Четири новости от MIT, Microsoft, Google и OpenAI показват обща посока. Изкуственият интелект става по-полезен, когато не заобикаля експертното знание, а се вгражда в него.
Лабораторията на Конър Коули в Масачузетския технологичен институт (MIT) работи върху AI модел, който вместо да генерира произволни молекулярни структури, ги оценява по 3D формата им и по начина, по който биха се закачили в активния център на конкретен протеин. Това звучи като дребен успех, но е признак на по-голяма промяна. През последните седмици няколко лаборатории и компании представиха AI системи, които не разчитат само на статистическа прилика. Те вграждат в работата си правилата на конкретната област: химия, физика на електромрежите, поверителност, счетоводна точност.
Целта в тези четири случая е сходна. Моделът да дава отговори, които експертите могат да проверят, да повторят и да поправят. Това е по-зряла посока от „пусни общ chatbot и виж какво ще измисли“ и засяга както научните лаборатории, така и продуктите, които ще се появят в ежедневието.
AI с химична интуиция за нови лекарства
Пространството от възможни молекули, които биха могли да станат лекарство, е огромно. Сляпото генериране от AI лесно дава химически нелогични структури или такива, които не могат да се синтезират. Лабораторията на Конър Коули в MIT разработва модели, които вграждат в самата си архитектура химични принципи: форма на молекулите, взаимодействие с целеви протеини, възможни реакционни пътища, запазване на масата при реакция.
Един от тези модели, ShEPhERD, оценява потенциални лекарствени молекули според 3D формата им и според начина, по който биха взаимодействали с протеини. Друг, FlowER, предвижда продуктите от химични реакции, като отчита междинните механистични стъпки, а не само крайния резултат.
Това не е лекарство, нито готов продукт. Но е добър пример за посоката „AI плюс експертно знание“. Резултатите стават по-полезни, защото моделът не може лесно да предложи нещо, което противоречи на химията. За откриването на нови лекарства това означава по-бързо стесняване на кандидатите и по-малко загубени месеци в лабораторията върху молекули, които никога нямаше да проработят.
Какво още не показва тази работа: моделите не доказват ефективност на конкретно лекарство. Това е изследователска посока за по-добри инструменти, не клинично доказателство.
Малък модел за бързи изчисления върху електропреносните мрежи
Microsoft Research представи GridSFM, малък базов модел за изчисления върху електропреносни мрежи. Задачата, която той приближава, се нарича оптимално разпределение на мощностите при променлив ток. Това е търсене на работна точка на мрежата при физични и оперативни ограничения: напрежения, мощности, термични лимити, генераторно натоварване и стабилност. Класическите числени методи за тази задача са точни, но бавни, особено за големи системи.
Според Microsoft GridSFM дава оценки за милисекунди и връща не само разход и разпределение на товара (dispatch), а и пълно AC състояние на системата. Първата версия включва GridSFM-Open за изследователски мрежи до 4 000 възли и GridSFM-Premier за по-големи системи.
Важното тук е разпределението на ролите. AI не замества физиката. Ползва се като бърз сурогатен модел и като начална точка за класически числени методи, които остават отговорни за финалното решение. Така инженерите получават начин да преглеждат много повече сценарии, без да жертват точност.
Защо това има значение сега. Електропреносните мрежи трябва да управляват повече сценарии заради възобновяемите източници, електрификацията на транспорта и зачестилите екстремни събития. По-бързото сканиране на сценарии помага и за планиране, и за оперативна надеждност.
Какво не показва публикацията: реална експлоатация в критична инфраструктура изисква независими тестове, одит и инженерна валидация. Числата идват от Microsoft Research, не от мрежов оператор.
Качество на AI без събиране на лични данни
Когато AI работи директно върху устройството (телефон, лаптоп, смарт колонка), разработчиците имат практичен проблем. Как да разберат дали системата се справя добре в реални условия, дали показва отклонение в поведението си (drift), дали има скрити предубеждения или висока грешка в конкретни ситуации, без да четат лични данни?
Google Research описа подход, който комбинира криптографска схема за защитена агрегация с доверени изпълнителни среди. На анализатора достигат само анонимизирани агрегирани тенденции, без индивидуално потребителско съдържание.
Като приложение Google посочва Android SafetyCore. Системата може да оценява ефективността на on-device моделите за безопасност, докато съдържанието остава на устройството. Това е важна посока за AI продукти, при които качеството трябва да се подобрява, но суровите лични данни не бива да напускат устройството.
Какво остава отворено. Реалното ниво на защита зависи от това как е реализирана конкретната система, от външния одит и от заплахите в средата. Концептуалното описание е едно, а реалната инфраструктура е друго.
Агенти, които се подобряват от истинските си грешки
OpenAI публикува казус за Tax AI, система, разработена с Thrive Holdings за мрежата от счетоводни фирми Crete. Целта е подготовка на по-сложни американски данъчни декларации, в които има много документи, извличане на полета и ръчни проверки. Според OpenAI системата е обработила 7 000 декларации в пилотния сезон.
По-интересна от самата автоматизация е методиката за подобрение. Системата използва Codex в цикъл. Реалните грешки в продукция и корекциите от практици се групират, превръщат се в целеви проверки и от тях се извеждат конкретни инженерни задачи за подобрение на агента. Така агентът не се учи на случаен принцип. Той се учи от валидирани корекции от хора, които знаят правилния отговор.
Това е по-зрял модел за корпоративен AI от „пусни chatbot и се надявай“. В професионални области, в които цената на грешката е висока, AI агентите трябва да пазят проследимост, да минават през проверки и да се разширяват внимателно.
Ограничение: казусът е публикуван от OpenAI и описва един клиент. Дали същият подход се пренася в други регулирани области като медицина, право или финансов одит, е емпиричен въпрос.
Какво свързва тези четири новости
На пръв поглед те са от различни светове. Но имат обща нишка.
Във всеки от четирите случая AI не се поставя сам по себе си. Той е вграден в среда, която го ограничава и го проверява: химичните принципи в моделите на Coley, физиката на мрежата в GridSFM, криптографската схема на Google, цикълът от проверки на практици в Tax AI. Това е тих, но важен завой. След няколко години на демонстрации, фокусирани върху размера и общите способности на моделите, посоката се измества към специализация и към свързване с конкретни знания и процеси от съответната област.
Има и още една обща нишка – измерването. Всеки от тези примери описва как да се установи дали системата работи добре. Чрез сравнение с класически метод, чрез анонимизирани агрегати, чрез структурирани корекции от експерти. Това е условието AI да премине от ефектни демонстрации към реална, отговорна употреба.
Какво следва
За читателя извън тези лаборатории посланието е практично. Истинският критерий за полезен AI в науката и индустрията не е „може ли да напише поетичен отговор“, а „вграден ли е в правилата на областта, в която работи, и можем ли да измерим качеството му“. Следващата година ще покаже кои от тези подходи се пренасят отвъд първоначалните си приложения и кои остават обещаващи прототипи.
Източници:
