Robotik cerrahi sistemleri hassas operasyonlar yapılmasını sağlasa da, cerrahlara dokunma hissi vermemesi önemli bir eksiklik oluşturuyor. Araştırmacılar, bu sorunu çözmek için yeni bir laparoskopik alet geliştirdi. Sistem, doku ile alet arasındaki kuvvet etkileşimini gerçek zamanlı olarak algılayarak cerraha geri bildirim sağlıyor. Geleneksel sistemlerde aletin ucuna yerleştirilen sensörler dayanıklılık sorunu yaşarken, yeni tasarım sensörleri bilek kısmına yerleştirerek bu problemi aştı. RoboScope adlı cerrahi eğitim sistemine entegre edilen teknoloji, maliyetli ticari çözümlere alternatif sunuyor. Kontrollü kullanıcı testlerinde sistemin kararlı ve algılanabilir geri bildirim verdiği doğrulandı. Bu gelişme, cerrahi eğitiminin daha erişilebilir hale gelmesine katkı sağlarken, robotik cerrahinin güvenliğini artırma potansiyeli taşıyor.

Araştırmacılar, büyük dil modellerinin güvenlik mekanizmalarını kontrol eden nöron ağlarını keşfetti. Milyonlarca nöron içeren sistemlerde, zararlı içerik üretimini engelleyen güvenlik mekanizmasının sadece 50 nöron tarafından yönetildiği ortaya çıktı. Bu nöronlar tüm sistemin yalnızca %0.014'ünü oluştururken, yanıt formatlarının %80'ini kontrol ediyor. Pertürbasyon probing adı verilen yeni tanı yöntemi, yapay zeka modellerinin davranış devrelerini iki geçişle analiz ediyor. Çalışma, RLHF eğitimi sonrası ortaya çıkan 'karşıtlık devreleri' ve dil seçimi gibi önceden öğrenilmiş davranışları yöneten 'yönlendirme devreleri' olmak üzere iki temel devre yapısı tanımlıyor.

Araştırmacılar, Almanca gibi kaynak bakımından zengin dillerde yapay zeka dil modellerini eğitirken önemli bir ikilemle karşılaştı: Geniş ve çeşitli veri setleriyle tek seferlik eğitim mi, yoksa küçük ama kaliteli veri setleriyle çok epochluk eğitim mi daha etkili? 500 milyon web dokümanı üzerinde yapılan kapsamlı deneyler, yüksek kaliteli verilerin tekrarlanmasının beklenenden çok daha başarılı olduğunu ortaya koydu. Sonuçlar, aynı veri seti 7 kez tekrarlandığında bile performans artışının devam ettiğini gösteriyor. Bu bulgular, dil modeli eğitiminde veri kalitesinin çeşitlilikten daha kritik olduğunu ve sınırlı kaynaklarla çalışan araştırmacılar için önemli bir strateji değişikliği önerisi sunuyor.

Araştırmacılar, güvenli yapay zeka modellerinin zararlı talepleri nasıl reddettiğini inceledi. Stanford ve diğer üniversitelerden bilim insanları, 7 milyar parametreli bir dil modeli üzerinde yaptıkları çalışmada, dinamik düşman eğitiminin modelin reddetme davranışını nasıl şekillendirdiğini ortaya çıkardı. R2D2 adı verilen eğitim yöntemi, zararlı içerik üretme oranını %50'den neredeyse sıfıra düşürürken, aşırı reddetme problemini de kontrol altında tuttu. Çalışma, AI güvenliği alanında önemli bir adım olarak değerlendiriliyor.

Araştırmacılar, büyük dil modellerinin eğitimindeki en önemli sorunlardan biri olan veri iletişim darboğazını çözmek için ZipCCL adında yeni bir sıkıştırma kütüphanesi geliştirdi. Bu teknoloji, makine öğrenmesi verilerinin Gauss dağılımına yakın özellik göstermesinden yararlanarak, kayıpsız sıkıştırma ile iletişim trafiğini azaltıyor. Geleneksel yaklaşımların aksine, sıkıştırma ve açma işlemlerinin maliyeti, azaltılan iletişim trafiğinin faydasından daha az. GPU için optimize edilmiş kerneller ve teorik temelli kodlama teknikleri sayesinde, büyük dil modellerinin dağıtık eğitimi önemli ölçüde hızlanabiliyor. Bu gelişme, yapay zeka modellerinin eğitim süreçlerini daha verimli hale getirerek, hem zaman hem de enerji tasarrufu sağlayabilir.

Araştırmacılar, büyük çoklu ortam modellerinin (görsel ve metinsel verileri birlikte işleyen AI sistemler) eğitiminde karşılaşılan temel bir sorunu çözmek için PRISM adlı yeni bir yaklaşım geliştirdi. Mevcut eğitim süreçlerinde modeller, başlangıçtaki yeteneklerini kaybetme ve istenmeyen davranış değişiklikleri gösterme eğiliminde. PRISM, bu sorunu üç aşamalı bir süreçle çözüyor: önce denetimli öğrenme, ardından dağılım hizalama ve son olarak pekiştirmeli öğrenme. Sistem, algısal hatalar ve mantıksal başarısızlıkları ayrı ayrı ele alan uzman modüller kullanarak, AI'ın hem görme hem de muhakeme becerilerini daha dengeli şekilde geliştiriyor. Bu yaklaşım, özellikle görsel-metinsel çoklu ortam görevlerinde modellerin performansını artırarak, gelecekteki AI sistemlerinin daha güvenilir olmasına katkıda bulunabilir.

Araştırmacılar, yapay zeka sistemlerini eğitmek için gerçek bilgisayar kullanıcılarının çalışma ortamlarını taklit eden sentetik bilgisayar sistemleri geliştirdi. Bu yenilikçi yaklaşım, klasör yapıları, belgeler ve sunumlar gibi içerik açısından zengin dosyalarla donatılmış sanal bilgisayarlar oluşturuyor. Sistemde iki farklı yapay zeka ajanı çalışıyor: biri kullanıcıya özgü iş hedefleri belirlerken, diğeri bu hedefleri gerçekleştirmek için sanki gerçek bir kullanıcıymış gibi hareket ediyor. Bu metodoloji, yapay zekanın uzun vadeli ve karmaşık iş süreçlerini öğrenmesi için kritik öneme sahip. Araştırma, AI sistemlerinin gerçek dünya çalışma ortamlarında daha etkili olması yolunda önemli bir adım teşkil ediyor.

Araştırmacılar, büyük dil modellerinin talimatları takip etme becerisini geliştirmek için iki farklı yaklaşımı karşılaştırdı. Geleneksel yöntem olan denetimli ince ayar yerine, bağlam içi öğrenme tekniğinin kullanılabilirliği araştırıldı. Çalışma, özellikle İngilizce dışındaki diller ve küçük model boyutları için bu alternatif yaklaşımın performansını değerlendirdi. Sonuçlar, bağlam içi öğrenmenin bu koşullarda sınırlı başarı gösterdiğini ortaya koydu. Ancak Doğrudan Tercih Optimizasyonu tekniğinin temel modeller üzerinde uygulanmasının bu eksiklikleri kısmen giderebildiği tespit edildi. Bu bulgular, yapay zeka modellerinin eğitimi için kaynak-verimli alternatif yöntemlerin geliştirilmesi açısından önemli ipuçları sunuyor.

Araştırmacılar, büyük dil modellerini farklı kültürlerden örneklerle eğitmek için yeni bir yöntem geliştirdi. M-DaQ adı verilen bu sistem, hem kaliteli hem de kültürel çeşitliliği yansıtan eğitim verilerini akıllıca seçiyor. Çok dilli yapay zeka modellerinin eğitiminde yaşanan en büyük sorunlardan biri, farklı dillerde sistematik olarak hazırlanmış kaliteli veri setlerinin bulunmamasıydı. Yeni geliştirilen çerçeve, kalite puanlama modeli ve akıllı seçim stratejisi kullanarak bu sorunu çözmeyi hedefliyor. 18 farklı dilde yapılan testlerde, bu yöntemle eğitilen modeller %60'ın üzerinde başarı oranına ulaştı. Araştırma aynı zamanda çok dilli ortamlarda 'Yüzeysel Uyum Hipotezi'ni inceleyen ilk sistematik çalışma olma özelliği taşıyor. Bu gelişme, yapay zekanın farklı kültürlerden insanlarla daha etkili iletişim kurmasının önünü açıyor.

Araştırmacılar, kuantum mühendisliği eğitiminde proje tabanlı öğrenmenin ötesine geçerek, öğrencilerin akademik konferans formatında makale yazmalarını gerektiren yeni bir değerlendirme yöntemi geliştirdi. Bu yaklaşımda öğrenciler, kuantum mekaniği derslerindeki projelerini tamamlarken aynı zamanda bulgularını bilimsel konferans standardında sunmaları isteniyor. Pilot uygulama sonuçları, öğrencilerin bu zorlu süreçten hem kavramsal anlayış hem de bilimsel iletişim becerileri açısından önemli kazanımlar elde ettiğini gösteriyor. Yöntem, geleneksel proje sunumlarından farklı olarak öğrencileri gerçek akademik yazım sürecine hazırlıyor ve onları araştırma kariyerine daha iyi hazırlama potansiyeli taşıyor.

Araştırmacılar, büyük yapay zeka modellerinin eğitimi ve çalışması sırasında bellek kullanımını optimize eden yeni bir teknik geliştirdi. TSP (Tensor ve Sequence Parallelism) adı verilen bu yöntem, geleneksel paralel işlem yaklaşımlarını birleştirerek hem model ağırlıklarını hem de veri dizilerini aynı cihaz ekseni üzerinde paylaştırıyor. Bu sayede her cihazın bellek yükü önemli ölçüde azalırken, büyük dil modellerinin daha az donanım kaynağıyla çalıştırılması mümkün hale geliyor. Özellikle attention mekanizmaları ve gated MLP'ler için özel çalışma zamanı programları geliştiren teknik, iletişim maliyeti artışı pahasına bellek verimliliğinde önemli kazanımlar sağlıyor.