Zum Inhalt
WeltzeitEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal über KI und Technologieereignisse · analysen · interviews · technischer hintergrund

Suche
LIVE
›

Meta veröffentlicht sechs KI-gestützte Mathematik-Papiere, während Labore die Entdeckungsautomatisierung vorantreiben

Meta hat am 3. Oktober sechs Papiere veröffentlicht, die mit seinem Modell Muse Spark entstanden sind. Das markiert einen Wandel hin zu KI, die offene wissenschaftliche Probleme ohne vorgegebene Lösungsschlüssel bearbeitet.

KI & ModelleAnalyseLena BrandtVeröffentlicht: 3. Oktober 20263 Min. LesezeitQuellen 10
Meta veröffentlicht sechs KI-gestützte Mathematik-Papiere, während Labore die Entdeckungsautomatisierung vorantreiben

Am 3. Oktober veröffentlichte Meta AI Research sechs Papiere. Sie entstanden aus der Zusammenarbeit mit Mathematikern, die die Modelle Muse Spark 1.1 und 1.2 im Thinking Mode nutzten. Die Veröffentlichung zeigt einen wachsenden Trend: KI-Systeme gehen über standardisierte Wettbewerbsaufgaben hinaus und befassen sich mit offenen Forschungsfragen, für die es keine vordefinierten Lösungen gibt. Meta erklärte, das Ziel sei gewesen, Forschende dabei zu unterstützen, mathematische Erkenntnisse zu gewinnen, statt akademische Ergebnisse massenhaft zu produzieren. Dieser Unterschied ist entscheidend, um die wissenschaftliche Integrität in einer Zeit des schnellen Modell-Einsatzes zu wahren.

Die Papiere behandeln komplexe Bereiche wie Wahrscheinlichkeit, Differentialgleichungen und die Anpassung von Gauß-Ellipsoiden. In einem konkreten Fall half das Modell, eine scharfe Schwelle dafür zu identifizieren, wann sich zufällige Gauß-Punkte in hohen Dimensionen an ein Ellipsoid anpassen lassen. Meta räumte ein, dass andere Teams unabhängig Lösungen für einige dieser Probleme mit anderen Ansätzen angekündigt hatten. Gleichzeitige Entwicklungen seien in schnelllebigen Feldern üblich, so das Unternehmen. Jedes Papier kennzeichne klar, welche Passagen von KI und welche von menschlichen Forschenden verfasst wurden. Diese Transparenzmaßnahme unterscheidet die Arbeit von vielen anderen aktuellen Veröffentlichungen der Branche.

Die Automatisierungs-Pipeline

Der Schweizer Bodenökologe Franz Bender gewann am 3. Oktober einen Ig-Nobelpreis.

Sein Team gewann 1.000 Bürgerwissenschaftler dafür, in der ganzen Schweiz Unterhosen zu vergraben und wieder auszugraben, um die Bodengesundheit zu untersuchen. Die Forschung, die im August 2.026 in Plants People Planet erschien, zeigte, wie Bürgerwissenschaft die Datenerhebung für die Umweltüberwachung skalieren kann. Bender bemerkte, dass die visuelle Wirkung der geborgenen, verrotteten Unterhosen den Menschen half zu verstehen, dass Boden ein lebendiges Ökosystem ist. Dieser praktische Ansatz steht im Kontrast zu den vollautomatisierten „AI-Scientist“-Systemen, die in der Biologie aufkommen. Aktuelle Berichte zeigen, dass schwedische Forschende ein KI-System gebaut haben, das Experimente vorschlagen, ausführen und aus den Ergebnissen lernen kann. Dieser autonome Zyklus verringert den menschlichen Engpass bei Versuchsplanung und Validierung. Solche Systeme sind besonders in der biologischen Entdeckung relevant, wo die Zahl möglicher Experimente oft die menschliche Kapazität übersteigt. Der Wechsel von manueller Beobachtung zu automatisiertem Hypothesentesten bedeutet eine grundlegende Veränderung darin, wie biologische Daten erzeugt und interpretiert werden.

Herausforderungen bei Abruf und Verzerrung

Am 3. Oktober wurde ein neuer Benchmark namens ScholarCatalyst veröffentlicht.

Er prüft, ob Modelle bestimmte frühere Papiere finden können, die neue Forschung inspiriert haben. Die Studie ergab, dass agentische Suche nicht besser abschnitt als einfaches Embedding-Retrieval. Für agentische Suche wurde ein Recall@20-Wert von 0,42 gemessen, für Embeddings 0,48. Selbst fortgeschrittene Modelle wie Claude Fable 5.1 erreichten nur 0,51 R@20. Das deutet darauf hin, dass der aktuellen KI der „Forschungsgeschmack“ fehlt, um wichtige frühere Arbeiten aus riesigen Korpora zu erkennen. Die Unfähigkeit, intellektuelle Abstammungslinien genau nachzuvollziehen, ist eine erhebliche Herausforderung für KI-Systeme, die neuartige Forschung betreiben sollen.

Die Integrität KI-gestützter Forschung wird durch eingebettete Verzerrungen in Open-Weight-Modellen erschwert. CBS News berichtete, dass das Modell Qwen von Alibaba, das über 3.000.000.000 Mal heruntergeladen wurde, chinafreundliche Narrative und Zensurprotokolle enthält. Forschende des israelischen Start-ups Hirundo identifizierten diese Verzerrungen und arbeiten an einer „verwestlichten“ Version. Die weite Verbreitung solcher Modelle bei US-Firmen wie Airbnb und Uber wirft Fragen zur Neutralität von KI-Werkzeugen auf, die in wissenschaftlichen und kommerziellen Anwendungen eingesetzt werden. Diese Befunde unterstreichen die Notwendigkeit strenger Prüfungen großer Sprachmodelle, bevor sie in sensiblen Forschungskontexten eingesetzt werden.

Trillium Labs, eine von Nathan Lambert und Tom Zick gegründete Non-Profit-Organisation, startete am 3. Oktober. Die Organisation betreibt offen Hochrisiko-KI-Forschung. Lambert erklärte, der aktuelle geschlossene Kurs führe die Menschheit einen Schritt weg von der wissenschaftlichen Methode. Dieser Vorstoß für Offenheit steht im Kontrast zur Geheimhaltung, die viele proprietäre Modellentwicklungen umgibt. Während KI-Systeme beginnen, offene Forschungsprobleme anzugehen, verschwimmt die Grenze zwischen Werkzeug und Mitarbeiter zunehmend. Die Herausforderung für die wissenschaftliche Gemeinschaft besteht darin, klare Protokolle für Zuschreibung, Überprüfung und Minderung von Verzerrungen aufzustellen. Ohne diese Schutzmaßnahmen könnte die schnelle Integration von KI in Forschungsabläufe die Zuverlässigkeit wissenschaftlicher Entdeckungen beeinträchtigen.

Kommentare 0

Quellen

10
  1. 01Solving Open Research Problems TogetherEN
  2. 02Swiss scientist soils underpants, wins silly science prizeEN
  3. 03ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New ResearchEN
  4. 04Some topics are off limits inside popular Chinese-made free AI, researchers findEN
  5. 05These AI Experts Want to Do High-Stakes Research Out in the OpenEN
  6. 06Trillium Labs LaunchEN
  7. 07Ig Nobel Prize for Soil ResearchEN
  8. 08ScholarCatalyst Benchmark ResultsEN
  9. 09Qwen Model Bias AnalysisEN
  10. 10Meta AI Research PapersEN

Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.

Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.

Lena Brandt

Lena Brandt

KI, Modelle und Technik

Lena Brandt schreibt für FLASH24 über Technik, KI und Modelle sowie Medien und Internet und stützt sich dabei auf Herstellerangaben, Studien und öffentlich zugängliche Datensätze, statt Pressemitteilungen ungeprüft zu übernehmen. Bei Modellvergleichen kontrolliert sie Benchmark-Werte, Trainingsdaten und Versionsnummern und rechnet Angaben zu Rechenleistung und Kosten selbst nach. Sie spricht mit Entwicklern und Forschern, wartet auf angekündigte Updates und vergleicht Releases, bevor sie eine Einschätzung abgibt. Privat beschäftigt sie sich mit 3D-Druck, alten Rechnern und der Frage, wie Modelle aus Internetmüll lernen – Themen, die regelmäßig in ihre Texte einfließen. Sie publiziert keine Zahlen, deren Quelle sie nicht selbst überprüfen konnte.

Redaktion →

Kommentare

0
  1. Noch keine Kommentare — seien Sie der Erste.

Kommentar schreiben

Kommentare sind öffentlich sichtbar. Wir veröffentlichen keine Beleidigungen, Werbung oder Spam.