В нов анализ на състоянието на технологичната индустрия, популярният софтуерен инженер и обучител Джош Комо разглежда „слона в стаята“ — въпросът дали все още има смисъл да се учат нови програмни умения в свят, доминиран от изкуствен интелект [1]. Според Комо, макар големите езикови модели (LLM) да са станали „шокиращо добри“ в програмирането, те не са заместител на разработчиците, а по-скоро мощен множител на тяхната експертиза.

В света на изкуствения интелект „агент“ е нещо повече от езиков модел — това е модел, снабден с инструменти и памет. Но как точно трябва да се съхранява тази памет? Според Хеянг Джоу (Heyang Zhou), създател на платформата Willow, отговорът е изненадващо прост: SQLite. В нова публикация [1] той описва как Willow използва разпределена версия на популярната база данни, за да реши едни от най-трудните проблеми при управлението на ИИ агенти в мащаб.

Willow е т.нар. agent harness (инфраструктурен слой), разработен за проекта Bridge [2]. Неговата задача е да обслужва милиони агенти, като третира всеки от тях като отделен „контейнер“ със собствена файлова система и състояние. Ключовата иновация тук е, че файловата система на агента не е просто папка с файлове, а таблица в SQLite база данни.

Проблемът със „забравянето“ при съвременните изкуствени интелекти е една от най-големите пречки пред създаването на автономни агенти, способни да изпълняват сложни, многостепенни задачи. Докато технологии като RAG (Retrieval-Augmented Generation) помагат при извличането на факти от големи бази данни, те често се провалят в поддържането на динамична „работна памет“ за текущото състояние на задачата. Решението идва под формата на δ-mem (Delta-Mem) — лек механизъм, който добавя само 0,12% допълнителни параметри към модела, за да му осигури стабилна и адаптивна памет [1].

Традиционният подход за справяне с ограничената памет е или разширяване на контекстния прозорец (което е скъпо и бавно), или използване на RAG. RAG обаче работи чрез търсене на статични документи. Той е отличен за справки, но не е предназначен да следи как се променя „мисълта“ или планът на агента по време на дълъг разговор или сложен процес на кодиране [3].

Според репортаж на Android Central [1], Google превръща Gemini for Home в цялостна платформа с "пълен стек" от AI възможности, отваряйки своята екосистема за външни хардуерни производители и доставчици на услуги. Този ход цели да ускори навлизането на интелигентните технологии в ежедневието чрез партньорства с компании като AT&T.

Досега функциите на Gemini бяха ограничени предимно до устройствата от серията Nest, но новата програма позволява на трети страни да вграждат AI директно в своите продукти, прескачайки години на собствена научноизследователска дейност.

Според репортаж на VentureBeat [1], ентърпрайз приложенията, базирани на AI агенти, все по-често се сблъскват с фундаментално ограничение: те забравят наученото веднага след края на сесията. Този проблем, наречен "стена на паметта", пречи на масовото внедряване на автономни системи в бизнеса.

Основните архитектури в момента разчитат на RAG (Retrieval-Augmented Generation), което позволява на моделите да извличат информация от документи. RAG обаче е пасивен процес – моделът третира всяко взаимодействие като чисто нова задача и не успява да интернализира кои стъпки са довели до успех в миналото [1].

OpenAI обяви историческо постижение в областта на математиката: техен нов модел за разсъждение самостоятелно опроверга една от централните хипотези в дискретната геометрия – проблема за единичните разстояния в равнината, формулиран от Пал Ердьош през 1946 г. [1]. Това е първият случай, в който общоцелеви изкуствен интелект решава значим отворен проблем в математиката без човешка намеса в процеса на доказване.

Проблемът на Ердьош се отнася до максималния брой двойки точки на разстояние единица в набор от $n$ точки. Дълго време се смяташе, че този брой следва определена горна граница, но моделът на OpenAI успя да конструира безкрайно семейство от примери (контрапримери), които подобряват този лимит, доказвайки, че съществуват конфигурации с много повече единични разстояния [1].