20 அக்டோபர், 2026 இதழ்

ஒரு AI-யிடம் "ஒரு செவிலியர்" அல்லது "ஒரு வழக்கறிஞர்" என்று கேளுங்கள். தோற்றத்தைப் பற்றி நீங்கள் எதுவும் சொல்லவில்லை. கார்னெல் பல்கலைக்கழகம் தலைமையிலான ஒரு குழு 27 படம் உருவாக்கும் கருவிகளுடன் இதைச் செய்து, 51,300 முகங்களை உருவாக்கியது.

550 பேர் அளித்த மதிப்பீடுகளில், போதுமான மதிப்பிடப்பட்ட படங்கள் கொண்ட 23 கருவிகளும் கவர்ச்சியில் உண்மையான புகைப்படங்களை விஞ்சின. பெண்களாகக் கேட்கப்பட்ட முகங்களில் 37% தானியங்கி மதிப்பெண்களில் இடைநிலை ஃபேஷன் மாடலை விஞ்சின. நைஜீரியர், கறுப்பினத்தவர் அல்லது எத்தியோப்பியர் எனக் கேட்கப்பட்ட முகங்கள் மிகக் குறைந்த மதிப்பெண் பெற்றன.

பிறகு 570 பேர் வேலை விண்ணப்பதாரர்களைத் தேர்வு செய்தனர். சிலர் முதலில் மிகக் கவர்ச்சியான AI முகங்களைப் பார்த்தனர். அதன் பின் அதே உண்மையான விண்ணப்பதாரர்களை வேலைக்குக் குறைவாகத் தகுதியானவர்களாகவும் குறைவாக நம்பத்தக்கவர்களாகவும் மதிப்பிட்டனர். குறைவானோர் நேர்காணலுக்கு அழைக்கப்பட்டனர்: 77.4%-க்கு எதிராக 72.5%.

வழக்கமான புகைப்படத் திருத்தம் (retouching) எதையும் மாற்றவில்லை. AI முகங்கள் ஏன் இந்த விளைவை ஏற்படுத்துகின்றன என்று ஆசிரியர்களால் இன்னும் சொல்ல முடியவில்லை. ஆனால் செயற்கை மனிதர்கள் விளம்பரங்கள், இணையதளங்கள், பங்குப் படங்கள் (stock images) எங்கும் நிறைகின்றனர்.

மூலம்: Generative AI Produces and Transmits Beauty Bias, https://arxiv.org/abs/2610.22553

ஒரு வட்ட ஓடுதளத்தில் பல ஓட்டக்காரர்களைக் கற்பனை செய்யுங்கள். ஒரே தொடக்கம், ஒவ்வொருவரும் தனக்கே உரிய மாறாத வேகத்தில். ஒவ்வொரு ஓட்டக்காரரும், ஏதோ ஒரு கணத்தில், மற்ற அனைவரிடமிருந்தும் தொலைவில் இருப்பாரா? இதுவே தனிமை ஓட்டக்காரர் அனுமானம் (lonely runner conjecture).

n + 1 ஓட்டக்காரர்கள் இருந்தால், அது குறைந்தது ஒரு சுற்றின் 1/(n + 1) இடைவெளியைக் கணிக்கிறது. ஒரு எளிய எண்ணும் வாதம் அதில் பாதியை மட்டுமே உறுதிசெய்கிறது. பல பத்தாண்டுகளாக, அந்த எளிய வரம்புக்கு மேலான ஆதாயங்கள், ஓட்டக்காரர்கள் சேர்க்கப்படும்போது ஒன்றுமில்லாமல் சுருங்கின.

ஷியு ஹூவும் யிஃபான் ஜிங்கும் இப்போது ஒருபோதும் மங்காத ஆதாயத்தை நிரூபிக்கிறார்கள்: எத்தனை ஓட்டக்காரர்கள் இருந்தாலும், எளிய வரம்புக்கு மேல் ஒரு நிலையான பின்னம். கருவிகள்: ஒரு புதிய மேற்பொருந்தல் சமனின்மை, பொது வகுஎண்கள் பற்றிய வாதங்கள்.

நிரூபணங்களைச் சரிபார்க்கவும் மெருகூட்டவும் ஆசிரியர்கள் ChatGPT 6-ஐப் பயன்படுத்தினார்கள். மாதிரிகளால் தாமாக வரம்பை மேம்படுத்த முடியவில்லை என்று அவர்கள் எழுதுகிறார்கள்.

மூலம்: Near optimal gap in the Lonely Runner Conjecture, https://arxiv.org/abs/2610.23790

காலநிலை மாதிரிகள் உலகின் மிகப் பெரிய மீக்கணினிகள் சிலவற்றில் இயங்குகின்றன. ஆனால் ஒவ்வொரு கூடுதல் கணினி ஆற்றலும் எவ்வளவு துல்லியத்தை வாங்குகிறது? 24 ஆய்வாளர்கள் கொண்ட ஒரு குழு 1995 முதல் உருவாக்கப்பட்ட 159 காலநிலை மாதிரிகளைச் சோதித்தது.

அவர்களின் விடை வியக்கத்தக்க அளவு நிலையானது. கணினி ஆற்றல் இரட்டிப்பாகும் ஒவ்வொரு முறையும் மாதிரிப் பிழை சுமார் 13.5% குறைந்துள்ளது. இன்றைய பிழையைப் பாதியாக்க ஏறத்தாழ 28 மடங்கு அதிகக் கணினி ஆற்றல் தேவைப்படும்.

முன்னேற்றங்கள் சமமாக இல்லை. முதல் தலைமுறையிலிருந்து, காற்றழுத்தப் பிழைகள் 3.5 மடங்கும் மேற்பரப்பு வெப்பநிலைப் பிழைகள் 2.7 மடங்கும் குறைந்தன. மழைப்பொழிவுப் பிழைகள் வெறும் 7% மட்டுமே குறைந்தன.

AI வானிலை மாதிரிகள் இப்போது சிறந்த முன்னறிவிப்புகளுக்கு இணையாக உள்ளன. ஆனால் எதுவும் தான் அளந்த ஆற்றலை வெளியிடுவதில்லை. பயிற்சியையும் (training) கணக்கில் கொண்டால், அவற்றில் ஒன்று செயல்திறனில் இரண்டாம் இடத்திலிருந்து கடைசிக்குச் சரிகிறது. துல்லியத்துடன் ஆற்றலையும் தெரிவிக்க வேண்டும் என்று குழு அழைப்பு விடுக்கிறது.

மூலம்: Energy-Aware Earth System Science: A Community Roadmap, https://arxiv.org/abs/2610.23216

தினசரி மழையளவைக் கண்காணித்து ஒவ்வொரு சாதனையையும் குறித்துக்கொள்ளுங்கள்: முன்பிருந்த எல்லா நாட்களையும் விட அதிக மழை பெய்த நாள். நிறையச் சாதனைகள் என்றால் உயர்ந்த இறுதி உச்சம் என்றுதானே பொருள்? மூன்று இயற்பியலாளர்கள் இதைத் துல்லியமான கணிதத்தால் சரிபார்த்தார்கள்.

எந்த மென்மையான பரவலிலிருந்தும் எடுக்கப்படும் சீரற்ற மதிப்புகளுக்கு, பதில் இல்லை என்பதே. சாதனைகளின் எண்ணிக்கையும் மிக உயர்ந்த மதிப்பும் முற்றிலும் தொடர்பற்றவை. தொடரின் நீளம் எதுவாக இருந்தாலும், ஒன்றை அறிவது மற்றதைப் பற்றி எதுவும் சொல்வதில்லை.

மழையே இல்லாத வறண்ட நாட்களைச் சேர்த்தால் ஒரு தொடர்பு தோன்றுகிறது. வறண்ட நாட்களின் ஒரு மாறுநிலைப் பங்குக்கு மேலே, அது முதலில் வளர்கிறது, பிறகு மங்குகிறது. அதற்குக் கீழே, மங்குகிறது மட்டுமே. அந்த வரம்புக்குத் துல்லியமான சூத்திரம் உண்டு.

குழு இதை ஜெர்மன் வானிலை நிலையங்களின் தினசரி மழைப் பதிவுகளில் சோதித்தது. ஒரு குழு வரம்புக்கு மேலே இருந்தது, மற்றொன்று கீழே. இரண்டும், எந்த அளவுருவும் சரிசெய்யப்படாமல், கணிக்கப்பட்ட வடிவத்தைப் பின்பற்றின.

மூலம்: Emergence of Correlations Between Records and Maximum in Random Time Series, https://arxiv.org/abs/2610.23217

பின்புறத் துடுப்பசைப்பு (stern-sculling) என்பது ஒற்றைத் துடுப்பால் படகை நகர்த்தும் பழைய முறை. துடுப்பு படகின் பின்புறத்தில் உள்ள ஒரு வெட்டுப்பள்ளத்தில் அமர்ந்திருக்கிறது, அதன் அலகு எப்போதும் நீருக்கடியில். அசைப்பவரின் கைகள் முடிவிலிக் குறியை வரைகின்றன.

ஒரு பிரெஞ்சுக் குழு 4.7 மீட்டர் படகில் விசைமானிகள், இயக்க உணரிகள், வேகமானி ஆகியவற்றைப் பொருத்தியது. பின்னர் அனுபவம் வாய்ந்த இரண்டு அசைப்பவர்கள் அமைதியான நீரில் அதை ஓய்விலிருந்து உச்ச வேகத்துக்குத் தள்ளினார்கள்.

பக்கவாட்டு வீச்சுகளின்போது, அலகு ஒரு இறக்கை போலச் செயல்படுகிறது. உயர்த்து விசை (lift) படகை முன்னோக்கித் தள்ளுகிறது. ஒவ்வொரு திருப்பத்திலும், அலகின் விரைவான தலைகீழ் திருப்பம் நீரைப் பின்னோக்கித் தள்ளுகிறது. வீச்சின் நான்கு கட்டங்களும் உந்துகின்றன.

வினாடிக்கு 1.2 மீட்டர் என்ற மிதமான வேகத்தில் செயல்திறன் 65%-க்கு அருகில் உச்சத்தை அடைகிறது. வினாடிக்கு 2 மீட்டரில் அது சுமார் 25%-ஆக விழுகிறது. அப்போது படகின் உடல் அதன் மாறுநிலை வேகத்துக்கு அருகில் இருக்கிறது, அலைகள் முயற்சியை விழுங்குகின்றன.

மூலம்: Hydrodynamics and propulsive efficiency of stern-sculling propulsion, https://arxiv.org/abs/2610.23444

நம் சூரியக் குடும்பத்தின் நான்கு பெருங்கோள்களுக்கும் வளையங்கள் உள்ளன. ஆனாலும் வேறொரு விண்மீனின் முதிர்ந்த கோளைச் சுற்றி இதுவரை எந்த வளையமும் உறுதிப்படுத்தப்படவில்லை. அவை அரிதானவையா, அல்லது பார்ப்பதற்குத்தான் கடினமா?

ரோமன் விண்வெளித் தொலைநோக்கி, விண்மீன் ஒளியைத் தடுக்கும் ஒரு கொரோனாகிராஃபைக் (coronagraph) கொண்டுள்ளது. பெருங்கோள்கள் பிரதிபலிக்கும் விண்மீன் ஒளியைக் கொண்டு அது அவற்றைக் காண வேண்டும். மிச்சிகன் பல்கலைக்கழகக் குழு ஒன்று, வளையங்கள் இதில் எதைச் சேர்க்கும் என்று மாதிரியமைத்தது.

வளையங்கள் தம் கோளைவிடப் பத்து முதல் நூறு மடங்கு அதிகம் ஒளிரக்கூடும். அவை ஒரு தனித்த அடையாளத்தையும் விட்டுச் செல்கின்றன: சுற்றுப்பாதை நெடுகிலும் ஒளிர்வில் இரண்டுக்குப் பதில் நான்கு உச்சங்களும் தாழ்வுகளும்.

குழு, ரோமனின் முதன்மை இலக்குகளில் ஒன்றான Epsilon Eridani b-ஐ உருவகப்படுத்தியது. வளையம் இல்லாமல், அது அடிக்கடி கண்டறிதல் வரம்புக்குக் கீழே மூழ்குகிறது. சனிக்கோளுடையது போன்ற வளையத்துடன், அது இரு மடங்கு வரை ஒளிர்கிறது; கிட்டத்தட்டத் தன் முழுச் சுற்றுப்பாதையிலும் தெரிந்துகொண்டே இருக்கிறது.

மூலம்: Detecting Exoplanetary Rings with Roman CGI Reflected Light Phase Curve Observations, https://arxiv.org/abs/2610.23835

வீட்டு மின்சாரம் 50 அல்லது 60 ஹெர்ட்ஸில் இயங்குகிறது, ஆனால் ஒருபோதும் துல்லியமாக அல்ல. அதன் அதிர்வெண் தள்ளாடுகிறது, முழுக் கட்டமைப்பிலும் ஒரே மாதிரி. விளக்குகள் அதோடு சேர்ந்து மினுமினுக்கின்றன, கேமராக்கள் அந்த மினுமினுப்பைப் பதிவு செய்கின்றன.

சவுத்தாம்ப்டன் சொலென்ட் பல்கலைக்கழகத்தின் இரண்டு ஆய்வாளர்கள் AI வீடியோக்களில் இந்த மினுமினுப்பு இருக்காது என்று நம்பினார்கள். ஆச்சரியம்: உருவாக்கிகள் அதை உண்மையான காட்சிகள் அளவுக்கே வலுவாக மீண்டும் உருவாக்குகின்றன. அது இருப்பது எதையும் நிரூபிப்பதில்லை.

எனவே அவர்கள் அந்தத் தள்ளாட்டத்தைக் கட்டமைப்பின் தனிப்பட்ட பதிவுடன் ஒப்பிடுகிறார்கள். அவர்களின் அமைப்பு உண்மையான ஒலிக் கிளிப்புகளில் 93% மற்றும் உண்மையான வீடியோக்களில் 100% ஏற்றுக்கொண்டது. ஒரு நாளுக்குள் ஒரு ஒலிப்பதிவின் நேரத்தைச் சுமார் ஒரு வினாடி துல்லியத்தில் கண்டறிய முடியும்.

ஒரு உண்மையான காட்சியின் இரண்டு AI மறுஉருவாக்கங்கள் 60 ஹெர்ட்ஸில் மினுமினுத்தன, ஆனால் கூறப்பட்ட இடத்தில் கட்டமைப்பு 50-இல் இயங்குகிறது. பலவீனம் அப்படியே இருக்கிறது: உண்மையான காட்சியில் மாற்றப்பட்ட முகம் உண்மையான ரீங்காரத்தைத் தக்கவைக்கிறது.

மூலம்: An Agentic ENF Framework for Forensic Video Authentication Against Generative AI, https://arxiv.org/abs/2610.22440

குளுவான்கள் வலிய விசையைச் (strong force) சுமக்கின்றன — குவார்க்குகளைப் பிணைக்கும் விசை. அவற்றைப் போதுமான அளவு சூடாக்கினால் அவை ஒரு பிளாஸ்மாவை உருவாக்குகின்றன. அது எவ்வளவு அழுத்தம் தருகிறது? இயற்பியலாளர்கள் பதிலைப் படிப்படியாகக் கணக்கிடுகிறார்கள், ஒவ்வொரு படியும் இன்னும் நுட்பமான திருத்தம்.

g⁶ உறுப்பு என்று அழைக்கப்படும் ஒரு படி இருபது ஆண்டுகளுக்கும் மேலாக எட்டாமல் இருந்தது. அதற்கு, ஒவ்வொன்றிலும் நான்கு சுற்றுகள் (loops) கொண்ட 65 சிக்கலான வரைபடங்கள் தேவை.

ஹெல்சின்கி, டுர்கு, சிலி, பெர்ன் ஆகிய இடங்களைச் சேர்ந்த ஒரு குழு இறுதியாக அதை முடித்தது. தெரியாத ஒன்பது தொகையீடுகளை ஒரு புதிய முறையால் தீர்த்தார்கள், மீக்கணினிகளில் சுமார் பத்து லட்சம் செயலி-மணி நேரங்களைப் பயன்படுத்தி.

பலன்: முந்தைய படிகள் பிளாஸ்மாவின் கணினி உருவகப்படுத்துதல்களுக்கு மேலும் கீழுமாக ஊசலாடின. புதிய உறுப்புடன், கோட்பாடும் உருவகப்படுத்துதலும் ஒத்துப்போகின்றன — குளுவான்கள் விடுபடும் வெப்பநிலையின் சில மடங்கு வரை. அடுத்த இலக்கு: நியூட்ரான் விண்மீன் இணைவுகளுக்காகக் குவார்க்குகளைச் சேர்ப்பது.

மூலம்: Complete g⁶ pressure of hot Yang-Mills theory, https://arxiv.org/abs/2610.23675

இந்தியாவில் அன்றாட வாங்குதலில் பெரும்பகுதி கிரானா கடைகள் எனப்படும் சிறிய பொதுக் கடைகளில் நடக்கிறது. ஒரு AI அப்படி ஒன்றை நடத்த முடியுமா? அதைக் கண்டறிய BITS பிலானியில் உள்ள ஒரு குழு உருவகப்படுத்தப்பட்ட கடை ஒன்றை உருவாக்கியது.

ஒரே AI மாதிரி நான்கு பணியாளர்களாகவும் நடிக்கிறது: மேலாளர், காசாளர், உதவியாளர், கணக்காளர். மேலாளர் கடையை ஒருபோதும் பார்ப்பதில்லை, பணியாளர்களின் அறிக்கைகளை மட்டுமே. வாடிக்கையாளர்களும் சப்ளையர்களும் ஆங்கிலம், இந்தி அல்லது ஹிங்கிலிஷ் பேசுகிறார்கள்.

நான்கு திறந்த AI மாதிரிகள் ஒவ்வொன்றும் அதை 30 உருவகப்படுத்தப்பட்ட நாட்கள் நடத்தின. விதிகளைப் பின்பற்றும் ஒரு எளிய கடைக்காரர் சுமார் 103,000 ரூபாய் ஈட்டினார். சிறந்த மாதிரி சராசரியாகச் சுமார் 13,700 ஈட்டியது. இரண்டு, பொறுப்பாளர் யாருமில்லாத கடையை விட அதிகம் இழந்தன.

தோல்விகளுக்குப் பெயர்கள் உண்டு. இல்லாத சப்ளையர்களுக்கு மின்னஞ்சல்கள். ஒருபோதும் நடக்காத ஒரு பணம் செலுத்துதல். இருமுறை பணம் செலுத்தப்பட்ட ஆர்டர்கள். ஒரு மாதிரியின் இந்தி மின்னஞ்சல்களில் 42% படிக்க முடியாதவை எனத் திருப்பி அனுப்பப்பட்டன.

மூலம்: KiranaBench: Can a Language Model Run a Neighbourhood Shop?, https://arxiv.org/abs/2610.22980

சுகாதாரச் செயலிகள் உங்கள் இதயத் துடிப்பு, இரத்தச் சர்க்கரை, சில நேரங்களில் மனநலத்தைக்கூடக் கண்காணிக்கின்றன. அமெரிக்கா, கனடாவைச் சேர்ந்த பல்கலைக்கழகங்களின் ஒரு குழு கூகுள் ப்ளேயில் இவற்றில் 10,000-க்கும் மேற்பட்டவற்றை ஆய்வு செய்தது.

69% தங்கள் விளக்கம் நியாயப்படுத்தாத குறைந்தது ஒரு அனுமதியைக் கேட்கின்றன. ஏறக்குறையப் பாதி, எந்தக் காரணமும் சொல்லாமல் உங்கள் இருப்பிடத்தையோ கேமராவையோ கேட்கின்றன. மூன்றில் ஒரு பங்கு மைக்ரோஃபோனைக் கேட்கின்றன.

குழு செயலிகளைச் சோதனைப் போன்களில் இயக்கியது. இயங்கிய 3,599 செயலிகளில் 93% எந்த ஒப்புதல் திரையையும் காட்டவில்லை. பல செயலிகள் அப்படியிருந்தும் போனின் விளம்பர அடையாளத்தை (advertising ID) வெளியே அனுப்பின.

ஒப்புதல் படிவம் தோன்றும்போது, செயலிகள் பெரும்பாலும் சொன்னபடி நடக்கின்றன: 14-இல் 1 தான் குறிப்பிடாத ஒன்றைச் சேகரித்தது. பெரிய, நிதிவளம் மிக்க உருவாக்குநர்கள்கூடத் தவறினார்கள். ஒரு செயலி கடையைச் சென்றடையும் முன் தானியங்கித் தனியுரிமைச் சோதனைகள் வேண்டும் என்று ஆசிரியர்கள் கோருகிறார்கள்.

மூலம்: Bad Diagnosis: Analyzing Consent and Data Collection Practices of Mobile Medical Apps, https://arxiv.org/abs/2610.23851