Araştırmacılar, analog optik bilgisayarın gerçek dünya verilerindeki performansını test etmek için 5,84 milyon ABD mortgage kaydını kullandı. Bu çalışma, optik bilgisayarların küçük ölçekli görüntü işleme testlerinin ötesine geçen ilk büyük veri uygulaması olma özelliği taşıyor. Sonuçlar, analog optik bilgisayarın %94,6 doğruluk oranına ulaştığını, ancak XGBoost algoritmasının %97,9'luk performansının gerisinde kaldığını gösteriyor. Araştırma, optik bilgisayarlardaki doğruluk kayıplarının üç ana kaynağını belirledi: kodlama, mimari tasarım ve donanım sınırlamaları. İlginç şekilde, donanımsal kusurların performansta ölçülebilir bir etki yaratmadığı gözlendi. Bu bulgular, analog optik bilgisayarların yapay zeka uygulamalarında kullanılabilirliğini değerlendirmek için önemli veriler sunuyor.

Araştırmacılar, dil ve görsel yetenekleri birleştiren yapay zeka modellerinin, görsel arama sistemlerinde beklenmedik başarı gösterdiğini keşfetti. Bu modeller, herhangi bir özel eğitim almadan benzer görselleri bulma konusunda uzman sistemleri geride bırakıyor. Çalışma, çok modlu dil modellerinin sadece metin-görsel işlemlerde değil, salt görsel görevlerde de güçlü olduğunu ortaya koyuyor. Özellikle karmaşık, gürültülü ortamlarda ve küçük nesnelerin bulunduğu görüntülerde daha dayanıklı sonuçlar veriyor.

Araştırmacılar, milyarlarca parametreli yapay zeka modellerini yeniden eğitmeden küçültebilen yeni bir framework geliştirdi. MOONSHOT adlı bu sistem, mevcut model sıkıştırma yöntemlerinin tek hedefli yaklaşımlarının yetersizliklerini gidererek, hem katman bazında yeniden yapılandırma hatalarını hem de eğitim kaybının matematiksel yaklaşımlarını aynı anda optimize ediyor. Bu çoklu hedefli strateji, farklı mimarilerde ve sıkıştırma seviyelerinde daha tutarlı sonuçlar veriyor. Framework, mevcut budama algoritmalarının etrafına sarılabilen esnek bir yapıya sahip ve büyük dil modellerinden görüntü işleme modellerine kadar geniş bir yelpazede kullanılabiliyor.

Yapay zeka araştırmacıları, Vision Transformer modellerinin nasıl çalıştığını anlamamızı sağlayacak yeni bir yöntem geliştirdi. 'Katmanlar Arası Kod Çeviriciler' (CLT) adı verilen bu teknik, görüntü işleyen AI modellerinin her katmanının nasıl kararlar aldığını görünür hale getiriyor. Geleneksel yöntemler sadece tek katmanları inceleyebiliyorken, CLT tüm katmanlar arasındaki etkileşimleri analiz edebiliyor. Bu gelişme, AI modellerinin daha güvenilir ve anlaşılabilir olmasını sağlayarak, özellikle kritik uygulamalarda yapay zekanın nasıl çalıştığını açıklamamıza yardımcı oluyor. Araştırmacılar, bu yöntemin AI'nın 'kara kutu' problemini çözmede önemli bir adım olduğunu belirtiyor.

Bulut bilişimden kenar bilişime geçiş, yeni nesil akıllı sistemler için ciddi performans zorlukları yaratıyor. Araştırmacılar, bellek duvarı problemini çözmek için yenilikçi bir donanım-yazılım hibrit yaklaşımı geliştirdi. Tensor Bellek Motoru adı verilen bu sistem, veriyi bellekte ideal şekilde düzenleyerek önbellek performansını dramatik olarak artırıyor. Geleneksel veri yoğun uygulamalar ya kötü bellek erişimi sergiliyor ya da performans için aşırı bellek tüketimine zorlanıyor. Bu yeni teknoloji, işlemcinin veri yoluna şeffaf şekilde entegre edilerek, ticari SoC ve FPGA platformlarda uygulanabiliyor. Sistem, uygulamaların pahalı yeniden tasarım süreçlerine gerek kalmadan ideal önbellek yerelliği sağlamasına olanak tanıyor. Edge computing'in artan öneminde bu gelişme, mobil ve gömülü sistemlerde veri işleme performansını yeni boyutlara taşıyabilir.

Stanford araştırmacıları, humanoid robotların karmaşık hareketlerini planlamak için yeni bir algoritma geliştirdi. Geleneksel yöntemler onlarca saniye sürerken, yeni SIMD tabanlı yaklaşım aynı işlemi milisaniyeler içinde tamamlayabiliyor. Algoritma, robotların çeşitli kısıtlamalar altında hareket planlamasını 100-1000 kat hızlandırarak gerçek zamanlı uygulamaları mümkün kılıyor. Bu gelişme özellikle dinamik ortamlarda çalışan humanoid robotlar ve endüstriyel otomasyon sistemleri için büyük önem taşıyor. Paralel işleme teknolojisinin robotik alanındaki potansiyelini gösteren çalışma, robotların daha akıllı ve hızlı karar vermesinin önünü açıyor.

Araştırmacılar, meme kanseri patoloji raporlarını otomatik olarak analiz edebilen yeni bir yapay zeka sistemi geliştirdi. Llama-3 tabanlı bu sistem, 10.677 uzman onaylı rapor üzerinde eğitildi ve kanser evrelemesi ile biyobelirteç bilgilerini %97.6 doğrulukla çıkarabildi. Geleneksel yöntemlerin zorlandığı karmaşık tıbbi terminoloji ve farklı rapor formatlarını başarıyla çözen sistem, düşük hesaplama maliyetiyle çalışıyor. LoRA tekniği kullanılarak optimize edilen model, hastane kayıtlarının büyük ölçekli analizini mümkün kılacak. Bu gelişme, kanser tedavisinde hızlı ve standart veri işleme imkanı sunuyor.

Araştırmacılar, konuşmadaki duygusal tonları anlık olarak algılayarak gerçekçi 3D yüz animasyonları oluşturabilen yeni bir yapay zeka sistemi geliştirdi. SEDTalker adlı bu sistem, geleneksel yöntemlerin aksine duyguları sürekli olarak takip ederek yüz ifadelerini zamanla dinamik şekilde değiştiriyor. Sistem, konuşmadaki her anki duygu durumunu tespit edip bu bilgiyi 3D animasyon modeline aktararak doğal ve ifade dolu yüz hareketleri üretiyor. Bu teknoloji, dijital avatarların daha gerçekçi görünmesi için önemli bir adım teşkil ediyor.

Araştırmacılar, görsel açıdan zengin belgelerden bilgi çıkarma ve karmaşık sorulara yanıt verme konusunda mevcut sistemlerden daha başarılı olan VISOR adlı yeni bir yapay zeka sistemi geliştirdi.

Araştırmacılar, matematik veya kodlamadan farklı olarak ara adımların doğruluğunun büyük dış bilgi kaynaklarından ipuçları sentezleyerek değerlendirilmesi gereken bilgi yoğun alanlardaki akıl yürütme sorunlarını çözmek için süreç ödül modellerini geliştirdi.