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
openai7. November 2018 · Q008503

Learning concepts with energy functions

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI beschreibt ein energiebasiertes Modell, das einfache Konzepte laut Bericht aus typischerweise fünf Beispielen lernen und zur Erkennung wie zur Erzeugung nutzen kann. Die berichteten Auswertungen zeigen Vorteile gemeinsamen Trainings und einen Transfer von einer 2D-Partikelwelt auf einen simulierten 3D-Roboter; Zahlen oder unabhängige Bestätigung fehlen, und Lernen aus passiver Erfahrung sowie komplexere Umgebungen bleiben Grenzen.

Mittel

Der Bericht stellt ein energiebasiertes Modell vor, das einfache Konzepte wie „zwischen“, „am nächsten“ oder bestimmte Mengen laut OpenAI typischerweise aus fünf Demonstrationen lernen kann. Es soll Konzepte sowohl erkennen als auch erzeugen. Dafür bewertet eine Energiefunktion, ob ein Weltzustand und eine Aufmerksamkeitsmaske zum vorgegebenen Konzept passen. Erzeugung verändert die Positionen von Objekten; Erkennung verändert, auf welche Objekte die Maske gerichtet ist.

Trainiert wird anhand vorab erzeugter Abläufe. Das Modell soll nach Demonstrationen in einer neuen Situation den Folgezustand und die nächste Aufmerksamkeitsmaske vorhersagen. OpenAI berichtet, dass gemeinsames Training für Erkennung und Erzeugung die Leistung bei beiden Aufgaben verbessert habe. Auch habe ein nur auf Erkennung trainiertes Modell bei Erzeugungsaufgaben gute Leistungen gezeigt. Als Transferbeispiel nennt der Bericht einen simulierten Roboter, der ein in einer 2D-Partikelwelt gelerntes Konzept in einer 3D-Umgebung ohne erneutes Training anwendet.

Die Befunde stammen aus den beschriebenen eigenen Auswertungen; Zahlen und unabhängige Bestätigung enthält der Text nicht. Bisher gehe es um Lernen aus passiver Erfahrung. Reichhaltigere 3D-Umgebungen, Entscheidungsstrategien und Sprachverständnis nennt der Bericht als offene nächste Schritte.

Ausführlich lesen

Der Bericht beschreibt ein von OpenAI entwickeltes energiebasiertes Modell, das einfache Konzepte aus wenigen Beispielen lernen und sie sowohl erkennen als auch erzeugen soll. Als Beispiele nennt er räumliche Beziehungen wie „zwischen“, „oberhalb“, „am nächsten“ oder „am weitesten entfernt“, außerdem Mengen und visuelle oder zeitliche Eigenschaften. OpenAI zufolge reichen dafür typischerweise fünf Demonstrationen. Ein hervorgehobenes Beispiel ist die Übertragung eines in einer zweidimensionalen Partikelumgebung gelernten Konzepts auf einen simulierten, dreidimensionalen Roboter, der seinen Arm zwischen zwei Punkten positioniert – ohne Training in der neuen Umgebung.

Das Verfahren stellt jedes Konzept durch eine Energiefunktion dar. Diese erhält einen Weltzustand mit Entitäten und deren Eigenschaften, eine Aufmerksamkeitsmaske, die ausgewählte Entitäten markiert, sowie einen Vektor, der das betrachtete Konzept vorgibt. Das Modell weist dem Zustand eine Energie zu: Niedrige Energie soll anzeigen, dass die gewählte Konfiguration dem Konzept entspricht; hohe Energie, dass sie nicht passt. Um ein Konzept zu erzeugen, werden laut Bericht die Positionen der Entitäten verändert. Zur Erkennung wird die Aufmerksamkeitsmaske angepasst. Eine relationale neuronale Netzwerkarchitektur soll Eingaben mit einer variablen Zahl von Entitäten verarbeiten können.

Für das Training verwendet das Team vorab erzeugte Abläufe aus Zuständen und Aufmerksamkeitsmasken. Nach einigen Demonstrationen erhält das Modell eine neue Ausgangssituation und soll den folgenden Zustand sowie die nächste Maske vorhersagen. Trainiert wird die Energiefunktion so, dass die in den Beispielen passenden Vorhersagen niedrige Energie erhalten. Die beschriebenen Aufgaben umfassen unter anderem räumliche Beziehungen, Nähe, Mengen und das Navigieren von Objekten. Das Modell soll dabei eine gemeinsame Grundlage für Erzeugung und Erkennung bilden.

Als Ergebnisse berichtet OpenAI, dass Modelle, die sowohl das Verändern von Szenen als auch das Erkennen darin trainierten, bei jeder der beiden Aufgaben besser abschnitten als Modelle, die jeweils nur eine davon lernten. Außerdem habe ein nur im Erkennungskontext trainiertes Modell bei Erzeugungsaufgaben gute Leistungen gezeigt. Der Bericht deutet dies als Hinweis auf Transfer zwischen Aufgaben. Er beschreibt diese Befunde als Ergebnisse der eigenen Auswertungen; der vorliegende Text liefert jedoch keine Zahlen, Vergleichsdetails oder unabhängige Bestätigung.

Die Grenzen werden teilweise ausdrücklich benannt: Untersucht worden seien bislang Konzepte, die aus passiver Erfahrung gelernt werden, und ein breiteres Spektrum in reichhaltigeren dreidimensionalen Umgebungen stehe noch aus. Auch die Verbindung zu Entscheidungsstrategien und Sprachverständnis wird als künftige Arbeit beschrieben. Die behauptete Übertragung auf den Roboter ist ein konkretes Beispiel, belegt im Text aber keine allgemeine Übertragbarkeit auf beliebige Umgebungen oder komplexe Konzepte.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen von Luna wurden gemeinsam bewertet; die von Luna angegebenen Stufen und Anteile habe ich nicht übernommen, sondern unabhängig vergeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Energiefunktion ist als Relational-Netzwerk aufgebaut, das beliebig viele Entitäten verarbeiten kann; diese Architektur wird im Bericht ausdrücklich beschrieben.

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
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 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 66 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. 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 28 %Hintergrund, keine Belege
    • JEV 55 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
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 43 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • 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 →