MSD / Geschichte / RESEARCH EDITION

Deep Blue: espetacular, mas claramente limitado

O IBM Deep Blue derrotou o atual campeão mundial de xadrez na partida de 1997. A máquina foi construída para uma tarefa definida com precisão.

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

KI & Agenten

Pesquisa externa · Classificação MSD
Keine Behauptung eines eigenen Versuchs.

01 / EINORDNUNG

O que esta descoberta significa.

Grenzen des Nachweises

O sucesso impressionante num espaço confinado não é evidência de inteligência universal.

Nossa derivação para uma operação piloto

Estabeleça o escopo da tarefa, regras e metas mensuráveis ​​antes de avaliar um sistema como operacional.

Esta derivação é uma recomendação editorial da MSD. Não é mais um resultado do estudo citado.

Fonte e versão

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

Leia a fonte primária ↗

Investigação externa, não uma referência de projeto de um cliente da MSD. Publicaremos as nossas próprias experiências apenas com a configuração, data, medições e tentativas falhadas documentadas.

02 / LIGAÇÕES

Pense no futuro. Continue verificando.

IA e Agentes / Descobertas de Contadores / 2025

Quando a IA estende o trabalho: a contra-descoberta do METR ↗

Em um teste randomizado com 16 desenvolvedores experientes e 246 tarefas, as ferramentas de IA do início de 2025 aumentaram o tempo de conclusão em 19%. Os envolvidos avaliaram os seus benefícios como significativamente mais favoráveis.

METR · ensaio randomizado
KI & Agenten / Methodik / 2026

Neue Werkzeuge, neue Auswahlverzerrung ↗

O METR descreve uma experiência de acompanhamento em fevereiro de 2026. As evidências de um trabalho mais rápido são difíceis de interpretar devido à seleção de participantes e tarefas, bem como a problemas com a medição do tempo.

METR · Methodenupdate 24.02.2026
KI & Agenten / Grundlage / 2017

Atenção: A linguagem pode ser processada em paralelo ↗

O artigo do Transformer apresenta uma arquitetura baseada em atenção para processamento de sequências. É um alicerce metodológico de modelos linguísticos e multimodais posteriores.

Vaswani et al. · Attention Is All You Need