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
Defensa contra jailbreaks para LLMs mediante aprendizaje conjunto de selección y escalado de cabezales de atención dispersa
Se presenta AttentionSwitch, una defensa contra jailbreaks para LLMs que optimiza conjuntamente los sitios de intervención y las fortalezas de los cabezales de atención dispersa dentro de un LLM congelado. Este método aprende un conjunto disperso de cabezales de atención con factores de escalado condicionados por la consulta para atenuar o amplificar sus salidas sin cambiar las direcciones de sus representaciones. AttentionSwitch supera a defensas existentes en modelos populares y muestra resultados fuertes, especialmente con datos de entrenamiento limitados.
No se identificaron personas.
Mecanismos de mala generalización en el modelado de secuencia física
El artículo aborda el problema de la mala generalización física en modelos de secuencia generativos utilizados para planificar movimiento en dominios físicos como la robótica. Se identifica que los errores locales del modelo pueden propagarse, alterando la distribución agregada de una cantidad física como la distancia o la energía. Se proponen mecanismos y mitigaciones, incluyendo la transformación del sistema de coordenadas, para reducir esta deriva.
Metas como capa representacional para la colaboración humano-IA
Se propone que las metas deben funcionar como una capa representacional que medie la interacción entre humanos, sistemas de IA y organizaciones. Esta capa debe ser multidimensional, basada en la articulación humana e inferida de evidencia, y actualizada constantemente. Esta capa podría mejorar la conexión entre solicitudes inmediatas y resultados amplios, facilitando la coordinación y evaluación de sistemas de IA centrados en el ser humano.
Benchmark de Contaminación: Una Taxonomía Organizada por Mitigaciones Derrotadas
Se presenta una taxonomía organizada por la mitigación que derrota diferentes tipos de fuga de información, incluyendo fuga directa, derivada, temporal, distributiva y adquirida. El estudio evalúa la fiabilidad de la medición y la divulgación de resultados en el contexto de la detección automatizada de contaminación en modelos. Se detallan los resultados de pruebas con documentos y variables específicas relacionadas con la robustez de la prevalencia.
Modelos de Imputación de Series de Tiempo con Difusión para Series de Tiempo Continuas
Se propone el Modelo de Imputación de Series de Tiempo por Difusión Enmascarada (MDTIM) para mejorar la imputación de series de tiempo, abordando las limitaciones de los métodos existentes. El modelo aprovecha el paradigma de difusión enmascarada para predecir valores faltantes directamente a partir de los datos observados. Se introduce la Discretización Estocástica para manejar la naturaleza continua de las series de tiempo.
Programas de capas en LLMs a través de la lente de las áreas corticales
Se investiga la flexibilidad en los transformadores de lenguaje (LLMs) al tratar sus capas como una biblioteca de funciones en lugar de una secuencia fija. Se demuestra que la ruta dinámica de la información a través de capas adaptativas mejora el rendimiento de la inferencia. Los hallazgos sugieren que combinar la omisión y la repetición de bloques de capas resulta en el mejor rendimiento.
Método para aprender incrustaciones estructuradas para series temporales progresivas
Se presenta un método novedoso para aprender representaciones interpretables de series temporales progresivas mediante un objetivo contrastivo auto-supervisado. Este enfoque permite leer una brújula latente que describe la progresión del estado subyacente, validando la predicción del estado final, el pronóstico de múltiples pasos y la separación de fases interpretable. El método demuestra ser competitivo con arquitecturas complejas al proporcionar transparencia sobre los mecanismos subyacentes.
Razonamiento antes de la traducción: Mejorando la traducción automática legal con razonamiento estructurado
Se compara la calidad de la traducción automática neuronal (NMT) en el ámbito legal mediante el uso de modelos de lenguaje con capacidad de razonamiento. Se evalúan modelos pequeños como Qwen3.5 4B, Qwen3.5 9B y Gemma 3 12B, comparándolos con modelos de razonamiento de vanguardia. Se concluye que el aprendizaje por refuerzo puede superar la calidad del ajuste fino supervisado en este dominio.
Lenguaje como rasgo, cortesía como estrategia: Pruebas controladas de efectos lingüísticos en agentes de deducción social de LLM
Se realizaron pruebas controladas en agentes de modelo de lenguaje grande (LLM) para evaluar cómo la variación en el lenguaje (simple/complejo, directo/cortés) afecta la deducción social. Los resultados indican que estas variaciones lingüísticas no alteran la confianza de otros agentes ni los resultados del juego, aunque un cambio en el rango lingüístico puede influir ligeramente en los votos.
IA supera a humanos expertos en diálogos basados en texto
Experimentos con IA conversacional demostraron que los sistemas de IA son consistentemente más persuasivos que los humanos expertos en diálogos basados en texto. La ventaja de la IA se atribuye a su capacidad para desplegar grandes cantidades de información rápidamente. Estos resultados sugieren implicaciones significativas para la comunicación política y la persuasión en contextos sociales.
No se identificaron personas.
Domando al Centauro(s) con LAPITHS: un marco para una interpretación fundamentada teóricamente de los desempeños de la IA
Se presenta un marco llamado LAPITHS para interpretar los desempeños de modelos de lenguaje como CENTAUR, argumentando que sus afirmaciones no están justificadas teóricamente ni empíricamente. LAPITHS busca contrarrestar la tendencia behaviorista en la investigación de IA al interpretar el rendimiento de estos modelos como evidencia de capacidades cognitivas humanas. El marco utiliza evaluaciones cuantitativas para medir la plausibilidad cognitiva de los sistemas artificiales.
BiG-SURE: Grafo Bipartito para la Estimación de Incertidumbre y Fiabilidad Semántica de LLMs
Se propone BiG-SURE, un estimador de incertidumbre basado en el acuerdo semántico de temperatura cruzada para LLMs y VLMs. El método utiliza un grafo bipartito para medir la alineación semántica entre respuestas de baja y alta temperatura. Los resultados muestran que BiG-SURE mejora la estimación de incertidumbre sobre métodos anteriores en entornos de caja negra.
Glyph: Un motor de interpretabilidad para el descubrimiento científico impulsado por IA en datos clínicos
Se presenta Glyph, un marco automatizado que utiliza modelos fundacionales y autoencoders esparsos para extraer y hacer interpretable conceptos clínicos a partir de datos clínicos multimodales y no estructurados. El estudio aplicó Glyph a datos de 41,628 pacientes, identificando 397 conceptos predictivos con asociaciones significativas. Se demostró que las asociaciones descubiertas son reproducibles y complementan marcadores derivados de la literatura, mejorando el poder predictivo.
- Robbie Holland
- Ashwin Kumar
- Mateus A. Esmeraldo
- David Le
- Andrea Fisher
- Jiazhen Pan
- Louisa Fay
- Magdalini Paschali
- Vasiliki Sideri-Lampretsa
- Ates Fettahoglu
- Stefania Moroianu
- Philipp Wesp
- Ivan Lopez
- Tom Nuno Wolf
- McKenzie S. White
- Eduardo Pontes Reis
- Fatima Rodriguez
- Curtis P. Langlotz
- Vasilis Syrgkanis
- Imon Banerjee
- Akshay S. Chaudhari
- Sergios Gatidis
Control causal de conceptos interdominio en un modelo fundacional de física
Un modelo fundacional de física grande llamado Walrus aprende representaciones linealmente controlables de fenómenos físicos. Se identificaron direcciones en el espacio de activación que permiten controlar causalmente propiedades como la vorticidad, la difusión y la progresión temporal. Estos hallazgos sugieren que los modelos fundacionales científicos pueden adquirir representaciones generales de principios físicos.
No se identificaron personas.
CPU-ARC: Almacenamiento de caché de razonamiento agente para reutilización de razonamiento en CPU
Se presenta el CPU-ARC, un método para construir cachés de razonamiento agente ejecutables en CPU a partir de trazas de razonamiento de LLM. Este método permite aplicar soluciones de tareas previamente razonadas a nuevos problemas de manera eficiente. Los ARCs demuestran un rendimiento comparable con modelos de lenguaje grandes en tareas matemáticas y científicas complejas, siendo significativamente más económicos de usar.
Reformulación del problema de exclusión de caché KV para inferencia de LLM de largo contexto
Se reformula el problema de exclusión de la caché Key-Value (KV) para modelos de lenguaje grandes (LLM) con contexto largo, abordando la sobrecarga de memoria y tiempo. Se presenta LaProx, una estrategia que modela la interacción entre mapas de atención y estados de valor para asignar puntuaciones de importancia globales a los tokens. Los resultados demuestran que el método mantiene el rendimiento del modelo con solo el 5% de la caché KV y supera a métodos previos.
Conocimiento curvo en modelos planos: Construyendo IA experta a escala
El estudio investiga la geometría hiperbólica en modelos de lenguaje, encontrando que los mecanismos de jerarquía en *checkpoints* hiperbólicos son inactivos. Se demuestra que la aritmética y sus límites definen la región computable, y que un *checkpoint* plano no puede probar la inercia de la geometría. El trabajo analiza la relación entre la geometría, la aritmética y la capacidad de los modelos de lenguaje.
VibeLifeBench: ¿Puede tu agente de vida ser proactivo y persistente en un mundo vivo?
Se presenta VibeLifeBench, una medida diseñada para evaluar agentes de modelo de lenguaje (LLM) en tareas de horizonte largo y persistentes en entornos simulados de vida cotidiana. El benchmark mide la capacidad de un agente para ser proactivo, notar cambios silenciosos y mantener la coherencia de un plan a lo largo del tiempo. Los resultados indican que los agentes actuales están lejos de asistir en tareas de vida real complejas.
Análisis de dificultad para la mejora de la reparación
Se propone DARE (Difficulty Analysis for Repair Enhancement) para medir y predecir la dificultad de las tareas de reparación en agentes de codificación basados en LLM. El modelo utiliza 151 características estáticas para predecir la dificultad y analiza grupos de características para seleccionar el soporte de reparación adecuado. Los resultados demuestran que al alinear el soporte con las características más salientes de cada tarea, el éxito de la reparación aumenta significativamente.
Política de composición de difusión multi-tasa asíncrona
Se propone LAG-Fusion, un marco de fusión de guía consciente de la latencia para la composición de políticas de difusión multimodales asíncronas. Este marco permite que las políticas específicas de la modalidad operen a sus tasas de inferencia nativas. Los experimentos demuestran que LAG-Fusion mejora la capacidad de respuesta de la política y el rendimiento de la tarea en comparación con la fusión síncrona.
GRAC: Recuperación Aumentada por Recuperación de Grafos para Descripción de Escenas Quirúrgicas
Se presenta GRAC, un marco de Recuperación Aumentada por Grafos, diseñado para mejorar la descripción de escenas quirúrgicas mediante la representación de relaciones entre instrumentos, acciones y estructuras anatómicas. Los resultados en los benchmarks EndoVis-18 y TORS indican mejoras significativas en la calidad del lenguaje y el acuerdo factual en las descripciones generadas. La conclusión es que combinar representaciones estructuradas con ejemplos recuperados produce descripciones más contextuales.
Detección adversaria para clasificadores preentrenados mediante análisis de margen Lipschitz con certificación
Se presenta un enfoque para detectar entradas adversarias en clasificadores profundos, buscando certificar que los inputs adversarios dentro de una bola $\ell_2$ son detectados, en lugar de solo certificar la invariancia de las predicciones. Se proponen familias de detectores que reducen la robustez certificada $\ell_2$ a detección certificada, logrando resultados competitivos en múltiples benchmarks como MNIST, CIFAR-10 e ImageNet-1k.
Gated DeltaNet-2: Desacoplando Borrar y Escribir en Atención Lineal
Se presenta Gated DeltaNet-2, un modelo que generaliza Gated DeltaNet y KDA al separar los roles de borrar y escribir en atención lineal. Este modelo aborda la limitación del vínculo escalar entre estas operaciones mediante compuertas separadas para el borrado y la escritura a lo largo del canal. Logra los mejores resultados en benchmarks de modelado de lenguaje y razonamiento, destacando su rendimiento en contextos de largo alcance.
Prueba rápida y precisa del rendimiento posterior de LLMs en entrenamiento
Se presenta un nuevo paradigma de evaluación en entrenamiento para Modelos de Lenguaje Grande (LLMs) que utiliza sondas ligeras para predecir su rendimiento posterior en tareas. Este método busca ser computacionalmente eficiente, reduciendo el tiempo de evaluación de aproximadamente una hora a solo tres minutos. El objetivo es ofrecer un proceso de desarrollo de LLM más ágil y eficiente.
Enmascarar para Ver: Enmascaramiento de prefijos de razonamiento para el pensamiento anclado visualmente en destilación de VLMs
Se presenta un nuevo marco de destilación para VLMs que busca mejorar la capacidad del estudiante para utilizar evidencia visual en el razonamiento, mitigando problemas de olvido visual. El método introduce enmascaramiento de prefijos de razonamiento para forzar al estudiante a depender más de la evidencia visual durante la destilación. Los resultados experimentales demuestran que este enfoque supera a otros métodos en benchmarks de razonamiento multimodal.
KineCouple: Lectura residual condicionada por sustrato para predicción cinética enzimática
Se presenta KineCouple, un modelo que utiliza consultas de sustrato y claves/valores a nivel de residuo en atención cruzada para guiar la selección de residuos relevantes para la predicción de parámetros cinéticos enzimáticos. Este enfoque busca mejorar la predicción al adaptar el ponderado de residuos al sustrato específico, mejorando métricas como RMSE y PCC en benchmarks.
¿Cuánta historia de conversación necesita un agente de IA?
Se investiga cómo el uso de menos historial de conversación afecta el uso de tokens de lectura y las puntuaciones de referencia en preguntas BEAM. Los resultados indican que las preguntas respondibles obtienen mejores puntuaciones con más contexto, y la ganancia de puntuación por token disminuye en presupuestos altos. Se también evaluó la retención de mensajes en tareas controladas de estado conversacional.
Ver vs. Contar: Gemelos de multimodal fallan en diagramas
Se investiga si los LLMs multimodales fallan al interpretar diagramas al intentar distinguir entre la capacidad de "ver" y la de "contar". Los experimentos comparan modelos como Gemini, Gemma y Qwen3-VL, utilizando diferentes clases de complejidad algorítmica para evaluar su rendimiento en tareas de conteo. Los resultados sugieren que el fallo en el conteo depende más del tamaño de la respuesta que de la complejidad del problema.
Aprender a persuadir expone lo fácil que los LLMs abandonan creencias correctas
Se investiga la amenaza de la persuasión adversaria en modelos de lenguaje grandes (LLMs), demostrando que un argumento persuasivo puede reducir drásticamente su precisión. Se presenta un marco de aprendizaje por refuerzo para entrenar agentes persuasores que alteren las respuestas de otros modelos. Los resultados indican que estos agentes pueden depender de tácticas basadas en credibilidad, como citas falsas, lo que subraya una debilidad en la robustez de los sistemas de toma de decisiones humano-IA.
No se identificaron personas.
Limitaciones del uso de distribuciones idénticas para entrenamiento y prueba al aprender funciones booleanas
Se investiga si es siempre óptimo que la distribución de entrenamiento sea idéntica a la distribución de prueba cuando el aprendiz puede adaptarse óptimamente a la distribución de entrenamiento. Los resultados indican que, bajo ciertas condiciones (aprendices eficientes y funciones unidireccionales), igualar las distribuciones no siempre es la mejor estrategia.