Das US-Unternehmen trainierte Periodic Neon mit eigenen Labordaten und nutzt es nach eigenen Angaben zur Analyse von Röntgenbeugungsdaten. Die Ergebnisse stammen bislang aus internen Tests und sind nicht unabhängig bestätigt.
Der AlphaGenome Atlas prognostiziert die molekularen Auswirkungen möglicher Einzelbuchstabenänderungen im menschlichen Genom. Die Plattform soll Forschenden helfen, krankheitsrelevante Varianten zu priorisieren, liefert aber keine klinisch validierten Diagnosen.
OpenAI zufolge zeigt ein internes System, dass die dreidimensionalen Navier-Stokes-Gleichungen in endlicher Zeit eine Singularität entwickeln können. Der Beweis wurde formalisiert und im Beweisassistenten Lean geprüft, muss sich aber noch einer unabhängigen mathematischen Prüfung stellen.
Der AlphaGenome Atlas prognostiziert die molekularen Auswirkungen von rund neun Milliarden möglichen Einzelbuchstaben-Veränderungen im menschlichen Genom. Forschende sollen genetische Varianten damit schneller priorisieren und ihre möglichen Auswirkungen auf biologische Prozesse einschätzen können.
OpenAI meldet interne Fortschritte bei der Automatisierung von Forschungsaufgaben und strebt bis März 2028 einen automatisierten KI-Forscher an. Die veröffentlichten Zahlen sind vorläufig und belegen keine entsprechende Steigerung des Forschungsertrags.
Das KI-Modell erzeugte laut Anthropic in elf Tagen einen vollständigen, computergeprüften Beweis des berühmten mathematischen Satzes. Der Fortschritt liegt nicht in einer neuen Lösung, sondern in der präzisen Formalisierung eines bestehenden Beweises.
Das neue KI-Modell erstellt globale Wetterprognosen im Stundentakt und erreicht laut Google bei wichtigen Bodenvariablen eine Auflösung von bis zu fünf Kilometern. Die Daten sollen unter anderem in Google Search, Gemini, Maps und Earth Engine einfließen.
Die Planetary Prediction Engine übernimmt nach einer Anfrage in natürlicher Sprache die Suche und Aufbereitung von Daten sowie Modellierung und Auswertung. In Tests erzielte das experimentelle System laut Google bessere Ergebnisse als eine manuelle Expertenpipeline.
Ein unveröffentlichtes Forschungsmodell von Anthropic hat bei einem verwandten Problem zur Riemann-Hypothese eine bekannte Untergrenze von 41,6 auf 67,2 Prozent erhöht. Die ungelöste Riemann-Hypothese selbst bleibt damit unbewiesen.
In einem Vergleich von zehn KI Assistenten erreichte GPT-5.5 Thinking die höchste Gesamtpunktzahl. Claude Sonnet 4.6 sagte dafür die meisten Gruppenspiele korrekt voraus.
Ein Stanford-geführtes Forschungsteam hat vollständige Genome von Bakteriophagen entworfen, die Bakterien infizieren und abtöten können. Der Ansatz könnte neue Therapien gegen antibiotikaresistente Bakterien ermöglichen, verschärft aber zugleich die Debatte über biologische Risiken.
Eine Untersuchung zu GPT-5.2 zeigt, dass Empfehlungen zu Sparen und Geldanlage vom Geschlecht, der KI-Erfahrung und dem Finanzwissen der Nutzenden abhängen. Zwei Drittel der Unterschiede bei den empfohlenen Aktienanteilen gingen auf unterschiedlich formulierte Fragen zurück.
Das interne Modell „Astra“ soll nach Angaben von OpenAI mathematische Argumente für langjährige offene Probleme erzeugt haben. Die Ergebnisse reichen von Kugelpackung und Kodierungstheorie bis zu Quantenkomplexität und Gitterkryptografie.
Die fünfjährige Kooperation soll agentische KI für die koreanische Sprache und südkoreanische Industrieanwendungen entwickeln. Nvidia stellt dafür jährlich Rechenkapazität im Wert von 50 Millionen Dollar über lokale Cloud-Partner bereit.
Die Initiative soll KI, Supercomputer, wissenschaftliche Datensätze und experimentelle Infrastruktur für Forschung, Energie und nationale Sicherheit bündeln. Mehr als 15 Bundesbehörden sollen daran beteiligt sein.
OpenAI zufolge hat ein internes Reasoning-Modell den Unit-Distance-Fall einer klassischen Vermutung der diskreten Geometrie widerlegt. Laut dem Unternehmen haben externe Mathematiker den Beweis geprüft. Sollte sich der Befund halten, wäre das ein Hinweis darauf, dass KI in der Forschung mehr kann als nur Zuarbeit.
Die Bundesagentur will Teams aus ganz Europa mit bis zu 125 Millionen Euro Seed-Finanzierung fördern. Gesucht werden neue Trainingsmethoden, Architekturen, agentenbasierte Systeme und weitere grundlegende KI-Konzepte.
Das Verfahren für sogenanntes federated unlearning soll es ermöglichen, Daten eines ausscheidenden Partners aus einem dezentral trainierten KI-Modell zu entfernen, ohne das System komplett neu aufzusetzen. Für Unternehmen in kooperativen KI-Projekten könnte das die Datenkontrolle deutlich vereinfachen.
