KI Panorama

Wissensstufe: Expertenwissen

  • AlphaGenome: Auswirkungen genetischer Varianten vorhersagen

    AlphaGenome ist ein Forschungsmodell für regulatorische Genomik. Es verarbeitet lange DNA-Sequenzen und liefert hochauflösende Vorhersagen zu verschiedenen molekularen Eigenschaften. Die Ergebnisse sind Hypothesen für Forschung und keine medizinische Diagnose.

    Forschungsfrage

    Viele krankheitsrelevante Varianten liegen außerhalb protein-codierender Bereiche. Wie beeinflussen sie Genregulation, Spleißen und andere molekulare Prozesse?

    Ansatz

    Das Modell kombiniert lange Eingabesequenzen mit feiner räumlicher Auflösung und sagt mehrere genomische Signale sowie Varianteneffekte voraus.

    Mögliche Anwendungen

    • Priorisierung regulatorischer Varianten für Experimente
    • Untersuchung möglicher Mechanismen hinter Erkrankungen
    • Analyse von Effekten auf Genexpression und RNA-Verarbeitung
    • Planung gezielter Laborstudien

    Grenzen

    • Das Modell wurde als Forschungsvorschau vorgestellt
    • Vorhersagen können populations- und zelltypspezifische Zusammenhänge übersehen
    • Kausalität und klinische Bedeutung müssen experimentell und medizinisch bestätigt werden
    • Die API ist nicht für diagnostische Entscheidungen bestimmt

    Status

    Forschungsvorschau mit API-Zugang für nichtkommerzielle Forschung; weitere Validierung und Veröffentlichung des Modells wurden angekündigt.

    Primärquellen

  • AlphaEvolve: Algorithmen durch evolutionäre Codesuche

    AlphaEvolve sucht nach Programmen, die ein klar messbares Ziel verbessern. Kandidaten werden automatisch ausgeführt und bewertet; erfolgreiche Varianten dienen als Ausgangspunkt für weitere Vorschläge. Ergebnisse sind besonders belastbar, wenn die Bewertungsfunktion die Aufgabe vollständig abbildet.

    Forschungsfrage

    Können Sprachmodelle nicht nur Code schreiben, sondern durch wiederholte, automatisch bewertete Variation neue und effizientere Algorithmen entdecken?

    Ansatz

    • Mehrere Sprachmodelle schlagen Programmvarianten vor
    • Automatische Evaluatoren messen Korrektheit oder Leistung
    • Eine evolutionäre Datenbank wählt vielversprechende Kandidaten
    • Neue Generationen verändern und kombinieren erfolgreiche Programme

    Berichtete Anwendungen

    • Optimierung von Rechenzentrums- und Planungsalgorithmen
    • Beiträge zu Chipdesign und KI-Training
    • Neue Varianten für Matrixmultiplikation
    • Suche nach Lösungen mathematischer Probleme

    Warum das überprüfbarer ist

    Die Ausgabe besteht aus ausführbarem Code. Dieser kann mit Tests, Benchmarks oder mathematischen Prüfungen bewertet werden. Das reduziert, aber beseitigt nicht die Gefahr einer unvollständigen Bewertungsfunktion.

    Grenzen

    • Die Aufgabe benötigt eine verlässliche maschinelle Bewertungsfunktion
    • Optimierung kann unbeabsichtigte Lücken im Messverfahren ausnutzen
    • Entdeckter Code muss von Fachleuten verstanden, getestet und abgesichert werden

    Status

    Aktives Forschungssystem; konkrete Zugänglichkeit und Einsatzbereiche sind begrenzt und können sich ändern.

    Primärquellen

  • GNoME: neue stabile Kristallstrukturen vorhersagen

    Das Projekt vergrößerte den rechnerisch vorhergesagten Raum stabiler Materialien erheblich. Eine vorhergesagte Stabilität bedeutet jedoch nicht, dass ein Material praktisch synthetisierbar, dauerhaft oder für eine konkrete Anwendung geeignet ist.

    Forschungsfrage

    Wie kann die Suche im enormen Raum möglicher anorganischer Kristallstrukturen beschleunigt werden?

    Ansatz

    Graphenmodelle sagen Energie und Stabilität von Kandidaten voraus. Neue Kandidaten werden iterativ erzeugt, berechnet und zum weiteren Training verwendet.

    Veröffentlichte Ergebnisse

    • Die Nature-Arbeit beschreibt 2,2 Millionen vorhergesagte Kristallstrukturen
    • Rund 381.000 Kandidaten wurden in den Berechnungen als stabil eingeordnet
    • Daten wurden für weitere Forschung bereitgestellt

    Bedeutung

    • Erweiterte Ausgangsbasis für Batterien, Halbleiter und andere Materialklassen
    • Priorisierung von Kandidaten vor teuren Laborversuchen
    • Verknüpfung von KI-Vorhersage und automatisierter Synthese

    Grenzen

    • Thermodynamische Stabilität ist nur ein Auswahlkriterium
    • Synthesewege, Defekte, Kosten und Umweltwirkung müssen separat untersucht werden
    • Experimentelle Bestätigung bleibt notwendig

    Primärquellen

  • FunSearch: Programme als mathematische Entdeckungen

    FunSearch erzeugt Programme, deren Qualität objektiv berechnet werden kann. Auf diese Weise wurden neue Konstruktionen für das Cap-Set-Problem und Heuristiken für Online-Bin-Packing gefunden. Die Methode funktioniert nur bei Problemen, die sinnvoll als Programm und Bewertung formuliert werden können.

    Forschungsfrage

    Kann ein Sprachmodell durch automatische Prüfung zu neuen, menschlich interpretierbaren Lösungen in Mathematik und Informatik beitragen?

    Ansatz

    • Ein Ausgangsprogramm und eine Bewertungsfunktion definieren das Problem
    • Das Sprachmodell verändert ausgewählte Programme
    • Jede Variante wird ausgeführt und bewertet
    • Gute und unterschiedliche Lösungen fließen in neue Generationen ein

    Veröffentlichte Ergebnisse

    • Neue große Cap Sets in bestimmten Dimensionen
    • Verbesserte Heuristiken für das Online-Bin-Packing
    • Ausgabe als kompakte Programme, die von Forschenden analysiert werden können

    Bedeutung

    Die Kombination aus generativer Suche und strenger automatischer Bewertung zeigt einen Weg, wie Sprachmodelle über bloße Textvorschläge hinaus zu überprüfbaren Resultaten beitragen können.

    Grenzen

    • Nicht jedes Forschungsproblem besitzt eine vollständige Bewertungsfunktion
    • Eine hohe Punktzahl kann Nebenbedingungen übersehen
    • Mathematische Interpretation und formale Prüfung bleiben erforderlich

    Primärquellen

  • GenCast: probabilistische Wettervorhersagen mit KI

    GenCast ist ein diffusionsbasiertes Wettermodell für probabilistische Vorhersagen bis zu 15 Tage. Mehrere mögliche Entwicklungen bilden Unsicherheit und Risiken ab. Operative Wetterwarnungen bleiben Aufgabe meteorologischer Dienste und umfassender Vorhersagesysteme.

    Forschungsfrage

    Wie lassen sich nicht nur erwartete Wetterwerte, sondern die Verteilung möglicher Wetterentwicklungen schnell und präzise vorhersagen?

    Ansatz

    Das Modell wurde auf historischen Wetteranalysen trainiert und erzeugt ein Ensemble vieler plausibler zukünftiger Atmosphärenzustände. Die Architektur berücksichtigt die Geometrie der Erde.

    Veröffentlichte Ergebnisse

    • Die Nature-Studie vergleicht GenCast mit dem ECMWF-Ensemblesystem ENS
    • GenCast zeigte in den berichteten Tests höhere Vorhersagegüte für viele Variablen und Vorlaufzeiten
    • Untersucht wurden auch tropische Zyklonbahnen, Windenergie und extreme Bedingungen

    Bedeutung

    • Schnelle Wahrscheinlichkeitsprognosen
    • Bessere Darstellung von Unsicherheit
    • Mögliche Unterstützung für Energieplanung und Katastrophenvorsorge

    Grenzen

    • Training beruht auf Reanalysedaten und damit auch auf physikbasierten Systemen
    • Lokale Extremereignisse und Intensitäten bleiben anspruchsvoll
    • Modelle benötigen laufende unabhängige operative Evaluation

    Primärquellen

  • 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

  • Tool Use und Function Calling

    Beim Function Calling führt das Modell nicht selbstständig eine Datenbankabfrage oder Bestellung aus. Es erzeugt einen strukturierten Aufruf mit Werkzeugname und Argumenten. Die umgebende Software prüft diese Angaben, führt die Funktion aus und gibt das Ergebnis an das Modell zurück.

    Einfach erklärt

    Das Modell erhält eine Liste erlaubter Werkzeuge. Statt eine Antwort zu erfinden, kann es beispielsweise anfordern: „Wetterdaten für Berlin abrufen“. Das Programm entscheidet, ob der Aufruf zulässig ist, und liefert die echten Daten zurück.

    Technischer Ablauf

    1. Entwickler beschreibt Werkzeug, Parameter und Datentypen
    2. Modell erzeugt einen strukturierten Aufruf
    3. Anwendung validiert Berechtigung und Argumente
    4. Server führt die eigentliche Funktion aus
    5. Ergebnis wird als Werkzeugresultat an das Modell zurückgegeben
    6. Modell formuliert daraus die Antwort

    Vorteile

    • Aktuelle oder interne Daten können eingebunden werden
    • Ausgaben lassen sich durch Schemas besser strukturieren
    • Reale Aktionen werden vom Anwendungscode kontrolliert
    • Ein Modell kann mehrere spezialisierte Systeme koordinieren

    Sicherheitsregeln

    • Argumente niemals ungeprüft ausführen
    • Schreibende und löschende Funktionen besonders schützen
    • Zugriffsrechte pro Nutzer und Vorgang prüfen
    • Werkzeugergebnisse als nicht vertrauenswürdige Eingabe behandeln
    • Zeitlimits, Kostenlimits und Protokollierung einsetzen

    Abgrenzung

    Tool Use ist ein Baustein. Erst eine Schleife aus Planung, Werkzeugaufruf, Beobachtung und Anpassung macht daraus ein agentisches System.

    Primärquellen

  • KI-Agenten: planen, handeln und Ergebnisse prüfen

    Ein KI-Agent beantwortet nicht nur eine einzelne Eingabe. Er kann ein Ziel in Schritte zerlegen, Werkzeuge aufrufen, Zwischenergebnisse auswerten und seinen Plan anpassen. Autonomie bedeutet dabei nicht Zuverlässigkeit: Berechtigungen, Grenzen und menschliche Kontrolle bleiben entscheidend.

    Einfach erklärt

    Ein Chatbot liefert gewöhnlich eine Antwort. Ein Agent versucht dagegen, eine Aufgabe über mehrere Schritte zu erledigen. Er kann beispielsweise Informationen suchen, eine Datei bearbeiten und danach prüfen, ob das Ergebnis zum Ziel passt.

    Typischer Ablauf

    1. Ziel und verfügbare Werkzeuge erfassen
    2. Nächsten sinnvollen Schritt auswählen
    3. Werkzeug ausführen und Ergebnis zurücklesen
    4. Plan anhand des Ergebnisses anpassen
    5. Bei Unsicherheit nachfragen oder an einen Menschen übergeben

    Fortgeschritten

    Agentische Systeme bestehen häufig aus einem Sprachmodell, einem Orchestrierungsprogramm, Werkzeugdefinitionen, einem Arbeitsgedächtnis und Regeln für Abbruch oder Freigabe. In der Forschung verbindet ReAct sprachliches Schlussfolgern mit Aktionen in einer Umgebung.

    Was Agenten gut können

    • Mehrstufige Recherche mit klaren Quellenregeln
    • Wiederholbare Bearbeitung vieler ähnlicher Dateien
    • Softwareentwicklung mit Tests und Versionskontrolle
    • Koordination klar definierter Geschäftsprozesse

    Grenzen und Risiken

    • Fehler können sich über mehrere Schritte fortpflanzen
    • Werkzeuge können reale Daten verändern oder Kosten verursachen
    • Unklare Ziele führen zu unnötigen oder falschen Aktionen
    • Lange Aufgaben benötigen Zustandskontrolle, Protokolle und Abbruchkriterien

    Sichere Gestaltung

    • Nur notwendige Berechtigungen vergeben
    • Kritische Aktionen bestätigen lassen
    • Eingaben und Werkzeugergebnisse validieren
    • Jeden Schritt protokollieren
    • Klare Übergabe an Menschen vorsehen

    Primärquellen

  • GitHub Copilot

    GitHub Copilot ist ein KI-gestützter Entwicklungsdienst. Er unterstützt beim Verstehen, Schreiben, Ändern und Prüfen von Code und kann je nach Produktstufe Aufgaben agentisch in Entwicklungsumgebungen oder auf GitHub bearbeiten.

    Funktionen

    • Codevervollständigung und Vorschläge für nächste Änderungen.
    • Chat und Erklärungen im Kontext eines Projekts.
    • Agentenmodus für Änderungen über mehrere Dateien, Tests und Validierung.
    • Code-Review, CLI-Unterstützung und asynchrone Aufgaben auf GitHub – abhängig vom Tarif.

    Stärken

    • Direkte Einbindung in verbreitete Entwicklungswerkzeuge.
    • Nutzung des vorhandenen Projektkontexts.
    • Unterstützung vom Entwurf bis zu Tests und Review.

    Grenzen

    • Generierter Code kann Fehler, Sicherheitsprobleme oder ungeeignete Abhängigkeiten enthalten.
    • Ergebnisse müssen getestet und von Entwicklern geprüft werden.
    • Funktionen, Modellwahl und Kontingente hängen vom Tarif ab.

    Datenschutz und Nutzung

    Organisationen sollten Ausschlussregeln, Richtlinien, Datenkontrollen und Rechte für Repository-Zugriffe festlegen.

    Preismodell und Verfügbarkeit

    GitHub Copilot wird in mehreren Tarifen für Einzelpersonen und Organisationen angeboten. Der genaue Funktionsumfang ist der aktuellen Tarifübersicht zu entnehmen.

    Offizielle Quellen