Der bereitgestellte Original-Inhalt enthält leider ausschließlich CSS-Code und Font-Definitionen – keinen journalistisch verwertbaren Text über Co-Improvement, Reinforcement Learning oder andere KI-Forschungsthemen. Die eigentlichen Inhalte der Import AI Ausgabe 437 wurden nicht mitgeliefert.
Ein Perspektiv-Beitrag im Fachjournal *Nature Machine Intelligence* beleuchtet, wie das Konzept der kollektiven Intelligenz in der KI-Forschung neu gedacht werden könnte. Autor Justin Werfel argumentiert, dass bisherige Modelle zu starr gefasst sind – und dass ein flexibleres Verständnis verteilter Entscheidungsprozesse neue Wege in der Systemgestaltung eröffnen könnte.
Künstliche Intelligenz dringt in wissenschaftliche Labore vor – nicht mehr nur als Analyse-Werkzeug, sondern als eigenständiger Akteur, der Hypothesen formuliert, Experimente plant und Ergebnisse auswertet. Dieser Trend beschleunigt sich laut einer aktuellen Bestandsaufnahme des MIT Technology Review erheblich und verändert die Arbeitsweise in Forschungseinrichtungen weltweit.
Aktuelle KI-Modelle können erstmals mathematische Beweise auf Forschungsniveau selbstständig lösen – ein Leistungssprung, der die Diskussion über den Zeitpunkt einer möglichen Superintelligenz neu befeuert. Für Unternehmen und Entscheider stellt sich damit die Frage, wie nah der Übergang von nützlichem Werkzeug zu autonomem Wissensarbeiter tatsächlich ist.
Forscher der University of California San Diego (UCSD) und des KI-Unternehmens Together AI haben eine neue Architektur für Large Language Models vorgestellt, die unter dem Namen Parcae firmiert. Das System soll die Qualität eines herkömmlichen Transformer-Modells doppelter Größe erreichen – bei deutlich reduziertem Parameterumfang. Die Veröffentlichung adressiert ein zentrales Problem sogenannter Looped Language Models, die bislang mit Instabilitäten im Training kämpften.
OpenAIs Modell GPT-5.4 Pro hat nach übereinstimmenden Berichten eigenständig das seit Jahrzehnten offene Mathematikproblem Erdős #1196 gelöst – und das in einer Bearbeitungszeit von 80 Minuten. Fields-Medaillengewinner Terence Tao, einer der renommiertesten Mathematiker der Gegenwart, hat das Ergebnis als sinnvollen Beitrag zur mathematischen Forschung eingestuft.
Forscher von Meta AI und der King Abdullah University of Science and Technology (KAUST) haben ein Konzept vorgestellt, das grundlegende Prinzipien klassischer Computerarchitektur neu denkt. Ihr Ansatz beschreibt sogenannte „Neural Computers” – Modelle, die Berechnung, Speicher und Ein-/Ausgabe nicht als getrennte Komponenten behandeln, sondern als eine gemeinsam trainierte Einheit.
Ein internationales Forschungsteam hat mit dem Projekt „OpenWorldLib” einen Versuch unternommen, begriffliche Klarheit in einen der unschärfsten Begriffe der aktuellen KI-Debatte zu bringen. Was ein Weltmodell ist – und was ausdrücklich nicht dazu zählt – soll künftig auf einer gemeinsamen konzeptionellen Grundlage diskutiert werden.
Forscher der Korea Advanced Institute of Science and Technology (KAIST) haben eine Trainingsmethode entwickelt, die sich an neurowissenschaftlichen Erkenntnissen orientiert und die Kalibrierungsqualität neuronaler Netze messbar verbessert. Die Studie, veröffentlicht in *Nature Machine Intelligence*, zeigt: Ein gezielter Rausch-Warm-up vor dem eigentlichen Training reduziert systematisch die Tendenz von KI-Modellen, ihre eigene Unsicherheit falsch einzuschätzen.