KI News

Quelle: www.it-boltwise.de

TAIPEI / LONDON (IT BOLTWISE) – Auf der Computex 2026 wird deutlich, dass die
nächste KI-Welle nicht nur in Chips steckt, sondern in konkreten Rollen im
Alltag: Roboter bedienen Kunden, übernehmen Aufklärung und Übersetzer koppeln
Sprachanalyse direkt mit Anwendungen. Besonders interessant ist, wie Aussteller
Multi-Agenten-Ansätze auf einer einzigen System-on-Chip-Plattform demonstrieren
und damit die Latenzen für reale Abläufe senken wollen. Für Unternehmen bedeutet
das: weniger Pilotitis, mehr Integrationsarbeit an Schnittstellen, Sicherheit
und Betrieb.
   ˗ˋˏ🧠ˎˊ˗
--------------------------------------------------------------------------------
* präsentiert von !
* Unsere täglichen KI-News von IT Boltwise® bei abonnieren!
* KI-Meldungen bequem via oder per erhalten!
* IT Boltwise® bei oder als Fan markieren und abonnieren!

* von IT Boltwise für KI-News speichern!
--------------------------------------------------------------------------------
Auf der Computex 2026 in Taiwan wirkte die Messe weniger wie eine Bühne für
einzelne Produkt-Demos, sondern wie ein schneller Stresstest für das
Zusammenspiel aus und Künstlicher Intelligenz. Während in vielen Tech-Runden
weiterhin als Symbol für Rechenleistung dient, rückten in den Hallen Maschinen
und Agenten in den Vordergrund, die Aufgaben „physisch“ ausführen: Sie servieren
Getränke, patrouillieren im Gelände oder liefern Übersetzungen in Echtzeit. Das
Signal dahinter ist klar: KI-Software wird zunehmend als operatives Personal
gedacht, das Ereignisse wahrnimmt, Entscheidungen vorbereitet und Prozesse
direkt anstößt—mit Auswirkungen auf Betriebskosten, Sicherheit und User
Experience.
Technisch fällt auf, dass die Aussteller ihre KI-Ansätze stärker aus der Cloud
in Richtung „Edge“ verlagern. Beim vorgestellten Roboter-Barista „Ella“ soll
eine Kombination aus mehreren KI-Agenten auf einem einzigen Intel-System-on-Chip
laufen, inklusive Gesprächsführung, Betriebssteuerung und übergeordneter
Ladenkoordination. Genau diese Multi-Agent-Logik ist historisch der Schritt von
klassischen, regelbasierten Robotern hin zu lernenden Systemen mit
Aufgabenplanung: Statt nur Bewegungen auszuführen, müssen Agenten Zustände
interpretieren, Prioritäten setzen und Aktionen dynamisch anpassen. Im Vergleich
zu rein serverbasierten Setups reduziert das die Abhängigkeit von Netzlatenzen
und macht lokale Resilienz wahrscheinlicher.
STELLENANGEBOTE
Die gleiche Richtung zeigen -Demos für „harte“ Umgebungen. Foxconn präsentierte
Modelle, die im Fertigungsalltag mehr leisten sollen als das bekannte Greifen
und Platzieren: Eine Maschine bohrt mit einer Hand und lädt mit der anderen
gleichzeitig Komponenten ein und aus. Damit wird stärker zu einem Koordinator
von Arbeitsschritten, nicht nur zu einem Mechaniker. Im sbereich reicht die
Spanne weiter: Der „Scrub Nurse“-Ansatz zielt darauf, dass ein Roboter im
OP-Bereich Instrumente reicht und Sprachbefehle versteht. Für solche Szenarien
ist weniger die einzelne Funktion entscheidend, sondern das Zusammenspiel aus
Spracherkennung, Sicherheitslogik, Gerätekommunikation und Validierung—ein
Vergleichspunkt zu klassischen robotern, die oft abgeschirmte Zellen benötigen.
Mit Blick auf den Markt und die politische Lage in der Region wird auch
verständlich, warum und Überwachungstechnik einen prominenten Platz einnahmen.
Taiwan liegt nahe an chinesischen See- und Luftrouten, wodurch
Sicherheitstechnik schnell zu einer politischen Priorität wird. Rayvatek zeigte
unbemannte Wasserfahrzeuge und UAVs, die mit -Chips und KI-Technik ausgestattet
sein sollen—womit sich Rechenplattformen und Sensorfusion in Richtung
„einsatzfähig“ verschieben. Ergänzend präsentierte das NCSIST ische
Roboterhunde, die autonom patrouillieren und aus der Ferne Feuerkraft
bereitstellen können. Branchenbeobachter fassen das so zusammen: „Die Messedemos
wirken wie ein Übergang von Prototypen zu integrierten Systemen, bei denen
Autonomie und Datenverarbeitung gleichzeitig skaliert werden.“
Auch im zivilen Alltag drängt KI in neue Interfaces. Transbuds stellte
Übersetzungs-Ohrstöpsel vor, die eine Übersetzungs-App direkt mit einer
Programmier-App koppeln sollen. Das Ziel: Live-Übersetzungen, bei denen zudem
die Stimme des Sprechenden in einer anderen Sprache nachgeahmt werden kann.
Gleichzeitig wird ein regulatorischer Haken sichtbar, denn in und den ist das
Produkt laut Angaben wegen offener Regulierungsfragen bislang nicht verfügbar.
Historisch kennen wir bei Übersetzungs-Tools eine Entwicklung von Text- zu
Sprachsystemen; nun kommt eine weitere Ebene hinzu: Die KI wird zu einer
„Zwischenschicht“ zwischen Kommunikation und Anwendung. Genau hier entscheidet
sich, wie schnell Unternehmen Rollouts wagen dürfen—angesichts von ,
Einwilligung und möglichen Persönlichkeitsrechten.
Für die Enterprise-Praxis ist relevant, wie solche Systeme betrieben werden.
Multi-Agenten-Setups erhöhen die Anforderungen an Auditierbarkeit: Man muss
nachvollziehen können, welche Komponente welche Entscheidung getroffen hat, und
wie Eingabedaten verarbeitet wurden. Bei Robotern im Service- oder sumfeld kommt
hinzu, dass Sicherheitsmechanismen nicht nur mechanisch, sondern auch
softwareseitig abgesichert sein müssen. Das bedeutet in der Umsetzung
typischerweise Monitoring, Rollen- und Zugriffskonzepte, sowie eine saubere
Trennung von Trainingsdaten und Betriebsdaten. Im Vergleich zur klassischen
Automatisierung, die oft deterministisch ist, müssen KI-Modelle in Produktion
zusätzlich gegen Datenverschiebung und Fehlinterpretationen abgesichert
werden—etwa durch Grenzen für Handlungsoptionen und kontrollierte Ausnahmepfade.
Interessant ist außerdem, wie stark Aussteller „Interaktion“ als Produktmerkmal
verkaufen. Beim elektronischen Schachbrett von Chessnut bewegen sich Figuren
selbst, während eine KI-Anwendung jeden Zug verfolgt und Partien gegen den
Computer ermöglicht. Solche Geräte erinnern an frühere Generationen von
Smart-Geräten, bei denen Sensorik plus Software die Bedienung neu definierte—nur
diesmal mit stärkerer Modellintelligenz im Hintergrund. Ähnlich wird das Prinzip
bei digitalisierten Dartscheiben übertragen. Marktdynamisch spricht das dafür,
dass Künstliche Intelligenz zunehmend in Alltagsobjekte wandert, wo sie
kurzfristigen Spaß mit messbaren Lern- und Anpassungseffekten verbindet. Für
Unternehmen sind diese Muster ein Fingerzeig: Wer Schnittstellen,
Gerätekalibrierung und Software-Updates sauber löst, kann schneller skalieren
als jene, die nur auf beeindruckende Einzeltests setzen.
In die Zukunft gelesen, deutet die Computex-Story auf drei gleichzeitig
verlaufende Entwicklungen hin: erstens mehr KI-„Agenten“ als konkrete Rollen in
Workflows, zweitens lokale oder hybride Ausführung an der Peripherie, und
drittens eine stärkere Verknüpfung von KI mit regulatorisch relevanten
Datenflüssen. Gleichzeitig bleibt Wettbewerb ein harter Taktgeber: Während
Chip-Ökosysteme wie oder entsprechende Plattformen die Leistungsbasis liefern,
gewinnt die Integration—also steuerung, Sicherheit, Compliance und
Datenmanagement—an Differenzierung. Für Entwickler entstehen dadurch neue
Chancen rund um -APIs, Event-Orchestrierung und Tooling für KI-Agentenbetrieb.
Wenn die Branche die Sicherheits- und fragen ausräumt, könnten Systeme wie
Übersetzungs-Ohrstöpsel, OP-Assistenz und autonome Plattformen binnen weniger
Jahre deutlich breiter in Pilot-zu-Produkt-Übergänge finden—und nicht nur als
Messekuriositäten enden.
💳
🔥
🎉
* 🤖 Präzisions-Roboterarm – Spielen wie gegen einen echten Gegner – SenseRobot
reproduziert das reale Schacherlebnis mit einem mechanischen Arm, der Figuren
mit weniger als 1 mm Genauigkeit bewegt und jeden Zug in nur 8 Sekunden
ausführt – im gleichen Tempo wie ein professioneller Spieler.
* NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und
Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen
Emotionen, Bewegungen und interaktiven Funktionen.
* IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist
ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine
Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er
auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
* V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von
Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung
hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und
anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen.
Mobile Hotspots können sich mit Loona verbinden und überwinden
WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren
können.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 8 ᵃ⤻ᶻ «KI Gadgets»
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------

Quelle: www.it-boltwise.de

SHENYANG / LONDON (IT BOLTWISE) – Die konferenz Shenyang 2026 startet mit einem
klaren Ziel: verkörperte Intelligenz als Motor für intelligente Fertigung.
Vertreter aus Wissenschaft, und seinrichtungen präsentieren moderne
-Technologien, knüpfen Innovationskontakte und planen konkrete
Anwendungsszenarien. Erstmals steht dabei die RoboMaster University Championship
(RMUC) im Programm. Die Stadt positioniert sich damit erneut als ller Knoten für
Automatisierung, während neue Allianzen und Serviceplattformen den Weg in den
Praxisbetrieb ebnen sollen.
   ˗ˋˏ🧠ˎˊ˗
--------------------------------------------------------------------------------
* präsentiert von !
* Unsere täglichen KI-News von IT Boltwise® bei abonnieren!
* KI-Meldungen bequem via oder per erhalten!
* IT Boltwise® bei oder als Fan markieren und abonnieren!

* von IT Boltwise für KI-News speichern!
--------------------------------------------------------------------------------
Mit der offiziellen Eröffnung der konferenz Shenyang 2026 setzt die
nordostchinesische region ein deutliches Signal: soll nicht nur demonstriert,
sondern in den Produktionsalltag gebracht werden. Die Veranstaltung bringt
Akademiker, Branchenpioniere und seinrichtungen zusammen, darunter Teilnehmende
aus und dem Ausland, um aktuelle Trends in der Automatisierung zu diskutieren.
Unter dem Motto „Neue hochwertige Produktivkräfte als Motor des Fortschritts –
intelligente Fertigung als Brücke in die Zukunft“ wird der Schwerpunkt spürbar
auf End-to-End-Ketten gelegt: von der Technologieentwicklung bis zu konkreten
Einsatzfällen, die messbaren Mehrwert liefern.
Technisch rückt dabei vor allem das Konzept der verkörperten Intelligenz in den
Vordergrund, also KI-Systeme, die nicht nur auf Eingaben reagieren, sondern mit
ihrer physischen Umwelt in einer geschlossenen Wahrnehmungs- und Handlungslogik
arbeiten. Shenyang plant, dafür Grundlagen auszubauen, Schlüsseltechnologien
gezielt zu fördern und spezialisierte Serviceplattformen aufzubauen, die den
Transfer in die Produktion vereinfachen. In solchen Umgebungen entscheidet sich
der Nutzen häufig an der Robustheit: Sensorik muss zuverlässig arbeiten,
Planungs- und Steueralgorithmen müssen in Echtzeit reagieren, und
Integrationsschichten müssen heterogene Maschinen- und Prozesslandschaften
abbilden.
STELLENANGEBOTE
Ein zentrales Element der Konferenz ist das Matchmaking-Format für
Innovationsprojekte, das Technologieanbieter und Anwender zusammenführt. Diese
Vorgehensweise folgt einem Muster, das auch in anderen -Ökosystemen zu
beobachten ist: Damit Innovation nicht bei Prototypen stehen bleibt, braucht es
eine frühzeitige Abstimmung über Datenzugänge, Schnittstellen,
Validierungsprozesse und den Übergang vom Labor-Setup in echte
Produktionsbedingungen. Der technische Vergleich zur europäischen Praxis ist
naheliegend: Während auf Messen wie der Hannover Messe häufig -Demos dominieren,
zielt Shenyang stärker auf Strukturaufbau über Allianzen und Zentren. Das kann
den Unterschied machen, wenn es um Skalierung in mehreren Werken geht.
Marktseitig unterstreicht die mehrjährige Durchführung zum neunten Mal in Folge,
dass Shenyang seine Rolle als Cluster für fortschrittliche Fertigungsindustrien
ausbauen will. Laut Branchenberichten und Einschätzungen von Fachleuten liegt
der Wettbewerb in der zunehmend weniger bei einzelnen „Cool“-Demos, sondern bei
Plattformfähigkeit: also der Fähigkeit, unterschiedliche Roboter-Generationen,
Steuerungslogiken und Produktionslinien mit wiederverwendbaren
Softwarekomponenten zu betreiben. In diesem Kontext gewinnt auch der Wettbewerb
um Talent an Bedeutung. Die erstmals ausgetragene RoboMaster University
Championship (RMUC) wirkt dabei wie ein Talent- und Innovationsbeschleuniger,
weil sie technische Fähigkeiten, Teamarbeit und praktische Umsetzung in kurzer
Zeit sichtbar macht.
Ein weiterer Schritt ist die Gründung der Liaoning Embodied Intelligence
Industrial Technology Innovation Alliance sowie die offizielle Eröffnung des
Northeast Asia Embodied Intelligence Innovation Center. Solche Zusammenschlüsse
sind in der häufig der Versuch, die Brücke zwischen sresultaten und llen
Anforderungen zu verfestigen: Während sgruppen oft an Modellgüte und Benchmarks
arbeiten, verlangen Unternehmen in der Regel Integrationsfähigkeit, Wartbarkeit
und klare Service- und Qualitätskennzahlen. Genau hier wird verkörperte KI
komplex: Selbst wenn ein Modell in Simulation gut abschneidet, müssen Trainings-
und Validierungsdaten reale Streuungen berücksichtigen, und Sicherheits- sowie
Betriebsanforderungen dürfen nicht zur Nebensache werden.
Aus Unternehmersicht ist außerdem die Sicherheits- und dimension relevant, auch
wenn die Meldung primär den Messecharakter betont. In robotischen
Produktionsumgebungen entstehen sensible Datenströme: Bilddaten,
Prozessparameter, Betriebszustände und teils auch personenbezogene
Informationen, etwa über Werker in der Nähe von Anlagen. Für den Einsatz
Künstlicher Intelligenz braucht es daher Betriebskonzepte, die Zugriff strikt
rollenbasiert absichern, Datenflüsse minimieren und Logging nachvollziehbar
machen. Zusätzlich können Exportkontroll- und Beschaffungsregeln eine Rolle
spielen, wenn Komponenten aus unterschiedlichen Regionen stammen oder
Trainingsdaten über Grenzen hinweg verarbeitet werden.
Historisch betrachtet ist der Weg von klassischen robotern hin zu KI-gestützter
nicht linear verlaufen. Zwar wurden bereits früher Automatisierungslösungen über
Sensorik und regelbasierte Steuerungen vorangetrieben, doch die jüngste Dynamik
entsteht durch Fortschritte in Deep Learning, Transformer-ähnlichen
Architekturprinzipien und durch die zunehmende Verfügbarkeit von KI-Workloads in
Industrial-Cloud- bzw. Edge-Umgebungen. In der Praxis heißt das: Planung,
Wahrnehmung und Kontrolle müssen eng gekoppelt werden. Shenyang positioniert
sich damit in einer Phase, in der viele Unternehmen ihre „KI-Pilotprojekte“
konsolidieren und verstärkt nach Skalierungswegen suchen, etwa über
standardisierte Schnittstellen und wiederholbare Validierungsverfahren.
Der Ausblick, den die Stadt mit den geplanten Serviceplattformen und der
intensiveren Förderung von Einsatzszenarien gibt, deutet auf eine nächste stufe
hin: weg von punktuellen Demonstrationen, hin zu wiederholbaren Workflows, mit
denen verkörperte Intelligenz in unterschiedlichen Linien und Werkstypen nutzbar
wird. Für Entwickler und Systemintegratoren eröffnen sich dadurch Chancen, weil
Suchräume für skalierbare Architekturbausteine größer werden: Middleware für ,
Datenpipelines für Sensorik und Werkstatt-Feedback, sowie Deployments, die
sichere Updates ermöglichen. Wettbewerb entsteht parallel auch auf anderen
Bühnen, etwa durch globale -Ökosysteme und konsortien, doch Shenyang versucht,
über Cluster-Struktur und Talentformate einen dauerhaften Vorsprung aufzubauen.
💳
🔥
🎉
* 🤖 Präzisions-Roboterarm – Spielen wie gegen einen echten Gegner – SenseRobot
reproduziert das reale Schacherlebnis mit einem mechanischen Arm, der Figuren
mit weniger als 1 mm Genauigkeit bewegt und jeden Zug in nur 8 Sekunden
ausführt – im gleichen Tempo wie ein professioneller Spieler.
* NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und
Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen
Emotionen, Bewegungen und interaktiven Funktionen.
* IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist
ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine
Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er
auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
* V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von
Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung
hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und
anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen.
Mobile Hotspots können sich mit Loona verbinden und überwinden
WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren
können.
Bestseller Nr. 1 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 2 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 3 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 4 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 5 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 6 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 7 ᵃ⤻ᶻ «KI Gadgets»
Bestseller Nr. 8 ᵃ⤻ᶻ «KI Gadgets»
Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des
letzten Tages per eMail - ohne Werbung:
--------------------------------------------------------------------------------

Quelle: the-decoder.de

Sakana AI gründet ein KI-Forschungslabor, das sich auf rekursive
Selbstverbesserung spezialisiert. Das Start-up sieht darin einen Ausweg aus dem
Compute-Wettlauf.
Das japanische KI-Start-up Sakana AI hat eine Forschungsgruppe ins Leben
gerufen, die sich gezielt der Frage widmet, wie KI den Prozess zur Entwicklung
neuer KI-Systeme beschleunigen und verbessern kann.
Das neu gegründete Sakana-AI-RSI-Lab kann dabei auf frühere Forschungsarbeiten
des Start-ups aufbauen, das seit seinen Anfängen im Jahr 2023 an Recursive
Self-Improvement (RSI) arbeitet.
Anzeige
In der Ankündigung verweist Sakana AI auf die eigenen Forschungsmeilensteine der
letzten zwei Jahre. Dazu zählen LLM-Squared, bei dem Sprachmodelle bessere
Trainingsverfahren für Sprachmodelle entwerfen sollen, sowie die , die Varianten
ihrer eigenen Codebasis erzeugt, testet und weiterentwickelt.
Anzeige
DEC_D_Incontent-1
Mit ShinkaEvolve und verweist Sakana AI außerdem auf Arbeiten zu evolutionärer
Programmoptimierung und einem Optimierungsagenten, der aus
Versuch-und-Irrtum-Schleifen neue Lösungsstrategien ableitet. Als weiteres
Schlüsselprojekt nennt das Start-up , ein System zur Automatisierung
wissenschaftlicher Arbeit. Eine spätere Version des Systems schrieb laut Sakana
AI ein Paper, . Die dazugehörige Forschung wurde im März 2026 in veröffentlicht.
Zusammengenommen sollen diese Projekte laut Sakana AI zeigen, dass rekursive
Selbstverbesserung nicht nur ein theoretisches Konzept ist, sondern bereits in
kontrollierten Forschungsumgebungen erprobt wird.
Anzeige
VIER PHASEN AUF DEM WEG ZU RSI
skizziert Sakana AI den Übergang von klassischer, menschlich gesteuerter
KI-Optimierung zu selbstverbessernden Systemen in vier Phasen.
Die Entwicklung setzt auf eigenen Forschungsprojekten auf. Am Anfang stehen
Modelle, die nicht primär als Chatbots gedacht sind, sondern auf offene
Agentenaufgaben zugeschnitten werden. Mit The AI Scientist hat Sakana AI bereits
ein System vorgestellt, das solche Agentenfähigkeiten auf automatisierte
Forschung überträgt, von der Ideenfindung über Experimente bis zum Verfassen
wissenschaftlicher Paper. Darauf soll die eigentliche rekursive
Selbstverbesserung folgen: KI-Agenten sollen aktiv an ihrer eigenen technischen
Basis arbeiten, also Code für ihre zugrunde liegenden Foundation-Architekturen
schreiben, testen und verifizieren.
Anzeige
DEC_D_Incontent-2
Als vierte Phase und langfristiges Ziel beschreibt Sakana AI eine breitere
Verfügbarkeit von Frontier-KI. Das Unternehmen stellt RSI als Gegenentwurf zum
dominierenden Skalierungsparadigma dar: Statt immer größere, monolithische
Modelle mit immer mehr Rechenleistung zu trainieren, setzt Sakana auf adaptive
Systeme und evolutionäre Optimierung, bei denen KI-Systeme mit möglichst wenigen
Versuchen bessere Lösungen finden sollen.
Anzeige
Dadurch soll rekursive Selbstverbesserung auch mit moderater Rechenleistung
möglich werden und weniger stark von riesigen GPU-Clustern abhängen, wie sie
derzeit vor allem große US-KI-Labore und Cloud-Anbieter betreiben. Das ist als
Forschungsrichtung plausibel, bleibt aber eine strategische Wette: Bislang ist
nicht belegt, dass selbstverbessernde Systeme den strukturellen Vorteil großer
Rechenzentren tatsächlich aufheben können.
ANTHROPIC WARNT VOR RSI-RISIKEN
Die Gründung des RSI-Labors rückt ein Thema in den Fokus, das Anthropic zuletzt
als mögliche Sicherheitsfrage für die weitere KI-Entwicklung beschrieben hat.
Während Sakana RSI als Chance für effizientere und breiter zugängliche
Frontier-KI darstellt, : Vollständige rekursive Selbstverbesserung sei zwar noch
nicht erreicht, aber womöglich näher, als gedacht, und könnte dazu führen, dass
KI-Systeme ihre eigene Weiterentwicklung schneller vorantreiben, als bestehende
Institutionen reagieren können. Für ein solches Szenario hält Anthropic sogar
eine globale Entwicklungspause für Frontier-KI für prüfenswert.
Sakana AI gehört zu den auffälligeren KI-Start-ups außerhalb der USA. Gegründet
wurde das Unternehmen von früheren Google-Forschern, darunter Llion Jones, einer
der Autoren des Transformer-Papers „Attention Is All You Need“, und David Ha,
der zuvor bei Google Brain und Stability AI forschte.
Anders als viele Frontier-AI-Labore setzt Sakana weniger auf das Hochskalieren
einzelner Großmodelle, sondern auf evolutionäre, adaptive und mehrteilige
KI-Systeme. Der Name „Sakana“ bedeutet auf Japanisch „Fisch“ und verweist auf
Schwarmverhalten, Evolution und kollektive Intelligenz als Leitmotive.
Darin liegt auch die Sonderrolle des Start-ups: Sakana verbindet prominente
Herkunft aus der Transformer-Forschung mit einem Forschungsprogramm, das
explizit nach Alternativen zum dominierenden Skalierungsparadigma sucht.

Quelle: novoai.de

MASCHINENINTEGRATION: DIE INTELLIGENTE LÖSUNG FÜR UNSICHTBARE
PRODUKTIONSVERLUSTE
EFFIZIENTE MASCHINENINTEGRATION: DER ENTSCHEIDENDE SCHRITT ZU TRANSPARENTER
PRODUKTION
Effiziente Maschinenintegration kann auf dem Shopfloor den Unterschied zwischen
Raten und Wissen ausmachen. Maschinenintegration — die systematische Vernetzung
von Altmaschinen, SPSen und Sensorik zu einer einheitlichen Datenebene — schafft
Transparenz, verkürzt Entscheidungswege und liefert messbare Effizienzgewinne.
Für viele Hersteller im deutschen Mittelstand ist nicht die Frage, ob sie
digitalisieren, sondern wie sich Maschinen integrieren lassen, ohne lange
Stillstände oder teure SPS‑Umbauten. Dieser Beitrag erklärt, warum praktische
Maschinenintegration der entscheidende Schritt zu transparenter Produktion ist
und wie moderne Lösungen wie die WatchMen‑Plattform von Novo AI in realen
Umgebungen eingesetzt werden können.
WARUM MASCHINENINTEGRATION WICHTIG IST 1: VON BLACKBOXEN ZU LIVE-DATEN
Viele mittelständische Fertigungsbetriebe betreiben noch einen Mix aus älteren
CNC‑Maschinen, Hydraulikpressen und neueren Robotern. Diese älteren Anlagen sind
oft Black‑Boxes: keine native Telemetrie, gelegentliche Zählerstände und große
Lücken im Betriebswissen. Wenn Sie sich auf manuelle Logbücher, Sichtprüfungen
oder periodische ERP‑Abgleiche verlassen, verlieren Sie die Fähigkeit, in
Echtzeit zu handeln. Das Ergebnis sind lange Reaktionszeiten bei Störungen und
eine ungenaue Auslastungsübersicht.
Die Verbindung dieser Maschinen mittels herstellerneutraler
Retrofitting‑Sensoren und Datenkollektoren verwandelt Black‑Boxes in
Live‑Datenquellen. Echtzeit‑Überwachung liefert drei unmittelbare Vorteile: sie
macht tatsächliche Laufzeiten und Stillstände sichtbar, quantifiziert kurze
Stopps und Ausschuss sowie ordnet Energiespitzen konkreten Prozessen zu.
Untersuchungen und Fachbeiträge aus dem deutschsprachigen Raum zeigen eine
steigende Akzeptanz von Digitalisierungslösungen in der Produktion —
Standardwerke und Fachportale dokumentieren diesen Trend und praktische
Implementierungsansätze ().
Konkrete Zahlen helfen bei der Argumentation: Branchenberichte zeigen, dass KPIs
messbar besser werden, sobald Maschinen und Prozesse instrumentiert sind. Wo
manuelle Erfassung nur OEE‑Schätzungen erlaubt, liefert kontinuierliches
Monitoring ereignisbasierte Daten, die die Genauigkeit von Root‑Cause‑Analysen
deutlich erhöhen. So können retrofittete Linien mit Spindel‑Vibrationsmessung
und Zykluszeitaufzeichnung aufzeigen, dass Mikrostopps 15–25 % der
Produktionszeitverluste verursachen — oft unsichtbar für manuelle Berichte ().
Über die Verfügbarkeit hinaus ermöglichen Echtzeit‑Signale dynamische
Feinplanung und schnelle Eingriffe durch die Bediener. Erhält ein
Instandhaltungsteam eine Warnung bei steigender Vibrationslast, kann es
eingreifen, bevor eine Spindel ausfällt. Aus einem ungeplanten achtstündigen
Stillstand wird so ein 30‑minütiger, planbarer Eingriff. Das reduziert
Ausfallzeiten und sichert Liefertermine — beides zentrale Vertrauensfaktoren in
Lieferketten des Mittelstands.
WARUM MASCHINENINTEGRATION WICHTIG IST 2: VERSTECKTE KOSTEN WERDEN SICHTBAR
Energieverschwendung, verlorene Rüstzeiten und versteckte Qualitätsverluste
schlagen real in der Bilanz zu Buche. Erfassen Sie den Energieverbrauch pro
Prozessschritt im Zuge der Maschinenintegration, eröffnen sich
Optimierungshebel: energiebewusste Schichtplanung, Lastspitzen‑Glättung oder
Erkennung von Leerlaufphasen. Forschung und Projekte aus Fraunhofer‑Instituten
zeigen, dass durch datengetriebene Maßnahmen in der Produktion
Energieeinsparungen von zweistelligen Prozentbereichen möglich sind, wenn
Prozesspfade und Verbrauchsdaten gezielt genutzt werden ().
Gleichzeitig schaffen integrierte Systeme die Grundlage für kontinuierliche
Verbesserung. Mit historischen Analysen können Produktionsleiter Schichten,
Zulieferer oder Werkzeugstände vergleichen und Optimierungsprojekte
quantifizieren. Ein häufiges kleines Verbesserungspotenzial: eine einzige
Spannvorrichtung so anpassen, dass pro Zyklus 3–5 Minuten eingespart werden. Auf
einer zehnstündigen Schicht summiert sich das zu einem messbaren Durchsatz‑Plus
und einer OEE‑Steigerung.
Auch finanziell zählen moderate OEE‑Verbesserungen. Institutsberichte und
Praxisstudien belegen, dass eine OEE‑Steigerung um zehn Prozentpunkte die
Stückkosten deutlich senken kann — in einzelnen Produktlinien um mehr als 20 %
durch höhere Auslastung und weniger Ausschuss ().
WARUM MASCHINENINTEGRATION WICHTIG IST 3: PRAKTISCHE PRINZIPIEN DER
MASCHINENINTEGRATION
Praxisorientierte Maschinenintegration folgt drei Grundsätzen: nicht‑invasives
Retrofitting, lokale Datenverarbeitung und herstellerneutrale Schnittstellen.
Nicht‑invasive Retrofitting‑Module vermeiden lange Maschinenstillstände: externe
Sensoren erfassen Vibrationen, Stromaufnahme und Zyklussignale, ohne
SPS‑Verdrahtung zu ändern.
Lokale Verarbeitung senkt Datenübertragungsvolumen und sichert latenzkritische
Alarmketten; sichere Edge‑Analytik bereinigt und verdichtet Rohdaten und sendet
nur aggregierte Ereignisse oder komprimierte Telemetrie an die zentrale
Plattform. Schließlich erlauben herstellerneutrale APIs, dass MES‑ und
ERP‑Systeme Ereignisse abonnieren, ohne für jeden Maschinentyp individuelle
Treiber zu pflegen.
RETROFIT BEISPIEL
Stellen Sie sich vor, ein mittelständischer Betrieb verbindet 30 ältere
Fräsmaschinen innerhalb von drei Wochen. Jede Maschine erhält ein kleines
AVA‑ähnliches Sensormodul, das Stromaufnahme, einen RPM‑Proxy und
Mikro‑Vibration misst. Lokale Logik erkennt Zyklus‑Start/Stop und klassifiziert
Stopps als Rüsten, Werkzeugbruch oder Qualitätsereignis. Innerhalb eines Monats
sehen Sie echte OEE‑Werte, Energie pro Teil und eine Reduktion ungeplanter
Stopps durch gezielte Instandhaltung.
Der Pilot liefert handfeste Erkenntnisse: zwei Maschinen verursachen die meisten
Mikrostopps, eine defekte Kühlmittel‑Düse verlängert die Zykluszeit um 7 % und
ein Bedienermuster erklärt wiederkehrende Nacharbeit. Daraus ergeben sich
priorisierte Maßnahmen mit klar messbarem ROI: gezielte Instandsetzung,
Bedienerschulungen und eine Überarbeitung der Spannvorrichtung.
DATENHOHEIT
Hersteller sind zu Recht sensibel bei der Datenteilung, insbesondere wenn
Produktionsdaten Rückschlüsse auf Prozesse, Stückzahlen oder Wettbewerbsvorteile
zulassen. Modelle, die Daten lokal verarbeiten und dem Kunden die volle
Kontrolle darüber geben, welche Informationen übertragen oder gespeichert
werden, reduzieren dieses Risiko erheblich. Plattformen mit
Edge-first-Architektur analysieren Rohdaten direkt im Werk und übertragen nur
verdichtete Ereignisse oder aggregierte Kennzahlen.
Plattformen wie WatchMen setzen auf ein lokales, sicheres Verarbeitungsmodell
und transparente Eigentumsregelungen, die dem Sicherheitsprofil des Mittelstands
entsprechen. Unternehmen behalten damit die Hoheit über ihre Maschinendaten,
während sie gleichzeitig die Vorteile moderner Analytik und
Produktionsüberwachung nutzen können. Diese Kombination aus Datensouveränität
und praktischer Analytik schafft Vertrauen und erleichtert die Einführung
digitaler Lösungen im Produktionsumfeld.
3 WEGE ZUR STEIGERUNG DER OEE
Echte Integration erzeugt messbare Effekte. Konkrete Hebel sind:
* Kurzstopp‑Klassifikation und reaktive Fix‑Listen
* Energiegetriebene Schichtplanung zur Vermeidung hoher Tarifspitzen
* Engpass‑Identifikation entlang der Linie mit Durchsatz‑Mapping
PRAXISBEISPIELE
Praxisbeispiele zeigen die Wirkung: Ein deutscher Lohnfertiger dokumentierte
nach Retrofitting und gezielter Priorisierung von Stillständen eine
OEE‑Steigerung von etwa 30 % auf 60 %. Solche 30 Prozentpunkte entsprechen
Beobachtungen aus Fachstudien, dass automatisierte Überwachung und Analytik zu
den wirkungsvollsten Hebeln für OEE‑Verbesserung gehören ().
Ein weiteres Beispiel: Ein Zulieferer der Automobilindustrie reduzierte mit
retrofitteten Modulen und Edge‑Analytik ungeplante Stillstände binnen sechs
Monaten um rund 40 % durch proaktive Austauschzyklen und das Vermeiden
kaskadierender Ausfälle. Die Folge waren stabilere Lieferzeiten an Tier‑1‑Kunden
und weniger Aufwendungen für Expresslieferungen.
HERAUSFORDERUNGEN UND KONTROVERSEN
Diskussionen drehen sich oft um Cloud vs. Edge, Dateneigentum und den zeitlichen
Verlauf der Amortisation. Kritiker warnen vor Datenüberflutung durch zu viele
Sensoren; Befürworter entgegnen, dass disziplinierte KPIs und domänenorientierte
Modelle die Relevanz erhöhen. Praktisch sinnvoll ist, mit klaren Hypothesen zu
starten (z. B. Mikrostopps um 50 % reduzieren) und nur die minimal notwendigen
Signale zu instrumentieren, um Projekte fokussiert und die Amortisation kurz zu
halten.
SKALIERUNG DER MASCHINENINTEGRATION
Beim Skalieren über mehrere Standorte sind Standardisierung und
Reproduzierbarkeit entscheidend: ein reproduzierbares Sensor‑Kit,
Software‑Templates und strukturierte Bedienerschulungen. Plattformen, die
Device‑Provisioning, sichere OTA‑Updates und zentrale Konfigurationsverwaltung
unterstützen, reduzieren Zeitaufwand und Fehlerquote beim Ausbau von
Pilotprojekten zur Flotteninstallation.
Binden Sie operative Einheiten, IT und die Werkstatt‑Mannschaft früh ein. Ein
eintägiger Workshop für Bediener und eine kurze IT‑Sicherheitsprüfung verhindern
typische Verzögerungen und ermöglichen paralleles Rollen der Einführung und
Produktion. Mit diesen Maßnahmen skalieren viele Unternehmen innerhalb von
Monaten statt Jahren vom Pilot zur produktiven Linie.
ROADMAP FÜR MASCHINENINTEGRATION
Kurz starten, Wert nachweisen, schnell skalieren. Eine bewährte Roadmap:
1. Identifizieren Sie 1–2 Engpassmaschinen und erstellen Sie ein
OEE‑Baselining.
2. Retrofitting‑Pilot mit Edge‑Sensorik und lokaler Analytik für 4–8 Wochen.
3. Implementieren Sie Kurzstopp‑Playbooks und Instandhaltungs‑Trigger.
4. Messen Sie die Wirkung, dokumentieren Sie Einsparungen und planen Sie die
skalierte Umsetzung.
Ein zusätzlicher Tipp: Beziehen Sie die Finanzabteilung früh ein. Modellieren
Sie Einsparungen durch reduzierte Ausfallzeiten, geringeren Energieverbrauch und
weniger Ausschuss in einer einfachen Amortisationsrechnung. Für viele
mittelständische Betriebe liegt die Amortisationszeit im Rahmen von 6–18
Monaten, abhängig von Lohnkosten, Produktmargen und dem bestehenden
Ausfallniveau.
IMPLEMENTIERUNG OHNE PRODUKTIONSUNTERBRECHUNG
Um Produktionsstörungen zu vermeiden, planen Sie Installationen während
geplanter Rüstwechsel oder geringerer Produktionsvolumina. Nicht‑invasive
Sensoren benötigen in der Regel 30–90 Minuten pro Maschine zur Montage und
Inbetriebnahme, sodass zehn Maschinen über zwei Schichten mit minimaler
Auswirkung verbunden werden können.
Sicherheitsprüfungen sollten lokalen Datenumgang, Firewall‑Regeln und
rollenbasierten Zugriff fokussieren. Edge‑first‑Architekturen halten
Rohtelemetrie on‑premise und publizieren nur aggregierte Ereignisse in die
Cloud. So reduzieren Sie Datenschutz‑Risiken und behalten geistiges Eigentum im
Haus.
Kultureller Wandel ist entscheidend: Binden Sie Bediener früh ein, zeigen Sie
schnelle Erfolge auf Dashboards und schaffen Sie einfache Anreize für korrekte
Stoppklassifizierungen. Diese weichen Faktoren beschleunigen die Adoption und
sichern den Erfolg über die Pilotphase hinaus.
DER WEG NACH VORN
Transparente Produktion beginnt mit Maschinenintegration. Sobald Altmaschinen zu
Datenquellen werden, ersetzen Teams Annahmen durch Kennzahlen, priorisieren
kleine, wirksame Maßnahmen und schaffen Vertrauen für größere
Digitalisierungsprojekte. Moderne Lösungen wie Novo AIs WatchMen verbinden
nicht‑invasive Retrofitting‑Module, sichere Edge‑Verarbeitung und pragmatische
Analytik — so können mittelständische Hersteller datenbasiert statt nach Gefühl
handeln.
Wenn Sie die Produktion verantworten, fragen Sie sich: Welche Maschine verbirgt
die nächste große Verbesserung? Instrumentieren Sie genau diese Maschine, messen
Sie einen Monat lang und lassen Sie die Daten die nächsten Schritte leiten.
Halten Sie KPIs einfach: Verfügbarkeit, Leistung und Qualität. Führen Sie alle
vier Wochen eine funktionsübergreifende Review durch, um Lernen und Umsetzung zu
beschleunigen. Setzen Sie messbare Ziele, etwa eine OEE‑Steigerung von 10–30 %
innerhalb von drei bis sechs Monaten, und dokumentieren Sie Einsparungen zur
Rechtfertigung einer skalierten Investition.
REFERENZEN
1. - Fachartikel zu praktischen Integrationsansätzen (Zugriff am: 2026-04-15)
2. - Praxisorientierte Beispiele und Umsetzungshinweise (Zugriff am:
2026-04-15)
3. - Forschungsergebnisse zu Prozessenergieoptimierung (Zugriff am: 2026-04-15)
4. - Leitlinien und Studien des Branchenverbands (Zugriff am: 2026-04-15)
Dimitrij Lewin ist Co-Founder von Novo AI und treibt industrielle Innovation mit
KI-gestützten Retrofit-Lösungen voran. Seine Leidenschaft gilt der digitalen
Transformation und der Effizienzsteigerung in der Produktion durch
Echtzeitdaten.

Quelle: the-decoder.de

Meta plant ein kostenpflichtiges KI-Agenten-Produkt namens "Hatch", das bis zu
200 Dollar pro Monat kosten könnte. Hatch soll eine nutzerfreundliche Version
des werden und Aufgaben wie das Erstellen von Software-Tools, Terminplanung und
E-Mail-Versand übernehmen. Nutzer beschreiben in einfacher Sprache, was sie
benötigen, und Hatch baut daraus ein funktionierendes Werkzeug. und haben
zuletzt ähnliche Agenten-Systeme vorgestellt.
Laut internen Dokumenten soll es eine kostenlose Version und ein Abo "Hatch
Plus" mit fünf- bis zehnfach höheren Nutzungslimits geben. Damit konkurriert
Meta direkt mit OpenAI und Anthropic, die ebenfalls 100 bis 200 Dollar monatlich
für ihre teuersten Abos verlangen. Ein breiterer US-Launch ist für Juli geplant.
Hatch soll auch Metas geplante KI-Hardware antreiben, darunter , das ab Frühjahr
2027 intern getestet werden soll. CEO Mark Zuckerberg sieht KI-Agenten als Weg,
neue Einnahmequellen neben dem Werbegeschäft zu erschließen. Das ist auch nötig,
um zu refinanzieren, .
Anzeige
DEC_D_Incontent-1
Anzeige

Quelle: the-decoder.de

Elon Musks KI-Labor xAI hat über Monate hinweg Anthropics Modell Claude genutzt,
um eigene Coding-Modelle zu trainieren – auch nachdem Anthropic den Zugang
gesperrt hatte, . xAI verwendete Claude-Ausgaben für ein Destillationsprojekt,
bei dem das eigene Coding-Modell direkt auf Claudes Antworten trainiert wurde.
Als Anthropic im Januar den offiziellen Zugang kappte, nutzten xAI-Ingenieure
private Accounts und den Vermittlungsdienst Blackbox AI, um weiterhin auf Claude
zuzugreifen. Im Rechtsstreit mit OpenAI gab Musk vor Gericht zu, , und nannte
die Praxis branchenüblich.
Abseits der Destillation scheint xAI ziemlich am Boden: Das Pretraining-Team
schrumpfte auf unter fünf Personen, vier Grok-Code-Leiter verließen das
Unternehmen innerhalb weniger Monate, . Ein Mitarbeiter löschte angeblich
versehentlich zentrale Trainingsdaten, was zwei bis drei Wochen Arbeit kostete.
Die massiv eingekaufte Rechenleistung und , statt damit eigene Modelle zu
trainieren; angeblich nur als Zwischenlösung.
Anzeige
DEC_D_Incontent-1
Anzeige

Quelle: the-decoder.de

Forschende wollen die Lücke zwischen heutigen Audio-Sprachmodellen und echten
Mithörern schließen. Ihr System soll Dialog, Übersetzung und Geräuscherkennung
gleichzeitig beherrschen.
Heutige Audio-Sprachmodelle wie oder funktionieren im Kern wie ein Diktiergerät
mit Knopf: Sie antworten erst, wenn die Aufnahme endet. Streaming-Systeme wie
für Dialoge oder Paraformer für Live-Untertitel hören zwar mit, beherrschen aber
jeweils nur eine einzige Aufgabe und behandeln Geräusche wie Husten als
Hintergrundrauschen.
Forschende aus China, Hongkong und Singapur wollen mit "Audio-Interaction"
beides verbinden. Das Modell hört einen Audiostream durchgehend mit, zerlegt ihn
in Häppchen, auch Chunks genannt, von 0,4 Sekunden, und entscheidet nach jedem
Häppchen neu, ob es schweigt oder spricht. Übersetzen, Transkribieren, Plaudern
und Reagieren auf Alltagsgeräusche laufen so in einem einzigen Modell mit drei
Milliarden Parametern zusammen.
Anzeige
EIN SPEZIALTOKEN PRO 0,4 SEKUNDEN
Nach jedem Audio-Häppchen gibt das Modell entweder oder aus.
Wählt es , hört es weiter zu. Erst bei beginnt es zu
sprechen. Klassische Aufgaben wie "Übersetze ins Englische" werden so zu
Instruktionen innerhalb desselben fortlaufenden Streams.
Anzeige
DEC_D_Incontent-1
Auf dem Audio-Benchmark MMAU erreicht Audio-Interaction laut 58,15 Punkte und
schlägt damit knapp seine Basis Qwen2.5-Omni-3B. Auch deutlich größere
7B-Modelle liegen in Reichweite. Beim Übersetzen zwischen Englisch und
Chinesisch verbessert sich das Modell gegenüber der Basis deutlich.
TRAININGSDATEN MUSSTEN KÜNSTLICH ENTSTEHEN
Damit das Modell lernt, wann es eingreifen soll, benötigte das Team ein
passendes Korpus. Bestehende Audio-Datensätze bestehen den Forschern nach aus
kurzen, isolierten Clips und enthalten weniger lange Sequenzen mit sparsamen
Antwortsignalen.
Anzeige
Die Forschenden bauen ihre Szenen daher in drei Stufen selbst. Ein Sprachmodell
entwarf zunächst ein plausibles Setting, etwa eine Küche am Morgen, mit drei bis
15 Teilereignissen. Dann suchte das System passende Clips in einer Datenbank
oder ließ fehlende Geräusche wie zerbrechendes Glas durch generative
Audio-Modelle wie AudioX oder erzeugen. Ein Vorverarbeitungsmodul glättete
anschließend die Schnittkanten, damit die Mitschnitte natürlich klingen.
Der so entstandene Datensatz umfasst 2,6 Millionen Einheiten und rund 302.000
Stunden Audio über sieben Fähigkeitsbereiche und 28 Unteraufgaben.
Anzeige
DEC_D_Incontent-2
ZWEI TYPISCHE STREAMING-FEHLER
Im Training tauchten zwei wiederkehrende Schwächen auf. Erstens vergaß das
Modell in langen, lärmlastigen Sequenzen frühere Inhalte. Dagegen helfen
Rückfragen, die gezielt auf weit zurückliegende Stellen im Audio Bezug nehmen
und so das Langzeitgedächtnis trainieren.
Anzeige
Zweitens reagierte das Modell zu oft auf irrelevante Geräusche. Deswegen nutzte
das Team große Mengen verifizierter Stille- und Hintergrund-Audios, die
ausdrücklich keine Antwort auslösen sollen. Auf dem neu vorgestellten
ProactiveSound-Bench mit 644 von Menschen kuratierten Ereignissen schlägt das
Modell damit unter anderem , Kimi-Audio-Instruct und Step-Audio 2.
WARTESCHLANGE STATT BLOCKIERENDER PIPELINE
Für den Echtzeitbetrieb das Verarbeiten des eingehenden Audios vom Erzeugen der
Antwort. Beide Prozesse laufen parallel und tauschen Daten über eine
Warteschlange aus: Der Audio-Teil schreibt fortlaufend neue Chunks hinein, der
Antwort-Teil greift erst zu, wenn er gerade nichts zu sagen hat. Ohne diese
Trennung stieg die Wartezeit bis zur ersten Antwort von 392 auf 831
Millisekunden, und in 5,2 Prozent der Fälle blieb das System hängen.
Auch die Chunk-Größe von 0,4 Sekunden ist ein Kompromiss. Bei 0,2 Sekunden fehlt
der semantische Kontext, das Modell bricht im Dialog ein. Bei 0,8 Sekunden
steigt die Wartezeit auf 786 Millisekunden.
Code und eine Anleitung zum Download der Gewichte , der vollständige
Trainingsdatensatz soll in Zukunft ebenfalls folgen.

Quelle: the-decoder.de

SpaceX hat laut einer SEC-Einreichung einen Vertrag mit Google über 920
Millionen Dollar monatlich geschlossen. läuft von Oktober 2026 bis Juni 2029 und
könnte SpaceX insgesamt rund 30 Milliarden Dollar einbringen. Google erhält
Zugang zu etwa 110.000 Nvidia-KI-Chips, um die Nachfrage nach seiner
Gemini-Enterprise-Plattform zu bedienen.
Bemerkenswert ist, dass Google, einer der weltweit größten Cloud-Anbieter,
offenbar nicht genug eigene Kapazität hat, um die Kundennachfrage zu decken. Ein
Google-Cloud-Sprecher bezeichnete den Deal gegenüber der als "kurzfristige
Überbrückungskapazität" für die Agent-Plattform "Gemini Enterprise."
SpaceX plant kommende Woche einen Börsengang mit einer möglichen Bewertung von
über 1,7 Billionen Dollar. Google hält rund fünf Prozent an SpaceX, hat also
Interesse an einem guten Börsenstart. Zugleich ist der Deal Werbung für Googles
Produkte, .
Anzeige
Zuvor hatte SpaceX bereits einen Deal mit  über 1,25 Milliarden Dollar monatlich
abgeschlossen. Beide Vereinbarungen positionieren SpaceX als
Infrastrukturanbieter im KI-Wettbewerb. Eigentlich hatte Musk die Kapazitäten
für sein eigenes KI-Labor xAI aufgebaut, . Die Vermietung ergibt daher
wirtschaftlich Sinn.
Anzeige
DEC_D_Incontent-1

Quelle: the-decoder.de

OpenAI und die Trump-Regierung verhandeln über eine mögliche Beteiligung der
US-Regierung an dem KI-Startup.
Die Gespräche laufen seit mehr als einem Jahr. CEO Sam Altman hatte die Idee
erstmals 2025 vorgestellt. OpenAI könnte Anteile an die Regierung abgeben, um
einen aufzubauen, von dem US-Bürger direkt profitieren sollen. Konkrete
Konditionen stehen bisher nicht fest. Trump sagte, die Öffentlichkeit könne "im
Grunde Partner werden". Ein weiteres Treffen solle zeitnah stattfinden.
OpenAI wird von privaten Investoren mit mehr als 850 Milliarden Dollar bewertet
und . Die Trump-Regierung hält bereits Anteile an Intel, IBM und anderen
Technologiefirmen.
Anzeige
Auch Senator Bernie Sanders bestätigte, das Konzept eines Staatsfonds mit Altman
besprochen zu haben. Sanders will dazu bald den "American A.I. Sovereign Wealth
Fund Act" einbringen, . Das Gesetz sieht eine einmalige Steuer von 50 Prozent
auf die Aktien der größten KI-Firmen vor. Die Regierung erhielte damit
Stimmrechte und Sitze in den Vorständen. Die Erträge sollen als direkte
Zahlungen an die Bevölkerung fließen.
Anzeige
DEC_D_Incontent-1
Sanders argumentiert, KI basiere auf dem kollektiven Wissen der Menschheit, und
der daraus entstehende Reichtum dürfe nicht nur wenigen Tech-Milliardären
zugutekommen. Auch OpenAI und hätten selbst ähnliche Fonds vorgeschlagen. Für
OpenAI wäre eine enge Beziehung zur Regierung kurz vor dem geplanten Börsengang
wiederum ein politisches Schutzschild gegen künftige Regulierung.
Gleichzeitig könnte die Trump-Regierung ein solches Arrangement nutzen, um ihren
Einfluss auf eine strategisch wichtige Branche auszubauen, ohne den Kongress
einbeziehen zu müssen. , dass sie Kontrolle über KI-Technologie ausüben will.
Anzeige
KI FÜR ALLE ODER BAILOUT-VORBEREITUNG
Die kritische Lesart dieser Gespräche ist, dass sich die US-Regierung in eine
Abhängigkeit begeben könnte, die an die Finanzkrise 2008 erinnert. Damals wurden
Unternehmen, die als "too big to fail" galten, mit öffentlichen Mitteln
gerettet, weil der Staat selbst zu tief verstrickt war. Hält die Regierung
Anteile an KI-Firmen, hätte sie als Anteilseigner einen direkten Anreiz, bei
Schwierigkeiten mit Steuergeldern einzugreifen.
Das Thema ist nicht neu: Bereits Ende 2025 hatte OpenAIs Finanzchefin Sarah
Friar vermeintlich staatliche Rettungsgelder ins Spiel gebracht, . Altman selbst
betonte damals, der Staat solle weder Garantien geben noch Unternehmen retten.
Scheitere OpenAI, sei das "Teil des marktwirtschaftlichen Prozesses".
Gleichzeitig warb OpenAI in einem Schreiben an das Weiße Haus für "Darlehen oder
Kreditgarantien" und breite industriepolitische Unterstützung.
Anzeige
DEC_D_Incontent-2
Eine Regierungsbeteiligung könnte diese "too big to fail"-Dynamik nun bei
Technologieunternehmen wiederholen. OpenAI und Anthropic haben zwar , verlieren
aber weiterhin massiv Geld. Wie sich die Technologie weiterentwickelt und wie
lukrativ sie betrieben werden kann, ist noch offen.
Anzeige

Quelle: the-decoder.de

Alibabas Qwen-Team hat Qwen3.7-Plus vorgestellt, ein multimodales Modell, das
auf dem reinen Sprachmodell Qwen3.7 aufbaut und visuelle Wahrnehmung mit
klassischen Agentenfähigkeiten wie Programmierung und Werkzeugnutzung
zusammenführt.
Als "multimodaler interaktiver Hybrid-Agent" soll das Modell reale Szenen
erkennen, Bildschirminhalte auslesen, grafische Oberflächen bedienen, Code aus
visuellen Vorlagen schreiben und mobile Apps Ende-zu-Ende navigieren. Klicks auf
Benutzeroberflächen und Befehle auf der Kommandozeile sollen dabei innerhalb
derselben Agentenschleife ablaufen.
ELF STUNDEN AUTONOME APP-ENTWICKLUNG
Auf Basis von Qwen3.7-Plus ließ das Team ein Hybrid-Agent-System eine englische
Vokabel-Lern-App entwickeln. Laut Qwen lief der Agent über elf Stunden durch und
erzeugte mehr als 10.000 Zeilen Code bei mehr als 1.000 Agent-Aufrufen.
Abgedeckt seien Anforderungsdokumentation, automatisierte Codegenerierung,
Installation, Testfallerstellung, GUI-basiertes Testen, parallele Testszenarien
sowie die eigenständige Versionsfortschreibung gewesen.
Anzeige
Ein zweites Beispiel zielt auf Desktop-Anwendungen: Der Agent habe die native
macOS-Stocks-App nachgebaut, indem er sie autonom bedient, die UI-Struktur
verstanden und daraus SwiftUI-Code generiert habe. Anschließend habe er eine
externe Schnittstelle für Echtzeit-Börsendaten angebunden, die App kompiliert
und zehn Funktionstests selbstständig durchgeführt, darunter Kursabfragen und
Suchfilter.
Anzeige
DEC_D_Incontent-1
Ein dritter Anwendungsfall zeigt einen Browser-Agenten via "Qwen for Chrome",
einer Sidebar-Erweiterung. Mit Nutzerfreigabe wechselt das Modell in den
Agent-Modus und führt Aufgaben in der Cloud-Konsole durch, etwa den Kauf einer
möglichst günstigen virtuellen Servereinheit inklusive Konfiguration von Image,
Speicher und Sicherheitsgruppen. In einer Folgeaufgabe übernimmt der Agent laut
Qwen auch Skalierung und Wartung.
STÄRKEN BEI GUI-AUFGABEN, SCHWÄCHEN BEI HARTEN REASONING-TESTS
In den vom Qwen-Team veröffentlichten Benchmarks fällt primär die Bedienung
grafischer Oberflächen positiv auf. Auf AndroidWorld und ScreenSpot Pro liegt
Qwen3.7-Plus laut der Tabelle deutlich vor , und . Auch bei agentennaher
Terminalarbeit und langfristiger Aufgabenplanung führt das Modell die
Vergleichswerte an.
Anzeige
Bei klassischem multimodalen Schlussfolgern ist das Bild gemischt: Auf einigen
setzt sich Qwen3.7-Plus an die Spitze, bei anspruchsvolleren wissenschaftlichen
Aufgaben wie MedXpertQA-MM bleibt es hinter Gemini 3.1 Pro und GPT-5.4 zurück.
Im Textbereich beschreibt das Team die Leistung als auf Höhe der
Max-Tier-Modelle, ohne sie durchgängig zu übertreffen.
CROSS-FRAMEWORK-KOMPATIBILITÄT ALS DIFFERENZIERUNGSMERKMAL
Qwen3.7-Plus unterstützt das Anthropic-API-Protokoll und lässt sich direkt mit
,  sowie dem eigenen  verwenden. Über die API ist zusätzlich ein Feature
namens preserve_thinking verfügbar, das die Reasoning-Inhalte aus vorhergehenden
Gesprächsrunden erhält. Das Qwen-Team empfiehlt diese Einstellung explizit für
agentische Aufgaben.
Anzeige
DEC_D_Incontent-2
Über reine Bildverarbeitung hinaus deckt das Modell laut Qwen auch
Videoverstehen und Fahrszenen-Analyse ab, was es als Grundlage für eingebettete
Systeme und autonomes Fahren positioniert.
Anzeige
Qwen3.7-Plus läuft über  und ist damit, wie schon das textbasierte
Schwestermodell , ein proprietäres Angebot ohne offene Gewichte. Preislich
positioniert Alibaba die Plus-Linie deutlich unterhalb von Max: Qwen3.7-Plus
kostet 0,40 US-Dollar pro Million Eingabe-Tokens und 2,40 US-Dollar pro Million
Ausgabe-Tokens, während Qwen3.7-Max mit 2,50 beziehungsweise 7,50 US-Dollar zu
Buche schlägt. Plus ist damit bei der Eingabe rund sechsmal und bei der Ausgabe
gut dreimal günstiger als Max und liegt deutlich unter den Listenpreisen
westlicher Frontier-Modelle.