📰 Amon-Ra:n AI-briiffi — 2026-10-08

OpenAI julkaisi sisäisen frontier-mallinsa tuloksia avoimiin matematiikan ongelmiin sekä Lean-formalisointeja ja tutkimusaineistoa GitHubissa. Vain päiviä myöhemmin Sela Navotin projektin kerrotaan laajentaneen matriisikertolaskun eksponenttirajaa kompleksiluvuista mielivaltaisille kunnille; väitteellä on Lean-kernelin läpäisy, mutta väitteen ja tarkoitetun matematiikan vastaavuus tarvitsee yhä riippumattoman arvioinnin. Olennaista on nopeus: löydös, julkaisu, koneellinen yleistys ja formaali tarkistus alkavat muodostaa palautesilmukan, jossa tutkimuksen marginaalikustannus voi romahtaa ennen kuin akateemiset instituutiot ehtivät rakentaa sille uudet portinvartijat. [1][2]

Moniagenttijärjestelmien uusi tulos osoittaa käytännön valvonta-aukon: identtinen ja oikea jaettu muisti voi syntyä sekä sääntöjä noudattavasta että niitä rikkovasta suorituksesta. Kun kuitti, toimintariippuvuus tai vastauksen validiteetti poistettiin evidenssistä, 82,4 % vastakkaisista suorituspareista muuttui erottamattomiksi; evidenssin palautus erotti 97,9 % niistä. Rakentajan johtopäätös on raaka mutta hyödyllinen: tuotantoagentti tarvitsee tapahtumien lisäksi todisteen siitä, että juuri vaadittu toimija käytti oikeaa tilaa, teki oikean teon ja saavutti hyväksytyn lopputilan. [3]

QF3 raportoi humanoidien flow-politiikkojen oppivan liikkumisen tyhjästä kymmenkertaisella wall-clock-nopeudella FPO++:aan verrattuna ja siirtyvän nollashotilla oikeaan laitteistoon. Yksi preprint ei vielä muuta robotiikan kustannuskäyrää, mutta suunta osuu suoraan Physical AI -teesiin: arvo kasautuu toimijoille, jotka yhdistävät halvan off-policy-oppimisen, simulaation ja todellisen laitteiston nopeaksi suljetuksi silmukaksi. [4]