Научные статьи недели об AI и смежных областях — простым языком: те, о которых чаще всего говорили наши источники, и в каждой области — самые значимые.
Исследования в области AI
Видеомодель, которая отвечает на новые вопросы, не переделывая работу заново
Исследователи создали семейство моделей, которые превращают понимание видео в структурированные решения, а не в развёрнутые письменные ответы, — поэтому они могут указать на моменты в видео или выбрать один из вариантов ответа. Запросы, поступающие во время сессии, переиспользуют более ранние визуальные вычисления. На трёх тестах по поиску моментов модели улучшили свои исходные версии и работали примерно в три раза быстрее; на четырёх наборах вопросов по видео они сравнялись с ними, часто работая намного быстрее.
- Почему это важно: это даёт один переиспользуемый способ для визуальных агентов выносить суждения по видео при меняющихся целях, который, по словам авторов, можно объединять в сложные, открытые рабочие процессы.
- Почему об этом говорят: популярный аккаунт обратил внимание на статью, и она набрала сотни голосов на Hugging Face.
arXiv · AI research
Предиктивные world models позволяют AI-системам самоулучшаться на разных задачах
Исследователи создали фреймворк, который использует предиктивные world models для управления действиями и выбора лучших обучающих данных, поддерживая обновляемые пары «политика — модель», проходящие проверки на совместимость. В починке кода, при исправлении кодера, успех вырос с 26,3% со статическим верификатором до 31,2% после адаптации world model при схожем использовании тестов. На пяти версиях политики оценки по планированию лабораторных работ более чем удвоились.
- Почему это важно: результаты указывают на то, что системы могут продолжать улучшаться на собственном опыте без дорогостоящей внешней обратной связи, что может сделать AI полезнее в программировании, лабораторной работе и науке.
- Почему об этом говорят: источник отмечает, что один и тот же фреймворк самоулучшения справился с очень разными задачами — от починки багов и управления компьютерами до планирования лабораторных работ и оптимизации реакций, — не меняя базовую модель-кодер и не увеличивая бюджеты тестов.
arXiv · AI research
Указание AI-моделям не думать не заставляет их перестать думать
Исследователи протестировали шесть языковых моделей с шестью способами инструктировать их отвечать без показа рассуждений — на вопросах «верно/неверно», с множественным выбором и открытых. Строгие инструкции не устраняли надёжно видимые рассуждения — закономерность, которую они называют инерцией мышления. Она усиливалась по мере того, как вопросы становились более открытыми, а на открытых задачах ответ без рассуждений шёл в ущерб точности. Наличие вариантов ответа облегчало ответы только с ответом.
- Почему это важно: статья утверждает, что отказ от мышления — это реальная способность, которую нельзя предполагать по настройкам или инструкциям модели, и её следует оценивать наряду со способностью рассуждать.
- Почему об этом говорят: популярный AI-аккаунт поделился статьёй, привлекая внимание к выводу, что модели продолжают рассуждать, даже когда им велят этого не делать.
arXiv · AI research
AI и управленческая работа
Автономные AI агенты сокращают время и стоимость интеллектуального труда
Исследователи изучили производственные данные продуктов Search и Computer от Perplexity, чтобы понять, как автономные AI агенты меняют интеллектуальную работу. На сопоставимых задачах сессии с агентом выполняли 26 минут автономной работы против 33 секунд при поиске, сокращали время выполнения с 269 до 36 минут и снижали оценку времени и стоимости на 87% и 94%. Неудовлетворённость упала на 55%.
- Почему это важно: выводы указывают на то, что автономные агенты могут ускорять рабочие процессы, повышать качество результатов, снижать затраты и расширять круг автоматизируемой работы, меняя то, как делегируются интеллектуальные задачи.
- Почему об этом говорят: один источник задаётся вопросом, сколько автономии должно быть у AI агента, утверждая, что максимальная автономия — не всегда верная цель и командам нужны способы проверять, насколько далеко можно делегировать.
arXiv · AI and managerial work
AI и экономика
Повышение налогов на богатство в Норвегии привело к немногим отъездам
Норвегия повысила налоги на дивиденды, закрыла лазейку по налогу на прирост капитала для тех, кто переезжает за границу, и почти удвоила налог на предпринимательское богатство в период с 2021 по 2024 год. Исследователи обнаружили, что из-за этих изменений уехали не более 100 человек, в основном самые богатые, и не произошло падения среди новых основателей или изобретателей. Компании продолжали активную деятельность и не сокращали инвестиции.
- Почему это важно: результаты указывают на то, что краткосрочные экономические издержки налогообложения сверхбогатых — в виде потерянной миграции и снижения бизнес-инвестиций — меньше, чем подразумевает публичная дискуссия.
- Почему об этом говорят: это говорит о живой полемике об отъезде миллиардеров и о том, заставляет ли налогообложение сверхбогатых уезжать.
NBER · AI and economics
AI и рабочие места
ChatGPT сократил время написания текстов на 40% и повысил качество
Исследователи дали 453 специалистам с высшим образованием оплачиваемые задачи по написанию текстов, специфичные для их профессий, и случайным образом разрешили половине использовать чат-бот ChatGPT. Те, у кого был доступ, справлялись быстрее и выдавали лучшие работы, а разрыв между сильными и слабыми авторами сократился. И страхи, и воодушевление по поводу AI ненадолго выросли. Несколько недель спустя те, кто им пользовался, были гораздо более склонны применять его в своей реальной работе.
- Почему это важно: выводы указывают на то, что генеративный AI может делать профессиональное письмо среднего уровня быстрее и лучше, сокращая различия между работниками, и что один практический опыт определяет, продолжат ли люди использовать его на работе.
- Почему об этом говорят: один источник ссылается на исследование, утверждая при этом, что время выполнения агентом — лишь один член в более широком расчёте, и призывая инженерных руководителей проверить другие факторы, прежде чем масштабировать пилоты.
AI and jobs
AI-ассистент повышает производительность агентов поддержки, больше всего помогая менее квалифицированным работникам
Исследователи изучили поэтапное внедрение генеративного AI чат-ассистента для 5 172 агентов службы поддержки клиентов. Доступ к ассистенту повысил производительность в среднем на 15%, измеряемую числом решённых обращений в час. Менее опытные и менее квалифицированные агенты ускорились и улучшили качество; самые опытные показали небольшой прирост скорости, но слегка более низкое качество. Наибольший выигрыш был на умеренно редких проблемах.
- Почему это важно: помощь AI может повышать выработку и помогать новичкам быстрее учиться и лучше писать по-английски, тогда как лучшие работники выигрывают мало. Это также меняет работу: клиенты вежливее и реже просят менеджера.
- Почему об этом говорят: один источник использует статью, чтобы задаться вопросом, действительно ли AI агенты экономят работу, утверждая, что время выполнения агентом — лишь один член уравнения из семи и что руководителям следует проверить остальные шесть, прежде чем масштабировать пилот.
AI and jobs
AI и разработка программного обеспечения
Обучающая среда помогает агентам-программистам создавать программы с нуля
Исследователи создали фреймворк, который превращает существующие репозитории программного обеспечения в тренировочные среды, где агенты-программисты могут учиться создавать программы с нуля. В рамках проекта было подготовлено 1 648 обучающих сред на четырёх языках программирования, а также рабочий процесс, разделяющий анализ, реализацию и проверку. Агенты, обученные таким образом, лучше справлялись с воспроизведением программ, а предложенный рабочий процесс улучшил результаты ещё больше.
- Почему это важно: агенты-программисты переходят от исправления ошибок к написанию целых программ, но надёжных тренировочных площадок для такой работы мало. Исследователи обещают выпустить фреймворк, чтобы поддержать дальнейшую работу над агентами, создающими программное обеспечение с нуля.
arXiv · AI and software development
Агенты-программисты не справляются с созданием агентов по техническому заданию
Исследователи провели испытание, в котором агентам-программистам поручали создавать, редактировать и настраивать работающих программных агентов — примерно так, как это заказал бы реальный клиент. Из 25 задач ни один из протестированных агентов не справился до конца: то, что разработчик демонстрирует на нескольких примерах, редко совпадает с результатом при проверке на новых случаях. Типичные неудачи — слишком тесная подгонка под видимые примеры и код, который выглядит готовым, но на самом деле не запускается.
- Почему это важно: программное обеспечение всё чаще создаётся самим программным обеспечением, и результаты показывают разрыв между тем, что агент якобы соответствует требованию, и тем, что он действительно ему соответствует. Этот разрыв имеет значение, когда команды поручают работу агентам-программистам и предполагают, что результат достоверен.
arXiv · AI and software development
AI и бизнес-образование
Структурированное использование AI на занятиях по бизнесу повышает уверенность студентов и их готовность к трудоустройству
Исследователи провели полевой эксперимент с участием 612 студентов из 34 семинарских групп в трёх бизнес-школах Китая. Одна группа следовала структурированному порядку использования генеративного AI в работе над кейсами; другая проходила ту же программу с неструктурированным доступом к AI. Участники структурированной группы выше оценивали собственную востребованность на рынке труда — за счёт более сильной профессиональной самоэффективности и мотивации.
- Почему это важно: в статье утверждается, что для бизнес-школ вопрос не в том, использовать ли генеративный AI, а в том, как использовать его, чтобы студенты сохраняли авторство собственных размышлений и суждений.
SSRN · AI and business education
AI и консалтинг
Консалтинговые фирмы перестраиваются под работу человека и AI
В статье рассматриваются консалтинговые и профессиональные сервисные фирмы, которые в 2024–2026 годах перевели работу с поддержкой AI из экспериментов в повседневную практику. Авторы задаются вопросами: что такая фирма продаёт, когда клиенты могут лицензировать те же модели; кто отвечает за ошибку, прошедшую через нескольких агентов; и развивает ли проверка работы AI профессиональное суждение. Бизнес-модель, операционная архитектура и стимулы рассматриваются как единая проблема.
- Почему это важно: в статье говорится, что устойчивые преимущества фирмы — это независимость от рамки клиента, подотчётность, доступная регулятору, и петля обратной связи по данным, которую конкуренты не могут купить.
SSRN · AI and consulting
AI и образование
Школы для менее обеспеченных учеников реже дают возможность научиться оценивать результаты AI
Исследователи сравнили, как часто, по словам учащихся, им предоставлялась возможность оценивать сгенерированную AI информацию, с их возможностями оценивать обычную информацию из интернета, используя данные опросов из 78 образовательных систем. Разрыв между более обеспеченными и менее обеспеченными учениками оказался больше для материалов, созданных AI. Большая часть этого дополнительного разрыва приходилась на различия между школами, а не внутри них, и проявлялся он главным образом в том, сталкивались ли ученики с такими заданиями вообще, а не в том, как часто.
- Почему это важно: это говорит о том, что ученики в менее обеспеченных школах могут реже учиться оценивать сгенерированную AI информацию, поэтому школьное образование способно скорее расширить, чем сузить этот новый разрыв в навыках.
SSRN · AI and education
Отправлено The Observatory.
Это автоматический перевод.