@kawecki_maciej - różne prędkości adopcji nie powinny przerażać. Jeśli już to fascynować. Kiedyś mówiło się o krajach różnych prędkości w strefie euro. Galaktyki bodajrze też nie ewoluowały wszystkie w jednakowym momencie. Polska pomineła erę czeków, po czym weszła w jeszcze nowszy standard....
@kawecki_maciej - podział na harness i model LLM ma sens. W szczególniści przy konstrukcjach offline można je dobierać niezależnie od siebie. Co więcej budowa/modyfikacja modelu LLM wymaga dużych mocy obliczeniowych, a harnessu nie
Introducing Unsloth Desktop 🦥
The first desktop app to run and train models locally.
• Open-source. Runs on Mac, Windows and Linux
• Supports MLX, diffusion image/video, audio, GGUF
• Connect Claude Code and Codex to local LLMs
• 50% more accurate, self-healing tool calls + sandboxed code exec
• Works for CPU + multiGPU setups - NVIDIA, AMD, Intel, Mac
• Train models 2× faster with 70% less VRAM
• Private web search, deep research, RAG, MCP and exports (NVFP4, GGUF)
• Use Unsloth’s OpenAI-compatible API and cloud models
• Securely deploy LLMs remotely and access anywhere
Unsloth Desktop is now available on https://t.co/xxBDOI9ApK and GitHub.
GitHub: https://t.co/2kXqhhvLsb
Blog and Guide: https://t.co/CYosNAQHva
Introducing Unsloth Desktop 🦥
The first desktop app to run and train models locally.
• Open-source. Runs on Mac, Windows and Linux
• Supports MLX, diffusion image/video, audio, GGUF
• Connect Claude Code and Codex to local LLMs
• 50% more accurate, self-healing tool calls + sandboxed code exec
• Works for CPU + multiGPU setups - NVIDIA, AMD, Intel, Mac
• Train models 2× faster with 70% less VRAM
• Private web search, deep research, RAG, MCP and exports (NVFP4, GGUF)
• Use Unsloth’s OpenAI-compatible API and cloud models
• Securely deploy LLMs remotely and access anywhere
Unsloth Desktop is now available on https://t.co/xxBDOI9ApK and GitHub.
GitHub: https://t.co/2kXqhhvLsb
Blog and Guide: https://t.co/CYosNAQHva
@KinasRemek@KinasRemek Jak uważasz, jakie warunki musiały by zostać spełnione aby powstał "Bielik Coder" ogarniający fizykę świata? 🤔
Szacunkowo ile by wyszło mld parametrów (pewnie przy architekturze MoE)?
Naukowcy są w szoku 🤯Ja też‼️
Programista bez wiedzy medycznej użył sztucznej inteligencji, by stworzyć szczepionkę mRNA na raka i ocalić swojego psa!
> Zapłacił 3000 dolarów za zsekwencjonowanie DNA guza.
> Użył ChatGPT, aby przeanalizować mutacje genetyczne
> Użył Google AlphaFold do stworzenia modeli przestrzennych białek.
Programista zaprojektował z pomocą AI własną szczepionkę mRNA, by ocalić psa. Guz skurczył się o 75%, a technologia może zrewolucjonizować medycynę.
Paul Conyngham z Sydney usłyszał koszmarną diagnozę: jego ukochany pies Rosie ma raka komórek tucznych (mastocytomę). Tradycyjna chemioterapia kosztowała tysiące dolarów, zatrzymała rozwój choroby, ale nie potrafiła zmniejszyć guzów. Pies powoli tracił możliwość chodzenia.
Jako przedsiębiorca technologiczny, Paul postanowił potraktować nowotwór jak błąd w kodzie oprogramowania. Zaprzągł do pracy sztuczną inteligencję, a jego proces dosłownie wgniata w fotel.
Krok 1: Zamiana tkanki na dane. Paul zlecił pobranie próbki guza i zsekwencjonowanie jego DNA. Jak sam mówi – przekonwertował fizyczny problem na czyste dane.
Krok 2: Analiza z AI. Wykorzystał ChatGPT do przeanalizowania gigabajtów danych pochodzących z sekwencjonowania. Sztuczna inteligencja krok po kroku pomogła mu zidentyfikować konkretne mutacje i znaleźć główny problem w DNA nowotworu.
Krok 3: Projektowanie leku. Bazując na zidentyfikowanym błędzie, Paul – przypominam, człowiek bez wykształcenia biologicznego – zaprojektował sekwencję pierwszej na świecie, w pełni spersonalizowanej szczepionki mRNA dla psa.
Krok 4: Synteza. Z gotowym „kodem źródłowym” szczepionki zgłosił się do dr. Pálla Thordarsona, dyrektora prestiżowego UNSW RNA Institute. Naukowcy, dysponując gotowym projektem od Paula, wyprodukowali fizyczną szczepionkę w niecałe dwa miesiące.
Efekty przeszły najśmielsze oczekiwania. Po zaledwie miesiącu od podania, nowotwór skurczył się o 75%. W grudniu pies ledwo chodził, a w styczniu przeskakiwał płoty, goniąc króliki.
Dyrektor UNSW RNA Institute nie ma wątpliwości: to absolutny przełom. Ten przypadek udowadnia, że nie musimy czekać latami na gigantów farmaceutycznych pokroju Moderny i ich wielomiliardowe budżety.
Technologię mRNA i spersonalizowaną medycynę można zdemokratyzować na poziomie lokalnych instytutów. W niedalekiej przyszłości ten sam schemat działania z użyciem AI będzie można zastosować do leczenia nowotworów i chorób neurologicznych u ludzi.
A wszystko to dlatego, że pewien programista nie wyobrażał sobie życia bez swojego najlepszego przyjaciela.
@OpenAI@moderna_tx #AI #HealthTech #mRNA
Daily Mail
Ostatnio kolejne problemy Erdősa o numerach 397, 728 i 729 zostały rozwiązanie przy wsparciu GPT-5.2. Jest to bez wątpienia ważny moment - oto algorytm radzi sobie z hipotezami, które przez dekady opierały się ludzkiej intuicji. Na pewno jednak warto zadać sobie pytanie, czy to już nowa era dla matematyki, czy jednak nic ciekawego, a "statystyczna papuga" tylko dzięki "mnożeniu macierzy" użyła znanych już technik i dowodów.
Pisałem już o tym kilkukrotnie i moim zdaniem widać już wyraźnie, że AI będzie miało fundamentalny wpływ na matematykę, choć jeszcze obecnie umie tylko dowodzić dobrze sformułowane hipotezy. Oznacza to, że rozwój matematyki ma szanse przyśpieszyć, choć nadal pozostaje kilka aspektów, które wcale nie są jasne:
1. Jak zauważa Terence'a Tao, sukces GPT nie polegał na wynalezieniu zupełnie nowej metody dowodowej: https://t.co/P3EujnZnnz. Model użył zbliżonych wyników i metod do tych istniejących w literaturze, a następnie umiejętnie je zrekombinował. Samo to jest oczywiście już dużym osiądnieciem, ale oznacza, że nadal poruszamy się wewnątrz przestrzeni istniejącej wiedzy.
2. Z drugiej strony mamy ogromny optymizm Geoffreya Hintona: https://t.co/I43u3Wd6PC. W swoim argumencie porównuje on matematykę do gier takich jak szachy czy go, które są systemami zamkniętymi. Stwierdza, że matematyka też jest takim systemem i AI może w nią „grać”, generując własne problemy, testując dowody i ucząc się na błędach bez udziału człowieka.
3. Wielu matematyków nie zgadza się ze spojrzeniem prezentowanym przez Hintona. W swoich wypowiedziach. Przypominają oni, że matematyka to nie same dowody twierdzeń, ale jasność i zrozumienie, a także umiejętność stawiania hipotez. Wielkie Twierdzenie Fermata nie jest tylko ważne ze względu na swoją treść, ale ale ze względu na narzędzia i nowe obszary matematyki, które musieliśmy stworzyć, by je rozwiązać.
4. Aktualne użycia AI w matematyce pomijają zupełnie aspekt tworzenia nowych teorii, czy definicji. To one budują język, w którym w ogóle możemy myśleć o problemach. Obecnie AI jeszcze jest dalekie o tworzenia nowych, eleganckich pojęć, które sprawiają, że trudne rzeczy stają się intuicyjnie proste.
AI już teraz staje się genialnym rzemieślnikiem, który z dostępnych materiałów potrafi stworzyć dowód szybciej niż wcześniej - co na pewno będzie użyteczne w badaniach matematycznych. Myślę, że jednak wciąż to będziemy decydujemy co chcemy dowodzić, oraz jakich nowych pojęć potrzebujemy. Jednakże warto przeczytać całą wypowiedź Terene'a Tao, bo mówi on też o czymś, co wcześniej nie było możliwe. W ramach pracy nad dowodem hipotezy 728, AI wielokrotnie go przepisywało i powstało kilka wersji dowodu. Bez AI taka praca nad zmianą struktury dowodu i artykułów go opisujących nie byłaby możliwa, więc bardzo prawdopodobne, że widzimy pierwsze znaki, że zmienia się praca nad publikacjami naukowymi.