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
openai19. Dezember 2018 · Q008256

OpenAI Fellows Summer 2018: Final projects

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI berichtet über sechs Fellows und Forschungsprojekte zu Reinforcement Learning, generativen Modellen und der Skalierung des Trainings. Die beschriebenen Ergebnisse umfassen unter anderem Ansätze gegen Überanpassung und bessere Übertragung zwischen Aufgaben; der Rückblick fasst die Befunde zusammen, liefert aber keine vollständige methodische Darstellung oder unabhängige Prüfung.

Mittel

Der Bericht fasst die Projekte der ersten OpenAI-Fellows-Kohorte von 2018 zusammen. Laut OpenAI arbeiteten sechs Fellows während eines sechsmonatigen Programms in Forschungsteams mit; ihre Projekte reichten von Reinforcement Learning und generativen Modellen bis zur Skalierung neuronalen Trainings. Bei CoinRun untersuchte ein Fellow, wie gut RL-Agenten auf neue Spielumgebungen übertragen können. Die Agenten hätten sich stärker als erwartet an Trainingslevels angepasst; tiefere Netzwerke und Methoden wie Dropout und Datenaugmentation hätten diese Überanpassung reduziert. Weitere Projekte befassten sich mit vorhersehbaren Beziehungen zwischen Rechenaufwand und Trainingszeit, dem Einbringen von Dynamikwissen in RL sowie energiebasierten Modellen. Ein Projekt kombinierte generatives Vortraining mit PPO und beanspruchte bessere Stichprobeneffizienz und Übertragung zwischen Aufgaben. Andere Arbeiten entwickelten schwierige künstliche Datensätze für Normalizing Flows oder analysierten Überanpassung, unter anderem in Sonic the Hedgehog. Der Text ist ein programmbezogener Rückblick: Er fasst Ergebnisse zusammen und verlinkt weiterführende Arbeiten, bietet aber keine vollständigen Methodenbeschreibungen oder unabhängige Überprüfung. OpenAI verweist außerdem auf sein Lernangebot „Spinning Up in Deep RL“.

Ausführlich lesen

Der Bericht stellt die Ergebnisse der ersten OpenAI-Fellows-Kohorte vom Sommer 2018 vor. OpenAI beschreibt das Programm als sechsmonatige Ausbildung, in der die Fellows laut Bericht vom Einstieg ins maschinelle Lernen zu Beiträgen in Forschungsteams gelangten. Alle sechs hätten an wissenschaftlichen Arbeiten mitgewirkt oder eigene Projekte abgeschlossen. Die Organisation hebt hervor, dass auch Vorwissen aus Bereichen wie theoretischer Physik und Bioingenieurwesen neue Perspektiven auf KI-Forschung eröffnen könne. Einige Fellows sollten anschließend fest zu OpenAI wechseln, andere gingen an Hochschulen oder zu Forschungsgruppen anderer Unternehmen.

Die Projekte deckten mehrere Themen ab. Ein Fellow entwickelte das Spiel CoinRun, um zu untersuchen, ob trainierte Reinforcement-Learning-Agenten auf neue Umgebungen übertragen können, was sie gelernt haben. Laut Bericht passten sich die Agenten selbst an umfangreiche Trainingsmengen stärker an als erwartet. Tiefere Faltungsnetzwerke und Verfahren aus dem überwachten Lernen – darunter Regularisierung, Dropout, Datenaugmentation und Batch-Normalisierung – hätten die Überanpassung deutlich verringert.

Ein weiteres Projekt untersuchte, wie sich der Zusammenhang zwischen Rechenaufwand und benötigter Trainingszeit für eine bestimmte Leistung vorhersagen lässt. Die Darstellung nennt dafür Muster über unterschiedliche Aufgaben hinweg, von MNIST bis Dota. Yilun Du arbeitete zum einen daran, Wissen über Dynamik aus Videos und früheren Umgebungen in Reinforcement Learning einzubringen und langfristige physikalische Vorhersagen zu verbessern. Zum anderen untersuchte er skalierbares Training energiebasierter Modelle. Er berichtet von besseren generierten Beispielen als bei damaligen Vergleichsmodellen sowie von Fähigkeiten wie dem Ergänzen fehlender Bildteile und der Wiederherstellung von CIFAR-10-Beispielen.

Ein Projekt kombinierte ein vortrainiertes generatives Modell, das unbeobachtete Umgebungsdaten modelliert, mit anschließendem On-Policy-Training per PPO. Der Bericht behauptet, dieses Vorgehen verbessere Stichprobeneffizienz und Aufgabenübertragung. Ein weiteres Projekt untersuchte Normalizing-Flow-Modelle und konstruierte künstliche Datensätze, die für solche Modelle schwer zu approximieren seien; diese sollten als Vergleichsmaßstab für künftige generative Modelle dienen. Ein sechstes Projekt analysierte Überanpassung im Reinforcement Learning aus Optimierungs- und synthetischer Perspektive und betrachtete unter anderem Ergebnisse auf Sonic the Hedgehog sowie mögliche Schwächen bestimmter Methoden bei großen Datensätzen.

Der Bericht ist ein Rückblick und eine Selbstdarstellung des Programms. Die Forschungsergebnisse werden zusammenfassend präsentiert, teils als Feststellungen von OpenAI oder den Fellows; vollständige Methoden, Daten, Unsicherheiten und unabhängige Prüfungen enthält dieser Text nicht. Er verweist für Einzelheiten auf verlinkte Blogbeiträge und Arbeiten. Außerdem kündigt OpenAI einen Teil des Einführungscurriculums als Open Source an und empfiehlt das Lernmaterial „Spinning Up in Deep RL“. Die im Bericht erwähnte Bewerbungsrunde für Winter 2019 war bereits geschlossen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde vor allem die mittlere Zusammenfassung; sie gibt die Projekte im Wesentlichen korrekt wieder, enthält aber die eine Umdeutung zu Rechenaufwand. Die kurze Zusammenfassung ist ebenfalls sachlich zutreffend, bleibt jedoch allgemein. Die Einordnung von Luna führt Stufen und Anteile an, die hier nicht übernommen wurden, da die Bewertung unabhängig erfolgt. Teilfragen gab es nicht, daher entfällt diese Prüfung.

Im Bericht, aber nicht in der Zusammenfassung

  • Wohin die Fellows danach gehen (u. a. Facebook AI Research, Google Research/Brain, OpenAI-Teams für Safety, Algorithmen und Games)
  • Dass mehrere Fellows als Vollzeitmitglieder des technischen Teams zu OpenAI wechseln sollen

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Formulierung „Rechenaufwand und Trainingszeit“: Der Bericht beschreibt eine vorhersagbare Abhängigkeit zwischen Erfahrungsmenge (experience) und der Trainingszeit für einen Zielwert, nicht zwischen Rechenaufwand und Trainingszeit.

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
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 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
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 38 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 40 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Agenten und vernetzte Systeme
Modelle teilen und schützen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 24 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

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 →