Kategorie: Forschung
-
DARPA Grand Challenge 2005: Stanley durchquert die Wüste (2005)
Am 8. Oktober 2005 gewann Stanleys autonomes Fahrzeug der Stanford Racing Team die DARPA Grand Challenge und schaffte 212 km durch die Mojave-Wüste in 6 Stunden 53 Minuten, nachdem 2004 kein Fahrzeug das Rennen beendet hatte.
-
LeCuns Postleitzahl-Netze: als Faltung auf Backpropagation trifft (1989)
1989 veröffentlichten Yann LeCun und Kollegen bei AT&T Bell Laboratories ein konvolutionales neuronales Netz, trainiert mit Backpropagation auf handgeschriebene US-Postleitzahlen: ein früher Beweis, dass lokale Filter reale Postsortierung skalieren können.
-
Neuronale Sprachmodelle: Bengios Kampf gegen den Fluch der Dimensionalität (2003)
2003 veröffentlichten Yoshua Bengio und Kollegen A Neural Probabilistic Language Model im Journal of Machine Learning Research und lernten verteilte Wortrepräsentationen, um den Grenzen riesiger n-Gramm-Tabellen zu entkommen.
-
Random Forests: Leo Breimans Ensemble aus Entscheidungsbäumen (2001)
Im Oktober 2001 veröffentlichte Leo Breiman Random Forests in Machine Learning und kombinierte viele entkorrelierte Entscheidungsbäume, die auf Bootstrap-Stichproben trainiert wurden, zu einem leistungsfähigen Allzweck-Klassifikator.
-
Support-Vektor-Maschinen: Maximum-Margin-Klassifikatoren mit Kerneln (1995)
1995 veröffentlichten Corinna Cortes und Vladimir Vapnik Support-Vektor-Netze in Machine Learning und verbanden lineare Maximum-Margin-Trennung mit dem Kernel-Trick für nichtlineare Grenzen.
-
TD-Gammon: Backgammon lernen durch Selbstspiel (1992)
Gerald Tesauro bei IBM baute TD-Gammon, ein neuronales Netz, das sich Backgammon durch Temporal-Difference-Lernen und Selbstspiel selbst beibrachte und damit nahezu Expertenniveau erreichte.
-
Boltzmann-Maschinen: als neuronale Netze die statistische Physik entlehnten (1985)
1985 veröffentlichten David Ackley, Geoffrey Hinton und Terrence Sejnowski einen Lernalgorithmus für Boltzmann-Maschinen: stochastische binäre Einheiten, eine Energiefunktion aus der Physik und langsames Sampling, das spätere Methoden vermeiden wollten.
-
Deep Belief Networks: als tiefe Netze wieder trainierbar wurden (2006)
Im Juli 2006 zeigten Geoffrey Hinton und Kollegen, dass sich eingeschränkte Boltzmann-Maschinen schichtweise stapeln und das Ergebnis per Backpropagation feinabstimmen lässt. Das half, die Wiederbelebung des tiefen Lernens einzuleiten.
-
Backpropagation: wie neuronale Netze aus Fehlern lernten (1986)
1986 zeigten David Rumelhart, Geoffrey Hinton und Ronald Williams, dass mehrschichtige neuronale Netze mit Backpropagation eigene innere Darstellungen lernen. Das Verfahren ist bis heute Standard beim Training der meisten neuronalen Netze.
-
GANs: als neuronale Netze lernten, Bilder zu erfinden (2014)
Im Juni 2014 stellten Ian Goodfellow und Kollegen die Generative Adversarial Networks vor: zwei neuronale Netze, die gegeneinander trainieren. Die Idee machte realistische Bildsynthese möglich und warf früh die Frage nach Fälschungen auf.
-
KI erreicht Gold bei der Internationalen Mathematik-Olympiade (2025)
Im Juli 2025 lösen Sprachmodelle von Google DeepMind und OpenAI fünf von sechs IMO-Aufgaben und erreichen mit 35 von 42 Punkten Goldniveau, in natürlicher Sprache und innerhalb der Prüfungszeit.
-
AlphaFold gewinnt den Chemie-Nobelpreis 2024
Einen Tag nachdem die KI den Physikpreis holte, ehrte der Chemie-Nobelpreis 2024 AlphaFold, das DeepMind-Modell zur Vorhersage von Proteinstrukturen, und das computergestützte Proteindesign.
-
Der Physik-Nobelpreis 2024 geht an neuronale Netze
John Hopfield und Geoffrey Hinton erhielten den Physik-Nobelpreis 2024 für grundlegende Arbeiten zu künstlichen neuronalen Netzen, dem Fundament der heutigen KI.
-
"Attention is all you need": der Transformer kommt (2017)
Ein Paper von 2017 ersetzte die sequenzielle Mechanik früherer Netze durch reine Aufmerksamkeit. Der Transformer wurde die Architektur hinter fast jedem großen Sprachmodell seither.
-
AlexNet: die Nacht, in der Deep Learning zurückkam (2012)
Ein tiefes neuronales Netz, trainiert auf zwei Gaming-<abbr title="Graphics Processing Unit">GPU</abbr>s, pulverisierte den ImageNet-Maßstab und beendete fast über Nacht einen langen Winter für neuronale Netze.
-
GPT-3: als Skalierung zur Strategie wurde (2020)
OpenAIs Modell mit 175 Milliarden Parametern zeigte, dass ein ausreichend großes Sprachmodell neue Aufgaben aus wenigen Beispielen im Prompt lernen kann, ganz ohne Nachtraining.
-
ImageNet: der Datensatz, der Maschinen sehen lehren sollte (2006)
Fei-Fei Li setzte darauf, dass Daten und nicht nur cleverere Algorithmen den Durchbruch bringen. ImageNet wurde der Maßstab, der die Ära des tiefen Lernens zündete.
-
OpenAI o1: Modelle, die denken, bevor sie antworten (2024)
OpenAI zeigte eine Modellreihe, die trainiert wurde, Probleme Schritt für Schritt zu durchdenken, bevor sie antwortet, tauscht Tempo gegen Genauigkeit und belebt die Idee, dass längeres Nachdenken sich lohnen kann.
-
Rosenblatts Perzeptron: die Maschine, die lernte (1958)
Frank Rosenblatts Perzeptron war die erste Maschine, die aus Erfahrung lernte, von der Presse gefeiert, von Kritikern angegriffen und Jahrzehnte später rehabilitiert.
-
Computing Machinery and Intelligence: Turings Nachahmungsspiel (1950)
Alan Turings Aufsatz von 1950 ersetzte die Frage, ob Maschinen denken können, durch einen praktischen Test und prägt bis heute, wie wir über maschinelle Intelligenz sprechen.