Des chercheurs du MIT signalent une accélération de 81 % de l'entraînement de l'IA préservant la vie privée sur des appareils du quotidien.

Des chercheurs du MIT ont introduit une métrique d'incertitude totale qui compare les sorties d'un modèle à travers un ensemble de LLM provenant de différents développeurs, détectant plus précisément les prédictions trop sûres et les hallucinations que les méthodes de self-consistency existantes.

Des chercheurs de l'UC San Diego et du MIT ont publié dans Science une étude majeure démontrant une méthode évolutive pour orienter et surveiller les modèles d'IA en manipulant directement les représentations conceptuelles internes, mettant en lumière à la fois des vulnérabilités de sécurité et des améliorations de capacités.

Des chercheurs du MIT ont développé un modèle de langage pour l'optimisation des codons, augmentant la production de protéines, y compris le trastuzumab, de 25 à 300 %; publié dans PNAS.

Le professeur du MIT Jim Collins dirige une recherche révolutionnaire utilisant l'IA générative pour concevoir des antibactériens programmables ciblant des agents pathogènes résistants aux médicaments.

Des chercheurs du MIT développent un logiciel révolutionnaire alimenté par l'IA qui segmente automatiquement huit faisceaux distincts de fibres nerveuses dans les IRM du tronc cérébral.

Le MIT CSAIL présente le cadre EnCompass permettant aux agents IA de revenir en arrière et d'optimiser les sorties des LLM, obtenant une amélioration de précision de 15 à 40 % avec 82 % de code en moins.

Les ingénieurs du MIT développent DiffSyn, un modèle d'IA générative basé sur la diffusion entraîné sur 23 000 recettes de synthèse qui propose des voies prometteuses pour créer de nouveaux matériaux en moins d'une minute, accélérant de manière spectaculaire les délais d'expérimentation et de découverte.

Un nouveau cours interdisciplinaire du MIT étudie la rationalité dans les systèmes d'IA, mêlant informatique et philosophie pour la prochaine génération de chercheurs.

Les chercheurs du MIT démontrent que les modèles d'apprentissage automatique les plus performants peuvent devenir les moins performants lorsqu'ils sont appliqués à de nouveaux environnements de données, révélant des risques cachés liés à des corrélations fallacieuses dans l'IA médicale et d'autres applications critiques.