MSD / Geschichte / RESEARCH EDITION

Deep Blue: spettacolare, ma chiaramente limitato

L'IBM Deep Blue ha sconfitto il campione mondiale in carica di scacchi nella partita del 1997. La macchina è stata costruita per un compito ben definito.

Jetzt eintauchen ↓RECHERCHESTAND 12.11.2026 · FAKTEN + EINORDNUNG + SZENARIEN
RESEARCH NOTE / 1997Geschichte

KI & Agenten

Ricerca esterna · Classificazione MSD
Keine Behauptung eines eigenen Versuchs.

01 / EINORDNUNG

Cosa significa questa scoperta.

Grenzen des Nachweises

Un successo impressionante in uno spazio ristretto non è la prova di un’intelligenza universale.

La nostra derivazione per un'operazione pilota

Stabilire l'ambito dell'attività, le regole e l'obiettivo misurabile prima di valutare un sistema come operativo.

Questa derivazione è una raccomandazione editoriale di MSD. Non si tratta di un ulteriore risultato dello studio citato.

Fonte e versione

IBM · Historischer Projektbericht · Publikations-/Bezugsjahr 1997. Recherchiert am 12.11.2026.

Leggi la fonte primaria ↗

Ricerca esterna, non una referenza di un cliente MSD. Pubblicheremo i nostri esperimenti solo con configurazione, data, misurazioni e tentativi falliti documentati.

02 / LINK

Pensa al futuro. Continua a controllare.

IA e agenti / Risultato contrario / 2025

Quando l’IA allunga il lavoro: il risultato contrario di METR ↗

In un esperimento randomizzato con 16 sviluppatori esperti e 246 attività, strumenti IA di inizio 2025 hanno allungato il tempo di esecuzione del 19 %. I partecipanti ne stimavano l’utilità in modo molto più favorevole.

METR · Esperimento randomizzato
KI & Agenten / Methodik / 2026

Neue Werkzeuge, neue Auswahlverzerrung ↗

METR descrive un esperimento di follow-up nel febbraio 2026. Le prove di un lavoro più veloce sono difficili da interpretare a causa della selezione dei partecipanti e dei compiti, nonché dei problemi con la misurazione del tempo.

METR · Methodenupdate 24.02.2026
KI & Agenten / Grundlage / 2017

Attenzione: la lingua può essere elaborata in parallelo ↗

Il documento Transformer presenta un'architettura basata sull'attenzione per l'elaborazione delle sequenze. È un elemento metodologico del linguaggio successivo e dei modelli multimodali.

Vaswani et al. · Attention Is All You Need