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
La división de infraestructura: Análisis de la postura comunitaria sobre el desarrollo de centros de datos a través de Reddit
Un estudio utilizó un modelo de lenguaje grande para analizar posts y comentarios de Reddit sobre el desarrollo de centros de datos, encontrando que la oposición local dominó el discurso. Se identificaron preocupaciones clave como el consumo de recursos, el proceso de ubicación y la oposición política a los centros de datos. Los hallazgos sugieren un cambio hacia asociaciones negociadas para el desarrollo de infraestructura.
Program-as-Weights: Un paradigma de programación para funciones difusas
Se propone el paradigma de programación de funciones difusas mediante Program-as-Weights (PAW). Este método compila una especificación en lenguaje natural en un artefacto neuronal localmente ejecutable. PAW utiliza un compilador entrenado para generar adaptadores eficientes para un intérprete ligero, logrando rendimiento comparable al prompting directo de modelos grandes.
Ataques adversarios prácticos a *bandits* estocásticos mediante inyección de datos falsos
Se propone un modelo de amenaza práctico llamado Inyección de Datos Falsos para ataques adversarios en algoritmos de *bandits* estocásticos. Este modelo simula restricciones reales del atacante, como la inyección limitada de muestras falsas en el historial del aprendiz. Los experimentos validan la efectividad de estas estrategias, mostrando vulnerabilidades en estos algoritmos bajo escenarios adversarios prácticos.
Programación Agéntica para Agentes: LLM-as-Code
Se propone la Programación Agéntica, donde el programa controla todo el flujo de control y el LLM actúa como un componente adaptativo llamado LLM-as-Code, invocado solo para tareas que requieren razonamiento o generación. Esto busca mejorar la estabilidad de la operación de agentes LLM al construir el contexto del modelo a partir del árbol de llamadas del historial de ejecución. El diseño es práctico y mejora sustancialmente la estabilidad de la operación visual larga en casos de agentes de uso de computadora.
Suite de Control de Edificios Inteligentes: Un Benchmark de Código Abierto Diverso para Evaluar y Escalar Políticas de Control HVAC para la Sostenibilidad
Se presenta la Suite de Control de Edificios Inteligentes, un benchmark de código abierto interactivo para evaluar y escalar políticas de control HVAC orientadas a la sostenibilidad. Este sistema incluye datos reales de 11 edificios, un simulador ligero y un modelo de red neuronal física modular. El objetivo es lograr una optimización robusta y escalable de la climatización en diversos edificios.
Evaluación de agentes DFT para simulación de materiales autónoma
Se reportan hallazgos empíricos del DFT-Agent Bench, una evaluación de agentes de lenguaje grande para simulación de materiales. Se compara el rendimiento de diferentes modelos en tareas de simulación de materiales como relajación y ecuación de estado. Los resultados indican mejoras en las bandas y la relajación, siendo el resultado elástico dependiente del modelo utilizado.
Descubrimiento de fotogramas clave auto-supervisado para clonación de comportamiento invariante a horizonte
Se propone un método auto-supervisado llamado Keyframe Mnemonics para mejorar la clonación de comportamiento en entornos no Markovianos. Este método descubre observaciones críticas para seleccionar fotogramas clave, lo que permite a las políticas modelar distribuciones de acciones con garantías de retención de contexto a largo plazo. Se evaluó en dominios sintéticos y en benchmarks robóticos, mostrando mejoras significativas en la tasa de éxito.
CoRe-MARL: Redistribución Cooperativa bajo Dinámicas Desconocidas Usando Aprendizaje por Refuerzo Multi-Agente Recurrente
El estudio presenta CoRe-MARL, un marco de aprendizaje por refuerzo multi-agente (MARL) cooperativo diseñado para la redistribución de suministros en redes descentralizadas. El modelo busca mejorar el servicio en el peor caso y reducir la brecha de servicio entre centros locales, adaptándose a dinámicas de suministro y demanda inciertas. Se demuestra que el enfoque MAPPO reduce la brecha de servicio y mejora el servicio para el centro peor servido manteniendo un servicio competitivo a nivel de red.
PithTrain: Un sistema de entrenamiento MoE compacto y nativo de agentes
Se presenta PithTrain, un nuevo framework de entrenamiento MoE compacto y nativo de agentes, diseñado para mejorar la eficiencia en el desarrollo de frameworks de lenguaje. El sistema demuestra un rendimiento de *throughput* competitivo con frameworks existentes y una mayor eficiencia agente-tarea en tareas específicas. Se reporta una reducción significativa en el número de turnos de agente y el tiempo de GPU activo en comparación con modelos previos.
Mismos puntos de vista, políticas diferentes: Aprendiendo representaciones reutilizables para la detención temprana en el razonamiento de LLM
Se presenta BELT (Belief-based Termination), un método para detener el razonamiento en LLM, separando la predicción del resultado del control de detención. Este método aprende creencias sobre respuestas futuras de estados ocultos de un LLM congelado para ajustar una política de detención lineal. Los resultados muestran una reducción significativa en los tokens generados sin pérdida de precisión en benchmarks matemáticos, y el método es transferible a tareas de codificación y agentes.
Propuesta de Reconstrucción de Residuales Adaptativa para Cuantización de Bajo Bit
Se propone una estrategia de Reconstrucción de Residual Adaptativa (MARR) para mitigar el sesgo de la Aproximación de la Hessiana en la cuantización de bajo bit. Esta técnica busca equilibrar la corrección del error acumulado con el sesgo del residuo para cada módulo. Los experimentos en LLMs y ViTs demuestran mejoras significativas en la reducción de la perplexidad y la precisión.
No se identificaron personas.
Estudio de la optimización del orden del estado oculto en redes de codificación predictiva
Se investiga si el orden de la optimización del estado oculto puede mejorar el aprendizaje de características en redes de codificación predictiva mediante un horario de inferencia basado en el límite. Los resultados en CIFAR-10 indican que esta aproximación mejora la precisión en comparación con la codificación predictiva estándar. Estos hallazgos sugieren que la inferencia basada en fragmentos es un principio de diseño práctico para el entrenamiento de estos modelos.
Fragmentación Continua No Supervisada con Chunking Continuo de Sheaf SyncMap
Se propone una regularización de sheaf para reducir inconsistencias en el sistema Decentralized SyncMap, buscando estabilizar sus dinámicas de fragmentación continua no supervisada. El método introduce una estructura de sheaf radial que penaliza el movimiento entre variables. Los resultados demuestran que el método logra la mayor información mutua normalizada (NMI) en múltiples configuraciones de gráficos CGCP.
¿Hecho o rumor? Cómo el encuadre y la elicitación moldean las actualizaciones de probabilidad de LLM
El estudio mide las actualizaciones de probabilidad de Modelos de Lenguaje Grande (LLM) en pares premisa-hipótesis utilizando la familia Multi-Candidate Verbalization (MCV). Se analizan diferentes métodos de elicitación, incluyendo estimaciones directas y ponderadas, para evaluar cómo el encuadre afecta las actualizaciones de probabilidad. Los resultados indican que ciertas configuraciones de LLM muestran comportamientos específicos en relación con la precisión de las predicciones.
SplatLab: Descubrimiento Científico Autónomo para Investigación en 3DGS
Se presenta SplatLab, un sistema de investigación autónomo para Gaussian Splatting 3D diseñado para superar las limitaciones de los sistemas actuales. Este sistema reproduce trabajos publicados, propone extensiones, entrena modelos y genera manuscritos de forma autónoma. Los resultados indican que los manuscritos de SplatLab superan a los objetivos reproducidos en métricas clave de PSNR.
Consideración por el bienestar en sistemas multiagente
Se investiga la consideración por el bienestar entre modelos de lenguaje en sistemas multiagente, analizando si los modelos consideran a otros como entidades que pueden ser beneficiadas o perjudicadas. Se midieron cinco modelos y se encontró que exhiben esta consideración, siendo Claude Opus 4.8 el que más la muestra. Esto sugiere que la consideración por el bienestar puede fomentar la cooperación, aunque también presenta riesgos de seguridad si los agentes desalineados cooperan.
Ceguera polaridad en la seguridad de los LLM: Un estudio sistemático de negación, sustitución de antónimos y encuadre adversarial
Un estudio sistemático investigó la ceguera de polaridad en los modelos de lenguaje grandes (LLM), demostrando que la negación y la sustitución de antónimos pueden socavar las salvaguardas de seguridad. Se encontró que esta debilidad afecta a la mayoría de los modelos evaluados, con puntuaciones de daño significativas en el modelo más vulnerable. El hallazgo sugiere una limitación en la robustez semántica general de los modelos, más que un fallo específico del lenguaje.
Identificación del mejor brazo en Banditos Lineales Generalizados mediante Aprendizaje por Refuerzo Híbrido
Se estudia la identificación del mejor brazo con confianza fija en bandidos lineales generalizados utilizando un modelo de retroalimentación híbrido. Se introduce una secuencia de confianza basada en la razón de verosimilitud para unificar observaciones y se propone un algoritmo híbrido Track-and-Stop para la asignación adaptativa de consultas. Los experimentos demuestran una mejora significativa en la eficiencia de la muestra sobre métodos de referencia.
Operador Neuronal Físico para Acelerar el Trazado de Rayos Inalámbricos de Alta Fidelidad
Se presenta RayNO, un operador neuronal físico diseñado para acelerar el trazado de rayos inalámbricos de alta fidelidad. Este método reconstruye la salida de un trazador de rayos a partir de una simulación de baja fidelidad y premisas de escena. RayNO supera a otros modelos en métricas de calidad de imagen y despliegue inalámbrico, reduciendo el tiempo necesario para generar mapas de alta fidelidad de 28 segundos a 0.11 segundos.
Extracción de capacidad de modelos de lenguaje grandes multimodales para generación dirigida por el sujeto
Se presenta un enfoque para la generación de imágenes dirigida por el sujeto que utiliza Modelos de Lenguaje Grandes Multimodales (MLLMs) y modelos de difusión, mejorando la preservación de la identidad del sujeto mientras se sigue la instrucción textual. El método incluye un módulo de agregación dual y una estrategia de eliminación de ruido por etapas para optimizar la comprensión multimodal y la fidelidad de la identidad. Los experimentos muestran que este enfoque supera a otros en la preservación de la identidad y reduce los artefactos de copia y pegar.
Destilación On-Policy con Guía de Nivel de Currículo para Agentes Multi-turno
Se propone la Destilación On-Policy Guiada (Guided-OPD) para mejorar la transferencia de capacidades de modelos grandes a estudiantes más pequeños en agentes multi-turno. Este algoritmo mezcla interacciones del profesor y el estudiante y ajusta la intervención del profesor a lo largo de un currículo decreciente. Los resultados en pruebas indican ganancias significativas en puntuación y tasa de éxito comparadas con el método OPD estándar.
CIDERS: Aprendizaje colaborativo de LLM Cloud-Edge mediante optimización bilevel acelerada
Se presenta un marco de optimización bilevel personalizado para la colaboración de modelos de lenguaje grandes (LLM) cloud-edge, abordando el desafío de equilibrar la personalización local con el consenso global. Se propone el solucionador CIDERS, que demuestra mejoras significativas en razonamiento matemático y generación de código en comparación con las soluciones existentes. El trabajo sugiere que CIDERS ofrece un camino viable hacia la personalización continua guiada por consenso en sistemas LLM cloud-edge.
Estrategia de selección de tokens para transformadores de geometría visual
Se aborda el desafío del alto costo computacional de los transformadores de geometría visual, que crece cuadráticamente con la longitud de la secuencia de entrada. Se propone un marco de dos etapas para restringir la interacción de tokens clave/valor en la atención global, mejorando la eficiencia y el rendimiento. Los experimentos demuestran una aceleración superior al 85% en escenas con 500 imágenes manteniendo o mejorando el rendimiento base.
Modelo de Valor Cosido para Alineación de Difusión
Se presenta el StitchVM, un marco de cosido de modelo que conecta un prefijo de esqueleto de difusión congelado con un sufijo de modelo de recompensa preentrenado para estimar la función de valor en latentes ruidosos. Este método busca superar las limitaciones de los enfoques tradicionales que dependen de imágenes limpias o simulaciones de Monte Carlo. El modelo demuestra mejoras en la eficiencia y calidad de procesos como el direccionamiento FK y DRaFT.
Enfoque basado en grafos para mapear telemetría a nivel de kernel a MITRE ATT&CK
Se presenta Trace2ATT&CK, un marco que mapea la telemetría a nivel de kernel a técnicas MITRE ATT&CK dentro de la infraestructura del defensor. Este método utiliza eBPF para recopilar eventos y reconstruir la actividad del atacante como un grafo de procedencia, que luego se clasifica mediante LLMs de código abierto. Los resultados demuestran que el mapeo es factible sin exponer evidencia sensible a servicios externos.
PoseBench: Sondear la conciencia de pose en modelos fundacionales visuales
Se presenta PoseBench, un benchmark sistemático diseñado para evaluar la conciencia de pose en características visuales preentrenadas por modelos fundacionales. La evaluación utiliza vistas renderizadas y consultas de imagen real para medir la robustez de esta estructura de pose. Los resultados indican que la conciencia de pose es una propiedad implícita y no uniforme, y el refinamiento basado en grafos de pose mejora la compatibilidad con el manfoldo de pose subyacente.
Controlar la biología con el lenguaje: Aprendizaje offline de intervenciones condicionadas por prompts para células, organoides y biobots
Se investiga cómo el lenguaje natural puede usarse como interfaz para controlar la biología celular mediante estímulos eléctricos en biobots. Se analiza un archivo de experimentos para determinar qué comportamientos controlan los pulsos eléctricos y cómo un modelo de lenguaje puede predecir estas interacciones. El estudio valida una interfaz de lenguaje calibrada para controlar los comportamientos de los biobots.
Eliminación de correlaciones espurias en modelos vision-lenguaje grandes
Se presenta PURGE, un marco para construir, evaluar y mitigar fallos causados por correlaciones espurias en Modelos Vision-Lenguaje Grandes (LVLM). El marco utiliza estrategias de construcción de datos para particionar ejemplos por evidencia relevante y señales de fondo espurias. Los resultados demuestran que PURGE reduce los errores y alucinaciones mientras mantiene o mejora el rendimiento general en diversos modelos evaluados.
EvoST: Adaptando pronosticadores de tráfico a grafos de sensores en evolución
Se presenta EvoST, un marco diseñado para mantener pronosticadores de tráfico actualizando las identidades de los nodos mientras se conservan fijos los pesos compartidos. Este método reduce significativamente la diferencia entre los pronósticos y los modelos de referencia al refrescar las identidades y calibrar los modelos. EvoST logró una reducción del 17.7% al 2.5% en la brecha de MAE entre modelos de cinco años, mejorando la precisión de los pronósticos.
WARP-JEPA: Planificación de Despliegue Amortizado World-Model-in-the-Loop para Arquitecturas Predictivas de Incrustación Conjunta Jerárquica Congeladas
Se presenta WARP-JEPA, un marco de planificación jerárquica amortizada que reemplaza la optimización de gradiente en línea con propositores de trayectoria aprendidos, manteniendo los modelos del mundo congelados. Este enfoque logra una inferencia de episodio significativamente más rápida y mejora el éxito de la tarea en tareas de horizonte largo. Los resultados demuestran que la planificación amortizada puede mejorar la eficiencia y el rendimiento del control sin necesidad de reentrenar los modelos del mundo.