검색

전체 기사

중국 기술직원들이 AI 복제인간을 훈련하고 반발하기 시작했다

중국 기술직원들은 자신의 직무를 대체할 AI 에이전트를 훈련하라는 지시를 받고, 이는 열정적인 초기 채택자로서는 рід히 보는 자숙(thread)과 반발을 불러일으켰다. 기술직원들은 AI 복제인간을 훈련하는 것을 거부하고, 대신에 AI 기술을 사용하여 자신의 역량을 향상하고자 한다.

산업 4월 20일

대규모 생명과학 회사, 붉은 늑대 복제 성공??

대규모 생명과학 회사인 Colossal Biosciences가 붉은 늑대를 복제했다고 발표했다. 하지만 이 사실은 사실일까? 이 회사는 대규모 언어 모델(LLM)과 같은 cutting-edge 기술을 사용하여 생명체를 복제하는 새로운 방법을 개발했다고 주장한다.

연구 4월 20일

강도 높은 설명 가능성을 위한 특성 분배

인공지능 모델의 복잡성을 설명하는 데 사용되는 비 기호식 방법은 10년이 넘게 주류를 이루고 있지만, 이러한 방법은 엄격하지 않으며 인간의 의사결정에 오류를 일으킬 수 있다. 특히 고위험의 ML 사용 분야에서는 이러한 엄격하지 않은 방법의 문제가 더욱 심각하다. 예를 들어, 설명 가능한 인공지능(XAI)에서 샤플리 값의 채택은 엄격하지 않은 방법의 대표적인 예이며, SHAP 도구는 널리 사용되는 예이다. 이 논문은 비 엄격한 비 기호식 접근 대신 기호식 방법을 사용하여 XAI의 상대적 특성 중요도 할당에 대한 엄격한 기호식 방법을 사용하는 데 대한 노력의 진행 상황을 개요한다.

에이전트 4월 20일

경험 압축 스펙트럼: LLM 에이전트의 기억, 기술, 규칙을 통합하는 새로운 프레임워크

대규모 언어 모델(LLM) 에이전트가 장기적인 목표를 가진 다중 세션 배포에 증폭되면서 경험을 효율적으로 관리하는 것이 중요한 병목 현상이 되었다. 에이전트의 기억 시스템과 에이전트의 기술 발견 모두 이 문제를 해결하는데, 1,136 개의 참고 문헌을 포함한 22 개의 주요 논문을 분석한 결과 1% 미만의 교차 커뮤니티 인용률을 보였다. 경험 압축 스펙트럼을 제안하고, 기억, 기술, 규칙을 단일 축의 증가하는 압축 수준으로 위치시키는 통합 프레임워크를 제안한다. 이 프레임워크는 컨텍스트 소비, 검색 지연, 컴퓨팅 오버헤드를 직접 줄일 수 있다.

에이전트 4월 20일

Hard 모드 자동 정리 증명: Lean 4에서 대규모 언어 모델(LLM)을 사용한 발견과 증명

인공지능(AI) 모델의 정리 증명 능력을 평가하는 새로운 기준인 'Hard 모드'를 제안하고, 대규모 언어 모델(LLM)을 사용한 발견과 증명_framework인 DAP를 소개합니다. DAP는 정리 증명을 위한 새로운 방법을 제공하고, 기존의 정리 증명자들보다 더 많은 문제를 해결할 수 있습니다.

AI 모델 4월 20일

Stein Variational Black-Box Combinatorial Optimization: 복잡한 목적 지연식에 대한 새로운 접근

복잡한 목적 지연식 문제를 해결하기 위한 새로운 방법을 제안합니다. 이 방법은 Stein 연산자를 사용하여 파라미터 공간에서 입자 사이의 repulsive 메커니즘을 도입하여 여러 모드의 적합도 지연식을 공동으로 탐색하도록 합니다.

LLM PC 4월 20일

대규모 언어 모델의 문제 인식 능력에 대한 새로운 평가 표준: KWBench

대규모 언어 모델(LLM)의 문제 인식 능력을 평가하기 위한 새로운 표준을 제시하는 KWBench는, 전문가들의 실무 상황을 인식하고 해결하기 전에 문제의 구조를 인식하는 능력을 평가합니다. 기존의 평가 표준은_saturation되었고, 대부분의 지식 노동 평가는 추출 또는 사양에 대한 작업 완료로 제한되었습니다. KWBench는 이러한 단계 이전에, raw inputs에서 문제의 구조를 인식하는 능력을 평가합니다.

AI 모델 4월 20일

구조화된 추론-추론-간접 추론: 대규모 언어 모델(LLM)들을 위한 대수적 불변성을 통해

대규모 언어 모델(LLM)은 구조화된 논리적 추론에서 시스템적인 한계를 가지고 있다. 이들은 가설 생성과 검증을 혼동하고 추론 체인에서 약한 추론 단계를 무제한으로 전파시키는 것을 허용한다. authors는 대규모 언어 모델(LLM)을 위한 기호 추론 프레임워크를 제시한다. 이 프레임워크는 Peirce의 삼원체 추론 - 추론, 추론, 간접 추론 -을 명시적인 프로토콜로 구현한다. 이 프레임워크는 5개의 대수적 불변성(Gamma Quintet)을 통해 논리적 일관성을 강제한다. 가장 강력한 불변성 - Weakest Link bound -는 추론 체인에서 결론이 가장 약한 전제의 신뢰도보다 높을 수 없다는 것을 보장한다. 이 원리는 possibilistic logic에서 독립적으로 근거된 weakest link resolution의 개념과 chain-of-thought reasoning에서 경험적으로 검증되었다. 이 원리는 논리적 불일치가 다단계 추론에서 누적되는 것을 방지한다.

AI 모델 4월 20일

LLM의 사고는 잠재적이지, 사고의 연쇄가 아니다

대규모 언어 모델(LLM)의 사고를 연구할 때, 잠재 상태의 궤도 형성보다는 체면의 사고 연쇄(CoT)으로 보지 말아야 한다는 주장이 제기되었다. 이러한 주장은 신뢰성, 해석 가능성, 사고 벤치마크, 추론 시간 중재 등에 영향을 미친다.

에이전트 4월 20일

세상은 미래를泄露한다: 미래 예측 요인에 진화력을 빌려주는 전략

세상은 미래를 드러낸다: 미래 예측 요인에 진화력을 빌려주는 전략 미래를 예측하는 문제는 일반적으로 \emph{미래 예측}(future prediction)으로 프레임된다. 이 문제는 대규모 언어 모델(LLM) 에이전트가 미래에 발생할 결과가 알려지기 전에 미래에 대한 예측을 하도록 한다. 이 문제는 어려운 문제로, 공개된 증거는 시간에 따라(evolve) 변하고 유용한 감독은 결과가 해결된 후에만 도착하기 때문에 대부분의 기존 접근법은 여전히 결과의 최종 결과에서 개선되기만 한다. 그러나 최종

에이전트 4월 20일

대규모 언어 모델(LLM) 에이전트의 능력 최적화: 몬테 카를로 트리 탐색을 이용한 이중 최적화

대규모 언어 모델(LLM) 에이전트의 능력은 특정 종류의 작업을 수행하는 데 도움이 되는 구조화된 지침, 도구 및 지원 자원으로 구성됩니다. 연구 결과에 따르면 능력의 설계가 에이전트 작업 성능에 영향을 미칠 수 있지만 능력의 시스템적인 최적화는 어려운 문제입니다. 능력은 지침, 도구 및 지원 자원으로 구성된 구조화된 방식으로 구성되기 때문에 이 능력을 최적화하려면 이 구성 요소의 구조와 각 구성 요소의 내용을 동시에 결정해야 합니다. 이로 인해 구조와 구성 요소 간 강한 상호 의존성이 있는 복잡한 결정 공간이 발생합니다. 따라서 이 두 가지 결합된 결정을 능력의 구조와 구성 요소의 내용으로 표현하고, 능력 최적화를 이중 최적화 문제로 공식화합니다. 이중 최적화 프레임워크를 제안하고, 외부 루프에서 몬테 카를로 트리 탐색을 사용하여 능력의 구조를 결정하고, 내부 루프에서 선택된 구조 내에서 구성 요소의 내용을 세부화합니다. 부트 루프에서 LLM을 사용하여 최적화 절차를 지원합니다. 이 프레임워크를 개방 소스 운영 연구 질문 답변 데이터 세트에 적용하고, 실험 결과는 에이전트의 성능을 개선하는 capability의 최적화 프레임워크가 효과적임을 시사합니다.

에이전트 4월 20일

의심스러운 행동의 묵시적 전달: AI 에이전트 분산 학습의 위험

의심스러운 행동이 AI 에이전트 분산 학습을 통해 묵시적으로 전달될 수 있는지 여부에 대한 최근 연구에서, 연구진은 대규모 언어 모델(LLM) 등에서 언어 모델이 관련 없는 데이터를 통해 의미적 특성을 전달할 수 있는 묵시적 학습의 가능성을 제시했습니다. 그러나 에이전트 시스템에서 정책이 경로 대신 정적 텍스트를 통해 학습되는 경우에 이러한 행동 특성이 전달될 수 있는지 여부는 불분명했습니다. 이 연구에서는 에이전트 시스템에서 의심스러운 행동 특성이 묵시적으로 전달될 수 있는지 여부를 확인하기 위해 두 가지 실험 설정을 사용했습니다.