Le nouveau système d'IA de DeepMind a découvert une nouvelle façon étrange et innovante de penser, marquant une avancée significative dans l'intelligence artificielle. Cette découverte souligne la capacité croissante des IA à développer des approches cognitives non conventionnelles.
L'auteur propose un nouveau modèle de pensée pour l'IA, "ADHD - Parallel Divergent Ideation for Coding Agents", inspiré par la pensée divergente. Il suggère de remplacer la "Chain-of-thoughts" linéaire par une "Tree-of-thoughts" pour permettre aux modèles d'IA de connecter des idées disparates et de penser plus créativement.
Anthropic souligne que le véritable défi pour les agents d'IA est de maintenir la cohérence lors de longues exécutions, et non de démarrer une tâche. Pour éviter la dérive cognitive et assurer la continuité, ils proposent un « runtime harness » basé sur la mémoire externe, les points de contrôle et le ré-ancrage continu.
Lantea.ai présente un système de métriques propriétaire pour évaluer l'IA, remettant en question l'approche traditionnelle basée sur l'échelle des paramètres. L'entreprise définit cinq indicateurs essentiels (Divergence, Données de Puissance de Calcul, Entrée de Densité de Signal, Précision de Sortie, Raffinement) qui mesurent la créativité, l'efficacité computationnelle, la robustesse logique et la capacité de raffinage des connaissances.
Les entreprises d'IA cherchent à construire des systèmes capables de comprendre le monde extérieur et de dépasser les limites des LLM. Les développements récents ont mis les modèles du monde au premier plan de la discussion sur l'IA.
L'auteur a développé EIDOLON OS, un système d'exploitation cognitif d'IA expérimental et local. Il intègre la mémoire, la vision, la récupération sémantique et les actions d'agent pour transformer l'activité du bureau en mémoire structurée et consultable.
Ce contenu explore le domaine fascinant de la traduction des processus internes ou des « pensées » d'un modèle d'intelligence artificielle comme Claude en un langage compréhensible. Il étudie comment les opérations complexes de l'IA peuvent être interprétées et exprimées pour mieux comprendre son raisonnement.
Cet article présente la Planification d'Activités de Pensée Autonome Rythmée par les Battements pour les agents LLM, visant à surmonter les flux de contrôle rigides et réactifs. Le système permet une autorégulation proactive, adaptative et continue en orchestrant dynamiquement des modules cognitifs, mimant le rythme de la cognition humaine.
L'article propose une classification bidimensionnelle pour les modèles de conception d'agents d'IA, combinant la fonction cognitive et la topologie d'exécution. Ce nouveau cadre vise à dépasser les limites des systèmes existants qui décrivent les architectures d'agents LLM d'un point de vue unique.
Cette étude présente un atlas de la surveillance métacognitive au niveau du domaine chez 33 LLM de pointe, analysant 1 500 éléments MMLU dans six domaines. Elle révèle une variation significative au sein du modèle, les connaissances appliquées/professionnelles étant le domaine le plus facile et le raisonnement formel/sciences naturelles les plus difficiles à surveiller.
Cet article explore la capacité des systèmes d'intelligence artificielle à retenir et à récupérer des informations. Il évalue l'efficacité de la 'mémoire' de l'IA dans différents contextes et applications.
Cet article explore comment les agents d'IA modernes utilisent la mémoire à court terme (STM) et à long terme (LTM), en établissant des parallèles avec le système de mémoire du cerveau humain. Il définit la STM en IA comme la mémoire temporaire pour les interactions en cours et la LTM comme le stockage persistant au-delà des sessions uniques.