Araştırmacılar, yapay zeka veri merkezlerinin dinamik enerji tüketimini daha doğru tahmin edebilen yenilikçi bir algoritma geliştirdi. Geleneksel yöntemlerden farklı olarak, bu sistem farklı işlem yüklerinin değişken doğasına uyum sağlayabiliyor. Veri merkezlerinde çalışan AI uygulamalarının enerji talebi, işlerin rastgele geliş süresi ve boyutları nedeniyle öngörülmesi zor bir yapıya sahip. Yeni algoritma, iki farklı makine öğrenmesi modelinin güçlü yanlarını birleştiren topluluk öğrenmesi yaklaşımını kullanıyor. Sistem, değişken veri akışından sürekli öğrenerek kendini güncelleyebiliyor ve farklı çalışma koşullarına göre model ağırlıklarını dinamik olarak ayarlıyor. Bu gelişme, AI veri merkezlerinin elektrik şebekesi üzerindeki baskısını azaltarak enerji verimliliğini artırabilir.

Araştırmacılar, çelik üretiminde geri dönüştürülmüş malzeme kullanımını artırmak için yenilikçi yapay zeka modelleri geliştirdi. Elektrik ark ocakları ve oksijen konvertörlerinde hurda metal bileşimini hassas şekilde tahmin eden bu sistemler, ham maden ihtiyacını azaltarak çevresel etkiyi minimize ediyor. Kalman filtresi teknolojisi kullanılan modeller, mevcut üretim verilerinden yararlanarak gelecekteki çelik üretiminin element kompozisyonunu önceden kestirebiliyor. Bu gelişme, çelik endüstrisinin karbon emisyonlarını düşürmesi ve doğal kaynakları koruması açısından kritik öneme sahip.

Araştırmacılar, veri odaklı yapay zeka algoritmalarının belirsizlik içeren gerçek dünya verilerinde daha etkili çalışması için yenilikçi bir Bayesçi matematiksel çerçeve geliştirdi. Bu yaklaşım, düzgünleştirme, tahmin ve kontrol gibi farklı görevleri tek bir sistem altında birleştirerek, belirsiz verilerle çalışan AI sistemlerinin performansını artırıyor. Geleneksel yöntemlerin aksine, bu çerçeve stokastik (rastgele) verileri sistematik bir şekilde işleyebiliyor ve mevcut algoritmaları genelleştirerek daha güvenilir sonuçlar üretebiliyor. Çalışma, özellikle gürültülü sensör verilerinden tahminleme yapması gereken otonom sistemler ve robotik uygulamaları için önemli iyileştirmeler vaat ediyor.

Yapay zeka araştırmacıları, dil modellerinin üretecekleri metinlerin uzunluğunu önceden tahmin etmesini sağlayan yeni bir yöntem geliştirdi. Length Value Model (LenVM) adı verilen bu yaklaşım, her bir kelime için kalan metin uzunluğunu tahmin ederek daha verimli ve kontrollü metin üretimi sağlıyor. Geleneksel yöntemler sadece tüm metin seviyesinde çalışırken, bu yeni model her kelime bazında detaylı tahminler yapabiliyor. Sistem, her üretilen kelimeye sabit bir maliyet atayarak, kalan metin uzunluğunu bir değer tahmini problemi olarak ele alıyor. Bu yaklaşım, ek veri etiketleme gerektirmeden çalışabiliyor ve büyük ölçekte uygulanabilir özellikler taşıyor. Deneyler, 7 milyar parametreli modellerde uzunluk kontrolünde önemli iyileştirmeler sağladığını gösterdi.

Araştırmacılar, büyük dil modellerinde bazı nöronların belirli görevler için kritik önem taşıdığını ortaya çıkardı. Matematiksel akıl yürütme ve kod üretimi konularında uzmanlaşmış modeller üzerinde yapılan sistematik budama çalışması, nöronların görev performansına eşit katkı sağlamadığını gösterdi. Aktivasyon tabanlı seçici budama yöntemi rastgele budamadan daha başarılı sonuçlar verirken, görev odaklı kritik nöronların sadece %10'unun çıkarılması modelin tamamen çökmesine neden oldu. Bu bulgular, yapay zeka modellerinin iç yapısını anlama ve optimize etme konusunda önemli ipuçları sunuyor.

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.

Büyük dil modelleri, doğal dilde sorulan soruları SQL veritabanı sorgularına çevirebiliyor ancak karmaşık durumlarda hata yapabiliyor. Araştırmacılar, geçmiş sorgu örneklerinden şablon oluşturan TeCoD sistemini geliştirdi. Bu sistem, benzer soruları tanıyıp önceden test edilmiş şablonları kullanarak %36 daha yüksek başarı oranı elde ediyor. Özellikle tekrar eden sorular için güvenilir yanıtlar üretiyor ve geçersiz SQL kodları oluşturma riskini minimize ediyor. Sistem, şablon seçimi ve dilbilgisi kısıtlamalı kod üretimi olmak üzere iki ana bileşenden oluşuyor.

Araştırmacılar, her öğrencinin bireysel öğrenme tarzına uyum sağlayan yeni bir yapay zeka tutoring sistemi olan DeepTutor'u geliştirdi. Geleneksel eğitim sistemlerinin aksine, bu yenilikçi platform öğrencinin geçmiş etkileşimlerini analiz ederek sürekli gelişen bir öğrenci profili oluşturuyor. Sistem, zorluk seviyesini otomatik olarak ayarlayan soru üretimi ve kaynak destekli problem çözme özelliklerini bir araya getiriyor. DeepTutor ayrıca işbirlikçi yazma ve çoklu ajan araştırma yetenekleri sunarak geleneksel öğretim yöntemlerini dönüştürme potansiyeli taşıyor. Bu gelişme, büyük dil modellerinin eğitim alanındaki en umut verici uygulamalarından biri olarak öne çıkıyor.

Araştırmacılar, büyük dil modellerinin kod yazma yeteneklerini geliştirmek için ScaleBox adlı yeni bir sistem geliştirdi. Mevcut kod doğrulama sistemleri yüksek iş yükü altında yetersiz kalırken, ScaleBox hem doğruluğu artırıyor hem de büyük ölçekte verimli çalışabiliyor. Sistem, otomatik özel yargıç üretimi, paralel test çalıştırma ve çok düğümlü koordinasyon gibi özellikler sunuyor. Deneyler, ScaleBox'ın kod doğrulama hassasiyetini ve verimliliğini önemli ölçüde artırdığını gösteriyor. LiveCodeBench performans testlerinde de sistemi kullanan modellerin belirgin şekilde daha iyi sonuçlar aldığı gözlemleniyor.

Araştırmacılar, görüntü-dil modellerinin (VLM) iki farklı açıdan çekilen fotoğraflar arasındaki kamera pozisyonunu tahmin etme becerisini test ettiler. Sonuçlar, bu gelişmiş AI sistemlerinin uzamsal akıl yürütme konusunda beklenenden çok daha zayıf olduğunu ortaya koydu. İnsanların %91 başarı gösterdiği testlerde, en iyi yapay zeka modeli ancak %66 başarıya ulaşabildi. Özellikle kameranın döndürülmesi ve derinlik değişimleri gibi karmaşık hareketlerde AI modelleri neredeyse rastgele tahminler yaptı. Bu bulgular, günümüz yapay zeka teknolojilerinin görsel-uzamsal anlama yeteneklerindeki önemli sınırları gözler önüne seriyor.

Yeni bir araştırma, biyolojik evrimde seçilim baskısının artırılmasının her zaman daha hızlı adaptasyona yol açmadığını ortaya koyuyor. Bilim insanları, ideal bir evrim modelinde yaptıkları simülasyonlarda, belirli bir eşiğin ötesinde seçilim baskısının artmasının paradoks yarattığını keşfetti. Bu durumda, genetik uygunluk yerine rastgele faktörler hangi bireylerin hayatta kalacağını belirlemede daha etkili hale geliyor. Bulgular, Goodhart yasasının evrimde nasıl ortaya çıktığını gösteriyor: bir ölçüt hedef haline geldiğinde, iyi bir ölçüt olmaktan çıkıyor. Araştırma, evrimsel süreçlerin şans ve uygunluk arasındaki karmaşık dengeyi anlamak için önemli ipuçları sunuyor.