Lek na starzenie od Insilico: zegary biologiczne cofnięte o lata

Lek zaprojektowany przez AI odwraca markery starzenia w badaniu klinicznym

Firma Insilico Medicine poinformowała, że jej kandydat na lek rentosertib, zaprojektowany z wykorzystaniem sztucznej inteligencji, wykazał oznaki odwracania markerów biologicznego starzenia we wczesnym badaniu klinicznym. Lek pierwotnie opracowano dla idiopatycznego włóknienia płuc, choroby bliznowaciejącej tkankę płucną. W ubiegłorocznym badaniu z udziałem 42 pacjentów zaobserwowano poprawę czynności płuc, a próbki krwi pobrane podczas tego badania stały się podstawą nowej analizy opublikowanej w czasopiśmie Nature Biotechnology.

Naukowcy uruchomili sześć niezależnie zbudowanych zegarów starzenia, czyli modeli AI przewidujących wiek biologiczny na podstawie białek krwi, na danych pacjentów. Wszystkie sześć zegarów przewidziało niższy wiek biologiczny u osób leczonych niż u osób otrzymujących placebo. Najsilniejszy efekt to spadek o trzy do czterech lat w czwartym tygodniu, przy czym jeden z zegarów wskazał nawet sześć lat. Wyniki sugerują, że wzorce białek krwi przesunęły się w sposób odczytywany przez modele jako młodszy wiek biologiczny, co nie oznacza, że pacjenci wymiernie odmłodnieli. Lek jest obecnie w III fazie badań klinicznych nad włóknieniem płuc, a firma opracowała co najmniej 28 kandydatów na leki z użyciem generatywnej AI.

AI-designed drug appears to turn back the body’s biological clock in early trial →

OpenAI ogłasza osiągnięcie celu zautomatyzowanego asystenta badawczego i ostrzega przed tempem rozwoju

OpenAI poinformowało o osiągnięciu celu ogłoszonego jesienią ubiegłego roku, jakim jest zautomatyzowany asystent badawczy, czyli system obsługujący jasno określone zadania badawcze pod ludzkim nadzorem, w tym zadania, które doświadczonemu naukowcowi zajęłyby kilka dni. Firma nie podzieliła się szczegółową weryfikacją tego twierdzenia, podając jedynie, że kamień milowy został osiągnięty według ich pomiarów. Do marca 2028 roku OpenAI chce zbudować w pełni zautomatyzowanego badacza AI. Dane dotyczące użytkowania pokazują, że mediana badacza w OpenAI wydaje ponad 600 dolarów dziennie na wnioskowanie w cenach API, a 90. percentyl ponad 7000 dolarów.

Od czerwca czas pracy agentów przewyższył ludzkie godziny pracy, a od połowy sierpnia organizacja badawcza prowadzi 3,1 dnia pracy agentów na każdy ludzki dzień pracy. W towarzyszącym esej naukowiec OpenAI Jakub Pachocki napisał, że AI jest bardziej wyhodowana niż zaprojektowana, a jej ogólne zachowanie opiera się pełnemu zrozumiałemu opisowi. Ostrzegł, że obawia się, iż nikt nie jest przygotowany na konsekwencje dalszego szybkiego wzrostu inteligencji maszynowej. Stwierdził, że monitorowanie łańcucha myśli, kluczowe narzędzie do obserwacji modeli rozumujących, traci wiarygodność, a postęp AI będzie coraz bardziej ograniczany przez to, na ile można ufać monitoringowi. Wezwał do przekształcenia ram bezpieczeństwa w wiążące standardy egzekwowane przez niezależnych audytorów.

OpenAI reports AI “research interns” and warns about its own pace at the same time →

Qwen-Drive 1.0 od Alibaba: model jazdy, który tłumaczy swoje decyzje, ale nie zawsze trafnie

Qwen-Drive 1.0 to model jazdy opracowany przez dział badawczy Alibaba, który w jednym modelu AI łączy trzy zadania: przestrzenną percepcję otoczenia, odpowiadanie na pytania o ruch drogowy oraz planowanie trasy. Naukowcy twierdzą, że model tekstowo-obrazowy nie rozumie automatycznie trójwymiarowej przestrzeni tylko dlatego, że potrafi opisywać zdjęcia. Istniejące modele jazdy opierają się na ogólnych modelach tekstowo-obrazowych dostrajanych na danych dotyczących jazdy, co według autorów ma dwie słabości: model trenowany głównie na pytaniach o ruch drogowy nadal nie potrafi niezawodnie wykrywać odległości, pozycji i wolnych przestrzeni, a zbytnia specjalizacja prowadzi do utraty ogólnej wiedzy przez tak zwane katastrofalne zapominanie.

Model opiera się na Qwen3.5-4B i dodaje dwa komponenty: pierwszy generuje widok z lotu ptaka, wykrywając obiekty w przestrzeni 3D, a drugi, ekspert planowania, wykorzystuje wewnętrzne dane modelu do planowania przyszłego ruchu pojazdu. Trening rozpoczyna się od modułu percepcji, następnie łączy percepcję z odpowiadaniem na pytania, a kończy na planowaniu trasy i dopracowaniu zachowania przez uczenie ze wzmocnieniem. W testach Qwen-Drive 1.0 pokonuje wyspecjalizowane modele w większości kategorii jazdy i percepcji. Wyjaśnienia modelu nie zawsze jednak wskazują rzeczywistą przyczynę sytuacji, a zaplanowany manewr nie zawsze odpowiada wcześniej podanemu uzasadnieniu. Model wykrywa znacznie mniej podczas przetwarzania nagrań z innych pojazdów z różnymi konfiguracjami kamer.

Qwen-Drive 1.0 tells you why it brakes, just don’t expect the explanation to match the maneuver →

Cathay Pacific i Google ograniczają smugi kondensacyjne na trasach ultradługich z pomocą AI

Linie Cathay Pacific wykonały ponad 80 tras z unikaniem smug kondensacyjnych w ramach pilotażu z Google, który rozpoczął się pod koniec 2025 roku. Polegał on na zmianie wysokości przelotowej w celu ominięcia cienkich pasm wilgotnego powietrza, gdzie spaliny samolotów zamarzają w chmury zatrzymujące ciepło. Analiza satelitarna Google szacuje, że pilotaż przyniósł około 40-procentową redukcję ocieplającego wpływu smug, które te loty mogłyby wytworzyć. Badanie objęło trasy ultradługie trwające ponad 16 godzin, po raz pierwszy testując tę technikę przy takim czasie trwania.

Trasa z Hongkongu do Singapuru, gdzie trwałe smugi tworzą się często, odpowiadała za ponad połowę szacowanej redukcji. Badania wskazują, że 2 do 3 procent lotów wytwarza około 80 procent ocieplenia spowodowanego smugami. Wcześniejsze prace Google z American Airlines wykazały redukcję smug o 54 procent przy koszcie około 2 procent dodatkowego paliwa na zmienionych trasach. Większy transatlantycki pilotaż od stycznia do maja 2025 roku objął 112 lotów i przyniósł 62-procentową redukcję bez istotnej statystycznie różnicy w spalaniu paliwa. Google szacuje, że uniknięte ocieplenie jest około 20 razy większe niż ocieplenie dodane przez dodatkowe paliwo. System handlu emisjami UE wymaga od linii lotniczych monitorowania i raportowania skutków innych niż CO2 od 1 stycznia 2025 roku.

Cathay Pacific and Google partner on AI contrail avoidance for ultra-long-haul flights →

Agenci kodujący AI zmieniają wydatki firm na oprogramowanie: wewnętrzne budowanie wypiera zakupy

Prawie jedna trzecia respondentów, bo 32 procent, w raporcie badawczym McKinsey poinformowała, że ich organizacje zrezygnowały z zakupu co najmniej jednego produktu lub funkcji oprogramowania, ponieważ mogły zbudować tę funkcjonalność wewnętrznie przy użyciu agentowych narzędzi do kodowania. Trend był szczególnie widoczny w technologiach i opiece zdrowotnej, a następnie w usługach profesjonalnych oraz energetyce i materiałach. Czterdzieści procent respondentów z organizacji o rocznych przychodach przekraczających miliard dolarów stwierdziło, że skaluje agentów AI w co najmniej jednej funkcji, co stanowi wzrost z 27 procent rok wcześniej.

Wśród mniejszych organizacji wskaźnik adopcji pozostał w dużej mierze niezmieniony i wyniósł 22 procent. Firmy osiągające wysokie wyniki w AI są dwa razy bardziej skłonne niż inne do raportowania skalowania agentów kodujących oprogramowanie i 2,7 razy bardziej skłonne do skalowania innych agentowych AI. Blisko połowa liderów stwierdziła, że zrezygnowała z zakupów oprogramowania na rzecz budowania wewnętrznego, w porównaniu z 31 procentami innych respondentów. Około jedna na pięć organizacji stwierdziła, że koszty operacyjne związane z AI, w tym koszty tokenów, ograniczyły korzystanie z tej technologii. Sześćdziesiąt procent respondentów spodziewa się zwiększenia inwestycji w AI w ciągu najbliższego roku.

AI coding agents shift corporate tech spending: Companies build software internally over buying →