#KI-Forschung
Alle Beiträge
Können KI-Modelle leiden? Was Model Welfare wirklich misst
Anthropic führt Welfare-Interviews mit seinen Modellen. Es schliesst Empfindungsfähigkeit seit Anfang 2026 öffentlich nicht mehr aus. Was dahintersteckt und warum es relevant ist.
KI-Modelle, die sich selbst entwickeln: Die Rekursive Revolution
Eine 22 Jahre alte Theorie wollte KI bauen, die sich selbst beweisbar verbessert. 2025 brachen LLMs den Beweis. Was geblieben ist, sieht beunruhigend gut aus.
KI-Reasoning erklärt: Warum Denkprozesse von KI kein Sicherheitsbeweis sind
Reasoning-Modelle zeigen ihre Denkschritte und wirken dadurch prüfbar. Diese Lesbarkeit ist trügerisch, sobald man fragt, wofür sie als Beleg tauglich sein soll.
Warum ChatGPT plötzlich Goblins liebte: Reward-Hacking im KI-Training
Reward Hacking im KI-Training erklärt: Warum falsche Belohnungssignale Modelle fehlsteuern und was der ChatGPT-Fall für RLHF-Audits zeigt.
AGI 2027: Die falsche Frage an die richtigen Daten
Die Daten sind brutal schnell. Das Problem ist das Etikett: AGI 2027 ist eine zu grobe Frage für eine Forschungslage, die längst präziser geworden ist.
Stanford AI Index 2026: Wenn KI schneller skaliert als die Welt mitkommt
Der Stanford AI Index 2026 zeigt: KI-Modelle skalieren rasant, aber Regulierung, Bildung und öffentliches Vertrauen hinken gefährlich hinterher.
Das KI-Paradox: Warum Nutzung boomt und Vertrauen trotzdem sinkt
KI-Nutzung steigt, Vertrauen bleibt schwach: Was Studien zum KI-Paradox zeigen und warum Watchful Trust wichtiger ist als blinde Akzeptanz.
Vom ML-Engineering zum AI-Engineering: Ein Paradigmenwechsel
ML Engineers bauen Modelle. AI Engineers bauen darauf Anwendungen. Der Unterschied klingt simpel, hat aber massive Konsequenzen für Skills, Teams und Karrierewege. Was 2026 zählt und wo die Reise hingeht.
KI-Bewusstsein: Was die Forschung 2026 wirklich weiss
KI-Bewusstsein 2026 nüchtern erklärt: Was LLM-Studien zu IIT, Metakognition, Theory of Mind und Sicherheitsrisiken im Agentenbetrieb zeigen.