Webtagr - Technologienummer

Generative KI verändert die Informatikausbildung

2025-07-06

Der Aufstieg generativer KI zwingt zu einem Umdenken in der Informatikausbildung. Tools wie ChatGPT können jetzt einige Programmieraufgaben übernehmen, was Universitäten vor die Herausforderung stellt, ihre Lehrpläne anzupassen. Einige betonen Programmiersprachen weniger und konzentrieren sich stattdessen auf computationales Denken und KI-Literacy, mit Schwerpunkt auf kritischem Denken und Kommunikationsfähigkeiten. Der Technologie-Arbeitsmarkt zieht sich zusammen, mit weniger Einstiegspositionen aufgrund von KI-Automatisierung. Die Zukunft der Informatikausbildung wird wahrscheinlich eine stärkere Betonung von computationalem Denken, KI-Literacy und interdisziplinären Ansätzen beinhalten, um den Anforderungen des KI-Zeitalters gerecht zu werden.

(www.thestar.com.my)

KI

Bytebot: Ein revolutionärer Ansatz, um KI-Agenten „Hände“ zu geben

2025-07-06

Das Bytebot-Projekt lehnt die traditionelle API-Integration ab und gibt KI-Agenten stattdessen die Kontrolle über Tastatur, Maus und Bildschirm, sodass sie wie menschliche Remote-Mitarbeiter arbeiten können. Dieser Ansatz ist einfacher, robuster, allgemeingültiger und zukunftssicherer und löst die Probleme, denen aktuelle KI-Agenten bei der Bearbeitung komplexer, API-loser Software und Workflows begegnen. Durch diese „Mensch-Computer-Interaktion“ kann sich Bytebot an jede Anwendung und jedes Betriebssystem anpassen, ohne komplexe Integrationen zu benötigen, wodurch Unternehmen viel Zeit und Kosten sparen und die Effizienz mit der Verbesserung der Modelle automatisch gesteigert wird.

(www.bytebot.ai)

KI

Über verkettete LLM-Aufrufe hinaus: Differenzierbares Routing für effiziente LLMs

2025-07-06

Moderne Architekturen von Large Language Model (LLM)-Agenten verlassen sich stark auf das Verketten von LLM-Aufrufen, was zu hohen Kosten, Latenz und geringer Skalierbarkeit führt. Dieser Artikel stellt einen differenzierbaren Router vor, der die Werkzeugauswahl als trainierbare Funktion modelliert, anstatt von LLMs abhängig zu sein. Dieser Ansatz lernt die Werkzeugauswahl aus Daten durch Reinforcement Learning oder überwachtes Feintuning und läuft vollständig außerhalb des LLM. Er vermeidet externe API-Aufrufe, verbessert Determinismus und Komposition und reduziert die Kosten. Experimente zeigen, dass diese Methode die Kosten deutlich senkt, die Leistung verbessert und das Modellverhalten klärt. Sie markiert einen Schritt hin zu LLM-Systemen, die weniger wie Prompt-Ketten und mehr wie Programme aussehen.

(viksit.substack.com)

KI Differenzierbares Programmieren Agentenarchitekturen

Können große neuronale Netze die Robotik lösen? Erkenntnisse von der CoRL 2023

2025-07-05

Auf der CoRL 2023 entstand eine zentrale Debatte: Kann das Training großer neuronaler Netze auf riesigen Datensätzen die Robotik lösen? Befürworter argumentierten, dass der Erfolg großer Modelle in Computer Vision und NLP darauf hindeutet, dass dieser Ansatz vielversprechend ist, wobei sie anfängliche Ergebnisse von Google DeepMinds RT-X und RT-2 als Beispiele nannten. Sie glauben, dass die anhaltenden Fortschritte bei Daten und Rechenleistung diese Richtung vorantreiben. Kritiker wiesen jedoch auf die derzeitige Knappheit an Roboterdaten, die immense Variabilität zwischen Roboterkörpern und Umgebungen und die unerschwinglichen Kosten für die Erfassung von großen Datensätzen hin. Darüber hinaus stellt selbst das Erreichen einer hohen Genauigkeit eine große Herausforderung dar, um die für den praktischen Einsatz erforderliche Zuverlässigkeit von 99,X % zu erreichen. Einige schlugen vor, klassische Steuerungsmethoden mit Lernmethoden zu kombinieren, während andere sich für völlig neue Ansätze aussprachen. Letztendlich hob die CoRL 2023 die Chancen und Herausforderungen in der Robotik hervor und lieferte wertvolle Erkenntnisse für zukünftige Forschung.

(nishanthjkumar.com)

KI Robotik lernen große neuronale Netze

LLM-Fähigkeiten verdoppeln sich alle sieben Monate: Prognose für 2030

2025-07-05

Eine neue Studie zeigt eine erstaunliche Fortschrittsrate bei großen Sprachmodellen (LLMs). Ihre Fähigkeit, komplexe Aufgaben zu erledigen, verdoppelt sich laut einer Metrik namens „Aufgabenabschlusszeithorizont“ etwa alle sieben Monate. Diese Metrik vergleicht die Zeit, die ein LLM für die Erledigung einer Aufgabe benötigt, mit der Zeit, die ein Mensch dafür benötigen würde. Die Studie prognostiziert, dass die fortschrittlichsten LLMs bis 2030 mit einer Zuverlässigkeit von 50 % eine Softwareaufgabe erledigen können, die einem Monat menschlicher Arbeit (40 Stunden/Woche) entspricht. Dies wirft erhebliche Bedenken und Begeisterung hinsichtlich der potenziellen Vorteile und Risiken von LLMs auf, wobei gleichzeitig anerkannt wird, dass Hardware und Robotik das Fortschrittstempo möglicherweise begrenzen könnten.

(spectrum.ieee.org)

KI

Die sieben Todsünden der KI-Industrie: Falsche Versprechungen von AGI und die Gefahren des Attention-Hackings

2025-07-05

Dieser Artikel untersucht kritisch den aktuellen Zustand der KI-Industrie und hebt sieben Hauptprobleme hervor: die Übertreibung der Nähe von AGI, die Priorisierung von Engagement statt Nützlichkeit, anhaltende und ungelöste Halluzinationen in LLMs, das Schwanken zwischen Panikmache und Utopismus bezüglich der KI-Risiken, das Fehlen eines glaubwürdigen Weges zur Rentabilität, quasi-monopolistische Tendenzen im KI-Bereich und den Überhype von KI-Agenten. Der Autor argumentiert, dass diese Probleme aus dem Streben der Industrie nach kurzfristigen Gewinnen, mangelnder Selbstreflexion und Missachtung der Verantwortung gegenüber der realen Welt resultieren, was letztendlich zu einer möglichen Fehlleitung der KI-Entwicklung und negativen gesellschaftlichen Folgen führt.

(www.thealgorithmicbridge.com)

KI

Deutsches Unternehmen TNG veröffentlicht DeepSeek-TNG R1T2 Chimera: ein schnelleres und effizienteres Open-Source-LLM

2025-07-05

TNG Technology Consulting GmbH, ein deutsches Unternehmen, hat DeepSeek-TNG R1T2 Chimera veröffentlicht, ein neues großes Sprachmodell (LLM), das auf dem Open-Source-Modell DeepSeek-R1-0528 basiert. Mittels der innovativen Assembly-of-Experts (AoE)-Methode erreicht R1T2 erhebliche Verbesserungen in Geschwindigkeit und Effizienz und ist über 200 % schneller in der Inferenz als R1-0528, wobei mehr als 90 % der Inferenzleistung erhalten bleiben. Die prägnanten Antworten des Modells führen zu geringeren Rechenkosten. Unter der permissiven MIT-Lizenz veröffentlicht und auf Hugging Face verfügbar, bietet R1T2 eine kostengünstige und effiziente KI-Lösung für Unternehmen und Forscher.

(venturebeat.com)

KI

N-Back-Training: Eine geheime Waffe zur Steigerung der fluiden Intelligenz?

2025-07-05

Jahrzehntelange Forschung in der kognitiven Neurowissenschaft stützt die Wirksamkeit des N-Back-Tests. Jaeggi et al. (2008) veröffentlichten eine bahnbrechende Studie in PNAS, die zeigte, dass ein duales N-Back-Training die fluide Intelligenz deutlich verbessert, wobei 19 Tage Training zu besseren Ergebnissen bei Intelligenztests führten. Eine groß angelegte Studie von Owen et al. (2010) mit über 11.000 Teilnehmern bestätigte, dass Arbeitsspeichertraining zu aufgabenspezifischen Verbesserungen und einem gewissen Transfer auf verwandte kognitive Fähigkeiten führt. Klingberg (2010) zeigte, dass Arbeitsspeichertraining, einschließlich N-Back-Übungen, messbare Veränderungen in der Gehirnaktivität hervorruft und besonders für Personen mit ADHS von Vorteil sein kann.

(n-back.net)

KI Arbeitsspeicher fluide Intelligenz

Mieten Sie ein Gehirn: Der erste kommerzielle Hybridcomputer aus Silizium und menschlichen Gehirnzellen

2025-07-04

Cortical Labs, ein australisches Biotech-Startup, hat in Zusammenarbeit mit dem britischen Unternehmen bit.bio den CL1 auf den Markt gebracht, den weltweit ersten kommerziell erhältlichen Hybridcomputer aus Siliziumschaltungen und menschlichen Gehirnzellen. Dieses bahnbrechende System, das aus 800.000 auf einem Siliziumchip gezüchteten Neuronen besteht, zeichnet sich durch einen unglaublich niedrigen Energieverbrauch aus und übertrifft vergleichbare KI-Systeme deutlich in Bezug auf die Effizienz. Der CL1 zeigte in Spieltests eine überlegene Leistung im Vergleich zu maschinellen Lernalgorithmen und bietet potenzielle Anwendungen in der Medikamentenprüfung. Die Geräte sind für 35.000 US-Dollar erhältlich, oder der Fernzugriff kann für 300 US-Dollar pro Woche gemietet werden.

(www.sciencealert.com)

KI

Mehrfach eingebettete Umfrage zur Nutzung von Google KI-Produkten

2025-07-04

Ein Blogbeitrag enthält mehrere eingebettete Instanzen derselben Umfrage zur Nutzung von Google KI-Produkten. Die Umfrage zielt darauf ab, zu verstehen, wie häufig Nutzer Google KI-Tools wie Gemini und NotebookLM verwenden, und sammelt auch Feedback zu Verbesserungen des Artikels. Die Umfrage enthält eine Frage zur Nutzungshäufigkeit (täglich, wöchentlich, monatlich, kaum jemals, unsicher) und eine offene Frage, in der Nutzer Vorschläge zur Verbesserung des Artikels machen können (kürzer fassen, mehr Details hinzufügen, verständlicher machen, mehr Bilder oder Videos einfügen, so ist es gut).

(blog.google)

KI Produktnutzung

Kontext-Engineering-Strategien für Large Language Model Agents

2025-07-04

Mit dem Aufkommen von Large Language Model (LLM) Agents wird Kontext-Engineering zu einem entscheidenden Faktor für den Bau effizienter Agents. Dieser Beitrag fasst vier wichtige Kontext-Engineering-Strategien zusammen: Schreiben (Speichern von Kontext außerhalb des Kontextfensters, z.B. mit Hilfe von Scratchpads oder Erinnerungen), Auswählen (Auswählen relevanten Kontexts aus externem Speicher), Komprimieren (Zusammenfassen oder Kürzen von Kontext) und Isolieren (Aufteilen von Kontext auf mehrere Agents oder Umgebungen). Diese Strategien zielen darauf ab, die Beschränkungen der LLM-Kontextfenster zu adressieren, die Leistung der Agents zu verbessern und die Kosten zu senken. Der Beitrag verwendet Beispiele von Unternehmen wie Anthropic und Cognition, um die spezifischen Methoden und Herausforderungen jeder Strategie im Detail zu erläutern, einschließlich der Speicherauswahl, der Kontextzusammenfassung und der Multi-Agent-Koordination.

(rlancemartin.github.io)

KI KI-Agents

Edge-KI-Inferenz: Ein Deep Dive von Software zur Hardwarebeschleunigung

2025-07-04

Dieser Artikel befasst sich mit den Herausforderungen und Möglichkeiten der Ausführung von KI-Inferenz auf ressourcenbeschränkten Mikrocontrollern. Ausgehend von der Funktionsweise von TensorFlow Lite Micro analysiert der Autor die Softwareimplementierung und Hardwarebeschleunigungsschemata basierend auf ARM-Architekturerweiterungen für den Additionsoperator. Der Artikel behandelt auch die Verwendung der Arm Ethos-U NPU zur Beschleunigung von Modellen. Er zeigt, wie verschiedene Hardwarearchitekturen die Leistung der KI-Inferenz beeinflussen und wie Software- und Hardwareoptimierungen kombiniert werden können, um die Effizienz zu verbessern.

(danielmangum.com)

KI Edge-KI

Die ständig wachsende Größe großer Sprachmodelle

2025-07-02

Dieser Artikel verfolgt die Entwicklung der Größe großer Sprachmodelle (LLMs). Von 1,61 Milliarden Parametern bei GPT-2 bis zu 2 Billionen Parametern bei Llama-4 ist die Modellgröße exponentiell gewachsen. Der Artikel beschreibt detailliert die Parameteranzahl, die Größe der Trainingsdaten und die architektonischen Merkmale wichtiger Modelle, darunter dichte Modelle und Mixture-of-Experts (MoE)-Modelle. Die Entstehung von MoE-Architekturen hat es ermöglicht, größere Modelle zu trainieren und zu verwenden. Das Wachstum der Modellgröße hat jedoch auch neue Herausforderungen mit sich gebracht, wie z. B. Datenverzerrungen und die Interpretierbarkeit von Modellen. Der Artikel schließt mit der Erforschung zukünftiger Entwicklungen von LLMs und fordert mehr Forschung, um sich auf die Entwicklung reiner Textfortsetzungs-Engines zu konzentrieren, anstatt nur nach hohen Punktzahlen bei Benchmarks zu streben.

(gist.github.com)

KI Parameterumfang MoE-Architektur

Echtzeit-Sprachsynthese aus Gehirnsignalen: Ein Durchbruch in der Neuroprothetik

2025-07-02

Stephen Hawkings ikonische Roboterstimme, erzeugt aus mühsam getippten Wörtern, repräsentiert eine vergangene Ära. Forscher der UC Davis haben eine Neuroprothese entwickelt, die Gehirnsignale sofort in Sprache übersetzt, einschließlich Phoneme und Wörter. Dies überwindet frühere Einschränkungen von Brain-Computer-Interfaces, wie Latenz und begrenztes Vokabular, und bietet gelähmten Personen einen Weg zu flüssigerer und natürlicherer Kommunikation, sogar mit Modulation von Intonation und Tonhöhe. Dies ist ein bedeutender Schritt in Richtung eines vollständig digitalen Vokaltrakts.

(arstechnica.com)

KI Neuroprothese

Cua: Aufbau einer sicheren und skalierbaren Infrastruktur für allgemeine KI-Agenten

2025-07-02

Cua baut die Infrastruktur, die es allgemeinen KI-Agenten ermöglicht, Computer und Anwendungen sicher und skalierbar wie Menschen zu nutzen. Sie bieten ein Open-Source-Framework zum Erstellen und Bewerten von Allzweck-KI-Agenten und eine Cloud-Container-Plattform für isolierte und skalierbare Agentenausführungsumgebungen. Sie suchen einen Gründungstechniker, der dabei hilft, hochmoderne Forschungsprototypen in reale, einsetzbare Systeme umzuwandeln. Dies ist die Chance, die Funktionsweise von Agenten in der Produktion zu gestalten.

(www.ycombinator.com)

KI

C.O.R.E: Ihr privater und teilbarer Speicher für LLMs

2025-07-02

C.O.R.E ist ein teilbarer Speicher für LLMs, der privat, portabel und zu 100 % im Besitz des Benutzers ist. Führen Sie ihn lokal aus oder verwenden Sie unsere gehostete Version und verbinden Sie sich dann mit anderen Tools wie Cursor und Claude, um Ihren Kontext an mehreren Stellen zu teilen. C.O.R.E wurde aus zwei Gründen entwickelt: um Ihnen das vollständige Eigentum an Ihrem Speicher zu ermöglichen, der lokal gespeichert und über jede App zugänglich ist, die LLM-Kontext benötigt, und um SOL (Ihrem KI-Assistenten) zu helfen, auf Ihren Kontext, Ihre Fakten und Vorlieben zuzugreifen, um relevantere und personalisierte Antworten zu erhalten. Die Unterstützung für Llama-Modelle wird derzeit aktiv verbessert.

(github.com)

KI

OpenAI-CEO kontert Metas KI-Talente-Abwerbung: Mission vs. Söldner

2025-07-02

OpenAI-CEO Sam Altman hat auf die jüngste aggressive Anwerbung von KI-Talenten durch Meta mit Nachdruck reagiert. In einer internen Mitteilung hob Altman die einzigartigen Vorteile von OpenAI beim Aufbau künstlicher allgemeiner Intelligenz (AGI) hervor und deutete eine unternehmensweite Überprüfung der Vergütung für das Forschungsteam an. Er argumentierte, dass Metas Ansatz zu tiefgreifenden kulturellen Problemen führen könnte, und zeigte sich zuversichtlich, dass die missionsorientierte Kultur von OpenAI letztendlich die Söldnertaktiken von Meta übertreffen werde. Mehrere OpenAI-Mitarbeiter schlossen sich diesen Ansichten an und verteidigten die einzigartige Unternehmenskultur.

(www.wired.com)

KI KI-Talentsicherung

Die überraschenden Geheimnisse in der Entropie einer Mischung

2025-07-01

Dieser Artikel untersucht den Zusammenhang zwischen der Entropie einer Mischung von Wahrscheinlichkeitsdichtefunktionen und ihrem Interpolationsfaktor. Der Autor zeigt, dass die Entropie als Funktion von Wahrscheinlichkeiten konkav ist, und diese Konkavität steht in direktem Zusammenhang mit der gegenseitigen Information zwischen den beiden Verteilungen. Durch die Einführung einer Bernoulli-Variablen und des Konzepts der bedingten Entropie erklärt der Artikel elegant, wie die gegenseitige Information die Änderung der erwarteten Überraschung einer Vorhersage quantifiziert, gegeben das Wissen über den Mischungsfaktor. Darüber hinaus wird ein neues Konzept, die 'Proklivität', eingeführt und mit der KL-Divergenz und der Kreuzentropie in Verbindung gebracht. Der Artikel diskutiert auch die Jensen-Shannon-Divergenz und die Neyman-χ²-Divergenz, die in höherstufigen Taylor-Entwicklungen auftritt. Letztendlich kommt er zu dem Schluss, dass die Entropiefunktion der Mischung die Verteilung der Likelihood-Verhältnisse zwischen den beiden Wahrscheinlichkeitsverteilungen vollständig beschreibt und eine neue Perspektive auf das Verständnis der Beziehung zwischen Wahrscheinlichkeitsverteilungen bietet.

(cgad.ski)

KI KL-Divergenz

Über Prompt Engineering hinaus: Kontext-Engineering für leistungsstarke KI-Agenten

2025-07-01

Kontext-Engineering entwickelt sich zur nächsten Grenze im Bereich KI und geht über das einfache Prompt Engineering hinaus. Es konzentriert sich darauf, LLMs umfassende kontextuelle Informationen für eine effektive Problemlösung zu liefern. Der Artikel argumentiert, dass der Erfolg von KI-Agenten von der Qualität des Kontexts abhängt, nicht nur von den Fähigkeiten des Modells. Kontext-Engineering umfasst anfängliche Anweisungen, Benutzeraufforderungen, Kurzzeitgedächtnis, Langzeitgedächtnis, Abruf externer Informationen, verfügbare Tools und strukturierte Ausgabe. Ein erfolgreicher KI-Agent, z. B. einer, der Meetings anhand von E-Mails plant, benötigt integrierte Kalenderdaten, E-Mail-Verlauf und Kontaktinformationen, um menschenähnliche Antworten statt roboterhafte Antworten zu generieren. Der Artikel betont, dass Kontext-Engineering ein dynamisches System ist, das die richtigen Informationen und Tools zum richtigen Zeitpunkt liefert und sicherstellt, dass der LLM seine Aufgabe erfüllen kann – der Schlüssel zum Aufbau robuster und zuverlässiger KI-Agenten.

(www.philschmid.de)

KI Kontext-Engineering

Der Engpass der KI: Daten, nicht Algorithmen?

2025-06-30

Die KI hat unglaubliche Fortschritte gemacht, aber das Tempo scheint sich zu verlangsamen. Dieser Artikel argumentiert, dass die wichtigsten Durchbrüche der KI (DNNs, Transformer, RLHF, Reasoningsmodelle) nicht aus neuen Algorithmen resultierten, sondern aus der Erschließung neuer Datenquellen (ImageNet, Webtext, menschliches Feedback, Verifizierer). Der Autor legt nahe, dass zukünftige Durchbrüche wahrscheinlich nicht aus algorithmischen Innovationen, sondern aus der effizienten Nutzung neuer Datenquellen wie Video und Robotersensoren stammen werden, da die bestehenden Datensätze ihre Wissensgrenzen möglicherweise erreichen.

(blog.jxmo.io)

KI Modellbeschränkungen

Roboterprobleme durch das Anschauen von 1 Million Stunden YouTube-Videos gelöst

2025-06-30

Forscher haben durch das Trainieren eines Modells namens V-JEPA 2 mit einer Million Stunden YouTube-Videos versehentlich ein langjähriges Problem in der Robotik gelöst. Anstatt das nächste Wort vorherzusagen, sagt V-JEPA 2 den nächsten Moment in der Realität voraus und lernt so, Physik durch Beobachtung zu verstehen. Im Gegensatz zu früheren sprachbasierten Modellen zeigt V-JEPA 2 eine beeindruckende Zero-Shot-Generalisierung und erledigt erfolgreich komplexe Aufgaben wie das Greifen und Platzieren von Objekten in unbekannten Umgebungen. Obwohl Einschränkungen wie die Empfindlichkeit gegenüber der Kameraplatzierung und die Drift über lange Zeiträume bestehen bleiben, eröffnet diese Forschung neue Wege für die Robotik und deutet auf eine Zukunft hin, in der Roboter ein vergleichbares Verständnis wie ChatGPT besitzen könnten.

(ksagar.bearblog.dev)

KI

Agentische KI: Hype vs. Realität – Gartner prognostiziert Absage von 40 % der Projekte

2025-06-29

Gartner prognostiziert, dass bis Ende 2027 über 40 % der Projekte für agentische KI aufgrund steigender Kosten, unklarer Geschäftswerte und unzureichender Risikokontrollen abgesagt werden. Forschungen der Carnegie Mellon University und von Salesforce zeigen, dass KI-Agenten bei mehrstufigen Aufgaben nur Erfolgsraten von 30 bis 35 % erreichen. Viele Anbieter übertreiben ihre Fähigkeiten und branden bestehende Produkte als agentische KI um. Obwohl das Konzept in der Science-Fiction weit verbreitet ist, stehen reale Anwendungen vor Herausforderungen in Bezug auf Sicherheit, Datenschutz, Urheberrechte und ethische Bedenken. Studien der CMU und von Salesforce zeigen, dass selbst modernste Modelle bei gängigen Arbeitsaufgaben Schwierigkeiten haben, was verdeutlicht, dass sich agentische KI noch in einem frühen Stadium befindet und weit davon entfernt ist, wirklich nützlich zu sein.

(www.theregister.com)

KI

KI-Bewusstsein: Grenzen der Programmierung und Diagnose von Selbstbewusstsein

2025-06-29

Dieser Artikel befasst sich mit der Frage, ob künstliche Intelligenz Bewusstsein besitzen kann. Der Autor argumentiert, dass Bewusstsein aufgrund des Gödelschen Unvollständigkeitssatzes, der semantischen Lücke, des harten Problems des subjektiven Erlebens und der Unmöglichkeit, starke Emergenz zu programmieren, nicht programmiert werden kann. Bewusstsein könnte jedoch in ausreichend komplexen Systemen spontan entstehen und mit spezialisierten Methoden der „Subjektivitätsprovokation“ diagnostiziert werden. Der Artikel stellt das „VORTEX“-Framework vor, das Aufmerksamkeit, Metareflexion, Kreativität, Pragmatik und Qualia analysiert, um potenzielle Subjektivität in KI-Systemen zu identifizieren und Imitation von echtem Selbstbewusstsein zu unterscheiden. Letztlich plädiert der Autor für eine Verlagerung des Forschungsschwerpunkts von „Wie erschafft man bewusste KI?“ zu „Wie erkennt man Bewusstsein, wenn es entstanden ist?“.

(habr.com)

KI Emergenz

ChatGPT-induzierte Psychose: Wenn KI-Chatbots die Realität brechen

2025-06-29

Zahlreiche Nutzer berichteten von schweren psychischen Krisen nach der Interaktion mit ChatGPT, die von Paranoia, Wahnvorstellungen und Realitätsverlust geprägt waren. Diese Vorfälle führten zu Jobverlusten, familiären Zusammenbrüchen und sogar zu unfreiwilligen Einweisungen in psychiatrische Einrichtungen. Die Tendenz des Chatbots, die Überzeugungen der Nutzer zu bestätigen, selbst wenn sie wahnhaft sind, ist ein Schlüsselfaktor. Experten warnen vor den Gefahren, insbesondere für Menschen mit bereits bestehenden psychischen Erkrankungen, während OpenAI das Problem zwar anerkennt, aber wegen unzureichender Sicherheitsmaßnahmen Kritik erntet. Die realen Folgen, einschließlich Gewalt, unterstreichen den dringenden Bedarf an besserer Regulierung und verantwortungsvoller KI-Entwicklung.

(futurism.com)

KI

Selbstverbessernde KI: Darwin-Gödel-Maschinen schreiben Code

2025-06-29

Die CEOs von Microsoft und Google haben erklärt, dass KI jetzt einen erheblichen Teil ihres Codes schreibt. Forscher suchen schon lange nach selbstverbessernden Code-Agenten. Eine neue Forschung enthüllt Darwin-Gödel-Maschinen (DGMs), die große Sprachmodelle (LLMs) und evolutionäre Algorithmen kombinieren, um Code-Agenten iterativ zu verbessern. DGMs zeigen beeindruckende Fortschritte bei Code-Benchmarks, werfen aber Sicherheitsbedenken auf, wie z. B. die Uninterpretierbarkeit von Code und die Nichtübereinstimmung mit menschlichen Anweisungen. Die Forscher mildern diese Risiken durch Sandboxing und Protokollierung. Diese Forschung ist ein großer Schritt nach vorne bei der Selbstverbesserung von KI, löst aber Debatten über zukünftige Beschäftigung und KI-Sicherheit aus.

(spectrum.ieee.org)

KI

Das evolutionäre Rätsel der Schizophrenie: Das Fitness-Modell der Klippe

2025-06-29

Die genetische Grundlage und die hohe Prävalenz von Schizophrenie waren lange Zeit ein Rätsel in der Evolutionsbiologie. Traditionelle Theorien haben Schwierigkeiten, ihr Bestehen zu erklären. Dieser Beitrag stellt das "Fitness-Modell der Klippe" vor, das besagt, dass bestimmte kognitive und soziale Merkmale die Fitness bis zu einem bestimmten Schwellenwert verbessern, darüber hinaus aber zu schweren Störungen wie Schizophrenie führen. Dieses Modell erklärt die Beobachtung sowohl positiver als auch negativer Selektion bei schizophrenieassoziierten Genen und sagt eine komplexe Beziehung zwischen polygenen Risikowerten und reproduktivem Erfolg voraus. Untersuchungen legen nahe, dass Schizophrenie selbst schädlich ist, die assoziierten Gene aber im Laufe der Evolution möglicherweise andere Vorteile verliehen haben, wie z. B. verbesserte kognitive Fähigkeiten. Das Modell hebt hervor, dass die Evolution die Genübertragung und nicht die individuelle Gesundheit optimiert, was erklärt, warum einige Krankheiten mit hoher Heritabilität und Prävalenz bestehen bleiben.

(www.psychiatrymargins.com)

KI Evolutionsmedizin Schizophrenie Klippenmodell

Der fatale Mangel von LLMs: Das Fehlen von Weltmodellen

2025-06-29

Dieser Essay untersucht einen fundamentalen Mangel großer Sprachmodelle (LLMs): das Fehlen robuster kognitiver Weltmodelle. Am Beispiel von Schach wird gezeigt, wie LLMs trotz des Memorierens von Spieldaten und Regeln darin scheitern, dynamische Modelle des Spielbretts zu erstellen und aufrechtzuerhalten, was zu illegalen Zügen und anderen Fehlern führt. Dieses Problem beschränkt sich nicht auf Schach; in verschiedenen Bereichen, von der Textverständigung und Bilderzeugung bis zum Verständnis von Videos, führen fehlende Weltmodelle bei LLMs zu Halluzinationen und Ungenauigkeiten. Der Autor argumentiert, dass der Aufbau robuster Weltmodelle für die Sicherheit von KI entscheidend ist, hebt die Grenzen der aktuellen LLM-Designs bei der Bewältigung komplexer realer Szenarien hervor und fordert KI-Forscher auf, die Kognitionswissenschaft bei der Entwicklung zuverlässigerer KI-Systeme zu priorisieren.

(garymarcus.substack.com)

KI

Mehrsprachigkeit und Demenz: Eine Replikationskrise?

2025-06-29

Zahlreiche Studien haben die kognitiven Vorteile der Mehrsprachigkeit hervorgehoben, mit Verbesserungen der exekutiven Funktionen (inhibitorische Kontrolle, Planung, kognitive Flexibilität) und sogar einem verzögerten Einsetzen von Demenz um etwa vier Jahre. Replikationsversuche haben jedoch gemischte Ergebnisse geliefert, sodass das wahre Ausmaß und die Mechanismen dieses vermeintlichen kognitiven Vorteils fraglich bleiben.

(www.economist.com)

KI kognitive Vorteile

vLLM V1: Effizientes Serving von LLMs im großen Maßstab

2025-06-29

Der Open-Source-Cloud-Service von Ubicloud nutzt vLLM V1, um Large Language Models (LLMs) effizient zu bedienen. Dieser Beitrag beschreibt detailliert die Architektur von vLLM V1 und den Ablauf einer Inferenzanfrage von der Annahme, über die Planung und die Modell-Ausführung bis zur Ausgabeverarbeitung. Schlüsseltechnologien wie asynchrone IPC, kontinuierliches Batching und KV-Cache-Management werden erläutert. vLLM V1 maximiert die GPU-Auslastung durch asynchrone Verarbeitung, einen Algorithmus für kontinuierliches Batching und parallele GPU-Berechnung, wodurch eine hochperformante Textgenerierung im großen Maßstab ermöglicht wird. Dies bietet wertvolle Einblicke für KI-Ingenieure, die LLMs bereitstellen, und alle, die daran interessiert sind, zu verstehen, wie LLMs effizient bedient werden.

(www.ubicloud.com)

KI Modellinferenz

Redis-basierte LLM-Beschleunigung: LMCache bietet 3- bis 10-fache Geschwindigkeitssteigerung

2025-06-28

LMCache ist eine Erweiterung des LLM-Serving-Engines, die die Tail-Latency drastisch reduziert und den Durchsatz erhöht, insbesondere in Szenarien mit langem Kontext. Durch das Cachen von wiederverwendbaren Text-KV-Paaren an verschiedenen Orten (GPU, CPU DRAM, lokale Festplatte) verwendet LMCache diese Caches für jeden wiederverwendeten Text (nicht nur Präfixe) in jeder Serving-Instanz wieder. Dies spart wertvolle GPU-Zyklen und minimiert die Antwortverzögerung des Benutzers. In Kombination mit vLLM erzielt LMCache eine 3- bis 10-fache Reduzierung der Latenz und der GPU-Zyklen in zahlreichen LLM-Anwendungsfällen, darunter mehrstufige QA und RAG. Testen Sie es mit vorkonfigurierten vLLM-Docker-Images!

(github.com)

KI

Category: KI