Neue Forschung zeigt, dass eine Neufassung der den KI-Modellen zugrunde liegenden Mathematik die Anforderungen an Speicher und Datenspeicherung auf KI-Hardware erheblich verringern könnte.

KI-Robotiklaboren lagern die mühsame körperliche Arbeit des Sammelns von Roboterschulungsdaten an Unternehmen wie XDOF aus und machen so die verborgene Arbeit hinter der KI-Entwicklung sichtbar.

Das KI-Forschungs-Startup NeoCognition hat in einer Seed-Runde 40 Millionen US-Dollar eingesammelt, um KI-Agenten zu entwickeln, die durch menschenähnliches Lernen in jedem Bereich zu Experten werden können.

Astronomen der University of Warwick nutzten eine KI-Pipeline namens RAVEN, um 118 Exoplaneten aus über 2,2 Millionen Sternen zu validieren, die vom NASA-Satelliten TESS beobachtet wurden, darunter 31 neu entdeckte Welten, und markierten dabei über 2.000 zusätzliche hochwertige Kandidaten in Ergebnissen, die in den Monthly Notices of the Royal Astronomical Society veröffentlicht wurden.

Forscher des Worcester Polytechnic Institute entwickelten ein maschinelles Lernmodell, das MRT-Scans aus 95 Gehirnregionen analysiert, um die Alzheimer-Krankheit mit nahezu 93% Genauigkeit zu erkennen, wobei der Volumenverlust des Hippocampus als wichtiger früher Biomarker identifiziert wurde.

Google veröffentlicht Gemini 3.1 Pro, das im ARC-AGI-2-Benchmark 77.1% erreicht und die Schlussfolgerungsfähigkeiten des vorherigen Modells bei komplexen Problemlösungsaufgaben verdoppelt.

Die KI-Vorhersage-Engine von Mantic übertrifft den Durchschnitt menschlicher Prognostiker beim Metaculus Fall Cup und markiert einen Durchbruch in der Fähigkeit von KI, reale Ereignisse vorherzusagen.

Forscher der University of Michigan haben Prima entwickelt, ein KI-System, das Hirn-MRT-Aufnahmen in Sekundenschnelle mit 97.5% Genauigkeit interpretiert und automatisch Notfälle kennzeichnet.

OpenAI bringt GPT-5.3-Codex heraus, das bislang leistungsfähigste agentenfähige Codierungsmodell. Die bahnbrechende KI half beim eigenen Aufbau und der Bereitstellung und arbeitet 25% schneller.

Das MIT CSAIL stellt das EnCompass-Framework vor, das KI-Agenten ermöglicht, Schritte zurückzugehen und LLM-Ausgaben zu optimieren, was eine Genauigkeitssteigerung von 15–40% bei 82% weniger Code erzielt.

Die Discovery-Learning-Methode ermöglicht eine schnelle Vorhersage der Batterielebensdauer innerhalb einer Woche statt der herkömmlichen monatelangen Testzyklen.

Impulse AI stellt eine autonome ML-Plattform vor, die bei einem Kaggle-Wettbewerb zu den besten 2,5 % gehörte und den gesamten Workflow von der Datenaufbereitung bis zur Produktionsbereitstellung in unter einer Stunde automatisiert.

Ein neuer Bericht zur KI-Sicherheit warnt vor der Verbreitung von Deepfakes, KI-Begleitern und autonomen Systemen, während er die Goldmedaillen-Leistung von KI in der Mathematik hervorhebt.

Eine umfassende Analyse identifiziert fünf wiederkehrende Fallstricke, die zu einer 85%igen Ausfallrate von ML-Projekten führen: falsche Problemauswahl, Datenqualitätsprobleme, die Lücke zwischen Modell und Produkt, Offline-Online-Unstimmigkeiten und nicht-technische Hemmnisse, mit umsetzbaren Lösungen für Praktiker.

Aufkommende Weltmodell-Technologie zielt darauf ab, Konsistenzprobleme von KI zu lösen, indem sie Maschinen ein besseres Verständnis von Raum und Zeit vermittelt.

ScienceDaily berichtet, dass Forschende maschinelles Lernen eingesetzt haben, um Krebsdaten aus 185 Ländern zu analysieren und spezifische politische Änderungen zu identifizieren, die die Überlebensraten in jedem Land verbessern könnten.

MIT-Forscher zeigen, dass leistungsstärkste Machine-Learning-Modelle bei Anwendung in neuen Datenumgebungen zu den leistungsschwächsten werden können und somit versteckte Risiken durch falsche Korrelationen in der medizinischen KI und anderen kritischen Anwendungen offenbaren.

Forscher haben eine neue KI-Methode namens Riff-Diff entwickelt, die das Enzymdesign revolutioniert und hoch effiziente sowie stabile Biokatalysatoren für industrielle und medizinische Anwendungen schafft. Die Ergebnisse wurden in der Fachzeitschrift Nature veröffentlicht.

Künstliche Intelligenz weitet ihr Einsatzgebiet in der Weltraumforschung aus. Forschende der Stanford University haben erfolgreich maschinelles Lernen auf Robotern an Bord der Internationalen Raumstation implementiert. Das KI-System hat die Effizienz der Bewegungsplanung der Roboter um 50–60% verbessert und damit das Potenzial von KI für neue Möglichkeiten im Weltraum demonstriert.

Von LangChain bis Hugging Face Transformers bieten diese 16 Open-Source-Projekte die grundlegenden Werkzeuge und Frameworks, die die Innovation in KI und maschinellem Lernen beschleunigen.