szemlebeta AI hírek. tömören.

2026. szeptember 8., kedd · Kutatás

AI-keretrendszer gyorsítja az emberi szövetatlasz adatgyűjtését

Kutatók a Communications Biology folyóiratban bemutatták a HRAftu-LM-RAG nevű mesterséges intelligencia keretrendszert, amely nagy nyelvi modelleket, képi elemzést végző modelleket és visszakereséssel támogatott generálást (RAG) kombinál. A cél a funkcionális szövetegységek (FTU) tulajdonságainak automatikus kinyerése tudományos publikációkból a Human Reference Atlas (HRA) építéséhez, amely az emberi test szervezettségét térképezi fel szervi szinttől egyetlen sejtekig. A szerzők szerint a rendszer 244 640 PubMed Central cikket dolgozott fel 1 389 168 ábrával 22 FTU-ra vonatkozóan, ebből 617 237 mikroszkópos vagy sematikus képet azonosított, és 331 189 méretarány-jelölést, valamint 1 719 138 biológiai entitás-említést nyert ki, donor-metaadatokkal együtt. A cikk korai, lektorált változatként jelent meg, végleges formája még változhat.

Miért fontos?

A módszer automatizálja a kézi szakirodalmi átnézést, ami korábban gyakorlatilag lehetetlen volt az emberi szövetatlasz nagyszámú publikációja miatt.

Források

Nature Tudományos

Említve a tudásbázisban

fogalom Nagy nyelvi modell (LLM) fogalom Retrieval-Augmented Generation (RAG)

Kapcsolódó témák

Napi összefoglalók AI kutatás #Human Reference Atlas#RAG

Napi összefoglaló

Ez a hír a 2026. szeptember 8., kedd napi AI összefoglaló része.

Kapcsolódó hírek

Bayesi bizonytalanság-propagálás az ágensalapú RAG rendszerek megbízhatóságának javítására

Kutatók egy bizonytalanságtudatos keretrendszert mutattak be ágensalapú Retrieval-Augmented Generation (RAG) rendszerekhez, amelyben a tervező, kiértékelő és generáló szakaszok bizonytalansági jeleket állítanak elő szemantikai eltérés és önértékelés alapján. Ezeket a jeleket egy Bayes-hálón propagálják, hogy rendszerszintű bizonytalanságot becsüljenek, és a munkafolyamat egyes csomópontjainál jelezzék a lehetséges hibaforrásokat. A StrategyQA és HotpotQA adathalmazokon, GPT-3.5-Turbo és GPT-4.1-Nano modellekkel végzett kísérletek szerint a módszer a többlépéses következtetést igénylő HotpotQA-n hatékonyabb, míg a StrategyQA-n a rosszul kalibrált upstream jelek korlátozzák a teljesítményt. A nem lektorált tanulmány a megközelítést ígéretesnek, de előzetesnek minősíti, és ipari validálást – például tengeri szélenergia-karbantartási döntéstámogatásban – tart szükségesnek.

Google DeepMind atlaszt készített a teljes emberi genom lehetséges mutációiról

A Google DeepMind bemutatta az AlphaGenome Atlas nevű ingyenes online eszközt, amely a vállalat közlése szerint előre kiszámított predikciókat tartalmaz mind a kilencmilliárd lehetséges egybetűs DNS-változásra az emberi referenciagenomban. A rendszer a tavaly bemutatott, majd januárban a Nature-ben publikált AlphaGenome modellre épül, és megmutatja, hogyan hathat egy mutáció a génexpresszióra és más szabályozó folyamatokra, a fehérjét nem kódoló szakaszokat is beleértve. Újdonság a Variant Impact Score nevű egyetlen szám, amely a fejlesztők szerint gyorsan jelzi egy genetikai eltérés lehetséges jelentőségét. A DeepMind maga hangsúlyozza, hogy a predikcióknak korlátai vannak, mivel sok betegséget több variáns együttes hatása okoz.

Anthropic: az AI egyre veszélyesebb kibertámadásokat tesz lehetővé

Az Anthropic saját jelentése szerint 832, kiberbűnözés miatt kitiltott fiók tevékenységét vizsgálták 2025 márciusa és 2026 márciusa között, ezeket a MITRE ATT&CK keretrendszer technikáira vetítve. A cég szerint a vizsgált fiókok 67,3 százaléka (560 darab) használt AI-t kártevő kód írásához, míg 6,5 százalék (54 fiók) az érintett hálózaton belüli oldalirányú mozgáshoz vette igénybe. Az elemzés alapján a vizsgálat első hat hónapjában a szereplők 33 százalékát sorolták közepes vagy magasabb kockázatúnak, ez a második hat hónapra 56 százalékra nőtt. Az Anthropic azt is állítja, hogy az AI-alapú támadások egyre autonómabbá válnak, és a MITRE ATT&CK keretrendszer jelenlegi formájában nem fedi le teljesen ezeket az új eszközöket és tevékenységeket. Az eredmények egy részét a Verizon 2026-os adatbiztonsági incidensjelentésében (DBIR) is közölték.

OpenAI: AI-rendszerünk megoldást generált a Navier–Stokes-problémára — a matematikusi ellenőrzés még hátravan

Az OpenAI szeptember 8-án bejelentette, hogy legújabb mesterséges intelligencia rendszere megoldást generált a Navier–Stokes-egyenletek Millennium-problémájára, amelyért a Clay Mathematics Institute egymillió dolláros díjat kínál. A cég állítása szerint a bizonyítás azt mutatja, hogy egyes kezdetben szabályos folyadékáramlások véges idő alatt végtelen sebességet érhetnek el az egyenletek szerint, ami arra utal, hogy a modell bizonyos esetekben nem tükrözi megbízhatóan a valós fizikai viselkedést. A Clay Institute elnöke, Martin Bridson szerint izgalmas nap ez a matematika történetében. A Nature szerint az OpenAI kutatói azért fókuszáltak erre a problémára, mert hírek szerint Levent Alpöge és Tristan Buckmaster matematikusok szeptember 7-én közzétett tanulmányukban egy Anthropic-modell segítségével hasonló eredményre jutottak.