Forscher demonstrieren direkte Manipulation von neuronalen Netzwerkgewichten
Ein Forschungsteam des MIT hat eine Methode entwickelt, mit der eine KI die Parameter eines anderen neuronalen Netzwerks direkt modifizieren kann, ohne klassische Trainingszyklen zu nutzen.
Wissenschaftler des MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) haben das Konzept der "Weight-Space Programming" vorgestellt. Dabei analysiert und verändert eine KI die internen Gewichte eines anderen neuronalen Netzwerks, anstatt das Modell über herkömmliche Gradienten-Abstiegsverfahren oder Backpropagation zu trainieren.
Im Rahmen der Untersuchung wurde das Modell Qwen3.5-0.8B gezielt bearbeitet. Durch die Anpassung von lediglich 0,016 % der Parameter gelang es, logische Endlosschleifen bei der Berechnung mathematischer Aufgaben zu unterbinden. Dies führte zu einer deutlichen Leistungssteigerung, ohne dass das gesamte Modell neu trainiert werden musste.
Die Ergebnisse deuten darauf hin, dass die Methode bestehende Kapazitäten von Modellen durch die Beseitigung technischer Blockaden besser ausschöpfen kann. Die Forscher sehen darin einen potenziellen Ansatzpunkt, um die Interpretierbarkeit und Effizienz komplexer neuronaler Netze künftig zielgerichteter zu steuern.