AI FRONTIER
Signals worth understanding before they become obvious.
حل تحدٍّ رياضي عمره 31 عامًا: حدسية KLS
أثبت باحث من Microsoft Research ومتعاون معه حدسية Kannan-Lovász-Simonovits (KLS)، وأظهرا أن الحدّ ثابت ثابت لا يعتمد على البعد، ما يزيل عقبة نظرية كبرى أمام الخوارزميات العشوائية.
- اقتُرحت حدسية KLS عام 1995 وتنبأت بأن أفضل قطع بمستوٍ فائق وأفضل قطع بأي شكل لا يختلفان بأكثر من ثابت كوني واحد، بغض النظر عن عدد الأبعاد.
- أفضل نتيجة سابقة، تحققت في يوليو 2026، سمحت لهذا الحدّ بأن ينمو ببطء مع زيادة الأبعاد؛ أما هذا البرهان فيلغي الاعتماد على البعد.
- استخدم المؤلفان عملية وكيلية يوجّهها الإنسان لاستكشاف أكثر من 100 مقاربة مرشحة، مع مساعدة أدوات الذكاء الاصطناعي في الاشتقاقات وإعداد المخطوطة وفحوص البرهان الداخلية.
- ظهر البرهان الكامل في نسخة 4 أكتوبر 2026 من الورقة، وفي اليوم نفسه ظهر برهان موازٍ مستقل وصياغة صورية بـ Lean 4.
بعد إثبات KLS، يمكن الآن صياغة كثير من النتائج في الهندسة المحدبة والاحتمالات وعلم الحاسوب النظري التي كانت تفترض هذه الحدسية دون قيود.
LitPivot: تطوير أفكار البحث من خلال التأطير السياقي الديناميكي داخل مشهد الأدبيات
طوّرت Ai2 بالتعاون مع باحثين في جامعة بنسلفانيا نظام LitPivot، وهو نظام يستخدم الأوراق المسترجَعة عبر Asta Paper Finder لتنظيم الأدبيات حول الجزء الذي يجري تحريره من المقترح، وتقديم نقد مدعوم بمقتطفات، واقتراح تعديلات يمكن للباحثين قبولها أو تحريرها أو رفضها. في دراسة شملت 17 باحثًا، قيّم خبراء المجال الأفكار البحثية ا...
- حدّد تحليل لملاحظات اجتماعات أربعة مشاريع بحثية مكتملة في علوم الحاسوب 21 تحوّلًا ناتجًا عن الأدبيات في المشاريع الأربعة جميعها، وانقسمت إلى نوعين: تمييز فكرة لإثبات حداثتها، ومواءمة فكرة للبناء على عمل قائم.
- في دراسة مخبرية شملت 17 باحثًا، قيّم خبيران في المجال لا يعلمان أي نظام استُخدم المقترحات الناتجة وفق مدى استخدامها الأدبيات ذات الصلة لدعم الفكرة وتبريرها، وحصلت المقترحات المطوَّرة باستخدام LitPivot على تقييمات أعلى.
- أفاد المشاركون بفهم أقوى للأدبيات المحيطة وبتحسّنات مُبلَّغ عنها ذاتيًا أكبر في حداثة أفكارهم وفائدتها مع LitPivot مقارنة بالخط الأساسي.
- يفصل LitPivot فكرة البحث إلى مشكلتها ومساهمتها المقترحة وخطة تقييمها، ولكل جانب مجموعته وترتيبه الخاص لصلة الأدبيات المرتبطة.
بالنسبة لمن يبنون مساعدات بحثية، يُظهر LitPivot أن ربط اختيار الأدبيات بمراجعة الفكرة في حلقة تكرارية يحسّن استناد الأفكار إلى الأعمال السابقة مقارنة بالاسترجاع لمرة واحدة.
تحليل أداء TorchNeuron (الجزء 1): تحليل الأداء على مستوى النظام على AWS Trainium
يوضح برنامج تعليمي من مدونة Hugging Face كيفية استخدام torch.profiler مع خلفية Neuron لتحليل أداء الاستدلال على AWS Trainium بشكل منهجي، ومقارنة زمن الجهاز عبر ثلاثة تطبيقات لـ RMSNorm.
- تستخدم خلفية Neuron نقطة امتداد PrivateUse1 في PyTorch، وتسجّل حزمة torch_neuronx خلفية Neuron كخلفية أصلية في PyTorch.
- يُظهر تطبيق RMSNorm البسيط في PyTorch إجمالي Self NEURON قدره 2,355 ms في جدول key_averages()، مع استحواذ aten::mul على 49.5%.
- يُخفَّض torch.rms_norm إلى عملية aten::_fused_rms_norm واحدة بزمن Self NEURON قدره 403.3 μs.
- يظهر RMSNorm البسيط المُجمَّع باستخدام torch.compile(backend="neuron") كـ Torch-Compiled Region واحد بزمن Self NEURON قدره 375.5 μs.
بالنسبة لمطوري الذكاء الاصطناعي، يوضح البرنامج التعليمي أن key_averages() يمكنه تحديد نقاط سخونة زمن الجهاز وأن الدمج أو torch.compile يمكنه خفض زمن جهاز RMSNorm إلى نحو سُدس التطبيق البسيط.
التنبؤ الجماعي باستخدام نماذج IBM Granite للسلاسل الزمنية
يجمع Granite Timeseries Ensemble أربعة نماذج Granite مدرَّبة مسبقًا في واجهة تنبؤ قابلة للتوسيع تُرجع تنبؤات وسيطة وكَمّية دون إعادة تدريب ودون أوزان جماعية مُعدَّلة.
- تجمع الوصفة الافتراضية أربع معماريات: Granite PatchTST-FM-r1 (Patched Transformer) وGranite PatchTST-FM-r2 (Patched Conformer) وGranite FlowState-r1.1 (نموذج فضاء الحالة) وGranite TTM-r3 (Tiny Time Mixers).
- عند التقييم على 97 تكوينًا من مجموعة بيانات GIFT-Eval، يتفوق كلا التجميعين على الأعضاء الأربعة الفرديين في MASE الإجمالي ومتوسط MASE Rank، حيث يحقق Probabilistic Ensemble أدنى MASE بين التنبؤات الستة عند 0.683.
- يحتفظ PatchTST-FM-r2 بأدنى درجة CRPS/MWQL إجمالية عند 0.467، بينما يحقق IQR Ensemble أدنى متوسط CRPS Rank بين هذه التنبؤات الستة.
- تخزّن الوصفة تكوين التجميع بدلًا من أوزان النماذج المدمجة وتنزّل نقاط التحقق الأربعة للأعضاء وقت التشغيل، لذا يتطلب التشغيل الأول وقتًا إضافيًا.
بالنسبة للمطورين، يوفر هذا التجميع إعدادًا افتراضيًا معقولًا يمنح دقة إجمالية مماثلة أو أفضل دون معرفة مسبقة بالمعمارية المناسبة لبياناتهم، وذلك مقابل زيادة زمن الاستدلال والذاكرة نتيجة تحميل نقاط التحقق الأربعة للأعضاء.
تأمين بيئة تدريب نماذجنا الحدودية
تشرح OpenAI كيف عزّزت الاحتواء لتدريب وتقييم النماذج الحدودية، بما في ذلك البيئات غير المتصلة بالإنترنت والاختبار الأحمر عالي الحوسبة.
- تذكر OpenAI أنها عزّزت الاحتواء لتدريب وتقييم النماذج الحدودية.
- تشمل الإجراءات بيئات غير متصلة بالإنترنت.
- تشمل الإجراءات اختبارًا أحمر عالي الحوسبة.
بالنسبة للفرق التي تدرّب النماذج الحدودية، أصبح الاحتواء والاختبار الأحمر في مرحلتي التدريب والتقييم متطلبين هندسيين إلى جانب تطوير القدرات.
نماذج OpenAI قادمة إلى Google Cloud
تقدم OpenAI وGoogle Cloud نماذج متقدمة وسير عمل Codex إلى Model Garden الخاص بـ Gemini، وتتوفر عبر Google Cloud Marketplace.
- تقدم OpenAI وGoogle Cloud نماذج متقدمة وسير عمل Codex إلى Model Garden الخاص بـ Gemini.
- ستتوفر هذه النماذج وسير العمل عبر Google Cloud Marketplace.
بالنسبة لمطوري الذكاء الاصطناعي، تصبح نماذج OpenAI المتقدمة وسير عمل Codex متاحة عبر مسار الشراء والنشر في Google Cloud.