Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

Meta publikuje sześć prac matematycznych wspieranych przez AI. Laboratoria ścigają się o automatyzację odkryć

3 października Meta udostępniła sześć prac powstałych przy udziale modelu Muse Spark. To zwrot w stronę AI, która rozwiązuje otwarte problemy naukowe bez klucza odpowiedzi podanego przez człowieka.

AI i modeleAnalizaAnna KaczmarekOpublikowano: 3 października 20263 min czytaniaŹródła 10
Meta publikuje sześć prac matematycznych wspieranych przez AI. Laboratoria ścigają się o automatyzację odkryć

3 października Meta AI Research opublikowała sześć prac. Powstały we współpracy z matematykami, którzy pracowali z modelami Muse Spark 1.1 i 1.2 w trybie Thinking Mode. Publikacja pokazuje szerszy trend: systemy AI wychodzą poza standaryzowane zadania konkursowe i biorą się za otwarte pytania badawcze, dla których nie ma z góry ustalonego rozwiązania. Meta podała, że celem było wsparcie badaczy w wypracowywaniu matematycznych wniosków, a nie masowa produkcja tekstów naukowych. Ta różnica ma znaczenie dla utrzymania rzetelności akademickiej w czasach szybkiego wdrażania modeli.

Prace dotyczą złożonych obszarów: rachunku prawdopodobieństwa, równań różniczkowych i dopasowywania elipsoid Gaussa. W jednym z przypadków model pomógł wyznaczyć ostry próg dopasowania losowych punktów gaussowskich do elipsoidy w wysokich wymiarach. Meta przyznała, że inne zespoły niezależnie ogłosiły rozwiązania części tych problemów, stosując odmienne podejścia. Przedstawiciele firmy zaznaczyli, że równoległe prace nad tym samym zagadnieniem są w szybko rozwijających się dziedzinach rzeczą zwyczajną. Firma podkreśliła też, że każda praca jasno oznacza, które fragmenty napisała AI, a które badacze. To odróżnia ten dorobek od wielu innych niedawnych publikacji w branży.

Potok automatyzacji

Szwajcarski ekolog gleby Franz Bender otrzymał 3 października Nagrodę Ig Nobla.

Jego zespół zwerbował 1 000 obywateli-naukowców, którzy zakopywali i wykopywali bieliznę w różnych miejscach Szwajcarii, żeby zbadać kondycję gleby. Badanie ukazało się w sierpniu 2026 w „Plants People Planet” i pokazało, jak nauka obywatelska może zwiększać skalę zbierania danych do monitoringu środowiska. Bender zwrócił uwagę, że widok wydobytej, rozłożonej bielizny pomagał ludziom zrozumieć, iż gleba jest żywym ekosystemem. To podejście oparte na bezpośrednim działaniu kontrastuje z w pełni zautomatyzowanymi systemami „AI scientist”, które pojawiają się w biologii. Najnowsze doniesienia wskazują, że szwedzcy badacze zbudowali system AI zdolny proponować eksperymenty, przeprowadzać je i uczyć się na wynikach. Ten autonomiczny cykl ogranicza wąskie gardło, jakim jest człowiek w projektowaniu i weryfikacji doświadczeń. Takie systemy mają szczególne znaczenie w odkryciach biologicznych, gdzie liczba możliwych eksperymentów często przewyższa ludzkie możliwości. Przejście od ręcznej obserwacji do zautomatyzowanego testowania hipotez zmienia sposób powstawania i interpretacji danych biologicznych.

Trudności z wyszukiwaniem i stronniczością

3 października opublikowano nowy test porównawczy o nazwie ScholarCatalyst.

Sprawdza on, czy modele potrafią wyszukać konkretne wcześniejsze prace, które zainspirowały nowe badania. Okazało się, że wyszukiwanie agentowe wypadło nie lepiej niż proste wyszukiwanie oparte na osadzeniach. Wyszukiwanie agentowe osiągnęło wynik Recall@20 równy 0,42, a osadzenia 0,48. Nawet zaawansowane modele, takie jak Claude Fable 5.1, doszły tylko do 0,51 R@20. Wynika z tego, że obecna AI nie ma „wyczucia badawczego” potrzebnego do wskazania ważnych wcześniejszych prac w ogromnych zbiorach. Nieumiejętność dokładnego prześledzenia rodowodu intelektualnego to poważne wyzwanie dla systemów AI, którym powierza się nowe badania.

Rzetelność badań wspieranych przez AI komplikują uprzedzenia wpisane w modele z otwartymi wagami. CBS News poinformowało, że model Qwen firmy Alibaba, pobrany ponad 3 000 000 000 razy, zawiera narracje przychylne Chinom i mechanizmy cenzury. Badacze z izraelskiego startupu Hirundo zidentyfikowali te uprzedzenia i pracują nad „zwesternizowaną” wersją. Szerokie stosowanie takich modeli przez amerykańskie firmy, między innymi Airbnb i Uber, budzi obawy o neutralność narzędzi AI używanych w nauce i biznesie. Te ustalenia pokazują, że duże modele językowe trzeba starannie kontrolować, zanim trafią do wrażliwych zastosowań badawczych.

3 października rozpoczęła działalność Trillium Labs, organizacja non-profit założona przez Nathana Lamberta i Toma Zicka. Prowadzi ona otwarcie badania nad ryzykowną AI. Lambert stwierdził, że obecny zamknięty kierunek rozwoju cofa ludzkość o krok od metody naukowej. Ten nacisk na otwartość kontrastuje z tajemnicą otaczającą wiele prac nad modelami własnościowymi. Gdy systemy AI zaczynają mierzyć się z otwartymi problemami badawczymi, granica między narzędziem a współpracownikiem się zaciera. Wyzwanie dla środowiska naukowego polega na ustaleniu jasnych zasad przypisywania autorstwa, weryfikacji i ograniczania stronniczości. Bez tych zabezpieczeń szybkie włączanie AI do procesów badawczych może podważyć wiarygodność odkryć naukowych.

Komentarze 0

Źródła

10
  1. 01Solving Open Research Problems TogetherEN
  2. 02Swiss scientist soils underpants, wins silly science prizeEN
  3. 03ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New ResearchEN
  4. 04Some topics are off limits inside popular Chinese-made free AI, researchers findEN
  5. 05These AI Experts Want to Do High-Stakes Research Out in the OpenEN
  6. 06Trillium Labs LaunchEN
  7. 07Ig Nobel Prize for Soil ResearchEN
  8. 08ScholarCatalyst Benchmark ResultsEN
  9. 09Qwen Model Bias AnalysisEN
  10. 10Meta AI Research PapersEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Anna Kaczmarek

Anna Kaczmarek

AI, modele i technologie

Anna Kaczmarek pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, repozytoriach i danych źródłowych, a nie na komunikatach prasowych. Przy testach modeli sprawdza karty techniczne, parametry wejściowe i liczy wyniki na tych samych zbiorach, zamiast powtarzać liczby od producentów. Czeka na premiery API i aktualizacje wag, rozmawia z inżynierami oraz porównuje wersje modeli pod kątem kosztów i opóźnień. Prywatnie self-hostuje usługi i konfiguruje sieci domowe, więc do redakcji wnosi praktykę z własnego serwera. Nie publikuje zapowiedzi ani parametrów, których nie może odtworzyć na własnym środowisku.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.