Dans un entretien pour Latent Space, Ian Quigley, de Leash Bio, raconte comment l'entreprise a dompté les essais sur chimiothèques encodées par ADN, réputés redoutables, et s'en est servie pour repérer des modèles qui trichent. Selon lui, ces données conviennent aussi parfaitement pour apprendre à des agents IA à raisonner comme des chimistes.
AI Snake Oil présente un programme de recherche et un plan d'action pour orienter l'IA vers d'autres usages que la simple automatisation.
Haydn Belfield, de Google, affirme que DeepMind ne mesure aucune accélération de la recherche en IA due à l'IA elle-même : son indice interne de capacités générales progresse de façon régulière, sans emballement. L'IA rédige désormais plus de 75 % du code de production, mais 88 % de ces modifications exigent encore une supervision humaine.
Selon des chercheurs du MIT interrogés par Wired, l'IA pourrait bientôt devenir la méthode par défaut pour résoudre des problèmes théoriques en économie, en physique des hautes énergies et ailleurs. Une étape qui prolongerait ses avancées en mathématiques.
Datalab publie OmniParseBench, un banc d'essai ouvert réunissant 16 288 tests binaires sur 2 937 pages en 92 langues. Chaque score est un taux de réussite ventilable par étiquette, écriture ou langue, ce qui permet de cerner précisément les faiblesses des outils d'OCR.
Des scientifiques ont utilisé des outils de conception par IA pour créer des protéines qui en sectionnent d'autres. Ces molécules parviennent à rompre des liaisons chimiques normalement stables pendant des siècles.