Das vom MIT geleitete Institute for Synthetic Intelligence and Elementary Interactions (IAIFI) hat für weitere fünf Jahre erneut Unterstützung von der Nationwide Science Basis (NSF) erhalten und die jährliche Finanzierung von 4 Millionen US-Greenback auf 4,98 Millionen US-Greenback erhöht. Die Erneuerung markiert eine neue Part für IAIFI, das in den ersten fünf Jahren damit verbracht hat, ein Forschungsmodell und eine interdisziplinäre Gemeinschaft rund um eine zentrale Prämisse aufzubauen: dass KI neue Wege in der Physik eröffnen kann, während die Physik dabei helfen kann, bessere KI-Systeme zu formen.

IAIFI wurde 2020 im Rahmen des Nationwide Synthetic Intelligence Analysis Institutes-Programms ins Leben gerufen und bringt Forscher des MIT sowie der Universitäten Harvard, Northeastern, Tufts und Boston zusammen. Seine Arbeit hat gezeigt, dass maschinelles Lernen die Entdeckung in der Physik beschleunigen kann, während Erkenntnisse aus der Physik KI-Systeme prinzipieller und interpretierbarer machen können.

„Von Anfang an wurde IAIFI nach einer Einbahnstraße aufgebaut: KI ermöglicht bessere Physik und Physik ermöglicht bessere KI“, sagt Jesse Thaler, IAIFI-Direktor und Professor für Physik am MIT. „Wir haben in den letzten fünf Jahren gesehen, wie sich dieser optimistic Kreislauf in mehreren Bereichen der Physik und KI abspielt. Der Austausch bringt nicht nur neue Ergebnisse hervor, sondern auch wirklich neue Wege, Wissenschaft zu betreiben.“

Forschung in den Bereichen Physik und KI

Die Forschung des IAIFI umfasst Teilchenphysik, Kernphysik, Astrophysik und grundlegende KI, wobei viele Fortschritte aus der Zusammenarbeit in diesen Bereichen hervorgehen.

In der Teilchenphysik haben IAIFI-Forscher KI-Techniken entwickelt, um die immensen Datenraten des Massive Hadron Collider in Echtzeit zu verarbeiten und so dabei zu helfen, eine Flut von Kollisionsdaten in umsetzbare Physik umzuwandeln. In der Kernphysik nutzen IAIFI-Forscher KI-basierte generative Methoden, um die Wechselwirkungen von Quarks und Gluonen in der Gitterquantenchromodynamik zu modellieren und so neue Wege zur Untersuchung der Struktur von Materie anhand erster Prinzipien zu schaffen. In der Astrophysik wird maschinelles Lernen eingesetzt, um neue kosmische Phänomene aufzudecken und die Empfindlichkeit des vom MIT geleiteten Gravitationswellenexperiments LIGO zu verbessern.

Gleichzeitig fließen Ideen aus der Physik in die Entwicklung neuer KI-Methoden ein. IAIFI-Forscher entwickeln Lernalgorithmen und neue Modellarchitekturen, die physikalisches Wissen und Greatest Practices – einschließlich Symmetrien, geometrische Strukturen, Genauigkeitsgarantien und statistische Methoden – direkt in neuronale Netze einbetten und so Systeme erzeugen, die zuverlässiger, interpretierbarer und dateneffizienter sind.

„KI hat begonnen, die Artwork und Weise zu verändern, wie Physiker einige der schwierigsten Probleme auf diesem Gebiet angehen“, sagt Mike Williams, Interimsdirektor von IAIFI und Professor für Physik am MIT. „Noch wichtiger ist, dass damit begonnen wird, die Grenzen der Probleme, die wir realistisch angehen können, zu erweitern, sodass es möglich wird, Fragen zu verfolgen, die früher völlig außerhalb unserer Reichweite lagen.“

Ausbildung der nächsten Technology

Ein charakteristisches Merkmal von IAIFI ist seine Investition in Menschen. Das IAIFI Postdoctoral Fellows-Programm unterstützt Nachwuchswissenschaftler, die an der Schnittstelle von Physik und KI forschen, indem es jeden Stipendiaten mit Mentoren in beiden Bereichen zusammenbringt und die Zusammenarbeit zwischen Institutionen fördert.

Bisher haben acht Stipendiaten das Programm abgeschlossen. Drei haben sich Fakultätsstellen gesichert; andere haben Forschungsfunktionen bei führenden KI-Unternehmen übernommen oder sind Begin-ups beigetreten, was zeigt, wie umfassend die bei IAIFI gepflegten Fähigkeiten umgesetzt werden können.

„Das IAIFI-Stipendium zeigt, was passieren kann, wenn Nachwuchswissenschaftler die Freiheit und Unterstützung erhalten, über traditionelle Grenzen hinweg zu arbeiten“, sagt Phiala Shanahan, stellvertretende Interimsdirektorin des IAIFI und Professorin für Physik am MIT. „Unsere Stipendiaten tragen nicht nur einzeln zur Physik oder zur KI bei – sie tragen dazu bei, ein wachsendes Feld an der Schnittstelle zu gestalten.“

Die jährliche PhD Summer time College von IAIFI ist zu einem zentralen Anlaufpunkt für die wachsende Gemeinschaft von „Zentauren-Wissenschaftler„mit Fachkenntnissen in Physik und KI. Für die Ausgabe 2026 erhielt das Programm quick 600 Bewerbungen für etwa 100 Präsenzplätze, wobei etwa 300 weitere Teilnehmer voraussichtlich virtuell teilnehmen werden. Frühere Teilnehmer haben die Schule ihren Kommilitonen aufgrund ihrer Kombination aus Vorlesungen, praktischen Tutorials, Coding-Sprints und Networking-Veranstaltungen wärmstens empfohlen.

Am MIT hat IAIFI neue Bildungswege mitgestaltet, darunter ein interdisziplinäres Doktorandenprogramm in Physik, Statistik und Datenwissenschaft – eine Zusammenarbeit zwischen der Fakultät für Physik und dem Statistics and Information Science Heart –, das seit 2021 20 Doktorgrade verliehen hat. Die IAIFI-Mitglieder Phil Harris und Isaac Chuang haben außerdem einen Kurs über Computational Information Science in der Physik entwickelt, der sowohl auf dem Campus (Kurs 8.16) als auch als Dozent angeboten wird kostenloser On-line-Kurs über MITx.

Eine wachsende Gemeinschaft

Über seine Kernforschungs- und Ausbildungsprogramme hinaus bringt das IAIFI Forscher zu seinem jährlichen Sommerworkshop zusammen, der dieses Jahr im Gebäude des MIT Schwarzman Faculty of Computing stattfinden wird. Das Institut bindet auch die breitere Öffentlichkeit durch Kooperationen mit dem MIT Museum, dem Museum of Science in Boston, Hackathons und viel beachteten On-line-Inhalten zu KI und Physik ein.

„IAIFI zeigt, was möglich wird, wenn Forscher in den Bereichen Physik, Informatik, Statistik und Datenwissenschaft sich um gemeinsame wissenschaftliche Fragen herum organisieren“, sagt Nergis Mavalvala, Dekan der MIT College of Science und Curtis and Kathleen Marble Professor of Astrophysics. „Diese Artwork der nachhaltigen, interdisziplinären Zusammenarbeit ist für die Zukunft der wissenschaftlichen Entdeckungen von entscheidender Bedeutung.“

IAIFI ist im Laboratory of Nuclear Science am MIT untergebracht und wird von Direktor Jesse Thaler (derzeit im Sabbatical), Interimsdirektor Mike Williams, stellvertretender Interimsdirektorin Phiala Shanahan und Geschäftsführerin Marisa LaFleur sowie den Lenkungsausschussmitgliedern Lisa Barsotti, Isaac Chuang, Will Detmold, Invoice Freeman, Phil Harris, Lina Necib, Tess Smidt und Marin Soljacic (und Lenkungsausschussmitgliedern anderer) geleitet IAIFI-Universitäten).

Blick nach vorn

Als Mitglied des Nationwide Synthetic Intelligence Analysis Institutes-Programms ist IAIFI Teil einer landesweiten Initiative zur Förderung KI-gesteuerter Entdeckungen und Innovationen.

„Die Verbindungen zwischen den NSF-KI-Instituten waren ebenso wertvoll wie die Arbeit in ihnen und wachsen weiter“, sagt Marisa LaFleur, Geschäftsführerin von IAIFI. „Wir teilen Managementstrategien und Ressourcen für Schulungen, Neighborhood-Aufbau und Zusammenarbeit, die das gesamte Netzwerk stärken.“

Für IAIFI ist die erneuerte Finanzierung eine Gelegenheit, tiefer in das einzudringen, was das Institut die „Physik der KI“ nennt – indem man physikalisches Denken, physikalische Herausforderungen und physikalische Werkzeuge nutzt, um KI nicht nur anzuwenden, sondern sie zu verstehen und zu verbessern. Diese Agenda ist zusammen mit einer wachsenden Gemeinschaft von Forschern, die für die Arbeit in verschiedenen Disziplinen ausgebildet sind, der Antrieb für die nächste Part des Instituts.

„In der ersten Part von IAIFI wurde das Modell etabliert: interdisziplinäre Forschung, Nachwuchstalente und eine dynamische Gemeinschaft, die auf der Idee basiert, dass KI und Physik sich gegenseitig stärken“, sagt Thaler. „Jetzt haben wir die Grundlage – und den Unternehmergeist unserer Centaur-Wissenschaftler –, um dieses Modell in Neuland zu treiben und unsere Ambitionen zu steigern.“

Um die Effizienz von Rechenzentren zu verbessern, werden häufig mehrere Speichergeräte über ein Netzwerk zusammengefasst, sodass viele Anwendungen sie gemeinsam nutzen können. Aber selbst beim Pooling bleibt die Gerätekapazität aufgrund der Leistungsunterschiede zwischen den Geräten weiterhin in erheblichem Maße ungenutzt.

MIT-Forscher haben nun ein System entwickelt, das die Leistung von Speichergeräten steigert, indem es drei Hauptquellen der Variabilität gleichzeitig behandelt. Ihr Ansatz führt zu erheblichen Geschwindigkeitsverbesserungen im Vergleich zu herkömmlichen Methoden, die jeweils nur eine Variabilitätsquelle angehen.

Das System verwendet eine zweistufige Architektur mit einem zentralen Controller, der umfassende Entscheidungen darüber trifft, welche Aufgaben jedes Speichergerät ausführt, und lokalen Controllern für jede Maschine, die Daten schnell umleiten, wenn das Gerät Probleme hat.

Die Methode, die sich in Echtzeit an wechselnde Arbeitslasten anpassen lässt, erfordert keine spezielle {Hardware}. Als die Forscher dieses System bei realistischen Aufgaben wie KI-Modelltraining und Bildkomprimierung testeten, verdoppelte es die Leistung herkömmlicher Ansätze nahezu. Durch die intelligente Verteilung der Arbeitslasten mehrerer Speichergeräte kann das System die Gesamteffizienz des Rechenzentrums steigern.

„Es besteht die Tendenz, mehr Ressourcen für die Lösung eines Issues einzusetzen, aber das ist in vielerlei Hinsicht nicht nachhaltig. Wir wollen in der Lage sein, die Langlebigkeit dieser sehr teuren und kohlenstoffintensiven Ressourcen zu maximieren“, sagt Gohar Chaudhry, ein Doktorand der Elektrotechnik und Informatik (EECS) und Hauptautor von a Papier über diese Technik. „Mit unserer adaptiven Softwarelösung können Sie immer noch viel Leistung aus Ihren vorhandenen Geräten herausholen, bevor Sie sie wegwerfen und neue kaufen müssen.“

Chaudhry wird bei dem Artikel von Ankit Bhardwaj unterstützt, einem Assistenzprofessor an der Tufts College; Zhenyuan Ruan PhD ’24; und der leitende Autor Adam Belay, außerordentlicher Professor der EECS und Mitglied des MIT-Labors für Informatik und künstliche Intelligenz. Die Forschung wird auf dem USENIX Symposium on Networked Methods Design and Implementation vorgestellt.

Nutzung ungenutzter Leistung

Stable-State-Laufwerke (SSDs) sind leistungsstarke digitale Speichergeräte, die es Anwendungen ermöglichen, Daten zu lesen und zu schreiben. Beispielsweise kann eine SSD große Datensätze speichern und Daten schnell an einen Prozessor senden, um ein Modell für maschinelles Lernen zu trainieren.

Das Zusammenfassen mehrerer SSDs, damit viele Anwendungen sie gemeinsam nutzen können, verbessert die Effizienz, da nicht jede Anwendung zu einem bestimmten Zeitpunkt die gesamte Kapazität einer SSD nutzen muss. Allerdings erbringen nicht alle SSDs die gleiche Leistung und das langsamste Gerät kann die Gesamtleistung des Swimming pools einschränken.

Diese Ineffizienzen entstehen durch die Variabilität der SSD-{Hardware} und der von ihnen ausgeführten Aufgaben.

Um diese ungenutzte SSD-Leistung zu nutzen, haben die Forscher Sandook entwickelt, ein softwarebasiertes System, das drei Hauptformen leistungsbeeinträchtigender Variabilität gleichzeitig bekämpft. „Sandook“ ist ein Urdu-Wort, das „Field“ bedeutet und „Aufbewahrung“ bedeutet.

Eine Artwork von Variabilität wird durch Unterschiede im Alter, Grad der Abnutzung und Kapazität von SSDs verursacht, die möglicherweise zu unterschiedlichen Zeiten von mehreren Anbietern gekauft wurden.

Die zweite Artwork von Variabilität ist auf die Nichtübereinstimmung zwischen Lese- und Schreibvorgängen zurückzuführen, die auf derselben SSD stattfinden. Um neue Daten auf das Gerät zu schreiben, muss die SSD einige vorhandene Daten löschen. Dieser Vorgang kann das gleichzeitige Lesen oder Abrufen von Daten verlangsamen.

Die dritte Quelle der Variabilität ist die Rubbish Assortment, ein Prozess zum Sammeln und Entfernen veralteter Daten, um Speicherplatz freizugeben. Dieser Prozess, der den SSD-Betrieb verlangsamt, wird in zufälligen Intervallen ausgelöst, die ein Rechenzentrumsbetreiber nicht kontrollieren kann.

„Ich kann nicht davon ausgehen, dass sich alle SSDs während meines gesamten Bereitstellungszyklus gleich verhalten. Selbst wenn ich ihnen allen die gleiche Arbeitslast gebe, werden einige von ihnen Nachzügler sein, was den Nettodurchsatz, den ich erreichen kann, beeinträchtigt“, erklärt Chaudhry.

International planen, lokal reagieren

Um alle drei Variabilitätsquellen zu bewältigen, verwendet Sandook eine zweistufige Struktur. Ein globaler Zeitplan optimiert die Aufgabenverteilung für den gesamten Pool, während schnellere Planer auf jeder SSD auf dringende Ereignisse reagieren und Vorgänge von überlasteten Geräten weg verlagern.

Das System überwindet Verzögerungen durch Lese-/Schreibstörungen, indem es rotiert, welche SSDs eine Anwendung zum Lesen und Schreiben verwenden kann. Dies verringert die Wahrscheinlichkeit, dass Lese- und Schreibvorgänge gleichzeitig auf demselben Pc erfolgen.

Sandook stellt außerdem die typische Leistung jeder SSD vor. Anhand dieser Informationen erkennt es, wann die Rubbish Assortment den Betrieb wahrscheinlich verlangsamt. Sobald es erkannt wird, reduziert Sandook die Arbeitslast auf dieser SSD, indem es einige Aufgaben umleitet, bis die Speicherbereinigung abgeschlossen ist.

„Wenn diese SSD die Speicherbereinigung durchführt und die gleiche Arbeitslast nicht mehr bewältigen kann, möchte ich ihr eine geringere Arbeitslast geben und die Dinge langsam wieder hochfahren. Wir wollen den optimalen Punkt finden, an dem sie noch etwas Arbeit leistet, und diese Leistung nutzen“, sagt Chaudhry.

Die SSD-Profile ermöglichen es dem globalen Controller von Sandook außerdem, Arbeitslasten gewichtet zuzuweisen, wobei die Eigenschaften und die Kapazität jedes Geräts berücksichtigt werden.

Da der globale Controller das Gesamtbild sieht und die lokalen Controller spontan reagieren, kann Sandook gleichzeitig Formen der Variabilität verwalten, die über verschiedene Zeitskalen auftreten. Beispielsweise kommt es plötzlich zu Verzögerungen bei der Speicherbereinigung, während sich die durch Abnutzung verursachte Latenz über viele Monate hinweg aufbaut.

Die Forscher testeten Sandook auf einem Pool von 10 SSDs und bewerteten das System anhand von vier Aufgaben: Ausführen einer Datenbank, Trainieren eines Modells für maschinelles Lernen, Komprimieren von Bildern und Speichern von Benutzerdaten. Sandook steigerte den Durchsatz jeder Anwendung im Vergleich zu statischen Methoden um 12 bis 94 Prozent und verbesserte die Gesamtauslastung der SSD-Kapazität um 23 Prozent.

Das System ermöglichte es SSDs, 95 Prozent ihrer theoretischen Maximalleistung zu erreichen, ohne dass spezielle {Hardware} oder anwendungsspezifische Updates erforderlich waren.

„Unsere dynamische Lösung kann mehr Leistung für alle SSDs freischalten und sie wirklich an ihre Grenzen bringen. Bei dieser Größenordnung zählt wirklich jedes bisschen Kapazität, das man einsparen kann“, sagt Chaudhry.

In Zukunft wollen die Forscher neue Protokolle integrieren, die auf den neuesten SSDs verfügbar sind und den Betreibern mehr Kontrolle über die Datenplatzierung geben. Sie möchten außerdem die Vorhersagbarkeit von KI-Workloads nutzen, um die Effizienz von SSD-Vorgängen zu steigern.

„Flash-Speicher ist eine leistungsstarke Technologie, die modernen Rechenzentrumsanwendungen zugrunde liegt, aber die gemeinsame Nutzung dieser Ressource über Workloads mit sehr unterschiedlichen Leistungsanforderungen bleibt eine herausragende Herausforderung. Diese Arbeit bringt den Weg mit einer eleganten und praktischen, einsatzbereiten Lösung deutlich voran und bringt Flash-Speicher seinem vollen Potenzial in Produktions-Clouds näher“, sagt Josh Fried, Softwareentwickler bei Google und künftiger Assistenzprofessor an der College of Pennsylvania, der an dieser Arbeit nicht beteiligt conflict.

Diese Forschung wurde teilweise von der Nationwide Science Basis, der US Protection Superior Analysis Initiatives Company und der Semiconductor Analysis Company finanziert.

MIT.nano hat bekannt gegeben, dass im Jahr 2025 16 Startups aktive Teilnehmer an seinem START.nano-Programm geworden sind, was die Zahl der neuen Unternehmen im Vergleich zum Vorjahr mehr als verdoppelt hat. Mit dem Ziel, den Übergang von Exhausting-Tech-Innovationen auf den Markt zu beschleunigen, unterstützt START.nano neue Unternehmungen durch die vergünstigte Nutzung gemeinsamer Einrichtungen von MIT.nano und einen geführten Zugang zum MIT-Innovationsökosystem. Die neu engagierten Startups entwickeln Lösungen für einige der weltweit größten Herausforderungen in den Bereichen Gesundheit, Klima, Energie, Halbleiter, neuartige Materialien und Quantencomputing.

„Die einzigartigen Ressourcen von MIT.nano ermöglichen nicht nur die Grundlagenforschung der Wissenschaft, sondern auch die Umsetzung dieser Forschung in kommerzielle Innovationen durch Begin-ups“, sagt START.nano-Programmmanagerin Joyce Wu SM ’00, PhD ’07. „Der START.nano Accelerator unterstützt junge Unternehmen vom MIT und darüber hinaus mit den Instruments und dem Netzwerk, die sie für den Erfolg benötigen.“

START.nano wurde 2021 ins Leben gerufen und zielt darauf ab, die Überlebensrate von Exhausting-Tech-Startups zu erhöhen, indem es ihnen den Weg vom Labor in die reale Welt erleichtert. Programmteilnehmer erhalten nicht nur Zugang zu den Labors von MIT.nano, sondern sind auch eingeladen, bei Startup-Ausstellungen auf MIT-Konferenzen und bei exklusiven Veranstaltungen, einschließlich der neu gestarteten, Vorträge zu halten PITCH.nano-Wettbewerb.

„Für ein junges Startup, das an der Grenze der Supraleiterentdeckung arbeitet, struggle die Kombination aus Infrastruktur und Group unersetzlich“, sagt Jason Gibson, CEO und Mitbegründer von Quantum Formatics. „START.nano ist nicht nur eine Ressource“, fügt Cynthia Liao MBA ’24, CEO und Mitbegründerin von Vertical Semiconductor, hinzu. „Es ist ein strategischer Vorteil, der unsere Roadmap beschleunigt und es uns ermöglicht, schnell zu iterieren, um den Kundenbedürfnissen gerecht zu werden und unseren Wettbewerbsvorteil zu stärken.“

Obwohl eine MIT-Zugehörigkeit nicht erforderlich ist, werden fünf der 16 Unternehmen in der neuen Kohorte von MIT-Alumni geführt, und weitere drei verfügen über eine MIT-Zugehörigkeit. Insgesamt werden 49 Prozent der Startups in START.nano von MIT-Absolventen gegründet.

Hier sind die beabsichtigten Auswirkungen der 16 neuen START.nano-Unternehmen:

Eichelgenetik entwickelt ein „Smartphone der Sequenzierung“ und bringt die Leistungsfähigkeit der genetischen Analyse aus langsamen, zentralisierten Laboren in die Hände der Verbraucher, um eine schnelle, tragbare und erschwingliche Sequenzierung zu ermöglichen.

Addis Energie nutzt Öl-, Gasoline- und geothermische Bohrtechnologien, um das chemische Potenzial eisenreicher Gesteine ​​zu erschließen. Durch die Injektion technischer Flüssigkeiten nutzen sie die natürliche Energie der Erde, um Ammoniak zu produzieren, das sowohl reichlich vorhanden als auch kostengünstig ist.

Gesundheit verbessern nutzt virtuelle Realität und KI, um klinische Datenintelligenzdienste für die Spezialversorgung bereitzustellen, die unvollständige Dokumentation in Umsatz, Compliance und bessere Behandlungsentscheidungen umwandeln.

Brightlight-Photonik baut eine leistungsstarke Laserinfrastruktur im Chip-Maßstab auf und integriert Titan:Saphir-Verstärkung, um breitbandige, leistungsstarke und rauscharme optische Quellen für fortschrittliche photonische Systeme bereitzustellen.

Cahira Applied sciences schafft das neue Paradigma der Gehirn-Pc-Symbiose zur Behandlung hartnäckiger Krankheiten und zur menschlichen Augmentation durch autonome, nicht-chirurgische Nervenimplantate.

Kopernische Katalysatoren nutzt Computermodelle, um Transformationskatalysatoren für die kostengünstige und nachhaltige Produktion von Massenchemikalien und E-Kraftstoffen zu entwickeln und zu vermarkten.

Daqus Energie erschließt hochenergetische Lithium-Ionen-Batterien mit kritischen metallfreien organischen Kathoden.

Elektrifizierte thermische Lösungen erfindet den Schamottstein neu, um Industriewärme zu elektrifizieren.

Wache macht analytische Instrumente, chemische Detektoren und Strahlungsdetektoren mit auf Nanomaterialien basierenden Ionendetektoren empfindlicher, tragbarer und einfacher skalierbar.

Mantel-Seize entwickelt Kohlenstoffabscheidungsmaterialien, die bei den hohen Temperaturen in Kesseln, Öfen und Öfen funktionieren und so eine hocheffiziente Kohlenstoffabscheidung ermöglichen, die bisher nicht möglich struggle.

nOhm-Geräte entwickelt hocheffiziente kryogene Elektronik für Quantencomputer und Sensoren.

Quantenformatik beschleunigt die Entdeckung der nächsten Supraleiter der Welt mithilfe proprietärer KI.

Qunett baut den grundlegenden {Hardware}-Stack für einsetzbare Quantennetzwerke auf, um die nächste Ära der globalen Konnektivität voranzutreiben.

Rheyo entwickelt neue Wege, um die Zahnpflege durch fortschrittliche Materialien und Technologie effektiver, effizienter und einfacher zu gestalten.

Vertikaler Halbleiter vermarktet vertikales Hochspannungs-GaN (Galliumnitrid) mit hoher Dichte und hohem Wirkungsgrad. um die nächste Ära der Datenverarbeitung voranzutreiben.

VioNano-Innovationen entwickelt spezielle Materiallösungen, die die Variabilität reduzieren und die Präzision in der Halbleiterfertigung verbessern, sodass Chiphersteller noch kleinere, schnellere und kostengünstigere Chips bauen können.

START.nano umfasst mittlerweile über 32 Unternehmen und 11 Absolventen – Unternehmen, die über das Prototyping-Stadium hinausgegangen sind und einige in die Kommerzialisierung fortgeschritten sind. Die vollständige Liste finden Sie hier.

In der aktuellen KI-Landschaft haben wir uns an den „ephemeren Agenten“ gewöhnt – einen brillanten, aber vergesslichen Assistenten, der seine kognitive Uhr bei jeder neuen Chat-Sitzung neu startet. Während LLMs zu Grasp-Codierern geworden sind, fehlt ihnen das anhaltender Zustand erforderlich, um als echte Teamkollegen zu funktionieren.

Nous-Forschung Mannschaft freigegeben Hermes-Agentein autonomes Open-Supply-System, das die beiden größten Engpässe in Agenten-Workflows lösen soll: Speicherverfall und Umgebungsisolation.

Gebaut auf der hohen Lenkbarkeit Hermes-3 Als Modellfamilie gilt Hermes Agent als der Assistent, der „mitwächst“.

Die Gedächtnishierarchie: Lernen über Fähigkeitsdokumente

Damit ein Agent „wächst“, benötigt er mehr als nur ein großes Kontextfenster. Hermes Agent nutzt a mehrstufiges Speichersystem das prozedurales Lernen nachahmt. Während es kurzfristige Aufgaben durch Standardinferenz erledigt, wird sein langfristiger Nutzen durch Folgendes bestimmt: Qualifikationsdokumente.

Wenn Hermes Agent eine komplexe Aufgabe abschließt – etwa das Debuggen eines bestimmten Microservices oder die Optimierung einer Datenpipeline – kann er diese Erfahrung in einem permanenten Datensatz zusammenfassen. Diese Datensätze werden im Anschluss als durchsuchbare Markdown-Dateien gespeichert Agentskills.io offener Customary.

• Prozedurales Gedächtnis: Wenn Sie den Agenten das nächste Mal bitten, eine ähnliche Aufgabe auszuführen, beginnt er nicht bei Null. Es fragt seine eigene Bibliothek von Fertigkeitsdokumenten ab, um sich an die erfolgreichen Schritte zu „erinnern“, die es zuvor unternommen hat.
• Kontextuelle Persistenz: Im Gegensatz zum Customary-RAG (Retrieval-Augmented Technology), das oft unzusammenhängende Snippets abruft, ermöglicht dieses System dem Agenten, über Wochen oder Monate hinweg ein zusammenhängendes Verständnis Ihrer spezifischen Codebasis und Präferenzen aufrechtzuerhalten.

Persistenter Maschinenzugriff: Jenseits der Sandbox

Ein großer Reibungspunkt für KI-Entwickler ist die „Ausführungslücke“. Die meisten Agenten schreiben Code, können aber ohne umfangreiche manuelle Eingriffe nicht mit der realen Welt interagieren. Hermes Agent schließt diese Lücke mit der Bereitstellung Dauerhafter, dedizierter Maschinenzugriff.

Der Agent ist so konzipiert, dass er in einer funktionalen Umgebung lebt und fünf verschiedene Backends unterstützt:

1. Lokal: Direkte Interaktion mit der Host-Maschine.
2. Docker: Isolierte, reproduzierbare Container für eine sichere Codeausführung.
3. SSH: Die Möglichkeit, sich bei Distant-Servern oder Cloud-Instanzen anzumelden.
4. Singularität: Unterstützung für Excessive-Efficiency-Computing-Container (HPC).
5. Modal: Serverlose Ausführung zur Skalierung hoher Arbeitslasten.

Diese Beständigkeit ist für KI-Entwickler von entscheidender Bedeutung. Sie können eine lang laufende EDA (Exploratory Knowledge Evaluation) auf einem Distant-Server über SSH initialisieren, sich abmelden und später zurückkehren. Der Agent verwaltet den Terminalstatus, verwaltet Hintergrundprozesse und verfolgt unabhängig Dateisystemänderungen. Es simuliert nicht nur ein Gespräch; Es verwaltet einen Arbeitsbereich.

Das Gateway: Ein Agent in Ihrer Tasche

Während die meisten technischen Agenten auf eine CLI oder ein proprietäres Net-Dashboard beschränkt sind, hat Nous Analysis der Zugänglichkeit über das Priorität gegeben Hermes-Gateway.

Das System lässt sich direkt in bestehende Kommunikations-Stacks integrieren, einschließlich Telegram, Discord, Slack und WhatsApp. Dies ermöglicht eine kontinuierliche Feedbackschleife: Ein Ingenieur kann eine Aufgabe an seinem Arbeitsplatz starten und erhält per Telegram eine Benachrichtigung über die abgeschlossene Aufgabe. Über das Gateway können Sie Folgeanweisungen oder sogar Sprachnotizen senden, die der Agent in seiner persistenten Umgebung verarbeitet und ausführt.

Unter der Haube: Der ReAct-Loop und die Lenkbarkeit

Für die darauf aufbauenden KI-Entwickler ist die Architektur eine verfeinerte Implementierung des ReAct-Schleife (Reasoning and Performing).. Der Agent folgt einem strukturierten Zyklus:

• Beobachtung: Lesen von Terminalausgaben oder Dateiinhalten.
• Argumentation: Analysieren des aktuellen Zustands im Hinblick auf das Ziel.
• Aktion: Einen Befehl ausführen oder ein Software aufrufen.

Dies wird unterstützt von Hermes-3 (basierend auf Llama 3.1)das mithilfe eines speziellen Reinforcement-Studying-Frameworks namens trainiert wurde Atropos. Diese Schulung zielt speziell auf die Genauigkeit des Software-Aufrufs und die langfristige Planung ab, um sicherzustellen, dass der Agent bei mehrstufigen Bereitstellungen nicht „verloren“ geht.

Wichtige Erkenntnisse

• Permanenter Maschinenzugriff: Im Gegensatz zu zustandslosen Chatbots arbeitet es in realen Terminalumgebungen (Docker, SSH, Lokal usw.), wodurch langfristige Aufgaben ausgeführt und der Dateistatus über Sitzungen hinweg beibehalten werden können.
• Sich selbst entwickelnde „Fähigkeitsdokumente“: Es nutzt ein mehrstufiges Speichersystem, um erfolgreiche Arbeitsabläufe als durchsuchbare Markdown-Dateien aufzuzeichnen (by way of Agentskills.io), was bedeutet, dass es im wahrsten Sinne des Wortes intelligenter wird, je mehr Sie es verwenden.
• Präzises „Hermes-3“-Denken: Angetrieben von der Lama 3.1-basierter Hermes-3 Modell, mit dem es fein abgestimmt ist Atropos RL für hohe Steuerbarkeit und zuverlässige Werkzeugaufrufe innerhalb komplexer Argumentationsschleifen.
• Allgegenwärtiges Tor: Sie können mit Ihrem Agenten über interagieren Telegram, Discord oder SlackSo können Sie umfangreiche technische Aufgaben verwalten oder Statusaktualisierungen von Ihrem Telefon erhalten.

---

Schauen Sie sich das an Technische Particulars Und GitHub-Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 120.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

NVIDIA hat gerade veröffentlicht Dynamo v0.9.0. Dies ist das bislang bedeutendste Infrastruktur-Improve für das verteilte Inferenz-Framework. Dieses Replace vereinfacht die Bereitstellung und Verwaltung großer Modelle. Der Schwerpunkt der Veröffentlichung liegt auf der Beseitigung starker Abhängigkeiten und der Verbesserung der Artwork und Weise, wie GPUs mit multimodalen Daten umgehen.

Die große Vereinfachung: NATS und etcd entfernen

Die größte Änderung in v0.9.0 ist die Entfernung von NATS Und ETCD. In früheren Versionen übernahmen diese Instruments die Diensterkennung und das Messaging. Allerdings führten sie eine „Betriebssteuer“ ein, indem sie von den Entwicklern verlangten, zusätzliche Cluster zu verwalten.

NVIDIA hat diese durch ein neues ersetzt Occasion-Flugzeug und a Entdeckungsflugzeug. Das System verwendet jetzt ZMQ (ZeroMQ) für Hochleistungstransporte und MessagePack zur Datenserialisierung. Für Groups, die Kubernetes verwenden, unterstützt Dynamo jetzt Kubernetes-native Serviceerkennung. Durch diese Änderung wird die Infrastruktur schlanker und in Produktionsumgebungen einfacher zu warten.

Multimodale Unterstützung und der E/P/D-Cut up

Dynamo v0.9.0 erweitert die multimodale Unterstützung auf drei Haupt-Backends: vLLM, SGLangUnd TensorRT-LLM. Dadurch können Modelle Texte, Bilder und Movies effizienter verarbeiten.

Eine Schlüsselfunktion in diesem Replace ist die E/P/D-Aufteilung (Kodieren/Vorfüllen/Dekodieren).. In Commonplace-Setups übernimmt häufig eine einzelne GPU alle drei Phasen. Dies kann bei intensiver Video- oder Bildverarbeitung zu Engpässen führen. v0.9.0 führt ein Encoder-Disaggregation. Sie können jetzt das ausführen Encoder auf einem separaten Satz von GPUs Vorfüllen Und Dekodieren Arbeiter. Dadurch können Sie Ihre {Hardware} entsprechend den spezifischen Anforderungen Ihres Modells skalieren.

Vorschau: FlashIndexer

Diese Model enthält eine Vorschau auf FlashIndexer. Diese Komponente wurde entwickelt, um Latenzprobleme in verteilten Umgebungen zu lösen KV-Cache Administration.

Bei der Arbeit mit großen Kontextfenstern ist das Verschieben von Schlüsselwertdaten (KV) zwischen GPUs ein langsamer Prozess. FlashIndexer verbessert die Artwork und Weise, wie das System diese zwischengespeicherten Token indiziert und abruft. Dadurch ergibt sich eine geringere Zeit bis zum ersten Token (TTFT). Obwohl es sich noch um eine Vorschau handelt, stellt es einen großen Schritt dar, damit sich verteilte Inferenz genauso schnell anfühlt wie lokale Inferenz.

Intelligentes Routing und Lastschätzung

Die Verwaltung des Datenverkehrs über Hunderte von GPUs hinweg ist schwierig. Dynamo v0.9.0 führt eine intelligentere Model ein Planer das nutzt Vorausschauende Lastschätzung.

Das System verwendet a Kalman-Filter um die zukünftige Auslastung einer Anfrage basierend auf der bisherigen Leistung vorherzusagen. Es unterstützt auch Routing-Hinweise aus dem Kubernetes Gateway API Inference Extension (GAIE). Dadurch kann die Netzwerkschicht direkt mit der Inferenz-Engine kommunizieren. Wenn eine bestimmte GPU-Gruppe überlastet ist, kann das System neue Anforderungen mit höherer Präzision an inaktive Mitarbeiter weiterleiten.

Der technische Stack auf einen Blick

Die Model v0.9.0 aktualisiert mehrere Kernkomponenten auf ihre neuesten stabilen Versionen. Hier ist die Aufschlüsselung der unterstützten Backends und Bibliotheken:

Komponente	Model
vLLM	v0.14.1
SGLang	v0.5.8
TensorRT-LLM	v1.3.0rc1
NIXL	v0.9.0
Rostkern	Kiste mit Dynamo-Tokens

Die Einbeziehung der Dynamo-Tokens Kiste, geschrieben Roststellt sicher, dass die Token-Verarbeitung mit hoher Geschwindigkeit erfolgt. Für die Datenübertragung zwischen GPUs nutzt Dynamo weiterhin die Vorteile NIXL (NVIDIA Inference Switch Library) für RDMA-basiert Kommunikation.

Wichtige Erkenntnisse

1. Entkopplung der Infrastruktur (Auf Wiedersehen NATS und ETCD): Das Launch schließt die Modernisierung der Kommunikationsarchitektur ab. Durch Ersetzen von NATS und ETCD durch ein neues Occasion-Flugzeug (mit ZMQ Und MessagePack) Und Kubernetes-native Serviceerkennungentfernt das System die „Betriebssteuer“ für die Verwaltung externer Cluster.
2. Vollständige multimodale Disaggregation (E/P/D-Cut up): Dynamo unterstützt jetzt eine vollständige Kodieren/Vorfüllen/Dekodieren (E/P/D) Aufteilung auf alle drei Backends (vLLM, SGLang und TRT-LLM). Dadurch können Sie Imaginative and prescient- oder Video-Encoder auf separaten GPUs ausführen und so verhindern, dass rechenintensive Codierungsaufgaben den Textgenerierungsprozess behindern.
3. FlashIndexer-Vorschau für geringere Latenz :Die ‚Sneak Preview‘ von FlashIndexer führt eine spezielle Komponente zur Optimierung ein Verteilter KV-Cache Administration. Es wurde entwickelt, um die Indizierung und den Abruf des Gesprächsspeichers erheblich zu beschleunigen und so die Zeit bis zum ersten Token (TTFT) weiter zu verkürzen.
4. Intelligentere Planung mit Kalman-Filtern: Das System verwendet jetzt Vorausschauende Lastschätzung angetrieben von Kalman-Filter. Dadurch kann der Planner die GPU-Auslastung genauer vorhersagen und Verkehrsspitzen proaktiv bewältigen, unterstützt von Routing-Hinweise aus der Kubernetes Gateway API Inference Extension (GAIE).

---

Schauen Sie sich das an GitHub-Launch hier. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Beim Erstellen einer KI ähnlich wie bei Sweet AI liegt der Schwerpunkt auf der Entwicklung eines intelligenten Chatbots, der natürliche, fürsorgliche und bedeutungsvolle Gespräche führen kann. Aus entwicklungstechnischer Sicht geht es um die Kombination einer einfachen Chat-Schnittstelle, eines sicheren Backend-Techniques und einer intelligenten KI-Engine.

Im Frontend geben Benutzer Nachrichten ein und erhalten Antworten. Entwickler verwenden Instruments wie React oder Flutter, um saubere und reaktionsfähige Chat-Bildschirme für Net- und cell Apps zu entwerfen. Das Backend verwaltet die Benutzeranmeldung, speichert den Gesprächsverlauf und stellt eine Verbindung zu KI-Modellen her, die Antworten generieren.

Ein Sweet-Ai-Klon wird normalerweise mit Speicherfunktionen erstellt. Dadurch kann sich die KI an Benutzerpräferenzen und vergangene Gespräche erinnern, sodass sich Interaktionen persönlicher anfühlen. Entwickler integrieren auch eine Stimmungsanalyse, damit das System erkennen kann, ob sich ein Benutzer glücklich, gestresst oder einsam fühlt, und entsprechend reagieren kann.

Auch Sicherheit ist wichtig. Verschlüsselte Datenbanken und sichere Authentifizierungssysteme schützen personal Gespräche.

Unternehmen wie Suffescom Options untersuchen häufig die Struktur von Konversations-KI-Plattformen und konzentrieren sich dabei auf Systemstabilität, Personalisierungslogik und skalierbare Cloud-Bereitstellung.

Vereinfacht ausgedrückt bedeutet der Aufbau dieser Artwork von KI, einen Chatbot zu entwerfen, der menschenähnlich versteht, sich erinnert und reagiert und dabei sicher und zuverlässig bleibt.

Ganz gleich, ob Sie als Wissenschaftler Forschungsideen sammeln oder als CEO eine Aufgabe im Private- oder Finanzwesen automatisieren möchten: Sie werden feststellen, dass Werkzeuge der künstlichen Intelligenz zu Assistenten werden, von denen Sie nicht wussten, dass Sie sie brauchen. Insbesondere viele Fachleute sind es die Talente erschließen von halbautonomen Softwaresystemen, sogenannten KI-Agenten, die an bestimmten Stellen auf KI zurückgreifen können, um Probleme zu lösen und Aufgaben zu erledigen.

KI-Agenten sind besonders effektiv, wenn sie große Sprachmodelle (LLMs) verwenden, da diese Systeme leistungsstark, effizient und anpassungsfähig sind. Eine Möglichkeit, eine solche Technologie zu programmieren, besteht darin, im Code zu beschreiben, was Ihr System tun soll (den „Workflow“), einschließlich der Verwendung eines LLM. Wenn Sie als Softwareunternehmen versuchen würden, Ihre alte Codebasis zu überarbeiten, um für bessere Optimierungen und Sicherheit eine modernere Programmiersprache zu verwenden, könnten Sie ein System erstellen, das ein LLM verwendet, um die Codebasis Datei für Datei zu übersetzen und dabei jede Datei zu testen.

Aber was passiert, wenn LLMs Fehler machen? Sie möchten, dass der Agent einen Rückzieher macht und einen weiteren Versuch unternimmt und dabei die Lehren aus früheren Fehlern einbezieht. Die Codierung kann genauso viel Aufwand erfordern wie die Implementierung des ursprünglichen Agenten. Wenn Ihr System zum Übersetzen einer Codebasis Tausende von Zeilen Code enthalten würde, würden Sie Tausende Zeilen Codeänderungen oder -ergänzungen vornehmen, um die Logik für das Backtracking zu unterstützen, wenn LLMs Fehler machen.

Um Programmierern Zeit und Mühe zu sparen, haben Forscher des Pc Science and Synthetic Intelligence Laboratory (CSAIL) des MIT und von Asari AI dies getan entwickelte ein Framework namens „EnCompass“.

Mit EnCompass müssen Sie diese Änderungen nicht mehr selbst vornehmen. Stattdessen führt EnCompass beim Ausführen Ihres Programms automatisch einen Backtrack aus, wenn LLMs Fehler machen. EnCompass kann auch Klone der Programmlaufzeit erstellen, um auf der Suche nach der besten Lösung mehrere Versuche parallel durchzuführen. Generell durchsucht EnCompass die verschiedenen möglichen Pfade, die Ihr Agent aufgrund der unterschiedlichen möglichen Ausgaben aller LLM-Aufrufe einschlagen könnte, und sucht nach dem Pfad, auf dem der LLM die beste Lösung findet.

Anschließend müssen Sie nur noch die Orte mit Anmerkungen versehen, an denen Sie die Programmlaufzeit möglicherweise zurückverfolgen oder klonen möchten, und alle Informationen aufzeichnen, die für die Strategie nützlich sein könnten, mit der die verschiedenen möglichen Ausführungspfade Ihres Agenten durchsucht werden (die Suchstrategie). Anschließend können Sie die Suchstrategie separat festlegen – Sie können entweder eine verwenden, die EnCompass standardmäßig bereitstellt, oder bei Bedarf Ihre eigene benutzerdefinierte Suchstrategie implementieren.

„Mit EnCompass haben wir die Suchstrategie vom zugrunde liegenden Arbeitsablauf eines KI-Agenten getrennt“, sagt Hauptautor Zhening Li ’25, MEng ’25, ein Doktorand in Elektrotechnik und Informatik (EECS) am MIT, CSAIL-Forscher und Forschungsberater bei Asari AI. „Mit unserem Framework können Programmierer problemlos mit verschiedenen Suchstrategien experimentieren, um diejenige zu finden, die dem KI-Agenten die beste Leistung bringt.“

EnCompass wurde für Agenten verwendet, die als Python-Programme implementiert wurden, die LLMs aufrufen, und zeigte dort spürbare Codeeinsparungen. EnCompass reduzierte den Codierungsaufwand für die Implementierung der Suche über Agenten hinweg um bis zu 80 Prozent, beispielsweise einen Agenten zum Übersetzen von Code-Repositorys und zum Ermitteln von Transformationsregeln digitaler Raster. In Zukunft könnte EnCompass es Agenten ermöglichen, umfangreiche Aufgaben zu bewältigen, darunter die Verwaltung riesiger Codebibliotheken, das Entwerfen und Durchführen wissenschaftlicher Experimente sowie die Erstellung von Bauplänen für Raketen und andere {Hardware}.

Verzweigung

Wenn Sie Ihren Agenten programmieren, markieren Sie bestimmte Vorgänge – z. B. Anrufe bei einem LLM –, bei denen die Ergebnisse variieren können. Diese Anmerkungen werden „Verzweigungspunkte“ genannt. Wenn Sie sich vorstellen, dass Ihr Agentenprogramm einen einzelnen Handlungsstrang einer Geschichte generiert, verwandelt das Hinzufügen von Verzweigungspunkten die Geschichte in ein Story-Spiel, bei dem Sie Ihr eigenes Abenteuer wählen können, wobei Verzweigungspunkte Orte sind, an denen sich die Handlung in mehrere zukünftige Handlungsstränge verzweigt.

Anschließend können Sie die Strategie festlegen, mit der EnCompass durch das Story-Spiel navigiert, um das bestmögliche Ende der Story zu finden. Dies kann das Starten paralleler Ausführungsthreads oder das Zurückverfolgen zu einem vorherigen Verzweigungspunkt umfassen, wenn Sie in einer Sackgasse stecken.

Benutzer können auch einige gängige Suchstrategien, die EnCompass standardmäßig bereitstellt, per Plug-and-Play nutzen oder ihre eigene benutzerdefinierte Strategie definieren. Sie könnten sich beispielsweise für die Monte-Carlo-Baumsuche entscheiden, die einen Suchbaum durch den Ausgleich von Erkundung und Ausbeutung aufbaut, oder für die Strahlsuche, die bei jedem Schritt die besten Ergebnisse behält. Mit EnCompass können Sie ganz einfach mit verschiedenen Ansätzen experimentieren, um die beste Strategie zu finden und die Wahrscheinlichkeit einer erfolgreichen Erledigung Ihrer Aufgabe zu maximieren.

Die Codierungseffizienz von EnCompass

Wie codeeffizient ist EnCompass additionally beim Hinzufügen von Suchfunktionen zu Agentenprogrammen? Den Erkenntnissen der Forscher zufolge hat das Framework den Aufwand, den Programmierer für die Suche in ihren Agentenprogrammen hinzufügen mussten, drastisch reduziert und ihnen dabei geholfen, mit verschiedenen Strategien zu experimentieren, um diejenige zu finden, die die beste Leistung erbringt.

Beispielsweise wandten die Forscher EnCompass auf einen Agenten an, der ein Code-Repository aus der Programmiersprache Java, die häufig zum Programmieren von Apps und Unternehmenssoftware verwendet wird, in Python übersetzt. Sie fanden heraus, dass die Implementierung der Suche mit EnCompass – hauptsächlich das Hinzufügen von Verzweigungspunktanmerkungen und Anmerkungen, die aufzeichnen, wie intestine jeder Schritt funktioniert hat – 348 Codezeilen weniger (etwa 82 Prozent) erforderte als die manuelle Implementierung. Sie demonstrierten auch, wie EnCompass es ihnen ermöglichte, problemlos verschiedene Suchstrategien auszuprobieren, wobei ein zweistufiger Beam-Suchalgorithmus die beste Strategie conflict und eine Genauigkeitssteigerung von 15 bis 40 Prozent über fünf verschiedene Repositorys hinweg bei einem Suchbudget erreicht wurde, das dem 16-fachen der vom Agenten ohne Suche getätigten LLM-Anrufe entspricht.

„Da LLMs immer integralerer Bestandteil alltäglicher Software program werden, wird es immer wichtiger zu verstehen, wie man effizient Software program entwickelt, die ihre Stärken nutzt und ihre Grenzen umgeht“, sagt Co-Autor Armando Photo voltaic-Lezama, MIT-Professor für EECS und CSAIL-Hauptforscher. „EnCompass ist ein wichtiger Schritt in diese Richtung.“

Die Forscher fügen hinzu, dass EnCompass auf Agenten abzielt, bei denen ein Programm die Schritte des übergeordneten Arbeitsablaufs festlegt; Die aktuelle Model ihres Frameworks ist weniger auf Agenten anwendbar, die vollständig von einem LLM gesteuert werden. „Bei diesen Agenten gibt es kein Programm, das die Schritte spezifiziert und dann ein LLM zur Ausführung dieser Schritte verwendet, sondern das LLM selbst entscheidet alles“, sagt Li. „Es gibt keinen zugrunde liegenden programmatischen Workflow, sodass Sie die Inferenzzeitsuche für alles ausführen können, was das LLM im Handumdrehen erfindet. In diesem Fall besteht weniger Bedarf an einem Device wie EnCompass, das die Ausführung eines Programms durch Suche und Backtracking verändert.“

Li und seine Kollegen planen, EnCompass auf allgemeinere Suchframeworks für KI-Agenten auszuweiten. Sie planen, ihr System auch an komplexeren Aufgaben zu testen, um es für den realen Einsatz, auch in Unternehmen, weiterzuentwickeln. Darüber hinaus bewerten sie, wie intestine EnCompass Agenten bei der Zusammenarbeit mit Menschen bei Aufgaben wie dem Brainstorming von {Hardware}-Designs oder der Übersetzung viel umfangreicherer Codebibliotheken unterstützt. Derzeit ist EnCompass ein leistungsstarker Baustein, der es Menschen ermöglicht, einfacher mit KI-Agenten herumzubasteln und so ihre Leistung zu verbessern.

„EnCompass kommt zum richtigen Zeitpunkt, da KI-gesteuerte Agenten und suchbasierte Techniken beginnen, die Arbeitsabläufe in der Softwareentwicklung neu zu gestalten“, sagt Professor Yiming Yang von der Carnegie Mellon College, der nicht an der Forschung beteiligt conflict. „Durch die saubere Trennung der Programmierlogik eines Agenten von seiner Inferenzzeit-Suchstrategie bietet das Framework eine prinzipielle Möglichkeit zu untersuchen, wie strukturierte Suche die Codegenerierung, -übersetzung und -analyse verbessern kann. Diese Abstraktion bietet eine solide Grundlage für systematischere und zuverlässigere suchgesteuerte Ansätze für die Softwareentwicklung.“

Li und Photo voltaic-Lezama haben das Papier zusammen mit zwei Asari-KI-Forschern geschrieben: Caltech-Professor Yisong Yue, einem Berater des Unternehmens; und der leitende Autor Stephan Zheng, der Gründer und CEO ist. Ihre Arbeit wurde von Asari AI unterstützt.

Die Arbeit des Groups wurde im Dezember auf der Convention on Neural Data Processing Programs (NeurIPS) vorgestellt.

Ein neues Computermodellierungstool, das von einem Forschungsteam der MIT Vitality Initiative (MITEI) entwickelt wurde, wird Infrastrukturplanern, die in der Elektrizitätswirtschaft und anderen energieintensiven Sektoren arbeiten, dabei helfen, zukünftige Bedürfnisse und Bedingungen besser vorherzusagen und sich darauf vorzubereiten, während sie Pläne für Stromerzeugungskapazitäten, Übertragungsleitungen und andere notwendige Infrastruktur entwickeln. Das Software könnte den Zeitaufwand für diese Planung verkürzen und dazu beitragen, dass das Stromnetz Kunden weiterhin effizienten, zuverlässigen und kostengünstigen Strom liefern kann, der den Emissions- und Regulierungsstandards entspricht. Das Software wurde im Rahmen eines philanthropisch unterstützten Forschungsprojekts von MITEI in Zusammenarbeit mit der Princeton College und der New York College entwickelt.

Macro, das neue Software, wurde speziell für Versorgungsplaner, Regulierungsbehörden und Forscher entwickelt, die verstehen möchten, wie sich Stromnetze und andere Energiesektoren angesichts neuer Technologien und Richtlinien oder unterschiedlicher Arten der Nutzung von Strom und energieintensiven Gütern entwickeln könnten, erklärt MITEI-Forscher Ruaridh Macdonald. Durch die Eingabe von Particulars über verfügbare Erzeugungseinheiten, prognostizierten Bedarf, Kosten, mögliche neue Technologien und potenzielle politische Einschränkungen können Planer verschiedene Optionen für die Gestaltung und den Betrieb zukünftiger Infrastruktur untersuchen, die die Preise minimieren und den Wert für alle maximieren. Im Gegensatz zu herkömmlichen Modellen berücksichtigt Macro insbesondere die gegenseitigen Abhängigkeiten zwischen Industriesektoren.

Mit der weiteren Entwicklung wird Macro es politischen Entscheidungsträgern ermöglichen, in Echtzeit die Auswirkungen potenzieller politischer Optionen auf Ergebnisse zu untersuchen, die von Kohlenstoffemissionen über Netzzuverlässigkeit bis hin zu Rohstoffpreisen und mehr reichen.

Die wachsende Herausforderung für Versorgungsplaner und frühere MIT-Modelle

Der Strombedarf steigt mittlerweile sprunghaft an, was unter anderem auf den zunehmenden Einsatz künstlicher Intelligenz und die Elektrifizierung von Fahrzeugen und Gebäuden zurückzuführen ist. Infolgedessen wird mehr Stromerzeugung und -übertragung erforderlich sein. Mittlerweile gehen Tausende von Wind- und Solarenergieprojekten ans Netz, aber man kann sich nicht darauf verlassen, dass diese Einheiten ständig Strom erzeugen, sodass ergänzende Stromquellen und Speichereinrichtungen benötigt werden. Darüber hinaus müssen Energieverbraucher wie Rechenzentren, Produktionszentren und Krankenhäuser strenge Zuverlässigkeitsanforderungen erfüllen. Die Aufgabe des Planers wird durch die Verpflichtung, den CO2-Ausstoß zu reduzieren oder sogar zu eliminieren, noch komplizierter.

Macro baut auf einer Geschichte von Kapazitätserweiterungsmodellen (CEMs) auf, darunter GenX und DOLPHYN, die von MITEI-Forschern entwickelt wurden, um Versorgungsunternehmen bei der Planung für die Zukunft zu unterstützen. GenX wurde 2017 entwickelt, um die Entscheidungsfindung im Zusammenhang mit Investitionen in Energiesysteme sowie den Netzbetrieb in Echtzeit zu unterstützen und die Auswirkungen möglicher politischer Initiativen auf diese Entscheidungen zu untersuchen. DOLPHYN, das 2021 veröffentlicht wurde, hat die gleiche Kernstruktur wie GenX, verfügt jedoch über zusätzliche Sektoren, darunter die Produktion von Wasserstoff, Biokraftstoffen und mehr.

Allerdings Macdonald; Jesse Jenkins, einer der Erfinder von GenX und jetzt Professor an der Princeton College; und Dharik Mallapragada, einer der Gründer von DOLPHYN und jetzt Professor an der New York College, erkannte, dass sie größere und höher auflösende Modelle erstellen mussten, als GenX oder DOLPHYN in der Lage sind, um genauere Antworten auf die Auswirkungen von Richtlinien und neuen Technologien zu erhalten.

Einführung in Makro

Macdonald, Jenkins und Mallapragada entwickelten zusammen mit den Princeton-Mitarbeitern Filippo Pecci und Luca Bonaldo eine neue Architektur, die die erforderlichen erweiterten Funktionen bietet. Beim Aufbau von Macro entwickelten sie und ihre Groups eine Reihe von vier Kernkomponenten, die kombiniert werden können, um das Energiesystem für jeden industriellen Prozess zu beschreiben. „Die Komponenten beschreiben jeweils grundlegende Vorgänge in einem Energiesystem: Übertragung, Speicherung, Transformation und Ein- oder Austritt aus dem Netzwerk“, erklärt Macdonald. „Da die Komponenten nicht branchenspezifisch sind, können wir sie zum Aufbau von Netzwerken aus Strom-, Rohstoff- und Datensystemen nutzen.“ Mit Macro können sich Nutzer gezielt auf bestimmte Bereiche der Wirtschaft konzentrieren, beispielsweise für den überregionalen Switch von Strom oder Rohstoffen. Diese Flexibilität hat andere Forschungsgruppen dazu veranlasst, Macro für ihre eigenen Projekte zu verwenden. „Tatsächlich beschäftigen sich bereits einige Leute mit der Zementproduktion und der Produktion bestimmter Chemikalien“, sagt Macdonald.

Darüber hinaus kann der Benutzer mit Makro ein Downside in kleinere Teile zerlegen. Die meiste für diese Artwork der Modellierung verwendete Software program ist für die Ausführung auf einem Laptop konzipiert. „Mit der neuen Architektur von Macro können wir ein großes Downside problemlos in viele kleine Probleme zerlegen, die wir auf separaten Computern ausführen können“, sagt Macdonald. Dadurch eignet sich Macro intestine für die Ausführung auf modernen Hochleistungs-Computing-Clustern. Es bietet auch einen zusätzlichen Vorteil bei der Planung von Energiesystemen. Bestimmte Aspekte der Growth – zum Beispiel die Übertragung – sind zu komplex, um mit herkömmlichen Optimierungsmethoden gelöst zu werden, daher gehen die meisten CEMs von bestimmten Näherungen aus. Aber mit Macro kann der Übertragungsteil vom Relaxation des Issues getrennt und mithilfe von KI-Techniken separat gelöst werden, wodurch eine genauere Lösung generiert wird, die dann in das Gesamtmodell eingespeist werden kann.

Darüber hinaus legten die Entwickler von Macro großen Wert auf eine einfache Bedienung. Sie entwickelten eine „Taxonomie“ potenzieller Benutzer und vereinfachten den Arbeitsablauf jeder Gruppe so weit wie möglich. Die meisten Benutzer möchten lediglich ihre Daten mithilfe von Excel und anderen Instruments, mit denen sie vertraut sind, eingeben, eine Problemanalyse durchführen und eine Antwort erhalten. Andere sind Modellierer, die eine neue Technologie oder Richtlinie hinzufügen möchten; Diese Leute müssen möglicherweise etwas zusätzlichen Computercode schreiben – aber nicht viel. Schließlich gibt es Entwickler, die dem Modell neue Funktionen oder große Elemente hinzufügen möchten und dafür viel Codierung durchführen müssen. „Wir haben die Dinge in Macro so strukturiert, dass das Leben für die ersten beiden Benutzergruppen viel einfacher ist, auf Kosten der Tatsache, dass es für die Entwickler etwas schwieriger wird“, sagt Macdonald. Das Group entwickelt derzeit eine grafische Benutzeroberfläche für das Modell, sodass die meisten Benutzer nie Code verwenden müssen. „Sie interagieren einfach damit, wie sie es mit der meisten Software program tun, die sie verwenden.“

Zukunftspläne: Verwendung von Makros zur Steuerung der Politikgestaltung – in Echtzeit

Christopher Knittel, George P. Shultz-Professor an der MIT Sloan College of Administration, plant, Macro zur Gestaltung der Energiepolitik zu nutzen. Seine Imaginative and prescient ist inspiriert von den Erfahrungen von Professor John Sterman vom MIT Sloan, der die Entwicklung des globalen Klimasimulators „En-ROADS“ leitete, sowie eines Systemdynamikmodells, das schnelle, aber annähernde Analysen durchführt und es Benutzern ermöglicht, verschiedene Ansätze zur Reduzierung von Kohlenstoffemissionen in Echtzeit auszuprobieren.

Wie beim globalen Klimasimulator kann es Tage dauern, mit Macro eine vollständige Analyse einer vorgeschlagenen Politik durchzuführen. Es gibt jedoch Techniken zum Erstellen eines „Emulators“, der in Sekundenschnelle ein ungefähres Ergebnis generieren kann. In seiner Rolle als Direktor der Mission „Enabling New Coverage Approaches“ des MIT Local weather Undertaking prüft Knittel die Möglichkeit, ein „Flaggschiffprojekt“ zu unterstützen, um einen Emulator zu entwickeln, der auf das vollständige Makromodell aufsetzt und in Echtzeit ausgeführt werden könnte. Knittel und sein Group würden sich dann mit ausgewählten politischen Entscheidungsträgern treffen und sie einladen, mithilfe von Macro zu sehen, wie sich verschiedene politische Schritte auf die globalen Temperaturen, Treibhausgaskonzentrationen, Energiepreise, den Anstieg des Meeresspiegels usw. auswirken würden.

Durch die Verwendung des Emulators „verlieren Sie eine gewisse Genauigkeit oder einige Funktionen des vollständigen Makromodells“, bemerkt Knittel. Daher stellt er sich vor, Kongressabgeordnete zunächst den Emulator ausführen zu lassen, um eine Richtlinie zu entwerfen. „Bevor der Gesetzgeber dann den Gesetzentwurf tatsächlich ausarbeitet, würde das akademische Group das vollständige Makromodell ausführen, um die Genauigkeit der Ergebnisse des Emulators zu bestätigen“, sagt Knittel. „Diese Übung könnte dazu beitragen, die politischen Entscheidungsträger davon zu überzeugen, welche politischen Hebel sie ansetzen sollten.“

Macro wurde als Open-Supply-Software program veröffentlicht und ist für Forschungs- und kommerzielle Zwecke frei verfügbar. Es wurde von Mitarbeitern in den USA, Südkorea, Indien und China getestet. Mehrere dieser Groups entwickeln Länder- und Regionalmodelle, die andere bei ihrer Arbeit nutzen können.

Angesichts der rasanten Weiterentwicklung der generativen künstlichen Intelligenz suchen Lehrer und Schulleiter nach Antworten auf komplizierte Fragen zur erfolgreichen Integration von Technologie in den Unterricht und möchten gleichzeitig sicherstellen, dass die Schüler tatsächlich lernen, was sie lehren möchten.

Justin Reich, außerordentlicher Professor am MIT Vergleichende Medienwissenschaft/Schreiben Programm, hofft auf einen neuen Leitfaden, der von der veröffentlicht wird MIT Educating Techniques Lab kann Ok-12-Pädagogen dabei unterstützen, festzulegen, welche KI-Richtlinien oder -Richtlinien erarbeitet werden sollen.

„Im Laufe meiner Karriere habe ich versucht, jemand zu sein, der Bildung und Technologie erforscht und Erkenntnisse für Menschen übersetzt, die in diesem Bereich arbeiten“, sagt Reich. „Wenn es knifflige Dinge gibt, versuche ich einzuspringen und hilfreich zu sein.“

„Ein Leitfaden zur KI in Schulen: Perspektiven für Ratlose„, das diesen Herbst veröffentlicht wurde, wurde mit Unterstützung eines Expertenbeirats und anderer Forscher entwickelt. Das Projekt umfasst Beiträge von mehr als 100 Schülern und Lehrern aus den gesamten Vereinigten Staaten, die ihre Erfahrungen beim Lehren und Lernen mit neuen generativen KI-Instruments teilen.

„Wir versuchen, für ein Ethos der Bescheidenheit einzutreten, wenn wir KI in Schulen untersuchen“, sagt Reich. „Wir teilen einige Beispiele von Pädagogen darüber, wie sie KI auf interessante Weise einsetzen, von denen sich einige als sturdy und andere als fehlerhaft erweisen könnten. Und wir werden noch lange nicht wissen, welches welches ist.“

Antworten auf Fragen zu KI und Bildung finden

Der Leitfaden soll Ok-12-Pädagogen, Schülern, Schulleitern, politischen Entscheidungsträgern und anderen dabei helfen, Informationen, Erfahrungen und Ressourcen zu sammeln und auszutauschen. Die Einführung von KI hat dazu geführt, dass Schulen sich mit zahlreichen Herausforderungen auseinandersetzen müssen, beispielsweise mit der Frage, wie sie akademische Integrität gewährleisten und den Datenschutz wahren können.

Reich weist darauf hin, dass der Leitfaden nicht als Vorschrift oder endgültig gedacht ist, sondern als etwas, das zum Nachdenken und zur Diskussion anregen soll.

„Einen Ratgeber über generative KI in Schulen im Jahr 2025 zu schreiben, ist ein bisschen so, als würde man einen Ratgeber über die Luftfahrt im Jahr 1905 schreiben“, bemerken die Autoren des Ratgebers. „Niemand im Jahr 2025 kann sagen, wie man KI in Schulen am besten managt.“

Schulen haben auch Schwierigkeiten, zu messen, wie sich der Lernverlust von Schülern im Zeitalter der KI auswirkt. „Wie sieht die Umgehung des produktiven Denkens durch KI in der Praxis aus?“ Reich fragt. „Wenn wir glauben, dass Lehrer Inhalte und Kontext bereitstellen, um das Lernen zu unterstützen, und Schüler die Übungen, die den Inhalt enthalten und den Kontext bereitstellen, nicht mehr durchführen, ist das ein ernstes Downside.“

Reich lädt Menschen, die direkt von der KI betroffen sind, ein, bei der Entwicklung von Lösungen für die Herausforderungen zu helfen, die ihre Allgegenwärtigkeit mit sich bringt. „Es ist, als würde man einem Gespräch im Lehrerzimmer zusehen und Schüler, Eltern und andere Menschen einladen, sich darüber zu beteiligen, wie Lehrer über KI denken“, sagt er, „was sie in ihren Klassenzimmern sehen, was sie versucht haben und wie es gelaufen ist.“

Nach Ansicht von Reich handelt es sich bei dem Leitfaden letztlich um eine Sammlung von Hypothesen, die in Interviews mit Lehrern zum Ausdruck gebracht wurden: fundierte, erste Vermutungen über die Wege, die Schulen in den kommenden Jahren einschlagen könnten.

Erstellen von Ressourcen für Pädagogen in einem Podcast

Zusätzlich zum Ratgeber hat das Educating Techniques Lab kürzlich auch „Die Hausaufgabenmaschine„“, eine siebenteilige Serie aus dem Teachlab-Podcast, die untersucht, wie KI die Ok-12-Bildung verändert.

Reich produzierte den Podcast in Zusammenarbeit mit dem Journalisten Jesse Dukes. Jede Episode befasst sich mit einem bestimmten Bereich und stellt wichtige Fragen zu Herausforderungen im Zusammenhang mit Themen wie der Einführung von KI, Poesie als Instrument für das Engagement von Schülern, Lernverlusten nach Covid, Pädagogik und Buchverboten. Der Podcast ermöglicht es Reich, zeitnah Informationen über bildungsbezogene Aktualisierungen auszutauschen und mit Personen zusammenzuarbeiten, die daran interessiert sind, die Arbeit voranzutreiben.

„Der wissenschaftliche Publikationszyklus eignet sich nicht dazu, Menschen bei kurzfristigen Herausforderungen wie denen der KI zu helfen“, sagt Reich. „Peer-Opinions dauern lange und die Ergebnisse der Forschungsergebnisse sind nicht immer in einer Kind, die für Pädagogen hilfreich ist.“ Schulen und Bezirke setzen sich mit KI in Echtzeit auseinander und umgehen dabei bewährte Qualitätskontrollmaßnahmen.

Der Podcast kann dazu beitragen, den Zeitaufwand für das Teilen, Testen und Bewerten von KI-bezogenen Lösungen für neue Herausforderungen zu verkürzen, was sich bei der Erstellung von Schulungen und Ressourcen als nützlich erweisen könnte.

„Wir hoffen, dass der Podcast zum Nachdenken und zur Diskussion anregt und es den Menschen ermöglicht, aus den Erfahrungen anderer zu schöpfen“, sagt Reich.

Der Podcast wurde auch zu einem einstündigen Radio-Particular verarbeitet, das von öffentlichen Radiosendern im ganzen Land ausgestrahlt wurde.

„Wir tappen im Dunkeln“

Reich beurteilt direkt, wo wir beim Verständnis von KI und ihren Auswirkungen auf die Bildung stehen. „Wir tappen im Dunkeln“, sagt er und erinnert sich an frühere Versuche, neue Technologien schnell in Klassenzimmer zu integrieren. Diese Misserfolge, so Reich, unterstreichen die Bedeutung von Geduld und Bescheidenheit im weiteren Verlauf der KI-Forschung. „KI hat die normalen Beschaffungsprozesse im Bildungswesen umgangen; sie tauchte einfach auf den Telefonen der Kinder auf“, stellt er fest.

„Wir haben uns in der Vergangenheit in Sachen Technologie wirklich geirrt“, sagt Reich. Trotz der Ausgaben der Bezirke für Hilfsmittel wie beispielsweise Smartboards deuten Untersuchungen darauf hin, dass es keine Belege dafür gibt, dass diese das Lernen oder die Ergebnisse verbessern. In einem neuen Artikel für Artikel für Das GesprächEr argumentiert, dass die frühe Lehrerberatung in Bereichen wie der Webkompetenz zu schlechten Ratschlägen geführt habe, die in unserem Bildungssystem immer noch bestehen. „Wir haben Schülern und Lehrkräften beigebracht, Wikipedia nicht zu vertrauen“, erinnert er sich, „und nach Web site-Glaubwürdigkeitsmerkmalen zu suchen, was sich beide als falsch herausstellten.“ Reich möchte einen ähnlichen Ansturm auf die Beurteilung von KI vermeiden und empfiehlt, bei KI-gestützten Unterrichtsstrategien keine Vermutungen anzustellen.

Diese Herausforderungen, gepaart mit potenziellen und beobachteten Auswirkungen auf die Schüler, erhöhen den Einsatz für Schulen und Schülerfamilien im KI-Wettbewerb erheblich. „Bildungstechnologie löst bei Lehrern immer Ängste aus“, stellt Reich fest, „aber die Bandbreite der KI-bezogenen Bedenken ist viel größer als in anderen technologiebezogenen Bereichen.“

Der Beginn des KI-Zeitalters unterscheidet sich von der Artwork und Weise, wie wir zuvor Technologie in unsere Klassenzimmer gebracht haben, sagt Reich. KI wurde nicht wie andere Technologien übernommen. Es ist einfach angekommen. Es stellt nun Bildungsmodelle auf den Kopf und erschwert in einigen Fällen die Bemühungen, die Ergebnisse der Schüler zu verbessern.

Reich weist schnell darauf hin, dass es keine klaren, endgültigen Antworten zur effektiven KI-Implementierung und -Nutzung im Klassenzimmer gibt; Diese Antworten gibt es derzeit nicht. Jede der Ressourcen, die Reich dazu beigetragen hat, das Einladungs-Engagement der von ihnen angesprochenen Zielgruppen zu entwickeln, hat wertvolle Antworten gesammelt, die andere möglicherweise nützlich finden könnten.

„Wir können langfristige Lösungen für die KI-Herausforderungen von Schulen entwickeln, aber das wird Zeit und Arbeit kosten“, sagt er. „KI ist nicht so, als würde man lernen, Knoten zu knüpfen; wir wissen noch nicht, was KI ist oder sein wird.“

Reich empfiehlt außerdem, aus verschiedenen Quellen mehr über die KI-Implementierung zu erfahren. „Dezentrale Lerneinheiten können uns helfen, Ideen zu testen, nach Themen zu suchen und Beweise dafür zu sammeln, was funktioniert“, sagt er. „Wir müssen wissen, ob das Lernen mit KI tatsächlich besser ist.“

Auch wenn Lehrer nicht über die Existenz von KI entscheiden können, ist Reich der Meinung, dass es wichtig ist, dass wir ihren Enter einholen und Schüler und andere Interessengruppen einbeziehen, um bei der Entwicklung von Lösungen zu helfen, die das Lernen und die Ergebnisse verbessern.

„Lasst uns nach Antworten rennen, die richtig sind, nicht zuerst“, sagt Reich.

Da die Kosten für Diagnose- und Sequenzierungstechnologien in den letzten Jahren stark gesunken sind, haben Forscher eine beispiellose Menge an Daten zu Krankheiten und Biologie gesammelt. Leider benötigen Wissenschaftler, die von Daten zu neuen Heilmitteln gelangen wollen, oft die Hilfe von jemandem mit Erfahrung in der Softwareentwicklung.

Jetzt hilft Watershed Bio Wissenschaftlern und Bioinformatikern dabei, Experimente durchzuführen und Erkenntnisse mit einer Plattform zu gewinnen, die es Benutzern ermöglicht, komplexe Datensätze unabhängig von ihren Rechenkenntnissen zu analysieren. Die cloudbasierte Plattform bietet Workflow-Vorlagen und eine anpassbare Benutzeroberfläche, um Benutzern die Erkundung und gemeinsame Nutzung von Daten aller Artwork zu erleichtern, einschließlich Sequenzierung des gesamten Genoms, Transkriptomik, Proteomik, Metabolomik, Excessive-Content material-Bildgebung, Proteinfaltung und mehr.

„Wissenschaftler wollen etwas über die Bereiche Software program und Datenwissenschaft lernen, aber sie wollen keine Software program-Ingenieure werden, die Code schreiben, nur um ihre Daten zu verstehen“, sagt Mitbegründer und CEO Jonathan Wang ’13, SM ’15. „Mit Watershed ist das nicht nötig.“

Watershed wird von großen und kleinen Forschungsteams aus Industrie und Wissenschaft genutzt, um Entdeckungen und Entscheidungen voranzutreiben. Wenn neue fortschrittliche Analysetechniken in wissenschaftlichen Fachzeitschriften beschrieben werden, können sie sofort als Vorlagen zur Plattform von Watershed hinzugefügt werden, wodurch hochmoderne Instruments für Forscher aller Fachrichtungen zugänglicher und kollaborativer werden.

„Die Datenmenge in der Biologie wächst exponentiell und die Sequenzierungstechnologien, die diese Daten generieren, werden immer besser und billiger“, sagt Wang. „Da ich vom MIT kam, lag mir dieses Downside direkt am Herzen: Es ist ein schwieriges technisches Downside. Es ist auch ein bedeutsames Downside, weil diese Leute an der Behandlung von Krankheiten arbeiten. Sie wissen, dass all diese Daten wertvoll sind, aber sie haben Schwierigkeiten, sie zu nutzen. Wir möchten ihnen helfen, schneller mehr Erkenntnisse zu gewinnen.“

Keine Codeerkennung

Wang wollte am MIT Biologie als Hauptfach studieren, warfare aber schnell von den Möglichkeiten begeistert, mit der Informatik Lösungen zu entwickeln, die für Millionen von Menschen geeignet sind. Am Ende erwarb er sowohl seinen Bachelor- als auch seinen Grasp-Abschluss am Division of Electrical Engineering and Pc Science (EECS). Wang absolvierte außerdem ein Praktikum in einem Biologielabor am MIT, wo er überrascht warfare, wie langsam und arbeitsintensiv die Experimente waren.

„Ich habe den Unterschied zwischen Biologie und Informatik gesehen, wo es diese dynamischen Umgebungen (in der Informatik) gab, die es einem ermöglichten, sofort Suggestions zu erhalten“, sagt Wang. „Selbst als Einzelperson, die Code schreibt, steht einem so viel zur Verfügung, mit dem man spielen kann.“

Während er sich am MIT mit maschinellem Lernen und Hochleistungsrechnen beschäftigte, gründete Wang zusammen mit einigen Klassenkameraden ein Hochfrequenzhandelsunternehmen. Sein Crew stellte Forscher mit Doktortiteln in Bereichen wie Mathematik und Physik ein, um neue Handelsstrategien zu entwickeln, erkannte jedoch schnell einen Engpass in ihrem Prozess.

„Die Dinge gingen langsam voran, weil die Forscher es gewohnt waren, Prototypen zu bauen“, sagt Wang. „Dabei handelte es sich um kleine Annäherungen an Modelle, die sie lokal auf ihren Maschinen ausführen konnten. Um diese Ansätze in die Produktion umzusetzen, brauchten sie Ingenieure, die sie mit hohem Durchsatz auf einem Rechencluster arbeiten ließen. Aber die Ingenieure verstanden die Natur der Forschung nicht, additionally gab es viel Hin und Her. Das bedeutete, dass Ideen, von denen man dachte, sie hätten an einem Tag umgesetzt werden können, Wochen brauchten.“

Um das Downside zu lösen, entwickelte Wangs Crew eine Softwareschicht, die den Bau produktionsreifer Modelle so einfach machte wie den Bau von Prototypen auf einem Laptop computer. Dann, ein paar Jahre nach seinem Abschluss am MIT, bemerkte Wang, dass Technologien wie die DNA-Sequenzierung billig und allgegenwärtig geworden waren.

„Der Engpass warfare nicht mehr die Sequenzierung, additionally sagten die Leute: ‚Lasst uns alles sequenzieren‘“, erinnert sich Wang. „Der begrenzende Faktor wurde zur Berechnung. Die Leute wussten nicht, was sie mit all den generierten Daten anfangen sollten. Biologen warteten auf Datenwissenschaftler und Bioinformatiker, die ihnen helfen würden, aber diese Leute verstanden die Biologie nicht immer tief genug.“

Wang kam die Scenario bekannt vor.

„Es warfare genau das, was wir im Finanzwesen gesehen haben, wo Forscher versuchten, mit Ingenieuren zusammenzuarbeiten, aber die Ingenieure verstanden es nie ganz, und es gab diese ganze Ineffizienz, weil die Leute auf die Ingenieure warteten“, sagt Wang. „Mittlerweile habe ich erfahren, dass die Biologen unbedingt diese Experimente durchführen wollen, aber es gibt eine so große Lücke, dass sie das Gefühl hatten, sie müssten Softwareentwickler werden oder sich einfach auf die Wissenschaft konzentrieren.“

Wang gründete Watershed offiziell im Jahr 2019 zusammen mit dem Arzt Mark Kalinich ’13, einem ehemaligen Klassenkameraden am MIT, der nicht mehr am Tagesgeschäft des Unternehmens beteiligt ist.

Seitdem hat Wang von Biotech- und Pharma-Führungskräften von der wachsenden Komplexität der Biologieforschung gehört. Die Erschließung neuer Erkenntnisse erfordert zunehmend die Analyse von Daten aus ganzen Genomen, Populationsstudien, RNA-Sequenzierung, Massenspektrometrie und mehr. Auch die Entwicklung personalisierter Behandlungen oder die Auswahl von Patientenpopulationen für eine klinische Studie können große Datensätze erfordern, und es gibt ständig neue Möglichkeiten zur Analyse von Daten, die in wissenschaftlichen Fachzeitschriften veröffentlicht werden.

Heutzutage können Unternehmen umfangreiche Analysen auf Watershed durchführen, ohne eigene Server oder Cloud-Computing-Konten einrichten zu müssen. Um ihre Arbeit zu beschleunigen, können Forscher vorgefertigte Vorlagen verwenden, die mit allen gängigen Datentypen funktionieren. Beliebte KI-basierte Instruments wie AlphaFold und Geneformer sind ebenfalls verfügbar, und die Plattform von Watershed erleichtert die gemeinsame Nutzung von Arbeitsabläufen und die tiefere Einsicht in die Ergebnisse.

„Die Plattform bietet ein optimales Maß an Benutzerfreundlichkeit und Anpassbarkeit für Menschen mit unterschiedlichem Hintergrund“, sagt Wang. „Keine Wissenschaft gleicht jemals wirklich der gleichen. Ich vermeide das Wort Produkt, denn das bedeutet, dass man etwas einsetzt und es dann einfach für immer in großem Maßstab ausführt. Forschung ist nicht so. Bei der Forschung geht es darum, eine Idee zu entwickeln, sie zu testen und das Ergebnis zu nutzen, um eine andere Idee zu entwickeln. Je schneller man Experimente entwerfen, umsetzen und durchführen kann, desto schneller kann man mit dem nächsten fortfahren.“

Beschleunigung der Biologie

Wang glaubt, dass Watershed Biologen dabei hilft, mit den neuesten Fortschritten in der Biologie Schritt zu halten und dabei wissenschaftliche Entdeckungen zu beschleunigen.

„Wenn man Wissenschaftlern dabei helfen kann, Erkenntnisse nicht nur ein bisschen schneller, sondern zehn- oder zwanzigmal schneller zu gewinnen, kann das wirklich einen Unterschied machen“, sagt Wang.

Watershed wird von Forschern im akademischen Bereich und in Unternehmen jeder Größe genutzt. Auch Führungskräfte von Biotech- und Pharmaunternehmen nutzen Watershed, um Entscheidungen über neue Experimente und Medikamentenkandidaten zu treffen.

„Wir haben in all diesen Bereichen Erfolge erzielt, und der rote Faden besteht darin, dass die Leute zwar Verständnis für die Forschung haben, aber kein Experte für Informatik oder Softwareentwicklung sind“, sagt Wang. „Es ist aufregend zu sehen, wie sich diese Branche weiterentwickelt. Für mich ist es großartig, vom MIT zu kommen und jetzt wieder am Kendall Sq. zu sein, wo Watershed seinen Sitz hat. Hier finden so viele bahnbrechende Fortschritte statt. Wir versuchen, unseren Teil dazu beizutragen, die Zukunft der Biologie zu ermöglichen.“