Актуальні теми
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
elvis
Створення за допомогою агентів штучного інтелекту @dair_ai • Попередня: Meta AI, Galactica LLM, Elastic, PaperswithCode, PhD • Я ділюся думками про те, як створювати за допомогою LLM та AI Agents ⬇️
НОВЕ дослідження зі Стенфорда.
Дебати про AGI застрягли на хибній дихотомії.
Позиція перша: масштабування LLM і з'являється інтелект.
Позиція друга: LLM — це патерні, які не здатні міркувати, глухий кут.
У цій статті висувається третя позиція: субстрат плюс координація.
LLM є необхідним репозиторієм шаблонів System-1. Відсутній компонент — це шар координації System-2, який вибирає, обмежує та пов'язує ці патерни із зовнішніми цілями.
Автор припускає, що ключове розуміння походить із метафори рибальства. Океан — це величезні приховані знання моделі. Закидання без наживки дає максимальну ймовірність перед попереднім часом: загальні, поширені результати. Критики, які спостерігають галюцинації, не бачать зламаної системи. Вони бачать неприманний акторський склад.
Розумна поведінка потребує провокації та фільтрації. У статті це формалізовано через UCCT — теорію, де мислення виникає як фазовий перехід. Три фактори визначають цей зсув: ефективна підтримка (щільність приманки, що приваблює цільові концепції), невідповідність репрезентацій (наскільки опірує апріор) та адаптивний бюджет на якір (вартість контексту).
Коли сила кріплення перевищує поріг, поведінка змінюється з галюцинацій на контроль, спрямований на мету. Два приклади в контексті можуть перекрити арифметику, отриману з мільярдів токенів. Перехід є дискретним, а не поступовим.
Координація є вузьким місцем у сучасних системах ШІ.
MACI реалізує цей рівень координації: поведінково-модульована дискусія між агентами, сократівське судження, що фільтрує погано сформуловані аргументи, та транзакційну пам'ять, що підтримує стан у різних епізодах мислення.
Прочитайте статтю про агентну контекстну інженерію, щоб дізнатися ідеї щодо пам'яті.
Шлях до AGI проходить через LLM, а не навколо них. Питання не в тому, чи достатні репозиторії патернів. Саме механізми координації можуть перетворювати здатність патернів на надійне, перевірене мислення.
Стаття:
Навчіться створювати ефективних агентів ШІ в нашій академії:
63
Чудове дослідження захоплюючого прогресу агентів ШІ для наукових відкриттів.
Це дослідження буде домінувати в заголовках новин 2026 року, оскільки ми будемо створювати більш потужні системи та моделі ШІ.
9 годин тому
НОВЕ ДОСЛІДЖЕННЯ: Агенти штучного інтелекту для наукових відкриттів.
Це одна з найцікавіших сфер у 2026 році.
(збережіть цю в закладки)
Це нове дослідження вводить SAGA (Scientific Autonomous Target-Evolving Agent) — дворівневу структуру, де зовнішній цикл автоматично еволюціонує цілі, а внутрішній оптимізує рішення.
Чому ця газета така важлива? Наукові відкриття вимагають ітерації того, що оптимізувати, а не лише як оптимізувати. Автоматизація цього циклу об'єктивної еволюції закриває прогалину, яка заглушила більшість останніх наукових досліджень на основі ШІ.
Замість того, щоб розглядати об'єктивний дизайн як одноразове людське рішення, SAGA робить його динамічним, автономним процесом відкриття.
Планувальник на основі LLM пропонує нові цілі. Реалізатор перетворює їх у виконувані функції оцінювання. Оптимізатор шукає рішення. Аналізатор аналізує результати та визначає, де цілі потребують уточнення.
SAGA працює на трьох рівнях автоматизації:
> режимі другого пілота, де вчені співпрацюють над об'єктивною еволюцією
> напівпілот, де вчені лише надають зворотний зв'язок аналізатору
> автопілот, де і аналіз, і планування повністю автоматизовані
Результати у чотирьох наукових сферах:
У розробці антибіотиків для резистентної до ліків K. pneumoniae SAGA досягає найкращого балансу між біологічною активністю та схожістю на препарат. Хоча базові показники або не оптимізують активність, або досягають високої активності з хімічно нереалістичними молекулами, SAGA динамічно додає цілі, такі як штрафи за синтезованість і фільтри метаболічної стабільності, базуючись на аналізі тенденцій на рівні популяції.
У проєктуванні матеріалів SAGA виявила 15 нових стабільних структур для постійних магнітів із низьким ризиком ланцюга постачання в межах 200 розрахунків DFT, перевершивши MatterGen (11 структур). Для надтвердих матеріалів понад 90% запропонованих кристалів містять легкі елементи, необхідні для твердості, що відповідає експериментальним результатам.
У проєктуванні послідовностей ДНК SAGA перевищує базові рівні у дизайні енхансерів, специфічних для типу клітин, до 176%, покращуючи специфічність на 48% і збагачуючи мотиви на 47%.
У проектуванні хімічних процесів SAGA визначає, що оптимізація лише з урахуванням чистоти продукту призводить до надмірно складних блок-схем, а потім автономно додає цілі щодо капітальних витрат і інтенсивності потоку матеріалів.
Стаття:
Навчіться створювати ефективних AI-агентів у нашій академії:
42
Найкращі
Рейтинг
Вибране