KI Panorama

Suche

Branche oder Lebensbereich: Forschung

  • KI für Entwickler: vom Sprachmodell zum Agenten

    Der Lernpfad ordnet die wichtigsten Bausteine moderner KI-Anwendungen ein und führt von Sprachmodellen und Embeddings zu RAG, Werkzeugnutzung, MCP und Agenten.

    Für wen ist dieser Lernpfad?

    Für Entwickler und technisch Interessierte mit grundlegender Programmiererfahrung.

    Lernschritte

    1. Programmcode verstehen und prüfen
      KI als Assistenz für Erklärung, Review und Tests einsetzen.
    2. Große Sprachmodelle
      Modellverhalten, Kontext und probabilistische Ausgabe einordnen.
    3. Embeddings und Vektorsuche
      Semantische Repräsentationen und Ähnlichkeitssuche verstehen.
    4. Retrieval-Augmented Generation
      Modelle mit kontrolliert ausgewählten Wissensquellen verbinden.
    5. Tool Use und Function Calling
      Strukturierte Werkzeugaufrufe planen und validieren.
    6. Model Context Protocol
      Standardisierte Verbindungen zu Werkzeugen und Datenquellen einordnen.
    7. KI-Agenten
      Planung, Aktionen, Beobachtung und Kontrolle zusammensetzen.
    8. Prompt Injection
      Angriffe über fremde Inhalte und unzuverlässige Instruktionen abwehren.

    Was du danach kannst

    • zentrale Architekturbausteine moderner KI-Anwendungen erklären
    • RAG, Tool Use und Agenten voneinander abgrenzen
    • kritische Ein- und Ausgaben validieren
    • Sicherheitsgrenzen und menschliche Freigaben einplanen

    Hinweise zur Nutzung

    Für produktive Systeme sind zusätzlich anwendungsspezifische Tests, Protokollierung, Berechtigungen und Sicherheitsprüfungen erforderlich.

    Grundlagen für die Lernstruktur

  • KI in der Forschung verstehen

    Dieser Lernpfad zeigt anhand konkreter Forschungsprojekte, wie unterschiedlich KI wissenschaftliche Probleme bearbeiten kann und warum Ergebnisse, Benchmarks und Grenzen getrennt betrachtet werden müssen.

    Für wen ist dieser Lernpfad?

    Für wissenschaftlich Interessierte, Lehrende, Studierende und Leser, die KI jenseits von Chatbots kennenlernen möchten.

    Lernschritte

    1. AlphaFold
      Proteinstrukturen als etabliertes Beispiel datengetriebener Forschung verstehen.
    2. GraphCast
      Graph Neural Networks für Wettervorhersagen einordnen.
    3. AlphaEvolve
      Evolutionäre Codesuche und automatische Bewertung kennenlernen.
    4. GNoME
      Vorhersagen neuer stabiler Kristallstrukturen untersuchen.
    5. GenCast
      Probabilistische Vorhersagen und Unsicherheit verstehen.
    6. Aeneas
      KI-Unterstützung in den Geisteswissenschaften kennenlernen.
    7. KI-Benchmarks und Evaluationen
      Messwerte, Vergleichbarkeit und tatsächliche Praxistauglichkeit unterscheiden.

    Was du danach kannst

    • unterschiedliche wissenschaftliche KI-Aufgaben voneinander unterscheiden
    • Vorhersage, Generierung, Suche und Optimierung einordnen
    • Forschungsergebnisse von Produktversprechen trennen
    • Benchmarks und offene Fragen kritischer lesen

    Hinweise zur Nutzung

    Ein Forschungsresultat belegt nicht automatisch die allgemeine Praxistauglichkeit eines Systems. Maßgeblich sind Aufgabenstellung, Daten, Vergleichsmethode und unabhängige Replikation.

    Grundlagen für die Lernstruktur

  • NeRF: Ansichten aus Fotos rekonstruieren

    Ein NeRF lernt aus mehreren Bildern, welche Farbe und Dichte an räumlichen Positionen entlang verschiedener Blickrichtungen zu erwarten sind. Daraus lassen sich neue Ansichten derselben Szene rendern.

    Einfach erklärt

    Viele Fotos zeigen eine Szene aus unterschiedlichen Blickwinkeln. Das Modell lernt daraus eine kontinuierliche räumliche Darstellung, durch die eine virtuelle Kamera bewegt werden kann.

    Geeignete Motive

    • statische Räume und Objekte
    • Kultur- und Produktdokumentation
    • virtuelle Rundgänge
    • visuelle Effekte und Forschung

    Grenzen

    Bewegte Menschen, spiegelnde oder transparente Flächen, stark wechselndes Licht und zu wenige Kameraperspektiven erschweren die Rekonstruktion.

    Abgrenzung

    NeRF erzeugt primär eine Darstellung für neue Ansichten. Ein direkt bearbeitbares, sauberes 3D-Mesh entsteht nicht zwingend.

    Quellen und Prüfstand

    Prüfstand: 28.07.2026. Produktfunktionen, Nutzungsbedingungen und Rechte können sich ändern und müssen vor einer Veröffentlichung beim jeweiligen Anbieter geprüft werden.

  • 3D Gaussian Splatting

    3D Gaussian Splatting beschreibt eine Szene durch zahlreiche räumliche Gauß-Primitive mit Position, Größe, Orientierung, Farbe und Transparenz. Dadurch lassen sich neue Ansichten oft sehr schnell rendern.

    Unterschied zu klassischen Punktwolken

    Die Elemente besitzen nicht nur eine Position, sondern auch räumliche Ausdehnung, Orientierung und Darstellungsparameter. Sie überlagern sich zu einem dichten Bild.

    Stärken

    • schnelles Rendering
    • hohe visuelle Qualität
    • interaktive Kamerabewegung
    • geeignet für aufgenommene reale Szenen

    Grenzen

    • große Datenmengen
    • schwierige Bearbeitung einzelner Objekte
    • Artefakte bei unzureichenden Aufnahmen
    • kein automatisch sauberes CAD- oder Animationsmodell

    Aufnahmehinweis

    Viele scharfe, überlappende Bilder mit gleichmäßiger Belichtung und ruhiger Kameraführung bilden eine bessere Grundlage als wenige stark unterschiedliche Aufnahmen.

    Quellen und Prüfstand

    Prüfstand: 28.07.2026. Produktfunktionen, Nutzungsbedingungen und Rechte können sich ändern und müssen vor einer Veröffentlichung beim jeweiligen Anbieter geprüft werden.

  • Datenschutz bei KI-Modellen: Personenbezug, Anonymität und Rechtsgrundlage

    Der Europäische Datenschutzausschuss betont, dass Anonymität von KI-Modellen im Einzelfall geprüft werden muss. Außerdem müssen Entwicklung und Einsatz eine tragfähige Rechtsgrundlage haben; unrechtmäßig verarbeitete Trainingsdaten können Folgen für die spätere Nutzung des Modells haben.

    Wann ein Modell anonym sein kann

    Entscheidend ist, ob personenbezogene Daten mit Mitteln, die vernünftigerweise eingesetzt werden könnten, direkt oder indirekt aus dem Modell gewonnen werden können. Eine pauschale Aussage für alle Modelle ist nicht möglich.

    Berechtigtes Interesse

    Eine Berufung auf berechtigte Interessen erfordert die übliche dreistufige Prüfung: legitimes Interesse, Erforderlichkeit und Abwägung gegenüber Rechten und Erwartungen betroffener Personen.

    Praktische Maßnahmen

    • Datenminimierung und klare Zweckbindung
    • Prüfung der Herkunft und Rechtmäßigkeit von Trainings- und Eingabedaten
    • Tests auf Memorisation und Datenextraktion
    • Lösch-, Widerspruchs- und Auskunftsprozesse
    • Dokumentation der technischen und organisatorischen Schutzmaßnahmen

    Keine pauschale Freigabe

    Dass Daten öffentlich auffindbar sind oder ein Modell groß ist, macht die Verarbeitung nicht automatisch rechtmäßig oder anonym.

    Quellen und Rechtsstand

    Prüfstand: 28.07.2026. Rechtliche Beiträge dienen der allgemeinen Information und ersetzen keine Rechtsberatung.

  • MatterGen: Materialien nach gewünschten Eigenschaften erzeugen

    Statt eine feste Datenbank nur zu durchsuchen, beginnt MatterGen mit Anforderungen und generiert passende Kristallstrukturen. Computergestützte Stabilität und gewünschte Eigenschaften sind jedoch nur der Anfang; Synthese und Messung im Labor bleiben unverzichtbar.

    Forschungsfrage

    Können neue anorganische Materialien direkt unter Bedingungen wie Zusammensetzung, Symmetrie, Magnetismus oder mechanischen Eigenschaften erzeugt werden?

    Ansatz

    Ein diffusionsbasiertes Modell erzeugt atomare Zusammensetzungen, Gitter und Positionen. Durch Fine-Tuning oder konditionierte Generierung wird die Suche auf gewünschte Eigenschaften gelenkt.

    Veröffentlichte Ergebnisse

    • Erzeugung stabiler und neuartiger Materialkandidaten über verschiedene chemische Systeme
    • Steuerung nach mehreren Eigenschaftsbedingungen
    • Experimentelle Synthese eines vorgeschlagenen Materials als Teil der Validierung

    Bedeutung

    • Inverse Materialentwicklung statt ausschließlichem Screening
    • Schnellere Hypothesenbildung für Batterien, Magnete und andere Anwendungen
    • Verbindung generativer Modelle mit Simulation und Laborprüfung

    Grenzen

    • Berechnete Eigenschaften können von realen Proben abweichen
    • Herstellbarkeit, Defekte und Skalierbarkeit sind separate Probleme
    • Die Wahl der Trainingsdaten begrenzt den erforschten chemischen Raum

    Primärquellen

  • Aurora: Foundation Model für das Erdsystem

    Aurora wurde auf mehr als einer Million Stunden geophysikalischer Daten vortrainiert. Durch Fine-Tuning kann die gemeinsame Grundlage für Wetter, Luftqualität, Wellen und Zyklonbahnen spezialisiert werden. Es ergänzt physikalische Modelle und Beobachtungssysteme, ersetzt sie aber nicht.

    Forschungsfrage

    Kann ein gemeinsames vortrainiertes Modell verschiedene atmosphärische und geophysikalische Vorhersageaufgaben lernen?

    Ansatz

    Ein Encoder verarbeitet heterogene räumliche Felder auf unterschiedlichen Auflösungen. Ein Transformer lernt gemeinsame Dynamiken, bevor das Modell für einzelne Aufgaben feinabgestimmt wird.

    Veröffentlichte Ergebnisse

    • Evaluationen für Wetter, Luftqualität, Ozeanwellen und tropische Zyklonbahnen
    • Schnelle Inferenz im Vergleich zu klassischen Simulationen
    • Übertragung eines gemeinsamen vortrainierten Modells auf verschiedene Fachaufgaben

    Bedeutung

    • Einheitliche Grundlage für mehrere Erdsystemaufgaben
    • Schnellere Experimente und spezialisierte Vorhersagen
    • Potenzial für Regionen oder Variablen mit begrenzten Rechenressourcen

    Grenzen

    • Vorhersagen hängen von Qualität und Abdeckung der Trainingsdaten ab
    • Langfristige Klimaaussagen sind nicht dasselbe wie kurzfristige Wetterprognosen
    • Operative Einführung benötigt unabhängige, kontinuierliche Prüfung

    Primärquellen

  • AlphaGeometry: Geometriebeweise ohne menschliche Demonstrationen

    Das System erzeugt Hilfskonstruktionen und prüft geometrische Folgerungen symbolisch. In einem Testset löste es 25 von 30 ausgewählten Olympiade-Aufgaben innerhalb der vorgegebenen Zeitbedingungen. Der Vergleich betrifft einen begrenzten Bereich formaler Geometrie und keine allgemeine mathematische Intelligenz.

    Forschungsfrage

    Wie können kreative geometrische Konstruktionen mit streng überprüfbaren Beweisschritten verbunden werden?

    Ansatz

    Ein neuronales Modell schlägt zusätzliche Punkte, Linien oder Kreise vor. Eine symbolische Engine leitet daraus formal gültige Aussagen ab und sucht einen vollständigen Beweis.

    Veröffentlichte Ergebnisse

    • 25 von 30 Aufgaben des IMO-AG-30-Testsets gelöst
    • Vorheriger Vergleichsansatz löste 10 Aufgaben
    • Beweise wurden in symbolisch nachvollziehbarer Form erzeugt

    Bedeutung

    • Verbindung generativer Vorschläge mit formaler Verifikation
    • Synthetische Trainingsdaten statt menschlicher Lösungsdemonstrationen
    • Forschung zu maschinellem Theorembeweisen und mathematischen Assistenzsystemen

    Grenzen

    • Spezialisiert auf euklidische Olympiade-Geometrie
    • Testset und Vergleich erlauben keine Aussage über gesamte Mathematik
    • Formale Übersetzung und geeignete Werkzeuge bleiben für andere Gebiete schwierig

    Primärquellen

  • Aeneas: antike lateinische Inschriften kontextualisieren

    Aeneas ist ein multimodales generatives Modell für Epigraphik. Es kombiniert Text und Bildinformationen und liefert historische Parallelen als Begründungshilfe. Die beste Verwendung ist eine Zusammenarbeit mit Fachleuten, nicht die automatische Festlegung einer einzigen historischen Interpretation.

    Forschungsfrage

    Wie können beschädigte oder unvollständige Inschriften mit großen Sammlungen ähnlicher historischer Texte verbunden werden?

    Ansatz

    Das Modell verarbeitet transkribierten Text und, falls vorhanden, Bilder. Es restauriert fehlende Teile, schätzt Zeit und Herkunft und sucht kontextuell ähnliche Inschriften.

    Veröffentlichte Ergebnisse

    • Verbesserte Ergebnisse bei Restaurierung sowie geografischer und zeitlicher Zuordnung im verwendeten Datensatz
    • Ausgabe historisch begründeter Textparallelen
    • Studien mit Historikern untersuchten die Zusammenarbeit zwischen Mensch und Modell

    Bedeutung

    • Schneller Zugriff auf Parallelen in großen Inschriftensammlungen
    • Unterstützung bei fragmentarischen oder beschädigten Quellen
    • Beispiel für KI in Geisteswissenschaften und digitaler Archäologie

    Grenzen

    • Daten sind zeitlich, geografisch und sprachlich ungleich verteilt
    • Modelle können plausible, aber historisch falsche Ergänzungen erzeugen
    • Datierung und Interpretation benötigen weiterhin Quellenkritik und Fachwissen

    Primärquellen

  • World Models: gelernte Modelle einer Umgebung

    World Models lernen nicht die gesamte Wirklichkeit. Sie bilden diejenigen Zusammenhänge ab, die in den Trainingsdaten und für eine bestimmte Aufgabe sichtbar sind. Ein Agent kann solche Modelle nutzen, um mögliche Folgen von Handlungen zu simulieren, bevor er handelt.

    Einfach erklärt

    Ein World Model ist eine gelernte Simulation. Es versucht vorherzusagen, wie eine Szene oder ein System nach einer Aktion aussehen könnte.

    Grundidee

    • Beobachtungen werden in eine kompakte Repräsentation übersetzt
    • Ein Dynamikmodell sagt den nächsten Zustand voraus
    • Ein Agent bewertet mögliche Handlungen in dieser internen Simulation
    • Die gewählte Handlung wird in der realen oder virtuellen Umgebung ausgeführt

    Einsatzfelder

    • Robotik und autonome Systeme
    • Spiele und interaktive Umgebungen
    • Planung von Handlungsfolgen
    • Simulation physikalischer oder visueller Prozesse

    Grenzen

    • Unbekannte Situationen werden möglicherweise falsch simuliert
    • Seltene Ereignisse fehlen oft in den Daten
    • Visuell plausible Vorhersagen können physikalisch falsch sein
    • Fehler wachsen bei langen Simulationen schrittweise an

    Expertenwissen

    Frühe World-Model-Architekturen kombinierten einen visuellen Autoencoder, ein rekurrentes Dynamikmodell und einen kompakten Controller. Neuere Ansätze verwenden Transformer und generative Modelle, um hochdimensionale Umgebungen und interaktive Szenen abzubilden.

    Primärquellen