Die große Konvergenz: Wie KI jede Grenze verbindet

Künstliche Intelligenz (KI) hat die Welt mit ihrem Potenzial, Effizienz zu steigern, Kosten zu senken und die Produktivität zu erhöhen, in Brand gesetzt.

Während für viele Menschen KI mit Chatbots gleichgesetzt wird, dank der Zugänglichkeit und Popularität generativer KI‑Tools wie ChatGPT, ist die Technologie weitaus umfangreicher, mit Vorteilen, die sich in Medizin, Fertigung, Robotik, Gesundheitswesen, Bildung, Klimawissenschaft, Finanzen, Recht, Cybersicherheit und darüber hinaus erstrecken.

Indem KI menschliche kognitive Funktionen wie Problemlösung und Entscheidungsfindung nachahmt, verspricht sie, die zugrunde liegenden Systeme dieser Branchen zu transformieren, wobei immer mehr Unternehmen aktiv die Fähigkeiten von KI erforschen.

Eine kürzlich von McKinsey durchgeführte Umfrage zeigte einen Anstieg der KI‑Nutzung, nicht nur im Technologiesektor, wo sie bereits 90 % übertroffen hat, sondern in fast jeder Branche.

Neun von zehn Befragten gaben an, dass ihre Unternehmen KI regelmäßig einsetzen, obwohl sie sich noch in der Experimentierphase befindet. Trotz des Pilotstadiums berichteten die Befragten von Kosten‑ und Umsatzvorteilen, wobei 64 % angaben, dass KI ihnen Innovation ermöglicht.

Diese wachsende Adoption zeigt, dass KI selbst in einem so frühen Stadium zu einem entscheidenden Treiber der digitalen Transformation wird.

Im heutigen global vernetzten und wettbewerbsintensiven Umfeld ermöglicht KI Unternehmen, die Kraft verschiedener digitaler Technologien wie Big Data, Cloud‑Computing und Internet der Dinge zu nutzen. Im Grunde fungiert sie als konvergierende Technologie, die die Entwicklung und Integration anderer Technologien beschleunigt, sodass deren kombinierte Wirkung größer ist als die Summe ihrer Einzelteile.

Damit wollen wir uns nun einige faszinierende KI‑Fortschritte in verschiedenen Sektoren ansehen, die jeweils zeigen, wie die Welt verändert wird.

Unten finden Sie einen schnellen Überblick über drei Bereiche, in denen die Konvergenz von KI bereits messbar ist.

Wischen zum Scrollen →

KI kartiert das Darmmikrobiom zur menschlichen Gesundheit (und CAD‑Risiko)

Mit Hilfe von KI haben Wissenschaftler nun das komplexe Ökosystem der Darmbakterien und ihrer chemischen Signale entschlüsselt, wodurch verborgene Zusammenhänge zwischen den Bakterien und der menschlichen Gesundheit aufgedeckt werden konnten. Darüber hinaus ist das neue fortschrittliche KI‑System in Studien zu Krebs, Fettleibigkeit und Schlafstörungen tatsächlich besser als herkömmliche Modelle und zeigt ein enormes Potenzial, Behandlungen individuell an die mikrobielle Zusammensetzung jeder Person anzupassen, um die personalisierte Medizin zu revolutionieren.

Die Fähigkeit von KI, verborgene Muster aufzudecken, ist besonders bemerkenswert, wie in einer Studie der University of Waterloo¹ gezeigt wurde, bei der KI‑gestützte Analysen von Routinebluttests Muster erkannten, die lebensrettende Vorhersagen sowohl erschwinglich als auch zugänglich machen.

Kehren wir zu den Darmbakterien zurück, sie spielen eine Schlüsselrolle für unsere Gesundheit, beeinflussen nicht nur unsere Verdauung und Krankheitsprävention, sondern auch das Immunsystem und sogar unsere Stimmung. Neue Forschungen haben gezeigt, dass unser Darmmikrobiom möglicherweise auch die Entstehung von Koronarer Herzkrankheit (CAD) beeinflusst, die jährlich fast 20 Millionen Menschen das Leben kostet.

Der menschliche Darm ist zweifellos faszinierend, aber er ist auch ein komplexes Ökosystem aus Billionen von Mikroorganismen. Neben der schieren Anzahl an Bakterienarten in unserem Darm erschweren ihre Wechselwirkungen mit der menschlichen Chemie das Verständnis ihrer Auswirkungen für Wissenschaftler.

In einem bahnbrechenden Schritt wandten sich Forscher der Universität Tokio an KI, um dieses Problem anzugehen.

Sie entwickelten ein KI‑System, um besser zu verstehen, welche Bakterien welche Metaboliten produzieren – kleine Moleküle, die als chemische Botenstoffe fungieren und durch unseren Körper zirkulieren, den Stoffwechsel, das Immunsystem und die Gehirnfunktion beeinflussen – und wie die Beziehung zwischen Bakterien und Metaboliten sich bei verschiedenen Krankheiten verändert.

„Durch die präzise Kartierung dieser Bakterien‑Chemie‑Beziehungen könnten wir potenziell personalisierte Therapien entwickeln. Stellen Sie sich vor, ein bestimmtes Bakterium zu züchten, das nützliche menschliche Metaboliten produziert, oder gezielte Therapien zu entwerfen, die diese Metaboliten modifizieren, um Krankheiten zu behandeln.“

– Projektforscher Tung Dang aus dem Tsunoda‑Labor der Abteilung für Biowissenschaften

Das von ihnen entwickelte Modell ist ein Bayessches neuronales Netzwerk namens VBayesMM, das die Herausforderung adressiert, bedeutungsvolle Muster aus der komplexen Interaktion zwischen Billionen von Bakterien und Metaboliten zu identifizieren.

Es verwendet einen Bayesschen Ansatz, um genau zu bestimmen, welche Bakteriengruppen die jeweiligen Metaboliten am stärksten beeinflussen. Darüber hinaus misst es die Unsicherheit seiner Vorhersagen, um falsche Schlussfolgerungen zu vermeiden, was Wissenschaftlern genauere und vertrauenswürdigere Erkenntnisse liefert.

Durch den Einsatz seines variationalen Bayesschen Mikrobiom‑Multiomics‑Ansatzes (VBayesMM) konnte das Team Schlüsselmikrobenarten sowohl schnell als auch präzise identifizieren, was zu genaueren Schätzungen führte. Die Implementierung variationaler Inferenz beseitigte gleichzeitig Rechenengpässe und ermöglichte eine skalierbare Analyse riesiger Datensätze.

Das Team wird als nächstes mit umfassenderen chemischen Datensätzen arbeiten, um das gesamte Spektrum bakterieller Produkte zu erfassen und das Problem eines Genauigkeitsverlustes zu überwinden, wenn Metabolitdaten umfangreicher sind als Bakteriendaten.

„Wir streben auch an, VBayesMM robuster zu machen, wenn wir diverse Patientengruppen analysieren, indem wir die ‚Stammbäume‘ der Bakterien einbeziehen, um bessere Vorhersagen zu ermöglichen, und die für die Analyse benötigte Rechenzeit weiter zu reduzieren“, sagte Dang. „Für klinische Anwendungen besteht das ultimative Ziel darin, spezifische bakterielle Ziele für Therapien oder diätetische Interventionen zu identifizieren, die Patienten tatsächlich helfen können, und von der Grundlagenforschung zu praktischen medizinischen Anwendungen überzugehen.“

Investierbarer Aspekt: Präzisionsmedizin mit Tempus AI (TEM )

In dieser spannenden und komplexen Welt der Lebenswissenschaften sticht Tempus AI hervor, indem es KI‑gestützte Präzisionsmedizin‑Lösungen für die personalisierte Patientenversorgung anbietet.

Tempus ist ein Technologieunternehmen, das die Präzisionsmedizin vorantreibt und gleichzeitig die Entdeckung und Entwicklung optimaler Therapeutika erleichtert. Es verfügt über drei Produktlinien:

• Genomik: Bietet Next‑Generation‑Sequencing (NGS)‑Diagnostik, Profiling, molekulare Genotypisierung und weitere Tests.
• Daten: Umfasst die Strukturierung und De‑Identifizierung der in seinem Labor erzeugten Daten vor der Kommerzialisierung.
• KI‑Anwendungen: Bietet Diagnostik, implementiert neue Software als Medizinprodukt und stellt klinische Entscheidungsunterstützungs‑Tools bereit.

In diesem Jahr erreichte Tempus mehrere wichtige regulatorische Meilensteine, darunter die FDA‑Zulassung für das Tempus xR IVD‑Gerät, um die Medikamentenentwicklung durch fortschrittliche RNA‑Sequenzierung zu unterstützen. Infolgedessen können Tempus‑Partner ihr RNA‑Assay nutzen, um „präziser zu identifizieren, welche Patienten am wahrscheinlichsten auf bestimmte Therapien ansprechen, und um effizientere klinische Studien zu entwerfen.“

Seine aktualisierte KI‑gestützte Plattform zur kardialen Bildanalyse, Tempus Pixel, sowie die KI‑Software Tempus ECG‑Low EF erhielten ebenfalls FDA‑510(k)-Zulassungen, wodurch die Position des Unternehmens im Bereich KI‑gesteuerter Diagnostik gestärkt wird.

Die Aktien des Unternehmens mit einer Marktkapitalisierung von 12,73 Milliarden $ handeln derzeit bei 72,52 $, ein Anstieg von fast 112 % in diesem Jahr. Erst letzten Monat überschritten die TEM‑Aktien die 100‑$‑Marke.

Zur finanziellen Lage: Tempus meldete kürzlich einen Jahreszuwachs von 84,7 % beim Umsatz im 3. Quartal 2025 auf 334,2 Millionen $, während der Bruttogewinn um 98,4 % auf 209,9 Millionen $ stieg. Der Nettoverlust für das Quartal betrug 80 Millionen $. Das Unternehmen beendete das Quartal mit 764,3 Millionen $ an Barmitteln und handelbaren Wertpapieren.

„Wir wachsen nicht nur mit einer unglaublichen Rate, das Erreichen eines positiven bereinigten EBITDA ist ein wichtiger Meilenstein und spiegelt die Stärke unseres zugrunde liegenden Geschäfts wider“, sagte Tempus‑Gründer und CEO Eric Lefkofsky. „Eine der schwierigsten Aufgaben und ein Zeichen für die Beständigkeit des Geschäftsmodells ist es, die Investitionsrate zurück ins Unternehmen zu verlangsamen und dennoch Wachstum aufrechtzuerhalten, was wir genau in diesem Quartal erreicht haben.“

Klicken Sie hier für eine Liste der führenden Biotech‑Big‑Data‑Unternehmen.

KI sagt Sonnenstürme Tage im Voraus voraus — Schutz von Stromnetzen & Satelliten

Ein KI‑Modell wurde entwickelt, um den Sonnenwind weit im Voraus mit höherer Genauigkeit als bestehende Methoden vorherzusagen, wodurch Stromnetze, Satelliten und Navigationssysteme vor störenden Weltereignissen geschützt und die Widerstandsfähigkeit unserer kritischen Infrastruktur gestärkt werden.

Sonnenwind ist der konstante Strom geladener Teilchen, die von der Sonne freigesetzt werden. Er entsteht, wenn die verdrehten Magnetfelder der Sonne verformt und gedehnt werden, wodurch sie reißen, bevor sie sich wieder verbinden, wobei große Energiemengen freigesetzt werden.

Wenn diese Teilchen Geschwindigkeit aufnehmen, können sie die Erdatmosphäre stören. Sie können nicht nur Stromnetze beeinträchtigen, sondern auch Satelliten aus ihrer Umlaufbahn ziehen, wie ein starkes Sonnenwindereignis 2022 zeigte, als SpaceX bis zu 40 seiner Starlink‑Satelliten verlor.

Sonnenstürme hingegen sind noch stärkere Ereignisse, bei denen die Sonne Energie, Teilchen und Magnetfelder ins All schleudert. Wenn sie zur Erde gerichtet sind, können sie eine erhebliche Störung des Magnetfeldes verursachen, die als geomagnetischer Sturm bezeichnet wird. Das erzeugt die wunderschönen Polarlichter, führt aber auch zu Stromausfällen.

Lloyds jüngstes Szenario für systemische Risiken schätzt, dass ein schwerer Sonnensturm die globale Wirtschaft in den nächsten fünf Jahren mit etwa 2,4 Billionen $ Verlusten belasten könnte, wobei die heutigen erwarteten Verluste bei etwa 17 Milliarden $ liegen.

Dies verdeutlicht den dringenden Bedarf an besseren Vorhersagen dieser Ereignisse. Daher haben Forscher der NYU Abu Dhabi (NYUAD) genau das mit Hilfe von KI umgesetzt.

Sie haben ein KI‑Modell entwickelt, das den Sonnenwind bis zu vier Tage vor dem Ereignis vorhersagen kann, genauer als aktuelle Methoden. Das Modell wurde anhand historischer Aufzeichnungen des Sonnenwinds und Ultraviolett‑Bilder des Solar Dynamics Observatory (SDO) der NASA trainiert.

Durch die Analyse von Sonnenbildern, um Muster zu erkennen, die mit Änderungen des Sonnenwinds zusammenhängen, konnte das NYUAD‑Team die Vorhersagegenauigkeit im Vergleich zu aktuellen Betriebsmodellen um 45 % verbessern. Zudem erzielten sie eine 20 %ige Verbesserung gegenüber früheren KI‑basierten Ansätzen.

„Dies ist ein bedeutender Schritt nach vorn beim Schutz von Satelliten, Navigationssystemen und der Strominfrastruktur, von der das moderne Leben abhängt“, sagte der Hauptautor der Studie, Dattaraj Dhuri. „Durch die Kombination fortschrittlicher KI mit Sonnenbeobachtungen können wir Frühwarnungen geben, die dazu beitragen, kritische Technologie auf der Erde und im Weltraum zu schützen.“

Investierbarer Aspekt: Weltraumwetter‑KI mit IBM (IBM )

Das Unternehmen IBM mit einer Marktkapitalisierung von 293,24 Milliarden $ ist ein globaler Anbieter von Hybrid‑Cloud‑ und KI‑Dienstleistungen, um digitale Transformation über Daten, Anwendungen und Umgebungen hinweg zu ermöglichen.

Vor einigen Monaten veröffentlichte IBM in Zusammenarbeit mit der NASA sein Open‑Source‑KI‑Modell „Surya“, um die aus Sonnenbeobachtungen gesammelten Daten besser zu verstehen und vorherzusagen, wie die Sonnenaktivität Raumtechnologie und die Erde beeinflusst.

Mit Surya wendet das Unternehmen KI auf die Forschung zur Vorhersage von Weltraumwetter an und stellt ein Werkzeug bereit, das Telekommunikation, Stromnetze und GPS‑Navigation vor den durch die wechselnde Sonnenaktivität verursachten Störungen schützt.

Zum Zeitpunkt dieses Schreibens werden IBM‑Aktien bei 319 $ gehandelt, ein Anstieg von 42,7 % im Jahresverlauf. Das Unternehmen weist ein EPS (TTM) von 8,07 und ein KGV (TTM) von 38,87 auf. IBM zahlt eine Dividendenrendite von 2,14 %.

Im jüngsten Quartal, 3Q25, meldete das Unternehmen einen Umsatzanstieg von 9 % auf 16,3 Milliarden $. Die GAAP‑Bruttogewinnmarge betrug 57,3 % und der nicht‑GAAP‑Betriebsgewinn 58,7 %. Der Netto‑Cashflow aus operativen Aktivitäten lag im Jahresverlauf bei 9,2 Milliarden $, und der freie Cashflow betrug 7,2 Milliarden $.

„Kunden weltweit nutzen weiterhin unsere Technologie und Fachkompetenz, um die Produktivität in ihren Abläufen zu steigern und mit KI echten geschäftlichen Mehrwert zu schaffen.“

– CEO Arvind Krishna

Er bemerkte zudem, dass das KI‑Geschäft von IBM 9,5 Milliarden $ überstieg, gegenüber 7,5 Milliarden $ im vorherigen Quartal.

Wo KI Experten übertrifft: Medizin, Neurowissenschaften & Bildung

Forscher stellen fest, dass KI in verschiedenen Bereichen konsequent Experten übertrifft.

Ein solches Gebiet ist die Medizin, wo „Glaukom nach wie vor eine der häufigsten Ursachen für irreparablen Sehverlust weltweit ist“, wobei das Screening zu teuer ist. Aber KI könnte die Lösung sein, hofft Dr. Anthony Khawaja, Professor am University College London Institute of Ophthalmology und leitender Forscher der neuen Studie, die berichtete, dass ein trainiertes KI‑Programm Patienten mit Glaukom etwa zu 90 % korrekt identifizierte, verglichen mit 81 % für menschliche Bewerter.

Für diese Studie bewerteten sowohl menschliche Experten als auch ein KI‑Programm über 6.300 Teilnehmende, von denen fast 700 in mindestens einem Auge an Glaukom litten.

Glaukom entsteht durch Schädigung des Sehnervs, meist aufgrund von Druckaufbau im Auge, was zu vollständiger Erblindung führen kann. Menschliche Experten und die KI bewerteten das Glaukomrisiko der Teilnehmenden anhand des vertikalen Cup‑Disk‑Verhältnisses, einer Schlüsselgröße dieser Erkrankung, die Veränderungen der Augenstruktur durch Druckaufbau verfolgt.

Laut den Studienergebnissen wurden nur 11 % der Augen der Teilnehmenden als verdächtig für Glaukom eingestuft, was dem bei Routinescreenings erwarteten Anteil entspricht. Die Genauigkeit könnte laut Forschern weiter verbessert werden, indem weitere Risikofaktoren wie der Augeninnendruck einbezogen werden.

In einer weiteren Studie sagten große Sprachmodelle (LLMs) die Ergebnisse vorgeschlagener neurowissenschaftlicher Studien genauer voraus als menschliche Experten, was das Potenzial von KI zur Beschleunigung der Forschung hervorhebt.

Statt sich auf die Frage‑Antwort‑Fähigkeiten von LLMs zu konzentrieren, untersuchte die Studie, ob die Modelle Wissen synthetisieren können, um zukünftige Ergebnisse vorherzusagen.

Sie testeten also 15 verschiedene allgemeine LLMs und 171 menschliche Neurowissenschaftsexperten und stellten fest, dass alle LLMs die Neurowissenschaftler übertrafen. Während LLMs im Durchschnitt 81 % Genauigkeit erreichten, lagen Menschen bei 63 %, was selbst bei höchster menschlicher Expertise nur auf 66 % stieg. Das Training eines LLMs mit neurowissenschaftlicher Literatur verbesserte seine Genauigkeit auf 86 %.

„Wir vermuten, dass es nicht mehr lange dauern wird, bis Wissenschaftler KI‑Werkzeuge einsetzen, um das effektivste Experiment für ihre Fragestellung zu entwerfen. Während sich unsere Studie auf Neurowissenschaften konzentrierte, war unser Ansatz universell und sollte erfolgreich auf die gesamte Wissenschaft anwendbar sein.“

– Seniorautor Bradley Love, Professor an der UCL für Psychologie & Sprachwissenschaften

KI hat laut Forschern der Universität Cambridge einen klaren Vorteil bei prädiktiven Modellen und Datenanalysen. Wenn sie mit zeitnahen Daten in Bezug auf Volumen, Vielfalt und Wahrhaftigkeit versorgt wird, kann sie Kosten und Lieferketten optimieren, Hochleistungsprodukte schneller entwickeln und in Echtzeit auf Marktschwankungen reagieren.

„Die Ignorierung generativer KI in der Unternehmensstrategie ist nicht mehr tragfähig“, sagten die Mitautoren der Studie.

Dies ist jedoch nur die Spitze des Eisbergs, da andere Studien gezeigt haben, dass KI sogar in grundlegenden Sprachmechaniken hervorragend abschneidet⁶, jedoch bei thematischer Konsistenz im Bereich der Assay‑Bewertung Defizite aufweist, menschliche Experten bei der Schmerzerkennung bei Schafen⁷ mit denselben visuellen Informationen übertrifft und bei der bildbasierten Hautdiagnose Dermatologen gleichkommt oder sie übertrifft⁸.

Investierbarer Aspekt: Gemini‑Adoption durch Alphabet Inc. (GOOG )

Wenn es um Investitionen in die Kraft von KI geht, ist Alphabet eine lohnenswerte Option, die durch Google DeepMind und Google Research führend bei KI‑Durchbrüchen ist.

Kürzlich veröffentlichten Google DeepMind und das KI‑gestützte EdTech‑Unternehmen Eedi explorative Forschung⁹, die zeigte, dass KI‑Tutoring mit menschlicher Einbindung die rein menschliche Unterstützung übertrifft.

Der Versuch fand in fünf britischen Sekundarschulklassen statt, wobei der Kernunterricht von LearnLM, Googles generativem KI‑Modell, das für die Pädagogik feinabgestimmt wurde, vermittelt wurde. Sie stellten fest, dass das Mensch‑KI‑Team mit 93 % genauso effektiv war, Schülern sofort einen gemachten Fehler zu korrigieren, wie ein rein menschlicher Tutor (91,2 %). Das Team war ebenso gut darin, den Schülern zu helfen, ihre zugrunde liegenden Missverständnisse zu beheben.

Bei der Messung des „Wissens‑transfer“, also wie das Tutoring bei einem Problem die Fähigkeit eines Schülers beeinflusst, ein neues zu lösen, verbesserte ein rein menschlicher Tutor das Lernen um 4,5 Prozentpunkte, während das Mensch‑KI‑Team es um 10 Prozentpunkte steigerte.

„Diese Ergebnisse markieren einen Meilenstein für verantwortungsvolle, sichere und effektive KI im Bildungsbereich. Der nächste Schritt besteht darin, dies von einem explorativen Pilotprojekt auf einen groß angelegten Versuch zu skalieren.“

– Irina Jurenka, Forschungswissenschaftlerin bei Google DeepMind

Inzwischen erzielt das multimodale KI‑Modell Gemini des Technologieriesen mehrere Fortschritte, erreichte bei den World Finals des International Collegiate Programming Contest (ICPC) 2025 eine Goldmedaillen‑Leistung, nach einem Goldmedaillen‑Sieg bei der Internationalen Mathe‑Olympiade.

Googles Flaggschiff‑KI‑App verzeichnet nun über 650 Millionen monatlich aktive Nutzer.

Google ist also stark in KI‑Innovation involviert, was dazu führte, dass die Aktie in diesem Jahr um fast 54 % gestiegen ist und nun knapp über 293 $ gehandelt wird. Das Unternehmen mit einer Marktkapitalisierung von 3,5 Billionen $ zahlt zudem eine Dividende von 0,29 %.

Kürzlich meldete es für das 3. Quartal 2025 einen Umsatz von 102,35 Milliarden $, angetrieben durch solide Dynamik im Cloud‑Geschäft, das von starker KI‑Nachfrage profitierte. Das Unternehmen plant nun, seine Investitionsausgaben auf 91 – 93 Milliarden $ zu erhöhen, nachdem die Erwartungen von 75 – 85 Milliarden $ im Laufe des Jahres angehoben wurden. Der Großteil der Ausgaben fließt in Infrastruktur wie Rechenzentren.

Abschließende Gedanken

KI hat die Welt im Sturm erobert, ist jedoch nicht mehr eine eigenständige Innovation. Stattdessen fungiert sie als verbindendes Gewebe, das eine wachsende Zahl transformativer Technologien miteinander verknüpft. Wie oben erwähnt, hilft sie uns, die Geheimnisse des menschlichen Mikrobioms zu entschlüsseln, Sonnenstürme vorherzusagen und sogar Experten in Wissenschaft und Medizin zu übertreffen. Dennoch stellen diese Durchbrüche nur einen kleinen Teil dessen dar, wie tief KI nahezu jede Grenze menschlichen Handelns beeinflusst.

Während sie mit Big Data, Biotechnologie, Cloud‑Computing, Robotik und Quantenwissenschaft konvergiert, beschleunigt KI das Tempo der Entdeckungen und ermöglicht Integrationen, die intelligentere Systeme und eine klügere Welt schaffen.

Klicken Sie hier, um alles über Investitionen in Künstliche Intelligenz zu erfahren.

Referenzen

1. Mussavi Rizi, M., Fernández, D., Kramer, J. L. K., Saigal, R., DiGiorgio, A. M., Beattie, M. S., Ferguson, A. R., Kyritsis, N., Torres‑Espín, A., & TRACK‑SCI. Modellierung von Verläufen routinemäßiger Bluttests als dynamische Biomarker für das Ergebnis bei Rückenmarksverletzungen. npj Digital Medicine 8:470 (2025). https://doi.org/10.1038/s41746-025-01782-0
2. Lee, S., Raza, S., Lee, E.-J., Chang, Y., Ryu, S., Kim, H.-L., Kang, S.-H., & Kim, H.-N. Metagenom‑assemblierte Genome enthüllen mikrobielle Signaturen und Stoffwechselwege, die mit koronarer Herzkrankheit verbunden sind. mSystems e00954-25 (2025). https://doi.org/10.1128/msystems.00954-25
3. Dang, T., Lysenko, A., Boroevich, K. A., & Tsunoda, T. „VBayesMM: variationales Bayessches neuronales Netzwerk zur Priorisierung wichtiger Beziehungen hochdimensionaler Mikrobiom‑Multiomics‑Daten.“ Briefings in Bioinformatics 26(4), bbaf300 (2025). https://doi.org/10.1093/bib/bbaf300
4. Sinha, A., Dhuri, D., Vasanth, R., Hanasoge, S., et al. „Ein multimodaler Encoder‑Decoder‑Neuronaler‑Netzwerk zur Vorhersage der Sonnenwindgeschwindigkeit bei L1.“ The Astrophysical Journal Supplement Series 258(2): 1–? (2025). https://doi.org/10.3847/1538-4365/adf436
5. Luo, X., Rechardt, A., Sun, G., Nejad, K. K., Yáñez, F., Yilmaz, B., Lee, K., Cohen, A. O., Borghesani, V., Pashkov, A., Marinazzo, D., Nicholas, J., Salatiello, A., Sucholutsky, I., Minervini, P., Razavi, S., Rocca, R., Yusifov, E., Okalova, T., Gu, N., Ferianc, M., Khona, M., Patil, K. R., Lee, P. S., Mata, R., Myers, N. E., Bizley, J. K., Musslick, S., Bilgin, I. P., Niso, G., Ales, J. M., Gaebler, M., Ratan Murty, N. A., Loued‑Khenissi, L., Behler, A., Hall, C. M., Dafflon, J., Bao, S. D. & Love, B. C. Große Sprachmodelle übertreffen menschliche Experten bei der Vorhersage von Neurowissenschaftsergebnissen. Nature Human Behaviour 9, 305–315 (2025). https://doi.org/10.1038/s41562-024-02046-9
6. Bouziane, K. & Bouziane, A. M. KI versus menschliche Effektivität bei der Aufsatzbewertung. Discover Education 3:201 (2024). https://doi.org/10.1007/s44217-024-00320-6
7. Feighelstein M., Luna S.P., Silva N.O., Trindade P.E., Shimshoni I., van der Linden D., & Zamansky A. „Vergleich zwischen KI‑ und menschlicher Expertenleistung bei der akuten Schmerzerkennung bei Schafen.“ Scientific Reports 15(1):626 (2025). https://doi.org/10.1038/s41598-024-83950-y (PubMed)
8. Ma, X., & Li, Z. Künstliche Intelligenz in der Dermatologie: ein Überblick. International Journal of Dermatology and Venereology 7, 227–235 (2025). https://doi.org/10.1097/IJD.0000000000000000
9. Gomes, B., McKee, K. R., Veerubhotla, A. S., Modi, A., Rysbek, A., Huber, A., Wiltshire, S., Gillick, D., et al. „KI‑Tutoring kann Schüler sicher und effektiv unterstützen: Eine explorative randomisierte kontrollierte Studie in britischen Klassenzimmern.“ arXiv pre-print (Nov 2025). Verfügbar unter: https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf