MIT-ის ახალი სისტემა გენერაციული AI-ის დიზაინს რეალურ სამყაროში ხდის გამოსაყენებელს
გენერაციული ხელოვნური ინტელექტის (GenAI) მიერ შექმნილი 3D დიზაინები ხშირად არამდგრადია რეალურ სამყაროში ფიზიკის გაგების ნაკლებობის გამო. მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიის (CSAIL) მკვლევრებმა შექმნეს სისტემა სახელწოდებით „PhysiOpt“, რომელიც გენერაციულ AI მოდელებს ფიზიკურ სიმულაციებს უმატებს. ეს უზრუნველყოფს, რომ 3D დაბეჭდილი ობიექტები, როგორიცაა ჭიქები და გასაღების დამჭერები, ფუნქციონალური და სტრუქტურულად გამართული იყოს, ავტო
„PhysiOpt“: MIT-ის სისტემა, რომელიც გენერაციულ ხელოვნურ ინტელექტს 3D დიზაინის ფიზიკურ რეალობასთან აახლოებს
გენერაციული ხელოვნური ინტელექტი ხშირად ქმნის დახვეწილ 3D დიზაინებს, რომლებიც ფიზიკის გაგების ნაკლებობის გამო რეალურ სამყაროში არაფუნქციურია. MIT-ის კომპიუტერული მეცნიერების და ხელოვნური ინტელექტის ლაბორატორიის (CSAIL) მკვლევრებმა შეიმუშავეს სისტემა „PhysiOpt“, რომელიც ამ პრობლემას ფიზიკის სიმულაციების დიზაინის პროცესში ინტეგრირებით აგვარებს. ეს უზრუნველყოფს, რომ 3D დასაბეჭდი ობიექტები, როგორიცაა ჭიქები ან გასაღების საკიდები, იყოს სტრუქტურულად მყარი და ფუნქციური ყოველდღიური გამოყენებისთვის, დამატ
MIT-ის კვლევა ხელოვნური ინტელექტის აგენტების შესაძლებლობებსა და რისკებს ასახავს
მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიამ (CSAIL) შეისწავლა ხელოვნური ინტელექტის (AI) აგენტები, დაადგინა მათი ძირითადი კატეგორიები (საწარმოო სამუშაო პროცესის, ჩატის და ბრაუზერზე დაფუძნებული), ფუნქციონალობა, გამოყენების შემთხვევები და ავტონომიის დონეები. კვლევა, რომელიც 1350 მონაცემთა წერტილს დაეფუძნა, აჩვენებს, რომ ინტერფეისები და საწარმოო პლატფორმები ყველაზე გავრცელებულია, ბრაუზერზე დაფუძნებულ აგენტებს კი უფრო მაღალი რისკები აქვთ.
MIT-ის კვლევა: AI აგენტების გავლენა, კატეგორიები და ავტონომიის დონეები
მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიამ (CSAIL) გამოაქვეყნა AI აგენტების ინდექსი, სადაც დეტალურადაა განხილული ხელოვნური ინტელექტის ავტონომიური სისტემების გავლენა, ფუნქციონალურობა და რისკები. 1,350 მონაცემთა წერტილზე დაყრდნობით ჩატარებულმა კვლევამ გამოავლინა აგენტების სამი ძირითადი კატეგორია – საწარმოს სამუშაო პროცესის, ჩატის აპლიკაციები აგენტური ხელსაწყოებით და ბრაუზერზე დაფუძნებული აგენტები – და განსაზღვრა მათი ავტონომიის სხვადას
MIT-ის მკვლევრები „უწვრთნელ“ ნერვულ ქსელებს ახალი მეთოდით „ხელმძღვანელობით“ ავარჯიშებენ
მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიის (CSAIL) მკვლევრებმა შეიმუშავეს მეთოდი, რომელსაც „ხელმძღვანელობა“ (guidance) უწოდეს. ის საშუალებას აძლევს ნერვულ ქსელებს, რომლებიც ადრე არაეფექტურად ითვლებოდნენ, მნიშვნელოვნად გააუმჯობესონ თავიანთი მუშაობა. ეს მიიღწევა ერთი ქსელის შიდა წარმოდგენების მეორესთან შეთავსებით, რისთვისაც ხანმოკლე „გახურების“ პერიოდიც კი საკმარისია, რაც მიუთითებს უკეთეს ინიციალიზაციაზე და იმედს აძლევს „უიმედო“ არქიტე
MIT-ის EnCompass: ჩარჩო, რომელიც AI აგენტებს LLM-ის შეცდომების გამოსწორებაში ეხმარება
ხელოვნური ინტელექტის (AI) ინსტრუმენტები, განსაკუთრებით AI აგენტები, სულ უფრო მოთხოვნადი ასისტენტები ხდებიან. ისინი ხშირად იყენებენ დიდ ენობრივ მოდელებს (LLM), რომლებიც, მიუხედავად მათი სიმძლავრისა, შეცდომებსაც უშვებენ. ასეთი შეცდომების გამოსწორების ლოგიკის (უკან დაბრუნება, ხელახალი მცდელობა) დაპროგრამება შრომატევადია. MIT-ის კომპიუტერული მეცნიერებისა და ხელოვნური ინტელექტის ლაბორატორიის (CSAIL) და Asari AI-ის მკვლევარებმა შექმნეს ჩარჩო „EnCompass“, რომელიც ავტომატურად უმკლავდება LLM-ის შეცდომებს