MIT

OpenAI sagt, GPT-5.6 Sol und Codex hätten MIT-Qubits autonom kalibriert, Routinearbeiten im Labor reduziert und zugleich die Grenzen von KI-Agenten bei verrauschten Daten offengelegt.

MIT-Forscher berichten von einer Beschleunigung des datenschutzfreundlichen KI-Trainings um 81 % auf Alltagsgeräten.

Forscher am MIT haben eine Gesamtunsicherheitsmetrik eingeführt, die die Ausgaben eines Modells über ein Ensemble von LLMs verschiedener Entwickler vergleicht und übermäßig selbstsichere sowie halluzinierte Vorhersagen genauer erkennt als bestehende Self-Consistency-Methoden.

Forscher der UC San Diego und des MIT haben in Science eine wegweisende Studie veröffentlicht, die eine skalierbare Methode zeigt, KI-Modelle durch direkte Manipulation interner Konzeptrepräsentationen zu steuern und zu überwachen, wodurch sowohl Sicherheitslücken als auch Leistungsverbesserungen offengelegt werden.

Forscher am MIT entwickelten ein Sprachmodell zur Codon-Optimierung, das die Proteinproduktion, einschließlich Trastuzumab, um 25–300 % steigert; veröffentlicht in PNAS.

MIT-Professor Jim Collins leitet bahnbrechende Forschung, die generative KI einsetzt, um programmierbare antibakterielle Mittel gegen medikamentenresistente Erreger zu entwickeln.

Forscher am MIT entwickeln eine bahnbrechende KI-gestützte Software, die automatisch acht verschiedene Nervenfaserbündel in MRT-Aufnahmen des Hirnstamms segmentiert.

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.

Ingenieure am MIT entwickeln DiffSyn, ein auf Diffusion basierendes generatives KI-Modell, das mit 23.000 Synthese-Rezepten trainiert wurde und vielversprechende Wege zur Herstellung neuer Materialien in unter einer Minute vorschlägt, wodurch Experimentier- und Entdeckungszeiträume drastisch verkürzt werden.

Ein neuer interdisziplinärer Kurs am MIT untersucht Rationalität in KI-Systemen und verbindet Informatik und Philosophie für die nächste Generation von Wissenschaftlern.

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.