Wissenschaftler entdecken neues KI-Phänomen – „Indoor-Trainingseffekt“
Forscher des Massachusetts Institute of Technology (MIT) und anderer wissenschaftlicher Zentren haben eine unerwartete Entdeckung im Bereich des KI-Trainings gemacht, die den herkömmlichen Ansätzen zum Training von KI-Agenten widerspricht.
Die Wissenschaftler entdeckten ein Phänomen, das sie „Indoor-Trainingseffekt“ nannten. Entgegen der traditionellen Ansicht, dass simulierte Trainingsumgebungen genau den realen Betriebsbedingungen entsprechen sollten, zeigte die Forschung: Training in einer völlig anderen, vorhersehbareren Umgebung kann zu besseren Ergebnissen führen.
„Wenn wir in der Halle Tennis spielen lernen, wo es keinen Lärm gibt, können wir verschiedene Schläge leichter beherrschen. Wenn wir dann in eine lautere Umgebung, wie einen windigen Platz, wechseln, haben wir möglicherweise eine höhere Chance, gut zu spielen, als wenn wir unter windigen Bedingungen mit dem Training begonnen hätten“, erklärt Serena Bono, Forscherin am MIT Media Lab und Hauptautorin der Studie.
Um ihre Theorie zu testen, verwendeten die Forscher modifizierte Atari-Spiele, die ein Element der Unvorhersehbarkeit enthielten. Insbesondere experimentierten sie mit Pac-Man und veränderten die Bewegungswahrscheinlichkeiten der Geister. Die Ergebnisse waren unerwartet: Ein KI-Agent, der in einer rauschfreien Version des Spiels trainiert wurde, zeigte bessere Ergebnisse in einer „verrauschten“ Umgebung als ein Agent, der mit Störungen trainiert wurde.
Diese Entdeckung ist besonders wichtig für die Entwicklung der Haushaltsrobotik. Traditionell ging man davon aus, dass ein Roboter, der in einer Fabrik für Haushaltsaufgaben trainiert wurde, in der Küche eines Benutzers aufgrund von Umgebungsunterschieden ineffizient arbeiten könnte. Die neue Forschung bietet einen grundlegend anderen Ansatz zur Lösung dieses Problems.
„Dies ist eine völlig neue Perspektive auf das Problem. Anstatt zu versuchen, die Trainingsumgebung so ähnlich wie möglich zur Testumgebung zu machen, können wir simulierte Umgebungen schaffen, in denen der KI-Agent sogar besser lernt“, bemerkt Studien-Mitautor Spandan Madan, Doktorand an der Harvard University.
Autor: AIvengo
Seit 5 Jahren arbeite ich mit maschinellem Lernen und künstlicher Intelligenz. Und dieser Bereich hört nicht auf, mich zu überraschen, zu begeistern und zu interessieren.
Dongfeng setzt 1,7m große Walker S Roboter mit 41 Servoantrieben einDongfeng Motor vereint Kräfte mit Ubtech Robotics, um innovative Walker S Roboter in die Produktionslinien zu integrieren. Diese technologischen Wunder mit einer Größe von 1 Meter und 70 Zentimetern sind bereit, traditionelle Automobilmontage-Prozesse zu transformieren. Der Generalmanager von Dongfeng Motor betont, dass die Implementierung künstlicher Intelligenz in diesen Robotern die Qualität der Überprüfung und Montage von Komponenten erheblich verbessern wird.
MIT-Doktorand reduzierte Gemälderestaurierung von 230 auf 3,5 StundenDer MIT-Doktorand Alex Kachkin entwickelte eine coole Methode zur Gemälderestaurierung mit Hilfe künstlicher Intelligenz. Die die Arbeitszeit von vielen Monaten auf wenige Stunden verkürzt. Als Demonstration restaurierte er ein Werk eines unbekannten niederländischen Meisters des 15. Jahrhunderts, das schwer von der Zeit gelitten hatte.
KI-Prothese aus Kanada analysiert Objekte und entscheidet, wie sie zu greifen sindKünstliche Intelligenz verleiht Prothesen Selbständigkeit! Wissenschaftler der Memorial University of Newfoundland schufen eine revolutionäre Armprothese, die buchstäblich selbst "denkt". Im Gegensatz zu traditionellen Modellen, die das Ablesen von Muskelsignalen über Sensoren erfordern, ist das neue Gerät vollständig autonom.
DeepSeek packte LLM-Engine in 1200 Zeilen Python-CodeDas DeepSeek-Team stellte nano-vLLM vor. Das ist eine leichtgewichtige und kompakte Engine zum Ausführen großer Sprachmodelle. Die die Vorstellung von Code-Effizienz verändern könnte. Erstaunlich, aber die gesamte Funktionalität passte in nur 1200 Zeilen Python-Code! Das ist echter technologischer Minimalismus in der Welt der künstlichen Intelligenz. Traditionelle Engines wie diese leiden bei all ihrer Macht oft unter einer überladenen Codebasis. Was ihre Modifikation zu einer echten Prüfung für Entwickler macht. Nano-vLLM löst dieses Problem, indem es ein einfaches, aber mächtiges Tool ohne unnötige Komplexität anbietet. Der Code ist offen.
Tesla-Robotaxi-Versagen: 11 Verkehrsverstöße in den ersten Tagen von 20 AutosDer Traum von Robotaxis stößt auf harte Realität! Tesla startete öffentliche Tests autonomer Taxis in Austin, aber die Ergebnisse waren weit entfernt von dem versprochenen technologischen Wunder. In den ersten Testtagen wurden mindestens 11 schwere Verkehrsverstöße registriert. Und das bei nur 20 Fahrzeugen, die für einen begrenzten Kreis von Bloggern ausgewählt wurden. Philip Koopman, Professor an der Carnegie Mellon University und Experte für autonome Technologien, verhehlt seine Überraschung nicht: "Das ist schrecklich schnell für das Auftreten so vieler Videos mit instabilem Fahren".
