Umgestaltung der Underdogs

Traditionell haben wir einige Netzarchitekturen als von Natur aus fehlerhaft oder eingeschränkt bei der Bewältigung komplexer Aufgaben angesehen. Diese neuronalen Netze könnten jedoch eher einem ungünstigen Ausgangspunkt im Parameterraum zum Opfer gefallen sein als einem Mangel an Potenzial. Die Forscher fanden heraus, dass sie diese Netze durch kurzzeitige Kopplung mit einem strukturierten “Führungs”-Netz zu effektivem Lernen führen konnten.

Im Gegensatz zur Wissensdestillation, bei der ein Schülermodell die Ergebnisse eines Lehrers nachahmt, stützt sich diese Technik auf interne Repräsentationen. Hier übernimmt das Zielnetz die Art und Weise, wie das Führungsnetz Informationen in seinen Schichten organisiert, anstatt seine Vorhersagen zu imitieren. Selbst wenn das Führungsnetz nicht trainiert ist, erleichtert dieser Prozess einen sinnvollen Wissenstransfer und steigert so die Lernfähigkeit.

Diese Theorie wurde mit Hilfe von tiefen, vollständig verknüpften Netzen (FCN) auf die Probe gestellt. Die Forscher glichen die Netze vor dem eigentlichen Training kurz mit einem Führungsnetz mit Zufallsrauschen ab. Die Ergebnisse waren verblüffend: Die für ihre Überanpassung berüchtigten Netze wurden stabiler, vermieden die üblichen FCN-Fallen, wiesen geringere Trainingsverluste auf und verbesserten ihre Leistung. “Es ist beeindruckend, dass wir die repräsentative Ähnlichkeit nutzen konnten, um diese traditionell ‘beschissenen’ Netze tatsächlich zum Funktionieren zu bringen”, sagt Vighnesh Subramaniam ’23, MEng ’24, Doktorand am MIT Department of Electrical Engineering and Computer Science und Hauptautor der Studie.

Spielveränderung für neuronale Netze

Die Studie zeigt, dass die Beratung, anders als die Wissensdestillation, nicht ins Stocken gerät, wenn ein ungeschultes Lehrernetzwerk verwendet wird. Denn die Anleitung beruht auf der internen Struktur des Netzes, die wertvolle architektonische Vorurteile enthält. Diese Verzerrungen funktionieren wie ein Kompass, der das Netzwerk auf bessere Lernpfade lenkt.

Die Auswirkungen dieser Forschung beschränken sich jedoch nicht nur auf Leistungsverbesserungen. Sie deuten darauf hin, dass der Erfolg eines Netzes möglicherweise stärker von seinem Ausgangspunkt im Lernraum abhängt als von den Daten, mit denen es trainiert wurde. Durch die Kopplung von Netzen mit einem Leitfaden können die Auswirkungen des Architekturdesigns von den gelernten Erfahrungen isoliert werden. Die Einführung eines Leitfadens bietet eine neue Perspektive für die Bewertung des Beitrags von Netzstrukturen zum effektiven Lernen. Sie gibt den Wissenschaftlern auch die Möglichkeit, die Unterschiede zwischen den Architekturen zu verstehen, was dazu beiträgt, Theorien über die Optimierung neuronaler Netze zu verfeinern und festzustellen, welche Komponenten für das Lernen von Bedeutung sind.

Der Clou ist jedoch, dass kein Netz unverbesserlich ist. Selbst solche, die einst als ineffektiv gebrandmarkt wurden, können durch Anleitung auf den Stand moderner Standards gebracht werden. Derzeit untersucht das CSAIL-Team, welche architektonischen Elemente wesentlich zu diesen Verbesserungen beitragen, um die Gestaltung künftiger neuronaler Netze zu beeinflussen.

“Im Allgemeinen geht man davon aus, dass verschiedene neuronale Netzwerkarchitekturen bestimmte Stärken und Schwächen haben”, so Leyla Isik, Assistenzprofessorin für Kognitionswissenschaften an der Johns Hopkins University, die nicht an der Studie beteiligt war. “Diese spannende Forschung zeigt, dass ein Netzwerktyp die Vorteile einer anderen Architektur übernehmen kann, ohne seine ursprünglichen Fähigkeiten zu verlieren.”

Die Forschungsarbeit, eine gemeinsame Anstrengung von Subramaniam und seinen MIT CSAIL-Mitarbeitern, wurde von Organisationen wie dem Center for Brains, Minds and Machines, der National Science Foundation, dem MIT-IBM Watson AI Lab und dem U.S. Department of the Air Force Artificial Intelligence Accelerator unterstützt. Ihre bahnbrechenden Ergebnisse wurden kürzlich auf der Konferenz und dem Workshop über neuronale Informationsverarbeitungssysteme (NeurIPS) vorgestellt.

Lesen Sie den Originalartikel von MIT News hier: https://news.mit.edu/2025/guided-learning-lets-untrainable-neural-networks-realize-their-potential-1218

Hier kommt Justin Reich ins Spiel, außerordentlicher Professor am MIT-Programm für vergleichende Medienwissenschaft/Schriftstellerei. Reich hat ein Rettungsboot für Pädagogen geschrieben, und zwar in Form eines Leitfadens mit dem Titel “Ein Leitfaden für KI in Schulen: Perspektiven für die Verwirrten”, über das MIT Teaching Systems Lab. Die Publikation zielt darauf ab, K-12-Pädagogen bei der Durchquerung der unerforschten Gewässer der KI im Bildungswesen an die Hand zu nehmen. “Im Laufe meiner Karriere habe ich versucht, eine Brücke zwischen Bildungsforschung und praktischen Erkenntnissen zu schlagen. Mein Ziel ist es, Erkenntnisse über komplexe Konzepte wie KI zu vereinfachen und mit anderen zu teilen”, erklärt Reich.

Ein Kompass, keine Karte

In diesem Leitfaden finden Sie keine strengen Regeln oder ‘Best Practices’. Der Inhalt ist vielfältig und enthält zum Nachdenken anregende Erfahrungen und Erkenntnisse von über 100 Schülern und Lehrern aus ganz Amerika. Anstatt auf einen ‘Einheitsansatz’ zu drängen, regt er zum Dialog an und fördert eine Kultur des Experimentierens im Klassenzimmer. Reichs Ethos stimmt mit diesem Ansatz überein, denn er plädiert für die bescheidene Akzeptanz, dass einige Strategien besser funktionieren als andere - eine Erkenntnis, die mit der Zeit immer klarer wird.

Wichtige Fragen und Gespräche

Das Aufkommen der KI hat eine Flut von Fragen aufgeworfen. Wie können wir die akademische Integrität gewährleisten? Wie schützen wir den Datenschutz für Studenten? Und wie verändert sich das Lernen, wenn Studenten KI nutzen können, um die harte Arbeit des Denkens zu umgehen? Reich stellt fest, dass wir gerade erst anfangen, uns mit diesen Fragen zu beschäftigen. Das Szenario sei so, als säßen wir im Lehrerzimmer und sprächen über KI, bevor wir Schüler, Eltern und andere zu der Diskussion einladen. Die Autoren des Leitfadens vergleichen dies mit den Anfängen der Luftfahrt und merken an, dass es in diesem Stadium verfrüht wäre, vorherzusagen, was funktionieren wird.

Aus der Geschichte lernen

Reich spricht offen über die potenziellen Probleme, die vor ihm liegen. “Wir tappen noch im Dunkeln”, gibt er freimütig zu und zieht Parallelen zu früheren Fehlern im Umgang mit Technologien im Klassenzimmer. Mit Blick auf fehlerhafte Strategien wie die Ablehnung der Nutzung von Wikipedia oder die Suche nach veralteten Glaubwürdigkeitskennzeichnungen auf Websites mahnt Reich zur Vorsicht. Er befürwortet einen evidenzbasierten Ansatz gegenüber pauschalen Annahmen über KI und plädiert für Versuche, Beobachtung und das Lernen aus den Ergebnissen.

So sind Reichs Ratgeber und die dazugehörige Podcast-Serie “Die Hausaufgabenmaschine”, eine Zusammenarbeit mit dem Journalisten Jesse Dukes, bieten wichtige Ressourcen für Pädagogen, die sich mit KI im Klassenzimmer beschäftigen. Reich ermutigt zu einem vielfältigen Gespräch über KI, an dem verschiedene Interessengruppen beteiligt sind. Dieser Dialog wurde durch ein einstündiges Radiospecial vertieft, das landesweit von öffentlichen Radiosendern ausgestrahlt wurde und so ein größeres Publikum erreichte.

Während die Anforderungen beim Umgang mit neuen Technologien wie KI hoch sein können, unterstreicht Reich die Notwendigkeit von Vorsicht, Zusammenarbeit und der kollektiven Bereitschaft, aus den Erfahrungen der Vergangenheit zu lernen - denn im Gegensatz zu früheren Technologien ist KI in das Leben der Schüler eingedrungen, und zwar nicht über traditionelle Kanäle, sondern über ihre Smartphones. Dies hat den Druck auf Pädagogen noch erhöht, ohne klare Anweisungen oder erprobte Praktiken zu reagieren. Das bedeutet jedoch nicht, dass ihnen die Mitsprache bei der Gestaltung des Einsatzes von KI verwehrt werden sollte. Wie Reich sagt: ’KI ist bereits da. Die Lehrer können nicht entscheiden, ob es sie gibt, aber sie sollten einen starken Einfluss auf die Gestaltung ihrer Zukunft haben“.”

Weitere Einblicke und die Möglichkeit, sich an der laufenden Diskussion zu beteiligen, finden Sie im Originalartikel von MIT News: Unterstützung von K-12-Schulen bei der Navigation durch die komplexe Welt der KI.

Forscher des MIT, des Lawrence Berkeley National Lab und der Universität Orléans beschäftigen sich mit diesem Thema, und ihre neuesten Erkenntnisse bringen die dringend benötigte Klarheit. In einer kürzlich veröffentlichten Studie in PNAS, Das Team schaffte es, Computermodelle zu erstellen, die reale Experimente mit beeindruckender Genauigkeit widerspiegeln. Das klingt vielleicht technisch, ist aber eine große Sache: Modelle, denen wir vertrauen können, erleichtern die Entwicklung sicherer Lagerungsmethoden erheblich.

Was diese Forschung so bahnbrechend macht, ist ihre Verbindung zum Mont Terri-Labor in der Schweiz, einem Standort, der seit den 1990er Jahren an der Spitze der Forschung zu nuklearen Abfällen steht. Die Wissenschaftler konzentrierten sich auf Opalinus-Ton, ein natürliches Material, das als ideal für die Lagerung radioaktiver Stoffe gilt. Durch Experimente in Mont Terri und die Eingabe der Daten in hochentwickelte Computersimulationen konnten sie untersuchen, wie künstliche Barrieren (wie Zement) mit Ton in großer Tiefe interagieren – nicht nur über Monate oder Jahre, sondern potenziell über Jahrhunderte hinweg.

Dieser Fortschritt ist vor allem neuen Tools zu verdanken. Das neueste Computermodell namens CrunchODiTi ist eine bemerkenswerte Verbesserung gegenüber älteren Programmen. Im Gegensatz zu früheren Versionen kann CrunchODiTi die winzigen elektrischen Ladungen in Tonmineralien berücksichtigen. Diese Details sind wichtig, da sie dabei helfen, vorherzusagen, wie sich radioaktive Partikel über sehr lange Zeiträume hinweg bewegen oder an Ort und Stelle verbleiben könnten.

Das Team konzentrierte sich auf eine winzige, entscheidende “Hautschicht” von nur einem Zentimeter Dicke, wo Zement und Ton aufeinandertreffen. Diese Grenzfläche spielt eine überragende Rolle bei der langsamen Migration radioaktiver Elemente durch den Untergrund. Daten aus einem 13-jährigen Experiment am Mont Terri ermöglichten den Forschern einen seltenen, langfristigen Einblick in die Veränderungen in dieser Hautzone. Ihr Computermodell stimmte mit den physikalischen Beobachtungen überein, was ihnen die Gewissheit gab, auf dem richtigen Weg zu sein.

Dauren Sarsenbayev, der Hauptautor der Studie, findet es bemerkenswert, diese Veränderungen zu beobachten. Zu sehen, wie sich die Schnittstelle zwischen Zement und Ton im Laufe der Zeit entwickelt, hilft dabei, die Lücke zwischen Theorie und Realität zu schließen. Die Beobachtungen des Teams stützen auch langjährige Vorstellungen darüber, wie sich Mineralien ansammeln und wie sich die Porosität des Materials verändert – beides Faktoren, die für die langfristige Eindämmung von Abfällen von Bedeutung sind.

Was bedeutet das alles für die Entsorgung nuklearer Abfälle? Zunächst einmal könnten diese genaueren Modelle die veralteten Simulationen ersetzen, die derzeit zur Beurteilung der Sicherheit von Atommüllendlagern verwendet werden. Das ist entscheidend, wenn die USA – oder jedes andere Land – mit dem Bau einer dauerhaften Endlagerstätte vorankommen wollen. Die Modelle sind außerdem flexibel genug, um verschiedene Gesteinsarten, einschließlich Salzformationen, zu bewerten, wodurch ihre Nützlichkeit weit in die Zukunft hineinreicht.

Mit Blick auf die Zukunft planen die Forscher, ihre Simulationen noch weiter zu verfeinern und möglicherweise maschinelles Lernen zu integrieren, um den Prozess zu beschleunigen. Sie sind auch bestrebt, mehr Daten aus laufenden Experimenten zu sammeln, um dem Zeitpunkt näher zu kommen, an dem die Lagerung von Atommüll kein drohendes Risiko mehr darstellt, sondern ein gelöstes Problem ist.

Für Sarsenbayev und sein Team ist das ultimative Ziel klar: eine wissenschaftlich fundierte, vertrauenswürdige Lösung für Atommüll zu finden, auf die Entscheidungsträger – und die Öffentlichkeit – sich verlassen können. Wie er selbst sagt, befindet sich ihre Arbeit an der Schnittstelle zwischen Wissenschaft, Systemen und Gesellschaft: ein wirklich kooperativer Ansatz für eine der größten technischen Herausforderungen unserer Zeit.

Lesen Sie die ganze Geschichte unter MIT-Nachrichten.

Wenn von Künstlicher Allgemeiner Intelligenz (KI) die Rede ist, stellt man sie sich leicht als ein fernes, hochtechnologisches Konzept vor, das nur für die fortschrittlichsten Städte der Welt relevant ist. Doch in Wirklichkeit hat AGI - und ihr jüngerer Bruder, die KI-Technologie für den Alltag - das Potenzial, dort den größten Unterschied zu machen, wo die Ressourcen traditionell zurückgeblieben sind. Meine Zeit an der Seite von iCog-Labore in Äthiopien, ein von Ben Goertzel und Getnet Aseffa mitbegründetes Unternehmen, hat mir gezeigt, wie vielversprechend die Förderung von KI-Projekten in Entwicklungsländern ist und wie viele einzigartige Hürden es gibt. Es gibt hier ein enormes Potenzial, aber auch viel zu lernen.

Wie KI helfen kann, Bildungslücken zu schließen

Künstliche Intelligenz könnte einen echten Wandel im Bildungswesen herbeiführen - vor allem dort, wo der Mangel an Lehrern, Lehrbüchern und sogar an grundlegender Infrastruktur zu den täglichen Herausforderungen gehört. Und wenn man genauer hinsieht, geht es bei den Hindernissen nicht nur um fehlende Tafeln: Von vielen Kindern in Ländern wie Äthiopien wird erwartet, dass sie in Sprachen lernen, die sie kaum verstehen, und dass sie Materialien verwenden, die ihr wirkliches Leben oder ihre Kultur nicht widerspiegeln. Die Antwort liegt nicht in der Technologie um der Technologie willen, sondern in Lösungen, die auf der Grundlage lokaler Erkenntnisse, Kreativität und praktischer Partnerschaften entstehen.

Die UNESCO schätzt, dass etwa 40% der Kinder weltweit in einer Sprache zur Schule gehen, die sie nicht vollständig beherrschen, was bedeutet, dass ihnen nicht nur Wörter, sondern auch alle möglichen Möglichkeiten entgehen. Hier kommen KI-gestützte Sprachtools ins Spiel. Während es für globale Tech-Giganten oft wenig gewinnbringende Gründe gibt, kleine oder unterversorgte Sprachgemeinschaften zu unterstützen, füllen gezielte Projekte diese Lücke. Neben Neugieriges Lernenhaben wir KI-gestützte Lese-Apps für die lokalen äthiopischen Sprachen entwickelt, die inzwischen von über 85 000 Menschen genutzt werden. Es sind einfache, ressourcenschonende Tools, die die größten sprachlichen Herausforderungen für viele Kinder meistern.

Um noch tiefer in die Materie einzudringen, haben wir Leyu ins Leben gerufen - eine dezentrale Datenerfassungsplattform, die sich darauf konzentriert, Sprachproben direkt aus weit entfernten Dörfern zu sammeln. Mit den gesammelten Daten trainieren wir KI-Übersetzungssysteme, damit nicht noch eine weitere unterrepräsentierte Sprache bei der digitalen Konversation von morgen außen vor bleibt.

Lernen anregend und relevant gestalten

Natürlich ist die Sprache nur ein Teil der Gleichung. Echte Bildungsfortschritte hängen von Inhalten ab, die vor Ort eine Bedeutung haben. Auch hier spielt die KI eine Rolle: Sie kann naturwissenschaftliche Lektionen über Pflanzen erstellen, die die Kinder vor Ort jeden Tag sehen, oder Matheaufgaben, die sich an den Rhythmen ihrer eigenen Märkte orientieren. Das ist Bildung, die ankommt, weil es endlich um sie geht.

Eine unserer stolzesten Arbeiten ist der Digitruck - ein vollwertiges mobiles Klassenzimmer, das in einen Lastwagen eingebaut ist. Unter anderem dank der Unterstützung von SingularityNETDer Digitruck ist mit Computern und Geräten ausgestattet und rollt in einige der entlegensten Winkel Äthiopiens. Die Kinder probieren das Programmieren aus und machen sogar praktische Erfahrungen mit künstlicher Intelligenz - und das alles, während sie nahe an ihren Wurzeln bleiben.

Rückblickend gab es auch freudige, unvergessliche Momente. Von 2015 bis 2019 programmierten Universitätsstudenten im Rahmen des RoboSapiens-Programms humanoide Roboter, die Fußball spielen sollten - eine Mischung aus Kultur und Hightech, die von Äthiopien bis Kenia und Nigeria für Begeisterung sorgte. Leider wurde das Programm aufgrund praktischer Hindernisse wie teurer Einfuhrzölle auf Elektronik auf Eis gelegt, was uns daran erinnert, dass technische Ambitionen durch eine starke Politik und Infrastruktur unterstützt werden müssen.

Verwurzelung von AI in den realen Bedürfnissen der Gemeinschaft

All diese Energie muss mit Vorsicht und Sorgfalt gepaart werden. Wenn KI Einzug in die Klassenzimmer und in den Alltag hält, ist es wichtig, dass diese Werkzeuge keine wichtigen Fähigkeiten ersetzen oder die Lehrkräfte untergraben. Vielmehr geht es darum, Pädagogen dabei zu helfen, das zu tun, was sie am besten können - Neugierde und unabhängiges Denken zu fördern - und sie gleichzeitig mit neuen Ressourcen zu unterstützen.

Es geht nicht um eine Einheitsgröße, die für alle gilt. Stattdessen müssen die Gemeinschaften selbst bestimmen, was KI für sie tut. Diese Art von sinnvollem Engagement an der Basis wird dafür sorgen, dass KI die Bildung verbessert und nicht nur zu einem weiteren Hindernis wird.

Gerechte, verantwortungsvolle KI im Bildungsbereich ist weder einfach noch schnell. Es bedeutet, Seite an Seite mit lokalen Führungskräften zu arbeiten, kulturelle Nuancen im Auge zu behalten und ethische Risiken einzuplanen. Aber es ist jede Anstrengung wert. Wenn ein Kind im ländlichen Äthiopien zum ersten Mal auf einem Digitruck-Laptop programmiert, dann sind die großen Themen Gleichberechtigung und Befähigung keine Schlagworte mehr, sondern werden zu echten, gelebten Erfahrungen.

Originalartikel auf Unite.AI

Die unsichtbaren Defizite bei Gesundheitsdaten und die Rolle der KI-Bildung

Leo Anthony Celi, ein erfahrener Mediziner und leitender Forscher am MIT Institute for Medical Engineering and Science, hat auf wunderbare Weise aufgezeigt, dass dieses Versäumnis in der KI-Ausbildung später zu Problemen führen kann. In einer aktueller Artikel, erklärt er, wie Datenverzerrungen, insbesondere bei klinischen Daten, die hauptsächlich von weißen Männern erhoben werden, zu Ineffizienzen in KI-Systemen führen können, wenn sie auf vielfältigere Bevölkerungsgruppen angewendet werden. Zum Beispiel überschätzen Pulsoximeter oft die Sauerstoffsättigung bei People of Color, da diese in klinischen Studien unterrepräsentiert sind. Dies ist nur die Spitze des Eisbergs, denn es gibt unzählige weitere Fälle, in denen medizinische Geräte und Datensysteme die Vielfalt der Bevölkerung übersehen, was zu verzerrten Ergebnissen und potenziell schädlichen Entscheidungen führt.

Ein weiterer entscheidender Punkt ist die Verwendung elektronischer Gesundheitsakten (EHR) als Grundlage für KI-Modelle. Obwohl sie ein wesentlicher Bestandteil der Medizin sind, waren sie nie als lernende Systeme gedacht, und sie sind voll von Ungereimtheiten und Verzerrungen. Celi ist jedoch kein Schwarzmaler, sondern plädiert dafür, die vorhandenen Daten sinnvoll zu nutzen, anstatt die gesamte EHR-Infrastruktur zu ersetzen - was derzeit nicht möglich ist. Glücklicherweise werden derzeit innovative Ansätze wie Transformatormodelle erforscht, um Zusammenhänge zwischen Laborergebnissen, Vitaldaten und Behandlungen besser zu verstehen. Dieser faszinierende Ansatz könnte dazu beitragen, die Auswirkungen fehlender oder verzerrter Daten zu verringern, die häufig durch soziale Determinanten der Gesundheit und implizite Voreingenommenheit der Anbieter beeinflusst werden.

Die Unzulänglichkeiten angehen und das Lernen maximieren

Die Herausforderungen werden deutlich, wenn man Celis Erfahrungen mit der Lehre von KI im Gesundheitswesen betrachtet. Seit seinem Start im Jahr 2016 stellte sein MIT-Team fest, dass den Studenten beigebracht wurde, Modelle im Hinblick auf die statistische Leistung zu optimieren, anstatt die Integrität der Daten zu hinterfragen. Eine Überprüfung von 11 Online-Kursen machte das Ausmaß dieses Problems deutlich: Nur fünf Kurse sprachen über Datenverzerrungen, und nur zwei boten ausführliche Diskussionen zu diesem Thema. Da die KI im Gesundheitswesen immer mehr Fuß fasst, liegt es an den Ausbildern, dafür zu sorgen, dass die Studierenden nicht nur Modelle erstellen, sondern auch die ihnen zugrunde liegenden Daten hinterfragen können. Um diese Kluft zu überbrücken, muss der Schwerpunkt von der reinen Modellbildung auf das Verständnis der Daten verlagert werden - ein Bereich, der nach Ansicht von Celi mindestens die Hälfte der Kursinhalte ausmachen sollte.

Eine Initiative, die dabei hilft, dieses Rätsel zu lösen, ist das MIT-Konsortium für kritische Daten. Seit 2014 veranstaltet es internationale Datathons. Bei diesen Veranstaltungen kommen Kliniker, Datenwissenschaftler und Fachleute aus dem Gesundheitswesen zusammen, um gemeinsam lokale Datensätze zu untersuchen und Gesundheit und Krankheit im einzigartigen kulturellen und systematischen Kontext der jeweiligen Region zu verstehen. Diese Zusammenarbeit inspiriert ein Umfeld, in dem kritisches Denken organisch gedeiht.

Die Unvollkommenheit von Daten zu akzeptieren, kann auch ein Schritt zur Verbesserung sein, wenn auch ein schwieriger. Ein gutes Beispiel ist die MIMIC-Datenbank, bei der es mehr als 10 Jahre dauerte, bis ein brauchbares Schema formuliert war, was vor allem darauf zurückzuführen war, dass die Nutzer die Mängel erkannten und auf sie hinwiesen. Celi erinnert an dieser Stelle daran, dass auch ohne alle Antworten die Menschen dazu inspiriert werden können, die richtigen Fragen zu stellen, und dass dies einen entscheidenden Unterschied machen kann. Studenten und Forscher, die sich mit der Entwicklung von KI im Gesundheitswesen befassen, müssen sich ihres transformativen Potenzials und der damit einhergehenden ethischen Verantwortung bewusst bleiben.

Ein ausführlicheres Gespräch mit Leo Anthony Celi zu diesem Thema finden Sie unter MIT-Nachrichten.