Die Analyse des „Expenditure Horizon“ durch METR zielt darauf ab, die Kosteneffizienz von KI-Agenten bei der Problemlösung zu quantifizieren. Erste Ergebnisse aus dem NanoGPT-Speedrun zeigen ernüchternde Werte, während die Kennzahl jedoch auch einige blinde Flecken aufweist. Zudem könnte die neueste Generation von Modellen den bisherigen Trend möglicherweise umkehren. Ein Beispiel für innovative Ansätze in diesem Bereich ist, dass Meta umfassende Kontrolle über KI-Ausgaben plant.
Eine zentrale Fragestellung in der KI-Forschung ist, ob KI in der Lage ist, ihre eigene Entwicklung zu beschleunigen und somit kontinuierlich effizienter zu werden. Diese Messung gestaltet sich bislang als herausfordernd, da unterschiedliche Kostenfaktoren miteinander verglichen werden müssen. Dazu zählen unter anderem die Arbeitszeit menschlicher Entwickler, die Rechenkosten für Experimente sowie die Betriebskosten der KI-Systeme selbst. In diesem Kontext haben Microsoft-Wissenschaftler einen neuen Trainingsansatz für KI-Agenten entwickelt, der ohne Gewichtsanpassung auskommt. Zudem zeigt ein neues Framework, dass KI-Modelle menschliche Unterstützung beim Roboter-Coding benötigen.
„`
Quellen: the-decoder
Bildquelle: KI generiert
🚀