Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind27. April 2023 · Q002458

DeepMind’s latest research at ICLR 2023

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepMind stellt ausgewählte ICLR-2023-Arbeiten zu Generalisierung, nachvollziehbarem Schlussfolgern, robustem und effizienterem bestärkendem Lernen sowie KI für Wissenschaft vor. Die behaupteten Fortschritte werden im Beitrag nur zusammengefasst; detaillierte Versuchsangaben und unabhängige Bewertungen enthält er nicht.

Mittel

Der DeepMind-Beitrag gibt einen Überblick über ausgewählte Arbeiten, die das Unternehmen auf der ICLR 2023 in Kigali vorstellen wollte. Insgesamt sollten DeepMind-Teams 23 Beiträge präsentieren; der Blog fasst nur einige Highlights zusammen.

Ein Schwerpunkt ist die Verallgemeinerungsfähigkeit von KI: Vorgestellt werden Training aus zwei Problem-Perspektiven, Tests von 2.200 Netzen über 16 Aufgaben sowie ein Ansatz für langwierige Aufgaben mit seltenen Belohnungen. Laut Beitrag zeigten manche Modelle dabei Generalisierungsprobleme, die durch externen Speicher verbessert werden könnten. Weitere Arbeiten sollen nachvollziehbare mehrstufige Antworten von Sprachmodellen ermöglichen, den Kompromiss zwischen Robustheit gegen Angriffe und Alltagsleistung steuerbar machen und bestärkendes Lernen auf neue Aufgaben übertragen. Eine Methode soll das Leistungsniveau von Agent 57 in 57 Atari-Spielen mit 200-mal weniger Erfahrung erreichen.

Für die Wissenschaft nennt DeepMind bessere Vorhersagen molekularer Eigenschaften, genauere quantenchemische Berechnungen anhand von Atompositionen und FIGnet zur Simulation von Kollisionen komplexer Formen. Die Leistungs- und Anwendungsangaben stammen aus dem Unternehmensbeitrag; detaillierte Methoden, unabhängige Bewertungen und vollständige Vergleichsdaten fehlen dort. Der Text verweist für alle Arbeiten und Termine auf eine separate Übersicht.

Ausführlich lesen

Der Bericht stellt ausgewählte Arbeiten von DeepMind vor, die auf der ICLR 2023 präsentiert werden sollten. Die Konferenz war für den 1. bis 5. Mai in Kigali angekündigt. Der Beitrag bezeichnet sie als erste große KI-Konferenz in Afrika und als erste Präsenzveranstaltung seit Beginn der Pandemie. DeepMind berichtet, als Diamond Sponsor und Unterstützer von Vielfalt und Inklusion aufzutreten; Teams des Unternehmens sollten insgesamt 23 Arbeiten vorstellen. Der Blogbeitrag fasst einige davon zusammen und ist keine vollständige Darstellung aller Konferenzbeiträge.

Ein Themenblock behandelt die Verallgemeinerungsfähigkeit von KI. Ein Ansatz trainiert Modelle, ein Problem gleichzeitig aus zwei Perspektiven zu bearbeiten, damit sie bei Aufgaben mit ähnlicher Struktur besser schlussfolgern können. In einer weiteren Untersuchung wurden laut Beitrag 2.200 neuronale Netze anhand von 16 Aufgaben und im Vergleich zur Chomsky-Hierarchie getestet. Dabei hätten manche Modelle Schwierigkeiten mit der Verallgemeinerung gezeigt; externer Speicher sei für bessere Leistungen entscheidend gewesen. Für Aufgaben mit langem Zeithorizont und seltenen Belohnungen stellen die Forschenden einen Ansatz samt offenem Trainingsdatensatz vor, der menschlich anmutendes Erkunden unterstützen soll.

Weitere Arbeiten zielen auf nachvollziehbare und anpassungsfähige KI. Eine Methode soll Sprachmodelle mehrstufige Schlussfolgerungen anhand ihrer logischen Struktur lösen und Erklärungen erzeugen lassen, die Menschen prüfen können. Für den Umgang mit adversarialen Angriffen beschreiben die Forschenden Adapter, mit denen sich der Kompromiss zwischen Widerstandsfähigkeit und Leistung bei gewöhnlichen Eingaben dynamisch steuern lasse. Beim bestärkenden Lernen soll „Algorithm Distillation“ ein einzelnes Transformer-Modell befähigen, aus Lernverläufen von Algorithmen über verschiedene Aufgaben hinweg zu imitieren und auf neue Aufgaben zu übertragen. Eine weitere Methode soll menschliches Leistungsniveau in 57 Atari-Spielen mit 200-mal weniger Erfahrung als zuvor erreichen; der Beitrag verbindet dies mit möglichen Einsparungen bei Rechenaufwand und Energie.

Im Bereich Wissenschaft nennt der Bericht ein Verfahren zur Entrauschung, das die Vorhersage molekularer Eigenschaften aus 3D-Strukturen verbessern und über biologische Datensätze hinweg verallgemeinern soll. Ein Transformer soll genauere quantenchemische Berechnungen allein anhand von Atompositionen ermöglichen. FIGnet wiederum nutzt physikalische Anregungen, um Kollisionen komplexer Formen zu modellieren; als mögliche Anwendungsgebiete nennt DeepMind Robotik, Grafik und mechanische Konstruktion.

Die Aussagen zu Leistungsverbesserungen, Generalisierung und möglichen Anwendungen sind Zusammenfassungen der Forschenden im Unternehmensbeitrag. Der Text liefert keine detaillierten Versuchsaufbauten, unabhängigen Bewertungen oder vollständigen Vergleichsdaten zu den einzelnen Arbeiten. Er verweist für die vollständigen Beiträge und das Veranstaltungsprogramm auf eine separate Übersicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassungen geben den Bericht im Wesentlichen treu wieder; die Einordnung der Sammelfragen stützt sich auf den Bericht, der zu keiner der drei Fragen Belege liefert.

Im Bericht, aber nicht in der Zusammenfassung

  • Diamond-Sponsoring und DEI-Engagement von DeepMind
  • ICLR 2023 als erste große KI-Konferenz in Afrika und erste Präsenzveranstaltung seit der Pandemie
  • Vergleich der Netze mit der Chomsky-Hierarchie
  • Ausgangswert von rund 80 Milliarden Frames für Agent 57
  • Denoising-Methode mit neuem State-of-the-art bei Molekülvorhersagen und Vortraining in großem Maßstab
  • Transformer für quantenchemische Berechnungen nur anhand von Atompositionen als eigener Punkt
  • Adapter-Ansatz zur steuerbaren Abwägung zwischen Robustheit und Standardleistung
  • Algorithmen-Destillation als Methode, die ein einzelnes Modell auf neue Aufgaben verallgemeinern lässt

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Vollständige Vergleichsdaten fehlen im Beitrag (der Bericht macht dazu keine Aussage)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung kein Bezug
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 30 %gleiches Oberthema, hilft nicht
    • Luna 43 %einzelne zitierbare Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 73 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 33 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 30 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 65 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →