Microsoft hat kürzlich auf seiner Website ein neues, quelloffenes, multimodales KI-Agenten-Basismodell namens „Magma“ veröffentlicht. Dieses neue KI-System ist in der Lage, sowohl die digitale als auch die physische Welt zu durchdringen und gleichzeitig verschiedene Datentypen wie Bilder, Videos und Texte zu verarbeiten. Im Gegensatz zu herkömmlichen KI-Assistenten zeichnet sich Magma durch seine Fähigkeit zur Verhaltensprognose aus, wodurch es die Absichten und das zukünftige Verhalten von Personen oder Objekten in Videos genauer verstehen kann. Magma bietet ein breites Anwendungsspektrum und kann von Nutzern für diverse Zwecke eingesetzt werden.

Ein Internetnutzer aus Anhui berichtete kürzlich in einem Beitrag, dass er mit den von DeepSeek empfohlenen Zahlen im Doppel-Lotto gewonnen habe, was einiges an Aufmerksamkeit erregte. Das chinesische Sportlotto warnte daraufhin in einem offiziellen WeChat-Beitrag die Öffentlichkeit davor, Behauptungen über die Vorhersage von Gewinnzahlen durch KI zu glauben. In der Erklärung stellte das chinesische Sportlotto klar, dass jede Ziehung eine unabhängige Zufallsveranstaltung ist, die Gewinnzahlen werden vollständig zufällig generiert und können durch keine technischen Mittel vorhergesagt werden. Ob nun mit künstlicher Intelligenz oder zufällig ausgewählt, die erzeugten Zahlen sind zufällig, daher ist die Gewinnwahrscheinlichkeit...

Auf dem kürzlich veranstalteten Life Science Forum von Qianfan Think Tank stellte Baidu Intelligent Cloud sein neues Biocomputing-Großmodellwerkzeug HelixFold3 vor. Das Werkzeug wurde gemeinsam von Baidus PaddleHelix-Team und dem Cloud-Hochleistungsrechenplattform-Team CHPC entwickelt und soll biowissenschaftliche Forschung mit präziseren, effizienteren und benutzerfreundlicheren Lösungen unterstützen. Die Veröffentlichung von HelixFold3 markiert einen weiteren technologischen Durchbruch im Bereich des Biocomputing. Das Modell konzentriert sich insbesondere auf die RNA-Strukturvorhersage und kovalente Modifikationen.

ViTPose ist ein Open-Source-Aktionsvorhersagemodell, das besonders gut in der Erkennung von Körperhaltungen ist – es ist so, als könnte es verstehen, welche Aktionen Sie ausführen. Die Stärke des Modells liegt in seiner Einfachheit und Effizienz. Es verzichtet auf komplexe Netzwerkstrukturen und verwendet stattdessen die Vision-Transformer-Technologie. Der Kern von ViTPose ist der Einsatz eines reinen Vision Transformers, einer Art robustes 'Skelett', das wichtige Merkmale aus Bildern extrahieren kann. Im Gegensatz zu anderen Modellen benötigt es keine komplexen...

Das Google Research Team hat kürzlich TimesFM (Time Series Foundation Model) 2.0 veröffentlicht, ein speziell für die Zeitreihenvorhersage entwickeltes vortrainiertes Modell. Das Modell zielt darauf ab, die Genauigkeit von Zeitreihenvorhersagen zu verbessern und den Fortschritt der Künstlichen Intelligenz durch Open Source und wissenschaftlichen Austausch voranzutreiben. TimesFM 2.0 ist leistungsstark und kann univariate Zeitreihen mit bis zu 2048 Zeitpunkten verarbeiten und beliebige Vorhersagezeiträume unterstützen. Bemerkenswert ist, dass die maximale Kontextlänge beim Training des Modells zwar 2048 beträgt, aber...

Auf der kürzlich stattgefundenen Westchina Technology Innovation Ecosystem Development Conference 2024 hat das Chongqing Meteorological Bureau offiziell das KI-Wettervorhersage-Großmodell „Tianzi·12h“ vorgestellt. Dieses Modell konzentriert sich auf präzise Vorhersagen von katastrophalen Niederschlägen in der Chengdu-Chongqing-Region und markiert einen wichtigen Schritt für Chongqing im Bereich der Wettervorhersage. Das Großmodell „Tianzi·12h“ basiert auf dem Huawei PanGu globalen Wettervorhersage-Großmodell und integriert regionale Wetterdaten und hochpräzise Geländedaten der Chengdu-Chongqing-Region. Es verwendet eine Architektur, die globale und regionale Großmodelle kombiniert und integriert einen dreidimensionalen Erd-spezifischen Transformator (3D-Earth-Specific Transformer).

Ein Forschungsteam hat kürzlich eine neue Technik zur Superauflösung (SR) von Bildern vorgestellt, die auf der Diffusionsinversion basiert. Ziel ist es, durch die Nutzung von Bildvorinformationen aus großen, vortrainierten Diffusionsmodellen die Auflösung und Schärfe von Bildern zu verbessern. Die Studie wurde von drei Wissenschaftlern verschiedener akademischer Einrichtungen durchgeführt, die mit ihrer Arbeit einen Durchbruch im Bereich der Bildsuperauflösung erreichen wollen. Die Forscher entwickelten dabei eine Methode namens "Partielle Rauschvorhersage" (Partial Noise Prediction),...

Künstliche Intelligenz revolutioniert traditionelle Technologiebereiche, und Wettervorhersagen sind der jüngste Beweis dafür. Diese Woche hat das Team von Google DeepMind ein revolutionäres KI-Wettervorhersagemodell namens GenCast vorgestellt und die Forschungsergebnisse in der renommierten wissenschaftlichen Fachzeitschrift Nature veröffentlicht. Die Leistung dieses KI-Modells ist bemerkenswert. Vergleiche haben gezeigt, dass GenCast das derzeit weltweit führende operative Wettervorhersagesystem, das Ensemble Prediction System (ENS) des Europäischen Zentrums für mittelfristige Wettervorhersagen (EZMW), in Bezug auf die Genauigkeit übertrifft. Anhand von Daten aus dem Jahr 2018...

Das DeepMind-Team von Google hat kürzlich die Einführung von GenCast, einem KI-Modell für Wettervorhersagen, angekündigt und erklärt, dass dessen Leistung das weltweit führende europäische Zentrum für mittelfristige Wettervorhersagen (ECMWF) ENS-System übertrifft. Diese Leistung hat in der Meteorologie große Aufmerksamkeit erregt. Laut einer in der Zeitschrift "Nature" veröffentlichten DeepMind-Studie erreicht GenCast eine Vorhersagegenauigkeit von 97,2 %. Die Forscher trainierten das Modell mit Daten bis 2018 und testeten es mit Daten aus dem Jahr 20...

Wettervorhersagen waren schon immer eine Kunst des menschlichen Ringens mit der Natur. Von der Entscheidung, ob man einen Regenschirm mitnehmen sollte, über die Bereitstellung erneuerbarer Energien bis hin zur Bewältigung extremer Wetterereignisse – unser Wunsch nach genauen Wetterinformationen ist ungebrochen. Traditionelle Wettervorhersagen sind jedoch immer mit Unsicherheiten behaftet, die aus den Grenzen unserer Beobachtung des atmosphärischen Systems und den inhärenten Grenzen der Vorhersagemodelle resultieren. Die traditionelle numerische Wettervorhersage (NWP) stützt sich seit langem auf komplexe Gleichungen der Atmosphärendynamik, um den aktuellen Wetterzustand auf die Zukunft abzubilden. Dennoch werden selbst kleine anfängliche Fehler oft schnell verstärkt, was zu einer langfristigen Vorhersage...

Im Bereich der Wettervorhersage vollzieht sich ein stiller Wandel. Das Google-Tochterunternehmen DeepMind hat ein KI-Wettervorhersageprogramm namens GenCast entwickelt, dessen Vorhersagen die derzeit führenden Wettervorhersagesysteme – das europäische Zentrum für mittelfristige Wettervorhersagen (ECMWF) mit seinem ENS-Vorhersagesystem – übertreffen. Studien zufolge verbessert GenCast die Vorhersagegenauigkeit sowohl für das tägliche Wetter als auch für extreme Wetterereignisse um 20 % gegenüber ENS. Bildquelle: Bild von KI generiert, Bildrechte vorbehalten.

Die Brandgefahr von Lithium-Ionen-Batterien ist ein großes Problem. Wissenschaftler haben nun eine Methode entwickelt, die Brandgefahr anhand von Geräuschen vorherzusagen. Studien zufolge durchlaufen Lithium-Ionen-Batterien vor einem Brand eine Reihe chemischer Reaktionen, die zu einem allmählichen Druckaufbau und letztendlich zur Ausdehnung der Batterie führen. Bildquelle: KI-generiertes Bild, Midjourney. Das feste Batteriegehäuse kann diese Ausdehnung nicht aufnehmen, daher bricht das Sicherheitsventil bei zu hohem Druck und erzeugt ein charakteristisches Geräusch.

Google DeepMind hat kürzlich unerwartet den Quellcode und die Modellgewichte von AlphaFold3 veröffentlicht – ein bedeutender Fortschritt, der die wissenschaftliche Entdeckung und Medikamentenentwicklung beschleunigen könnte. Nur wenige Wochen nach dieser Ankündigung erhielten die Schöpfer des Systems, Demis Hassabis und John Jumper, den Nobelpreis für Chemie 2024 für ihre Beiträge zur Proteinstrukturvorhersage. Im Vergleich zur Vorgängerversion AlphaFold2 bietet AlphaFold3 verbesserte technische Fähigkeiten.

Die Alibaba DAMO Academy (Hupan Laboratory) hat in Peking einen wichtigen Durchbruch vorgestellt: das auf globalen Wettermodellen basierende "Baguan" Wetter-Großmodell. Das innovative Modell namens "Baguan" (bedeutet "Acht Richtungen der Beobachtung, Beobachtung von allem") verbessert die Genauigkeit von Wettervorhersagen auf ein bisher unerreichtes Niveau. Das herausragendste Merkmal dieses Wetter-Großmodells ist seine extrem hohe Genauigkeit. Durch die Integration regionaler Daten aus verschiedenen Quellen kann das Modell eine extrem feine Vorhersageauflösung von 1 Kilometer × 1 Kilometer × 1 Stunde erreichen. In der Praxis erzielt das Modell eine höhere Genauigkeit bei der Vorhersage wichtiger Wetterindikatoren im Vergleich zu traditionellen Vorhersagen.

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...

NVIDIA hat StormCast vorgestellt, ein generatives KI-Modell, das speziell für hochgenaue atmosphärische Dynamiksimulationen entwickelt wurde und präzise Vorhersagen von mesoskaligen Wetterereignissen ermöglichen soll. Dies ist entscheidend für die Katastrophenplanung und -prävention. Das Modell wurde erstmals in einer gemeinsam mit Forschungseinrichtungen verfassten Veröffentlichung vorgestellt und bietet bahnbrechende Vorhersagemöglichkeiten für häufige extreme Wetterereignisse, die in den USA jährlich Schäden in Höhe von über 150 Milliarden US-Dollar verursachen. StormCast ist Teil der NVIDIA Earth-2-Digital-Twin-Cloud-Plattform und kombiniert KI, physikalische Simulationen und Computergrafik.

Das Nvidia-Forschungsteam hat das KI-Modell „StormCast“ entwickelt, das Gewitter mit einer Genauigkeit von wenigen Kilometern vorhersagen kann und die Genauigkeit und Vollständigkeit von Wettervorhersagen deutlich verbessert. Das Modell kombiniert generative Modelle mit einer mehrschichtigen Atmosphärenzustands-Technologie und ahmt das HRRR-Modell des Wetterdienstes nach. Es aktualisiert die Vorhersagen stündlich und prognostiziert präzise die Wahrscheinlichkeit von leichtem, mittelschwerem und starkem Niederschlag, wobei der Schwerpunkt auf der Dynamik der untersten Atmosphärenschicht liegt. StormCast zeichnet sich durch seine Leistung bei der Entwicklung von Gewitterzellen und Luftströmungen aus. Durch die Erstellung von Ensemble-Vorhersagen übertrifft es die Leistung des einzelnen HRRR-Modells.

Die Zhejiang Universität und die Universität Texas in Austin haben gemeinsam einen KI-Algorithmus entwickelt, der in chinesischen Tests Erdbeben mit einer Genauigkeit von 70% vorhersagen konnte. In einem Zeitraum von einer Woche wurden über 300 km 14 Erdbeben korrekt vorhergesagt, einschließlich der Stärkeberechnung. Dieses Ergebnis bietet neue Hoffnung für die Erdbebenwarnung und den Katastrophenschutz. Obwohl die globale Anwendbarkeit des Algorithmus noch ungewiss ist, sind die Wissenschaftler optimistisch, die Genauigkeit der Vorhersagen zu verbessern und den Vorhersagebereich einzugrenzen. Als nächster Schritt sollen Tests im US-Bundesstaat Texas durchgeführt werden, der häufig von leichten bis mittelschweren Erdbeben betroffen ist. Diese Forschung im Bereich der Anwendung von KI auf Naturkatastrophen...

Googles neu veröffentlichtes NeuralGCM-Modell erzielt einen bedeutenden Durchbruch in der Wettervorhersage. Es ist 100.000-mal effizienter als herkömmliche physikalische Modelle – ein Fortschritt, der dem der letzten 25 Jahre im Bereich Hochleistungsrechnen entspricht. Durch die Kombination von Machine Learning und physikalischer Modellierung kann NeuralGCM den Zustand der Erdatmosphäre schnell und präzise simulieren, insbesondere bei Vorhersagen von 2 bis 15 Tagen, und übertrifft dabei die Genauigkeit bestehender Modelle. Das Modell zeichnet sich zudem durch eine erheblich schnellere Ausführungsgeschwindigkeit und geringere Kosten aus: Es ist etwa 3500-mal schneller und kostengünstiger als herkömmliche Modelle.