Wenn Sie glauben, bei KI ginge es nur darum, immer gr\u00f6\u00dfere Modelle zu entwickeln, wird Sakana AI diese Vorstellung auf den Kopf stellen. Das in Tokio ans\u00e4ssige Start-up hat gerade TreeQuest vorgestellt, eine clevere neue Methode, mit der Teams aus gro\u00dfen Sprachmodellen (LLMs) zusammenarbeiten k\u00f6nnen \u2013 \u00e4hnlich wie ein Orchester unter der Leitung eines Dirigenten, anstatt sich auf einen einzigen Solisten zu verlassen, der die ganze Arbeit erledigt.<\/p>\n
Was ist also das Geheimnis? TreeQuest greift auf eine Technik aus der Welt der spielenden KI zur\u00fcck \u2013 die Monte-Carlo-Baumsuche (MCTS), dieselbe Strategie, die auch AlphaGo antreibt. Doch statt eines Schachbretts oder Go-Steinen nutzt TreeQuest diesen Ansatz, um mehrere LLMs in Echtzeit zu koordinieren: Es w\u00e4hlt f\u00fcr jeden Teil eines Problems das beste \u201cLeitmodell\u201d aus und l\u00e4sst die anderen dort mitwirken, wo ihre St\u00e4rken am dringendsten ben\u00f6tigt werden. Anstatt sich auf die Antwort eines einzelnen Modells zu beschr\u00e4nken, betrachtet TreeQuest die Probleml\u00f6sung als Teamarbeit und trifft bei jedem Schritt gemeinsame Entscheidungen.<\/p>\n
Und die Ergebnisse sind beachtlich. Laut den Tests von Sakana AI \u00fcbertrafen die von TreeQuest koordinierten Modellgruppen die besten einzelnen LLMs bei einer Reihe von Benchmarks um solide 30%. Dazu geh\u00f6ren anspruchsvolle Aufgaben wie knifflige Logikr\u00e4tsel, das Generieren von Computercode und das Beantworten komplexer, mehrstufiger Fragen \u2013 Bereiche, in denen LLMs oft ins Straucheln geraten, wenn sie alleine arbeiten. Anstatt dass ein Modell ins Stocken ger\u00e4t, k\u00f6nnte ein anderes mit einer unvollkommenen Antwort weiterarbeiten und das Team so zu einer korrekten L\u00f6sung f\u00fchren.<\/p>\n
Warum sollte das f\u00fcr jemanden au\u00dferhalb des Labors von Bedeutung sein? Wenn es Ihnen daran liegt, KI erschwinglicher und effizienter zu machen \u2013 sei es in der Wirtschaft, in der Forschung, bei Verbrauchertechnologie oder so ziemlich allem, was intelligente Software nutzt \u2013, bietet TreeQuest einen faszinierenden Ansatz. Die Kombination der St\u00e4rken kleinerer oder spezialisierter Modelle k\u00f6nnte zu einer besseren Leistung bei geringerem Rechenaufwand f\u00fchren und so den teuren Wettlauf um die endlose Skalierung eines einzigen Modells umgehen. Mit anderen Worten: Zusammenarbeit statt roher Rechenkraft.<\/p>\n
TreeQuest steckt zwar noch in den Kinderschuhen, doch der Ansatz von Sakana AI findet in der Branche bereits Beachtung. Das Unternehmen plant, die Methode weiter zu verbessern, zu untersuchen, wie sie mit anderen KI-Systemen interagiert, und herauszufinden, wie weit das Konzept \u201cViele K\u00f6pfe, eine Aufgabe\u201d reichen kann. Sollten sie damit Erfolg haben, k\u00f6nnten KI-Entwickler Teamarbeit bald als ein Kernprinzip bei der Entwicklung der fortschrittlichsten Modelle betrachten, anstatt stets nach den gr\u00f6\u00dftm\u00f6glichen Modellen zu streben.<\/p>\n