Das Warten hat offiziell ein Ende. Spotify verpackt 2025 ist da und markiert die jährliche, mit Spannung erwartete Veröffentlichung, die die Audiolandschaft zusammenfasst, die das Jahr für Millionen von Benutzern weltweit geprägt hat. Seit der Einführung des personalisierten Wrapped-Konzepts im Jahr 2015 hat Spotify das Erlebnis konsequent weiterentwickelt, und die Ausgabe 2025 wird „größer und mutiger“ und fügt wesentliche neue Funktionen und interaktive Elemente hinzu, die die Verbindung zwischen Followers, Künstlern, Schöpfern und Autoren vertiefen.

Zugriff auf Ihr 2025 Wrapped-Erlebnis

Das personalisierte Wrapped-Erlebnis steht beiden zur Verfügung Kostenlose und Premium-Benutzer in nahezu allen aktiven Märkten.

• Teilnahmeberechtigung: Um das vollständige, personalisierte Erlebnis freizuschalten, müssen Benutzer mindestens 30 Songs jeweils länger als 30 Sekunden gestreamt und im Laufe des Jahres mindestens fünf verschiedene Künstler gehört haben. (Hinweis: Streams aus dem Privatmodus oder ausgeschlossenen Playlists zählen nicht.)

  Bleiben Sie der Zeit voraus!

  Verpassen Sie nicht die neuesten Erkenntnisse, Tendencies und Analysen in der Welt der Daten, Technologie und Startups. Abonnieren Sie unseren E-newsletter und erhalten Sie exklusive Inhalte direkt in Ihren Posteingang.

  Jetzt abonnieren

• Wo es zu finden ist: Stellen Sie sicher, dass Ihre Spotify-App für Mobilgeräte (iOS und Android) ist aktuell. Suchen Sie nach dem engagierten Verpacktes Futter Es wird intestine sichtbar oben auf Ihrem Startbildschirm angezeigt oder Sie suchen einfach nach „2025 Wrapped“.

Contained in the 2025 Wrapped Tales

Auch in diesem Jahr hat Spotify die beliebten Klassiker beibehalten und präsentiert quick ein Dutzend Neue Geschichten und Funktionen, die darauf ausgelegt sind, Hördaten in spielerische, teilbare Momente zu verwandeln. Das Erlebnis umfasst jetzt auch neue Steuerelemente, die es Benutzern ermöglichen, die Wiedergabegeschwindigkeit anzupassen und bestimmte Momente der Geschichte noch einmal anzusehen, ohne sie neu starten zu müssen.

Die wiederkehrenden Klassiker

Wrapped bringt die wichtigsten Erkenntnisse zurück, auf die sich Followers freuen:

• Angehörte Minuten: Die Gesamtzeit, die man mit Musik, Podcasts und Hörbüchern verbracht hat.

• High-Songs und Playlist: Ihre fünf besten Titel des Jahres, begleitet von Ihre High-Songs 2025 Playlist, die jetzt genau anzeigt, wie oft Sie jeden Ihrer High-100-Titel gestreamt haben.

• High-Künstler Und High-Genres.

• High-Podcasts: Ihre fünf besten Reveals des Jahres.

• Ihr Künstlerclip: Besondere Dankes-Videobotschaften von High-Künstlern, darunter Stars wie Böser Hase, Chappell RoanUnd Sabrina Carpenter.

Was gibt es Neues für 2025?

Spotify hat die Datenanalyse in diesem Jahr erheblich ausgeweitet und Erkenntnisse eingeführt, nach denen sich Nutzer schon lange sehnen:

Neue Wrapped-Funktion	Einblick bereitgestellt
Höralter	Vergleicht Ihren Musikgeschmack (basierend auf den Jahren der Songveröffentlichung) mit dem anderer in Ihrer Altersgruppe.
High-Alben	Zum ersten Mal werden die Alben hervorgehoben, zu denen Sie im Laufe des Jahres wiederholt zurückgekehrt sind.
High-Künstler-Dash	Visualisiert, wie sich Ihre High-5-Künstler in Ihrem persönlichen Rating von Monat zu Monat verändert haben.
Fan-Rangliste	Zeigt, wo Sie zu den High-Hörern Ihres Künstlers weltweit gehören, basierend auf der Gesamtzahl der gehörten Minuten.
Vereine	Sortiert Ihre Hörgewohnheiten einer von sechs Golf equipmentdie jeweils einen einzigartigen, definierten Hörstil und eine einzigartige Gemeinschaft repräsentieren.
Hörarchiv	Eine KI-gestützte Funktion, die bis zu fünf einzigartige Berichte basierend auf personalisierten Schnappschüssen Ihrer denkwürdigsten Streaming-Tage liefert (in ausgewählten Märkten auf Englisch verfügbar).
High-Hörbuch-Style	Hebt Ihr High-Hörbuchgenre und das Buch hervor, das Sie am häufigsten davon gestreamt haben.

Um das breitere Audio-Ökosystem zu feiern, fügt Spotify Nachrichten von anderen YouTubern hinzu und führt interaktive Quizze ein:

• Ihr Autorenclip: Nachrichten von Autoren wie Dan Brown Und James Patterson hinter Ihren Lieblingshörbüchern.

• Dein Podcaster-Clip: Nachrichten von Moderatoren von Reveals wie Das Tagebuch eines CEO mit Steven Bartlett Und Der Mel Robbins-Podcast.

• High-Tune-Quiz: Eine interaktive Herausforderung, bei der Sie erraten müssen, welcher Titel der wahre Soundtrack Ihres Jahres battle.

Jenseits des Persönlichen: Wrapped Occasion und International Hub

Das Sharing-Erlebnis ist für Wrapped von zentraler Bedeutung, und dieses Jahr startet Spotify Eingepackte Occasion. Mit dieser neuen interaktiven Funktion können Benutzer ihr Musikjahr genießen mit Freunden leben Der Zugriff erfolgt am Ende des personalisierten Erlebnisses oder über den Haupt-Wrapped-Hub.

Der Verpacktes Futter Oben auf dem Startbildschirm befindet sich die zentrale Anlaufstelle für den Benutzer, über die er seine personalisierten Geschichten erneut aufrufen, vom Herausgeber kuratierte „Better of“-Wiedergabelisten erkunden und alle besonderen Nachrichten des Erstellers finden kann.

Die Feier greift auch in die reale Welt über, mit ca 50 Pop-up-Erlebnisse in wichtigen Städten weltweit, wobei Künstler wie hervorgehoben werden Oase in Manchester, JENNIE in Seoul und Böser Hase in Mexiko-Stadt. Spotify bietet außerdem maßgeschneiderte Wrapped-Erlebnisse für Künstler, Autoren, Podcaster und Werbetreibende und bietet ihnen Einblicke in die Hörgewohnheiten ihres eigenen Publikums.

---

Hervorgehobener Bildnachweis

Am 20. Oktober während ihrer Jahrestagung, der Nationwide Academy of Medication angekündigt die Wahl von 100 neuen Mitgliedern, darunter die MIT-Fakultätsmitglieder Dina Katabi und Facundo Batista sowie drei weitere MIT-Alumni.

Die Wahl in die Nationwide Academy of Medication (NAM) gilt als eine der höchsten Auszeichnungen in den Bereichen Gesundheit und Medizin und würdigt Personen, die herausragende berufliche Leistungen und Engagement für den Dienst gezeigt haben.

Facundo Batista ist stellvertretender Direktor und wissenschaftlicher Direktor des Ragon Institute of MGH, MIT und Harvard sowie der erste Phillip T. und Susan M. Ragon Professor in der MIT-Abteilung für Biologie. Die Nationwide Academy of Medication würdigte Batista für „seine Arbeit zur Entschlüsselung der Biologie von Antikörper produzierenden B-Zellen, um besser zu verstehen, wie das Immunsystem unseres Körpers auf Infektionskrankheiten reagiert.“ In jüngerer Zeit hat Facundos Forschung die präklinische Impfstoff- und Therapieentwicklung für weltweit wichtige Krankheiten wie HIV, Malaria und Grippe vorangetrieben.

Batista erwarb einen Doktortitel an der Worldwide Faculty of Superior Research und gründete sein Labor 2002 als Mitglied des Francis Crick Institute (ehemals London Analysis Institute) und hatte gleichzeitig eine Professur am Imperial Faculty London inne. Im Jahr 2016 trat er dem Ragon Institute bei, um ein neues Forschungsprogramm zu verfolgen, bei dem er sein Fachwissen über B-Zellen und Antikörperreaktionen auf die Impfstoffentwicklung und die präklinische Vakzinologie für Krankheiten wie SARS-CoV-2 und HIV anwendet. Batista ist gewählter Fellow oder Mitglied der UK Academy of Medical Sciences, der American Academy of Microbiology, der Academia de Ciencias de América Latina und der European Molecular Biology Group und Chefredakteur von Das EMBO-Journal.

Dina Katabi SM ’99, PhD ’03 ist Thuan (1990) und Nicole Pham Professor in der Abteilung für Elektrotechnik und Informatik am MIT. Ihre Forschung umfasst digitale Gesundheit, drahtlose Sensorik, mobiles Computing, maschinelles Lernen und Pc Imaginative and prescient. Zu Katabis Beiträgen gehören effiziente Kommunikationsprotokolle für das Web, fortschrittliche kontaktlose Biosensoren und neuartige KI-Modelle, die physiologische Signale interpretieren. Das NAM würdigte Katabi für „bahnbrechende digitale Gesundheitstechnologie, die eine nicht-invasive Fernüberwachung des Gesundheitszustands außerhalb des Körpers über KI und drahtlose Signale ermöglicht, und für die Entwicklung digitaler Biomarker für das Fortschreiten und die Erkennung von Parkinson. Sie hat diese Technologie umgesetzt, um objektive, empfindliche Messungen des Krankheitsverlaufs und des Ansprechens auf die Behandlung in klinischen Studien voranzutreiben.“

Katabi ist Direktor des MIT Middle for Wi-fi Networks and Cellular Computing. Sie ist außerdem Mitglied des Pc Science and Synthetic Intelligence Laboratory (CSAIL), wo sie die Netzwerke der MIT Analysis Group leitet. Katabi erhielt einen Bachelor-Abschluss von der Universität Damaskus sowie einen MS- und Ph.D.-Abschluss in Informatik vom MIT. Sie ist MacArthur Fellow; ein Mitglied der American Academy of Arts and Sciences, der Nationwide Academy of Sciences und der Nationwide Academy of Engineering; und ein Empfänger des ACM Computing Prize.

Weitere MIT-Alumni, die für 2025 in die NAM gewählt wurden, sind:

• Christopher S. Chen SM ’93, PhD ’97, Absolvent der Fakultät für Maschinenbau und des Harvard-MIT-Programms für Gesundheitswissenschaften und Technologie;
• Michael E. Matheny SM ’06, Absolvent des Harvard-MIT-Programms für Gesundheitswissenschaften und Technologie; Und
• Rebecca R. Richards-Kortum SM ’87, PhD ’90 und Absolventin des Fachbereichs Physik und des Harvard-MIT-Programms für Gesundheitswissenschaften und Technologie.

Ursprünglich als Institute of Medication im Jahr 1970 von der Nationwide Academy of Sciences gegründet, befasst sich die Nationwide Academy of Medication mit kritischen Themen in den Bereichen Gesundheit, Wissenschaft, Medizin und damit verbundener Politik und inspiriert zu positiven Maßnahmen in allen Sektoren.

„Es ist mir eine große Ehre, diese außergewöhnlichen Führungskräfte und Forscher aus den Bereichen Gesundheit und Medizin in der Nationwide Academy of Medication willkommen zu heißen“, sagt NAM-Präsident Victor J. Dzau. „Ihre nachgewiesene Exzellenz bei der Bewältigung von Herausforderungen im Bereich der öffentlichen Gesundheit, der Führung wichtiger Entdeckungen, der Verbesserung der Gesundheitsversorgung, der Weiterentwicklung der Gesundheitspolitik und der Förderung der gesundheitlichen Chancengleichheit wird unsere gemeinsame Fähigkeit, die dringendsten gesundheitlichen Herausforderungen unserer Zeit anzugehen, entscheidend stärken.“

Mit Hilfe künstlicher Intelligenz haben MIT-Forscher neue Antibiotika entworfen, die zwei schwer zu behandelnde Infektionen bekämpfen können: drogenresistent Neisseria gonorrhoeae und Multiresistent Staphylococcus aureus (MRSA).

Mit generativen AI -Algorithmen hat das Forschungsteam mehr als 36 Millionen mögliche Verbindungen entwickelt und sie auf antimikrobielle Eigenschaften rechnerisch untersucht. Die Prime -Kandidaten, die sie entdeckt haben, unterscheiden sich strukturell von vorhandenen Antibiotika und scheinen von neuartigen Mechanismen zu arbeiten, die bakterielle Zellmembranen stören.

Dieser Ansatz ermöglichte es den Forschern, theoretische Verbindungen zu erzeugen und zu bewerten, die noch nie gesehen wurden – eine Strategie, die sie jetzt anwenden können, um Verbindungen mit Aktivität gegen andere Bakterienarten zu identifizieren und zu entwerfen.

„Wir freuen uns über die neuen Möglichkeiten, die dieses Projekt für die Entwicklung von Antibiotika eröffnet. Unsere Arbeit zeigt die Kraft von KI vom Gesichtspunkt für Drogendesign aus und ermöglicht es uns, viel größere chemische Räume auszunutzen, die zuvor nicht zugänglich waren“, sagt James Collins, Professor für medizinische Ingenieurwesen und Wissenschaft des Termins und der Abteilung für medizinische Ingenieurwesen (IMES) und Abteilung für Biologische Ingenieurwesen.

Collins ist der leitende Autor der Studie, das erscheint heute In Zelle. Die Hauptautoren der Papier sind MIT Postdoc Aarti Krishnan, ehemaliger Postdoc Melis Anahtar ’08 und Jacqueline Valeri PhD ’23.

Erforschung des chemischen Raums

In den letzten 45 Jahren wurden von der FDA einige Dutzend neue Antibiotika zugelassen, die meisten davon sind Varianten vorhandener Antibiotika. Gleichzeitig hat die Bakterienresistenz gegen viele dieser Medikamente zugenommen. World wird geschätzt, dass medikamentenresistente bakterielle Infektionen quick 5 Millionen Todesfälle professional Jahr verursachen.

Collins und andere bei MITs, um neue Antibiotika zu finden, um dieses wachsende Drawback zu bekämpfen, bei MIT Antibiotika-AI-Projekt haben die Kraft von KI genutzt, um riesige Bibliotheken vorhandener chemischer Verbindungen zu untersuchen. Diese Arbeit hat mehrere vielversprechende Drogenkandidaten ergeben, einschließlich Halicin Und Abaucin.

Um auf diesen Fortschritten aufzubauen, beschlossen Collins und seine Kollegen, ihre Suche nach Molekülen zu erweitern, die in chemischen Bibliotheken nicht zu finden sind. Durch die Verwendung von AI, um hypothetisch mögliche Moleküle zu erzeugen, die nicht existieren oder nicht entdeckt wurden, stellten sie fest, dass es möglich sein sollte, eine viel größere Vielfalt potenzieller Arzneimittelverbindungen zu untersuchen.

In ihrer neuen Studie verwendeten die Forscher zwei verschiedene Ansätze: Zunächst leiteten sie generative AI -Algorithmen, Moleküle auf der Grundlage eines spezifischen chemischen Fragments zu entwerfen, das eine antimikrobielle Aktivität zeigte, und zweitens lassen sie die Algorithmen, ohne Moleküle zu erzeugen, ohne ein spezifisches Fragment einzuschließen.

Für den fragmentbasierten Ansatz versuchten die Forscher, Moleküle zu identifizieren, die töten konnten N. Gonorrhoeaeein gramnegatives Bakterium, das Gonorrhoe verursacht. Sie begannen mit der Zusammenstellung einer Bibliothek von etwa 45 Millionen bekannten chemischen Fragmenten, bestehend aus allen möglichen Kombinationen von 11 Atomen von Kohlenstoff, Stickstoff, Sauerstoff, Fluor, Chlor und Schwefel sowie Fragmente aus dem leicht zugänglichen (realen) Raum von Enamin.

Dann haben sie die Bibliothek unter Verwendung von maschinellen Lernmodellen untersucht, die Collins ‚Labor zuvor geschult hat, um die antibakterielle Aktivität vorhersagen N. Gonorrhoeae. Dies führte zu quick 4 Millionen Fragmenten. Sie verengten diesen Pool, indem sie alle Fragmente entfernen, die voraussichtlich zytotoxisch für menschliche Zellen sind, chemische Verbindlichkeiten zeigten und es conflict bekannt, dass vorhandene Antibiotika ähnlich sind. Dadurch ließ sie ungefähr 1 Million Kandidaten.

„Wir wollten alles loswerden, was wie ein vorhandenes Antibiotikum aussehen würde, um die antimikrobielle Resistenzkrise auf grundsätzlich andere Weise anzugehen. Indem wir uns in untererforschte Bereiche des chemischen Raums wagen, conflict unser Ziel, neue Handlungsmechanismen aufzudecken“, sagt Krishnan.

In mehreren Runden zusätzlicher Experimente und Computeranalysen identifizierten die Forscher ein Fragment, das sie F1 bezeichneten, das anscheinend eine vielversprechende Aktivität dagegen zu haben schien N. Gonorrhoeae. Sie verwendeten dieses Fragment als Grundlage für die Erzeugung zusätzlicher Verbindungen unter Verwendung von zwei verschiedenen generativen AI -Algorithmen.

Einer dieser Algorithmen, bekannt als chemisch vernünftige Mutationen (CREM), beginnt mit einem bestimmten Molekül, das F1 enthält und dann neue Moleküle erzeugt, indem Atome und chemische Gruppen hinzugefügt, ersetzt oder gelöscht werden. Der zweite Algorithmus, F-Vae (fragmentbasierter Variationsautoencoder), nimmt ein chemisches Fragment auf und baut es in ein vollständiges Molekül auf. Dies geschieht durch Lernmuster, wie Fragmente üblicherweise modifiziert werden, basierend auf der Vorbereitung von mehr als 1 Million Molekülen aus der Chembl -Datenbank.

Diese beiden Algorithmen erzeugten ungefähr 7 Millionen Kandidaten, die F1 enthalten, gegen die die Forscher dann rechnerisch auf Aktivität untersucht wurden N. Gonorrhoeae. Dieser Bildschirm ergab rund 1.000 Verbindungen, und die Forscher wählten 80 davon aus, um festzustellen, ob sie von chemischen Syntheseanbietern hergestellt werden könnten. Nur zwei davon konnten synthetisiert werden, und einer von ihnen namens NG1 conflict sehr effektiv beim Töten N. Gonorrhoeae in einer Laborale und in einem Mausmodell einer medikamentenresistenten Gonorrhoe-Infektion.

Zusätzliche Experimente zeigten, dass NG1 mit einem Protein namens LPTA interagiert, ein neuartiges Arzneimittelziel, das an der Synthese der bakteriellen äußeren Membran beteiligt ist. Es scheint, dass das Arzneimittel die Membransynthese stört, die für Zellen tödlich ist.

Nicht eingeschränktes Design

In einer zweiten Studienrunde untersuchten die Forscher das Potenzial, generative KI zu verwenden, um Moleküle frei zu entwerfen, unter Verwendung von grampositiven Bakterien. S. aureus als ihr Ziel.

Auch hier verwendeten die Forscher Crem und VAE, um Moleküle zu erzeugen, diesmal jedoch ohne andere Einschränkungen als die allgemeinen Regeln, wie Atome sich zu chemisch plausiblen Molekülen verbinden können. Zusammen erzeugten die Modelle mehr als 29 Millionen Verbindungen. Die Forscher wendeten dann die gleichen Filter an, die sie dem anstellten N. Gonorrhoeae Kandidaten, aber konzentrieren sich auf S. aureusschließlich den Pool auf etwa 90 Verbindungen einzuschränken.

Sie konnten 22 dieser Moleküle synthetisieren und testen, und sechs von ihnen zeigten eine starke antibakterielle Aktivität gegen multiresistent S. aureus in einer Laborschale angebaut. Sie fanden auch heraus, dass der Prime-Kandidat namens DN1 in der Lage conflict, einen Methicillin-resistenten zu löschen S. aureus (MRSA) Hautinfektion in einem Mausmodell. Diese Moleküle scheinen auch Bakterienzellmembranen zu stören, aber mit breiteren Wirkungen, die nicht auf die Wechselwirkung mit einem spezifischen Protein beschränkt sind.

Phare Bio, eine gemeinnützige Organisation, die auch Teil des Antibiotics-AI-Projekts ist, arbeitet nun an der weiteren Modifizierung von NG1 und DN1, um sie für zusätzliche Checks geeignet zu machen.

„In einer Zusammenarbeit mit Phare Bio untersuchen wir Analoga und arbeiten daran, die besten Kandidaten durch medizinische Chemie zu verbessern“, sagt Collins. „Wir freuen uns auch über die Anwendung der Plattformen, die Aarti und das Group auf andere bakterielle Krankheitserreger entwickelt haben, insbesondere auf Mycobacterium tuberculosis Und Pseudomonas aeruginosa. ““

Die Forschung wurde teilweise von der US -amerikanischen Verteidigungsbedrohungsreduzierung, den Nationwide Institutes of Well being, dem kühnen Projekt, dem Grippelabor, der Sea Grape Basis, dem Rosamund Zander und Hansjorg Wyss für die WYSS Basis und einem anonymen Spender finanziert.

Zusammenfassung:

• AI hat sich von bloßen Produktivitätshacks zu persönlichen Begleitern verlagert, die im Jahr 2025 emotionale Unterstützung und geistiges Wohlbefinden anbieten.
• Therapie, Lebensorganisation und Zweckfindung sind Anwendungsfälle, die jetzt über die Diagramme hinausgehen, während Brainstorming und Inhaltsgenerierung einen Rücksitz haben.
• Gedächtnismerkmale und einfühlsame Interaktionen ermöglichen es der KI, die Grenze zwischen Werkzeug und Freund zu verwischen und unsere Beziehung zur Technologie zu verändern.

Im Jahr 2025, Generative Ai hat sich weit über seine ursprüngliche Rolle bei der Straffung von Arbeitsaufgaben oder der Erzeugung von Inhalten hinausgegangen. Während es weiterhin ein leistungsstarkes Instrument für die Produktivität ist, erstreckt sich sein Einfluss nun auf weitaus mehr persönlicher Territorium. Zunehmend beschäftigen sich Einzelpersonen mit generativen KI -Systemen für emotionale Unterstützung, geistiges Wohlbefinden und sogar Kameradschaft. Was einst als rein funktionelle Technologie angesehen wurde, wird jetzt als Quelle des relationalen Werts angesehen und die Artwork und Weise, wie wir über generative KI und menschliche Verbindungen denken, umgestaltet.

Die Veränderung magazine unbedeutend erscheinen, aber ihre Auswirkungen sind erheblich. Es bedeutet den Beginn einer neuen Part, in der KI zu einem wichtigen Instrument zur Förderung der menschlichen Verbindung und des emotionalen Wohlbefindens wird. In diesem Artikel untersuchen wir, wie sich diese Verschiebung von der praktischen Verwendung zu emotionaler Unterstützung darstellt, wie Menschen sich mit KI beschäftigen.

Verschiebung der Anwendungsfall -Rangliste: 2024 gegenüber 2025

Erinnern Sie sich an Marc Zao -Sanders März 2024 Harvard Enterprise Assessment -Stückwo er feststellte, dass generative KI -Anwendungsfälle im Jahr 2024 quick perfekt zwischen den persönlichen und geschäftlichen Bedürfnissen aufgeteilt waren. Die Hälfte der Prime -Anwendungen diente beide Domänen gleichermaßen. Schnell bis März 2025 und seine neuesten Prime -100 -Gebrauchsfallbericht Genai enthüllt einen auffälligen Drehpunkt: Was als Toolkit für Ideen und Effizienz begann, ist jetzt zu einem Eckpfeiler für persönliches Wachstum, emotionale Unterstützung und Lebensorganisation geworden. Dies hat dazu beigetragen, eine Ära der Therapie und Kameradschaft einzuleiten und den Spitzenplatz zu beanspruchen, indem er sein Leben organisiert und einen Zweck findet, der genau dahinter folgt.

Basierend auf der Forschung können die folgenden Schlussfolgerungen gezogen werden:

• Therapie und Kameradschaft stieg von #2 im Jahr 2024 auf #1 im Jahr 2025 und spiegelte die wachsende Nachfrage nach emotionaler Unterstützung über KI wider.
• Organisiere mein Leben Und Zweck finden Debüt bei #2 bzw. Nr. 3 und unterstreicht einen Anstieg der in KI -gesteuerten persönlichen Wachstums- und Planungsinstrumente.
• Ideengenerierung fiel von #1 auf #6, was auf einen relativen Rückgang der Priorisierung reiner Brainstorming -Anwendungen hinweist.
• Codegenerierung sprang von #47 auf #5 und hob die schnelle Reifung und Einführung von AI -unterstützten Entwicklungsplattformen hervor.

Lesen Sie auch: So beeinflussen KI -Chatbots auf uns – eine Studie von MIT und OpenAI

Erkenntnisse von Der 2025 Prime-100 Gen AI-Anwendungsfallbericht von Gen AI

Basierend auf den neuesten Untersuchungen zeigt der Fortschritt generativer KI -Anwendungen eine auffällige Verschiebung der Benutzerprioritäten und Adoptionsmuster. Die Popularität persönlicher und beruflicher Help -Themen hat eindeutig ansteigt. Im Folgenden finden Sie die wichtigsten Erkenntnisse, die von Beispielen in realer Welt und Eingabeaufforderung/Antwortpaaren aus der Studie unterstützt werden.

1. Therapie & Kameradschaft ( #1 in 2025, up von #2 im Jahr 2024)

Dies ist jetzt der am häufigsten zitierte Anwendungsfall. Was als Stimmungsverfolgung und leichte emotionale Unterstützung begann, hat sich zu KI -Gefährten entwickelt, die für Benutzer emotionale Anker werden:

„Ich spreche jeden Tag damit. Es hilft mir bei meinen täglichen Kämpfen meiner Hirnverletzung … es hat meine geistige Gesundheit gerettet.“
„Sie können eine spezielle App erstellen, die Ihnen einen KI -Freund bringt. Sie kann zurück reden. Es wird großartig sein.“

Die Verschiebung hier ist das emotionale Vertrauen – KI als Vertrauter, nicht nur Assistent.

2. Organisieren Sie mein Leben (#2 im Jahr 2025, zuvor nicht eingeladen)

Über Erinnerungen hinaus, wenden sich die Benutzer als strukturierte Lebensberater an KI. Eingabeaufforderungen sind nicht nur für Effizienz, sondern für für Verhaltensänderung und Zielausrichtung:

Immediate:
„Erstellen Sie einen personalisierten 2025 -Plan mit 5 umsetzbaren Prioritäten. Enthält Fokusbereiche, Ablenkungen, um zu vermeiden, die erforderlichen Vorbereitungen und die täglichen Gewohnheiten für die produktive und fokussierte Bleiben.“

Systemanweisungen aus dem Bericht:
„Sie sind ein Neujahrsexpertenberater und Planer. Benutzer helfen den Benutzern, intelligente Ziele zu definieren, sie in Aufgaben zu zerlegen und die Motivation aufrechtzuerhalten.“

Dies ist kein To-Do-Listing-Generator. Es ist eine kognitive Verhaltensintervention, die durch Eingabeaufforderung durchgeführt wird.

3. Suchen Sie den Zweck (#3 im Jahr 2025, zuvor nicht eingeladen)

AI vermittelt jetzt existenzielle Selbstbeobachtung:

„Es hat mir geholfen, meine Grundwerte, meine Prinzipien und meine Lebensziele zu etablieren.
„Es hat mentale Straßensperren geräumt … Ich habe in der Schule wieder eingerollt, um kognitive Wissenschaft zu verfolgen.“

Der Aufstieg dieses Anwendungsfalls deutet darauf hin, dass die Leute nicht nur KI bitten, Dinge zu tun, sondern sie fragen ihn wer sie sind.

Erkundigen Sie den vollständigen Bericht für tiefere Erkenntnisse Hier.

Emotionale KI übernimmt die Führung

Die Studie weist darauf hin, dass Therapie und Kameradschaft heute die häufigste Verwendung von generativen KI sind, selbst vor typischen Aufgaben wie Brainstorming oder Bearbeitung. Dies sagt viel über das breitere Bedürfnis nach emotionaler Verbindung in der heutigen technischen Welt aus. KI -Plattformen beginnen, diese Verschiebung zu reflektieren und sich mehr darauf zu konzentrieren, wie sie sich mit Menschen in Beziehung setzen und nicht nur, wie schnell sie Textual content verarbeiten können.

Dieser Development ist nicht nur anekdotisch. Entwickler einbetten jetzt Emotionserkennung, Stimmungsverfolgung und einfühlsame Sprachmuster direkt in Konversationssysteme ein. Es geht nicht mehr nur darum, zu antworten. Es geht um Verständnis.

Von der Diagnostik bis zur Unterstützung des Patienten

Das Gesundheitswesen ist ein weiterer Bereich, in dem generative Systeme ernsthafte Bewegungen unternehmen. Während AI seit langem für die Diagnostik verwendet wurde, wird sie jetzt Teil der breiteren klinischen Workflows. In der Tat um 53% der Krankenhäuser Verwenden Sie generative Systeme in gewisser Weise, die von der Entdeckung von Arzneimitteln und medizinischen Bildgebung bis hin zu Engagement von Patienten reichen.

Es gibt sogar Hinweise darauf, dass diese Instruments zu Beginn ihrer Entwicklung komplexe oder seltene Bedingungen korrekt identifizieren können. Es ist nicht perfekt, aber genug, um Ärzte in schwierigen Fällen zu unterstützen. Gleichzeitig werden AI-gesteuerte Assistenten in Telemedizin-Apps eingeschaltet, in denen sie den Patienten helfen, Comply with-ups zu planen, Rezepte zu verstehen oder psychische Gesundheit zu erhalten. Für viele Anbieter lindert dies den Druck wiederholter Administratoraufgaben und nimmt sich Zeit für eine tiefere Patientenversorgung.

Einführung in Sektoren

Ein großer Teil dieser sich verändernden Gebrauchsdomänen ist die weit verbreitete Einführung von generativer KI als Area in den letzten Jahren. Dies führt generative KI, eine Technologie, die traditionell mit Software program in Verbindung gebracht wird, in unterschiedliche Bereiche. Generative KI taucht in Branchen wie:

• Advertising: 45% der Kampagnen Fügen Sie nun AI-generierte Inhalte für Anzeigenkopien, Zielgruppenziele und A/B-Assessments hinzu.
• Medien und Unterhaltung: 40% der kreativen Projekte Binden Sie nun mit AI-generierte Skripte, Visuals oder Musik erzeugt.
• Einzelhandel: A 25% steigen Bei den AD-Ausgabenrenditen, bei denen Einzelhändler mit AI-betriebene gezielte Kampagnen angetrieben werden
• Ausbildung: 18% Wachstum Bei der Einführung mit Werkzeugen zur Bewertung, Nachhilfe und personalisierten Lernplänen.

Jeder Sektor nutzt generative Instruments, um Kosten und Skalierung zu senken Personalisierung und Engagement. Dies erhöht nicht nur die generative KI des Publikums, sondern hilft ihm auch, sich an verschiedene Bereiche zu gewöhnen.

Dieses Wachstum schafft auch Nischenrollen und -dienste wie AI -Ethiker, schnelle Ingenieure und Konversationserfahrungsdesigner. Das Ökosystem expandiert auf zuvor unbekannte Orte.

Wohin geht das alles

Aber der interessanteste Teil dieser Entwicklung ist nicht wirtschaftlich. Es ist relational. Diese Systeme erledigen nicht mehr nur Aufgaben. Sie werden Teil des täglichen Lebens auf eine Weise, die Emotionen, Vertrauen und sogar Identität berührt. Das verändert sich, wie wir die Technologie als Ganzes in Anspruch nehmen. Diese Entwicklungen veranlassen eine grundlegende Veränderung unserer Beziehung zur Technologie. Da KI -Systeme nun die Konversationshistorie behalten und ihren Ton basierend auf der Benutzerstimmung anpassen, transferieren die Interaktionen zunehmend den Transaktionsaustausch.

Die Grenze zwischen menschlicher und maschineller Interaktion ist verwischt: Benutzer beschreiben diese Börsen zunehmend als flüssig, intuitiv und überraschend persönlich. Wir bewegen uns zu einer Ära, in der künstliche Intelligenz emotionale Resonanz vor der Rohverarbeitungskraft priorisiert und Interaktionen erstellt, die die Nuancen menschlicher Beziehungen widerspiegeln, anstatt nur Befehle auszuführen.

Wir sind kurz vor dem Wandel. Generative KI steht in dieser Veränderung an vorderster Entrance, überwindet herkömmliche Hürden und brechen die Domänenbarrieren. Nur die Zukunft wird erkennen, welche andere Industrie generative KI mehr beeinflussen als jetzt und wo sie nicht mehr benötigt wird.

Lesen Sie auch: 5 Jobs, die Sie sich ohne KI im Jahr 2025 nicht vorstellen können

Abschluss

Hier geht es nicht nur um intelligentere Technologie. Es geht darum, wie sich unsere Verbindung damit ändert. Generative KI fühlt sich weniger wie ein Hintergrundwerkzeug und mehr wie etwas, mit dem Menschen tatsächlich auf einer tieferen Ebene interagieren. Es bietet Unterstützung, Empathie und in einigen Fällen ein Gefühl der Kameradschaft. Das ist eine echte Verschiebung. Während sich die KI weiterentwickelt, ist die wichtigere Geschichte vielleicht nicht das, was sie tun kann, aber Wie es in den Alltag passt. Und das sagt mehr über uns aus als über die Technik selbst.

Die Befreiung der Bildung besteht aus Kognitionsakten, nicht über Informationsübertragungen.

Paulo Freire

Erhitzte Diskussionen über künstliche Intelligenz lautet: Welche Aspekte des menschlichen Lernens können sie erfassen?

Viele Autoren schlagen vor, dass künstliche Intelligenzmodelle nicht die gleichen Fähigkeiten wie Menschen besitzen, insbesondere wenn es um Plastizität, Flexibilität und Anpassung geht.

Einer der Aspekte, die Modelle nicht erfassen, sind mehrere kausale Beziehungen über die äußere Welt.

In diesem Artikel werden diese Themen erörtert:

• Die Parallelität zwischen Faltungsnetzwerken (CNNs) und dem menschlichen visuellen Kortex
• Einschränkungen von CNNs beim Verständnis von kausalen Beziehungen und zum Lernen abstrakter Konzepte
• Wie man CNNs lernt, lernt einfache kausale Beziehungen

Ist es dasselbe? Ist es anders?

Faltungsnetzwerke (CNNs) (2) sind mehrschichtige neuronale Netzwerke, die Bilder als Eingabe aufnehmen und für mehrere Aufgaben verwendet werden können. Einer der faszinierendsten Aspekte von CNNs ist ihre Inspiration von der menschlicher visueller Kortex (1):

• Hierarchische Verarbeitung. Das visuelle Kortex verarbeitet Bilder hierarchisch, in denen frühe visuelle Bereiche einfache Merkmale (wie Kanten, Linien und Farben) und tiefere Bereiche erfassen, erfassen komplexere Merkmale wie Formen, Objekte und Szenen. CNN erfasst aufgrund seiner geschichteten Struktur Kanten und Texturen in den frühen Schichten, während Schichten weiter unten Teile oder ganze Objekte erfassen.
• Empfängliche Felder. Neuronen im visuellen Kortex reagieren auf Stimuli in einer spezifischen lokalen Area des Gesichtsfeldes (üblicherweise als Empfangsfelder bezeichnet). Wenn wir tiefer gehen, weiteten sich die Empfangsfelder der Neuronen, sodass räumliche Informationen integriert werden können. Dank der Pooling -Schritte geschieht das gleiche in CNNs.
• Characteristic -Sharing. Obwohl biologische Neuronen nicht identisch sind, werden ähnliche Merkmale in verschiedenen Teilen des Gesichtsfeldes erkannt. In CNNs die verschiedenen Filter Scannen Sie das gesamte Bild, sodass Muster unabhängig vom Ort erkannt werden können.
• Räumliche Invarianz. Menschen können Objekte auch dann erkennen, wenn sie bewegt, skaliert oder gedreht werden. CNNs besitzen auch dieses Eigentum.

Diese Funktionen haben CNNs in visuellen Aufgaben bis zur übermenschlichen Leistung intestine abschneiden:

Russakovsky et al. (22) berichteten kürzlich, dass die menschliche Leistung einen High-5-Fehler von 5,1% im ImageNet-Datensatz ergibt. Diese Zahl wird von einem menschlichen Annotator erreicht, der in den Validierungsbildern intestine ausgebildet ist, um sich der Existenz relevanter Klassen besser zu bewusst. (…) Unser Ergebnis (4,94%) übertrifft die gemeldete Leistung auf menschlicher Ebene. – 3) (3)

Obwohl CNNs bei mehreren Aufgaben besser abschneiden als Menschen, gibt es immer noch Fälle, in denen sie spektakulär scheitern. In einer Studie von 2024 (4) konnten AI -Modelle beispielsweise die Bildklassifizierung nicht verallgemeinern. Hochmoderne Modelle funktionieren besser als Menschen für Objekte auf aufrechten Posen, fehlen jedoch, wenn Objekte auf ungewöhnlichen Posen liegen.

Zusammenfassend zeigen unsere Ergebnisse, dass (1) Menschen immer noch viel robuster sind als die meisten Netzwerke, um Objekte in ungewöhnlichen Posen zu erkennen, (2) Zeit von entscheidender Bedeutung, damit eine solche Fähigkeit zu entstehen, und (3) sogar zeitlich begrenzte Menschen sind tiefe neuronale Netzwerke unähnlich. – SOURCE (4)

In der Studie (4) stellen sie fest, dass Menschen Zeit brauchen, um in einer Aufgabe erfolgreich zu sein. Einige Aufgaben erfordern nicht nur visuelle Erkennung, sondern auch Abtraktive Wahrnehmungwas Zeit erfordert.

Die Verallgemeinerungsfähigkeiten, die Menschen in der Lage machen, sind aus dem Verständnis der Gesetze zu verstehen, die die Beziehungen zwischen Objekten regeln. Der Mensch erkennen Objekte an, indem sie Regeln extrapolieren und diese Regeln verkettet werden, um sich an neue Situationen anzupassen. Eine der einfachsten Regeln ist die „gleiche differenzente Beziehung“: die Fähigkeit zu definieren, ob zwei Objekte gleich oder unterschiedlich sind. Diese Fähigkeit entwickelt sich im Säuglingsalter schnell und ist auch wichtig mit der Sprachentwicklung verbunden (5-7). Darüber hinaus haben einige Tiere wie Enten und Schimpansen es ebenfalls (8). Im Gegensatz dazu ist es sehr schwierig, gleiche unterschiedliche Beziehungen zu lernen neuronale Netze (9-10).

Faltungsnetzwerke zeigen Schwierigkeiten beim Erlernen dieser Beziehung. Ebenso lernen sie keine anderen Arten von kausalen Beziehungen, die für den Menschen einfach sind. Daher haben viele Forscher das zu dem Schluss gekommen CNNs Fehlen der induktiven Verzerrung, die notwendig ist, um diese Beziehungen lernen zu können.

Diese negativen Ergebnisse bedeuten nicht, dass neuronale Netze völlig nicht in der Lage sind, gleiche unterschiedliche Beziehungen zu lernen. Viel größere und länger ausgebildete Modelle können diese Beziehung lernen. Zum Beispiel, Imaginative and prescient-Transformator Modelle vorgebreitet Bildnische mit kontrastives Lernen kann diese Fähigkeit zeigen (12).

Können CNNs gleich unterschiedliche Beziehungen lernen?

Die Tatsache, dass breite Modelle diese Artwork von Beziehungen lernen können, hat das Interesse an CNNs wieder aufgenommen. Die gleiche differente Beziehung wird unter den grundlegenden logischen Operationen betrachtet, aus denen die Grundlagen ausmachen Kognition höherer Ordnung Und Argumentation. Das zeigen, dass flache CNNs dieses Konzept lernen können, würde es uns ermöglichen, mit anderen Beziehungen zu experimentieren. Darüber hinaus ermöglicht es Modelle, immer komplexer zu lernen kausale Beziehungen. Dies ist ein wichtiger Schritt, um die Verallgemeinerungsfähigkeiten von KI voranzutreiben.

Frühere Arbeiten deuten darauf hin, dass CNNs nicht über das Architektur verfügen induktive Vorurteile abstrakte visuelle Beziehungen lernen zu können. Andere Autoren gehen davon aus, dass das Downside im Trainingsparadigma liegt. Im Allgemeinen die Klassiker Gradientenabstieg wird verwendet, um eine einzelne Aufgabe oder eine Reihe von Aufgaben zu lernen. Bei einer Aufgabe t oder einer Reihe von Aufgaben t wird eine Verlustfunktion L verwendet, um die Gewichte φ zu optimieren, die die Funktion L minimieren sollten:

Dies kann einfach als die Summe der Verluste über verschiedene Aufgaben hinweg angesehen werden (wenn wir mehr als eine Aufgabe haben). Stattdessen die Modell-agnostisches Meta-Studying (MAML) Der Algorithmus (13) ist so konzipiert, dass er nach einem optimalen Punkt im Gewichtsraum nach einer Reihe verwandter Aufgaben sucht. MAML versucht, einen anfänglichen Satz von Gewichten θ zu finden, das die minimiert Verlustfunktion Auf Aufgaben über die schnelle Anpassung ermöglichen:

Der Unterschied magazine klein erscheinen, aber konzeptionell ist dieser Ansatz auf Abstraktion gerichtet und Verallgemeinerung. Wenn es mehrere Aufgaben gibt, versucht herkömmliche Schulungen, Gewichte für verschiedene Aufgaben zu optimieren. MAML versucht, eine Reihe von Gewichten zu identifizieren, die für verschiedene Aufgaben optimum sind, gleichzeitig jedoch gleichzeitig im Gewichtsraum. Dieser Startpunkt θ ermöglicht es dem Modell, über verschiedene Aufgaben hinweg effektiver zu verallgemeinern.

Da wir jetzt eine Methode haben, die auf Verallgemeinerungen und Abstraktion verzerrt ist, können wir testen, ob wir CNNs dazu bringen können, die gleiche differente Beziehung zu lernen.

In dieser Studie (11) verglichen sie flache CNNs, die mit klassischem Gradientenabstieg ausgebildet waren und Meta-Studying auf einem Datensatz für diesen Bericht. Der Datensatz besteht aus 10 verschiedenen Aufgaben, die auf die gleiche unterschiedliche Beziehung testen.

Die Autoren (11) vergleichen CNNs von 2, 4 oder 6 Schichten, die auf traditionelle Weise oder mit Meta-Studying ausgebildet sind, und zeigen einige interessante Ergebnisse:

1. Die Leistung traditioneller CNNs zeigt ein ähnliches Verhalten wie zufällig.
2. Das Meta-Studying verbessert die Leistung erheblich, was darauf hindeutet, dass das Modell die gleichdifferenzierende Beziehung lernen kann. Ein 2-layerer CNN erzielt wenig besser als Zufall, aber durch die Erhöhung der Tiefe des Netzwerks verbessert sich die Leistung auf nahezu perfekte Genauigkeit.

Eines der faszinierendsten Ergebnisse von (11) ist, dass das Modell auf Go away-One-Out-Weise trainiert werden kann (9 Aufgaben verwenden und eine auslassen) und die Verallgemeinerungsfunktionen außerhalb der Verteilung anzeigen. Daher hat das Modell das Abstraktenverhalten gelernt, das in einem so kleinen Modell kaum zu sehen ist (6 Schichten).

Schlussfolgerungen

Obwohl Faltungsnetze inspiriert waren, wie das menschliche Gehirn visuelle Reize verarbeitet, erfassen sie einige seiner grundlegenden Fähigkeiten nicht. Dies gilt insbesondere für kausale Beziehungen oder abstrakte Konzepte. Einige dieser Beziehungen können aus großen Modellen nur mit umfangreichem Coaching gelernt werden. Dies hat zu der Annahme geführt, dass kleine CNNs diese Beziehungen aufgrund mangelnder Architektur induktiver Tendenz nicht lernen können. In den letzten Jahren wurden Anstrengungen unternommen, um neue Architekturen zu schaffen, die einen Vorteil beim Lernen von relationalem Denken haben könnten. Die meisten dieser Architekturen lernen jedoch solche Beziehungen nicht. Interessanterweise kann dies durch die Verwendung von Meta-Studying überwunden werden.

Der Vorteil des Meta-Studying besteht darin, das abstraktere Lernen zu treiben. Meta-Studying-Druck auf die Verallgemeinerung und versucht, gleichzeitig für alle Aufgaben zu optimieren. Zu diesem Zweck wird das Erlernen von abstrakteren Merkmalen bevorzugt (Merkmale auf niedriger Ebene wie die Winkel einer bestimmten Type sind nicht nützlich für die Verallgemeinerung und sind ungünstig). Das Meta-Studying ermöglicht es einem flachen CNN, abstraktes Verhalten zu lernen, das sonst noch viel mehr Parameter und Schulungen erfordern würde.

Die flachen CNNs und die gleiche differente Beziehung sind ein Modell für höhere kognitive Funktionen. Meta-Studying und verschiedene Formen des Trainings könnten nützlich sein, um die Argumentationsmöglichkeiten der Modelle zu verbessern.

Eine andere Sache!

Sie können nach meinen anderen Artikeln suchen Mediumund Sie können mich auch anschließen oder mich erreichen LinkedIn oder in Bluesky. Überprüfen Dieses Repositorywas enthält wöchentlich aktualisierte ML & AI Information, oder Hier für andere Tutorials und Hier Für AI -Bewertungen. Ich bin offen für Zusammenarbeit und Projekte, Und Sie können mich auf LinkedIn erreichen.

Referenz

Hier ist die Liste der Hauptreferenzen, die ich beraten habe, um diesen Artikel zu schreiben. Nur der Vorname für einen Artikel wird zitiert.

1. Lindsay, 2020, Faltungsnetzwerke als Modell des visuellen Methods: Vergangenheit, Gegenwart und Zukunft, Hyperlink
2. Li, 2020, Eine Übersicht über die neuronalen Netzwerke von Faltungen: Analyse, Anwendungen und Aussichten, Hyperlink
3. Er, 2015, tief in Gleichrichter eintaucht: Übertretung von Leistung auf menschlicher Ebene bei der ImageNet-Klassifizierung, Hyperlink
4. Ollikka, 2024, ein Vergleich zwischen Menschen und KI, um Objekte in ungewöhnlichen Posen zu erkennen, Hyperlink
5. Premark, 1981, Die Codes of Man and Beasts, Hyperlink
6. Blote, 1999, Organisationsstrategien für kleine Kinder zu der gleichen unterschiedlichen Aufgabe: eine mikrogenetische Studie und eine Trainingsstudie, Hyperlink
7. Lupker, 2015, gibt es phonologisch basiertes Priming in der gleichen differenzierenden Aufgabe? Beweise von japanisch-englischen Zweisprachigen, Hyperlink
8. Gentner, 2021, Lernen Dasselbe Und anders Beziehungen: Vergleiche mit Kreuzspezies, Hyperlink
9. Kim, 2018, nicht so-clevr: Lernen gleicherdifferentes Beziehungsstämme Feedforward Neural Networks, Hyperlink
10. Puebla, 2021, können tiefe Faltungsnetzwerke in der gleichen Differenz von relationaler Begründung in der gleichen Aufgabe unterstützen? Hyperlink
11. Gupta, 2025, Faltungsnetzwerke können (meta-) die gleiche differenzierte Beziehung lernen, Hyperlink
12. Tartaglini, 2023, Deep Neural Networks können verallgemeinerbare gleichen visuellen Beziehungen lernen, Hyperlink
13. Finn, 2017, Modell-agnostisches Meta-Studying für die schnelle Anpassung von tiefen Netzwerken, Hyperlink

Rund 200 Mitarbeiter von Google DeepMind, der KI-Forschungsabteilung von Google, haben Alarm geschlagen wegen der Militärverträge des Unternehmens. Laut Zeit, Sie haben Google aufgefordert, die Zusammenarbeit mit Militärorganisationen einzustellen, da sie der Ansicht sind, dass dieser Einsatz ihrer Technologie gegen die ethischen Regeln von Google für KI verstößt.

Eine kurze Erinnerung: Als Google DeepMind 2014 übernahm, battle das Labor versprach, dass seine KI-Technologie nicht für militärische oder Überwachungszwecke eingesetzt würde. DeepMind operierte jahrelang einigermaßen unabhängig. Als jedoch die KI-Konkurrenz zunahm, wurde DeepMind stärker in Google integriert. Im Jahr 2023 fusionierte es mit Google Mind und rückte damit näher an Googles Hauptaktivitäten heran.

Die umstrittenen Verträge: Projekt Nimbus & mehr

Im Mittelpunkt stehen die Cloud-Dienste von Google, darunter die von DeepMind entwickelte KI, die an Regierungen und Militärs verkauft wurden. Der umstrittenste Vertrag ist das Projekt Nimbus, ein Deal mit der israelischen Regierung. Dieser Vertrag wurde kritisiert, weil er das israelische Militär unterstützt, das an Operationen in Gaza beteiligt ist.

Mitarbeiter von DeepMind befürchten, dass die Zusammenarbeit mit Militärorganisationen gegen die KI-Prinzipien von Google verstößt. Diese Prinzipien sollen sicherstellen, dass KI ethisch und verantwortungsbewusst eingesetzt wird. Sie besagen, dass KI keinen Schaden anrichten oder für Waffen oder Überwachungsmaßnahmen eingesetzt werden darf, die gegen die Menschenrechte verstoßen.

Der Transient der Mitarbeiter

Am 16. Mai 2024 schickten die Mitarbeiter einen Transient, in dem sie ihre Bedenken äußerten. In dem Transient heißt es, dass sie zwar nicht auf bestimmte Konflikte oder Regierungen abzielen, aber besorgt sind über den Einsatz von KI im Militär Einstellungen. Es wird argumentiert, dass eine solche Einmischung DeepMinds Engagement für ethische KI schadet.

In dem Transient werden drei Hauptmaßnahmen gefordert:

1. Untersuchung: Sehen Sie sich an, wie die Technologie von DeepMind von Militärorganisationen eingesetzt wird.
2. Beendigung: Beenden Sie den Zugriff auf die DeepMind-Technologie für Militärkunden.
3. Führung: Ein neues Gremium soll die zukünftige militärische Nutzung der DeepMind-Technologie verhindern.

Reaktion und Frustrationen des Unternehmens

Google antwortete, dass es seinen KI-Prinzipien folge und dass das Projekt Nimbus die Bereitstellung von Cloud-Diensten für israelische Ministerien und nicht direkt für das Militär beinhalte. Google behauptet, dass diese Dienste nicht für smart militärische oder geheime Zwecke bestimmt seien.

Die Unterzeichner des Briefes argumentieren jedoch, dass die Antwort von Google unklar sei und nicht auf ihre Bedenken eingehe, dass das Unternehmen mit seiner Technologie Überwachung und Gewalt unterstütze.

Die Mitarbeiter sind über die mangelnde Reaktion von Google auf ihren Transient frustriert und haben den Eindruck, dass die Unternehmensleitung ihre Anliegen nicht wirksam berücksichtigt hat.

Bei einer Bürgerversammlung im Juni versicherte Lila Ibrahim, Chief Working Officer von DeepMind, den Mitarbeitern, dass DeepMind keine KI für Waffen oder Massenüberwachung entwickeln werde. Sie betonte Googles Engagement für verantwortungsvolle KI, was ihrer Aussage nach der Grund dafür battle, dass sie dem Unternehmen beigetreten und dort geblieben sei.

Diese Scenario bei Google DeepMind spiegelt eine größere Debatte in der Technologiebranche über den Einsatz fortschrittlicher Technologien in militärischen Anwendungen wider. Da die KI-Technologie immer weiter fortschreitet, stehen Unternehmen wie Google vor der Herausforderung, Geschäftsinteressen mit ethischen Verantwortlichkeiten in Einklang zu bringen. Der Ausgang dieses Streits könnte wichtige Richtlinien für die zukünftige Entwicklung und Nutzung von KI setzen.