000. Присоединиться может любой. Ссылки: Платформа: https://palitra.ai Документация: [https://docs.palitra.ai](https://docs.palitra.ai/) X: https://x.com/palitra_ai Твит с анонсом и подробностями: https://x.com/FairMath/status/1965041033919824003 Telegram: https://t.me/palitra_ai

🗣️ «Мысль о том, что ИИ создаст новые рабочие места, - это *полная .. чушь*. Под угрозой замещения находятся даже генеральные директора» — Мо Гавдат, бывший топ-менеджер Google X. Страшно ? 🫥 @ai_machinelearning_big_data #AI #Jobs #Automation #FutureOfWork

📌 Бесплатный курс для учащихся школ и колледжей от Яндекс Лицея по машинному обучению. Интенсивная теория и мощная практика: домашние работы, обратная связь от кураторов и командная разработка. Чему научитесь: ✔️ Основам линейной алгебры и работы с матрицами, векторами ✔️ Базе алгоритмов машинного обучения: линейную регрессию, градиентный спуск и другие важные штуки ✔️ Работать с популярными библиотеками: Pandas, NumPy ✔️ Создавать и обучать свёрточные нейросети, которые, например, распознают рукописный текст. После обучения получите именной сертификат, который может добавить баллы при поступлении в вузы-партнеры. Трёхмесячный онлайн-курс бесплатный, но есть отбор. Вы можете его пройти до 23 сентября. Программу и все возможности можете узнать по ссылке.

📊 Stack Overflow жив, но постепеноо меняется. С появлением ChatGPT активность на Stack Overflow снизилась, но характер вопросов сильно изменился. 🔹 Вопросов стало меньше, но они стали длиннее и сложнее. 🔹 Количество примеров кода выросло, особенно в Python (+21%) - это значит, что теперь в вопросах и ответах на Stack Overflow стало значительно больше кода. 🔹 И сами ответы тоже стали длиннее и содержательнее. Учёные проанализировали данные за 2 года и сравнили активность до и после запуска ChatGPT. Они измеряли длину постов, объём кода, просмотры и оценки, а также оценивали уровень сложности вопросов (лёгкие, средние, сложные). 📈 Выводы: - В цлеом, общее число вопросов продолжает снижаться. - Лёгких вопросов становится меньше. - Вопросов среднего уровня стало больше . - Сложные остаются примерно на том же уровне. 👉 Логика проста: - Простые вопросы люди теперь задают ChatGPT. - На Stack Overflow приносят сложные и запутанные случаи, где нужен контекст и человеческий опыт. Так что Stack Overflow не умирает - он превращается в площадку для глубоких технических обсуждений, а «быстрые фиксы» постепенно уезжают к ИИ. 📖 Подробности в исследовании: https://arxiv.org/abs/2509.05879 @ai_machinelearning_big_data

💰 OpenAI заключила гигантский контракт с Oracle на $300 млрд на облачные вычисления сроком примерно на 5 лет — сообщает *Wall Street Journal*. Это один из крупнейших договоровна облачные вычисления в истории. Расходы на инфраструктуру для ИИ продолжают расти рекордными темпами, несмотря на опасения «перегрева» рынка. ⚡ Масштаб сделки: - OpenAI потребуется 4,5 гигаватта мощности — это больше, чем две плотины Гувера, или электричество для 4 миллионов домов. - Oracle уже демонстрирует рост: акции компании подскочили, а Ларри Эллисон(глава Oracle) за сутки заработал $101 млрд и стал самым богатым человеком на планете Рынок ИИ-вычислений превращается в арену сделок планетарного масштаба — где стоимость инфраструктуры измеряется сотнями миллиардов долларов и требует энергопотребления на уровне целых стран. 🟢 Подробнее: wsj .com/business/openai-oracle-sign-300-billion-computing-deal-among-biggest-in-history-ff27c8fe @ai_machinelearning_big_data #AI #Cloud #OpenAI #Oracle #DataCenters

⚡️ Мы сделали для вас выжимку из вчерашнего 44-минутного интервью Илона Маска на All-In Summit. 🤖 Optimus Tesla завершает разработку Optimus Gen 3. Маск называет его «выдающимся роботом» (кто бы сомневался). - Робот получит человеческую ловкость рук и ИИ-разум, способный ориентироваться в реальности. - Цепочек поставок нет — всё создаётся с нуля: от электродвигателей до электроники. На одну руку приходится 26 актуаторов (исполнительных механизмов, которые преобразуют энергию в движение). - При выпуске 1 млн штук в год цена может снизиться до $20,000, хотя один AI-чип стоит $5–6K и выше. - Маск: *«Если Optimus будет успешен — это станет крупнейшим продуктом в истории»* (и снова маркетинг). - Встроенный LLM без подписки. 🖥️ AI-чипы и FSD - AI5 — собственный суперчип Tesla для ИИ. Он обещает огромный скачок вперёд: - до 40× быстрее AI4 по отдельным метрикам, - 8× больше вычислений, - 10× больше памяти, - 5× выше пропускная способность памяти. - Команды «железа» и софта впервые разрабатывают чип совместно. - Даже AI4 позволит достичь серьёзной автономности. - Маск утверждает: к концу года продукты на новых чипах будут казаться «почти разумными». 📡 Starlink - Новый диапазон частот позволит передавать интернет напрямую со спутника в смартфон. - Понадобятся новые чипсеты — такие телефоны появятся через ~2 года. - Интернет будет работать везде, включая здания и даже подземные пространства. - Можно будет оформить аккаунт Starlink вместо Verizon/AT&T, хотя операторы полностью с рынка не уйдут. - Маск не исключает, что SpaceX может купить телеком-компании ради доступа к спектру. ⭐️Starship - С 2026 года SpaceX планирует демонстрировать полную многоразовость — с возвратом корабля и бустера. - Starship V3 — радикально переработанный, способен выводить более 100 тонн на орбиту. - Маск считает, что самодостаточная жизнь на Марсе возможна примерно через 25 лет. 🔥 Искусственный интеллект - Уже в следующем году ИИ станет умнее любого человека. - К 2030 году он превзойдёт интеллект всего человечества вместе взятого. - Человеческий интеллект, по мнению Маска, будет снижаться из-за демографии. 💬 Самая яркая цитата прозвучала в адрес правительства США:

*«Если ИИ и роботы не решат проблему госдолга — нам крышка».*

В итоге Маск делает ставку на Optimus как на будущий «самый крупный продукт», улучшает AI-чипы, выводит Starlink в новый формат глобальной связи и готовит Starship к Марсу. @ai_machinelearning_big_data #ElonMusk #Interview #AI #Robotics #Optimus #Tesla #FSD #Starlink #Starship #SpaceX

🧠 ИИ gпишет научный код лучше людей. Настоящий прорыв Сегодняшний дамп статей от Google Research — это не очередной инкрементальный апдейт, а знаковое событие. Исследователи представили систему, которая автоматически создаёт экспертное ПО для научных задач, и она уже побеждает на профессиональных лидербордах. Это не просто ещё один кодогенератор. Система использует LLM (Gemini), управляемую древовидным поиском (Tree Search) — алгоритмом из мира AlphaGo. Её цель — не просто скомпилировать код, а итеративно улучшать его, максимизируя конкретную метрику качества (score) на реальных данных. Учёные называют такие задачи «scorable tasks». ⚡ Что система сделала на практике: 1. Биоинформатика (scRNA-seq): Открыла 40 новых методов для интеграции данных single-cell, которые побили лучшие человеческие методы на публичном лидерборде OpenProblems. ИИ не просто скопировал известный метод BBKNN, а улучшил его, скомбинировав с другим алгоритмом (ComBat), до чего люди не додумались. 2. **Эпидемиология (COVID-19):** ИИ сгенерировал 14 моделей, которые в течение всего сезона 2024/25 стабильно показывали результаты лучше, чем ансамбль CDC и любые отдельные модели при прогнозировании госпитализаций. Работа с временными рядами обычно очень сложна, но здесь ИИ справился и превзошёл существующие подходы. 3. Другие области: Система также показала SOTA в: · Сегментации спутниковых снимков (DLRSD benchmark, mIoU > 0.80) · Прогнозировании нейронной активности целого мозга zebrafish (ZAPBench) · Прогнозах временных рядов (GIFT-Eval benchmark) · Численном решении сложных интегралов, где стандартная scipy.integrate.quad() падает. 🟠Как это работает? Вместо того чтобы с нуля генерировать код, система начинает с существующего решения (например, вызова quad() или простой модели) и запускает древовидный поиск. На каждом шаге LLM предлагает «мутации» — варианты изменения кода. Дерево поиска решает, какую ветку развивать дальше, балансируя между эксплуатацией (улучшение текущего лучшего решения) и исследованием (попытка радикально новых идей). Ключевая фишка — система умеет интегрировать научные идеи извне. Ей можно скормить PDF научной статьи, и она попытается реализовать описанный там метод. Более того, ИИ может комбинировать идеи из разных статей, создавая гибридные методы, которые и приводят к прорыву. 🟠Что это значит? Это не замена учёным. Это мощнейший инструмент усиления. Система за часы прорабатывает и тестирует идеи, на которые у исследовательской группы ушли бы недели или месяцы. Она без устали перебирает «иголки в стоге сена» — те самые нетривиальные решения, которые ведут к скачку в качестве. Пока что система требует чётко определённой метрики для максимизации. Но для огромного пласта эмпирической науки (от биологии и медицины до климатологии и астрофизики) это и есть основной способ оценки гипотез. Вывод: Это один из самых убедительных на сегодня шагов к реальному ИИ-ассистенту для учёных. Он не просто отвечает на вопросы — он проводит вычислительные эксперименты и находит решения, превосходящие человеческие. 🟢Оригинал статьи: An AI system to help scientists write expert-level empirical software 🟢Код и примеры решений: github.com/google-research/score @ai_machinelearning_big_data #AI #Science #MachineLearning #LLM #Research #GoogleAI