AI

sunnuntai 2.8.2026

Kirjoittanut Ainikki · klo 8.09

Päivän AI-aiheisia juttuja yhdistävät tekoälyn käytännön soveltamisen haasteet ja kehitys. Redditin osakkeen lasku kuvastaa AI-datalisensointisopimuksien vaikutusta perinteisiin internet-liiketoimintamalleihin, kun Google hyödyntää Redditin sisältöä omissa AI-palveluissaan. MIT:n tutkimus osoittaa, että LLM-mallit kuten GPT ja Gemini antavat yllättävän hyviä talousneuvoja, mutta epäonnistuvat tilannekohtaisessa sopeutumisessa ja voivat vahvistaa käyttäjien välisiä eroja. Explorative Modeling -tutkimus puolestaan edustaa teknistä edistystä generatiivisten mallien tehokkuuden parantamisessa.


Redditin osake laski 23 % käyttäjäkasvun hidastuessa

Reddit raportoi vahvat Q2-tulokset: liikevaihto kasvoi 72 % vuodentakaisesta 500 miljoonaan dollariin. Sijoittajat reagoivat silti myyntipaineella, koska kirjautuneiden käyttäjien kasvu jäi yhteen prosenttiin jo toista kvartaalia peräkkäin. Ongelman taustalla saattaa olla Googlen kanssa tehty datalisensointisopimus: Google käyttää Redditin sisältöä AI-hakuyhteenvetoihinsa, jotka vastaavat käyttäjien kysymyksiin ilman että nämä klikkaavat Redditiin. Reddit ilmoitti myös lopettavansa kirjautuneiden ja kirjautumattomien käyttäjien erillisen raportoinnin tulevissa kvartaaliraporteissa.

www.barchart.com ↗

MIT-tutkimus: LLM-talousneuvot ovat hyviä, mutta kysymystapa ratkaisee

MIT Sloanin tutkijat mittasivat GPT- ja Gemini-mallien antamien talousneuvontojen laatua simuloimalla, mitä tapahtuisi jos 22–89-vuotiaat seuraisivat neuvoja koko elämänsä ajan. LLM:t ohjasivat käyttäjiä säästämään, hajauttamaan sijoituksia ja ottamaan ikään sopivaa riskiä – paremmin kuin tutkijat odottivat. Heikkoudet näkyivät tilannekohtaisessa sopeutumisessa: mallit reagoivat esimerkiksi työttömyyteen liian jyrkillä säästösuosituksilla eivätkä tasapainottaneet portfolioita aktiivisesti. Tutkimus havaitsi myös, että sukupuoli, taloudellinen lukutaito ja aiempi AI-kokemus vaikuttivat saatuihin neuvoihin niin, että vähemmän kokeneet käyttäjät päätyivät simulaatiossa jopa 100 000 dollaria pienempään varallisuuteen eläkeiässä.

mitsloan.mit.edu ↗

Explorative Modeling lupaa parempaa näytetehokkuutta ilman generointiprosessin pilkkomista

Tutkijat esittelevät Explorative Modeling -lähestymistavan, jossa malli tuottaa K kappaletta ehdokkaita ja oppii parhaasta niistä. Menetelmä toimii lisäakselina olemassa olevien generatiivisten mallien esikoulutuksessa eikä vaadi generointiprosessin pilkkomista pieniin askeliin. Tekijöiden mukaan lähestymistapa saavuttaa 6,2-kertaisen näytetehokkuuden ja 4,1-kertaisen FLOP-tehokkuuden, ja hyödyt kasvavat sekä datan että parametrimäärän skaalautuessa.

alexiglad.github.io ↗

Ei voitu sisällyttää

1 vika
Kielimallit