Dreht sich noch jemandem der Kopf, wenn er versucht, die KI-Branche derzeit zu verstehen? In der KI-Branche gibt es einige zentrale „Tauziehen“, die man benennen sollte.
Die Widersprüche der KI verstehen
Als Erstes: Treibt KI die Wirtschaft an und würgt gleichzeitig den Arbeitsmarkt ab, indem sie die Zahl der Neueinstellungen senkt? Oder ist sie unproduktiv und bringt keinen messbaren ROI? Beides kann zutreffen und schließt sich nicht gegenseitig aus.
- Das optimistische Szenario für die KI-Einführung: Derek Thompsons Analyse und Interview mit Forschern der Stanford University zeigen, dass aktuelle Arbeitsmarktdaten darauf hindeuten, dass der Einfluss von KI auf Einstellungen „plausiblerweise“ ein bedeutender Faktor ist.
- Das pessimistische Szenario für die KI-Einführung: Mike Judges Einschätzung, dass KI selbst dort, wo sie am stärksten eingesetzt wird (in der Softwareentwicklung), unsere Produktivität tatsächlich nicht steigert. Er verweist auf den Mangel an „Shovelware“ – minderwertiger, aber einfach schnell herauszubringender Software.
KI-Labore uneins über Chip-Strategie
Ein weiterer Riss verläuft bei der Hardware: auf Nvidia setzen oder nicht?
- OpenAI wird voraussichtlich mit der Massenproduktion eigener KI-Chips mit Broadcom in einem Deal über 10 Milliarden US-Dollar beginnen.
- Google ist dazu übergegangen, seine Chips nicht mehr ausschließlich für das interne Training zu verwenden, sondern sie auch an andere Cloud-Anbieter zu verkaufen.
- Amazon verlangt von Anthropic, das kürzlich 13 Milliarden US-Dollar aufgenommen hat, neue Claude-Modelle auf seinen Trainium-Chips zu trainieren. SemiAnalysis hat außerdem eine ausführliche Analyse des Deals.
veröffentlicht. Diese Schritte dürften die Abhängigkeit von Nvidia verringern. Die Chips des Unternehmens bleiben teuer, und seine Marktkapitalisierung von 4,6 Billionen US-Dollar ließ den Aktienkurs nach den Neuigkeiten über OpenAI und Broadcom sinken.
Die Debatte über Evaluierungen
Der jüngste Riss: Evaluierungen einsetzen oder nicht?
KI-„Evaluierungen“ sind Mechanismen zur Qualitätskontrolle, die sicherstellen, dass KI-Systeme korrekt und fair funktionieren, bevor sie reale Entscheidungen wie Bewerbungen, medizinische Diagnosen oder Kreditbewilligungen beeinflussen. „Evaluierungen“ sind vergleichbar mit Sicherheitstests für Autos oder Restaurantinspektionen.
Die KI-Branche ist ziemlich gespalten in der Frage, ob diese Evaluierungen tatsächlich wichtig sind.
- Swyx hat die Debatte in einem einzigen Tweet gut zusammengefasst, in dem er darauf hinweist, dass große Labore anhand von „Bauchgefühl“ und nicht durch strenge Tests evaluieren, während Julia Neagu tief in das Thema eingestiegen ist, wenn man tatsächlich erwägt, mit KI zu entwickeln.
- Das ist wichtig, denn heutzutage versucht jeder, etwas hochzuziehen, das als „RL-Umgebungen“ bezeichnet wird – Orte, an denen KI herumlaufen und durch bestärkendes Lernen Dinge lernen kann, wie etwa bei Prime Intellect / Mechanize.
Shreya Shankar hat diesen großartigen Beitrag zur Verteidigung von Evaluierungen geschrieben, in dem sie argumentiert, dass Teams, die behaupten, keine systematische Evaluierung zu benötigen, dies meist bereits durch Dogfooding und Fehleranalysen tun – sie nennen es nur nicht „Evaluierungen“ – und dass die Ablehnung formaler Evaluierungs-Frameworks insbesondere neuen KI-Entwicklern schadet, denen die Fachkenntnisse fehlen, um sich allein auf ihre Intuition zu verlassen.
Allie K. Miller legte ebenfalls eine Erwiderung zugunsten von Evaluierungen vor und erläuterte 6 Gründe, warum man Evaluierungen wirklich braucht: Ist diese KI gut genug, um Menschen bei ihrer Arbeit zu unterstützen und/oder sie zu ersetzen? Schafft sie geschäftlichen Mehrwert? Hilft sie uns, den Hype zu überwinden? Kann die KI ein Ziel tatsächlich erreichen? Und verbessern die KI-Labore ihre KI tatsächlich weiter oder ändern sie nur Dinge?.
Open Source vs. Closed Source
Dann gibt es noch die uralte – nun ja, jedenfalls in KI-Jahren – philosophische Spaltung: Open Source oder nicht?
Während amerikanische KI-Labore ihre Spitzenmodelle stärker als Fort Knox abschotten, haben chinesische Unternehmen an einem einzigen Wochenende zwei einzigartige Modelle mit Billionen Parametern veröffentlicht (also Billionen von Zahlen, die die Antworten der KI bestimmen!):
- Alibaba Qwen3-Max-Preview
- von Moonshot: Kimi K2-Instruct
Beide beanspruchen deutliche Leistungssteigerungen (hier mehr darüber lesen).
Was ist da los?? Kurz gesagt: Chinesische Labore scheinen schnell voranzugehen und dabei Dinge kaputtzumachen, während US-Labore langsamer vorangehen und Dinge reparieren (wie GPT-5).
Google DeepMind, bitte melden … wir brauchen Gemini 3 Pro, und zwar pronto! Wir brauchen ein Äquivalent zum Bat-Signal für Logan Kilpatrick und Demis Hassabis … vielleicht eine riesige (Nano-)Banane??
Das neue Qwen Max ist derzeit allerdings hinter seiner API geschlossen … das erste nicht offene Modell des Unternehmens (jedenfalls soweit wir wissen).
Wie das Sprichwort sagt: Open Source, wenn man zurückliegt, Closed Source, wenn man vorne liegt.
Sind chinesische Labore also zuversichtlich, gegenüber ihren US-amerikanischen Konkurrenten aufzuholen? Oder ist das einfach die Realität, wenn man etwas so Großes freisetzt: Man muss es irgendwie tatsächlich zu Geld machen??
Unsere Einschätzung
Das sind wahrscheinlich alles Anzeichen für ein gesundes und wachsendes Ökosystem. Es gibt viele Debatten, viele Chancen und noch viel zu lernen. Wie Mike Knoop von ARC-AGI sagt, gab es bei Sprachmodellen bislang eigentlich nur zwei große Durchbrüche: die ursprüngliche Entdeckung des Transformers (die Technologie hinter ChatGPT) und das Schlussfolgern in Gedankenkette (der „Denk“-Modus). Übersetzung? Wir stehen noch ganz am Anfang, Leute.
Anmerkung der Redaktion: Dieser Inhalt erschien ursprünglich in unserer Schwesterpublikation The Neuron. Um mehr von The Neuron zu lesen, hier für den Newsletter anmelden.