ainews
Создать
Войти
Google DeepMind представила DiffusionGemma — экспериментальную open-source модель на 26B параметров (MoE), которая генерирует текст блоками, а не последовательно. На GPU она работает до 4 раз быстрее обычных LLM, но с компромиссами по качеству. Идея — для локальных интерактивных задач, где важна скорость, а не идеальная точность.
Google представил крупнейший редизайн своей поисковой строки за всю историю: теперь она принимает текст, изображения, PDF, видео и вкладки браузера, превращаясь в мультимодальный AI-интерфейс. AI Overviews и AI Mode объединены в единый опыт, поиск становится диалогом. За год AI Mode набрал миллиард пользователей, а количество запросов удваивается каждый квартал.
Инженеры MIT разработали специализированный чип Gleanmer, который позволяет миниатюрным роботам и дронам строить детальные 3D-карты окружения в реальном времени, потребляя всего 6 милливатт — как один LED-индикатор. Секрет в новом алгоритме GMMap, который представляет препятствия не кубическими вокселями, а гибкими эллипсоидами-гауссианами, и специальной архитектуре чипа, которая держит данные в быстрой встроенной памяти.
Исследователи из MIT и Microsoft создали систему Murakkab, которая автоматически оптимизирует работу AI-агентов (agentic workflows). Разработчик просто описывает задачу обычным языком, а система сама подбирает модели, инструменты и железо. Результат: на 65% меньше вычислений, на 73% меньше энергопотребления, на 75% ниже стоимость — без потери качества.
Выставка в MIT Gallery исследует попытки научить компьютеры понимать красоту — от математических формул 1930-х до нейросетей вроде Stable Diffusion. Оказывается, вопросы про «AI и творчество», которые сегодня кажутся новыми, обсуждаются уже сто лет.
Исследователи Google разработали Regularized f-Divergence Kernel Tests — фреймворк для проверки того, действительно ли AI-модель «забыла» данные после machine unlearning. Метод решает ключевую проблему: существующие статистические тесты либо пропускают локальные аномалии, либо дают ложные срабатывания. Новый подход автоматически выбирает оптимальные параметры и измеряет относительное расстояние между моделями, что критично для соответствия GDPR и AI-безопасности.
Исследователи Microsoft и ведущих университетов создали метод GCT, который превращает чёрные ящики нейросетей в понятные гипотезы о работе мозга. Система сначала выясняет, на что реагирует участок коры (например, «приготовление еды»), затем генерирует истории для проверки — и если в томографе нужная зона активируется, гипотеза подтверждена. Метод уже помог различить соседние отделы мозга, которые раньше считались одинаковыми.
AI-генерированный контент заполонил соцсети, академические журналы и медиа. Проблема не только в однообразии текстов, но и в том, что бездумное использование AI подрывает критическое мышление и обучение. Исследования показывают: если AI просто даёт ответы — результаты на экзаменах падают, если помогает учиться самому — растут. Разница в подходе невелика, но последствия огромны.
Исследователи MIT разработали метод Masked IRL, который использует большие языковые модели для обучения роботов выполнению задач по неточным командам. Система автоматически уточняет расплывчатые инструкции («держись подальше» → «не подходи к ноутбуку») и определяет, какие детали окружения важны для задачи. Робот обучается на физических демонстрациях в 5 раз быстрее аналогов и на 15% точнее понимает невысказанные предпочтения пользователя.
Команда Hugging Face автоматизировала релизный процесс библиотеки huggingface_hub, сократив время с нескольких дней до часов. Ключевой принцип: AI генерирует первый драфт релиз-нотов, а детерминированные скрипты проверяют полноту и точность, прежде чем человек даёт финальное одобрение. Всё построено на open-source инструментах без зависимости от проприетарных API.
