Hinweis: Dieser Beitrag wurde mit künstlicher Intelligenz erstellt.
In dieser Woche erzeugen Maschinen mehr, als sich bisher prüfen lässt. Ein Modell schreibt die Gewichte eines anderen um, ein Agentensystem meldet 948 Kernel-Lücken, und Anbieter berichten von Arbeit, die statt Wochen oder Monaten nur noch Stunden dauert. Fast jede dieser Zahlen stammt von denen, die sie vorlegen. Die Vergleichswerte, an denen sie sich messen lassen müssten, fehlen oder verschieben sich, bei Indizes ebenso wie bei Nutzungsstatistiken. Auch finanziell ist die Rechnung offen: Die Lieferzahlen für Rechenleistung steigen, während Verluste, langfristige Zahlungsverpflichtungen und nervöse Märkte zeigen, dass ihre Deckung nicht geklärt ist.
Weight Space Programming: Wenn ein Modell die Gewichte eines anderen direkt umschreibt
Die Behauptung ist klar umrissen: Ein ausreichend starkes Sprachmodell soll die Rohgewichte eines anderen neuronalen Netzes lesen, verstehen und gezielt ändern können, ohne Gradiententraining. Gemeint ist damit das übliche schrittweise Nachjustieren der Gewichte anhand eines Fehlersignals. Im Datenpunkte-Format von The Batch heißt es, MIT-Forscher hätten das mit OpenAIs GPT-6 Astra gezeigt. Das Modell habe Spielregeln und Quellcode genutzt, um ein Netz für das Spiel Breakout zu bauen. Dieses Netz erreichte 517 Punkte, das Basismodell kam auf 25. Die Forscher nennen das Weight-Space Programming.
Ein zweites Beispiel nennt der AINews-Beitrag von Latent Space: Bei Qwen3.5 stieg die Genauigkeit in einer mathematischen Aufgabe von 7,9 auf 48,1 Prozent. Latent Space weist selbst darauf hin, dass die Methode bisher auf einfache Aufgaben beschränkt ist. Simon Willison liefert in seinem Beitrag zu Qwen 3.8 27B die Details dazu. Zielmodell war demnach Qwen3.5-0.8B, und der Eingriff betraf nur 0,016 Prozent der Gewichte. Willison zeigt außerdem, dass Qwen 3.8 27B, das auf seinem Laptop läuft, ähnliche Gewichtsanalysen leisten kann. Die Fähigkeit hängt also nicht allein an einem geschlossenen Spitzenmodell.
Dass das Ergebnis nicht an einer Gruppe hängt, versuchen die Berichte der Folgetage zu belegen. Laut dem AINews-Beitrag zu AIEi Shanghai hat Alex Krentsel das MIT-Experiment repliziert. Die neuesten Modelle erzeugten dabei Breakout-Netze, die bis zu 22-mal besser abschnitten als ein mit bestärkendem Lernen trainiertes Basismodell. Das ist dieselbe Größenordnung wie der Abstand im MIT-Versuch. Hugging Face hat die Ergebnisse mit einem eigenen Open-Source-Forschungswerkzeug reproduziert und ein Modell samt Demo veröffentlicht. Ein weiterer Nutzer baute einen handgeschriebenen Klassifikator, der echte von erfundenen juristischen Zitaten trennt und eine trainierte Version übertraf. Der Beitrag hält aber auch fest, dass Kritiker die Ansprüche an Reproduzierbarkeit und Vergleichswerte (Baselines) für nicht ausreichend halten, um die großen Behauptungen zu tragen.
Hier liegt der eigentliche Unterschied zwischen den Quellen. Latent Space rahmt die Sache schon in der Überschrift als Schritt in der Schleife der Selbstverbesserung: Das automatisierte Forschen würde demnach umgangen, weil ein Modell die Gewichte direkt bearbeitet. Willison ist nüchterner. Er verweist auf den Einwand, die Ergebnisse würden möglicherweise überinterpretiert, weil menschliche Forscher beim Verbessern von Modellen ähnliche Schritte gehen würden. Die Frage lautet dann, ob hier eine neue Fähigkeit vorliegt oder nur eine bekannte Analyse, die ein Modell schneller erledigt. Die Zahlen allein entscheiden das nicht. Ein Sprung von 7,9 auf 48,1 Prozent sagt wenig, solange offen ist, gegen welche Baseline er gemessen wurde und ob ein gezieltes Nachtrainieren nicht ähnlich weit gekommen wäre.
Bei der Nachvollziehbarkeit hilft zunächst, dass der beschriebene Eingriff klein ist. Ein Unterschied von 0,016 Prozent der Gewichte lässt sich im Prinzip als Differenz prüfen. Das ist allerdings meine Einordnung und nichts, was die Quellen behaupten. Warum eine Änderung wirkt, erklärt die Differenz nicht, und genau das ist die Schwachstelle. Das KI-Beratung-Blog beschreibt in anderem Zusammenhang ein verwandtes Problem. Modelle wie Astra denken in einer Maschinensprache, die der Blog Neuralese nennt, und müssen ihre Gedanken nicht mehr in Worte fassen. OpenAI selbst hat demnach festgestellt, dass gezielte Sabotage durch Astra womöglich nicht zuverlässig erkannt wird. Der Blog empfiehlt Unternehmen deshalb, Agenten an ihren Handlungen zu prüfen. Übertragen auf Gewichtseingriffe heißt das: Überprüfbar ist vor allem das Verhalten des veränderten Modells, weniger die Absicht dahinter.
Anthropics Open-Source-Werkzeug FlashProve, das laut The Batch kryptografisch belegt, dass eine Antwort von einem bestimmten Modell stammt, ohne die Gewichte offenzulegen, löst das nicht. Es klärt die Herkunft einer Antwort, nicht die Qualität einer Gewichtsänderung. Über die Woche hinaus zählt der Befund, weil Verbesserungen von Modellen durch Modelle nur dann belastbar sind, wenn Baselines und Prüfverfahren mitwachsen. Bisher liegen vor allem kleine Demonstrationen vor, die sich leichter reproduzieren als erklären lassen.
Offene Modelle: Wer vorne liegt, hängt davon ab, was man misst
Die auffälligste Meldung der Woche kommt von Thinking Machines. Artificial Analysis, ein Anbieter unabhängiger Modellvergleiche, bewertet in seinem Beitrag zu Inkling 2 Small das Modell mit 31 Punkten auf dem eigenen Intelligence Index. Es nennt es das bestbewertete offene Modell außerhalb Chinas. Der Vorbehalt steht schon im Titel: Das gilt, sobald die Gewichte erscheinen. Gewichte sind die trainierten Parameter, mit denen sich ein Modell herunterladen und selbst betreiben lässt. Latent Space erwartet die Veröffentlichung in der kommenden Woche, nach Abschluss der Sicherheitstests. Bis dahin ist die Offenheit ein Versprechen und kein Zustand.
Die beiden Quellen setzen unterschiedliche Schwerpunkte. Latent Space hebt die Trainingsleistung hervor. Das multimodale Modell hat 594 Milliarden Parameter, laut Titel davon 17 Milliarden aktiv. Es wurde in weniger als 68 Stunden auf 12 Billionen Tokens trainiert und schlägt in vielen Benchmarks Muse Spark und andere westliche Modelle, vor allem bei Code und kreativen Aufgaben. Genannt wird auch der Preis auf der Tinker-Plattform: 0,30 US-Dollar pro Million Eingabetokens und 1,50 US-Dollar pro Million Trainingstokens. Artificial Analysis liefert dagegen die Kehrseite. Gegenüber Inkling Small steigt der Wert um 18 Punkte, aber das Modell erzeugt etwa viermal so viele Ausgabetokens pro Aufgabe. Eine Aufgabe kostet 1,18 Dollar, fast sechsmal so viel wie beim Vorgänger, bleibt aber unter einigen Modellen mit ähnlicher Punktzahl. Gemini 3.8 Flash von Google DeepMind schlägt es in mehreren Kategorien, in der Physikforschung liegt es dahinter. Die Halluzinationsrate fällt von 61 auf 27 Prozent, die Genauigkeit steigt nur leicht auf 34 Prozent. Das legt nahe, dass der Gewinn eher vom Zurückhalten falscher Antworten kommt als von mehr Wissen.
Auch die anderen Modelle der Woche zeigen, dass „Führung“ Verschiedenes heißen kann. Im KI-Update von heise stellt Mistral sein Modell ML4 vor, mit einer Billion Parametern, davon 52 Milliarden aktiv, das größte offene Modell aus Europa. Der wissenschaftliche Leiter nennt Coding und Cybersicherheit als Stärken und sieht in offenen Gewichten einen Beitrag zur Souveränität, weil Unternehmen den Zugang nicht verlieren. Mistral setzt auf Reinforcement Learning, bei dem ein Modell für gelöste Aufgaben belohnt wird, und hat dafür 3 Milliarden Euro in einer Series-D-Runde eingesammelt. Das sind Aussagen des Labors selbst, einen unabhängigen Indexwert nennt das Material nicht. Nanbeige4.3-33B wiederum erreicht laut Artificial Analysis mit 33 Milliarden Parametern eine 20 auf dem Intelligence Index v5 und zieht damit mit Qwen3.8 27B gleich. Dafür braucht es 158.000 Ausgabetokens pro Aufgabe, 44 Prozent mehr als Qwen. Die Halluzinationsrate liegt bei 18 gegenüber 29 Prozent, was Artificial Analysis als selektives Antworten liest. Beide Modelle setzen demnach einen neuen Bestwert im Verhältnis von Intelligenz zu Gesamtparametern. Mistral steht also für Größe, Inkling für die Punktzahl, Nanbeige für Effizienz.
Dahinter liegt die Frage nach dem Maßstab. Laut The Batch führt im Intelligence Index v5.0 derzeit Gemini 4 Carbon, das zunächst nur ausgewählte Tester über das Fairwind-Programm nutzen können. Der Spitzenplatz unter den offenen Modellen betrifft also eine andere Liga. Epoch AI zeigt außerdem, wie stark ein Index von der Methodik abhängt. Das Institut hat seinen Epoch Capabilities Index auf ein Bayes-Modell umgestellt, das auf der Item Response Theory beruht, einem Verfahren aus der Testtheorie. Die Unsicherheitsintervalle werden für Modelle mit vielen Benchmark-Ergebnissen enger, für schwächere breiter. Werte über 125 bleiben stabil, schwächere Modelle verlieren im Schnitt 13,7 Punkte. Epochs Skala und die von Artificial Analysis sind verschiedene Maßstäbe, ihre Zahlen lassen sich nicht vergleichen. Die Umstellung zeigt aber, dass dasselbe Modell nach einer Methodenänderung anders dastehen kann.
Noch unschärfer ist die Messung der tatsächlichen Nutzung. Das Interconnects-Blog erklärt, die Akzeptanz offener Modelle lasse sich nur ungenau bestimmen, weil sie auf unzuverlässigen Plattformmetriken und Marketingangaben beruhe. Als Indikatoren dienen Inferenzanbieter wie Baseten, Fireworks und Together AI. Fireworks meldet, über 40 Billionen Tokens pro Tag an angepasste Modelle auszuliefern. Der Autor sieht darin ein Zeichen starken Wachstums, es bleibt aber eine Firmenangabe. Er will die Zahlen mit den Tokenvolumina von Google vergleichen. Über die Woche hinaus zählt, dass die Rangfolge offener Modelle derzeit auf Indizes beruht, die ihre Methode ändern, auf Gewichten, die noch nicht erschienen sind, und auf Nutzungszahlen, die vor allem die Anbieter selbst liefern.
Rechenleistung: Wer hat sie, wer bezahlt sie, wer will sie nicht?
Die Nachfrage nach Rechenleistung schlägt sich inzwischen in harten Lieferzahlen nieder. Nach einer Auswertung von Epoch AI hat Broadcom seine Auslieferungen von TPU-Systemen im dritten Quartal 2026 gegenüber dem Vorquartal verdoppelt. TPUs sind Googles auf KI-Rechnungen zugeschnittene Chips. Die Menge entspricht etwa 2 Millionen Nvidia-H100-Grafikprozessoren, einer gängigen Vergleichseinheit für Rechenleistung. Die Stückzahl stieg dabei um rund 65 Prozent auf etwa 800.000 Chips. Den Rest der Verdopplung erklärt Epoch mit dem Wechsel auf leistungsstärkere Chips, vor allem den TPU v8i, der etwa 2,2-mal so leistungsfähig sein soll wie der v7. Als Abnehmer in den Schätzungen für 2026 nennt Epoch Google selbst und Anthropic.
Wie ungleich diese Kapazität verteilt ist, zeigt eine zweite Analyse von Epoch AI zum Huawei-Rechenzentrum in Horinger in der Inneren Mongolei. Es läuft auf Huaweis Ascend-Chips und kommt nach Epochs Schätzung auf nur etwa 7 Prozent der KI-Rechenkapazität von Colossus 2 in Tennessee, dem größten KI-Rechenzentrum der Welt. China baut zwar viele solcher Anlagen und kann dabei auf reichlich Energie zurückgreifen. Die US-Anlagen seien aber 2,5-mal effizienter. Huawei will die Kapazität in Horinger bis Anfang 2028 um 70 Prozent steigern. Auch das schließt die Lücke laut Epoch nicht. Zu den erwarteten Nutzern gehören Unternehmen, die große Sprachmodelle trainieren.
Wer das alles bezahlen soll, ist die offene Frage. Ein Beitrag der KI-Beratung wertet den geplanten Börsengang von Anthropic aus, der mit einer Bewertung von bis zu 2 Billionen Dollar der größte aller Zeiten werden könnte. Der Prospekt weist demnach für das erste Halbjahr 2026 einen Umsatz von 16,3 Milliarden Dollar aus, dem ein Nettoverlust von 80,7 Milliarden Dollar gegenübersteht. Dieser Verlust geht größtenteils auf Buchungen ohne Geldabfluss zurück, es handelt sich also nicht um abgeflossenes Bargeld. Kritiker bemängeln laut dem Beitrag, dass die Gewinne im zweiten Quartal durch Rabatte auf Rechenleistung verzerrt sein könnten. Schwerer wiegen die langfristigen Zahlungsverpflichtungen für Rechenleistung von 657 Milliarden Dollar, die Zweifel an der Tragfähigkeit des Modells wecken. Der Prospekt selbst widmet den Risiken 94 Seiten.
Dass die Märkte nervöser werden, beschreibt der Newsletter Latent Space. Google räumte demnach ein, dass der KI-Modus in der Suche die Umsätze belastet. Philipp Schindler, Chief Business Officer, begründete das damit, dass die stark wachsenden Anfragen im KI-Modus bisher schlechter zu Geld gemacht werden. Die Aktie fiel um 15 Prozent, was einem Wertverlust von 500 Milliarden Dollar entspricht. Das sei der schwerste Rückschlag seit dem Börsengang 2004. Hinzu kommt laut Latent Space, dass OpenAI in seiner jüngsten Finanzierungsrunde 1,25 Billionen Dollar erreichte und damit unter den Erwartungen blieb, kurz vor einem der größten Tech-Börsengänge überhaupt. Der Newsletter fragt, ob ein Bärenmarkt für KI bevorsteht. Das ist seine Einordnung und keine Tatsache. Auffällig ist aber, dass dieselbe Technik, für die Milliarden in Chips fließen, bei Google zunächst das bestehende Geschäft schwächt.
Dazu kommt der Widerstand vor Ort. Im KI-Update von heise heißt es, bei den US-Zwischenwahlen sei in zahlreichen Gemeinden über KI-Rechenzentren abgestimmt worden. Der Widerstand sei vielerorts stark gewesen, besonders in Ohio. Wo Gemeinden Nein sagen, fehlen Flächen und Netzanschlüsse. Der Ausbau lässt sich dann nicht allein mit Geld beschleunigen.
Als Ausweg werden Rechenzentren im All diskutiert, die unter anderem SpaceX und Starcloud vorantreiben. Der Raumfahrtexperte Ulrich Walter hält davon laut einem weiteren Beitrag der KI-Beratung wenig. Er verweist auf die Kollisionsgefahr sowie auf hohe Kosten für Kühlung und Wartung und hält solche Anlagen langfristig für unwirtschaftlich. Als günstigere Alternative bringt er Rechenzentren unter Wasser ins Spiel, die sich leichter kühlen und warten ließen. Über diese Woche hinaus zählt, dass die Chip-Lieferketten schneller wachsen als die Gewissheit, dass sich die Investitionen auszahlen. Dazu fehlt es an Standorten, an denen Anwohner und Politik zustimmen.
Agenten im Unternehmen: Viel Einsatz, wenig Regelbetrieb
Wie weit KI-Agenten in Unternehmen schon sind, hängt davon ab, wen man fragt und wie die Frage lautet. Die Computerwoche stützt sich in dem Beitrag Warum KI-Piloten selten in den Produktivmodus gehen auf Studienergebnisse des Prozessautomatisierers Camunda. Danach setzen 71 Prozent der befragten Organisationen KI-Agenten, Copilots oder Klassifikatoren ein. Nur 11 Prozent der Anwendungsfälle erreichen aber den Produktivbetrieb, und 85 Prozent der Unternehmen fehlt nach dieser Erhebung die Prozessreife, um über den Test hinaus zu skalieren. Ein anderes Bild ergibt sich aus der Erhebung des US-Statistikamts. Simon Willison weist in seinem Beitrag The U.S. Census Bureau and “Super Intelligence” darauf hin, dass der Anteil großer Unternehmen mit KI-Nutzung von etwa 12 Prozent im September 2025 auf rund 40 Prozent im Oktober 2026 gestiegen ist. Allerdings wurde die Frage zwischenzeitlich von der Produktion von Waren und Dienstleistungen auf jegliche Geschäftsfunktionen ausgeweitet. Der Sprung misst also zum Teil eine andere Frage und nicht nur mehr Nutzung.
Warum so wenig im Regelbetrieb ankommt, erklärt die Computerwoche zunächst mit den Abläufen selbst. ERP-Prozesse, Kundenonboarding oder Schadensprüfung stammen aus Jahrzehnten ohne KI und sind für Menschen gebaut. Ein zweiter Beitrag des Blattes, Warum KI ohne Geschäftskontext ins Leere läuft, nennt ein weiteres Hindernis: Modelle verarbeiten zwar große Datenmengen, erkennen aber nicht zuverlässig, welches Dokument gültig ist, welche Regel gilt oder wie Informationen zusammengehören. Die Antworten klingen dann plausibel, sind aber fachlich unvollständig. Die Hürde liegt demnach seltener im Modell als in Prozessen und Wissensbeständen, die nicht für Maschinen aufbereitet sind.
Wo Agenten bereits echte Arbeit leisten, sind die Aufgaben meist eng umrissen und gut prüfbar. Legora, ein Legal-Tech-Anbieter, wird in Building AI for Lawyers mit einem Wert von 8,8 Milliarden Dollar und über 1.800 Kunden beschrieben. Die Plattform erstellt und bearbeitet Word-Dokumente und prüft Tausende Verträge gleichzeitig. Technikchef Jacob Lauritzen sagt außerdem, die Agenten setzten die Abrechnung nach Stunden unter Druck. In Building Legal Agents When You Can’t See the Data schildert er, wie das Team arbeitet, ohne die Kundendaten einsehen zu können. Es baut Testumgebungen nach der Arbeit der Kunden und betreibt alles auf Azure, um Datenschutzbedenken zu begegnen. Seine Schätzung, aktuelle Modelle erledigten schon 60 Prozent der juristischen Arbeit gut, ist die Einschätzung eines Anbieters und keine unabhängige Messung. Bemerkenswert ist sie trotzdem, weil er den Rest ausdrücklich an klügere Modelle knüpft.
Einen zweiten Ansatz zeigt Arca, ein Vermögensverwalter, der laut Agents Prompt People 48,5 Millionen Dollar unter Führung von General Catalyst eingesammelt hat. Dort laufen Agenten an Aufgaben, die bis zu zehn Tage dauern können, und ein selbst gebautes Gedächtnissystem hält fest, was erledigt ist und wer wofür zuständig ist. Hauptanbieter der Modelle ist Claude von Anthropic, daneben kommen Modelle von OpenAI zum Einsatz, und ein eigenes System wählt das jeweils passende aus. Die Agenten analysieren und schlagen vor, bei riskanten Entscheidungen entscheiden menschliche Berater. In beiden Fällen ersetzt der Agent also nicht den Beruf, sondern übernimmt abgegrenzte Teile mit einer klaren menschlichen Verantwortung.
Wie viel sich insgesamt übertragen lässt, bewerten die Quellen sehr unterschiedlich. Nach einem Agent Delegability Index, über den die FAZ in Digitale Geographie berichtet, ließe sich gut ein Drittel der Arbeit zumindest teilweise an Agenten abgeben, aber nur 2,5 Prozent vollständig. Deutschland liegt beim vollständig delegierbaren Anteil innerhalb der EU vorn. Das passt kaum zu den 60 Prozent aus der Legora-Schätzung, doch beide Werte beantworten verschiedene Fragen: Der eine gilt einem einzelnen Berufsfeld mit einem Produkt, der andere der Arbeit insgesamt. Die Folgen im Alltag beschreibt der Deutschlandfunk in Zukunft der Arbeit (2/3). Manche Beschäftigte fühlen sich von der Technik überholt, andere nutzen sie zur Entlastung, und zugleich können Informationsflut und höhere Arbeitslast die Erholung beeinträchtigen. Das Handelsblatt zitiert in Wer nur auf mehr Effizienz setzt, wird austauschbar die Professorin Yasmin Weiß, die nach eigener Angabe täglich drei Stunden spart und davor warnt, allein auf Effizienz zu setzen.
Über die Woche hinaus zählt die Frage, ob Unternehmen ihre Prozesse und ihr Wissen so ordnen, dass Agenten darauf arbeiten können. Solange Erhebungen mit wechselnden Fragen und Herstellerschätzungen nebeneinanderstehen, bleibt der tatsächliche Stand schwer zu beziffern.
Linux-Kernel: 948 Lücken laut OpenAI, aber wer prüft nach?
Die auffälligste Zahl der Woche lautet 948. So viele Sicherheitslücken im Linux-Kernel soll ein autonomes System von OpenAI gefunden und auch geschlossen haben. Der Kernel ist der Kern des Betriebssystems, der Hardware und Programme verwaltet, weshalb Fehler dort besonders schwer wiegen. Der Newsletter AINews von Latent Space beschreibt das System als autonome Cyber-Pipeline, also als Kette von KI-Agenten, die Schwachstellen suchen, bewerten und beheben. Gegenüber traditionellen Methoden sei das deutlich effizienter. Einen Vergleichswert nennt die Zusammenfassung nicht.
Golem schreibt über dieselbe Meldung merklich vorsichtiger. In der Golem-Meldung heißt es, OpenAI wolle die Lücken gefunden haben. Die Angaben stammen laut dem Artikel aus internen Tests des Unternehmens. Gemeint sind Root-Lücken, also Schwachstellen, über die ein Angreifer Administratorrechte auf einem System erlangen kann. Außerdem sollen die Agenten passende Patches entwickelt haben, das sind Code-Korrekturen, die ein Problem beheben. Die Meldung ist dadurch als Selbstauskunft gekennzeichnet. Der Newsletter referiert sie dagegen eher als Ergebnis.
Die Wortwahl macht einen echten Unterschied. Latent Space spricht von behobenen Lücken, Golem von entwickelten Patches. Zwischen einem erzeugten Patch und einer Korrektur, die in den veröffentlichten Kernel gelangt, liegen normalerweise Prüfung und Annahme durch die Entwickler, die den Code betreuen. Ob das hier für einen nennenswerten Teil der 948 Fälle geschehen ist, geht aus dem vorliegenden Material nicht hervor. Dasselbe gilt für die Frage, wie viele Funde unabhängig bestätigt sind, wie viele tatsächlich ausnutzbar wären und ob Doppelungen darunter sind.
Eine weitere Meldung betrifft den Kernel, ist aber anders geartet. Das KI-Update von heise berichtet von einem kritischen Fehler im Linux-Kernel, den eine KI aufgedeckt habe. Er sei seit elf Jahren unentdeckt geblieben und erlaube Remote Code Execution, also das Ausführen fremden Codes über das Netzwerk. Das ist ein einzelner Fund mit benanntem Alter und Schweregrad. Die Zahl 948 sagt etwas über Menge, ein solcher Fund eher etwas über Qualität. Ob der Fehler zu den 948 gehört oder von OpenAI stammt, sagt die Zusammenfassung nicht. Beide Meldungen sollte man daher nicht ohne Weiteres zu einer Geschichte zusammenziehen.
Für die Verteidigung ist die Einordnung aus der Praxis aufschlussreich. In der Computerwoche beschreibt Jeremy Koppen, Sicherheitschef (CISO) bei Equifax, zwei Seiten derselben Dynamik. Angreifer setzen KI ein, um ausgefeiltere Angriffe in bisher unbekanntem Tempo zu fahren. Verteidiger setzen ebenfalls auf KI, um bei Volumen und Geschwindigkeit mitzuhalten. Der Artikel behandelt die Sicherheitsstrategie für 2027, im vorliegenden Auszug reicht er aber nicht weiter. Daraus folgt für die Kernel-Meldungen eine eigene Überlegung: Die Fähigkeit, Root-Lücken zu finden, nützt der Verteidigung nur, solange die Funde geprüft und eingespielt werden. Dieselbe Fähigkeit wäre auf der anderen Seite ebenso wertvoll.
Belastbar ist damit bisher vor allem die Aussage, dass OpenAI diese Zahl behauptet und mehrere Medien sie verbreiten. Unabhängige Bestätigung, Ausnutzbarkeit und Annahme der Patches sind im Material offen. Über die Woche hinaus zählt deshalb weniger die Rekordzahl als die Frage, ob die Prüfung der Funde mit ihrer Erzeugung Schritt hält. Wenn Maschinen Lücken schneller melden, als Menschen sie bewerten können, verschiebt sich der Engpass, ohne dass die Verteidigung damit schon gewonnen hätte.
KI in der Wissenschaft: Versprechen und Baselines
Wer wissen will, wo KI die Forschung tatsächlich beschleunigt, sollte zuerst fragen, wogegen sie gemessen wird. Die vier Quellen dieser Woche geben darauf sehr verschiedene Antworten. Zwei berichten von Zeitgewinnen in Arbeitsabläufen, eine von Modellen, die an einfachen Vergleichswerten scheitern, und eine liefert einen Benchmark, der Wissenschaftsaufgaben mit Preisschild und Fehlerquote versieht.
Am deutlichsten wird die Ernüchterung im Gespräch, das Latent Space mit Fabian Theis von Helmholtz Munich geführt hat (Controlling Biology – Fabian Theis, Helmholtz Munich). Theis ist eine zentrale Figur beim Konzept der Virtual Cell, also digitaler Zellmodelle, die das Verhalten echter Zellen vorhersagen sollen. Nach der anfänglichen Begeisterung haben solche Projekte laut dem Gespräch an Aufmerksamkeit verloren, weil viele Modelle nicht besser abschneiden als eine Baseline, also eine simple Referenzvorhersage, gegen die jedes aufwendige Modell antreten muss. Theis sieht die Ursache nicht in mangelndem Rechenaufwand: Die biologische Modellierung sei schwieriger als angenommen, und der Engpass liege bei den Daten. Dazu passt die Biohub-Initiative, die nach Angaben im Gespräch 1,8 Milliarden Dollar in neue Bildgebungs- und Messverfahren investieren will, um große Datensätze zu erzeugen und für das KI-Training bereitzustellen.
Ganz anders klingt der Bericht von The Decoder über Anthropic (Von der Wirkstoffsuche bis zur Zulassung). Anthropic hat Claude demnach in Medikamentenprojekte mehrerer Partner eingebunden, vom Antikörperdesign bis zur Zulassungsdokumentation. Das Biotechunternehmen Enveda gibt an, einen Entwurf für ein Zulassungsdokument in vier Stunden statt in drei Monaten erstellt zu haben. Das ist eine Selbstauskunft, und sie betrifft Dokumentationsarbeit, nicht die Vorhersage biologischer Wirkung. Mit der Übernahme von Mithril Medicine will Anthropic außerdem eigene Wirkstoffe entwickeln, klinische Studien am Menschen stehen laut Decoder aber noch aus. Der scheinbare Widerspruch zu Theis löst sich damit teilweise auf: Ein Modell kann bei gut umrissenen Textaufgaben viel Zeit sparen und trotzdem keine bessere Vorhersage liefern als eine einfache Baseline. Die Zeitersparnis bei Papierarbeit sagt noch nichts darüber, ob ein Wirkstoff besser wird.
Ein dritter Fall liegt dazwischen. Laut The Decoder lassen das SETI Institute und Breakthrough Listen am Allen Telescope Array nun KI-Agenten das Teleskop steuern und die eingehenden Radiosignale auswerten (KI-Agenten steuern jetzt ein Teleskop). Aufgaben, die bisher Wochen dauerten, sollen in Stunden erledigt werden, und erstmals habe das System einen Pulsar im Krebsnebel in Echtzeit erkannt. Das Wort „sollen“ ist hier ernst zu nehmen: Der berichtete Erfolg ist ein Funktionsnachweis. Über neue Funde oder darüber, wie die Agenten gegen das bisherige Verfahren abschneiden, steht im Material nichts.
Warum solche Vergleiche heikel sind, zeigt der Benchmark VIALS-AA von Artificial Analysis (VIALS-AA: different paths to scientific image reasoning). Er prüft, wie gut Sprachmodelle wissenschaftliche Bilder auswerten und Fragen zu den darin enthaltenen Belegen beantworten. Den Bestwert erzielt laut Artificial Analysis Gemini 4 Carbon (high) mit 64 Prozent. Die Kosten pro Aufgabe liegen zwischen 0,02 Dollar bei GPT-6 Luna (max) und 1,77 Dollar bei Grok 4.7 (xhigh). Die Modelle gehen zudem unterschiedlich vor: Claude Sonnet 5.5 (max) ruft deutlich mehr Werkzeuge pro Aufgabe auf als andere, während intelligentere Modelle laut der Analyse tendenziell weniger Werkzeuge brauchen. Besonders betont Artificial Analysis die Konsistenz, denn wechselnde Antworten auf dieselbe Frage können in der Forschung zu falschen Schlüssen führen.
Über diese Woche hinaus zählt vor allem die Trennung der Fälle. Dort, wo KI Abläufe verkürzt, lässt sich der Gewinn in Stunden und Dollar beziffern, aber meist nur durch die Anbieter und Anwender selbst. Dort, wo sie Wissen über die Natur liefern soll, entscheidet der Vergleich mit der einfachen Baseline, und der fällt bislang oft ernüchternd aus. Theis‘ Hinweis auf die Datenfrage deutet an, dass die Messtechnik der Biologie mindestens so wichtig ist wie das Modell.
Am ehesten nachprüfbar wird nächste Woche Inkling 2 Small. Erscheinen die Gewichte nach den Sicherheitstests wie von Latent Space erwartet, lässt sich der Spitzenplatz unter den offenen Modellen außerhalb der Messung des Anbieters der Bewertung testen. Bei den 948 Kernel-Lücken zählt, ob unabhängige Bestätigungen oder angenommene Patches auftauchen. Ohne sie bleibt die Zahl eine Selbstauskunft von OpenAI. Beim Weight-Space Programming kommt es darauf an, ob die Replikationen sauberere Baselines mitbringen als die bisherigen, und ob die Märkte, die bei Google schon nervös reagierten, die Rechnung für die Rechenleistung weiter so hinnehmen.
Zum Hören
Transkript dieser Folge
Sarah: Ein Hinweis vorab: Dieser Rückblick wurde mit künstlicher Intelligenz erstellt und mit synthetischen Stimmen gesprochen. Schön, dass du dabei bist, und falls du diese Woche wenig Zeit hattest: Hier ist, was wirklich zählt. Willkommen zum Wochenrückblick auf die KI-Meldungen. Ich bin Sarah. Diese Woche erzeugen Maschinen mehr, als sich prüfen lässt: Modelle schreiben Modelle um, Agenten suchen Sicherheitslücken, und die Rechnung für die Rechenleistung ist offen.
Christian: Und ich bin Christian. Auffällig ist, dass fast jede Zahl von denen stammt, die sie präsentieren. Wir beginnen mit einem Experiment von Forschern des Massachusetts Institute of Technology: Ein Modell bearbeitet direkt die Gewichte eines anderen Netzes.
Sarah: Und zwar ohne Gradiententraining, also ohne dieses schrittweise Nachjustieren anhand eines Fehlersignals. Was ist da konkret passiert?
Christian: Laut The Batch hat OpenAIs GPT-6 Astra die Spielregeln und den Quellcode von Breakout gelesen und daraus ein Netz gebaut. Es kam auf 517 Punkte, das Basismodell auf 25. Die Forscher nennen das Weight-Space Programming.
Sarah: Das klingt nach einem Ausreißer. Gibt es noch andere Zahlen?
Christian: Bei Qwen3.5 stieg die Genauigkeit in einer Matheaufgabe von 7,9 auf 48,1 Prozent. Simon Willison liefert die Details: Zielmodell war die Variante mit 0,8 Milliarden Parametern, und der Eingriff betraf nur 0,016 Prozent der Gewichte.
Sarah: So winzig? Dann lässt sich doch leicht nachprüfen, was geändert wurde.
Christian: Als Differenz ja. Das ist aber unsere Einordnung, keine Aussage der Quellen. Und warum die Änderung wirkt, verrät die Differenz nicht.
Sarah: Hängt das Ganze eigentlich an einem geschlossenen Spitzenmodell?
Christian: Offenbar nicht. Willison zeigt, dass Qwen 3.8 27B, das auf seinem Laptop läuft, ähnliche Gewichtsanalysen schafft. Hast du selbst schon einmal ein Modell lokal auf deinem eigenen Rechner laufen lassen? Alex Krentsel hat das MIT-Experiment repliziert, mit Breakout-Netzen, die bis zu 22-mal besser waren als ein per bestärkendem Lernen trainiertes Basismodell. Hugging Face hat es ebenfalls reproduziert und eine Demo veröffentlicht.
Sarah: Dann ist es ein Schritt in der Schleife der Selbstverbesserung. So rahmt es Latent Space: Das automatisierte Forschen wird umgangen, weil ein Modell die Gewichte direkt bearbeitet.
Christian: Sarah, da bin ich bei Willison, und der ist nüchterner. Er verweist auf den Einwand, das werde überinterpretiert, weil menschliche Forscher beim Verbessern von Modellen ähnliche Schritte gehen. Ist das eine neue Fähigkeit oder eine bekannte Analyse, nur schneller?
Sarah: Entscheiden das die Zahlen nicht?
Christian: Nein. Von 7,9 auf 48,1 Prozent sagt wenig, solange offen ist, gegen welche Baseline gemessen wurde. Und ob gezieltes Nachtrainieren nicht ähnlich weit gekommen wäre. Kritiker halten die Standards für Reproduzierbarkeit ohnehin für zu schwach.
Sarah: Hilft da nicht Anthropics Werkzeug FlashProve?
Christian: Das belegt kryptografisch, dass eine Antwort von einem bestimmten Modell kommt, ohne die Gewichte offenzulegen. Es klärt also die Herkunft, nicht die Qualität einer Gewichtsänderung. Dazu passt der Blog KI-Beratung: Modelle wie Astra denken in einer Maschinensprache namens Neuralese, und OpenAI selbst räumt ein, dass gezielte Sabotage womöglich unerkannt bleibt. Prüfen kann man vor allem das Verhalten, weniger die Absicht.
Sarah: Bisher also kleine Demonstrationen, leichter zu reproduzieren als zu erklären.
Christian: Weiter zu den offenen Modellen. Thinking Machines bringt Inkling 2 Small. Artificial Analysis gibt dem Modell 31 Punkte auf dem eigenen Intelligence Index und nennt es das beste offene Modell außerhalb Chinas.
Sarah: Offen ist es aber noch gar nicht, oder?
Christian: Genau, der Vorbehalt steht schon im Titel: sobald die Gewichte erscheinen. Latent Space erwartet das nächste Woche, nach den Sicherheitstests. Bis dahin ist es ein Versprechen.
Sarah: Was spricht denn für das Modell?
Christian: Latent Space hebt die Trainingsleistung hervor: 594 Milliarden Parameter, davon 17 Milliarden aktiv, in weniger als 68 Stunden auf 12 Billionen Tokens trainiert. Es schlägt Muse Spark vor allem bei Code und kreativen Aufgaben. Auf der Plattform Tinker kostet die Million Eingabetokens 30 Cent.
Sarah: Artificial Analysis zeigt die Kehrseite: plus 18 Punkte gegenüber Inkling Small, aber rund viermal so viele Ausgabetokens pro Aufgabe. Eine Aufgabe kostet 1,18 Dollar, fast sechsmal so viel wie beim Vorgänger.
Christian: Was ist mit den Halluzinationen?
Sarah: Die Rate fällt von 61 auf 27 Prozent, die Genauigkeit steigt nur leicht auf 34. Der Gewinn kommt also eher vom Zurückhalten falscher Antworten als von mehr Wissen.
Christian: Mistral setzt auf Größe: ML4 hat eine Billion Parameter, davon 52 Milliarden aktiv, und gilt als größtes offenes Modell Europas. Dafür gab es 3 Milliarden Euro in einer Series-D-Runde. Das alles sind Aussagen des Labors, einen unabhängigen Indexwert gibt es nicht. Nachzulesen im KI-Update von heise.
Sarah: Und Nanbeige?
Christian: 33 Milliarden Parameter, eine 20 auf dem Index in Version fünf, gleichauf mit Qwen3.8 27B. Dafür braucht es 158.000 Ausgabetokens pro Aufgabe, 44 Prozent mehr als Qwen. Mistral steht für Größe, Inkling für die Punktzahl, Nanbeige für Effizienz.
Sarah: Wer führt denn nun wirklich?
Christian: Im selben Index Gemini 4 Carbon, aber das nutzen bisher nur ausgewählte Tester über das Fairwind-Programm. Außerdem hat Epoch AI seinen Capabilities Index auf ein Bayes-Modell umgestellt. Schwächere Modelle verlieren im Schnitt 13,7 Punkte, Werte über 125 bleiben stabil.
Sarah: Dasselbe Modell steht nach einem Methodenwechsel also anders da. Wie sieht es bei der echten Nutzung aus?
Christian: Noch unschärfer. Interconnects hält Plattformmetriken für unzuverlässig. Fireworks meldet über 40 Billionen Tokens pro Tag an angepasste Modelle, aber das ist eine Firmenangabe.
Sarah: Du merkst also: Die Rangfolge ruht auf Indizes, die ihre Methode ändern, auf Gewichten, die fehlen, und auf Zahlen der Anbieter. Frag bei jeder Bestenliste, was genau gemessen wurde.
Christian: Jetzt die Rechenleistung. Laut Epoch AI hat Broadcom seine Auslieferungen von TPU-Systemen, Googles KI-Chips, im dritten Quartal 2026 verdoppelt. Das entspricht etwa 2 Millionen Nvidia-H100-Grafikprozessoren.
Sarah: Sind das einfach doppelt so viele Chips?
Christian: Nein, die Stückzahl stieg um rund 65 Prozent auf etwa 800.000. Den Rest erklärt der Wechsel auf den TPU v8i, der etwa 2,2-mal so leistungsfähig sein soll wie der v7. Abnehmer sind laut Epoch Google und Anthropic.
Sarah: Und wer hat von all dem wenig?
Christian: Huawei. Das Rechenzentrum in Horinger in der Inneren Mongolei kommt laut Epoch auf nur etwa 7 Prozent der Kapazität von Colossus 2 in Tennessee. Die US-Anlagen sind 2,5-mal effizienter, und selbst 70 Prozent mehr Kapazität bis Anfang 2028 schließen die Lücke nicht.
Sarah: Wer soll das bezahlen? Anthropic plant einen Börsengang, oder?
Christian: Mit einer Bewertung von bis zu 2 Billionen Dollar, dem größten aller Zeiten. Im ersten Halbjahr 2026 stehen 16,3 Milliarden Dollar Umsatz einem Nettoverlust von 80,7 Milliarden gegenüber.
Sarah: Ist das Bargeld, das da abgeflossen ist?
Christian: Größtenteils nicht, es sind Buchungen ohne Geldabfluss. Schwerer wiegen die langfristigen Zahlungsverpflichtungen für Rechenleistung von 657 Milliarden Dollar. Kritiker sagen zudem, Rabatte auf Rechenleistung hätten die Gewinne im zweiten Quartal verzerrt. Dem Prospekt sind allein 94 Seiten Risiken wert.
Sarah: Und die Märkte bleiben nicht gelassen. Google hat eingeräumt, dass der KI-Modus die Suchumsätze belastet.
Christian: Philipp Schindler begründete das damit, dass die stark wachsenden Anfragen dort schlechter zu Geld gemacht werden. Die Aktie fiel um 15 Prozent, etwa 500 Milliarden Dollar, der schwerste Rückschlag seit dem Börsengang 2004. OpenAI blieb in seiner Finanzierungsrunde mit 1,25 Billionen Dollar unter den Erwartungen.
Sarah: Christian, kommt nicht auch Widerstand vor Ort dazu?
Christian: Ja. Bei den US-Zwischenwahlen wurde in vielen Gemeinden über Rechenzentren abgestimmt, besonders deutlich war das Nein in Ohio. Wo Gemeinden ablehnen, fehlen Flächen und Netzanschlüsse. Das löst Geld allein nicht.
Sarah: Dann eben ins All?
Christian: SpaceX und Starcloud treiben das voran. Der Raumfahrtexperte Ulrich Walter hält wenig davon: Kollisionsgefahr, hohe Kosten für Kühlung und Wartung, langfristig unwirtschaftlich. Er bringt Rechenzentren unter Wasser ins Spiel.
Sarah: Die Chip-Lieferketten wachsen also schneller als die Gewissheit, dass sich das auszahlt.
Christian: Nächstes Thema: Agenten im Unternehmen. Nutzt du bei deiner eigenen Arbeit schon Copilots oder Agenten? Camunda meldet laut Computerwoche, dass 71 Prozent der befragten Organisationen KI-Agenten oder Copilots einsetzen. Aber nur 11 Prozent der Anwendungsfälle laufen im Produktivbetrieb.
Sarah: Und was sagt das US-Statistikamt?
Christian: Große Unternehmen mit KI-Nutzung: von etwa 12 Prozent im September 2025 auf rund 40 Prozent im Oktober 2026. Willison weist aber darauf hin, dass die Frage zwischendurch von der Produktion von Waren und Dienstleistungen auf alle Geschäftsfunktionen ausgeweitet wurde.
Sarah: Der Sprung misst also zum Teil eine andere Frage. Warum scheitert der Regelbetrieb dann so oft?
Christian: Laut Computerwoche liegt es seltener am Modell. Prozesse wie ERP, Kundenonboarding oder Schadensprüfung sind für Menschen gebaut. Dazu kommt der fehlende Geschäftskontext: Das Modell erkennt nicht zuverlässig, welches Dokument gültig ist oder welche Regel gilt. Die Antworten klingen plausibel, sind aber fachlich lückenhaft.
Sarah: Wo laufen Agenten denn schon wirklich?
Christian: Bei eng umrissenen, prüfbaren Aufgaben. Legora, ein Legal-Tech-Anbieter, wird mit 8,8 Milliarden Dollar bewertet und hat über 1.800 Kunden. Die Plattform prüft Tausende Verträge gleichzeitig. Technikchef Jacob Lauritzen sagt, aktuelle Modelle erledigten schon 60 Prozent der juristischen Arbeit gut.
Sarah: Ist das gemessen?
Christian: Nein, es ist die Schätzung eines Anbieters. Bemerkenswert ist, dass er den Rest ausdrücklich an klügere Modelle knüpft.
Sarah: Und der Vermögensverwalter Arca?
Christian: Hat 48,5 Millionen Dollar unter Führung von General Catalyst eingesammelt. Agenten arbeiten dort an Aufgaben von bis zu zehn Tagen, ein eigenes Gedächtnissystem hält fest, was erledigt ist. Bei riskanten Entscheidungen entscheiden menschliche Berater. Probier das bis nächsten Samstag einmal bei dir aus: Schreib für eine deiner Aufgaben auf, welche Schritte du abgeben würdest und wo am Ende du selbst entscheiden müsstest.
Sarah: Wenn du selbst Agenten einführen willst, schau also zuerst, ob deine Abläufe und dein Wissen überhaupt so geordnet sind, dass eine Maschine darauf arbeiten kann.
Christian: Zur Gesamtfrage: Ein Agent Delegability Index, über den die FAZ berichtet, sieht gut ein Drittel der Arbeit zumindest teilweise delegierbar. Vollständig sind es nur 2,5 Prozent, und dabei liegt Deutschland in der EU vorn.
Sarah: Passt das zu den 60 Prozent von Legora?
Christian: Kaum, aber die Werte beantworten verschiedene Fragen. Der eine gilt einem Berufsfeld mit einem Produkt, der andere der Arbeit insgesamt. Im Alltag fühlen sich manche laut Deutschlandfunk überholt, andere entlastet. Die Professorin Yasmin Weiß spart nach eigener Angabe täglich drei Stunden und warnt, allein auf Effizienz zu setzen.
Sarah: Solange Erhebungen mit wechselnden Fragen neben Herstellerschätzungen stehen, bleibt der Stand schwer zu beziffern.
Christian: Jetzt die Zahl der Woche: 948. So viele Sicherheitslücken im Linux-Kernel soll ein autonomes System von OpenAI gefunden und geschlossen haben.
Sarah: Woher stammt die Zahl genau?
Christian: Latent Space beschreibt eine autonome Cyber-Pipeline, also eine Kette von Agenten, die Schwachstellen suchen, bewerten und beheben. Golem ist vorsichtiger: OpenAI wolle die Lücken gefunden haben, die Angaben stammten aus internen Tests. Gemeint sind Root-Lücken, über die Angreifer Administratorrechte erlangen könnten.
Sarah: Ist das nicht Haarspalterei? Behoben oder Patch entwickelt?
Christian: Nein, das ist ein echter Unterschied. Zwischen einem erzeugten Patch und einer Korrektur im veröffentlichten Kernel liegen Prüfung und Annahme durch die Entwickler. Ob das bei einem nennenswerten Teil der 948 geschehen ist, steht nirgends.
Sarah: Und wie viele Funde sind unabhängig bestätigt?
Christian: Unbekannt. Ebenso, wie viele wirklich ausnutzbar wären und ob Doppelungen darunter sind.
Sarah: Dann gab es noch den Fehler, der seit elf Jahren unentdeckt blieb. Gehört der zu den 948?
Christian: Das sagt das KI-Update von heise nicht. Dieser Fund erlaubt das Ausführen fremden Codes über das Netzwerk. Die 948 sagen etwas über Menge, der einzelne Fund etwas über Qualität. Man sollte die beiden Meldungen nicht zu einer Geschichte verschmelzen.
Sarah: Jeremy Koppen, Sicherheitschef bei Equifax, beschreibt laut Computerwoche beide Seiten: Angreifer nutzen KI für ausgefeiltere Angriffe in neuem Tempo, Verteidiger halten damit dagegen.
Christian: Sarah, daraus folgt eine eigene Überlegung. Die Fähigkeit, Root-Lücken zu finden, nützt der Verteidigung nur, solange die Funde geprüft und eingespielt werden. Dieselbe Fähigkeit wäre auf der Gegenseite genauso wertvoll.
Sarah: Wenn du selbst Systeme betreibst, zählt also weniger die Rekordzahl als die Frage, wer die Meldungen bewertet.
Christian: Belastbar ist bisher nur, dass OpenAI die Zahl behauptet und viele Medien sie verbreiten. Wenn Maschinen schneller melden, als Menschen bewerten können, verschiebt sich der Engpass.
Sarah: Letzter Block: KI in der Wissenschaft. Zuerst die Ernüchterung. Latent Space hat mit Fabian Theis von Helmholtz Munich gesprochen, einer zentralen Figur bei der Virtual Cell, digitalen Zellmodellen, die das Verhalten echter Zellen vorhersagen sollen.
Christian: Und die haben an Schwung verloren?
Sarah: Ja, weil viele Modelle nicht besser sind als eine Baseline, also eine simple Referenzvorhersage. Theis sieht die Ursache nicht im Rechenaufwand. Die Modellierung sei schwieriger als gedacht, und der Engpass liege bei den Daten. Die Biohub-Initiative will deshalb 1,8 Milliarden Dollar in neue Mess- und Bildgebungsverfahren stecken.
Christian: Ganz anders klingt der Bericht von The Decoder über Anthropic. Claude steckt in Medikamentenprojekten mehrerer Partner, vom Antikörperdesign bis zur Zulassung. Enveda gibt an, einen Entwurf für ein Zulassungsdokument in vier Stunden statt drei Monaten erstellt zu haben.
Sarah: Widerspricht das nicht Theis?
Christian: Nur scheinbar. Es ist eine Selbstauskunft, und es geht um Dokumentationsarbeit, nicht um die Vorhersage biologischer Wirkung. Ein Modell kann bei Textaufgaben viel Zeit sparen und trotzdem keine bessere Vorhersage liefern als eine einfache Baseline.
Sarah: Anthropic übernimmt ja auch Mithril Medicine, um eigene Wirkstoffe zu entwickeln. Gibt es schon klinische Studien?
Christian: Nein, die stehen laut Decoder noch aus.
Sarah: Ein dritter Fall liegt dazwischen: Das SETI Institute und Breakthrough Listen lassen am Allen Telescope Array KI-Agenten das Teleskop steuern. Aufgaben, die Wochen dauerten, sollen in Stunden erledigt sein.
Christian: Und was wurde konkret gezeigt?
Sarah: Das System hat einen Pulsar im Krebsnebel in Echtzeit erkannt. Das ist ein Funktionsnachweis. Über neue Funde oder den Vergleich mit dem bisherigen Verfahren steht nichts im Material.
Christian: Warum Vergleiche heikel sind, zeigt der Benchmark VIALS-AA von Artificial Analysis. Er prüft, wie gut Modelle wissenschaftliche Bilder auswerten. Den Bestwert holt Gemini 4 Carbon mit 64 Prozent.
Sarah: Wie groß ist der Kostenunterschied?
Christian: Enorm: 0,02 Dollar pro Aufgabe bei GPT-6 Luna, 1,77 Dollar bei Grok 4.7. Claude Sonnet 5.5 ruft deutlich mehr Werkzeuge auf als andere, intelligentere Modelle brauchen tendenziell weniger. Artificial Analysis betont die Konsistenz, weil wechselnde Antworten auf dieselbe Frage in der Forschung zu falschen Schlüssen führen. Teste das bis nächsten Sonntag selbst: Stell einem Modell deiner Wahl dieselbe Frage dreimal und schau, ob die Antworten übereinstimmen.
Sarah: Wo KI Abläufe verkürzt, lässt sich der Gewinn in Stunden und Dollar beziffern, meist aber nur durch Anbieter und Anwender selbst. Wo sie Wissen über die Natur liefern soll, entscheidet die Baseline, und die fällt oft ernüchternd aus.
Christian: Theis‘ Hinweis deutet an, dass die Messtechnik der Biologie mindestens so wichtig ist wie das Modell. Und was sollte man nächste Woche im Blick behalten?
Sarah: Am ehesten nachprüfbar wird Inkling 2 Small. Erscheinen die Gewichte nach den Sicherheitstests, lässt sich der Spitzenplatz unter den offenen Modellen außerhalb der Messung des Anbieters testen. Bei den 948 Kernel-Lücken zählt, ob unabhängige Bestätigungen oder angenommene Patches auftauchen.
Christian: Beim Weight-Space Programming kommt es darauf an, ob Replikationen sauberere Baselines mitbringen. Und ob die Märkte, die bei Google schon nervös reagierten, die Rechnung für die Rechenleistung weiter hinnehmen.
Sarah: Das war die KI-Woche. Wenn du nicht nur zuhören, sondern selbst bauen willst: Auf foundic.org stehen unter KI-Projekte Schritt-für-Schritt-Anleitungen – auch dazu, wie dieser Podcast gebaut ist.
Christian: Nächsten Samstag sind wir wieder da. Bis dahin.