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
deepmind8. Dezember 2023 · Q002818

Google DeepMind at NeurIPS 2023

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google DeepMind stellt für NeurIPS 2023 Arbeiten zu multimodaler KI, Datenschutz und Interpretierbarkeit sowie zu neuen Fähigkeiten großer Modelle vor. Laut Unternehmen sollen die Ansätze unter anderem Bildverstehen, komplexes Schlussfolgern und das Training verbessern; der Beitrag enthält jedoch wenig methodische Details und keine unabhängige Überprüfung dieser Leistungsangaben.

Mittel

Der Beitrag gibt einen Überblick über Forschungsarbeiten und geplante Vorführungen von Google DeepMind für NeurIPS 2023. Das Unternehmen kündigte mehr als 180 Beiträge an und stellte unter anderem Arbeiten zu Wettervorhersage, Materialforschung, Gemini und KI-Wasserzeichen in Aussicht.

Im Bereich multimodaler KI berichtet der Artikel von Diffusionsmodellen, die Bilder ohne zusätzliches Training klassifizieren, von Verbesserungen durch Bildbeschreibungen sowie von digitalen Agenten und Videomodellen, die Wissen auf Roboterhandlungen übertragen sollen. UniSim wird als Simulator für interaktive Erfahrungen vorgestellt; mögliche Anwendungen sieht DeepMind etwa in Spielen, Film und Agententraining.

Zum Thema Sicherheit nennt der Beitrag Forschung zu datenschutzwahrendem Training, dem möglichen Auswendiglernen von Trainingsdaten und Risiken beim Lernen mit Lehrer- und Schülermodellen. Eine Untersuchung habe gezeigt, dass das Lokalisieren und Bearbeiten einer vermuteten Wissensstelle eine gespeicherte Tatsache nicht unbedingt verändert. Tracr soll Interpretierbarkeitsverfahren anhand programmierbarer Transformer-Modelle bewertbar machen.

Weitere Ansätze strukturieren Modellüberlegungen als Suchbaum, bündeln viele Merkmale in einem Repräsentationsraum oder automatisieren die Mischung von Trainingsdaten. DeepMind zufolge können sie Genauigkeit, Skalierbarkeit oder Training verbessern. Der Beitrag ist eine Unternehmensdarstellung: Er gibt kaum methodische Einzelheiten und keine unabhängige Prüfung der Leistungsbehauptungen wieder.

Ausführlich lesen

Der Blogbeitrag stellt Forschungsarbeiten und Vorführungen von Google DeepMind für die NeurIPS-Konferenz 2023 vor. Zum Zeitpunkt der Veröffentlichung kündigte das Unternehmen mehr als 180 Beiträge seiner Teams für die Hauptkonferenz und Workshops an. Geplant waren außerdem Demonstrationen zu globaler Wettervorhersage, Materialforschung und der Kennzeichnung KI-generierter Inhalte sowie Einblicke in Gemini. Die Aussagen zu Leistungen und möglichem Nutzen der Arbeiten stammen aus der Darstellung von Google DeepMind.

Ein Schwerpunkt ist multimodale KI, die Sprache, Bilder, Video und Handlungen miteinander verbindet. Der Beitrag berichtet, dass Diffusionsmodelle Bilder ohne zusätzliches Training klassifizieren können und dabei stärker auf Formen als auf Texturen achten sollen. Außerdem habe das Vorhersagen von Bildbeschreibungen das Lernen im Computer Vision verbessert. Weitere vorgestellte Ansätze betreffen Agenten, die digitale Umgebungen anhand von Bildschirmbildern sowie Tastatur- und Mausaktionen bedienen, und die Übertragung von Wissen aus Videogenerierung auf Pläne für reale Roboterhandlungen. UniSim wird als Simulator angekündigt, der auf Handlungen von Menschen, Robotern und anderen interaktiven Agenten realistische Erfahrungen erzeugen soll. Als mögliche Einsatzfelder nennt der Beitrag Film, Spiele und das Training von Agenten; tatsächliche Anwendungen oder unabhängige Bewertungen werden hier nicht belegt.

Ein zweiter Schwerpunkt ist Sicherheit und Verständlichkeit. Der Beitrag betont, Datenschutz müsse während der Entwicklung und Nutzung großer Modelle berücksichtigt werden. Eine Arbeit zur effizienten Bewertung datenschutzwahrenden Trainings habe laut Artikel den NeurIPS-Preis für die beste Arbeit erhalten. Weitere Forschung untersuche, ob Sprachmodelle Trainingsdaten auswendig lernen, sowie Grenzen des Trainings mit „Lehrer“- und „Schüler“-Modellen, die unterschiedliche Zugriffsrechte und Angriffsrisiken haben. Bei Sprachmodellen wird zudem ein Ergebnis hervorgehoben: Eine gespeicherte Tatsache zu lokalisieren und die entsprechende Stelle zu bearbeiten, habe die Tatsache nicht verändert. Das illustriere laut Beitrag die Schwierigkeit, gespeicherte Informationen zu verstehen und zu kontrollieren. Tracr wird als Verfahren zur Bewertung von Interpretierbarkeit beschrieben: Es übersetzt menschenlesbare Programme in Transformer-Modelle und wurde teilweise quelloffen bereitgestellt.

Der Abschnitt zu emergenten Fähigkeiten nennt drei Ansätze. „Tree of Thoughts“ ordnet Überlegungen als Suchbaum, damit ein Modell mehrere Lösungswege erkunden kann; laut Beitrag löste es Aufgaben wie „Game 24“ dadurch genauer. Feature Multiplexing soll viele Merkmale in einem gemeinsamen Repräsentationsraum bündeln und so große Einbettungsmodelle skalierbar machen. DoReMi automatisiert die Mischung von Trainingsdaten und soll dadurch das Training beschleunigen und die Leistung bei neuen, zuvor ungesehenen Aufgaben verbessern.

Abschließend beschreibt Google DeepMind seine Unterstützung für NeurIPS-Workshops von LatinX in AI, QueerInAI und Women in ML sowie einen Kunstbereich des Visualising-AI-Projekts. Der Beitrag ist eine Unternehmensübersicht angekündigter Forschung und eigener Ergebnisse. Er liefert keine ausführlichen Methoden, Datensätze, Zahlen oder unabhängige Prüfung der behaupteten Verbesserungen; diese Grenzen schränken ein, was sich aus dem Text über die tatsächliche Leistungsfähigkeit ableiten lässt.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Zusammenfassungen geliefert (kurz und mittel); bewertet wurde die Gesamtheit, die inhaltlich dem Bericht folgt. Die Einordnungen beruhen allein auf dem Berichtstext, nicht auf Lunas Stufen oder Anteilen.

Im Bericht, aber nicht in der Zusammenfassung

  • Die NeurIPS-Konferenz findet vom 10. bis 16. Dezember 2023 in New Orleans statt.
  • Eine Arbeit wurde mit dem NeurIPS-Best-Paper-Award ausgezeichnet.
  • Das Projekt Visualising AI, für das Künstler KI-Darstellungen anfertigen, wird nicht erwähnt.
  • DeepMind unterstützt Workshops von LatinX in AI, QueerInAI und Women in ML.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Aussage, der Beitrag enthalte keine unabhängige Prüfung der Leistungsangaben, steht so nicht im Bericht.
  • Die Wertung, der Beitrag gebe kaum methodische Details wieder, ist eine Einschätzung von Luna und keine Angabe des Berichts.

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 27 %gleiches Oberthema, hilft nicht
    • Luna 40 %einzelne zitierbare Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 32 %gleiches Oberthema, hilft nicht
    • Luna 56 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 33 %nur am Rande erwähnt
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht

Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 45 %gleiches Oberthema, hilft nicht
    • JEV 24 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 46 %gleiches Oberthema, hilft nicht
    • JEV 24 %Hintergrund, keine Belege
    • amos 28 %nur am Rande erwähnt
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra 63 %gleiches Oberthema, hilft nicht
  3. 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 68 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 27 %gleiches Oberthema, hilft nicht
    • Luna 58 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 57 %einzelne zitierbare Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 33 %einzelne zitierbare Belege
    • d3-ultra 36 %nur am Rande erwähnt
    • Haiku-Prüfung einzelne zitierbare Belege

  2. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 66 %gleiches Oberthema, hilft nicht
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 84 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 70 %gleiches Oberthema, hilft nicht
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht

  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 69 %gleiches Oberthema, hilft nicht
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 27 %nur am Rande erwähnt
    • Luna 77 %einzelne zitierbare Belege
    • JEV 72 %nur am Rande erwähnt
    • amos 39 %einzelne zitierbare Belege
    • SubQ 44 %nur am Rande erwähnt
    • drex 37 %einzelne zitierbare Belege
    • d3-ultra 84 %nur am Rande erwähnt
    • Haiku-Prüfung nur am Rande erwähnt

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 →