Jonathan ist freier Technikjournalist, Sachbuchautor und Medientrainer. Er beschäftigt sich vor allem mit frei verfügbaren KI-Modellen, chinesischen KI-Laboren und den technischen Grundlagen dahinter – von neuen Trainingsverfahren über Skalierungsstrategien bis hin zu Benchmark-Design. Außerdem ist er passionierter Vibecoder.
Das chinesische Labor AllSpark hat mit Iris-mini und Iris-pro zwei Open-Source-Suchagenten veröffentlicht. Sie bauen auf Qwen-Modellen auf und sollen in ihrer jeweiligen Größenklasse führende Benchmark-Ergebnisse erzielen. Ein interessanter Nebeneffekt zeigte sich beim Training: Das Suchtraining verbesserte auch Fähigkeiten wie Werkzeugnutzung und Büroarbeit, obwohl die Modelle dafür nie gezielt trainiert wurden.
Ein Rechtswissenschaftler hat zwei Jahre lang untersucht, ob ein KI-Verbot, unbegleitete KI-Nutzung oder gezieltes Training Studierende besser abschneiden. Sein Ergebnis fiel eindeutig aus. Die Gruppe ohne KI landete stets auf dem letzten Platz. „Ich lag falsch“, räumt der Forscher ein. Er hatte erwartet, dass KI ohne Anleitung mehr schadet als nützt.
Google Research hat mit TimesFM-3 ein Prognosemodell vorgestellt, das Zeitreihen gemeinsam mit verwandten Daten und bekannten Zukunftsereignissen wie Rabattaktionen oder Wetterprognosen auswertet. Das Modell mit 330 Millionen Parametern füllt alle künftigen Zeitpunkte in einem einzigen Durchgang aus. Das spart Rechenzeit und macht Vorhersagen zuverlässiger.
Nvidia und Palantir wollen Lieferketten mit KI steuern. Erster Einsatzort ist Nvidias eigene Lieferkette mit Millionen Teilen, Tausenden Zulieferern und einem globalen Partnernetzwerk. Allein ein Vera-Rubin-Rack besteht laut Nvidia aus 1,3 Millionen Komponenten.
Palantir bindet dafür offene Nemotron-Modelle, die sich mit eigenen Betriebsdaten anpassen lassen, in seine Plattform Foundry ein. Nvidia cuOpt übernimmt Szenarioplanung und Optimierung. Das System soll Engpässe früher erkennen, Materialzuweisungen beschleunigen und Alternativen bewerten. Entscheidungen und ihre Ergebnisse fließen zurück in die Modelle. Unternehmen aus Fertigung, Pharma oder Energie können den Stack über die Referenz-Architektur Sovereign AI OS auf eigener Hardware oder in der Cloud betreiben. Als Infrastrukturpartner sind Dell, Cisco, Rackspace und Nebius beteiligt. Details zeigt Palantir auf der AIPCon 11.
Qualcomm entwickelt über mehrere Produktgenerationen hinweg maßgeschneiderte Chips für AWS, mit Fokus auf KI-Inferenz. Zusätzlich arbeiten beide Unternehmen an optischen Verbindungslösungen mit Bandbreiten von bis zu 1,6 Terabit, um den wachsenden Datenverkehr in KI-Infrastrukturen zu bewältigen. Qualcomm bringt dabei seine Erfahrung in energieeffizienter Chip-Entwicklung ein, Amazon seine Cloud-Infrastruktur. Im Gegenzug nutzt Qualcomm AWS-Dienste wie Amazon Bedrock, um das Chip-Design zu beschleunigen.
Amazon ist damit der dritte große Rechenzentrumskunde seit Juni. Meta nimmt den Serverprozessor Dragonfly C1000 ab, Microsoft setzt Qualcomms Speicherarchitektur HBC in Azure ein. Bis 2029 will der Konzern allein mit Rechenzentren 15 Milliarden Dollar umsetzen.
AWS ergänzt damit seine eigenen Chipfamilien Trainium, Graviton und Nitro um Fremddesigns für Inferenz, wo der Energieverbrauch pro Token die Kosten bestimmt. Effizienz treibt Qualcomm auch am anderen Ende der Kette und kümmert sich vor allem um Edge-Geräte: Qualcomms KI-Forschungsabteilung stellte im März beispielsweise ein Framework vor, das Reasoning-Modelle auf Smartphones lauffähig macht.
Hugging Face hat für seinen Chatbot den "ML Intern" vorgestellt, einen KI-Assistenten, der Machine-Learning-Experimente ohne Expertenwissen ermöglichen soll. Nutzer starten mit einem Gespräch über ihre Idee. Der Assistent recherchiert dann auf dem Hugging Face Hub, GitHub und im Web, um passende Modelle, Datensätze und Werkzeuge zu finden. Vor dem Start schätzt ML Intern die nötigen Rechenkosten und schlägt ein Budget vor, das nach Freigabe nicht überschritten werden soll.
Danach kann das System eigenständig Datensätze erstellen, Modelle trainieren, laufende Jobs überwachen, Ergebnisse auf den Hub laden, Berichte schreiben und Demos bauen. Jeder Trainingslauf erhält ein Dashboard zur Fortschrittskontrolle. Ein Beispiel aus dem Demovideo lief laut Hugging Face vollständig in rund sechs Stunden und kostete weniger als 0,50 US-Dollar.
Während die Plattform damit die Einstiegshürde für neue Machine-Learning-Projekte senkt, steckt sie mitten in einer Übernahme durch Nvidia. CEO Jensen Huang versprach, sie offen und hardware-neutral zu halten.
