KI News: Kurz und klar.

Künstliche Intelligenz liefert immer mehr Erklärungen zu ihren Entscheidungen. Gegenfaktische Erklärungen, die minimale Änderungen an Eingabedaten beschreiben, die das Ergebnis eines Modells verändern, sind dabei besonders beliebt. Doch die meisten Verfahren wurden bislang nicht darauf geprüft, wie sie unter Unsicherheit in Modellen und Daten funktionieren.

Eine aktuelle Untersuchung von Forschern aus dem Bereich der künstlichen Intelligenz hat ein überraschendes Ergebnis geliefert: Trotz der bekannten Empfindlichkeit von Large Language Models (LLMs) gegenüber kleinen Prompt‑Veränderungen zeigen sie eine bemerkenswerte Stabilität gegenüber emotionalen Rahmenbedingungen. Das Phänomen, das die Autoren als „Paradox der Robustheit“ bezeichnen, legt nahe, dass die Mechanismen, die LLMs zu sycophantischem Verhalten führen, nicht zwangsläufig ihre Fähigkeit beeinträchtigen, logische Regeln einzuhalten.

FutureX, das bereits einen Live-Benchmark für generelle Zukunftsvorhersagen etabliert hat, erweitert sein Konzept nun um FutureX-Pro. Dieses neue Framework richtet sich gezielt an vier hochrelevante Branchen – Finanzen, Einzelhandel, öffentliche Gesundheit und Naturkatastrophen – und bietet darüber hinaus eine Variante für die Suchmaschinenbranche.

Die „What’s Next“-Reihe des MIT Technology Review untersucht Branchen, Trends und Technologien, um einen ersten Blick in die Zukunft zu geben. In der schnelllebigen Welt der künstlichen Intelligenz ist es leicht, Vorhersagen als riskant zu betrachten – doch die Autoren stützen ihre Einschätzungen auf umfangreiche Analysen und Experteninterviews.

Im Jahr 2025 hat sich der enorme Aufschwung um künstliche Intelligenz endlich in einer klaren Korrektur niedergeschlagen. Nachdem OpenAI 2022 mit ChatGPT die Welt in den Bann gezogen hatte, war die Begeisterung für KI‑Anwendungen ungebremst. Millionen von Nutzern begannen, mit ihren Computern zu sprechen, und die Technologieunternehmen reagierten mit einer rasanten Produktentwicklung.

Generative KI‑Modelle werden zunehmend eingesetzt, um sensible Trainingsdaten durch synthetische Versionen zu ersetzen. Doch neue Forschung zeigt, dass diese „sicheren“ Daten immer noch vertrauliche Informationen preisgeben können. Durch strukturelle Überschneidungen im Datenraum lassen sich reale Trainingsbeispiele aus synthetischen Stichproben rekonstruieren.

Eine neue Studie zeigt, wie Wissensgraphen dazu genutzt werden können, robuste Benchmarks für die Bewertung semantischer Ähnlichkeit von Texten zu erstellen. Traditionelle Methoden zur Messung der semantischen Nähe von Antworten großer Sprachmodelle (LLMs) greifen häufig zu syntaktischen oder lexikalischen Merkmalen, anstatt wirklich den Inhalt zu erfassen. Zudem sind vorhandene Benchmarks teuer in der Erstellung, stark von subjektiven menschlichen Urteilen abhängig und für spezielle Fachgebiete kaum verfügbar.

Die neueste Veröffentlichung auf arXiv (2511.08620v1) präsentiert GrADS, einen selbstadaptiven, gradienten‑bewussten Ansatz zur Auswahl von Trainingsdaten für das supervised fine‑tuning (SFT) großer Sprachmodelle (LLMs). Durch die Analyse der Gradienten aus einer Vortrainingsphase identifiziert GrADS gezielt die Beispiele, die den Lernprozess am stärksten fördern, und reduziert damit die Menge an benötigten Daten erheblich.

Tabellarische Daten sind nach wie vor das Rückgrat zahlreicher Produktionsmodelle in Bereichen wie Finanzen, Gesundheitswesen, Energie und Industrie. Unternehmen arbeiten täglich mit umfangreichen Tabellen, die Zeilen und Spalten enthalten, anstatt mit Bildern oder langen Texten.

Bei der gestrigen Live‑Session von Ars Technica gab es ein paar Verbindungsprobleme, aber das hielt die Diskussion nicht auf. Die Moderatoren beleuchteten die Finanzen von OpenAI, die Rolle von Kernenergie in der KI‑Entwicklung und die neuesten Entwicklungen rund um Sam Altman.

Microsofts Forschungsteam in Cambridge hat die neueste Version eines Analog Optical Computer (AOC) vorgestellt, der Licht zur schnellen Berechnung nutzt. Durch die Integration von Künstlicher Intelligenz werden die Rechenfähigkeiten des Prototyps deutlich erweitert.

Google hat die Finanzplattform neu gestaltet und integriert einen KI‑Chatbot, der es Nutzern ermöglicht, ihre Finanzen besser zu verstehen. Durch die neue KI‑Funktion können Fragen zu Kontoständen, Investitionen oder Marktbewegungen direkt im Chat gestellt werden. Der Bot liefert sofortige Antworten und hilft dabei, komplexe Finanzdaten in leicht verständliche Informationen umzuwandeln. Diese Weiterentwicklung macht die Analyse persönlicher Finanzen schneller und zugänglicher als je zuvor.

Auf der Plattform arXiv wurde das neue Modell arXiv:2508.15369v1 vorgestellt, das Prognosen durch die Kombination von zwei Dimensionen – Zeit und Kohortenverhalten – deutlich verbessert. Durch die Einbeziehung von Kohorteninformationen über die Zeit hinweg kann das Modell selbst bei sehr kleinen Datensätzen robuste Vorhersagen liefern.