News

Wissenschaftler des Oak Ridge National Laboratory des US-Energieministeriums haben eine verteilte, kanalübergreifende hierarchische Aggregationsmethode (D-CHAG) für Basismodelle vorgeschlagen. Diese Methode verteilt den Tokenisierungsprozess und verwendet eine hierarchische Strategie zur Kanalaggregation, wodurch extrem große Modelle auf Mehrkanal-Datensätzen ausgeführt werden können.

2.2-2.6 Ausgewählte KI-Veröffentlichungen

Inspiriert vom neuen Modell von DeepSeek hat das Genos-Team, bestehend aus Forschern von BGI Genomics und dem Zhejiang Zhijiang Laboratory, ein spezielles „Plug-in“ für die Genommodellierung entwickelt: Gengram (Genomic Engram). Mit nur etwa 20 Millionen Parametern hat es die bisherigen Bestleistungen (SOTA) für zahlreiche Genomaufgaben übertroffen und bietet eine revolutionäre Lösung zur Überwindung des Flaschenhalses der Genommodellierung.

HyperAl hat von Version 2.2 bis 2.6 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

HyperAl hat vom 26. bis 30. Januar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Aktuell treiben großflächige, mehrbandige Himmelsdurchmusterungen mit großem Sichtfeld und hoher Bildtiefe die Astronomie in ein beispielloses datenintensives Zeitalter. Mit der Inbetriebnahme von Weltraumteleskopen der nächsten Generation wie dem Euclid-Weltraumteleskop, dem Rubin-Observatorium und dem Roman-Weltraumteleskop wird das Universum systematisch in einem noch nie dagewesenen Umfang und mit noch nie dagewesener Präzision kartiert. Von diesen Beobachtungen wird erwartet, dass sie [...]

Ausgewählte KI-Beiträge (26.-30. Januar)

Das Robotik-Startup Skild AI hat in einer Serie-C-Finanzierungsrunde 1,4 Milliarden US-Dollar eingesammelt und wird damit mit über 14 Milliarden US-Dollar bewertet. Die Runde wurde von der japanischen SoftBank Group angeführt, mit Beteiligung strategischer Investoren wie NVentures (Nvidia), Macquarie Capital und Bezos Expeditions (gegründet von Amazon-Gründer Jeff Bezos). Auch Samsung, LG, Schneider Electric und Salesforce Ventures beteiligten sich.

Ein gemeinsames Forschungsteam von Basecamp Research, NVIDIA und mehreren führenden akademischen Einrichtungen hat die EDEN-Serie metagenomischer Basismodelle entwickelt. Durch die Analyse umfangreicher natürlicher Evolutionsdaten, die verschiedene Arten umfassen und mit Umweltinformationen verknüpft sind, konnten sie erstmals systematisch die tiefgreifende „Grammatik“ und die universellen Prinzipien des biologischen Designs extrahieren.

Die „TRELLIS.2 3D-Generierungsdemo“ ist jetzt auf der HyperAI-Website (hyper.ai) im Bereich „Tutorials“ verfügbar. Erleben Sie die effiziente Generierung von 3D-Modellen!

Ein Forschungsteam der University of California entwickelte eine spezielle Photonenfallenstruktur (PTST) auf der Oberfläche einer Standard-Silizium-Photodiode und integrierte ein hochgradig rauschunempfindliches, vollständig vernetztes neuronales Netzwerk. Dieses Netzwerk kann das ursprüngliche Spektrum intelligent berechnen und direkt aus dem vom Bauelement gemessenen Photostromsignal rekonstruieren. Dadurch erzielt das Spektrometer nicht nur ein höheres Signal-Rausch-Verhältnis bei längeren Wellenlängen, sondern übertrifft auch die Gesamtleistung herkömmlicher Silizium-basierter Spektrometer.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

Ausgewählte KI-Beiträge (19.-23. Januar)

Dieser Artikel stellt systematisch eine Reihe hochwertiger Datensätze, Online-Tutorials und Fachartikel zum Thema verkörperte Intelligenz zusammen und dient als Grundlage für weiterführendes Lernen und Forschen. Besuchen Sie hyper.ai, um weitere hochwertige Ressourcen zu entdecken!

Ein Forschungsteam der Goethe-Universität hat das „humane E3-Ligase-Genom“ mithilfe von metrischem Lernen klassifiziert. Dabei wurden Daten verschiedener Ebenen integriert, darunter Proteinsequenzen, Domänenzusammensetzung, dreidimensionale Struktur, Funktion und Expressionsmuster. Diese Methode erweitert die traditionelle Klassifizierung von E3-Enzymen (RING-, HECT- und RBR-Klassen) um atypische Mechanismen, klärt erfolgreich funktionelle Unterteilungen auf, unterscheidet zwischen Multisubunit-Komplexen und monomeren Enzymen und ordnet E3-Enzyme Substraten und potenziellen Wirkstoffzielen zu.

Ein Forschungsteam der Yale University hat kürzlich das MOSAIC-Modell vorgestellt. Dieses Modell transformiert ein generalisiertes Big-Language-Modell in ein kollaboratives System, das aus zahlreichen spezialisierten Chemieexperten besteht. Durch professionelle Arbeitsteilung werden Modellillusionen effektiv unterdrückt, eine quantifizierbare Unsicherheitsbewertung ermöglicht und die systematische Generierung von der Reaktionsbeschreibung bis zum vollständigen Versuchsplan realisiert. Es wird erwartet, dass es die Effizienz der wissenschaftlichen Forschung in Bereichen wie der Wirkstoffforschung und der Materialentwicklung deutlich steigern wird.

Das „GLM – Präzises semantisches High-Fidelity-Bildgenerierungsmodell“ ist jetzt im Tutorial-Bereich der HyperAI-Website (hyper.ai) verfügbar. Lassen Sie Ihrer Kreativität freien Lauf!

Ein Forschungsteam der Tsinghua-Universität und der Universität Chicago untersuchte systematisch die tatsächlichen Auswirkungen von KI-Werkzeugen auf die wissenschaftliche Forschung. Dazu nutzten sie einen umfangreichen Datensatz mit 41,3 Millionen naturwissenschaftlichen Publikationen und Daten von 5,37 Millionen Wissenschaftlern aus dem Zeitraum von 1980 bis 2025. Die Studie ergab, dass KI zwar die individuelle Forschungsleistung und den akademischen Einfluss deutlich steigert, gleichzeitig aber zu einer Verengung des Wissensraums und einer Konzentration der akademischen Interaktion auf kollektiver Ebene führt. Indem KI-Forschung mithilfe von Sprachmodellen identifiziert und Innovationsindikatoren wie die „Wissensbreite“ eingeführt werden, deckt die Studie die bisher übersehenen strukturellen Kosten von KI in der Wissenschaft auf und liefert wichtige Erkenntnisse darüber, wie KI das Forschungsökosystem umgestaltet.

HyperAl hat von Version 1.12 bis 1.16 eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken.

„Qwen-Image-2512: Realistischere Porträts und Naturlandschaften erstellen“ ist jetzt im Tutorial-Bereich der HyperAI-Website (hyper.ai) verfügbar. Lassen Sie Ihrer Kreativität freien Lauf!

Ein gemeinsames Forschungsteam der Princeton University und der Colorado School of Mines hat eine effiziente, auf maschinellem Lernen basierende Vorhersagemethode entwickelt. Diese Methode nutzt ein umfangreiches Sprachmodell, um die freie Energie direkt aus der Struktursequenz von MOFs vorherzusagen. Dadurch werden die Rechenkosten deutlich reduziert und eine skalierbare, hochdurchsatzfähige thermodynamische Bewertung von MOFs ermöglicht.

HyperAl hat vom 8. bis 12. Dezember eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie intelligente Agenten, Computer Vision und TTS abdecken. (Termine und repräsentative Bereiche werden je nach den tatsächlichen Gegebenheiten angepasst.)

Im Jahr 2025 wird die bisherige Erfolgsgeschichte der KI-Branche grundlegend umgekrempelt. Angesichts von Milliardeninvestitionen und schleppendem Umsatzwachstum ist die Frage nach einer „Blase“ bereits jetzt berechtigt. Vom Einbruch der Marktkapitalisierung von Alphabet um 200 Milliarden Dollar bis hin zum verheerenden Verlustloch von ChatGPT scheint die Technologie gezwungen, sich dem Pragmatismus zu beugen.

CleaveNet, ein KI-basierter, durchgängiger Designprozess, der von einem gemeinsamen Team des MIT und der Harvard University entwickelt wurde, soll diese Herausforderung bewältigen. Durch die Zusammenarbeit prädiktiver und generativer Modelle zielt dieser Prozess darauf ab, das bestehende Paradigma des Proteasesubstrat-Designs grundlegend zu verändern und völlig neue Lösungen für die Grundlagenforschung und die biomedizinische Entwicklung zu bieten.

Das „HY-MT1.5-1.8B: Multilingual Neural Machine Translation Model“ ist jetzt auf der HyperAI-Website (hyper.ai) im Tutorial-Bereich verfügbar. Überzeugen Sie sich selbst von seinen blitzschnellen Übersetzungsfunktionen!

Der 8. Meet AI Compiler Technical Salon in 2025 wurde am 27. Dezember erfolgreich an der Shanghai Innovation Academy abgeschlossen.

FieldAI, ein 2023 gegründetes Unternehmen für verkörperte Intelligenz, hat in weniger als zwei Jahren über 405 Millionen US-Dollar an Investorengeldern eingeworben, darunter Jeff Bezos, Intel, Nvidia, Bill Gates und Samsung. Die Kernteammitglieder stammen von führenden Unternehmen wie NASA JPL, DeepMind, Tesla und SpaceX. Das Unternehmen hat sich der Entwicklung eines „universellen robotischen intelligenten Gehirns“ verschrieben, das in verschiedenen Robotertypen eingesetzt werden und sich an unterschiedliche Umgebungen anpassen kann.

HyperAI hat vom 29. Dezember bis zum 2. Januar eine Reihe äußerst wertvoller und breit anwendbarer Tutorials und Datensätze zusammengestellt, die verschiedene Bereiche wie 3D-Vision, verkörperte Intelligenz und OCR abdecken.

Die CES 2026 hat in Las Vegas, USA, begonnen. Auf der kürzlich abgeschlossenen NVIDIA Live stellte Jensen Huang die Rubin-Plattform vor, die fünf Innovationen umfasst, und veröffentlichte mehrere Open-Source-Errungenschaften.

Ein Forschungsteam von NVIDIA Research und der University of Washington hat eine Methode zur Langzeitprognose entwickelt. Der Kern besteht darin, ein autoregressives Modell, das die reale atmosphärische Variabilität gut abbildet, als „Lehrer“ zu verwenden und anschließend mit diesen Daten ein probabilistisches „Schüler“-Modell zu trainieren. Langfristige Vorhersagen lassen sich so in einem einzigen Schritt erstellen, wodurch die Akkumulation von Iterationsfehlern vermieden und das komplexe Problem der Datenkalibrierung umgangen wird.