Mevcut video yapay zeka modelleri, insanların sosyal etkileşimleri nasıl algıladığını anlama konusunda yetersiz kalıyordu. Araştırmacılar, V-JEPA2 gibi gelişmiş modellerin bile sosyal video kliplerdeki insan benzerlikleri tahminlerinde basit metin modellerinden daha kötü performans gösterdiğini keşfetti. Bu sorunu çözmek için 'davranışsal geometrik denetim' adı verilen yeni bir yöntem geliştirildi. 250 doğal sosyal video klibinden toplanan 49.484 insan yargısı kullanılarak, yapay zeka modellerinin sosyal algısı önemli ölçüde geliştirildi.

Araştırmacılar yapay zeka hizalama alanında radikal bir perspektif değişikliği öneriyor. Mevcut çalışmaların sadece güvenlik ve zarar önlemeye odaklandığını belirten bilim insanları, 'Pozitif Hizalama' adını verdikleri yeni yaklaşımı savunuyor. Bu model, AI sistemlerinin sadece güvenli olmasıyla yetinmeyip, aktif şekilde insan refahını artırmasını hedefliyor. Tıpkı psikolojinin erken dönemlerinde sadece hastalıklara odaklanması gibi, mevcut AI güvenlik araştırmalarının da eksik kaldığını öne sürüyorlar. Yeni yaklaşım, çok merkezli ve bağlama duyarlı bir şekilde insan ve ekolojik gelişimi destekleyen AI sistemleri geliştirmeyi amaçlıyor. Araştırmacılar, mevcut hizalama sorunlarının birçoğunun bu pozitif yaklaşımla daha iyi çözülebileceğini düşünüyor.

Stanford araştırmacıları, felçli hastaların düşündikleri kelimeleri beyin sinyallerinden çözümleyebilen yeni bir yapay zeka modeli geliştirdi. MEG-XL adlı sistem, geleneksel yöntemlerden 5-300 kat daha uzun beyin aktivitesi kayıtlarını analiz ederek, çok daha az eğitim verisiyle aynı başarıyı elde ediyor. Sistem, 2,5 dakikalık MEG beyin tarama verilerini işleyerek, daha önce 50 saat eğitim gerektiren performansı sadece 1 saatlik veriyle yakalayabiliyor. Bu gelişme, konuşma yetisini kaybetmiş hastaların düşüncelerini tekrar ifade edebilmesi için kritik bir adım teşkil ediyor. Uzun bağlamlı öğrenme yaklaşımı, beyin-bilgisayar arayüzleri alanında yeni bir standart oluşturuyor ve klinik uygulamalarda daha pratik çözümler sunuyor.

Nörobilim ve yapay zeka arasındaki köprüyü güçlendiren yeni bir yazılım çerçevesi geliştirildi. NeuralSet adlı bu Python platformu, fMRI, EEG ve nöron kayıtları gibi farklı beyin görüntüleme tekniklerinden elde edilen verileri tek bir arayüzde birleştiriyor. Araştırmacılar artık metin, ses ve video gibi karmaşık deneysel uyaranları da aynı sistemde işleyebilecek. Platform, büyük veri setleriyle çalışmayı kolaylaştırırken, derin öğrenme modellerini nörobilim araştırmalarına entegre etmeyi sağlıyor. Bu gelişme, beynin bilgi işleme süreçlerini anlamada yapay zekadan yararlanmak isteyen bilim insanları için önemli bir adım.

Bilim insanları, şekillendirilmiş femtosaniye lazer darbelerini kullanarak moleküllerin rotasyonel dinamiklerindeki l-çiftlenmesi olayını doğrudan gözlemlemeyi başardı. Uyarıcı darbe üzerine özel olarak tasarlanmış spektral faz uygulayarak, normalde rotasyonel özellikleri gizleyen santrifüj distorsiyonunu önceden telafi ettiler. Bu yenilikçi yaklaşım, geleneksel darbe hizalama deneylerinde çözülemeyen rotasyonel detayları ortaya çıkarmayı mümkün kıldı. Kübik spektral faz kullanılarak seçili canlanma olayları tek döngü seviyesine sıkıştırıldı ve bu sonuçlar moleküler rotasyonel sabitlerden türetilen analitik ifadelerle uyum gösterdi. Yöntem, uzamsal ışık modülatörü ayrıklaştırması gibi deneysel kusurlar karşısında dayanıklılık gösterdi.

Araştırmacılar, beyin hastalıklarının ilerleyişini takip etmek için kullanılan manyetik görüntüleme tekniğinde önemli bir gelişme kaydetti. Nicel duyarlılık haritalama (QSM) adı verilen bu yöntem, beynin demir ve myelin içeriğindeki değişimleri ölçerek Alzheimer gibi nörodejeneratif hastalıkların seyrini izlemek için kullanılıyor. Ancak mevcut teknikler, hastanın kafasındaki küçük hareket farklılıkları, gürültü ve hatalı hizalama gibi faktörler nedeniyle tutarsız sonuçlar verebiliyor. Yeni geliştirilen 'Uzunlamasına QSM' yöntemi, birden fazla zaman noktasındaki beyin taramalarını aynı anda işleyerek bu sorunları büyük ölçüde azaltıyor. Simülasyon ve gerçek hastalar üzerinde yapılan testler, yeni yöntemin geleneksel tekniklere göre çok daha tutarlı ve hassas sonuçlar verdiğini gösteriyor.

Araştırmacılar, beyin verilerini metin ve konuşma gibi uyaranlarla eşleştiren yeni bir açık kaynak yazılım kütüphanesi geliştirdi. LITcoder adlı bu araç, nöral kodlama modelleri oluşturmak ve karşılaştırmak için standartlaştırılmış bir platform sunuyor. Kütüphane, sürekli uyaranları beyin verileriyle hizalama, uyaranları temsili özelliklere dönüştürme ve bu özellikleri beyin verilerine eşleme işlemlerini kolaylaştırıyor. Modüler yapısı sayesinde araştırmacılar farklı metodolojik seçenekleri kolayca birleştirebilir ve karşılaştırabilir. Sistem, beyin veri setleri, beyin bölgeleri, uyaran özellikleri ve örnekleme yaklaşımları gibi geniş bir yelpazedeki seçenekleri destekliyor. Bu gelişme, nörobilim araştırmalarında standardizasyon ve tekrarlanabilirlik açısından önemli bir adım teşkil ediyor.

Günümüzün yapay zeka sistemleri görüntüleri tanımlayabiliyor, nesneleri ayırt edebiliyor ve karmaşık ilişkileri açıklayabiliyor. Görsel-dil modelleri olarak adlandırılan bu sistemler, metin ve görüntü anlayışını etkileyici şekillerde birleştiriyor. Ancak şaşırtıcı bir şekilde, görünüşte basit olan sayma işleminde zorlanıyorlar. Hof Uygulamalı Bilimler Üniversitesi araştırmacıları, yapay zekanın bu temel eksikliğini gidermek için yeni çalışmalar yürütüyor. Bu durum, AI teknolojisinin hızla gelişmesine rağmen bazı temel bilişsel yeteneklerde hala sınırları olduğunu gösteriyor.

Brezilya'daki araştırmacılar, Portekizce doğal dil işleme alanında çığır açan yeni bir yapay zeka modeli geliştirdi. NorBERTo adlı bu model, ModernBERT mimarisine dayalı olarak tasarlandı ve Aurora-PT adı verilen dev bir Portekizce veri kümesi ile eğitildi. Bu veri kümesi, çeşitli web kaynaklarından toplanan 331 milyar GPT-2 token içeriyor. Model, metin benzerliği, mantıksal çıkarım ve sınıflandırma görevlerinde test edildiğinde, özellikle PLUE ve ASSIN 2 benchmark testlerinde kayda değer başarılar elde etti. NorBERTo-large versiyonu, değerlendirilen kodlayıcı modeller arasında en iyi performansı göstererek Portekizce NLP uygulamaları için önemli bir adım teşkil ediyor.

Araştırmacılar, büyük dil modellerinin alışık olmadığı verilerle karşılaştığında nasıl davrandığını anlamak için yeni bir çerçeve geliştirdi. Mevcut tespit yöntemlerinin aslında metin uzunluğundan etkilendiğini ve bu nedenle yanıltıcı sonuçlar verdiğini keşfettiler. Çalışma, modellerin iki farklı yoldan bilgiyi işlediğini ortaya koyuyor: embedding'ler metnin konusunu yakalarken, işleme yörüngesi modelin veriyi nasıl işlediğini gösteriyor. Bu bulgular, yapay zeka güvenliği ve modellerin güvenilirlik tespiti için önemli sonuçlar taşıyor.

Araştırmacılar, yapay zeka modellerinin metin üretim hızını artırmak için EVICT adlı yeni bir sistem geliştirdi. Bu sistem, özellikle karmaşık Mixture-of-Experts (MoE) modellerinde yaşanan performans sorunlarını çözerek, gereksiz hesaplamaları ortadan kaldırıyor. EVICT, ağaç tabanlı tahmini kod çözme tekniğini optimize ederek, sadece faydalı token'ları doğrulama sürecine dahil ediyor. Sistem herhangi bir ek eğitim gerektirmeden çalışabiliyor ve mevcut altyapılarla uyumlu. Farklı model mimarileri üzerinde yapılan testlerde sistemin 2 kata kadar hız artışı sağladığı görüldü. Bu gelişme, ChatGPT gibi büyük dil modellerinin yanıt verme hızını önemli ölçüde artırabilir.