검색

전체 기사

우주비행사 크리스티나 코치와 구글의 제임스 만이카가 우주, 기술, 발견에 대해 토론합니다.

크리스티나 코흐는 구글의 연구, 연구소, 기술 및 사회 부서 고위 경영진인 제임스 만위카와 만난다.

작고 강력한 언어 모델 오케스트레이션: OrchSLM의 동적 기계 학습

작고 강력한 언어 모델(SLM)을 이용한 오케스트레이션은 대규모 언어 모델(LLM)과 비교하여 더 낮은 연산 비용과 더 빠른 응답 시간을 제공합니다. 그러나 SLM의 제한된 용량과 맥락 창은 장기적인 논리적 추론과 상호 작용-heavy 오케스트레이션 전략을 제한합니다. 이에 대한 해결책으로, 비대면 오케스트레이션 전략을 제시하고, 이에 대한 기계 학습 동적 기계 학습 프레임워크 OrchSLM을 개발합니다.

에이전트 9월 15일

기계 속으로 통치: 실시간 AI 정책 강제에 적응 가능한 지능 구조

기업의 인공지능(AI) 도입률은 전 세계적으로 78%에 이르렀지만, 그에 따라서 규제를 수립하고 시행하는 인프라가 따라가지 못하고 있습니다. 이 논문은 규제 기간 내에 감사할 수 있고 변조의 증거를 제공할 수 없는 감사 증거를 생산할 수 없는 조직을 유지하는 구조적인 조건을 '증명 부족'이라고 합니다. 스탠퍼드 2026 AI 지수 보고서(362건의 사례), IBM/Ponemon 2026 데이

에이전트 9월 15일

원인파악은 탐색 문제입니다: 장기적인 agent 실패의 계속적인 탐색

인공지능(AI) agent가 장기 목표를 달성하는 데 사용되는 기록의 양이 증가하고 있다. 이러한 기록 내에서 실패를 진단하는 것은 신뢰성에 필수적이기 때문에 결과 단계의 신호를 행동 가능한 조치를 변환시킨다. 이러한 데이터의 규모가 인간의 검토를 실용적으로 만들지 않기 때문에, 자동화된 원인 인식 Attribution (RCA)의 필요성이 생겼다. 그러나 대규모 언어 모델(LLM)을 사용한

AI 모델 9월 15일

시계열 언어 모델에서 합성적 사고를 유도하는 시간 생각:

타임 시리즈 멀티 모달 대규모 언어 모델(TS-MLLMs)은 최근 대규모 언어 모델(LLMs)의 추론 능력을 활용하여 질문-답변 작업을 수행하기 시작했습니다. 그러나 이러한 모델들은 종종 동적 시간 패턴을 포착하지 못하고, 고위험 응용 프로그램인 의료와 같은 경우에는 암시적 추론만 제공하여 중요한 설명을 제공하지 못합니다. 반복 학습(RL)-기반 타임 시리즈 언어 모델은 이러한 문제를 해결하

연구 9월 15일

연구자들을 위한 LabAgent: AI 에이전트를 이용한 연구중심지 개인화

연구자들이 이전에 개발한 방법을 기반으로 새로운 과학적 질문을 탐구할 수 있도록 지원하는 LabAgent를 제안했습니다. 이 LabAgent는 이전 연구의 결과를 정확하게 재현하고, 새로운 연구를 진행하는 데 도움을 줄 수 있는 메커니즘을 제공합니다.

에이전트 9월 15일

물리적 인공지능의 자기 적응형 향상: LLM agent가 장기 물리적 작업을 관리할 수 있을까?

대규모 언어 모델(LLM) agent는 인간의 개입 없이 장기간의 물리적 작업을 자동으로 관리하는 데 hứ부한 길을 제공합니다. 그러나 물리적 작업은 agent가 환경을 지속적으로 관찰하고 결과적인 행동을 하며 환경이 변하는 동안에도 효과를 유지해야 합니다. 기존의 방법은 대부분 대규모 데이터와 재학습을 필요로 하거나 주로 가상 세계에서 작동하는 agent에 초점을 맞추고 있습니다. 이 연구

에이전트 9월 15일

LLM 판권 소유권: 전문적인 특허 작성 기관을 위한 LLM 심판자 평가

AI 생성된 출력물을 평가하고 개선하기 위해 점점 더 많이 사용되는 대규모 언어 모델(LLM) 심사관의 신뢰성은 복잡한 전문 업무에 대해 아직 rõ하지 않습니다. 우리는 AI-agent 평가를 위한 끝에서 끝까지 특허 출원 테스트베드를 통해 이 문제를 연구합니다. 분리된 LLM 심사관이 생성된 특허 초안을 평가하고 반복적인 수정을 위한 구조화된 feedback를 제공합니다. 다중 발명물과 d

에이전트 9월 15일

자기 개선의 한 가지 공식 프레임워크: 반복적인 정책 개선과 재귀적 자기 개선

자기 개선의 재귀적 특성은 이전에 정의되지 않은 새로운 인공지능 프레임워크를 제안합니다. 이 연구는 반복적인 정책 개선과 재귀적 자기 개선을 한 가지 학습 패러다임의 두 가지 사례로 묘사하는 새로운 공식 프레임워크를 제안합니다.

연구 9월 15일

다양한 목표를 가진 bayesian 최적화에서 유사성과 다양성을 분리하는 방법

Multi-목적 베이지안 최적화(MOBO)는 여러 목적을 가진 비결정적 함수를 최적화하는 효율적인 접근 방식입니다. MOBO의 목표는 파레토 전면을 충분히 근사화하는 것입니다. 즉, 1) 좋은 수렴성(파레토 전면 근접성)과 2) 좋은 다양성(파레토 전면에 걸쳐있는 다양성)을 갖춘 높은 품질의 해결책 집합을 얻는 것입니다. 기존의 MOBO 방법들은 일반적으로 이러한 두 가지 과제를 동시에 해결

에이전트 9월 15일

ZGCM-1: 열린 수학 및 의사결정 탐색을 위한 효율적인 기초 모델

ZGCM-1은 열린 웹을 비롯한 다양한 데이터를 처리할 수 있는 효율적인 기초 모델입니다. 이 모델은 내부적인 사고와 외부 도구 사용을 결합하여 파라미터 용량 제한을 극복합니다. ZGCM-1은 수학적 추론 및 의사결정 탐색에서 경쟁력을 유지하는 대규모 언어 모델(LLM)과 비슷한 성능을 나타냅니다.

산업 9월 15일

대형 기술의 AI 저하, 안전 협정인가 cartell인가?

오픈아이의 CEO 샘 알트먼, 안서픽의 CEO 다리오 아모데이, 구글 딥마인드의 공동 창립자 데미스 하사비스, 스페이스엑스의 엘론 무스크는 최근 주말 동안 인공지능 개발을 느리게 하자는 데 약간의 합의를 이루었다. 하지만 이에 대한 의심을 품은 사람들은 이들의 진짜 목적이 무엇인지 즉시 알 수 있었다. 이 인공지능巨頭들은 "전선의 속도를 맞추기"라는 목표를 선언했으며, 최소한 부분적으로는 [