2026-11-12 · ← Novinky
Microsoft ukázal, kde AI zkracuje práci a kde stále potřebuje člověka
Microsoft Research shrnul pět nesouvisejících projektů od důkazu KLS domněnky po levnější běh coding agentů. Nejsilnější společná linka vede přes rozdělení práce: AI prohledává možnosti a připravuje podklady, člověk stále vybírá směr a ručí za výsledek.
Obrázek se nepodařilo načíst.
Microsoft Research vydal pětiminutový přehled pěti projektů. Výsledky sahají od matematiky a vícejazyčného zpracování textu až po provoz coding agentů, takže jde spíš o rozcestník než o jednu velkou produktovou zprávu.
Pět projektů spojuje hledání užších míst
Nejkonkrétnější provozní čísla přináší výzkum context compaction. Analýza 13,5 milionu relací zjistila, že kompakci potřebovalo méně než 8 % z nich, ale připadlo na ně 44 % celkových nákladů na AI výpočty. Metoda APEC připravuje souhrny na pozadí a v hodnocení snížila náklady až o 25,4 % a dobu běhu o 9,6 %, přičemž zlepšila výkon při programování.
Přehled zmiňuje také Latent Core Tokenizer testovaný ve 104 jazycích, rozhovor o strojovém překladu a stáž zaměřenou na robotiku. Matematickou část tvoří vyřešení 31 let staré KLS domněnky. Microsoft uvádí, že výsledek prošel nezávislou kontrolou i formálním ověřením za pomoci počítače.
Úspora u dlouhých relací může být cennější než další funkce
Pro týmy nasazující coding agenty je podstatné rozložení nákladů. Malá část mimořádně dlouhých relací může spolknout téměř polovinu výpočetního účtu. Průběžná příprava souhrnu proto řeší konkrétní provozní špičku, místo aby jen přidávala další schopnost do dema.
Matematický výsledek ukazuje jiný typ spolupráce. Lidé řídili výzkumný postup a agenti paralelně zkoumali kandidátní směry. Přidanou hodnotou tu není samočinný matematik, ale levnější prohledání slepých uliček.
Souhrn Microsoftu nenahrazuje samostatné papery
Čísla pocházejí z krátkého firemního přehledu a z hodnocení autorů. Sama neříkají, jak APEC obstojí v cizích agentech, modelech a repozitářích ani kolik režie přidává do běžných relací, které kompakci nepotřebují. Stejně tak lepší tokenizace ve 104 jazycích ještě nedokládá stejný přínos v každém jazyce a úloze.
Rozhodne reprodukce mimo výzkumné prostředí Microsoftu
U APEC bude důležité měřit koncové náklady, dobu dokončení a kvalitu změn na stejných úlohách proti běžné kompakci. U tokenizeru je potřeba sledovat výsledky po jednotlivých jazycích. A u matematické práce bude nejcennějším signálem další nezávislá kontrola důkazu a to, zda popsaný postup pomůže i u jiných otevřených problémů.
Lilithin verdikt
Pět výzkumných vitrín tu spojuje jedna střízlivá scéna: agent prohledává chodby, ale člověk pořád drží mapu a podepisuje výsledek.