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
medium.com11. Juli 2017 · Q011124

Deep Learning Pioneers Boost Research at AI Labs Around The World

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt drei von NVIDIA unterstützte Forschungsprojekte vor: günstigere autonome Autos in Toronto, Deep Learning für genetische Daten in Montreal und anpassungsfähige Roboter in Berkeley. Er beschreibt die Vorhaben als laufende Forschung, nennt aber keine vergleichenden Leistungsdaten oder Belege für einen breiten Einsatz.

Mittel

Der Bericht beschreibt das NVIDIA AI Labs (NVAIL)-Programm, das Forschende an 20 Universitäten mit GPU-Rechenleistung, technischer Unterstützung und Förderung für Studierende unterstützt. Drei Projekte stehen im Mittelpunkt.

Raquel Urtasun entwickelt an der University of Toronto Verfahren für günstigere autonome Autos. Weil Sensoren und Karten laut ihrer Einschätzung über 100.000 US-Dollar kosten können, arbeitet ihr Team an Algorithmen, die günstigere Sensoren und Satellitendaten verwenden. In Montreal erforscht Adriana Romero Deep-Learning-Methoden zur Auswertung genetischer Daten. Da Millionen Genomvarianten auf eine vergleichsweise begrenzte Zahl von Patientendaten treffen, sei zuverlässige Krankheitsvorhersage schwierig. Ein erster Ansatz sagte genetische Abstammung mit einer Architektur voraus, die weniger Parameter benötigt; Krankheitsprognosen und personalisierte Medizin sind nächste Forschungsziele. In Berkeley untersucht Chelsea Finn, wie Roboter aus den Folgen ihrer Handlungen lernen und sich auf unbekannte Aufgaben einstellen können. Dafür nutzt sie GPU-beschleunigtes Deep Learning.

Der Beitrag präsentiert die Projekte als laufende Forschung und betont den Nutzen schneller GPU-Berechnungen. Vergleichende Leistungsdaten oder Belege für einen breiten praktischen Einsatz nennt er nicht.

Ausführlich lesen

Der Bericht stellt das NVIDIA AI Labs (NVAIL)-Programm vor, das laut NVIDIA Forschende an 20 Universitäten weltweit unterstützt. Die Partner erhalten Zugang zu GPU-Rechenleistung, technischer Unterstützung durch NVIDIA-Fachleute und Förderung für Studierende. Einige Labore hätten bereits früh DGX-1-KI-Supercomputer erhalten. Die Auswahl der Standorte richte sich nach Regionen, die als Zentren der Deep-Learning-Forschung gelten. Die vorgestellten Projekte reichen von neuen Lernverfahren bis zu Anwendungen in Medizin und Robotik.

An der University of Toronto entwickelt Raquel Urtasun, die im Bericht auch als Leiterin von Ubers Gruppe für fortgeschrittene Technologien beschrieben wird, Verfahren für günstigere autonome Autos. Urtasun zufolge können Lidar, 3D-Sensoren und eigens markierte Karten bei manchen Systemen mehr als 100.000 US-Dollar kosten. Ihr Team arbeitet deshalb an Algorithmen für Wahrnehmung, Lokalisierung und Kartierung, die günstigere Sensoren und Satellitendaten nutzen sollen. Urtasun nennt neben Rechenleistung und technischer Hilfe auch die Möglichkeit, bei der künftigen Computertechnik mitzureden, als Wert der NVIDIA-Partnerschaft.

Am Montreal Institute for Learning Algorithms der Université de Montréal untersucht Adriana Romero, wie Deep Learning genetische Daten für Krankheitsrisiko-Prognosen auswerten könnte. Genotypisierungsverfahren erfassen dem Bericht zufolge bis zu fünf Millionen Genomvarianten. Eine zentrale Schwierigkeit sei, dass es mehr zu berücksichtigende Variablen als verfügbare Patientendaten gebe; zuverlässiges Training werde dadurch erschwert. Romero und ihr Team erprobten zunächst, genetische Abstammung anhand von Mutationen vorherzusagen. Dafür entwickelten sie eine Architektur mit weniger Modellparametern. Als nächsten Schritt nennt Romero die Vorhersage von Krankheiten und die mögliche Unterstützung personalisierter Medizin. Der Bericht beschreibt dies als Forschungsziel, nicht als bereits erzielte klinische Anwendung.

An der University of California, Berkeley arbeitet die Doktorandin Chelsea Finn mit ihren Betreuern Pieter Abbeel und Sergey Levine an Robotern, die sich auf unbekannte Umgebungen und Aufgaben einstellen können. Finn setzt GPU-beschleunigtes Deep Learning ein, damit ein Roboter die Folgen eigener Handlungen erfasst und daraus nächste Schritte ableitet. Das soll besonders dort helfen, wo die Umgebung nicht vorhersehbar ist, etwa in Katastrophengebieten. Finn zufolge ist schnelle Datenverarbeitung nötig, damit Roboter während des Einsatzes lernen können.

Der Bericht schildert diese Vorhaben als vielversprechende Forschungsprojekte und hebt den Beitrag von GPUs und der NVIDIA-Förderung hervor. Er liefert jedoch keine vergleichenden Messwerte zu Kosten, Genauigkeit oder praktischer Leistungsfähigkeit und belegt nicht, dass die beschriebenen Systeme bereits breit eingesetzt werden. Weitere erwähnte Programmstandorte sind unter anderem MIT, Stanford, die Universität Tokio, Tsinghua und das Dalle Molle Institute for Artificial Intelligence.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen von Luna geben den Bericht im Kern treu wieder. Fehlend sind vor allem Nebenaspekte wie der frühe DGX-1-Zugang und einzelne weitere NVAIL-Projekte. Die drei Sammelfragen berührt der Bericht nur am Rande, da es sich um einen Werbebeitrag zu NVIDIA-Forschungspartnerschaften handelt.

Im Bericht, aber nicht in der Zusammenfassung

  • NVIDIA DGX-1 wurde NVAIL-Forschenden als erste Gruppe übergeben (seit knapp einem Jahr)
  • Weitere NVAIL-Forschungsfelder: Brustkrebs-Screening (New York University) und automatisches Lippenlesen (Oxford University)
  • Weitere Partnerinstitute wie MIT, Stanford, Universität Tokio, Tsinghua und das Dalle Molle Institut (Schweiz)
  • Adriana Romeros Betreuer Yoshua Bengio als Teil ihres Forschungsteams

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
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 31 %einzelne zitierbare Belege
    • JEV 32 %gleiches Oberthema, hilft nicht
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 75 %gleiches Oberthema, hilft nicht
    • d3-ultra 78 %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 27 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 73 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 66 %gleiches Oberthema, hilft nicht
    • d3-ultra 74 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
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 28 %Hintergrund, keine Belege
    • JEV 24 %nur am Rande erwähnt
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 66 %gleiches Oberthema, hilft nicht
    • d3-ultra 65 %gleiches Oberthema, hilft nicht
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 46 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 68 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
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 →