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
cset27. Januar 2021 · Q004792

Comparing Corporate and University Publication Activity in AI/ML

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Auszug berichtet, dass Universitäten laut den Verfassenden deutlich mehr ML-Arbeiten veröffentlichen, Unternehmenspublikationen aber mehr Zitate erhalten; Spitzenarbeiten entstünden oft in Kooperationen, und Universitätsarbeiten stellten seit 2010 stabil die Mehrheit der 100 meistzitierten Beiträge. Der Text empfiehlt, neben Unternehmen auch Universitäten und die Unterschiede zwischen Firmen zu berücksichtigen, enthält aber keine ausführliche Methodik oder prüfbare Zahlen.

Mittel

Der vorliegende Text ist ein Auszug aus einem CSET-Datenbrief über Veröffentlichungs- und Zitieraktivitäten führender US-amerikanischer Unternehmen und Universitäten in der ML-Forschung. Konkrete Angaben zur Datengrundlage und Methode fehlen in diesem Auszug.

Laut den Verfassenden veröffentlichen die großen Unternehmenslabore nahezu ausnahmslos deutlich weniger ML-Arbeiten als Universitäten. Ihre Arbeiten erhielten jedoch deutlich mehr Zitate; zugleich unterschieden sich die Unternehmen erheblich in Veröffentlichungsmenge und Zitierwirkung. Die meistzitierten Arbeiten gingen demnach häufig aus Kooperationen zwischen Unternehmen und Universitäten hervor, statt von Unternehmenslaboren allein. Seit 2010 hätten ausschließlich von Universitätsautorinnen und -autoren verfasste Arbeiten stabil die Mehrheit der 100 meistzitierten ML-Publikationen gestellt.

Die Autorinnen und Autoren folgern, dass eine auf Unternehmen verengte Betrachtung wichtige Entwicklungen an Hochschulen übersehen könne und dass politische Strategien die Unterschiede zwischen einzelnen Technologieunternehmen beachten sollten. Der Text enthält keine detaillierten Belege oder Zahlen; die erwähnte Abbildung ist nur als Platzhalter vorhanden.

Ausführlich lesen

Der vorliegende Quelltext ist ein Auszug aus einem CSET-Datenbrief von Tim Hwang und Rebecca Gelles; er enthält die Einleitung und einen Verweis auf eine Abbildung, nicht den vollständigen Bericht. Die Autorinnen und Autoren untersuchen, wie sich die Veröffentlichungs- und Zitieraktivität führender US-amerikanischer Unternehmen und Universitäten in der Forschung zu maschinellem Lernen (ML) unterscheidet. Konkrete Angaben zur Datengrundlage, zu den Messverfahren und zur Auswahl der untersuchten Einrichtungen enthält der Auszug nicht.

Laut den im Auszug zusammengefassten Ergebnissen veröffentlichen nahezu alle großen Unternehmenslabore, die mit dem jüngeren KI-Aufschwung verbunden werden, deutlich weniger ML-Arbeiten als Universitäten. Unternehmenspublikationen erhalten den Autorinnen und Autoren zufolge jedoch deutlich mehr Zitate. Zugleich unterscheiden sich die betrachteten Unternehmen erheblich darin, wie viel sie veröffentlichen und wie häufig ihre Arbeiten zitiert werden.

Bei den jährlich meistzitierten ML-Arbeiten seien Unternehmenslabore selten alleinige Urheber der führenden Beiträge. Für industrielle Forschungslabore entstünden besonders häufig Spitzenarbeiten durch Kooperationen zwischen Unternehmen und Universitätsautorinnen und -autoren. Zugleich hätten ausschließlich von Universitätsautorinnen und -autoren verfasste Arbeiten seit 2010 stabil die Mehrheit der 100 meistzitierten ML-Arbeiten gebildet.

Die Verfassenden leiten daraus zwei Hinweise für Politik und Strategie zur US-amerikanischen Wettbewerbsfähigkeit im Bereich KI ab: Eine einseitige Aufmerksamkeit für Unternehmen könne wichtige Entwicklungen an Universitäten übersehen; außerdem sollten Unterschiede zwischen führenden Technologieunternehmen berücksichtigt werden, da deren Beteiligung und Einfluss in der ML-Forschung stark variieren. Da der überlieferte Text nur ein Auszug ist und die angekündigte Abbildung lediglich als Platzhalter erscheint, lassen sich die Ergebnisse hier nicht anhand von Zahlen, Grafik oder ausführlicher Methodik prüfen.

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

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 7 von 7
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV 47 %gleiches Oberthema, hilft nicht
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
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 62 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
  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 56 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 63 %gleiches Oberthema, hilft nicht
Wirtschaft und Haftung

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 →