IBM -Forscher haben zusammen mit ETH Zürich eine neue Klasse von enthüllt Analog Basis -Modelle (AFMs) Entwickelt, um die Lücke zwischen großen Sprachmodellen (LLMs) und) und zu überbrücken Analog In-Reminiscence Computing (AIMC) {Hardware}. AIMC hat seit langem einen radikalen Effizienzsprung versprochen-modellige Modelle mit einer Milliarde Parametern in einem Fußabdruck, der für eingebettete oder Kantengeräte klein genug ist-droht den dichten nichtflüchtigen Speicher (NVM), der Speicher und Berechnung kombiniert. Die Achilles-Ferse der Technologie warfare jedoch Rauschen: Die Durchführung von Matrixvektor-Multiplikationen direkt in NVM-Geräten ergibt nicht deterministische Fehler, die off-the-Shelf-Modelle verkrüppelten.

Warum ist analoges Laptop für LLMs von Bedeutung?

Im Gegensatz zu GPUs oder TPUs, die Daten zwischen Speicher- und Berechnungseinheiten übertragen, führt AIMC Matrix-Vektor-Multiplikationen direkt in Speicherarrays durch. Dieses Design beseitigt den von Neumann -Engpass und liefert large Verbesserungen des Durchsatz- und Stromversorgungseffizienz. Frühere Studien zeigten, dass das Kombinieren von AIMC mit 3D NVM Und Expertenmischung (MOE) Architekturen könnten grundsätzlich Billionen-Parameter-Modelle für Kompaktbeschleuniger unterstützen. Dies könnte die KI von Basis-Scale-KI für Geräte weit über die Datenzentren übereinstimmen.

Was macht aus Analoges In-Reminiscence-Computing (AIMC) in der Praxis so schwer zu verwenden?

Die größte Barriere ist Lärm. AIMC -Berechnungen leiden unter Variabilität der Geräte, DAC/ADC -Quantisierung und Laufzeitschwankungen, die die Modellgenauigkeit abbauen. Im Gegensatz zur Quantisierung von GPUs – wo Fehler deterministisch und überschaubar sind – ist ein Alalog -Rauschen stochastisch und unvorhersehbar. Frühere Untersuchungen fanden Möglichkeiten, kleine Netzwerke wie CNNs und RNNs (<100m -Parameter) anzupassen, um ein solches Rauschen zu tolerieren, aber LLMs mit Milliarden von Parametern brachen konsistent unter AIMC -Einschränkungen ab.

Wie befassen sich analoge Fundamentmodelle mit dem Rauschproblem?

Das IBM -Group führt vor Analoge Fundamentmodelledie {Hardware}-bewusstes Coaching integrieren, um LLMs für die analoge Ausführung vorzubereiten. Ihre Pipeline verwendet:

• Geräuschinjektion Während des Trainings zur Simulation von AIMC -Zufälligkeit.
• Iteratives Gewichtsausschnitt Verteilungen innerhalb von Gerätegrenzen zu stabilisieren.
• Gelernte statische Eingangs-/Ausgangsquantisierungsbereiche ausgerichtet mit echten {Hardware} -Einschränkungen.
• Destillation von vorgeborenen LLMs Verwendung von 20B -Token von synthetischen Daten.

Diese Methoden, implementiert mit Aihwkit leuchtenderlauben Modelle wie PHI-3-Mini-4K-Instruktur Und LAMA-3.2-1B-ISTRUCT aufrechterhalten Leistung vergleichbar mit gewichtsquantisierter 4-Bit / Aktivierung 8-Bit-Basislinien unter analogem Rauschen. Bei Bewertungen über Argumentation und sachliche Benchmarks übertraf AFMs sowohl das quantisierungsbewusste Coaching (QAT) als auch die Quantisierung nach dem Coaching (Spinquant).

Funktionieren diese Modelle nur für analoge {Hardware}?

Nein. Ein unerwartetes Ergebnis ist, dass AFMs auch stark abschneiden Digitale {Hardware} mit niedriger Präzision. Da AFMs geschult sind, um Geräusche und Ausschnitte zu tolerieren, verarbeiten sie eine einfache Quantisierung nach dem Coaching mit rund-zu-nearsten (RTN) besser als vorhandene Methoden. Dies macht sie nicht nur für AIMC -Beschleuniger, sondern auch für {Hardware} für digitale Inferenz von Rohstoffen nützlich.

Kann Leistungsleistung mit mehr Berechnung zum Inferenzzeit skalieren?

Ja. Die Forscher getestet TEST-Zeit-Berechnungskalierung Im Math-500-Benchmark generieren Sie mehrere Antworten professional Abfrage und wählen Sie das Beste über ein Belohnungsmodell aus. AFMs zeigten ein besseres Skalierungsverhalten als QAT -Modelle, wobei Genauigkeitslücken schrumpfen, da mehr Inferenzberechnung zugewiesen wurde. Dies steht im Einklang mit den Stärken von AIMC-einer Low-Energy-Inferenz mit hohem Durchsatz und nicht dem Coaching.

Wie wirkt es sich auf die Zukunft der analogen In-Reminiscence Computing (AIMC) aus?

Das Forschungsteam bietet die erste systematische Demonstration, dass große LLMs ohne katastrophalen Genauigkeitsverlust an AIMC -{Hardware} angepasst werden können. Während das Coaching von AFMs ressourcenlastig ist und die Überlegungsaufgaben wie GSM8K immer noch Genauigkeitslücken zeigen, sind die Ergebnisse ein Meilenstein. Die Kombination von Energieeffizienz, Robustheit gegenüber Rauschen und Kreuzkompatibilität mit digitaler {Hardware} macht AFMs zu einer vielversprechenden Richtung für skalierende Fundamentmodelle jenseits der GPU -Grenzen.

Zusammenfassung

Die Einführung von analogen Grundmodellen ist ein kritischer Meilenstein für die Skalierung von LLMs über die Grenzen digitaler Beschleuniger hinaus. Indem das Forschungsteam die Modelle für das unvorhersehbare Rauschen des analogen In-Reminiscence-Computing sturdy machen, zeigt es, dass AIMC von einem theoretischen Versprechen auf eine praktische Plattform wechseln kann. Während die Schulungskosten hoch bleiben und die Benchmarks der Begründung weiterhin Lücken aufweisen, schafft diese Arbeit einen Weg zu energieeffizienten großen Modellen, die auf kompakten {Hardware} laufen

---

Schauen Sie sich das an PAPIER Und Github -Seite. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.

Huawei hat Berichten zufolge entwickelt Eine neue technologische Lösung für die KI-Inferenz, die darauf abzielt, Chinas Vertrauen in HBM-Chips (Hochbandbreitengedächtnisse) zu verringern. Das Unternehmen plant, diese Innovation am 12. August auf dem Finanz -AI -Bewerbungsforum 2025 vorzustellen.

Die Veranstaltung „Monetary AI Argumenting Utility Implementierung und -entwicklung“ dient als Plattform für Technologieanbieter, um ihre KI -Fähigkeiten zu demonstrieren und praktische Anwendungen der KI im Finanzsektor zu präsentieren. Die bevorstehende Ankündigung von Huawei entspricht diesem Fokus und führt eine Lösung vor, mit der die aktuellen Abhängigkeiten von ausländischer Technologie angegangen werden sollen.

KI-Inferenz ist die operative Section eines KI-Modells, in dem es sein erworbenes Wissen und erlernte Methoden anwendet, um präzise und effiziente Ausgaben für Endbenutzer zu generieren. Reminiscence-Chips mit hoher Bandbreite werden aufgrund ihrer reduzierten Latenz und einer erhöhten Speicherbandbreite im Vergleich zu herkömmlichen Gedächtnistypen in der Regel für die KI-Inferenz bevorzugt. Diese Eigenschaft erleichtert die beschleunigte Datenverarbeitung und verbessert damit die Leistung großer Sprachmodelle und verbessert den Gesamt -KI -Inferenzprozess. Huaweis Zugang zu HBM -Chips wurde jedoch nach den Sanktionen der US -Sanktionen eingeschränkt.

Als Reaktion auf diese Einschränkungen hat Huawei Berichten zufolge eine technologische Lösung im Bereich der KI -Inferenz entwickelt. Es wird erwartet, dass diese Innovation die Abhängigkeit von Chinas und Huawei auf HBM-AI-Chips verringert und gleichzeitig die Inferenzleistung groß angelegter KI-Modelle innerhalb des Landes erhöht. Es wird erwartet, dass diese Entwicklung Chinas inländisches KI -Inferenz -Ökosystem erheblich stärkt.

Huawei verfolgt weiterhin selbst entwickelte technologische Integrationen und Lösungen, um das Vertrauen in die Bestandteil der US-Ursprung zu verringern, da es sein KI-Geschäft in China erweitert. Einzelheiten zur neuen AI -Inferenztechnologie bleiben derzeit nicht bekannt, wobei weitere Informationen beim kommenden Occasion vom 12. August erwartet werden.

---

Ausgewähltes Bildnachweis

Die benutzerdefinierten Diffusionsmodelle von Lobstger werden geschult, um nicht nur die Ellenbogen -Dokumente der biologischen Vielfalt zu replizieren, sondern auch den künstlerischen Stil, mit dem er ihn erfasst. Durch das Lernen aus Tausenden realer Unterwasserbildern verinnerlichen die Modelle feinkörnige Particulars wie natürliche Beleuchtungsgradienten, speziesspezifische Färbung und sogar die atmosphärische Textur, die durch suspendierte Partikel und gebrochenes Sonnenlicht erzeugt wird. Das Ergebnis sind Bilder, die nicht nur visuell genau erscheint, sondern sich auch eindringlich und bewegend anfühlt.

Die Modelle können sowohl neue, synthetische, aber wissenschaftlich genaue Bilder bedingungslos erzeugen (dh keine Benutzereingabe/Anleitung) und die realen Fotografien bedingt (dh Bild-zu-Picture-Erzeugung) verbessern. Durch die Integration von KI in den fotografischen Workflow kann Ellenbogen diese Werkzeuge verwenden, um Particulars in Turbiden Wasser wiederherzustellen, die Beleuchtung anzupassen, um wichtige Themen zu betonen, oder sogar Szenen zu simulieren, die nahezu unmöglich vor Ort zu erfassen wären. Das Crew ist auch der Ansicht, dass dieser Ansatz anderen Unterwasserfotografen und Picture -Redakteuren zugute kommen könnte, die sich mit ähnlichen Herausforderungen stellen. Diese Hybridmethode soll den Kurationsprozess beschleunigen und Geschichtenerzählern ermöglichen, eine vollständigere und kohärentere visuelle Erzählung des Lebens unter der Oberfläche zu konstruieren.

Hyperlinks: Verbessertes Bild eines amerikanischen Hummers unter Verwendung von Lobstgers Picture-im-Picture-Modellen. Rechts: Originalbild.

Hyperlinks: AI Genertated Picture von Keith Ellenbogen, Andreas Mentzelopoulos und Lobstger. Rechts: Keith Ellenbogen

Seit mehr als 100 Jahren nutzen Wissenschaftler die Röntgenkristallographie, um die Struktur kristalliner Materialien wie Metalle, Gestein und Keramik zu bestimmen.

Diese Technik funktioniert am besten, wenn der Kristall intakt ist. In vielen Fällen verfügen die Wissenschaftler jedoch nur über eine Pulverversion des Supplies, die zufällige Fragmente des Kristalls enthält. Dies macht es schwieriger, die Gesamtstruktur zusammenzusetzen.

Chemiker des MIT haben nun ein neues generatives KI-Modell entwickelt, mit dem sich die Struktur dieser Pulverkristalle wesentlich einfacher bestimmen lässt. Das Vorhersagemodell könnte Forschern dabei helfen, Materialien für den Einsatz in Batterien, Magneten und vielen anderen Anwendungen zu charakterisieren.

„Die Struktur ist das Erste, was man bei jedem Materials wissen muss. Sie ist wichtig für Supraleitung, sie ist wichtig für Magnete, sie ist wichtig, um zu wissen, welche Photovoltaik man erzeugt. Sie ist wichtig für jede denkbare Anwendung, die sich auf Materialien bezieht“, sagt Danna Freedman, Frederick George Keyes Professorin für Chemie am MIT.

Freedman und Jure Leskovec, Professor für Informatik an der Stanford College, sind die Hauptautoren der neuen Studie, die erscheint heute in der Zeitschrift der American Chemical SocietyDer MIT-Scholar Eric Riesel und der Scholar der Yale College Tsach Mackey sind die Hauptautoren des Artikels.

Markante Muster

Kristalline Materialien, zu denen Metalle und die meisten anderen anorganischen Feststoffe gehören, bestehen aus Gittern, die aus vielen identischen, sich wiederholenden Einheiten bestehen. Man kann sich diese Einheiten als „Boxen“ mit einer bestimmten Type und Größe vorstellen, in denen die Atome präzise angeordnet sind.

Wenn Röntgenstrahlen auf diese Gitter gerichtet werden, werden sie von Atomen mit unterschiedlichen Winkeln und Intensitäten gebeugt und geben so Informationen über die Positionen der Atome und die Bindungen zwischen ihnen preis. Seit Anfang des 20. Jahrhunderts wird diese Technik zur Analyse von Materialien eingesetzt, darunter auch biologische Moleküle mit kristalliner Struktur wie DNA und einige Proteine.

Bei Materialien, die nur als Kristallpulver vorliegen, wird das Lösen dieser Strukturen viel schwieriger, da die Fragmente nicht die vollständige 3D-Struktur des ursprünglichen Kristalls aufweisen.

„Das genaue Gitter existiert immer noch, denn was wir Pulver nennen, ist eigentlich eine Ansammlung von Mikrokristallen. Sie haben additionally das gleiche Gitter wie ein großer Kristall, aber die Orientierung ist völlig zufällig“, sagt Freedman.

Für Tausende dieser Materialien existieren Röntgenbeugungsmuster, die jedoch noch nicht entschlüsselt sind. Um die Strukturen dieser Materialien zu entschlüsseln, trainierten Freedman und ihre Kollegen ein maschinelles Lernmodell anhand von Daten aus einer Datenbank namens Supplies Challenge, die mehr als 150.000 Materialien enthält. Zunächst speisten sie Zehntausende dieser Materialien in ein bestehendes Modell ein, das simulieren kann, wie die Röntgenbeugungsmuster aussehen würden. Anschließend trainierten sie mit diesen Mustern ihr KI-Modell, das sie Crystalyze nennen, um Strukturen auf der Grundlage der Röntgenmuster vorherzusagen.

Das Modell unterteilt den Prozess der Strukturvorhersage in mehrere Teilaufgaben. Zunächst bestimmt es die Größe und Type der Gitterbox und welche Atome in sie hineinpassen. Dann sagt es die Anordnung der Atome innerhalb der Field voraus. Für jedes Beugungsmuster generiert das Modell mehrere mögliche Strukturen, die getestet werden können, indem die Strukturen in ein Modell eingespeist werden, das Beugungsmuster für eine gegebene Struktur bestimmt.

„Unser Modell ist eine generative KI, das heißt, es generiert etwas, das es noch nie zuvor gesehen hat, und das ermöglicht uns, mehrere verschiedene Vermutungen anzustellen“, sagt Riesel. „Wir können hundert Vermutungen anstellen und dann vorhersagen, wie das Pulvermuster für unsere Vermutungen aussehen sollte. Und wenn die Eingabe dann genauso aussieht wie die Ausgabe, wissen wir, dass wir richtig lagen.“

Unbekannte Strukturen lösen

Die Forscher testeten das Modell an mehreren tausend simulierten Beugungsmustern aus dem Supplies Challenge. Sie testeten es auch an mehr als 100 experimentellen Beugungsmustern aus der RRUFF-Datenbank, die pulverisierte Röntgenbeugungsdaten für quick 14.000 natürliche kristalline Mineralien enthält, die sie aus den Trainingsdaten herausgehalten hatten. Bei diesen Daten warfare das Modell in etwa 67 Prozent der Fälle genau. Dann begannen sie, das Modell an Beugungsmustern zu testen, die zuvor noch nicht gelöst worden waren. Diese Daten stammten aus der Powder Diffraction File, die Beugungsdaten für mehr als 400.000 gelöste und ungelöste Materialien enthält.

Mithilfe ihres Modells konnten die Forscher Strukturen für mehr als 100 dieser bisher ungelösten Muster finden. Außerdem nutzten sie ihr Modell, um Strukturen für drei Materialien zu entdecken, die Freedmans Labor erzeugte, indem es Elemente, die bei atmosphärischem Druck nicht reagieren, zwang, unter hohem Druck Verbindungen zu bilden. Mit diesem Ansatz lassen sich neue Materialien erzeugen, die trotz gleicher chemischer Zusammensetzung radikal unterschiedliche Kristallstrukturen und physikalische Eigenschaften aufweisen.

Beispiele für solche Materialien sind Graphit und Diamant – beide aus reinem Kohlenstoff. Die von Freedman entwickelten Materialien, die jeweils Wismut und ein weiteres Factor enthalten, könnten bei der Entwicklung neuer Materialien für Permanentmagnete von Nutzen sein.

„Wir haben in vorhandenen Daten viele neue Materialien gefunden und, was am wichtigsten ist, drei unbekannte Strukturen aus unserem Labor gelöst, die die ersten neuen binären Phasen dieser Elementkombinationen bilden“, sagt Freedman.

Die Fähigkeit, die Strukturen von pulverförmigen kristallinen Materialien zu bestimmen, könnte Forschern in nahezu allen materialbezogenen Bereichen helfen, so das MIT-Staff, das eine Weboberfläche für das Modell unter www.crystalyze.org.

Die Forschung wurde vom US-Energieministerium und der Nationwide Science Basis finanziert.

Einführung

Da die Entwicklung von Massive Language Fashions (LLMs) immer schneller voranschreitet, ist es wichtig, ihre praktische Anwendung in verschiedenen Bereichen umfassend zu bewerten. Dieser Artikel befasst sich mit sieben Schlüsselbereichen, in denen LLMs wie BLOOM strengen Checks unterzogen wurden, wobei menschliche Erkenntnisse genutzt wurden, um ihr wahres Potenzial und ihre Grenzen zu ermitteln.

Menschliche Einblicke in KI Nr. 1: Erkennung toxischer Sprache

Die Aufrechterhaltung einer respektvollen On-line-Umgebung erfordert eine wirksame Erkennung toxischer Sprache. Menschliche Bewertungen haben gezeigt, dass LLMs zwar manchmal offensichtliche toxische Bemerkungen erkennen können, bei subtilen oder kontextspezifischen Kommentaren jedoch häufig das Ziel verfehlen, was zu Ungenauigkeiten führt. Dies unterstreicht die Notwendigkeit für LLMs, ein verfeinertes Verständnis und eine kontextbezogene Sensibilität zu entwickeln, um den On-line-Diskurs effektiv zu verwalten.

Beispiel für menschliche Erkenntnisse über KI Nr. 1: Erkennung toxischer Sprache

Szenario: Ein On-line-Discussion board verwendet einen LLM, um Kommentare zu moderieren. Ein Benutzer postet in einer Diskussion: „Ich hoffe, Sie sind jetzt zufrieden mit sich.“ Der Kontext ist eine hitzige Debatte über Umweltpolitik, wobei dieser Kommentar an jemanden gerichtet warfare, der gerade einen kontroversen Standpunkt vertreten hat.

LLM-Bewertung: Angesichts der oberflächlich neutralen Formulierung des Kommentars könnte es sein, dass das LLM den unterschwelligen passiv-aggressiven Ton des Kommentars nicht als schädlich erkennt.

Menschliche Einsicht: Ein menschlicher Moderator versteht die kontextuelle Negativität des Kommentars und erkennt ihn als subtile Kind der Toxizität, die darauf abzielt, die Haltung der anderen Individual zu untergraben. Dies verdeutlicht die Notwendigkeit eines differenzierten Verständnisses in LLMs für eine effektive Moderation.

Menschliche Erkenntnisse zur KI Nr. 2: Künstlerisches Schaffen

LLMs haben für ihre Fähigkeit, kreative Texte wie Geschichten und Gedichte zu erstellen, Aufmerksamkeit erregt. Bei der Bewertung durch Menschen ist jedoch offensichtlich, dass diese Modelle zwar zusammenhängende Geschichten weben können, es ihnen jedoch häufig an Kreativität und emotionaler Tiefe mangelt. Dies unterstreicht die Herausforderung, KI mit einem wirklich menschenähnlichen kreativen Funken auszustatten.

Beispiel für menschliche Einblicke in KI #2: Künstlerisches Schaffen

Szenario: Ein Autor bittet einen LLM um eine Idee für eine Kurzgeschichte über einen zeitreisenden Detektiv.

LLM-Ausgabe: Der LLM schlägt eine Handlung vor, in der der Detektiv in die Vergangenheit reist, um ein historisches Unrecht zu verhindern, am Ende jedoch ein großes historisches Ereignis verursacht.

Menschliche Einsicht: Obwohl die Handlung bis zu einem gewissen Grad stimmig und kreativ ist, weist ein menschlicher Rezensent darauf hin, dass es ihr an Originalität und Tiefe bei der Charakterentwicklung mangelt. Dies verdeutlicht die Kluft zwischen KI-generierten Konzepten und der differenzierten Erzählkunst von Werken menschlicher Autoren.

Menschliche Einblicke in KI Nr. 3: Beantwortung von Fragen

Die Fähigkeit, Fragen zu beantworten, ist für Bildungsressourcen und Anwendungen zur Wissenssuche von grundlegender Bedeutung. LLMs haben sich als vielversprechend erwiesen, wenn es darum geht, einfache Fragen präzise zu beantworten. Bei komplexen Fragen oder wenn ein tieferes Verständnis erforderlich ist, tun sie sich jedoch schwer, was die dringende Notwendigkeit kontinuierlichen Lernens und der Verfeinerung von Modellen unterstreicht.

Beispiel für menschliche Erkenntnisse über KI #3: Beantwortung von Fragen

Szenario: Ein Scholar fragt: „Warum begann die industrielle Revolution in Großbritannien?“

LLM-Antwort: „Die industrielle Revolution begann in Großbritannien aufgrund seines Zugangs zu natürlichen Ressourcen wie Kohle und Eisen und seines expandierenden Imperiums, das Märkte für Güter bot.“

Menschliche Einsicht: Obwohl die Antwort des LLM zutreffend ist, fehlen tiefere Einblicke in die komplexen soziopolitischen Faktoren und Innovationen, die eine entscheidende Rolle spielten. Dies zeigt, dass die LLMs in ihren Antworten ein umfassenderes Verständnis einbringen müssen.

Menschliche Erkenntnisse zur KI Nr. 4: Advertising and marketing-Kreativität

Im Advertising and marketing ist die Fähigkeit, ansprechende Texte zu verfassen, von unschätzbarem Wert. LL.M. haben ihr Potenzial bei der Erstellung grundlegender Marketinginhalte unter Beweis gestellt. Ihren Kreationen fehlt jedoch oft die Innovation und emotionale Resonanz, die für wirklich überzeugendes Advertising and marketing entscheidend sind. Dies deutet darauf hin, dass LL.M. zwar Ideen beisteuern können, der menschliche Einfallsreichtum jedoch unübertroffen bleibt.

Beispiel für menschliche Erkenntnisse über KI Nr. 4: Advertising and marketing-Kreativität

Szenario: Ein Startup bittet einen LLM, einen Slogan für seine neue umweltfreundliche Verpackungslösung zu entwickeln.

LLM-Vorschlag: „Packen Sie es umweltfreundlich ein und halten Sie es sauber.“

Menschliche Einsicht: Obwohl der Slogan einprägsam ist, weist ein Marketingexperte darauf hin, dass es ihm nicht gelingt, den innovativen Aspekt des Produkts oder seine spezifischen Vorteile zu vermitteln. Er betont, dass menschliche Kreativität erforderlich sei, um Botschaften zu formulieren, die auf mehreren Ebenen Anklang finden.

Menschliche Erkenntnisse zur KI Nr. 5: Benannte Entitäten erkennen

Die Fähigkeit, benannte Entitäten im Textual content zu identifizieren, ist für die Datenorganisation und -analyse von entscheidender Bedeutung. LLMs sind geschickt darin, solche Einheiten zu erkennen, ihren Nutzen bei der Datenverarbeitung und Wissensextraktion zu demonstrieren und so Forschungs- und Informationsmanagementaufgaben zu unterstützen.

Beispiel für menschliche Erkenntnisse zu KI Nr. 5: Erkennen benannter Entitäten

Szenario: In einem Textual content wird „Elon Musks neuestes Projekt im Bereich Weltraumtourismus“ erwähnt.

LLM-Erkennung: Identifiziert „Elon Musk“ als Individual und „Weltraumtourismus“ als Konzept.

Menschliche Einsicht: Ein menschlicher Leser erkennt möglicherweise auch die möglichen Folgen für die Raumfahrtindustrie und die umfassenderen Auswirkungen auf den kommerziellen Reiseverkehr. Dies deutet darauf hin, dass LL.M. zwar Entitäten identifizieren können, deren Bedeutung sie jedoch möglicherweise nicht vollständig erfassen.

Menschliche Einblicke in KI Nr. 6: Codierungsunterstützung

Die Nachfrage nach Unterstützung bei Codierung und Softwareentwicklung hat dazu geführt, dass LLMs als Programmierassistenten in Betracht gezogen werden. Menschliche Bewertungen zeigen, dass LLMs syntaktisch korrekten Code für grundlegende Aufgaben erstellen können. Bei komplexeren Programmierproblemen stehen sie jedoch vor Herausforderungen, was Verbesserungspotenziale bei der KI-gesteuerten Entwicklungsunterstützung aufzeigt.

Beispiel für menschliche Erkenntnisse über KI #6: Codierungsunterstützung

Szenario: Ein Entwickler fordert eine Funktion zum Filtern einer Zahlenliste, sodass nur Primzahlen enthalten sind.

LLM-Ausgabe: Stellt eine Python-Funktion bereit, die durch Probedivision auf Primzahlbeständigkeit prüft.

Menschliche Einsicht: Ein erfahrener Programmierer stellt fest, dass die Funktion bei großen Eingaben nicht effizient genug ist, und schlägt Optimierungen oder different Algorithmen vor. Dabei wird auf Bereiche hingewiesen, in denen LLMs ohne menschliches Eingreifen möglicherweise nicht die besten Lösungen bieten.

Menschliche Einblicke in die KI Nr. 7: Mathematische Argumentation

Die Mathematik stellt mit ihren strengen Regeln und ihrer logischen Genauigkeit eine einzigartige Herausforderung dar. LLMs sind in der Lage, einfache arithmetische Probleme zu lösen, haben jedoch Schwierigkeiten mit komplexen mathematischen Überlegungen. Diese Diskrepanz verdeutlicht den Unterschied zwischen den Rechenfähigkeiten und dem tiefen Verständnis, das für fortgeschrittene Mathematik erforderlich ist.

Beispiel für menschliche Erkenntnisse über KI #7: Mathematische Argumentation

Szenario: Ein Schüler fragt: „Was ist die Summe aller Winkel in einem Dreieck?“

LLM-Ausgabe: „Die Summe aller Winkel in einem Dreieck beträgt 180 Grad.“

Menschliche Einsicht: Während der LLM eine korrekte und direkte Antwort liefert, könnte ein Pädagoge diese Gelegenheit nutzen, um zu erklären, warum dies der Fall ist, indem er das Konzept mit einer Zeichnung oder einer Aktivität veranschaulicht. Er könnte beispielsweise zeigen, dass die Winkel eines Dreiecks, wenn man sie nebeneinander legt, eine gerade Linie bilden, die 180 Grad beträgt. Dieser praktische Ansatz beantwortet nicht nur die Frage, sondern vertieft auch das Verständnis und die Auseinandersetzung des Studenten mit dem Materials und unterstreicht den pädagogischen Wert kontextualisierter und interaktiver Erklärungen.

Fazit: Die Reise voraus

Die Bewertung von LLMs aus menschlicher Sicht in diesen Bereichen ergibt ein vielschichtiges Bild: LLMs machen Fortschritte beim Sprachverständnis und der Sprachgenerierung, aber es fehlt ihnen oft an Tiefe, wenn tieferes Verständnis, Kreativität oder Fachwissen erforderlich sind. Diese Erkenntnisse unterstreichen die Notwendigkeit kontinuierlicher Forschung, Entwicklung und vor allem menschlicher Beteiligung bei der Verfeinerung der KI. Während wir das Potenzial der KI ausschöpfen, wird es für Durchbrüche in der Technologie entscheidend sein, ihre Stärken zu nutzen und gleichzeitig ihre Schwächen anzuerkennen – KI-Forscher, Technologie-Enthusiasten, Content material-Moderatoren, Vermarkter, Pädagogen, Programmierer und Mathematiker.