В Sakana AI представили ИИ-ученого для полного цикла автономных исследований
Система The AI Scientist от Sakana AI продемонстрировала возможность полной автоматизации научного цикла в области машинного обучения.
Наука
Революция искусственного интеллекта в научных исследованиях. От предсказания структуры белков до поиска новых лекарств. Машинное обучение в физике, химии, биологии, астрономии. Автоматизация научных экспериментов, анализ больших данных, открытия с помощью ИИ. Междисциплинарные проекты и прорывные результаты.
Ученые научились прогнозировать движение земной коры с помощью спутников и машинного обучения
Использование алгоритмов машинного обучения и спутниковых данных InSAR позволяет обнаруживать подготовку оползней и лавин на ранних стадиях, автоматизируя мониторинг тысяч склонов.
Сэм Альтман: ИИ не расходует воду, но требует колоссальных объемов энергии
Генеральный директор OpenAI Сэм Альтман опроверг широко распространенные утверждения о значительном водопотреблении систем искусственного интеллекта, назвав их «совершенно не соответствующими действительности». Однако он признал, что растущие энергетические потребности ИИ представляют собой серьезную проблему, требующую ускоренного перехода к ядерной и возобновляемой энергетике. Об этом Альтман заявил в интервью The Indian Express во время своего визита в […]
Исследователи MIT создали симулятор эволюции зрения на основе ИИ-агентов
Учёные MIT создали вычислительный фреймворк, моделирующий эволюцию зрения у ИИ-агентов. Инструмент помогает понять, как задачи формируют зрительные системы, и может использоваться для проектирования сенсоров в робототехнике.
Начались криогенные испытания сверхпроводящих магнитов для термоядерного реактора ИТЭР
На площадке ITER начались криогенные испытания первой тороидальной катушки при температуре 4 К (-269°C). Месяц в условиях глубокого космола позволит проверить сверхпроводимость магнитов перед сборкой реактора.
В MIT научили нейросеть предсказывать развитие живого организма на клеточном уровне
Исследователи MIT разработали модель глубокого обучения, предсказывающую движение и деление клеток эмбриона плодовой мушки с точностью 90%. Метод объединяет два подхода к моделированию и открывает путь к изучению развития сложных тканей и ранней диагностике заболеваний.
