Datorn som tänker på en tjugondel av ett stearinljus – veckans genombrott inom AI-forskning

Tänkande hårdvara på minimalt med ström

Låt oss börja i det lilla – bokstavligen. Forskare presenterar ett analogt neuralt nätverk som beräknas förbruka omkring 30 mikrowatt, ungefär en tjugondel av vad ett lysande stearinljus drar. Hemligheten är att de träningsbara funktionerna placeras direkt på kopplingarna i hårdvaran, i stället för att använda de enklare skalära vikter som dominerar dagens digitala arkitekturer. Kopplingarna realiseras som analoga bandpassfilter på programmerbara kretsar – ett grepp inspirerat av så kallade Kolmogorov-Arnold-nätverk.

Vad är det bra för i praktiken? Framför allt uppgifter med kontinuerliga, mjuka beräkningar: robotstyrning, reglerteknik, solcellsoptimering. Nätverket klarar sig med betydligt färre noder än klassiska flerskiktsnätverk för sådana problem. Forskarna har redan överfört tränade nätverk till hårdvara över circa 35 000 kopplingar, och simuleringar med minnesmotstånd bekräftar att fördelen sitter i principen – inte i något specifikt material. För inbyggda system med begränsad strömförsörjning öppnar det här ett intressant spår.

AI som rekonstruerar det som hänt

På helt andra sidan av tillämpningsskalan finns TRACER, ett system för rättsteknisk rekonstruktion av trafikolyckor. Det som gör det anmärkningsvärt är att det är helt träningsfritt – det behöver alltså inte ha sett tusentals exempel på olyckor för att fungera. I stället arbetar det i en sluten loop där det iterativt förfinar rörelsehypoteser utifrån sparsam och heterogen bevisning: geometriska mått, kinematik, interaktionsmönster.

Tänk på det som ett system som resonerar som en erfaren olycksutredare snarare än ett som memorerat statistiska mönster. I tester på verkliga olycksdata överträffar TRACER både datadrivna och fysikbaserade jämförelsesystem vad gäller geometrisk noggrannhet och hastighetskonsistens. Potentialen för trafiksäkerhetsforskning och rättsliga utredningar är tydlig.

Bättre matematik och dyrare misstag

Längre in i grundforskningen för stora språkmodeller presenteras två resultat som hör ihop på ett intressant sätt.

Ramverket ExTra (Exploratory Trajectory Optimization) adresserar ett klassiskt problem vid förstärkningsinlärning av språkmodeller: enkla uppgifter ger för lite variation för att ge användbar inlärningssignal, medan svåra uppgifter kan leda till att modellen aldrig hittar rätt svar. ExTra löser detta med en mångfaldsbelöning som uppmuntrar modellen att hitta flera olika korrekta lösningsvägar, kombinerat med en mekanism som identifierar lovande delsteg och fortsätter utforskningen därifrån. I tester på sex matematiska riktmärken förbättrades modellen Qwen3-1.7B med ungefär fem procentenheter jämfört med standardmetoden.

Samtidigt visar en annan studie att kvaliteten på träningsdata är viktigare än vad många trott. Upprepade data i träningskorpusar orsakar systematisk prestandaförsämring – och det mest skadliga scenariot är inte att upprepa en liten datamängd extremt många gånger, utan att upprepa en måttligt stor delmängd ett måttligt antal gånger. I ett konkret exempel var det detsamma som att kasta bort en tredjedel av all beräkningskraft när duplicerad data förbrukade tio procent av beräkningsbudgeten. Det är dyra läxor för de som bygger stora modeller.

Kemi, stål och lagerskador

Utanför den rent mjukvaruinriktade forskningen syns AI alltmer i industriella och vetenskapliga tillämpningar.

Project Ariadne är ett system för retrosyntesplanering – det vill säga att räkna baklänges från en önskad molekyl till kommersiellt tillgängliga råmaterial. Det som skiljer Ariadne från tidigare ansatser är att alla planeringsvillkor hanteras i en och samma promptsekvens, ungefär som att ge naturliga instruktioner. Beräkningstiden sjunker dramatiskt: 24 GPU-minuter mot nästan sju GPU-timmar för ett referenssystem. Forskarna är tydliga med att systemet ännu inte är redo för laboratoriebruk, men källkoden släpps öppet.

Innom tillverkningsindustrin presenteras två resultat som pekar i samma riktning. Ett hybridsystem för realtidsövervakning av laserbaserad metallutskrift kombinerar det föruttränade nätverket EfficientNetB0 med en slumpskogsklassificerare och uppnår en svarstid på 1,15 millisekunder per bild – tillräckligt snabbt för att faktiskt hinna ingripa i produktionsprocessen. Parallellt visar ett ramverk för diagnostik av lagerfel att det räcker med tio procent märkt måldata för att uppnå 92,61 procents träffsäkerhet, en förbättring med drygt 17 procentenheter mot tidigare toppmetoder. Förebyggande underhåll blir helt enkelt billigare.