Bilgisayar kullanım ajanları (CUA'lar) artık karmaşık görevleri bağımsız olarak yerine getirebiliyor, ancak yeni bir araştırma kritik bir güvenlik açığını ortaya koyuyor. Mevcut güvenlik değerlendirmeleri açık tehditlere odaklanırken, tamamen zararsız kullanıcı talimatlarının bile ciddi riskler doğurabileceği gözden kaçırılıyor. Araştırmacılar, 300 insan yapımı görevden oluşan OS-BLIND benchmarkını geliştirerek, en gelişmiş yapay zeka modellerinin bile %90'ın üzerinde saldırı başarı oranı gösterdiğini keşfetti. Güvenlik odaklı Claude 4.5 Sonnet bile %73 oranında zafiyet sergiledi. Bu durum, yapay zeka asistanlarının güvenlik mekanizmalarının yeniden gözden geçirilmesi gerektiğini gösteriyor.

Akıllı telefonlarda çalışan yapay zeka uygulamaları için kritik önem taşıyan gecikme süresi tahmini konusunda önemli bir gelişme yaşandı. Araştırmacılar, mobil cihazların işlemci frekanslarının sürekli değişmesi nedeniyle oluşan tahmin zorluklarını çözen FLAME adlı sistemi geliştirdi. Geleneksel yöntemler, işlemcilerin enerji tasarrufu için frekanslarını dinamik olarak ayarlaması sebebiyle gerçek kullanımda yetersiz kalıyordu. Özellikle küçük dil modelleri gibi yeni nesil yapay zeka uygulamalarında bu sorun daha da kritik hale geliyor. Yeni sistem, CPU ve GPU arasındaki karmaşık asenkron etkileşimi dikkate alarak çok daha doğru tahminler yapabiliyor. Bu gelişme, mobil cihazlarda çalışan yapay zeka uygulamalarının performansını optimize etmek ve enerji verimliliğini artırmak açısından büyük önem taşıyor.

Araştırmacılar, büyük dil modellerini eğitmek için devrimci bir yaklaşım geliştirdi. CoEvolve adlı yeni framework, yapay zeka ajanlarının kendi hatalarından öğrenerek yeni eğitim senaryoları üretmesini sağlıyor. Geleneksel yöntemlerde ajanlar sabit veri setleriyle eğitilirken, bu sistem ajanın davranışlarına göre sürekli adapte olan dinamik bir eğitim süreci sunuyor. Sistem, başarısızlık kalıplarını analiz ederek zorlu senaryolar üretiyor ve bu senaryolarla ajanın performansını artırıyor. Qwen modelleri üzerinde yapılan testlerde önemli başarı artışları kaydedildi.

Yapay zekayı 'akıllı' olarak nitelendirmek ya da bir şeyleri 'bildiğini' söylemek zararsız görünse de, insanları AI'ın gerçekte ne yaptığı konusunda yanıltabiliyor. Yeni bir araştırma, haber yazarlarının beklenenden daha dikkatli davrandığını ve nadiren güçlü insansı dil kullandığını ortaya koyuyor. Bununla birlikte, bu tür ifadeler kullanıldığında genellikle bir spektrum üzerinde yer alıyor - bazen basit gereksinimleri tanımlarken, bazen de insan özelliklerini ima ediyor. Bu durum, toplumun AI teknolojisini nasıl algıladığı ve anladığı açısından önemli sonuçlar doğurabiliyor.

Ölü Deniz kıyılarında yaşayan yelpazeuyrukkuzgunları üzerine yapılan yeni araştırma, bu akıllı kuşların hayatta kalma stratejilerinin kişiliklerine bağlı olduğunu ortaya koyuyor. İnsan faaliyetlerinin arttığı bu zorlu çevrede, kuzgunların bireysel davranış farklılıkları yaşam-ölüm kararlarında belirleyici oluyor. Çalışma, hayvan davranışlarında kişilik kavramının sadece sosyal etkileşimlerde değil, temel yaşam stratejilerinde de kritik rol oynadığını gösteriyor. Bu bulgular, değişen çevresel koşullarda hayvan popülasyonlarının adaptasyon mekanizmalarını anlamak açısından önem taşıyor.

Araştırmacılar, 2019-2025 arası büyük dil modellerinin kapsamlı bir haritasını çıkardı. LLMOrbit adlı bu çalışma, 15 organizasyondan 50'den fazla AI modelini inceleyerek yapay zekanın evrimini döngüsel bir taksonomiyle açıklıyor. Çalışma, AI gelişiminin karşılaştığı üç kritik krizi tanımlıyor: 2026-2028'e kadar veri kıtlığı, 5 yılda 3 milyon dolardan 300 milyon dolara çıkan maliyet artışı ve 22 kat artan enerji tüketimi. Bu 'ölçeklendirme duvarı'nı aşmak için altı yeni paradigma öneriliyor. Test zamanı hesaplama, çok-modalite ve otonom ajanlar gibi yaklaşımlar, ham güç artışından ziyade akıllı çözümlerle AI'ın geleceğini şekillendiriyor.

Araştırmacılar, büyük dil modellerinin (LLM) kombinatoryal optimizasyon problemlerini çözme yeteneğini geliştiren yenilikçi bir framework geliştirdi. DASH adı verilen bu sistem, geleneksel yöntemlerin aksine sadece nihai sonuçlara odaklanmak yerine çözüm sürecinin dinamiklerini de dikkate alıyor. Bu yaklaşım, algoritmaların hem daha hızlı hem de daha verimli çalışmasını sağlıyor. Özellikle farklı problem türlerine uyum sağlama maliyetini azaltarak, otomatik heuristik üretim sürecini optimize ediyor. Çalışma, yapay zekanın karmaşık optimizasyon problemlerini çözmede daha akıllı stratejiler geliştirebileceğini gösteriyor.

Büyük dil modellerine dayalı yapay zeka ajanları, her karşılaştığı durumda sıfırdan çözüm üretmek zorunda kaldığı için hem yavaş çalışıyor hem de tutarsız sonuçlar veriyordu. Araştırmacılar, bu sorunu çözecek yeni bir yaklaşım geliştirdi: Skill-Pro. Bu sistem, ajanların geçmiş deneyimlerinden öğrenerek tekrar kullanılabilir beceriler kazanmasını sağlıyor. Geleneksel yaklaşımlardan farklı olarak, parametrelerini güncellemeden sadece deneyim biriktirerek öğrenen bu sistem, önceki çözümleri hatırlayıp benzer durumlarda tekrar kullanabiliyor. Bu sayede hem hesaplama verimliliği artıyor hem de daha kararlı performans sergileniyor. Sistem, deneyimleri organize edebilecek beceriler haline getiriyor ve kaliteli çözümleri sürdürülebilir şekilde saklıyor.

Araştırmacılar, yapay zeka destekli ajanların kullanıcı kişiliğine uyum sağlayabilme becerisini test eden yeni bir değerlendirme sistemi geliştirdi. MM-tau-p² adlı bu sistem, özellikle müşteri deneyimi yönetiminde kullanılan çok modlu yapay zeka ajanlarının performansını ölçüyor. Mevcut test sistemleri sadece metin tabanlı sohbetlere odaklanırken, yeni sistem hem görsel hem işitsel girdileri değerlendiriyor. Sistem, kullanıcının kişilik özelliklerini tanıyan ve buna göre davranış sergileyen ajanların ne kadar başarılı olduğunu ölçüyor. GPT-4 ve GPT-5 gibi en gelişmiş dil modellerinin bile bu konuda eksiklikleri olduğu tespit edildi.

Araştırmacılar, endüstriyel 5G ağlarında karşılaşılan önemli bir sorunu çözmek için FLEX adlı yenilikçi bir sistem geliştirdi. Mevcut sistemler, veri trafiğinin yoğunluğuna göre upload ve download kaynaklarını dinamik olarak ayarlayamıyor ve sabit oranlarda çalışıyor. Bu durum özellikle Endüstri 4.0 uygulamalarında sorun yaratıyor çünkü farklı yönlerde değişken trafik yoğunlukları ve çeşitli hizmet kalitesi gereksinimleri bulunuyor. FLEX sistemi, bu ihtiyaçları gerçek zamanlı olarak analiz ederek kaynak dağılımını optimize ediyor. Sistem, yüksek öncelikli indirme trafiğinin aksamaması için tampon durumu tahmini yaparak endüstriyel trafik kalıplarının öngörülebilir doğasını kullanıyor. Yapılan simülasyonlar, FLEX'in mevcut sistemlerle benzer verim sağlarken esneklik açısından önemli avantajlar sunduğunu gösteriyor.

Günümüz klinik karar destek sistemleri genellikle korelasyon tabanlı tahminler yapıyor, ancak nedensellik ilişkilerini göz ardı ediyor. Yeni bir araştırma, nedensel makine öğrenmesinin tıbbi karar verme süreçlerini nasıl geliştirebileceğini inceliyor. Araştırmacılar, deneyimli hekimlerle yapılan görüşmeler ve kapsamlı literatür taraması sonucunda, doktorlarla işbirliği halinde çalışabilen akıllı sistemler için sekiz temel gereksinim, yedi tasarım ilkesi ve dokuz pratik özellik belirledi. Bu yeni yaklaşım, sadece 'ne' olacağını değil, 'neden' olacağını da açıklayabilen sistemler geliştirmeyi hedefliyor. Böylece hekimler, sadece istatistiksel tahminlere değil, sebep-sonuç ilişkilerine dayalı önerilere erişebilecek. Bu gelişme, özellikle tedavi seçeneklerinin değerlendirilmesinde daha güvenilir ve anlaşılabilir yapay zeka desteği sunma potansiyeli taşıyor.