MÜNCHEN (IT BOLTWISE) – Forschung zeigt, dass große Sprachmodelle wie GPT-4 bei realen Anwendungen scheitern können, besonders bei dynamischen Umgebungen.
- Die besten Bücher rund um KI & Robotik
präsentiert von Amazon! - Unsere täglichen KI-News von IT Boltwise® bei LinkedIn abonnieren!
- KI-Meldungen bequem via Telegram oder per Newsletter erhalten!
- IT Boltwise® bei Facy oder Insta als Fan markieren und abonnieren!
- AI Morning Podcast bei Spotify / Amazon / Apple verfolgen!
- RSS-Feed 2.0 von IT Boltwise® für KI-News speichern!
Große Sprachmodelle (LLMs) wie GPT-4 oder Claude 3 Opus gelten als technische Meisterwerke, doch eine neue Studie von MIT, Harvard und Cornell stellt ihre Fähigkeit infrage, die reale Welt und ihre Regeln korrekt abzubilden. Die Wissenschaftler fanden heraus, dass diese Modelle zwar beeindruckende Ergebnisse liefern können, aber kein kohärentes Weltmodell entwickeln, das den Anforderungen dynamischer Umgebungen standhält.
Ein Beispiel: Bei der Aufgabe, Schritt-für-Schritt-Wegbeschreibungen in New York City zu geben, erzielten die Modelle zunächst eine nahezu perfekte Genauigkeit. Doch die zugrunde liegenden Karten enthielten fiktive Straßen und Routen. Sobald unvorhergesehene Änderungen wie Umleitungen oder Straßensperrungen hinzukamen, brach die Leistung ein. In einigen Fällen versagten die Modelle völlig, was ihre Einsatzfähigkeit in realen Szenarien wie dem autonomen Fahren infrage stellt.
Die Wissenschaftler untersuchten diese Schwächen mit deterministischen endlichen Automaten (DFAs), einer Klasse von Problemen mit klaren Zustandsabfolgen. Sie testeten die Fähigkeit von LLMs, Othello-Spiele oder komplexe Straßennetzwerke zu verstehen. Zwei Hauptmetriken wurden bewertet: „Sequenzbestimmung“, die prüft, ob ein Modell verschiedene Zustände desselben Systems korrekt verknüpfen kann, und „Sequenzkompression“, die zeigt, ob ein Modell ähnliche Zustände richtig zusammenfasst.
Ergebnisse zeigten, dass Modelle, die auf zufälligen Daten trainiert wurden, eine höhere Genauigkeit erreichten, da sie mehr mögliche Zustände sahen. Dennoch scheiterten alle getesteten Modelle, sobald unvorhergesehene Änderungen eingeführt wurden. „Schon das Schließen von 1 % der möglichen Straßen ließ die Genauigkeit von nahezu 100 % auf 67 % sinken“, so Keyon Vafa, Mitautor der Studie.
Die Forscher betonen, dass neue Ansätze nötig sind, um LLMs robuster für reale Anwendungen zu machen. Die aktuelle Abhängigkeit von transformatorbasierten Architekturen zeigt klare Grenzen auf. „Wir müssen sorgfältig hinterfragen, ob diese Modelle wirklich die Welt verstehen oder nur beeindruckend imitieren“, sagte Ashesh Rambachan, einer der Autoren der Studie.
Die Studie wirft ein Schlaglicht auf die Fragilität von KI-Systemen und zeigt, dass technologische Fortschritte allein nicht ausreichen, um zuverlässige Anwendungen in der realen Welt zu ermöglichen.
Amazon-Trendangebote der letzten 24 Stunden mit bis zu 78% Rabatt (Sponsored)
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!
- Die Zukunft von Mensch und MaschineIm neuen Buch des renommierten Zukunftsforschers und Technologie-Visionärs Ray Kurzweil wird eine faszinierende Vision der kommenden Jahre und Jahrzehnte entworfen – eine Welt, die von KI durchdrungen sein wird
- Künstliche Intelligenz: Expertenwissen gegen Hysterie Der renommierte Gehirnforscher, Psychiater und Bestseller-Autor Manfred Spitzer ist ein ausgewiesener Experte für neuronale Netze, auf denen KI aufbaut
- Obwohl Künstliche Intelligenz (KI) derzeit in aller Munde ist, setzen bislang nur wenige Unternehmen die Technologie wirklich erfolgreich ein
- Wie funktioniert Künstliche Intelligenz (KI) und gibt es Parallelen zum menschlichen Gehirn? Was sind die Gemeinsamkeiten von natürlicher und künstlicher Intelligenz, und was die Unterschiede? Ist das Gehirn nichts anderes als ein biologischer Computer? Was sind Neuronale Netze und wie kann der Begriff Deep Learning einfach erklärt werden?Seit der kognitiven Revolution Mitte des letzten Jahrhunderts sind KI und Hirnforschung eng miteinander verflochten
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI und Realität: Warum Sprachmodelle in dynamischen Umgebungen scheitern" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.