KI-agenter verifiserer sikkerhetsegenskaper i Signals krypteringskode
Google DeepMind har brukt KI-agenter og Lean til å kontrollere sentrale sikkerhetsegenskaper helt ned på maskinkodenivå. Beviset gjelder avgrensede deler av Signal-protokollen.
Søk blir tilgjengelig når de første sakene publiseres.
MIT-forskere har utviklet en KI-assistent som foreslår hvilke deler av en algoritmisk utformet konstruksjon en ingeniør kan justere. I en demonstrasjon økte den beregnede knekklasten med 39 prosent, men systemet er ennå ikke prøvd i en bred studie med menneskelige designere.

Når ingeniører skal lage en lett, men sterk bærende konstruksjon, kan de bruke topologioptimalisering. En datamaskin beregner hvor materialet bør plasseres for å oppfylle bestemte belastningskrav. Resultatet kan være effektivt, men kompliserte knutepunkter og tynne forbindelser kan gjøre det vanskelig å produsere eller tilpasse. Ofte får konstruktøren først se det ferdige forslaget og må starte nye beregninger for å endre det.
Forskere ved Massachusetts Institute of Technology har utviklet HiTopAI, en metode der en KI-assistent foreslår områder som kan trenge menneskelig justering mens optimaliseringen pågår. MIT presenterte arbeidet 13. november 2026. Den fagfellevurderte artikkelen ble publisert i Communications Engineering 10. november, mens et forhåndstrykk allerede var tilgjengelig i januar 2026.
Systemet bruker et nevralt nettverk av typen U-Net til å markere regioner i et beregnet konstruksjonsmønster. Det er trent på syntetiske eksempler der en tenkt brukers preferanse er definert på forhånd, for eksempel å velge den lengste forbindelsen eller det mest kompliserte knutepunktet. Dette er ikke det samme som å lære av faktiske ingeniørers valg i arbeidshverdagen.
Assistenten foreslår et område, men det er brukeren som avgjør hva som skal endres. I den demonstrerte arbeidsflyten kan brukeren gjøre en forbindelse tykkere eller tynnere lokalt, før optimaliseringen fortsetter. Målet er å redusere tiden som går med til å finne et egnet område for inngrep, ikke å la KI-en ta over vurderingen av krav, sikkerhet eller produksjon.
I et eksempel med en L-formet konstruksjon rapporterte forskerne en økning på 39 prosent i beregnet lineær knekklast sammenlignet med en enklere, rent algoritmisk referanse. Knekklast beskriver hvor stor belastning en konstruksjon kan tåle før den mister stabilitet ved knekking. Den ekstra tiden var omtrent 15 sekunder, eller rundt fire prosent i dette eksemplet. Dette er ikke dokumentasjon på at alle konstruksjoner blir 39 prosent sterkere.
Forskerne viste også at systemet kunne bidra til enklere knutepunkter som i prinsippet kan være lettere å produsere. Resultatene er demonstrasjoner i en beregningsbasert designprosess. De er ikke en generell test av ferdige broer, bygninger eller flydeler, og studien dokumenterer ikke at profesjonelle ingeniører gjennomgående arbeider raskere eller bedre med løsningen.
Forskerne mener kombinasjonen kan gjøre avansert topologioptimalisering mer tilgjengelig: algoritmen utforsker mulige former, KI-en peker ut interessante steder å gripe inn, og mennesket vurderer hva som er praktisk. Fordelingen av ansvar er viktig fordi teknisk utforming handler om mer enn å maksimere én beregnet egenskap.
Før metoden kan vurderes som et modent ingeniørverktøy, trengs forsøk med virkelige brukere, flere typer preferanser, produksjonsbegrensninger og fysisk validering av ferdige deler. Det dokumenterte fremskrittet er derfor en demonstrasjon av mer interaktiv konstruksjonsoptimalisering, ikke en ferdig sertifisert KI-designer.