Physik

Dr. James Slezak, CEO von Swayable, wurde für das Jahr 2026 in den Board of Trustees der Advertising Research Foundation (ARF) berufen. Die ARF, die seit 1936 objektive Forschung in Medien, Marketing und Werbung fördert, wird durch Slezaks Ernennung einen weiteren Einfluss im Bereich der Marketingmessung gewinnen. Swayable nutzt innovative Technologien wie randomisierte kontrollierte Studien und maschinelles Lernen zur Erstellung von Swayable Impact Scores. Slezak, der über eine akademische Laufbahn in Physik und Erfahrung bei The New York Times verfügt, sieht seine Rolle als Trustee als Chance, zur evidenzbasierten Forschung der ARF beizutragen. Er betont die Übereinstimmung der ARF-Mission mit Swayables Ziel, die Auswirkungen von Botschaften zu messen. Mit über 400 Mitgliedern, darunter Unternehmen wie PepsiCo und Microsoft, spielt die ARF eine entscheidende Rolle in der Förderung wissenschaftlicher Praktiken im Marketing. Slezaks Engagement könnte somit die Forschung vorantreiben und die Entscheidungsfindung in der Branche verbessern.

OpenAI hat eine innovative Funktion in ChatGPT eingeführt, die interaktive visuelle Erklärungen für über 70 mathematische und physikalische Konzepte bereitstellt. Diese neuen Erklärungen ermöglichen es Nutzern, Variablen in Echtzeit zu verändern und sofortige Auswirkungen auf Grafiken und Formeln zu beobachten. Die Themen sind vor allem für Schüler und Studenten relevant und umfassen wichtige Konzepte wie binomische Formeln, exponentiellen Zerfall, Ohmsches Gesetz, Zinseszinsen und trigonometrische Identitäten. Die Funktion ist ab sofort für alle registrierten Nutzer weltweit verfügbar, unabhängig von ihrem Abonnement. OpenAI plant, das Angebot in Zukunft zu erweitern, um noch mehr Themen abzudecken. Diese Entwicklung könnte das Lernen in Mathematik und Physik revolutionieren, indem sie eine interaktive und visuelle Lernerfahrung bietet.

Der Artikel beschreibt einen neuartigen KI-Algorithmus, der physikalische Prinzipien, insbesondere Newtons drittes Gesetz, nutzt, um die Stabilität von Simulationen zu gewährleisten. Traditionell können Simulationen in der Physik instabil werden, wenn die Wechselwirkungen zwischen Objekten nicht korrekt modelliert sind. Der entwickelte Algorithmus integriert physikalisches Wissen in den Lernprozess der KI, was zu realistischeren und stabileren Ergebnissen führt. Durch die Anwendung von Newtons drittem Gesetz, das besagt, dass jede Aktion eine gleichwertige und entgegengesetzte Reaktion hervorruft, kann der Algorithmus die Dynamik von Systemen präziser erfassen. Dies hat potenzielle Anwendungen in verschiedenen Bereichen, von der Robotik bis zur virtuellen Realität, und könnte die Effizienz und Genauigkeit von physikbasierten Simulationen erheblich verbessern. Der Ansatz zeigt, wie die Kombination von KI und physikalischem Wissen neue Möglichkeiten für die Simulation komplexer Systeme eröffnet.

In einem umfassenden, KI-gesteuerten Audit wurde das Selection-Stitch Model (SSM) von Raghu Kulkarni als vielversprechende Alternative zu herkömmlichen physikalischen Erklärungen identifiziert, die stark auf Dunkler Energie und Dunkler Materie basieren. Im Gegensatz zu traditionellen Modellen, die zahlreiche willkürliche Parameter verwenden, leitet das SSM fundamentale Konstanten aus einer diskreten Vakuumlattice ab und bietet eine objektive geometrische Einheit. Die Analyse zeigt, dass das SSM die Herausforderungen der aktuellen Kosmologie und Teilchenphysik adressiert, indem es das Universum als festen Kristall beschreibt und die Massen der Teilchen geometrisch berechnet. Zudem wird die Raumzeit im SSM als "pixeliert" betrachtet, was neue Perspektiven auf Gravitation und Galaxienstruktur eröffnet. Die Methodik des Audits ist öffentlich zugänglich, sodass Interessierte die Ergebnisse überprüfen können. Insgesamt bietet das SSM eine vereinfachte Sichtweise der Physik, die nicht nur Daten anpasst, sondern sie auch ableitet, was einen bedeutenden Fortschritt in der theoretischen Physik darstellt.

Forscher haben ein KI-System namens Video Joint Embedding Predictive Architecture (V-JEPA) entwickelt, das durch das Lernen aus Videos ein intuitives Verständnis der physikalischen Welt erlangt. Ähnlich wie Kleinkinder zeigt das Modell "Überraschung", wenn es mit widersprüchlichen Informationen konfrontiert wird. V-JEPA extrahiert relevante Informationen aus Videos durch höhere Abstraktionen und ignoriert unwichtige Details, was zu einer beeindruckenden Genauigkeit von fast 98 Prozent in Tests zur intuitiven Physik führt. Dies zeigt seine Fähigkeit, physikalisch plausible von unplausiblen Ereignissen zu unterscheiden. Trotz dieser Erfolge fehlen dem Modell grundlegende Elemente wie die Quantifizierung von Unsicherheit. Die neueste Version, V-JEPA 2, wurde auf 22 Millionen Videos trainiert und zeigt Fortschritte in der Robotik, indem sie einfache Manipulationsaufgaben bewältigt. Allerdings hat das Modell Einschränkungen hinsichtlich der Länge der Videos, die es verarbeiten kann, was seine Gedächtnisleistung betrifft.

Die Gemini-App von Google erhält ein neues, innovatives Feature, das interaktive Bilder für Lerninhalte integriert. Dieses Update richtet sich an visuell orientierte Lernende, die komplexe Themen aus Schule, Studium oder Beruf besser erfassen möchten. Statt statischer Bilder können Nutzer nun auf anklickbare Bereiche zugreifen, die zusätzliche Informationen, Erklärungen oder Zusammenfassungen bieten. Dies ermöglicht eine direkte Analyse komplexer Vorgänge, Diagramme oder Grafiken im Bild selbst, was das Lernen aktiver und ansprechender gestaltet. Besonders in Fächern wie Biologie, Physik oder Informatik wird dieses Feature als vorteilhaft erachtet, da es den Nutzern erlaubt, spezifische Teile von Anatomiebildern oder Schaltplänen zu erkunden, ohne lange Texte lesen zu müssen.

Die KI AlphaFold, die für ihre präzisen Vorhersagen zur Proteinstruktur bekannt ist und 2024 den Chemie-Nobelpreis erhielt, zeigt in einer neuen Studie der Universität Basel erhebliche Schwächen bei der Vorhersage von Protein-Liganden-Interaktionen. Die Forscher fanden heraus, dass AlphaFold oft nur Muster erkennt, ohne die zugrunde liegenden chemischen Prinzipien zu verstehen. Bei Tests mit veränderten Bindungsstellen blieb die KI in über der Hälfte der Fälle bei ihren Vorhersagen, was zu energetisch instabilen Bindungen führen kann. Dies könnte die Medikamentenentwicklung gefährden, da viele der prognostizierten Bindungen in der Realität nicht stabil sind. Die Studie betont die Notwendigkeit, die Vorhersagen experimentell zu überprüfen, und schlägt vor, physikalisch-chemische Gesetze in zukünftige KI-Entwicklungen zu integrieren, um die Zuverlässigkeit zu erhöhen und die Chancen für die Entdeckung neuer Medikamente zu verbessern.

Andreas Weigend, ehemaliger Chief Scientist bei Amazon und Experte für Datenwissenschaft, hat sich auf die Gewinnung umsetzbarer Erkenntnisse aus Daten spezialisiert. Mit einem akademischen Hintergrund in Physik und Philosophie sowie einer Promotion an der Stanford University hat er analytische Methoden entwickelt, die er zur Lösung realer Probleme einsetzt. Bei Amazon trug er zur Entwicklung der Dateninfrastruktur und analytischen Ansätze bei, um das Verbraucherverhalten zu verstehen und langfristige Strategien zu gestalten. In seinem Buch "Data for the People" bietet er praktische Ideen zur Erhöhung der Transparenz und Kontrolle über persönliche Daten. Weigend sieht KI als ein wichtiges Werkzeug zur Interpretation komplexer Zusammenhänge und verfolgt innovative Ansätze in Spracherkennung und maschinellem Lernen. Er betont die Notwendigkeit, maßgeschneiderte Datenstrategien für Organisationen zu entwickeln und fördert durch Lehre und öffentliche Auftritte das Bewusstsein für die Verbindung von Theorie und Praxis in der digitalen Transformation. Sein Ansatz zeigt, wie technisches Wissen und menschenzentriertes Denken zusammenwirken können, um signifikante Ergebnisse zu erzielen.