Eine kürzlich von Yann LeCun, dem Chef-AI-Wissenschaftler von Meta, geleitete Studie zeigt, wie künstliche Intelligenz durch das Anschauen von Videos ein grundlegendes Verständnis der Physik entwickeln kann. Die von Wissenschaftlern von Meta FAIR, der Universität Paris und der EHESS durchgeführte Forschungsarbeit demonstriert, dass KI-Systeme intuitives physikalisches Wissen durch selbstüberwachtes Lernen erwerben können, ohne dass vordefinierte Regeln benötigt werden. Das Forschungsteam verwendete eine neue Methode namens Video Joint Embedding Predictive Architecture (V-JEPA).

Auf der CES 2025 stellte NVIDIA die neue Cosmos-Plattform vor, die die Entwicklung physikalischer KI-Systeme, insbesondere für autonome Fahrzeuge und Roboter, beschleunigen soll. Cosmos integriert ein generatives Weltgrundmodell (WFM), einen Video-Annotator, Sicherheitsmechanismen und eine beschleunigte Datenverarbeitungs-Pipeline. Diese Funktionen helfen Entwicklern, KI-Modelle zu erstellen und zu optimieren, wobei die Abhängigkeit von realen Daten reduziert wird. Die Cosmos-Plattform wird...

Forscher des ByteDance-Instituts und der Tsinghua-Universität haben kürzlich eine neue Studie veröffentlicht, die zeigt, dass aktuelle KI-Videogenerierungsmodelle wie OpenAIs Sora zwar beeindruckende visuelle Effekte erzeugen können, aber erhebliche Mängel im Verständnis grundlegender physikalischer Gesetze aufweisen. Diese Studie hat eine breite Diskussion über die Fähigkeiten von KI bei der Simulation der Realität ausgelöst. Das Forschungsteam testete KI-Videogenerierungsmodelle in drei verschiedenen Szenarien: Vorhersagen in bekannten Mustern, Vorhersagen in unbekannten Mustern.

Forscher von Archetype AI haben ein KI-Basismodell namens "Newton KI-Modell" entwickelt, das verschiedene physikalische Phänomene allein durch die Analyse von Sensordaten präzise vorhersagen kann, sogar solche, die während des Trainings nicht vorgekommen sind. Dieses bahnbrechende Forschungsergebnis könnte die Art und Weise, wie physikalische Forschung betrieben wird, grundlegend verändern und ein neues Kapitel für wissenschaftliche Entdeckungen aufschlagen. Traditionell erfordert die Erstellung von KI-Modellen für physikalische Phänomene die Eingabe einer großen Menge an physikalischen Gesetzen und Fachwissen als Vorwissen in das Modell, was das Modell...

Yuanxiang Information Technology Co., Ltd. aus Shenzhen hat MotionGen vorgestellt, das erste inländische physikalisch basierte 3D-Bewegungsgenerierungsmodell. Das Modell kombiniert modernste Algorithmen wie große Modelle, physikalische Simulation und Reinforcement Learning, sodass Benutzer mit einfachen Textbefehlen realistische und flüssige 3D-Bewegungen generieren können. Diese Innovation senkt die Einstiegshürde für die Erstellung von 3D-Inhalten erheblich und bietet der Animations-, Spiele-, Film- und Virtual-Reality-Branche mehr kreative Freiheit und Effizienz. Das MotionGen-Modell verfügt über präzise Textverständnisfähigkeiten und kann komplexe Befehle analysieren und entsprechende Bewegungen generieren.

KAN2.0, ein verbessertes neuronales Netzwerk-Framework, zielt darauf ab, die Verbindung zwischen KI und klassischer Physik zu vertiefen. Forscher können maßgeschneiderte Modelle erstellen und Fachwissen einbringen, um wichtige Konzepte physikalischer Systeme wie die Lagrange-Funktion zu entdecken. Das neue Framework verbessert die Modellrepräsentation, -nutzbarkeit und -erklärbarkeit durch drei Hauptfunktionen: MultKAN, kanpiler und den Baum-Transformator. Es löst Kompatibilitätsprobleme zwischen KI und wissenschaftlichen Anwendungen. KAN2.0 zeichnet sich durch die Identifizierung von Merkmalen, die Aufdeckung von Modulstrukturen und die Entdeckung von symbolischen Formeln aus, insbesondere in Bereichen, die sich nur schwer durch symbolische Gleichungen darstellen lassen, wie z. B. in der Chemie.

Die zehn wichtigsten Fortschritte der chinesischen Wissenschaft 2023 wurden bekannt gegeben. Zu den ausgezeichneten Leistungen zählen Technologien aus den Bereichen Künstliche Intelligenz und Quantenphysik. Aus über 600 wissenschaftlichen Forschungsergebnissen wurden 10 bedeutende wissenschaftliche Forschungsergebnisse ausgewählt. Die Veranstaltung wird von der Nationalen Naturwissenschaftlichen Stiftung Chinas ausgerichtet und die Auswahl erfolgte durch die Abstimmung von über 2100 hochrangigen Experten. Die seit 2005 stattfindende Veranstaltung wurde bereits zum 19. Mal erfolgreich durchgeführt.

Das Team der Nanyang Technological University stellt das InsActor-Framework vor, das ein diffusionsbasiertes Modell für menschliche Bewegungen verwendet, um realistische physikalische Animationen aus Befehlen zu generieren. InsActor nutzt eine Diffusionsstrategie zur bedingten Bewegungsplanung und erfasst die komplexe Beziehung zwischen hochrangigen menschlichen Befehlen und den Aktionen der Charaktere. Experimente zeigen, dass InsActor in der Befehlsgestützten Bewegungsgenerierung und bei Wegpunkt-Navigationsaufgaben überlegene Ergebnisse erzielt. Die Flexibilität des Frameworks ermöglicht eine Anpassung der Animationen und zeigt eine breite Anwendbarkeit, wobei gleichzeitig die visuelle Attraktivität und die physikalische Plausibilität gewahrt bleiben. Die Studie weist auf InsActor hin.