MIT

A OpenAI diz que o GPT-5.6 Sol e o Codex calibraram autonomamente qubits do MIT, reduzindo o trabalho rotineiro de laboratório e, ao mesmo tempo, expondo os limites dos agentes de IA com dados ruidosos.

Pesquisadores do MIT relatam uma aceleração de 81% no treinamento de IA com preservação de privacidade em dispositivos comuns.

Pesquisadores do MIT introduziram uma métrica de incerteza total que compara as saídas de um modelo em um conjunto (ensemble) de LLMs de diferentes desenvolvedores, detectando com mais precisão previsões excessivamente autoconfiantes e alucinações do que os métodos de self-consistency existentes.

Pesquisadores da UC San Diego e do MIT publicaram um estudo marco na Science demonstrando um método escalável para orientar e monitorar modelos de IA manipulando diretamente representações conceituais internas, expondo tanto vulnerabilidades de segurança quanto melhorias de capacidade.

Pesquisadores do MIT desenvolveram um modelo de linguagem para otimização de códons, aumentando a produção de proteínas, incluindo o trastuzumabe, em 25% a 300%; publicado na PNAS.

O professor do MIT Jim Collins lidera pesquisa inovadora que usa IA generativa para desenhar antibacterianos programáveis direcionados a patógenos resistentes a medicamentos.

Pesquisadores do MIT desenvolvem software inovador com IA que segmenta automaticamente oito feixes distintos de fibras nervosas em exames de ressonância magnética do tronco encefálico.

O MIT CSAIL apresenta o framework EnCompass, que permite que agentes de IA retrocedam e otimizem as saídas de LLM, alcançando um aumento de precisão de 15–40% com 82% menos código.

Engenheiros do MIT desenvolvem o DiffSyn, um modelo generativo baseado em difusão treinado com 23.000 receitas de síntese que sugere caminhos promissores para criar novos materiais em menos de um minuto, acelerando dramaticamente os cronogramas de experimentação e descoberta.

Novo curso interdisciplinar do MIT examina a racionalidade em sistemas de IA, combinando ciência da computação e filosofia para a próxima geração de estudiosos.

Pesquisadores do MIT mostram que os modelos de aprendizado de máquina com melhor desempenho podem tornar-se os piores quando aplicados a novos ambientes de dados, revelando riscos ocultos decorrentes de correlações espúrias na IA médica e em outras aplicações críticas.