Facebook AI Research (FAIR) ist das Labor für künstliche Intelligenz von Meta Platforms, das 2013 gegründet wurde. Das Labor wurde ins Leben gerufen, um grundlegende Forschung in maschinellem Lernen, Deep Learning und verwandten Bereichen zu betreiben, mit einem erklärten Bekenntnis zu offener Wissenschaft und der Veröffentlichung von Forschungsergebnissen. Im Jahr 2023 wurde FAIR in die breitere Meta-AI-Organisation integriert, die sowohl forschungs- als auch produktorientierte KI-Bemühungen im gesamten Unternehmen umfasst.
FAIR arbeitet mit einer verteilten Struktur und unterhält Hauptbüros in Menlo Park, Kalifornien; New York City; Paris, Frankreich; und Montreal, Kanada. Das Labor hat zahlreiche prominente Forscher auf diesem Gebiet beschäftigt, darunter Yann LeCun, der als Gründungsdirektor fungierte und weiterhin als Chief AI Scientist bei Meta tätig ist. Weitere bemerkenswerte Forscher, die mit FAIR verbunden sind, sind Soumith Chintala, ein Mitentwickler des PyTorch-Deep-Learning-Frameworks, und Joelle Pineau, die die Bemühungen des Labors im Bereich Reinforcement Learning und Robotik geleitet hat.
Frühe Beiträge und Open Source
Von Beginn an betonte FAIR offene Forschung und die Veröffentlichung von Werkzeugen und Datensätzen. Im Jahr 2015 veröffentlichte das Labor die fastText-Bibliothek für effiziente Textklassifikation und das Lernen von Wortrepräsentationen. Im folgenden Jahr führte FAIR das auf Torch basierende Deep-Learning-Framework ein, das sich später zu PyTorch entwickeln sollte und 2017 öffentlich veröffentlicht wurde. PyTorch wurde zu einem der am weitesten verbreiteten Frameworks in der KI-Forschungsgemeinschaft und wurde von Institutionen wie OpenAI, Google DeepMind und zahlreichen Universitäten übernommen.
FAIR trug auch bedeutende Datensätze zur Forschungsgemeinschaft bei. Das Labor veröffentlichte 2017 das von Common Voice inspirierte FAIRSEQ-Toolkit für Sequenz-zu-Sequenz-Modellierung und 2018 die ParlAI-Plattform für Dialogforschung. Im Bereich Computer Vision entwickelte FAIR die Objekterkennungsplattformen Detectron und Detectron2, die zu Standardwerkzeugen für die Vision-Forschung wurden.
Fortschritte im maschinellen Lernen
FAIR-Forscher haben grundlegende Beiträge zu Machine learning und Deep learning geleistet. Die Arbeit des Labors an convolutional neuronalen Netzen und Bilderkennung, geleitet von Forschern wie Karen Simonyan und Koray Kavukcuoglu, produzierte einflussreiche Architekturen und Trainingstechniken. In der Verarbeitung natürlicher Sprache entwickelte FAIR das InferSent-Satzembedding-Modell und trug durch Kooperationen mit anderen Forschungsgruppen zur Entwicklung der Transformer (architecture)-Architektur bei.
In den späten 2010er Jahren konzentrierte sich FAIR zunehmend auf selbstüberwachtes Lernen, ein Paradigma, bei dem Modelle Repräsentationen aus unbeschrifteten Daten lernen. Yann LeCun ist ein prominenter Befürworter dieses Ansatzes und argumentiert, dass er ein Schlüsselweg zu allgemeinerer Artificial intelligence sei. Die Arbeit von FAIR an selbstüberwachten Methoden für Vision und Sprache hat nachfolgende Entwicklungen in der Generative AI- und Large language model-Forschung beeinflusst.
Robotik und verkörperte KI
FAIR hat ein aktives Forschungsprogramm in Robotik und verkörperter Intelligenz aufrechterhalten. Das Labor entwickelte 2019 die Habitat-Plattform für verkörperte KI-Simulation, die es Forschern ermöglicht, Agenten in fotorealistischen 3D-Umgebungen zu trainieren. FAIR arbeitete auch an robotischer Manipulation und Navigation und kooperierte mit akademischen Institutionen wie MIT CSAIL und BAIR (Berkeley AI Research).
Im Jahr 2022 kündigte FAIR Project Aria an, eine Forschungsinitiative, die sich auf egozentrische Wahrnehmung und erweiterte Realität konzentriert. Das Projekt umfasste die Entwicklung von maßgeschneiderten Brillen mit Sensoren zur Erfassung von First-Person-Video- und Audiodaten, die darauf abzielen, die Forschung in kontextueller KI und Mensch-Computer-Interaktion voranzutreiben.
Große Sprachmodelle und Meta AI
Als sich das Feld hin zu groß angelegten generativen Modellen verlagerte, trug FAIR zur Entwicklung großer Sprachmodelle bei Meta bei. Das Labor war an der Erstellung des OPT-Modells (Open Pre-trained Transformer) beteiligt, das 2022 veröffentlicht wurde und als offene Alternative zu proprietären Modellen konzipiert war. FAIR trug auch zur LLaMA-Serie (Large Language Model Meta AI) bei, die erstmals 2023 veröffentlicht wurde und in der Forschungsgemeinschaft weit verbreitet war.
Im Jahr 2023 reorganisierte Meta seine KI-Bemühungen und fusionierte FAIR mit anderen KI-Teams zur Meta AI. Diese neue Organisation zielt darauf ab, Forschung und Produktentwicklung enger zu integrieren, wobei FAIR als Forschungsarm dient. Unter dieser Struktur veröffentlicht FAIR weiterhin akademische Arbeiten und Open-Source-Werkzeuge und informiert gleichzeitig Metas kommerzielle KI-Produkte auf seinen Plattformen, einschließlich Facebook, Instagram und WhatsApp.
Auswirkungen und Vermächtnis
FAIR hat erhebliche Auswirkungen auf das breitere KI-Ökosystem gehabt. Sein Bekenntnis zu offener Forschung und Open-Source-Software hat die Praktiken anderer großer Labore beeinflusst, darunter OpenAI und Anthropic. Die Veröffentlichungen des Labors wurden stark zitiert, und seine Alumni haben KI-Bemühungen bei anderen Unternehmen und akademischen Institutionen geleitet.
Das Labor war auch an politischen Diskussionen über KI-Sicherheit und Ethik beteiligt. FAIR-Forscher haben zu Themen wie Fairness im maschinellen Lernen und gesellschaftlichen Auswirkungen von KI veröffentlicht. Das Labor wurde jedoch von einigen Seiten wegen des potenziellen Missbrauchs seiner Technologien kritisiert, insbesondere im Kontext der Social-Media-Plattformen von Meta und der Verbreitung von Fehlinformationen.
Stand 2025 bleibt FAIR eine aktive Forschungsorganisation innerhalb von Meta mit laufenden Projekten in Bereichen wie multimodalem Lernen, Reasoning und KI für wissenschaftliche Entdeckungen. Seine Integration in Meta AI spiegelt einen breiteren Branchentrend wider, grundlegende Forschung mit kommerziellen Anwendungen in Einklang zu bringen, während gleichzeitig ein Bekenntnis zu akademischer Offenheit aufrechterhalten wird.