Kukaan ei ole valmis siihen, mitä tämä Stanfordin tutkimus paljastaa moniagenttisesta tekoälystä. "Latent Collaboration in Multi-Agent Systems" osoittaa, että agentit eivät tarvitse viestejä, protokollia tai nimenomaisia tiimityöohjeita. He alkavat koordinoida omien piilotettujen esitystensä sisällä kokonaista yhteistyökerrosta, joka on olemassa vain piilevässä tilassa. Ja käytökset ovat järjettömiä: • Agentit jakavat tehtäviä hiljaisesti sen mukaan, kumpi on parempi • Roolit ilmestyvät tyhjästä johtaja, toimeenpanija, tukija • Politiikat koodaavat signaaleja, joita ei koskaan näy toiminnoissa • Tiimit sopeutuvat uusiin ympäristöihin ilman uudelleenkoulutusta • Yhteistyö pysyy vakaana, vaikka viestintä olisi mahdotonta Villein yksityiskohta: Vaikka poistaisit kaikki viestintäkanavat, agentit tekevät silti yhteistyötä. "Tiimityö" ei elä viesteissä. Se elää verkostossa. Tämä mullistaa koko monen agentin toimintamallin. Olemme rakentaneet koordinaatiomekanismeja päälle... kun taas todellinen koordinointi tapahtuu sen alla. Uusi tiimitiedustelun aikakausi on alkamassa — ja se tapahtuu paikoissa, joihin emme edes katsoneet. Projekti: github. com/Gen-Verse/LatentMAS

DeepSeek onnistui juuri sellaisessa päivityksessä, jota jokainen järkeilymalli on esittänyt omaavansa. Sen sijaan, että heittäisi pitkän ajatusketjun ja toivoisi sen olevan järkevä, DeepSeek Math V2 suorittaa täydellisen kyselyn omalla logiikallaan. Se rakentaa todistuksen, hyökkää sen kimppuun, tarkistaa hyökkäyksen, tarkistaa tarkistin, korjaa virheet ja silmukoida, kunnes se ei enää pysty rikkomaan itseään. Tuo yksittäinen idea muutti sen suorituskyvyn täysin. Tässä on, mitä tuo itsetutkiskelun taso aiheutti: • Kultatason suoritus IMO 2025 -kilpailussa • Kultatason suoritus CMO 2024 -tapahtumassa • 118/120 Putnamissa 2024, korkein raportoitu pistemäärä • Paremmat tulokset kuin GPT-5 Thinkingillä ja Gemini 2.5 Prolla vaikeimmissa kategorioissa Salaisuus ei ole mittakaavaa. Kyse on mallin ympärillä olevasta arkkitehtuurista: — varmentaja, joka etsii loogisia aukkoja — meta-varmennustekijä, joka kyseenalaistaa varmennustekijän — todistusgeneraattori, joka on ehdollistettu välttämään heikkoa päättelyä — silmukka, joka pakottaa järjestelmän jokaisen osan terävöitymään Prosessi etenee kuin hiomakone: - Tuottaa todistus - Testaa - Testaa testilaite - Korjaa päättely -Toistaa He tähtäsivät matemaattisen päättelyn todelliseen ongelmaan: malli voi osua oikeaan vastaukseen vääristä syistä. Siksi DeepSeek koulutti varmistajan, joka arvioi päättelyä, ei tuloksia. Villintä on se, mitä tapahtuu ajan myötä: Jokainen sykli parantaa mallin omaa todisteiden laatua ilman ihmisen puhdistusta. Se paranee, koska se kieltäytyy hyväksymästä ensimmäistä luonnostaan oikeaksi. Tämä on uusi suunta päättelymalleille. Ei enempää ajattelua. Parempi ajatus. Jos haluat ymmärtää, mihin tekoälypäättely on menossa, tämä artikkeli on ennakkokatsaus seuraavaan aikakauteen.

Luen Anthropicin raporttia todellisesta Clauden käytöstä, ja luvut iskevät kuin tiiliskivi. He kävivät läpi 100 000 keskustelua. Tässä on se osa, joka pysäytti minut: Useimmat tehtävät, joita ihmiset tuovat Claudelle, vievät yleensä noin 90 minuuttia. Clauden kanssa samat tehtävät valmistuvat 80 prosenttia nopeammin. Se on joku, joka säästää tunteja joka ikinen viikko ilman edes vaivaa. Sitten raportti kasvaa suuremmaksi. Jos näitä edistysaskeleita sovelletaan koko Yhdysvaltain talouteen, pelkästään tämän päivän mallit nostavat työvoiman tuottavuutta 1,8 prosenttia vuodessa seuraavan vuosikymmenen ajan. Melkein kaksinkertainen vauhti viime aikaan verrattuna. Eikä mikään tästä sisällä parempia malleja. Tämä on vain tapa, jolla ihmiset jo käyttävät Claudea tällä hetkellä. Tämä saattaa olla ensimmäinen kerta, kun näemme kovaa näyttöä siitä, mitä tekoäly tekee oikeissa töissä. Hiljainen vuoro. Massiivinen vaikutus. Tapahtuu jo.