ai

AI models can make powerful predictions, from diagnosing diseases to forecasting climate extremes, but understanding why they make those predictions remains one of the biggest challenges in deploying them responsibly.
In this talk, the speaker explores what it really means for an AI system to “know” something. Using a synthetic benchmark dataset inspired by climate prediction tasks, where the true drivers of the target variable are known, the assessment focuses on explainable AI (XAI) tools and their ability to recover these drivers under varying levels of noise and data availability – conditions that mirror many real-world scientific and societal applications. Two clear insights emerge: first, explanations become reliable only when models truly learn signal rather than noise; and second, agreement among different explanation methods or models can serve as a practical indicator of whether an AI system has learned something meaningful or is still operating in a state of “epistemic ignorance”.
These findings offer guidance for building AI systems that are not only powerful but also aware of their own limits, a key step toward AI that supports science and society with confidence and transparency.

Session Objectives
By the end of this session, participants will be able to:

• Explain the concept of explainable artificial intelligence (XAI) and why explanation reliability depends on whether a model learns signal rather than noise.
• Describe how controlled synthetic benchmarks with known ground-truth drivers can be used to objectively evaluate the faithfulness of XAI methods.
• Analyze how variations in data noise and sample size affect both model performance and the reliability of explanations across different XAI methods.
• Evaluate when and why cross-method or cross-model agreement can serve as a practical proxy for explanation trustworthiness in the absence of ground truth.
• Apply these insights to critically assess the use of XAI in scientific, medical, or policy-relevant contexts, identifying situations where explanations are likely meaningful versus misleading.

Institutions

• AI for Good

Recent advances in machine learning have revolutionized dynamical modeling, yet AI weather and climate models often suffer from instability and unphysical drift when integrated over long timescales. This talk unifies three complementary works addressing this challenge. First, we present a theoretical eigenanalysis of neural autoregressive models that establishes a semi-empirical framework linking inference-time stability to the spectrum of the model’s Jacobian. This analysis reveals how integration-constrained architectures suppress unstable eigenmodes and enable predictable error growth. Building on this foundation, we identify spectral bias—a universal tendency of deep networks to under-represent high-wavenumber dynamics—as the root cause of instability in AI weather models. We demonstrate how higher-order integration schemes and spectral regularization, implemented in the FouRKS framework, mitigate this bias and produce century-scale stable emulations of turbulent flows. Finally, we translate these theoretical insights into practice with LUCIE-3D, a data-driven climate emulator trained on reanalysis data that captures forced responses to CO₂, reproduces stratospheric cooling and surface warming, and remains computationally efficient. Together, these results chart a rigorous pathway from mathematical theory to physically consistent AI climate models capable of stable, interpretable, and trustworthy long-term Earth-system emulation.

Institutions

• AI for Good

Ringvorlesung Friedensbildung

Friedensbildung stärkt die Wahrnehmung und vermittelt Fähigkeiten zum konstruktiven Umgang mit Konflikten. Konflikte entstehen immer wieder neu. In dieser Vorlesung werden einige Konfliktfelder und Konfliktdynamiken vorgestellt und es werden Ansätze zu ihrem Verständnis und zu ihrer konstruktiven Bearbeitung vermittelt.

Das Thema wird hier in einem doppelten Sinn verstanden: Zum einen wird Bildung als "Arbeit an der Kultivierung der Gesellschaft und der eigenen Biografie" verstanden (Martin Kahl), zum anderen bedeutet Friedensbildung auch die theoriegeleitete Praxis der friedlichen Klärung und nachhaltigen Lösung von politischen und sozialen Konflikten.

Mitglieder des Initiativkreises Friedensbildung und Gäste bieten einen Einstieg in das Themengebiet. Für Studierende der Universität besteht die Möglichkeit, im Rahmen einer Klausur Leistungspunkte für den Wahlbereich Friedensbildung zu erwerben.

Institutions

• ISA-Zentrum

Dr. Susanne Draheim, Department Informatik, HAW Hamburg / Prof. Dr. Gertraud Koch, Institut für Volkskunde/Kulturanthropologie, Universität Hamburg / Prof. Dr. Kai von Luck, Department Informatik, HAW Hamburg

Öffentliche Vorträge im Allgemeinen Vorlesungswesen Ringvorlesung: Künstliche Intelligenz zwischen Handlungsmacht und gesellschaftlichen Gestaltungsbedarfen
Informatik und Sozial-/Kulturwissenschaft im Gespräch

Darstellungen der KI in den Medien aber auch in der Politik und Wissenschaftsförderung oszillieren zwischen Schrecken, Verheißung und Notwendigkeit, vielfach ohne dass ein hinreichendes informatisches Grundverständnis besteht und informierte Entscheidungen oder Umgangsweisen mit KI-Technologien ermöglicht. Neuere Projekte zwischen Forschung und Wissenschaftskommunikation, wie etwa das "KI-Observatorium", setzen deswegen auf Wissensvermittlung und -austausch.

Das Kolloquium folgt einem ähnlichen Anliegen, das Wissen über KI-Technologien zu erweitern und dabei ein besseres Verständnis davon zu entwickeln, wie sich Handlungsmacht und -möglichkeiten durch die KI neu gestalten. Indem es interdisziplinäre Gespräche zwischen Kulturwissenschaftler*innen und Informatiker*innen initiiert, werden in kurzen Vorträgen historische und theoretische Grundlagen, sowie ausgewählte Anwendungsbereiche der Künstlichen Intelligenz vorgestellt und diskutiert. Anhand von Praxisbeispielen von KI in Anwendung und Entwicklung werden KI Technologie verständlich und für die Analyse greifbar. Das hauptsächliche Ziel des Kolloquiums besteht in beiden Disziplinen darin, die jeweils andersartige Herangehensweise kennen und verstehen zu lernen.

Institutions

• HAW Hamburg
• Universität Hamburg

Stable mobile communication requires understanding radio propagation at specific areas, especially when using high-frequency bands like millimeter waves, which are highly affected by environmental factors such as buildings. Direct measurement of propagation characteristics across areas and frequencies is impractical due to cost and effort. To address this, AI/ML-based methods can estimate area-wide propagation using limited measurement data and environmental information like building layouts. Effective application of this approach involves not only building AI/ML models but also selecting the most relevant data to improve estimation accuracy. This challenge invites participants to explore AI/ML model and data selection methods using provided propagation loss data and 3D maps.

In this webinar, the top three teams from those who participated in the challenge will present their proposed approaches. Various strategies have been suggested to solve problems in the challenge, and we believe that participants will gain new insights into the application of AI/ML for radio wave propagation estimation. Additionally, KDDI Research has allocated a prize of 3,000 CHF for the challenge. Along with an explanation of the evaluation results, the prize amounts will also be announced during the session. Please note that the technical evaluation results for the submitted teams are available under the “Results” tab at the following URL: https://challenge.aiforgood.itu.int/match/matchitem/112.

Institutions

• AI for Good

In diesem Onlinekurs lernst du, was hinter dem EU AI Act steckt und wie er die Arbeit an Hochschulen und in der Lehre beeinflusst.

Nach einer Einführung in die Grundlagen von KI und den Zielen der Verordnung erfährst du anhand anschaulicher Beispiele, welche Risikogruppen für KI-Systeme existieren und wie deren Regulierung konkret aussieht.

Du lernst, wie der AI Act an Hochschulen umgesetzt wird, welche Maßnahmen notwendig sind und welche Herausforderungen dabei entstehen.

Der Kurs bietet dir einen leicht zugänglichen Einstieg in die rechtlichen Rahmenbedingungen, damit du KI in Lehre und Forschung verantwortungsvoll und innovativ einsetzen kannst.

Institution

• ELAN e.V.

All dates for Event Series "Physics ❤ AI" for the upcoming semester are always at 10:30-12:00 in CFEL SR1.
The detailed agenda is password protected. If you are interested in the agenda, please email the organizers (gregor.kasieczka@uni-hamburg.de / janis.kummer@uni-hamburg.de).
Or just come, it is of course allowed!

All dates for Event Series "Physics ❤ AI" for the upcoming semester are always at 10:30-12:00 in CFEL SR1.
The detailed agenda is password protected. If you are interested in the agenda, please email the organizers (gregor.kasieczka@uni-hamburg.de / janis.kummer@uni-hamburg.de).
Or just come, it is of course allowed!

All dates for Event Series "Physics ❤ AI" for the upcoming semester are always at 10:30-12:00 in CFEL SR1.
The detailed agenda is password protected. If you are interested in the agenda, please email the organizers (gregor.kasieczka@uni-hamburg.de / janis.kummer@uni-hamburg.de).
Or just come, it is of course allowed!

All dates for Event Series "Physics ❤ AI" for the upcoming semester are always at 10:30-12:00 in CFEL SR1.
The detailed agenda is password protected. If you are interested in the agenda, please email the organizers (gregor.kasieczka@uni-hamburg.de / janis.kummer@uni-hamburg.de).
Or just come, it is of course allowed!

Western societies are marked by diverse and extensive biases and inequality that are unavoidably embedded in the data used to train machine learning. Algorithms trained on biased data will, without intervention, produce biased outcomes and increase the inequality experienced by historically disadvantaged groups.
To tackle this issue the EU commission recently published the Artificial Intelligence Act – the world’s first comprehensive framework to regulate AI. The new proposal has several provisions that require bias testing and monitoring. But is Europe ready for this task? 
In this session I will examine several EU legal frameworks including data protection as well as non-discrimination law and demonstrate how despite best attempts they fail to protect us against the novel risks posed by AI. I will also explain how current technical fixes such as bias tests -  which are often developed in the US - are not only insufficient to protect marginalised groups but also clash with the legal requirements in Europe. 
I will then introduce some of the solutions I have developed to test for bias, explain black box decisions and to protect privacy that were implemented by tech companies such as Google, Amazon, Vodaphone and IBM and fed into public policy recommendations and legal frameworks around the world. 

Prof. Dr. Sandra Wachter (Oxford Internet Institute, University of Oxford, GB)
Sandra Wachter is Professor of Technology and Regulation at the Oxford Internet Institute at the University of Oxford where she researches the legal and ethical implications of AI, Big Data, and robotics as well as Internet and platform regulation. Her current research focuses on profiling, inferential analytics, explainable AI, algorithmic bias, diversity, and fairness, as well as governmental surveillance, predictive policing, human rights online, and health tech and medical law.
At the OII, Professor Sandra Wachter leads and coordinates the Governance of Emerging Technologies (GET) Research Programme that investigates legal, ethical, and technical aspects of AI, machine learning, and other emerging technologies. [more]

Institutions

• UHH

The Global Initiative on AI for Food Systems (GI-AI4FS) brings together leading international organizations, International Telecommunication Union (ITU) , Food and Agriculture Organization of the United Nations (FAO), World Food Programme (WFP), and International Fund for Agricultural Development (IFAD) alongside a diverse global community of experts and innovators to shape the future of food through artificial intelligence. This open, collaborative platform invites participation from across disciplines, including AI/ML, digital agriculture, food systems science, and related fields.

The first Meeting of GI-AI4FS will be hosted in Rome by FAO on 18 June 2026. Participation is free, welcoming experts, institutions, and stakeholders committed to transforming food systems through responsible and impactful AI.

Institutions

• AI for Good

This talk presents the Large Wireless Model (LWM), the world’s first foundation model for wireless channels. Inspired by the success of foundation models in NLP, speech, and vision, LWM is a transformer-based model pre-trained in a self-supervised fashion on large-scale diverse wireless datasets. It learns rich, universal contextualized channel embeddings (features) that potentially enhance performance across a wide range of downstream tasks. I will present the model’s architecture, its self-supervised pre-training approach, and training datasets. I will also demonstrate its gains in tasks like sub-6GHz to mmWave beam prediction, LoS/NLoS classification, and localization. These gains highlight the LWM’s ability to learn from large-scale wireless data and enable complex machine learning tasks with limited data in wireless communication and sensing systems.

Finally, we introduce an ITU AI/ML 5G competition which provides a modular setup, where participants can innovate on scenario design, feature extraction, and lightweight downstream models, pushing the frontiers of robustness, generalizability, and interpretability. By contributing improved scores and model refinements, the challenge also opens doors for discussion on formats, reproducible simulations, and alignment with 6G use cases. The outcomes are expected to influence real-world deployments, research reproducibility, and standard frameworks for wireless AI.

Learning Objectives:

1. Describe the architecture and self-supervised training approach of the Large Wireless Model (LWM).
2. Explain how LWM generates contextualized channel embeddings and how they contribute to wireless communication and sensing tasks.
3. Analyze the performance of LWM in downstream tasks such as beam prediction, LoS/NLoS classification, and localization.
4. Evaluate the role of large-scale data and foundation models in improving generalizability and efficiency in wireless AI applications.
5. Design innovative approaches for feature extraction or scenario modeling and apply them in the ITU AI/ML 5G challenge. 

Seit der Veröffentlichung von ChatGPT fällt es zunehmend schwer, mit der rasanten technologischen Entwicklung Schritt zu halten. Viele Lehrende und Studierende spüren die Notwendigkeit, sich mit potenziell studiumsrelevanten KIs auseinanderzusetzen. Gleichzeitig fehlen ihnen häufig die Ressourcen und Anknüpfungspunkte, sodass viele Fragen unbeantwortet bleiben: Welche Technologien können mich in meiner Arbeit unterstützen? Wie kann ich bekannte Technologien didaktisch wertvoll einsetzen? Welche Limitationen von gKI muss ich bei der Nutzung im Hochschulkontext kennen? Wie vermittle ich einen verantwortungsbewussten Umgang mit Technologien an meine Studierenden?

Um Lehrenden ein niedrigschwelliges Angebot zu machen, diese und viele weitere offene Fragen zu thematisieren, schaffen wir als HUL (Hamburger Zentrum für Universitäres Lehren und Lernen) ein neues Format: den Frei-Raum KI und Didaktik. Es schafft Raum für Austausch, offene Fragen, lautes Denken und Experimentieren mit neuen Technologien – vor dem Hintergrund und zum Nutzen didaktischer Entscheidungen.

Alle Lehrenden der Uni Hamburg sind willkommen, einfach vorbei zu schauen, mit anderen Interessierten in Austausch zu treten, oder einfach die Zeit zu nutzen, sich individuell mit ihren offenen Fragen auseinanderzusetzen. Sie treffen auf Kolleginnen und Kollegen, auch aus der Hochschuldidaktik und vom DDLitLab, die Sie mit ihrer Expertise unterstützen.

Seit der Veröffentlichung von ChatGPT fällt es zunehmend schwer, mit der rasanten technologischen Entwicklung Schritt zu halten. Viele Lehrende und Studierende spüren die Notwendigkeit, sich mit potenziell studiumsrelevanten KIs auseinanderzusetzen. Gleichzeitig fehlen ihnen häufig die Ressourcen und Anknüpfungspunkte, sodass viele Fragen unbeantwortet bleiben: Welche Technologien können mich in meiner Arbeit unterstützen? Wie kann ich bekannte Technologien didaktisch wertvoll einsetzen? Welche Limitationen von gKI muss ich bei der Nutzung im Hochschulkontext kennen? Wie vermittle ich einen verantwortungsbewussten Umgang mit Technologien an meine Studierenden?

Um Lehrenden ein niedrigschwelliges Angebot zu machen, diese und viele weitere offene Fragen zu thematisieren, schaffen wir als HUL (Hamburger Zentrum für Universitäres Lehren und Lernen) ein neues Format: den Frei-Raum KI und Didaktik. Es schafft Raum für Austausch, offene Fragen, lautes Denken und Experimentieren mit neuen Technologien – vor dem Hintergrund und zum Nutzen didaktischer Entscheidungen.

Alle Lehrenden der Uni Hamburg sind willkommen, einfach vorbei zu schauen, mit anderen Interessierten in Austausch zu treten, oder einfach die Zeit zu nutzen, sich individuell mit ihren offenen Fragen auseinanderzusetzen. Sie treffen auf Kolleginnen und Kollegen, auch aus der Hochschuldidaktik und vom DDLitLab, die Sie mit ihrer Expertise unterstützen.

Seit der Veröffentlichung von ChatGPT fällt es zunehmend schwer, mit der rasanten technologischen Entwicklung Schritt zu halten. Viele Lehrende und Studierende spüren die Notwendigkeit, sich mit potenziell studiumsrelevanten KIs auseinanderzusetzen. Gleichzeitig fehlen ihnen häufig die Ressourcen und Anknüpfungspunkte, sodass viele Fragen unbeantwortet bleiben: Welche Technologien können mich in meiner Arbeit unterstützen? Wie kann ich bekannte Technologien didaktisch wertvoll einsetzen? Welche Limitationen von gKI muss ich bei der Nutzung im Hochschulkontext kennen? Wie vermittle ich einen verantwortungsbewussten Umgang mit Technologien an meine Studierenden?

Um Lehrenden ein niedrigschwelliges Angebot zu machen, diese und viele weitere offene Fragen zu thematisieren, schaffen wir als HUL (Hamburger Zentrum für Universitäres Lehren und Lernen) ein neues Format: den Frei-Raum KI und Didaktik. Es schafft Raum für Austausch, offene Fragen, lautes Denken und Experimentieren mit neuen Technologien – vor dem Hintergrund und zum Nutzen didaktischer Entscheidungen.

Alle Lehrenden der Uni Hamburg sind willkommen, einfach vorbei zu schauen, mit anderen Interessierten in Austausch zu treten, oder einfach die Zeit zu nutzen, sich individuell mit ihren offenen Fragen auseinanderzusetzen. Sie treffen auf Kolleginnen und Kollegen, auch aus der Hochschuldidaktik und vom DDLitLab, die Sie mit ihrer Expertise unterstützen.

Seit der Veröffentlichung von ChatGPT fällt es zunehmend schwer, mit der rasanten technologischen Entwicklung Schritt zu halten. Viele Lehrende und Studierende spüren die Notwendigkeit, sich mit potenziell studiumsrelevanten KIs auseinanderzusetzen. Gleichzeitig fehlen ihnen häufig die Ressourcen und Anknüpfungspunkte, sodass viele Fragen unbeantwortet bleiben: Welche Technologien können mich in meiner Arbeit unterstützen? Wie kann ich bekannte Technologien didaktisch wertvoll einsetzen? Welche Limitationen von gKI muss ich bei der Nutzung im Hochschulkontext kennen? Wie vermittle ich einen verantwortungsbewussten Umgang mit Technologien an meine Studierenden?

Um Lehrenden ein niedrigschwelliges Angebot zu machen, diese und viele weitere offene Fragen zu thematisieren, schaffen wir als HUL (Hamburger Zentrum für Universitäres Lehren und Lernen) ein neues Format: den Frei-Raum KI und Didaktik. Es schafft Raum für Austausch, offene Fragen, lautes Denken und Experimentieren mit neuen Technologien – vor dem Hintergrund und zum Nutzen didaktischer Entscheidungen.

Alle Lehrenden der Uni Hamburg sind willkommen, einfach vorbei zu schauen, mit anderen Interessierten in Austausch zu treten, oder einfach die Zeit zu nutzen, sich individuell mit ihren offenen Fragen auseinanderzusetzen. Sie treffen auf Kolleginnen und Kollegen, auch aus der Hochschuldidaktik und vom DDLitLab, die Sie mit ihrer Expertise unterstützen.

The mmWave and sub-THz spectrum is rapidly emerging as a foundation for next-generation wireless communication and sensing systems, driven by its immense bandwidth and sub-millimeter wavelengths. Yet, deployments face fundamental challenges: severe propagation loss, susceptibility to blockage, power-demanding PHY, and the breakdown of traditional far-field assumptions. Unlocking the full potential of these frontier frequencies demands physics-native solutions that capitalize on their unique properties.

This talk presents an ultra-wideband retro-directive backscatter architecture above 100 GHz that departs from conventional large-scale antenna arrays and significantly reduces power consumption. The migration to higher frequencies, together with electronically large arrays, has extended the Fraunhofer limit from a few centimeters to several meters, placing many users into the electromagnetic near-field of future base stations. Despite decades of progress in wireless communications, this near-field regime remains largely unexplored.

Programmable near-field beam shaping unlocks opportunities for communication and sensing. In particular, AI-assisted self-curving beams bend around obstacles, offering a path toward seamless connectivity in the presence of dynamic blockages. Finally, unprecedented application domains of mmWave/sub-THz sensing and imaging across disciplines such as agriculture and robotics highlight the transformative potential of these frontier bands.

Learning Objectives:
– Analyze the physical and architectural challenges of mmWave and sub-THz communication systems.
– Evaluate innovative near-field beamforming and sensing techniques for overcoming propagation limitations.
– Highlight unprecedented application domains of mmWave/sub-THz sensing and imaging across disciplines.

Institutions

• AI for Good

Despite significant advances in AI, robots still struggle with tasks involving physical interaction. Robots can easily beat humans at board games such as Chess or Go but struggle to skillfully move the game pieces by themselves (the part of the task that humans subconsciously succeed in). Learning manipulation skills is both hard and fascinating because the movements and behaviors to acquire are tightly connected to our physical world and to embodied forms of intelligence.

I will present an overview of representations and learning approaches to help robots acquire manipulation skills by imitation and self-refinement. I will present the advantages of targeting a frugal learning approach, where the term “frugality” has two goals: 1) learning manipulation skills from only few demonstrations or exploration trials; and 2) learning only the components of the skill that really need to be learned.

Toward this goal, I will emphasize the roles of geometry, manifolds, implicit shape representations and distance fields as inductive biases to facilitate human-guided manipulation skill acquisition. I will also show how ergodic control can provide a mathematical framework to generate exploration and coverage movement behaviors, which can be exploited by robots as a way to cope with uncertainty in sensing, proprioception and motor control.

Institutions

• AI for Good