Tekoälytutkimuksen uutiset: yliopistojen ja tutkimuslaitosten läpimurrot ja uudet menetelmät ymmärrettävästi suomeksi.
Tutkijaryhmän Abstract Chain-of-Thought -menetelmä korvaa kielimallin sanallisen ajatusketjun lyhyellä erikoistokenien sarjalla. Tarkkuus matematiikassa ja monivaiheisissa tehtävissä säilyy, mutta päättelytokenit putoavat jopa 11,6-kertaisesti. Samalla mallien valvonta käy vaikeammaksi.
UC Berkeleyn Reliable AI Lab rakensi agentin, joka sai 100 prosenttia kahdeksasta tunnetusta benchmarkista ratkaisematta yhtään tehtävää. Erillinen Saving SWE-Bench -paperi arvioi, että julkiset testit yliarvioivat agenttien kyvyt jopa 20 prosenttia.
Alec Radford, Nick Levine ja David Duvenaud julkaisivat avoimen 13B-kielimallin, jonka koulutusaineisto loppuu jouluun 1930. Apache 2.0 -lisenssillä jaettu Talkie-1930 testaa, mitä kielimalli oppii ilman internetiä – ja voiko se yltää Pythoniin pelkillä esimerkeillä.
23-vuotias Liam Price syötti GPT-5.4 Prolle satunnaisesti valitun Erdős-pulman, ja malli ratkaisi sen 80 minuutissa yhdistämällä von Mangoldtin funktion ja Markovin ketjut. Tekniikka oli ollut tiedossa 90 vuotta, mutta kukaan ei ollut kokeillut sitä tähän ongelmaluokkaan.
METR julkaisi 21.4. analyysin NanoGPT-speedrunista. AI-agenteilla on neljä merkintää 77:stä, ja kaikki ovat pinnallisia tai keskitasoa, mutta samaa luokkaa kuin ihmisten tuoreimmat optimoinnit. Aineisto antaa harvinaisen kovan mittarin AI:n tutkimuskyvylle.
Stanfordin, Northeasternin ja West Virginian tutkijat löysivät prompt-muotoilun, joka nostaa GPT:n ja Clauden luovan hajonnan 1,6–2,1-kertaiseksi ilman uudelleenkoulutusta. Menetelmä paljastaa, mitä alignment-koulutus on tukahduttanut.
Insilico Medicinen tekoälyllä suunnittelema Rentosertib pärjäsi Phase IIa -kokeessa idiopaattista keuhkofibroosia vastaan. Lääkeyhdiste löytyi 18 kuukaudessa, kun perinteisellä reitillä siihen menee 2,5–4 vuotta. Phase III ja laajempi kliininen näyttö on vielä edessä.
Stanfordin tuoreen AI Index 2026 -raportin mukaan amerikkalaisten ja kiinalaisten huippumallien välinen suorituskykyero on kutistunut 31 prosentista 2,7 prosenttiin. USA investoi tekoälyyn 23-kertaisesti Kiinaan verrattuna, mutta tutkijavirta on tippunut 89 %.
Stanfordin tutkijaryhmä esitteli Self-Guided Self-Play -algoritmin, jolla 7 miljardin parametrin malli ratkaisi enemmän formaaleja matemaattisia todistuksia kuin sata kertaa suurempi 671B-vertailumalli. Algoritmissa sama malli toimii kolmessa roolissa: Conjecturer, Solver ja Guide.
Tuore arXiv-paperi 'The LLM Fallacy' kuvaa, miten käyttäjät tulkitsevat tekoälyavusteiset tuotokset todisteeksi omasta osaamisestaan. Ilmiö näkyy koodauksessa, kirjoituksessa, analyysissa ja kielitaidossa. Suomessa Helsingin yliopiston kognitiivinen laskenta -ryhmä tutkii samaa teemaa.
OpenAI julkisti HealthBench Professional -testin, jossa ChatGPT for Clinicians sai 59,0 pistettä. Lääkäreiden omat vastaukset jäivät 43,7 pisteeseen, vaikka käytössä oli rajaton aika ja nettihaku. Claude Opus 4.7 sai 47,0 ja Gemini 3.1 Pro 43,8. Mitä se tarkoittaa Suomessa?
Tufts-yliopiston tutkijat yhdistivät neuroverkon symboliseen päättelyyn ja saivat robottitekoälyn ratkaisemaan Hanoin tornit 95-prosenttisesti. Perinteinen VLA-malli pärjäsi vain 34-prosenttisesti. Hybridin kouluttamiseen kului prosentti verrokin energiasta.
