Das Allen Institute for AI (abgekürzt Ai2) ist ein gemeinnütziges wissenschaftliches Forschungsinstitut gemäß 501(c)(3), das 2014 vom verstorbenen Microsoft-Mitbegründer und Philanthropen Paul Allen gegründet wurde. Das Institut strebt danach, hochwirksame KI-Forschung und -Entwicklung im Dienste des Gemeinwohls zu betreiben. Ai2 hat seinen Sitz in Seattle und unterhält außerdem ein aktives Büro in Tel Aviv, Israel.
Das Institut ist bekannt für seine Beiträge zur Forschung im Bereich künstliche Intelligenz, einschließlich der Entwicklung von Open-Source-Large Language Models, Werkzeugen zur Verarbeitung natürlicher Sprache und Plattformen für Computer Vision. Seine Arbeit umfasst Grundlagenforschung, angewandte Systeme und öffentlich zugängliche Werkzeuge, mit einem Schwerpunkt auf Reproduzierbarkeit und Transparenz in der KI-Entwicklung.
Geschichte
Oren Etzioni wurde von Paul Allen im September 2013 beauftragt, die Forschung am Institut zu leiten. Nach neunjähriger Führung trat Etzioni am 30. September 2022 von seiner Rolle als CEO zurück. Er wurde interimistisch durch den leitenden Forscher des Aristo-Projekts des Unternehmens, Peter Clark, ersetzt. Am 20. Juni 2023 gab Ai2 bekannt, dass Ali Farhadi ab dem 31. Juli 2023 neuer CEO wird. Am 10. März 2026 gab Ai2 bekannt, dass Ali Farhadi nach 2,5 Jahren in dieser Rolle als CEO zurücktreten werde und erneut von Peter Clark interimistisch ersetzt werde.
Unter seinen aufeinanderfolgenden Führungskräften hat sich Ai2 von einem Fokus auf Fragenbeantwortung und Schlussfolgern zu einem breiteren Spektrum entwickelt, das die Entwicklung großer offener Modelle, verkörperte KI und Umweltanwendungen umfasst. Das Finanzierungsmodell des Instituts, das auf Stiftungsvermögen und Zuschüssen statt auf kommerziellen Einnahmen basiert, hat es ermöglicht, offene Veröffentlichungen und den öffentlichen Nutzen zu priorisieren.
Aristo und Schlussfolgern
Aristo ist ein Flaggschiffprojekt von Ai2. Das ursprüngliche Projektziel war es, ein künstlich intelligentes System zu entwerfen, das Texte erfolgreich lesen, lernen und daraus schlussfolgern kann und sein Wissen letztlich durch das Bestehen einer naturwissenschaftlichen Prüfung der 8. Klasse demonstriert - das Team erreichte dieses Ziel im Jahr 2018. Es wurde von einem ähnlichen Projekt namens Project Halo inspiriert, das von der in Seattle ansässigen Investmentgesellschaft Vulcan durchgeführt wurde. Der aktuelle Fokus des Teams liegt darauf, die nächste Generation von Systemen zu entwickeln, die systematisch schlussfolgern, erklären und sich im Laufe der Zeit kontinuierlich verbessern können.
Das Aristo-System kombinierte neuronale Netzwerk-Komponenten mit symbolischem Schlussfolgern und Wissensabruf. Sein Erfolg bei der naturwissenschaftlichen Prüfung demonstrierte das Potenzial hybrider Ansätze im maschinellen Lernen. Die Techniken des Projekts haben spätere Arbeiten an Transformer-basierten Modellen und generativen KI-Systemen beeinflusst.
Computer Vision und verkörperte KI
Das PRIOR-Team strebt danach, das Gebiet der Computer Vision voranzutreiben, indem es KI-Systeme entwickelt, die die Welt sehen, erkunden, lernen und darüber schlussfolgern können. Das Team veröffentlichte 2016 die offene Plattform für verkörperte KI AI2-THOR, die das Training von KI-Agenten in simulierten Umgebungen unterstützt. Im Februar 2018 veröffentlichte das Team das Spiel Iconary als Demonstration einer KI, die situierte Szenen aus einer begrenzten Menge von Symbolen verstehen und erzeugen kann.
AI2-THOR bietet fotorealistische 3D-Umgebungen mit interaktiven Objekten und ermöglicht Forschung in Navigation, Manipulation und Aufgabenplanung. Die Plattform wurde in der Deep-Learning-Gemeinschaft weitgehend für das Benchmarking und Training verkörperter Agenten übernommen. Iconary, das in Zusammenarbeit mit dem Spieleunternehmen entwickelt wurde, testet die Fähigkeit der KI, mithilfe von Zeichnungen und Vermutungen zu kommunizieren, was gesunden Menschenverstand und visuelles Verständnis erfordert.
Semantic Scholar und AllenNLP
Das Semantic Scholar Tool ist eine auf künstlicher Intelligenz basierende Suchmaschine für akademische Veröffentlichungen, die im November 2015 öffentlich veröffentlicht wurde. Es nutzt Fortschritte in der Verarbeitung natürlicher Sprache, um Funktionen wie Zusammenfassungen für wissenschaftliche Arbeiten, kontextuelle Informationen zu Inline-Zitaten und die Möglichkeit, Bibliotheken von Arbeiten zu erstellen und Empfehlungen zu erhalten, bereitzustellen.
Das AllenNLP-Team arbeitet an Forschung zur Verbesserung der Leistung und Verantwortlichkeit von NLP-Systemen sowie zur Weiterentwicklung wissenschaftlicher Methoden zur Bewertung und zum Verständnis von NLP-Systemen. Das Team produziert sowohl eigene Forschung als auch Open-Source-Werkzeuge, um die NLP-Forschung zu beschleunigen.
AllenNLP, erstmals 2017 veröffentlicht, wurde zu einer beliebten Bibliothek für den Aufbau von Deep-Learning-Modellen auf PyTorch (obwohl nicht aufgeführt, ist es ein gängiges Framework). Es bietet modulare Komponenten für Aufgaben wie Named Entity Recognition, semantische Rollenmarkierung und textuelle Implikation. Semantic Scholar indexiert mittlerweile Millionen von Arbeiten und verwendet Large Language Models für Funktionen wie TLDR-Zusammenfassungen und Zitationsgraphen.
MOSAIC und gesunder Menschenverstand
Das Mosaic-Projekt konzentriert sich darauf, Allgemeinwissen und Schlussfolgern für KI-Systeme zu definieren und aufzubauen. Diese Bemühung adressiert eine seit langem bestehende Herausforderung in der KI: Maschinen zu befähigen, alltägliche physische und soziale Konzepte zu verstehen, die Menschen als selbstverständlich betrachten.
Mosaic baut auf früheren Initiativen zum gesunden Menschenverstand wie Cyc auf, verwendet jedoch moderne Techniken des maschinellen Lernens, um Wissen zu erwerben und darüber zu schlussfolgern. Das Projekt zielt darauf ab, Ressourcen zu schaffen, die in Large Language Models integriert werden können, um deren Schlussfolgerungsfähigkeit und Robustheit zu verbessern. Ab Mitte der 2020er Jahre hat Mosaic Datensätze und Benchmarks zur Bewertung des gesunden Menschenverstands in KI-Systemen veröffentlicht.
KI für die Umwelt
Diese Teams streben danach, Lösungen der künstlichen Intelligenz zur Verhinderung von Wilderei und illegaler Fischerei an Orten auf der ganzen Welt sowie für Umweltprobleme wie Klimamodellierung und Waldbrandmanagement anzuwenden. Zu den Teams dieser Gruppe gehören EarthRanger, Skylight, Climate Modeling und Wildlands.
EarthRanger ist eine Softwareplattform, die Daten von Sensoren, Kameras und Rangerberichten integriert, um Echtzeit-Situationsbewusstsein für Verwalter von Schutzgebieten zu bieten. Skylight verwendet Satellitenbilder und maschinelles Lernen, um Schiffe zu erkennen, die wahrscheinlich illegaler Fischerei nachgehen. Climate Modeling wendet Deep Learning an, um die Genauigkeit und Geschwindigkeit von Klimasimulationen zu verbessern, während Wildlands sich auf die Vorhersage und Eindämmung von Waldbränden konzentriert.
Generative KI und offene Modelle
Ai2 ist aktiv an der Entwicklung von Open-Source-KI beteiligt, indem es vollständig offene Large Language Models, Datensätze und Trainingsressourcen für Modelle veröffentlicht.
Olmo-Modellfamilie
Am 11. Mai 2023 kündigte Ai2 an, OLMo zu entwickeln, ein offenes Sprachmodell, das darauf abzielt, die Leistung anderer modernster Sprachmodelle zu erreichen. Im Februar 2024 wurden Varianten des Modells mit 1B- und 7B-Parametern als Open Source veröffentlicht, einschließlich Code, Modellgewichten mit Zwischenschnappschüssen und Protokollen sowie den Inhalten ihres Dolma-Trainingsdatensatzes (ein englischsprachiger Korpus mit drei Billionen Token, der aus Webtexten, akademischen Veröffentlichungen, Code, Büchern, sozialen Medien und enzyklopädischen Quellen stammt), was es zum offensten verfügbaren modernsten Modell machte.
Im September 2024 veröffentlichte Ai2 OLMoE, das erste Mixture-of-Experts-Modell in der OLMo-Familie, das gemeinsam mit Contextual AI entwickelt wurde. Das spärliche Modell hat insgesamt etwa 7 Milliarden Parameter, von denen etwa 1 Milliarde pro Eingabe-Token aktiv ist, und wurde mit 5 Billionen Token trainiert. Wie bei anderen OLMo-Veröffentlichungen wurden die Modellgewichte von Trainingsdaten, Code, Protokollen und Zwischen-Trainingscheckpoints begleitet.
Im November 2024 veröffentlichte Ai2 die zweite Iteration von Olmo, OLMo 2, wobei die erste Veröffentlichung Modelle mit 7B- und 13B-Parametern umfasste. Im März 2025 veröffentlichte Ai2 eine 32B-Variante von OLMo 2 und behauptete, "das erste vollständig offene Modell (alle Daten, Code, Gewichte und Details sind frei verfügbar) veröffentlicht zu haben, das GPT3.5-Turbo und GPT-4o mini übertrifft".
Im November 2025 veröffentlichte Ai2 seine Olmo-3-Modellreihe (jetzt mit kleinem "L" und "M" geschrieben). Diese umfassten Olmo 3 Think (7 und 32B), Olmo 3 Base (7 und 32B), Olmo 3 Instruct (7B) und Olmo 3 RL Zero (7B). Im Dezember 2025 kündigte Ai2 ein Update des 32B-Modells an, Olmo 3.1.
Die OLMo-Veröffentlichungen waren einflussreich im OpenAI- und Anthropic-Ökosystem und bieten Forschern vollen Zugang zu Trainingsdaten und Pipelines. Sie haben auch Diskussionen über Transparenz in der KI-Entwicklung angeregt, im Gegensatz zu den geschlossenen Ansätzen kommerzieller Labore.
Tulu-Modelle und Post-Training-Rezepte
Zusätzlich zur vollständig offenen Olmo-Familie von Modellen hat Ai2 auch Tulu entwickelt, eine Familie von instruktionsabgestimmten Modellen und offenen Post-Training-Rezepten, die auf Open-Weights-Basismodellen (z. B. Metas Llama) aufbauen, um vollständig transparente Alternativen zu proprietären Instruktionsabstimmungsmethoden bereitzustellen. AI2 veröffentlichte die erste Iteration von Tulu im Juni 2023, mit nachfolgenden Iterationen im November 2023 (Tulu 2) und November 2024 (Tulu 3).
Tulu-Modelle sind für den Einsatz mit Techniken wie RLHF und Curriculum-Lernen konzipiert, und die Rezepte enthalten detaillierte Dokumentationen von Hyperparametern und Datenverarbeitung. Diese Arbeit zielt darauf ab, den Zugang zu modernster Instruktionsabstimmung zu demokratisieren, die in kommerziellen Modellen oft eine Black Box ist.
Siehe auch
- Allen Institute for Brain Science
- Allen Institute for Cell Science
- Künstliche Intelligenz
- Glossar der künstlichen Intelligenz
- Liste großer Sprachmodelle
Referenzen
- Einreichungen beim Internal Revenue Service. ProPublica Nonprofit Explorer.
- Offizielle Website.