Von Aylin Krieger
16. Nov 2026
Das Peer-to-Peer-Netzwerk Künstliche Intelligenz ist ein zentraler Bestandteil des UBRA-Leitprojekts KI. Es dient als strategische Plattform, um Wissenschaftler:innen der Mitgliedseinrichtungen über Institutionsgrenzen hinweg zu vernetzen.
Ziel ist es, Synergien zwischen theoretischer Forschung und praktischer Anwendung zu nutzen und die Position Bremens als führenden Standort für verantwortungsvolle KI-Forschung zu stärken.

Einen wesentlichen inhaltlichen Impuls setzte am 06. November 2026 Prof. Dr. Martin Mundt, Professor für Lifelong Machine Learning (Lifelong ML) an der Universität Bremen und Leiter des OWL-ML Lab. Sein Team adressiert eine grundlegende Schwachstelle aktueller Modelle: Die meisten KI-Systeme sind immer noch „statisch“, also wenig adaptiv. Bei herkömmlichen Methoden des kontinuierlichen Lernens ist der Output des Modells nicht nur davon beeinflusst, mit welchen Daten es trainiert wurde, sondern auch davon, welche Daten es zuerst gelernt hat. Das führt später zu Verzerrungen (Biases) in den Antworten der KI.
Das Ziel des OWL-ML Lab ist es, Lernprozesse adaptiver zu gestalten und modulare KI-Modelle zu entwickeln, die kontinuierlich erweitert und aktualisiert werden können. Prof. Dr. Mundt betonte, dass Lifelong ML primär ein „Algorithmen-Problem“ ist. Es geht darum, neue mathematische Modelle und Optimierungsverfahren zu entwickeln, die es der KI ermöglichen, Wissen kontinuierlich zu ergänzen, ohne bereits Erlerntes zu vergessen. Ein zentraler technischer Ansatz ist dabei die Differenzierung innerhalb der neuronalen Netze zwischen einer schnellen Anpassung an aktuelle Beobachtungen und einer langsamen Konsolidierung von Wissen in den Modellparametern.

Ein kritischer Punkt in dieser Entwicklung sind sogenannte „Abkürzungen“ (Shortcuts). KI-Modelle neigen dazu, oberflächliche statistische Korrelationen zu lernen, die zwar kurzfristig zum richtigen Ergebnis führen, aber nicht robust sind. Das OWL-ML Lab untersucht diese Mechanismen sowohl bei Maschinen als auch bei menschlichen Lernenden, um Algorithmen zu entwickeln, die inklusiver, fairer und nachhaltiger sind als bisherige KI-Modelle.
Die gesellschaftliche Relevanz dieses Ansatzes wurde an zwei konkreten Anwendungsfeldern deutlich:
- Sprachwandel: Wörter ändern ihre Bedeutung über Jahrzehnte und Jahrhunderte. Aktuelle KI-Modelle sind oft zu stark auf aktuelle Daten fixiert (Recency Bias) und scheitern an der korrekten Einordnung historischer Texte.
- Deepfake-Detektion: Da sich die Generatoren für Fake-Bilder ständig weiterentwickeln, müssen auch die Detektoren kontinuierlich mitlernen. Die Forschung des OWL-ML Lab zeigt hier ein kritisches Risiko: Eine Steigerung der Performance durch kontinuierliches Lernen kann die Fairness des Systems verschlechtern und zu Diskriminierungen, beispielsweise aufgrund von Hauttönen, führen. Dies unterstreicht die Notwendigkeit, KI-Algorithmen gezielt auf soziale Gerechtigkeit hin zu optimieren.
Dem Vortrag folgte eine angeregte Diskussion, in der die Teilnehmenden die Ansätze des OWL-ML Labs auf ihre eigenen Forschungsfelder übertrugen. Das Peer-to-Peer-Format bietet genau diesen Rahmen, um komplexe Themen gemeinsam weiterzudenken. Es fördert das gegenseitige Kennenlernen und den offenen Austausch innerhalb der Allianz. Auf dieser Basis entstehen neue Ideen, gemeinsame Forschungsansätze und wertvolle Vernetzungen zwischen den Institutionen.
Über das Peer-to-Peer Netzwerk
Die Treffen des Peer-to-Peer-Netzwerks Künstliche Intelligenz finden jeweils am ersten Freitag im Monat von 12:00 bis 13:30 Uhr statt. Sie sind offen für Wissenschaftler:innen aller Mitgliedseinrichtungen der U Bremen Research Alliance. Bei Interesse melden Sie sich bitte bei der Koordinatorin Dr. Andrea Franke.
Literaturliste:
- Paper: Busch, Kamath, Mitchell, Stammer, Kersting, Mundt, Where is the Truth? The Risk of Getting Confounded in a Continual World· ICML 2025 · arXiv:2402.06434
- Paper Dorovatas, Schwerin, … , Choi, Mundt, Aljundi (24 authors), Position: Modular Memory is the Key to Continual Learning Agents· ICML 2026 (spotlight) · arXiv:2603.01761
- Paper zu Deepfake-Detektion: Das, Böse, Paul, Storch, Mundt, Time to Fake It: Continual Machine Learning Intensifies Unfairness in Deepfake Detection · https://arxiv.org/abs/2610.21974
- Paper zum Projekt Sprachwandel: Hegde, Paul, Frey, Brack, Kersting, Mundt, Schramowski, Chronoberg: A 250-Year Diachronic Corpus with Temporal Affective Lexicons for Language Model Analysis · EMNLP 2026: https://aclanthology.org/2026.emnlp-main.2515/
