แวดวงวิชาการ

Yoshua Bengio

มหาวิทยาลัยมอนทรีออล และ LawZero

เหตุผลที่ติดตาม: ความปลอดภัยและการกำกับดูแล

การย้ายงาน

ยังไม่มีการย้ายงานที่เผยแพร่

งานวิจัย

งานวิจัย2026-10-12 · arXiv (Cornell University)

พัฒนาเทคโนโลยีการ ใช ้ป ัญญาประดิษฐ ์เพ ื่อค้นหาวัสดุแคนดิเดตแอนติบอดีที่หลากหลายได้อย่างมีประสิทธิภาพ

Multi-Objective Amortized CDRH3 Sequence Sampling Diversifies Promising Antibody Candidates

Yoshua Bengio และอีก 5 คน

ทำอะไร: คณะผู้วิจัยได้พัฒนาเทคโนโลยีการสร้างลำดับแอนติบอดีแบบใหม่ที่ใช้ปัญญาประดิษฐ์ ซึ่งสามารถพิจารณาเงื่อนไขหลายประการและความหลากหลายไปพร้อมๆ กันในกระบวนการออกแบบแอนติบอดี
ผลลัพธ์หลัก: เมื่อเทียบกับวิธีเดิม ที่ความเหมือนของลำดับ 50 เปอร์เซ็นต์ สามารถสร้างแคนดิเดตแอนติบอดีที่หลากหลายและเป็นที่ยอมรับได้มากกว่าถึง 10 เท่า
ความสำคัญ: งานวิจัยนี้สามารถช่วยลดโอกาสความล้มเหลวในขั้นตอนเริ่มต้นของการพัฒนายา และช่วยสำรวจแคนดิเดตแอนติบอดีที่มีศักยภาพหลากหลายสรุปโดย AI

AI เพื่อวิทยาศาสตร์

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-08 · Code Ocean

เปิดตัวเทคโนโลยีอธิบายสาเหตุของความไม่แน่นอนในปัญญาประดิษฐ์

pce-uncertainty-attribution: code for "Interpretable attribution of decision-relevant uncertainty in AI"

Yoshua Bengio และอีก 6 คน

ทำอะไร: เปิดเผยโค้ดและวิธีการที่อธิบายว่าความไม่แน่นอนในการตัดสินใจของโมเดลปัญญาประดิษฐ์ที่ได้รับการฝึกแล้วมาจากปัจจัยใด
ผลลัพธ์หลัก: ระบุสาเหตุของความไม่แน่นอนของโมเดลในด้านเคมี การออกแบบการทดลอง และการจัดตำแหน่งโมเดลภาษา โดยใช้การแทนที่ด้วยพหุนาม
ความสำคัญ: สามารถนำไปใช้เพื่อทำความเข้าใจกระบวนการตัดสินใจของโมเดลปัญญาประดิษฐ์ให้ดีขึ้นและเพิ่มความน่าเชื่อถือในหลากหลายสาขาสรุปโดย AI

AI เพื่อวิทยาศาสตร์ ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-10-03 · arXiv (Cornell University)

นักวิจัยเสนอ ำรอบสำหรับประเมินวิธีการกำกับดูแลคำตอบของ AI ด้วยการรันโค้ด

PyINE: A Framework for Scalable Elicitation and Oversight via Code Execution

Yoshua Bengio และอีก 7 คน

ทำอะไร: ได้สร้างโครงสร้างพื้นฐาน PyINE ที่นำผลลัพธ์จากการรันโปรแกรมมาใช้เป็นคำตอบที่ถูกต้อง และตรวจสอบว่าผู้กำกับดูแลจะสามารถเชื่อถือคำตอบของ AI ที่มีการอนุมานที่ดูสมเหตุสมผลแต่ยังไม่สมบูรณ์ได้หรือไม่
ผลลัพธ์หลัก: โมเดลที่ถูกฝึกให้ใช้ทางลัดมีความสามารถในการทำนายผลลัพธ์การรันดีขึ้นอย่างมาก แต่ยังคงเกิดข้อผิดพลาดที่เป็นระบบเมื่อเบาะแสที่ผิดขัดแย้งกับการทำงานจริง และผู้กำกับดูแลแบบเรียนรู้ที่มีต้นทุนต่ำมักจะพลาดข้อผิดพลาดจากทางลัดที่พบได้น้อยอยู่บ่อยครั้ง
ความสำคัญ: มีความหมายในแง่ของการนำเสนอสภาพแวดล้อมการทดลองที่สามารถเปรียบเทียบวิธีการกำกับดูแลเพื่อตรวจสอบคำตอบของ AI ได้ภายใต้เงื่อนไขเดียวกันและนำกลับมาใช้ใหม่ได้ แต่ในบทคัดย่อไม่ได้มีการกล่าวถึงผลลัพธ์ในการนำไปประยุกต์ใช้จริงในบริการสรุปโดย AI

ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗ PDF ↗

งานวิจัย2026-09-28

การวิเคราะห์ผลกระทบและการตอบสนองเชิงนโยบายจากการอัตโนมัติในการวิจัยและพัฒนา AI

What if automating AI R&D triggers an intelligence explosion?

Jakub Pachocki · เจฟฟรีย์ ฮินตัน · Yoshua Bengio และอีก 19 คน

ทำอะไร: นักวิจัยได้ประเมินความเป็นไปได้ที่การอัตโนมัติในการวิจัยและพัฒนาปัญญาประดิษฐ์ (AI) จะกระตุ้นให้เกิดการระเบิดทางปัญญา รวมถึงผลกระทบและแนวทางการตอบสนองเชิงนโยบายที่เกี่ยวข้อง
ผลลัพธ์หลัก: คาดว่าระบบ AI จะสามารถอัตโนมัติงานวิจัยและพัฒนา AI ส่วนใหญ่ได้ภายในไม่กี่ปีข้างหน้า ซึ่งอาจนำไปสู่การเติบโตของความสามารถอย่างรวดเร็วในระดับที่สังคมรับมือไม่ไหว
ความสำคัญ: เตือนถึงประโยชน์ที่อาจได้รับจากการอัตโนมัติในการวิจัยและพัฒนา AI ควบคู่ไปกับความเสี่ยงขั้น極 เช่น การสูญเสียการควบคุม และกระตุ้นให้เตรียมความพร้อมเชิงนโยบายสรุปโดย AI

ความปลอดภัยและกฎระเบียบ

สรุปฉบับเต็ม อ่านต้นฉบับ ↗

หน้านี้รวบรวมงานวิจัยที่เผยแพร่ ประกาศอย่างเป็นทางการ และรายงานข่าว เพื่อเป็นข้อมูลเท่านั้น บทสรุปงานวิจัยเขียนโดย AI จากบทคัดย่อและตรวจสอบโดยผู้ดูแล อาจแตกต่างจากต้นฉบับ โปรดตรวจสอบต้นฉบับสำหรับเนื้อหาสำคัญ ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใดหรือคำปรึกษาด้านการลงทุน การย้ายงานอ้างอิงประกาศอย่างเป็นทางการหรือสื่อหลัก และประวัติการทำงานบางส่วนอ้างอิงจาก Wikidata (CC0) บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว