Apple präsentiert auf der Konferenz ICLR 2026 in Rio de Janeiro mehrere Forschungsergebnisse zur Verbesserung von Machine Learning. Das Unternehmen stellt dabei eine neue Trainingsmethode vor, die rekurrente neuronale Netze (RNNs) um das 665-Fache beschleunigt. Dies ermöglicht erstmals das Training von 7-Milliarden-Parameter-RNNs, die mit klassischen Transformer-Modellen konkurrieren können. Weitere Beiträge umfassen Verbesserungen bei State Space Models, neue Ansätze zur Bildverarbeitung und Protein-Faltung sowie lokale KI-Modelle auf Apple Silicon. Das Unternehmen stellt seinen ParaRNN-Code öffentlich zur Verfügung und sponsert die Konferenz sowie Initiativen für unterrepräsentierte Gruppen in der ML-Community.
🔬 Forschung
Apple zeigt KI-Durchbruch bei effizientem RNN-Training
26. Mai 2026·Quelle: Apple Machine Learning Research
Unsere Einordnung
Apples Fokus auf effiziente RNN-Alternativen zu Transformers könnte den Wettbewerb um ressourcenschonende KI-Architekturen neu beleben – besonders relevant für On-Device-KI auf Mobilgeräten. Die öffentliche Freigabe des Codes signalisiert, dass Apple seine Forschung als Beitrag zur akademischen Community versteht, nicht nur zur Produktentwicklung.
Schlüsselfakten
- 665× Speedup beim Training von RNNs durch neue ParaRNN-Methode
- Erste 7-Milliarden-Parameter klassische RNNs konkurrieren mit Transformers
- ParaRNN-Codebase wird öffentlich freigegeben
- Forschungen zu lokaler KI-Inferenz auf Apple Silicon mit MLX
- ICLR 2026 findet in Rio de Janeiro statt, Apple ist Sponsor und Aussteller