Investigadores del MIT informan una aceleración del 81 % en el entrenamiento de IA que preserva la privacidad en dispositivos cotidianos.

Investigadores del MIT introdujeron una métrica de incertidumbre total que compara las salidas de un modelo a través de un conjunto de LLM de distintos desarrolladores, detectando con mayor precisión predicciones excesivamente confiadas y alucinaciones que los métodos de self-consistency existentes.

Investigadores de UC San Diego y MIT han publicado en Science un estudio trascendental que demuestra un método escalable para dirigir y supervisar modelos de IA manipulando directamente las representaciones conceptuales internas, exponiendo tanto vulnerabilidades de seguridad como mejoras en sus capacidades.

Investigadores del MIT desarrollan un modelo de lenguaje para la optimización de codones, incrementando la producción de proteínas, incluido trastuzumab, entre un 25% y un 300%; publicado en PNAS.

El profesor del MIT Jim Collins lidera una investigación innovadora que utiliza IA generativa para diseñar antibacterianos programables dirigidos a patógenos resistentes a los fármacos.

Investigadores del MIT desarrollan un software innovador impulsado por IA que segmenta automáticamente ocho haces distintos de fibras nerviosas en resonancias magnéticas del tronco encefálico.

El MIT CSAIL presenta el marco EnCompass que permite a los agentes de IA retroceder y optimizar las salidas de los LLM, logrando un aumento de precisión del 15-40% con un 82% menos de código.

Ingenieros del MIT desarrollan DiffSyn, un modelo generativo basado en difusión entrenado con 23.000 recetas de síntesis que sugiere vías prometedoras para crear nuevos materiales en menos de un minuto, acelerando drásticamente los plazos de experimentación y descubrimiento.

Un nuevo curso interdisciplinario del MIT examina la racionalidad en los sistemas de IA, combinando informática y filosofía para la próxima generación de académicos.

Investigadores del MIT demuestran que los modelos de aprendizaje automático con mejor rendimiento pueden convertirse en los de peor rendimiento cuando se aplican a nuevos entornos de datos, revelando riesgos ocultos por correlaciones espurias en la IA médica y otras aplicaciones críticas.