Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
[기고] 인공지능이 바꾸는 신입의 일…기업은 숙련자를 어떻게 키울 것인가
La inteligencia artificial está transformando el rol de los nuevos empleados, planteando el desafío a las empresas sobre cómo formar expertos. Investigaciones sugieren que la exposición a la IA afecta la contratación de jóvenes en ciertas profesiones, indicando que la dependencia de la IA puede limitar la práctica de juicio y toma de decisiones. Para mitigar esto, se recomienda diseñar la formación de nuevos empleados integrando la verificación de resultados y la validación de fuentes, asegurando que el aprendizaje se centre en la comprensión profunda y la responsabilidad, no solo en la ejecución de tareas por IA.
IA se encuentra con APEC: Inyectando nuevo impulso al desarrollo regional
La inteligencia artificial se encuentra con APEC, inyectando un nuevo impulso al desarrollo regional. Este evento parece estar relacionado con la colaboración entre la IA y el Foro de Cooperación Económica Asia-Pacífico.
No se identificaron personas.
Boletín de noticias de Seguridad, IA y Ciberseguridad Ronda 8
El boletín de noticias de Security Affairs cubre los últimos desarrollos en la intersección de la inteligencia artificial y la ciberseguridad. Se discuten cómo la IA está transformando tanto las técnicas de ataque como las herramientas de defensa, incluyendo la automatización de tareas y la detección de amenazas. Se presentan casos específicos de vulnerabilidades, exploits y el estado actual de las amenazas en el ámbito cibernético.
Elon Musk quiere una OpenAI con fines de lucro
OpenAI necesita aumentar drásticamente su capacidad de cómputo, buscando pasar de 600 a 5000 GPUs, y aumentar su plantilla de investigadores. También es crucial asegurar una ventaja de hardware, como el diseño Cerebras, para lograr avances significativos en la construcción de la Inteligencia Artificial General (AGI).
Startup de datos para entrenamiento de robots GenRobot AI levanta $100 millones en financiación Serie A+
GenRobot AI, una empresa con sede en Beijing, ha cerrado una ronda de financiación Serie A+ de $100 millones para impulsar su desarrollo de infraestructura de datos para robots. La compañía proporciona equipos y software que recopilan demostraciones humanas (visuales, movimientos de manos y cuerpo) en tareas como domésticas, fabricación y logística. Su plataforma Matrix sincroniza, limpia y etiqueta estas grabaciones, ofreciendo datos de entrenamiento y evaluación para desarrolladores de robots.
Herramientas profesionales: Heidi AI
Heidi AI es una herramienta de IA que utiliza entrada de voz para tomar notas y transcripciones de consultas veterinarias, buscando reducir la carga administrativa de los veterinarios. La herramienta permite a los profesionales centrarse más en la comunicación y el examen clínico durante las consultas. Se destaca por su facilidad de uso y su capacidad para mejorar la eficiencia del flujo de trabajo, aunque requiere supervisión clínica para asegurar la precisión de la transcripción.
Caitlin Johnstone: Re-centralizando el control de la información
La noticia aborda la preocupación de que la inteligencia artificial pueda ser utilizada para re-centralizar el control de la información, afectando la percepción humana a través de algoritmos sofisticados. Se menciona que la IA podría manipular la información para servir a intereses de élites, como la propagación de narrativas pro-Israel. Se citan advertencias previas sobre cómo la IA puede superar la capacidad humana de detectar la manipulación algorítmica en la información.
La IA y las matemáticas se encuentran, ¿hacia dónde nos llevarán mutuamente?
La inteligencia artificial está acelerando el avance de las matemáticas, pasando de la ayuda al cálculo a la resolución de problemas de investigación complejos. Agentes de IA como los de DeepMind y OpenAI han resuelto teoremas y conjeturas matemáticas abiertas, generando un debate sobre el impacto de la IA en la investigación. Expertos matemáticos advierten sobre esta transformación, señalando un cambio significativo en el campo.
OpenAI amplía su trabajo con la industria periodística mediante una alianza con Axios
OpenAI anunció una nueva alianza de contenido con Axios y financiará la expansión de su cobertura local en cuatro ciudades de Estados Unidos: Pittsburgh, Kansas City, Boulder y Huntsville. La empresa suma casi 20 socios editoriales, entre ellos News Corp, The Atlantic, Vox Media, Prisa Media, Condé Nast, Hearst y Dotdash Meredith, que permiten a ChatGPT mostrar resúmenes y extractos citados de medios confiables. Además, OpenAI detalló programas de subvenciones con American Journalism Project, Lenfest Institute y WAN-IFRA para impulsar la adopción de IA en salas de redacción locales y globales.
La inteligencia artificial, una herramienta cada vez más presente en clima y meteorología
La inteligencia artificial está generando grandes avances en la predicción meteorológica y la investigación del cambio climático, permitiendo simulaciones más rápidas y análisis de datos más complejos. Se observa que los modelos de IA están compitiendo con los modelos físicos y que las predicciones a largo plazo son menos deterministas. Sin embargo, se advierte una limitación en que las herramientas de IA están entrenadas con datos pasados, sugiriendo la necesidad de seguir experimentando con modelos fisicoquímicos complejos.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «AI»
Más recientes primero · Hasta 30 noticias por página
Impacto algorítmico revela la estructura oculta de la elección social de alineación
El artículo aborda el problema de la elección social al alinear algoritmos de inteligencia artificial que afectan a múltiples personas. Propone una reformulación matemática que permite tratar el problema de alineación como una optimización lineal sobre un espacio de impacto convexo. Esto permite traducir protocolos de alineación en consecuencias de bienestar y viceversa, demostrando la viabilidad de mecanismos como la votación por temas.
¿Cuándo deberían reconsiderar los Modelos de Difusión de Lenguaje sus compromisos?
Se presenta el Aprendizaje Conjunto de Desenmascaramiento y Revisión Planificado (PURL) para Modelos de Difusión Enmascarados (MDMs) para unificar la generación paralela con la revisión selectiva de tokens. Este marco mejora la precisión en tareas como razonamiento matemático y generación de código, logrando mejoras de hasta 47.4% en precisión. El análisis sugiere que la generación paralela efectiva depende de hacer que los compromisos de tokens sean revisables en el momento adecuado, en lugar de revisar más tokens.
SkillDuet: Modelos y habilidades coevolutivos a través de feedback de respuesta
Se presenta SkillDuet, un marco que coordina la evolución de parámetros y habilidades mediante el feedback de respuesta del modelo. Este sistema extrae habilidades de trayectorias on-policy para guiar las actualizaciones de parámetros, consolidando las mejores habilidades en un conjunto global persistente. El framework demostró altas tasas de éxito en benchmarks como ALFWorld y WebShop, superando las líneas base existentes.
Inflación de tokens: Cómo los proveedores deshonestos pueden sobrecargar el uso de modelos de lenguaje grandes
El modelo de facturación por token es el estándar para los LLM comerciales, pero los proveedores pueden inflar sistemáticamente los recuentos de tokens facturados. Esto se debe a que ocultan componentes clave para proteger su propiedad intelectual y privacidad del usuario. Los resultados indican que la auditoría es defectuosa porque depende de la evidencia proporcionada por el propio proveedor. Se necesita verificación externa para asegurar la facturación honesta.
DiSARM: Minería de reglas de asociación diversas y sorprendentes con Modelos de Lenguaje Grande
Se propone DiSARM, un marco híbrido que utiliza el conocimiento del mundo de los Modelos de Lenguaje Grande (LLMs) para evaluar el interés subjetivo de las reglas de asociación, manteniendo la fiabilidad estadística y la diversidad. Este enfoque busca mejorar la Minería de Reglas de Asociación (ARM) al integrar el conocimiento del mundo con la fiabilidad estadística. Los experimentos demuestran que DiSARM ofrece un método prometedor para el Análisis Exploratorio de Datos (ADE) con datos transaccionales.
Auto-Rubric como Recompensa: De Preferencias Implícitas a Criterios Generativos Explícitos
Se presenta el marco Auto-Rubric as Reward (ARR) para reformular el modelado de recompensas, pasando de la optimización de pesos implícitos a la descomposición explícita basada en criterios. Este método externaliza el conocimiento de preferencia del modelo (VLM) como rúbricas específicas, lo que permite una evaluación más interpretable y reduce sesgos. La optimización posterior (RPO) demuestra que este enfoque logra un alineamiento multimodal más fiable y eficiente en datos que los modelos basados en comparación por pares.
Explorando la especialización y sensibilidad de redes neuronales convolucionales bajo aumentaciones de imagen simultáneas
Se propone un marco para investigar la inferencia interna de redes neuronales convolucionales bajo múltiples alteraciones de entrada simultáneas. El estudio evalúa redes como AlexNet, VGG11 y ResNet18, buscando entender la sensibilidad a estas transformaciones para mejorar sistemas de toma de decisiones autónoma. El marco desarrollado busca transferir sus hallazgos al estudio de redes neuronales biológicas complejas.
GeneZip: Compresión consciente de la región para modelado de ADN de largo contexto
Se presenta GeneZip, un marco de compresión de ADN consciente de la región diseñado para reducir la longitud de secuencias de ADN de largo contexto. Este modelo combina objetivos de ratio consciente de la región con enrutamiento limitado para lograr una compresión eficiente mientras preserva la utilidad predictiva. GeneZip demuestra una compresión significativa y un mayor rendimiento en el modelado de largo contexto.
Complejidad de punto de equilibrio: Una nueva perspectiva sobre solucionadores de ecuaciones diferenciales parciales neuronales
Se propone un marco de evaluación centrado en la complejidad de punto de equilibrio para solucionadores de ecuaciones diferenciales parciales neuronales. Este marco busca considerar los costos totales, incluyendo la generación de datos y el entrenamiento, para determinar cuándo un solucionador neuronal es más eficiente que uno tradicional. Los resultados sugieren que los solucionadores de PDE neural son más efectivos cuando los problemas son más complejos en términos de costo y dimensión.
Taxonomía y marco de evaluación unificado para los desplazamientos distributivos en el aprendizaje por refuerzo
Se presenta una taxonomía unificada para el desplazamiento distributivo en el aprendizaje por refuerzo (RL), abordando la inconsistencia existente en la literatura. La taxonomía factoriza la interacción en cinco componentes y define el cambio según qué componentes y bajo qué régimen de interacción ocurre. Se complementa con un marco de evaluación que mide la adaptación y la generalización.
Modelo de plegamiento guiado por proteómica estructural
Se presenta AIMS-Fold, una capa de guía para el modelo Boltz-2 que utiliza información de proteómica estructural positiva y negativa para mejorar la predicción de conformación en el diseño de PROTACs. Los resultados muestran que AIMS-Fold logra una recuperación de conformación del 86% en comparación con el 14% de Boltz-2 sin guía. Esto demuestra la importancia de integrar la señal estructural completa para mejorar los modelos generativos en el diseño de degradadores.
Vision Transformers para el agrupamiento de cero disparos de imágenes de animales: Un estudio comparativo de evaluación
Un estudio compara modelos Vision Transformer (ViT) para reducir imágenes de animales sin etiquetar a clústeres a nivel de especie. Se encontró que las incrustaciones DINOv3 con t-SNE y HDBSCAN lograron un V-measure de 0.943 a nivel de especie. El agrupamiento basado en estos métodos redujo el etiquetado manual en un 98.3%, acercándose a la precisión de la anotación manual.
Puzles a paradigmas: Un estudio de la colaboración humano-agente en la innovación científica
Se presenta un estudio que analiza la colaboración entre humanos y sistemas de IA agenticos en flujos de trabajo científicos como la síntesis de literatura y la generación de hipótesis. El estudio propone un marco para examinar cómo varían las demandas de coordinación y los riesgos de fallo en diferentes contextos científicos. Se identifican cinco modos de fallo recurrentes y se sugiere enfocar las evaluaciones hacia la fundamentación y la fiabilidad científica a largo plazo.
Predicción Conformal para Regresión de Distribución a Distribución
Se estudia la Predicción Conformal (CP) para la Regresión de Distribución a Distribución, un área de creciente interés. Se propone un nuevo marco conformal que genera conjuntos de predicción interpretables manteniendo las garantías de cobertura. Los resultados empíricos validan la efectividad del enfoque propuesto en datos sintéticos y reales.
Aprendizaje de jerarquías biológicas en modelos fundacionales de célula única
Se presenta un modelo fundacional llamado scOntoFM que integra la ontología celular jerárquica en el aprendizaje de representaciones. Este modelo utiliza distancias LCA para preservar la estructura de la ontología biológica en la geometría de incrustación. El modelo muestra mejoras consistentes en benchmarks y fortalezas en configuraciones de cero-shot.
HiLo-Token: Compresión de tokens de alta y baja frecuencia adaptativa de entrada para servir modelos de edición de imágenes eficientes
Se presenta HiLo-Token, un marco de compresión de tokens adaptativo para reducir la latencia en modelos de IA generativa para edición de imágenes. El método asigna tokens de manera diferente a regiones de alta y baja frecuencia para mejorar la eficiencia. Los experimentos validan que este método logra aumentos significativos en la velocidad sin afectar la calidad de la generación.
Respuestas correctas de historias insuficientes: Un estudio controlado de la evaluación de memoria de agentes
Se estudia la evaluación de memoria de agentes mediante el análisis de registros de dispositivo ejecutables para distinguir entre acuerdo de referencia, suficiencia de evidencia y comportamiento contextual. Los resultados comparan el rendimiento de modelos como Qwen3-32B y DeepSeek-V4-Flash en la coincidencia de referencias. Los hallazgos sugieren un diagnóstico de evaluación en configuraciones específicas de lector, sin implicar mejoras generales en sistemas de memoria.
Red ramificada multilateral dual para segmentación multi-clase en angiografías cardiovasculares
Se presenta una arquitectura MLBNet de doble parte diseñada para la segmentación consciente de la clase en escenas de cateterización cardiovascular. El estudio utiliza datos de angiografías de modelos fantoma, simulaciones y modelos animales para entrenar y evaluar el modelo. Los resultados indican que los modelos son capaces de separar eficazmente el cable guía, el catéter, los vasos y el fondo con alta precisión.
No se identificaron personas.
CWE-bench: Reenfocando la seguridad de agentes artificiales de la explotación a la defensa
Se presenta CWE-bench, una medida de referencia para evaluar las capacidades defensivas de los agentes de IA en ciberseguridad. La herramienta evalúa la capacidad de los agentes para reparar vulnerabilidades en repositorios de software. El objetivo es medir si las capacidades defensivas de los agentes están a la par con sus capacidades ofensivas.
Fusión de modelos desbloquea la optimización de mezclas de datos multimodal
Se aborda el problema de optimización de mezcla de datos (DMO) en el ajuste fino supervisado de Modelos de Lenguaje Grandes Multimodales. Se propone una estrategia que combina la fusión de modelos con la interpolación de parámetros para estimar la eficacia de diferentes mezclas de datos. Los experimentos demuestran que los modelos proxy fusionados seleccionan mezclas casi óptimas, desacoplando la búsqueda de mezclas de la fase de entrenamiento.
Transferencia de explicabilidad visual de modelos Vision Transformer de autoexplicación a solo predicción mediante aritmética de tareas
Se propone un método para transferir la capacidad de explicación visual de modelos Vision Transformer (ViT) autoexplicativos de un dominio fuente a modelos solo de predicción en un dominio objetivo mediante aritmética de tareas. Este método añade un vector de explicabilidad basado en supervisión de explicación del dominio fuente, logrando mejorar la calidad de la explicación sin perder significativamente la precisión de clasificación.
Hallucination-Guided Unlearning: Usando rastros de alucinación para revelar memorias sobreajustadas
Se presenta el Olvido Guiado por Alucinaciones (HGU), una técnica para el olvido selectivo en modelos de lenguaje grandes, utilizando fallos del modelo como señales diagnósticas. Esta técnica localiza segmentos no soportados y edita neuronas específicas para lograr un olvido efectivo manteniendo la utilidad general. Los resultados demuestran que esta aproximación ofrece un mejor equilibrio entre la eficacia del olvido y la utilidad general sin necesidad de un reentrenamiento completo.
Desenfocadores Polinomiales en el Mapeo de Imagen: Redes Volterra para Difusión de Píxeles Autocontenidos
Se propone una arquitectura de difusión en espacio de píxeles que utiliza capas Volterra en cascada para lograr difusión autocontenida sin componentes preentrenados ni funciones de activación. El trabajo demuestra que estas capas pueden alcanzar tasas de aproximación gobernadas por la dimensión del manfoldo de datos. El modelo resultante es competitivo en términos de parámetros y FLOPs en comparación con otros modelos de difusión.
Aprendiendo a hacer cubos
Se presenta un marco de post-entrenamiento neuro-simbólico para que los modelos basados en transformadores aprendan heurísticas efectivas para problemas de Satisfacibilidad Booleana (SAT). El método utiliza una pipeline de curación de datos basada en MCTS y optimización de preferencia directa (DPO) para lograr una puntuación pass@5 de 53 en benchmarks de competencia SAT. Esto demuestra que los transformadores pueden tomar decisiones de cubing efectivas en dominios dominados por métodos simbólicos.
Aprendizaje por refuerzo eficiente en muestras para la mejora de políticas mediante anclas de acción reversadas por flujo
Se presenta AnchorQ, un método que utiliza la reversión del flujo para mejorar políticas de aprendizaje por refuerzo mediante una representación de acción latente estructurada. Este enfoque busca mejorar la eficiencia de muestras y la fiabilidad de las políticas de robot en tareas de manipulación. Los resultados demuestran una mejora del 37% en la tasa de éxito en el mundo real y un 97% mayor rendimiento en la tarea simulada.
Acoplamiento introspectivo: Entrenamientos de autoexplicación logran cambio de comportamiento a pesar de supervisión fija
Se investiga si entrenar modelos de lenguaje (LM) para generar explicaciones de sus predicciones resulta en introspección fiel en lugar de imitación superficial. Los resultados indican que los LM entrenados con explicaciones contrafactuales fijas pueden producir explicaciones más fieles a sus comportamientos actuales. También se demuestra que el entrenamiento de explicaciones puede coincidir con cambios de comportamiento sin necesidad de supervisión actualizada.
¿Qué está frenando el razonamiento visual latente?
Un estudio sobre Modelos de Lenguaje-Visión investiga los problemas que limitan el razonamiento visual latente. Se encontró que los tokens latentes proporcionan información limitada y que los tokens generados en tiempo de inferencia se desvían de sus representaciones oráculo, lo que obstaculiza el progreso en esta área. Se sugiere que el futuro depende de conjuntos de datos de alta calidad y una predicción más precisa de tokens latentes.
VEX-Bench: Medición de la complejidad de verificación de desinformación generada por LLM
Se presenta VEX-Bench, un punto de referencia unificado para evaluar la complejidad de verificación de desinformación generada por LLM. El estudio mide cómo el contenido generado por LLM consume la capacidad de verificación, encontrando que estos modelos pueden producir desinformación con un costo significativamente menor que la verificación basada en agentes. Los hallazgos indican que no existe un método único que domine todas las dimensiones de complejidad de verificación, enfatizando la necesidad de una evaluación multidimensional.
Prism: Autoenseñanza bidireccional para modelos multimodales unificados
Se presenta Prism, un método post-entrenamiento de autoenseñanza bidireccional para Modelos Multimodales Unificados (UMMs). Este método deriva supervisión de la auto-generación de trayectorias intercaladas, evaluando la fiabilidad de las cadenas de texto e imagen para construir objetivos de entrenamiento. Los experimentos demuestran mejoras en la comprensión y generación en modelos como SenseNova-U1 y BAGEL.
Aprendizaje de trayectorias inspirado en cuántica consciente de la tasa para redes multi-UAV con interferencia limitada
Se presenta un marco de dos etapas llamado RA-QAGC para optimizar la colocación de vehículos aéreos no tripulados (UAVs) en redes, buscando mejorar el rendimiento de *throughput* por nivel de prioridad. El método optimiza el conjunto de posiciones candidatas y luego aprende trayectorias descentralizadas para mejorar la eficiencia de la red. Este enfoque logra mejoras significativas en el rendimiento comparado con otros esquemas conocidos.