Im Dezember, 2025 fand die weltweit größte KI-Konferenz, die NeurIPS, parallel in Mexiko-Stadt  (Mexiko)  und San Diego (USA)  statt, ergänzt durch die erste EurIPS in Kopenhagen (Dänemark) .

Die Organisatoren, die Themenauswahl und die Teilnehmer unterstreichen gemeinsam die globale Bedeutung der Veranstaltung und ihre Rolle als zentrale Plattform für die internationale Wissenschaftsgemeinschaft.

"NeurIPS 2025" und "EurIPS" 2025 setzten globale Trends für KI und ihre mathematischen Grundlagen

Die Organisatoren, die Themenauswahl und die Teilnehmer unterstreichen gemeinsam die globale Bedeutung der Veranstaltung und ihre Rolle als zentrale Plattform für die internationale Wissenschaftsgemeinschaft. Parallel zur NeurIPS 2025 wurde mit EurIPS ein neues, europaweites Konferenzformat erprobt. Diese community-organisierte Initiative sollte ausgewählte Inhalte der NeurIPS zugänglich machen – ohne die Notwendigkeit interkontinentaler Reisen.
Die Veranstaltung fand im Bella Center in Kopenhagen statt, ergänzt durch Workshops an der zwei Universitäten von Kopenhagen.

Auf der NeurIPS 2025 (Neural Information Processing Systems) wurde deutlich: Die Wissenschaft tritt in eine neue Phase ein. Während die Entwicklung der KI früher vorwiegend über technische Lösungen und Experimente vorangetrieben wurde, richtet sich das Augenmerk heute zunehmend auf ein strikt mathematisches Verständnis der Funktionsweise neuronaler Netze.

Die NeurIPS ist das zentrale Ereignis der weltweiten KI-Forschung. Hier entstehen die Schlüsselideen, die die technologische Entwicklung für die kommenden Jahre bestimmen.

Einer der Schwerpunkte der Konferenz bleibt die Optimierung neuronaler Netze. Im Jahr 2025 geht es jedoch nicht mehr nur um die "Anpassung von Parametern", sondern um den Versuch, die tieferen Gesetzmäßigkeiten des Lernens zu verstehen:

• Ein Team unter der Leitung von Kevin Wang hat beispielsweise gezeigt, dass selbst extrem tiefe neuronale Netze mit bis zu tausend Schichten stabil und vorhersehbar lernen können.

• Die Forschungen von Zihan Qiu tragen dazu bei, die Funktionsweise von Attention-Mechanismen in großen Sprachmodellen besser zu verstehen.

• Die Forschungen von Timothy Lillicrap bieten einen neuen Blickwinkel auf den Lernprozess selbst und hinterfragen den klassischen Backpropagation-Algorithmus.

Eine der rätselhaftesten Fragen der KI lautet: Wie können Modelle, die auf bestimmten Daten trainiert wurden, erfolgreich mit neuen, zuvor unbekannten Beispielen umgehen?

• Die Arbeiten von Giulio Biroli und Marc Mezard liefern einen wichtigen Teil der Antwort. Sie haben gezeigt, dass moderne Diffusionsmodelle Daten nicht einfach nur speichern, sondern sie dank des Effekts der impliziten dynamischen Regularisierung verallgemeinern.

• Die Forschungen von Zachary Chase führen strenge Fehlerbewertungen für das Training ein.

• Yang Yue analysiert in seinen Arbeiten, ob Modelle tatsächlich zu Schlussfolgerungen fähig sind und wo die Grenzen ihres "Verständnisses" liegen.

Eine nicht minder wichtige Frage ist, wie zuverlässig moderne Modelle sind:

• Die Arbeit von Yizhou Liu bietet eine überraschende Erklärung: Die Stabilität neuronaler Netze könnte mit der Überlagerung von Merkmalen zusammenhängen.

• Die Studie von Liwei Jiang schlägt vor, große Sprachmodelle als eine Art kollektive Systeme zu betrachten, deren Verhalten mithilfe der Mathematik analysiert und beschrieben werden kann.

Dies ist ein wichtiger Schritt zur Schaffung einer erklärbaren KI, bei der die Entscheidungen der Modelle nicht nur beobachtet, sondern auch verstanden werden können.

Wenn die Vergangenheit die Zukunft prägt

Auf der Konferenz wurde der renommierte "Prüfung der Zeit-Auszeichnung" verliehen. Dieser Preis wird an Arbeiten vergeben, die sich im Laufe der Zeit bewährt haben. Im Jahr 2025 wurde diese Auszeichnung dem Artikel "Faster R-CNN" verliehen, der von Shaoqing Ren, Kaiming He, Ross Girshick und Jian Sun verfasst wurde.

Dieser vor zehn Jahren veröffentlichte Artikel bildete die Grundlage für das moderne Computer Vision. Die Arbeit erzielte eine sehr gute Genauigkeit und eine nahezu in Echtzeit erfolgende Erkennung von fünf FPs. Dadurch wurden neuronale Modelle zur Objekterkennung für den Einsatz in realen Anwendungen geeignet. Es handelt sich um die erste Arbeit, in der selektive Suche und manuell erstellte Vorschläge durch eine vollständig lernfähige, zweistufige Pipeline ersetzt wurden. Diese umfasst das Region Proposal Network (RPN) und das Erkennungsnetzwerk. Dies ersetzte manuelle Bildverarbeitungsmethoden. Heute zählt diese Arbeit mehr als 56.000 Zitate und prägt nach wie vor die Entwicklung des Fachgebiets.

Auf der Konferenz wurde auch Jian Sun gedacht, einem der Pioniere der KI. Seine Ideen haben die Wissenschaft nachhaltig geprägt.

Wissenschaftliche Infrastruktur: neue Herausforderungen und Standards

Neben theoretischen Ergebnissen wurden auf der Konferenz auch systemische Herausforderungen erörtert. Diese hängen damit zusammen, wie die wissenschaftliche Arbeit im Bereich der KI heute organisiert ist.

Ein wichtiges Thema war die Qualität und Standardisierung von Metadaten. Obwohl es Pflichtfelder gibt, zeigten die ersten Phasen der Einreichung von Artikeln, dass sich die Forscher noch an die Anforderungen einer strukturierten Datenbeschreibung gewöhnen müssen. Dies betrifft insbesondere die Lizenzierung und den maschinenlesbaren Kontext. Die Teilnehmer wiesen auf die Notwendigkeit klarerer Anweisungen sowie der Entwicklung automatischer Prüftools hin. Diese Tools könnten den Autor:innen präzises und verständliches Feedback liefern. 

Damit unmittelbar verbunden ist das Problem der Responsible AI (RAI). Die geringe Nutzung entsprechender Metadaten deutet auf eine Kluft zwischen bestehenden Standards und deren praktischer Anwendung hin. Forscher benötigen klarere Leitlinien zur Beschreibung der Datenherkunft, möglicher Verzerrungen, Einschränkungen und der gesellschaftlichen Auswirkungen der Modellnutzung. Eine Verbesserung der Plattform-Tools und automatischer Prüfungen könnte die Belastung für die Autoren erheblich verringern und die Qualität solcher Beschreibungen erhöhen.

Ein weiteres Problem ist die Fachkompetenz der Gutachter:innen. Moderne Arbeiten liegen zunehmend an der Schnittstelle verschiedener Fachgebiete. KI wird in der Wissenschaft, der Medizin, der Analyse multimodaler Daten und der Bewertung von LLM eingesetzt. Dies erfordert ein tiefes Verständnis sowohl der Methoden des maschinellen Lernens als auch des jeweiligen Fachgebiets. Der derzeitige Pool an Gutachtern ist mit dieser Komplexität jedoch noch nicht immer vertraut, und in der Fachgemeinschaft wird eine Erweiterung des Pools immer intensiver diskutiert.

Eine nicht minder komplexe Aufgabe ist die Bewertung des wissenschaftlichen Beitrags. Im Gegensatz zu Algorithmen, für die es klare Qualitätsmetriken gibt, wird der Wert von Datensätzen und Benchmarks durch ihren Einfluss auf zukünftige Forschungen bestimmt. In diesem Zusammenhang wird die Einführung neuer Formate diskutiert, beispielsweise eines obligatorischen Abschnitts "Demonstrated Impact", der die Eigenschaften der Daten mit den Modellergebnissen verknüpft.

Ein eigener Themenkomplex betrifft die Arbeit mit großen Datensätzen. Deren Verarbeitung erfordert neue Standards, von Empfehlungen zum Self-Hosting bis hin zur Integration mit Speicherplattformen und zur Automatisierung der Berichterstattung.

Die Gemeinschaft betont zudem die Notwendigkeit einer weiteren Entwicklung der Infrastruktur für reproduzierbare Forschung, einschließlich maschinenlesbarer Metadaten und automatisierter Prüfwerkzeuge. Insgesamt befindet sich dieser Forschungszweig noch im Entstehungsstadium. Die wissenschaftliche Gemeinschaft ist gerade dabei, Bewertungs- und Präsentationsstandards für datenzentrierte Forschung zu entwickeln. Doch bereits jetzt ist offensichtlich, dass dabei eine neue wissenschaftliche Infrastruktur entsteht, die transparenter, standardisierter und auf Reproduzierbarkeit ausgerichtet ist.

Die wichtigste Errungenschaft: KI wird nun aus mathematischer Perspektive betrachtet.

Auf der NeurIPS 2025 gab es keine einzelne "sensationelle" mathematische Entdeckung. Es geschah jedoch etwas Bedeutenderes: Es hat sich eine kritische Masse an Ergebnissen angesammelt, die die mathematische Theorie der neuronalen Netze prägen. Heute kann man bereits sagen, dass:

• Generalisierungsmechanismen entstehen und
• Skalierungsgesetze formuliert werden.
• strenge Fehlerbewertungen eingeführt werden.
• Stabilitätsmodelle werden entwickelt.

Mit anderen Worten: KI hört allmählich auf, eine Sammlung funktionierender, aber kaum verständlicher Werkzeuge zu sein.

Wissenschaft am Wendepunkt

Noch vor kurzem ließ sich die Entwicklung der KI mit dem Satz beschreiben: "Es funktioniert – aber man versteht nicht, warum."

Nach der NeurIPS 2025 ändert sich die Situation. Wissenschaftler sind zunehmend in der Lage,

• das Verhalten von Modellen zu erklären,
• ihre Eigenschaften vorherzusagen und
• und möglicherweise in Zukunft ihre Funktionsweise vollständig zu kontrollieren.

Die zentrale Frage, vor der die Wissenschaft heute steht, lautet: Lässt sich künstliche Intelligenz mit der Sprache der Mathematik ebenso streng beschreiben wie die Gesetze der Physik?

Den Ergebnissen der weltweit größten Konferenz zufolge zeichnet sich bereits eine Antwort darauf ab.

KI-Konferenzen werden politisch relevant

Ein weiterer bemerkenswerter Trend: Konferenzen wie die NeurIPS sind längst nicht mehr nur wissenschaftliche Treffen. Sie verbinden Forschung, Industrie und Politik.
Auf EurIPS wurden beispielsweise neue Initiativen und Förderprogramme angekündigt – ein Zeichen dafür, dass Konferenzen zunehmend als Plattformen für strategische Entscheidungen dienen. Auch politische Entscheidungsträger nutzen solche Veranstaltungen, um sich direkt mit der Forschungsgemeinschaft auszutauschen.
Ein regionales Format wie EurIPS kann zudem die Innovationslandschaft beeinflussen: Während US-basierte Konferenzen primär die amerikanische Industrie stärken, eröffnet eine europäische Plattform neue Chancen für regionale Forschung und Unternehmen.

Autor: Olha Shchedrova, Vorsitzender des Vereins