Ils ont constaté que, bien que ces modèles excellent dans des jeux compétitifs, comme le dilemme du prisonnier, ils rencontrent des difficultés dans des contextes nécessitant des compromis et la coordination, comme la bataille des sexes.

Les résultats indiquent que les LLM tendent à agir dans leur propre intérêt, ce qui souligne un manque d’intelligence sociale robuste.

Cependant, les chercheurs ont aussi identifié des méthodes pour améliorer leurs capacités sociales, comme la prévision des actions des partenaires avant d’agir.

Ces découvertes pourraient potentiellement permettre de développer de futurs modèles d’IA plus conscientes socialement, capables de mieux collaborer dans des environnements variés tels que la santé, l’éducation ou le soutien social.

Selon des sources rapportées par Bloomberg, les deux entreprises se sont récemment rencontrées en Corée du Sud, bien que ni l’une ni l’autre n’ait souhaité commenter.

Cet accord permettrait à la technologie de recherche d’IA de Perplexity de se démarquer dans l’écosystème Samsung, signalant une potentielle réduction de la dépendance de Samsung envers Google.

En parallèle, Samsung devrait également contribuer significativement à un nouveau cycle de financement de Perplexity, avec des discussions avancées pour un investissement de 500 millions de dollars à une valorisation de 14 milliards de dollars.

Ce partenariat représente une étape cruciale pour Perplexity, qui a récemment collaboré avec Motorola.

Ces jetons servent à gérer des boucles de modulation entre les questions, les indices et les hypothèses, permettant ainsi un raisonnement parallèle et plus efficace au sein des modèles d’intelligence artificielle (IA).

Ce processus est essentiel pour simuler les états mentaux complexes, tels que la perception et l’imagination, qui sont souvent absents dans les systèmes d’IA actuels.

En intégrant des contextes externes et internes, CO4 propose une approche plus raffinée dans le traitement des informations.

Dans son étude, Adeel démontre que cette architecture améliore la rapidité d’apprentissage des modèles et réduit le coût de calcul, tout en préservant la richesse des chaînes de raisonnement.

À l’aide de tests sur des tâches d’apprentissage, de vision par ordinateur et de traitement du langage, les résultats montrent une promesse considérable pour rapprocher les performances des IA de celles des humains.