Kategorie: KI-News

Du betreibst eine erfolgreiche Bäckerei. Dein Mehl beziehst du von einer bestimmten Mühle – sie liefert zuverlässig, die Qualität stimmt. Die Regierung verhängt ein Embargo: Diese Mühle darf dir kein Mehl mehr verkaufen. Du musst auf eine andere Mühle ausweichen, die teurer ist und nicht die gleiche Feinheit bietet. Was tust du? Du könntest anfangen, dein eigenes Getreide anzubauen und selbst zu mahlen. Genau das tut DeepSeek, das chinesische Startup hinter großen Sprachmodellen, die mit denen von OpenAI und Anthropic mithalten können. Das Unternehmen plant, eigene Chips für Rechenzentren zu entwickeln – konkret für den Inferenz-Betrieb, also das Ausführen von KI-Modellen, nicht für deren Training.

Der Auslöser: Die US-Regierung hat Exportkontrollen für Hochleistungschips wie Nvidias Spitzenmodelle verhängt. Nvidia ist weltweit der dominierende Anbieter von KI-Beschleunigern. In China kommt das Unternehmen kaum noch zum Zug. Huawei hat dort rund die Hälfte des Marktes für Data-Center-Chips übernommen – eine Abhängigkeit, die DeepSeek offenbar als strategisches Risiko betrachtet. Laut einem Bericht von Reuters, der sich auf drei mit der Sache vertraute Personen stützt, arbeitet DeepSeek seit etwa einem Jahr an dem Einstieg ins Chipgeschäft. Das Unternehmen habe Gespräche mit potenziellen Partnern aus der Hardware- und Halbleiterbranche geführt und stelle Ingenieure für das Projekt ein.

Warum Inferenz und nicht Training? Training eines großen Modells bedeutet, es mit Unmengen an Daten zu füttern und die Gewichte des neuronalen Netzes über Wochen oder Monate zu optimieren. Das erfordert enorme Rechenleistung und spezielle Architekturen, die auf parallele Matrixmultiplikation ausgelegt sind. Nvidias H100 und Blackwell sind hier unschlagbar. Inferenz hingegen ist der Moment, in dem das trainierte Modell in der Praxis eingesetzt wird: Es beantwortet Fragen, erzeugt Texte oder analysiert Bilder. Das ist rechenintensiv, aber anders skaliert. Man braucht viele Chips, die gleichzeitig und mit geringer Latenz arbeiten. Genau hier setzt DeepSeek an: eigene Chips für den Massenbetrieb der Modelle zu entwickeln, um nicht von Nvidia oder Huawei abhängig zu sein und gleichzeitig die Kosten zu senken.

DeepSeek steht mit diesem Schritt nicht allein. Auch US-amerikanische KI-Unternehmen verfolgen ähnliche Strategien. OpenAI hat vor wenigen Wochen gemeinsam mit Broadcom den Chip „Jalapeño“ vorgestellt – den ersten eigenen Inferenz-Beschleuniger, der für den skalierbaren Betrieb konzipiert ist. Anthropic forscht ebenfalls an eigener Chip-Hardware, auch wenn es noch keine öffentlichen Meilensteine gibt. Der Trend zur vertikalen Integration ist kein rein chinesisches Phänomen. Er zeigt: Wer im KI-Wettlauf vorne sein will, muss nicht nur die Software beherrschen, sondern auch die darunterliegende Hardware selbst kontrollieren – Stichwort „Apple-like control over the entire tech stack“.

Datenzentren-Kapazitäten sind knapp und begehrt. Die großen Hyperscaler wie Microsoft, Amazon und Google bauen massiv aus, aber die Nachfrage wächst noch schneller. Wer eigene Chips entwirft, kann die Kostenstruktur optimieren und sich langfristige Rechenkapazitäten sichern. DeepSeeks Schritt ist nicht nur eine Reaktion auf US-Sanktionen, sondern auch eine strategische Investition in die eigene Zukunft. Das Unternehmen will nicht nur gute Modelle bauen, sondern die gesamte Wertschöpfungskette vom Silizium bis zur Anwendung kontrollieren – zumindest in dem Bereich, der für den operativen Betrieb entscheidend ist.

Chip-Design ist kein Sprint, sondern ein Marathon. Selbst wenn DeepSeek jetzt Partner und Ingenieure gefunden hat, wird es Jahre dauern, bis eigene Chips in relevanten Stückzahlen in den Rechenzentren stehen. Die Entwicklung eines modernen Beschleunigers erfordert Hunderte Millionen Dollar, Spezialwissen in Halbleiterphysik, Architekturdesign und Fertigung. Die Fertigung selbst ist ein Problem: Die fortschrittlichsten Verfahren (7 nm und darunter) sind in China nur begrenzt verfügbar. DeepSeek wird wohl auf SMIC oder andere chinesische Foundries angewiesen sein, was die Leistungsfähigkeit der Chips begrenzen könnte. Erwarten Sie nicht, dass DeepSeek morgen mit einem Nvidia-Konkurrenten auf den Markt kommt.

Für uns als Beobachter der KI-Szene markiert dieser Schritt eine neue Phase der geopolitischen Technologie-Rivalität. Es geht nicht mehr nur um Software, Modelle oder Cloud-Dienste. Die Hardware wird zum strategischen Gut, das nationale Grenzen zieht. Unternehmen wie DeepSeek zwingen uns, den Begriff der technologischen Souveränität neu zu denken. Für Entwickler und Unternehmen, die KI einsetzen: Die Landschaft wird fragmentierter. Modelle, die auf Nvidia-Chips optimiert sind, laufen vielleicht nicht effizient auf DeepSeeks eigener Hardware. Standardisierung wird schwieriger, Custom-Lösungen werden wichtiger. Für uns als Nutzer von KI-Diensten könnten die Kosten für Inferenz langfristig sinken, weil mehr Wettbewerb herrscht. Gleichzeitig steigt die Komplexität – und die Abhängigkeit von politischen Entscheidungen, die außerhalb unserer Kontrolle liegen. DeepSeeks Vorstoß zeigt: Die Zukunft der KI wird nicht nur in Rechenzentren entschieden, sondern auch in den Reinräumen der Halbleiterfabriken.

Quelle: arstechnica.com

Ein altes, zerkratztes Foto deiner Großmutter. Verblasste Farben, Risse, unscharfe Gesichter. Du möchtest es restaurieren, hast aber keine Ahnung von Bildbearbeitung. Oder du willst ein Porträt von dir im Stil eines Renaissance-Gemäldes – mit Samtumhang und goldenem Rahmen. Bisher war das aufwändige Handarbeit oder das Werk spezialisierter KI-Tools, die dich kaum kannten.

Metas neueste Ankündigung: Das Unternehmen hat Muse Image vorgestellt, ein KI-Modell zur Bilderzeugung. Statt generischer Text-zu-Bild-Generatoren soll diese KI Bilder erzeugen, die zu deiner Welt passen – zu deinen Fotos, deinem Stil, deinen Erinnerungen. Wie ein persönlicher Künstler-Assistent, der deine Sammlung kennt.

Was macht Muse Image anders?

Bisherige Bild-KIs wie DALL-E, Midjourney oder Stable Diffusion arbeiten mit einem Prompt – einer Textbeschreibung – und generieren ein Bild, das oft beeindruckend, aber selten persönlich ist. Muse Image kann auf deine individuellen Daten zugreifen – zum Beispiel auf Fotos von dir, deinen Freunden oder deinem Zuhause. Das Modell versteht den Kontext. Du lädst ein Selfie hoch und schreibst „Mach daraus einen Claymation-Stil“. Die KI erzeugt eine Figur aus Knetmasse mit deinen Gesichtszügen. Oder du fotografierst dein Wohnzimmer und sagst „Restyliere es im Japandi-Stil“. Das Ergebnis: ein stimmiges Interior-Design, das auf deinem tatsächlichen Raum basiert.

Wie funktioniert die Technik dahinter?

Meta nutzt eine Weiterentwicklung seines Bild-Transformers. Das ursprüngliche Muse setzte auf effiziente Text-zu-Bild-Generierung, jetzt geht es um personalisierte Bildsynthese. Die KI lernt aus den bereitgestellten Bildern einer Person und kann neue Bilder erzeugen, die das Aussehen oder den Stil dieser Person konsistent beibehalten. Die Beispiele zeigen eine Bandbreite: Restauration alter Fotos, stilisierte Porträts, kreative Szenarien. Die KI kann sogar aus einem Foto einen Produkt-Shot machen oder eine Dog-Version von dir generieren.

Der persönliche Aspekt: Bildgenerierung als Dienstleistung

Die Integration in Metas Ökosystem macht es besonders. Du kannst die Funktion vermutlich in Facebook Messenger, WhatsApp oder Instagram nutzen. Statt nur Text zu chatten, schickst du ein Bild deines Schreibtischs und bittest die KI, es in ein Aquarium zu verwandeln. Oder du kreierst personalisierte Sticker, die dich im Cartoon-Stil zeigen. Hobby-Innenarchitekten können Räume visualisieren, Eltern Fantasy-Porträts ihrer Kinder erstellen, Kleinunternehmer Produktbilder generieren. Die Restauration alter Familienfotos wird einfach.

Wo liegen die Grenzen?

Muse Image ist fehleranfällig. Wie alle KI-Modelle basiert es auf Wahrscheinlichkeiten. Bei komplexen Szenen mit mehreren Personen kann die Konsistenz leiden. Personalisierung benötigt Zugriff auf deine Daten. Meta betont Datenschutz und lokale Verarbeitung, aber bei cloudbasierten Diensten bleiben Fragen. Die Qualität hängt von den Referenzbildern ab. Manche Ergebnisse wirken noch künstlich, vor allem bei starken Stilwechseln. Der 16-Bit-Game-Charakter sieht aus wie eine lieblose Pixel-Übersetzung.

Was bedeutet das konkret?

Muse Image ist ein Schritt in Richtung personalisierte KI. Du kannst personalisierte Einladungen erstellen oder Memes basierend auf Instagram-Feeds. Die Barriere zwischen Vorstellungskraft und fertigem Bild sinkt. Meta wird sie in seine Apps integrieren, sodass Millionen Nutzer sie ohne Vorkenntnisse nutzen können. Wer seine Privatsphäre schützen will, sollte genau abwägen, welche Bilder er teilt. Kreativ ist das Feld noch offen. Muse Image ist kein Ersatz für menschliche Künstler, sondern ein Werkzeug. Wie die Fotografie die Malerei nicht verdrängte, sondern neue Ausdrucksformen ermöglichte, wird auch diese KI neue Nischen schaffen. Vielleicht entstehen Berufe wie „KI-Bild-Prompt-Designer“. Bis dahin können wir experimentieren und aus einem alten Foto ein Renaissance-Porträt machen – mit einem Satz als Befehl.

Quelle: about.fb.com

Ein KI-Modell bekommt eine knifflige Matheaufgabe. Es denkt nach, schreibt „Moment, lass mich nochmal nachdenken“ – und wiederholt diesen Satz. Und noch einmal. Bis der gesamte Textplatz mit dieser Zeile gefüllt ist. Forscher nennen das einen „Doom Loop“. Das Phänomen tritt vor allem bei kleineren Reasoning-Modellen auf, wenn sie an schwierigen Problemen arbeiten. Bisher halfen nur einfache Wiederholungsstrafen im Hintergrund. Das Team um Sam Paech von Liquid AI entwickelte eine präzisere Methode: Antidoom. Sie kombiniert eine Erkennung der Problemstelle mit einem speziell angepassten Training, das nur einen einzigen Token im Wörterbuch korrigiert. Die Schleifen werden drastisch reduziert, die Leistung verbessert sich.

Doom Loops entstehen durch drei ineinandergreifende Mechanismen. Erstens: Die ungleiche Verteilung von Wahrscheinlichkeiten im Vokabular. Manche Wörter – „overtrained tokens“ – sind durch das Training mit synthetischen Daten besonders wahrscheinlich geworden. Bei Reasoning-Modellen sind das oft Diskursmarker wie „Wait“ oder „Alternatively“. Sie sind nützlich, um Strategiewechsel anzuzeigen. Wenn das Modell unsicher ist, werden diese Tokens zu Ausweichrouten. Sie starten immer wieder dasselbe Denkmuster neu.

Zweitens: Eine sich selbst verstärkende Rückkopplung. Sobald ein Token wie „Wait“ auftaucht, steigt die Wahrscheinlichkeit für genau dieses Token weiter. Jede Wiederholung treibt die Wahrscheinlichkeit in Richtung 1. Forscher um Zenghao Duan zeigten, dass dabei ein V-förmiges Aufmerksamkeitsmuster entsteht: Die semantische Wiederholung – das Feststecken auf einer Idee – geht der textuellen Wiederholung voraus. Drittens: Greedy-Sampling. Reasoning-Modelle laufen oft bei sehr niedrigen Temperaturen, um stabile Ergebnisse zu liefern. Bei Temperatur 0 wird immer der wahrscheinlichste Token gewählt. Hat sich eine Schleife erst etabliert, gibt es keinen Ausweg. Selbst bei höheren Temperaturen bleibt die Wahrscheinlichkeit für den Schleifen-Token so dominant, dass Sampling kaum hilft. Die Forscher fanden signifikante Schleifen selbst bei Temperatur 0,67.

Das Antidoom-Team ging das Problem systematisch an. Sie generierten eine große Menge von Antworten auf einen speziell entwickelten Mix aus anspruchsvollen Prompt-Aufgaben (LiquidAI/antidoom-mix-v1.0) bei niedriger Temperatur. Dann suchten sie nach Mustern, die mindestens viermal hintereinander über 60 Zeichen wiederholt wurden. Diese Kriterien vermeiden falsche Alarme und übersehene Fälle. Für jede gefundene Schleife identifizierten sie den ersten Token der ersten Wiederholung. An dieser Position griffen sie auf die Log-Wahrscheinlichkeiten des Basis-Modells zu, sammelten die Top-Alternativen und filterten kurze oder nicht-alphanumerische Rauscher heraus. Übrig blieben bis zu 20 plausible Ersatztoken, die als „chosen tokens“ in das Training einflossen. Jeder Trainingsdatensatz bestand aus einem Prompt-Präfix, einem abgelehnten Token (dem Beginn der Schleife) und einem oder mehreren gewählten Alternativ-Token.

Die Forscher regularisierten die Verteilungen vor dem Training. Einige häufige Schleifen-Übeltäter wie „Wait“, „So“ oder „the“ würden sonst übermäßig unterdrückt und die Reasoning-Fähigkeiten beschädigen. Die Trainingsmethode heißt „Final Token Preference Optimization“ (FTPO), eine Weiterentwicklung von Direct Preference Optimization (DPO). FTPO nimmt nur gezielte Veränderungen an wenigen Token der Verteilung vor. Es unterscheidet sich von DPO in vier Punkten: Erstens wird nur der letzte Token einer Sequenz trainiert, die sich mitten in der Generierung befindet. Zweitens erlaubt es mehrere gewählte Token pro Probe, sodass die Wahrscheinlichkeit auf eine Gruppe von Alternativen verteilt wird. Drittens verwendet es einen KL-ähnlichen Verlust, der direkt im Logit-Raum arbeitet und Gradientendruck auf nicht betroffene Token vermeidet. Viertens gibt es eine zweiteilige Regularisierung: Die Logits der trainierten Token dürfen sich stärker vom Referenzmodell entfernen, während der Rest des Vokabulars stärker eingeschränkt bleibt. Das verbessert die Lernbarkeit, ohne die Gesamtverteilung zu stören.

In der Praxis wird Antidoom in der Regel für eine Epoche mit LoRA trainiert – das passt nur wenige zusätzliche Parameter an. Hohe LoRA-Ränge (128 bis 256) liefern die besten Ergebnisse: mehr Lernfähigkeit bei weniger Verschlechterung. Die Forscher trainierten auf allen Aufmerksamkeits- und MLP-Projektionen sowie auf dem Sprachkopf. Die optimalen Lernraten lagen zwischen 4e-6 und 2e-5. Übermäßiges Training schadet. Daher brachen sie das Training frühzeitig ab, sobald ein bestimmtes Maß erreicht war (chosen_win=0,35). Die Doom-Loop-Rate sank von 20–30 % auf 1–2 % bei minimalen Nebenwirkungen. Längeres Training riskierte neue Schleifen an anderen Stellen im Vokabular.

Die Ergebnisse: Bei einem frühen Checkpoint von LFM2.5-2.6B – einem Reasoning-Modell mit 2,6 Milliarden Parametern – fiel die Doom-Loop-Rate von 10,2 % auf 1,4 %. Die Bewertungsergebnisse in Mathematik und Programmierung verbesserten sich durchweg, allein durch die Beseitigung der Schleifen. Das Modell lernte nichts Neues über die Aufgaben; es konnte endlich abrufen, was es schon wusste. Bei Qwen3.5-4B (4 Milliarden Parameter) sank die Doom-Loop-Rate von 22,9 % auf 1 % unter Greedy-Sampling, auch hier stiegen die Evaluierungswerte. Ein Nebeneffekt: Nach dem Antidoom-Training schnitten die Modelle bei niedrigen Temperaturen besser ab, während die Leistung bei Temperatur 1 leicht abfiel. Das widerlegt die Annahme, dass höhere Temperaturen für Reasoning-Modelle grundsätzlich besser seien. Vermutlich hatten die Doom Loops bei niedrigen Temperaturen die Ergebnisse verfälscht.

In der Praxis kann Antidoom in mehreren Runden angewendet werden. Nach der ersten Runde sinkt die Zahl der Schleifen drastisch, aber es können neue Problemstellen auftauchen. Eine zweite Runde zielt auf diese neuen Fehler. Die Forscher räumen ein, dass Overfitting eine Gefahr ist und das Training sorgfältig überwacht werden muss. Die Methode ist effizient: Die Erstellung des Trainingsdatensatzes für ein Modell wie LFM2.5-2.6B dauert etwa eine Stunde auf 8 GPUs, das eigentliche Training eine bis zwei Stunden auf einer einzigen GPU. Der gesamte Code ist auf GitHub verfügbar.

Wenn du ein Reasoning-Modell genutzt hast, das sich in sinnlosen Wiederholungen verfing, weißt du, wie das ist. Antidoom ist kein Allheilmittel, aber es zeigt, dass man mit einem präzisen Skalpell arbeiten kann. Statt die gesamte Wahrscheinlichkeitsverteilung zu bestrafen, greift es genau an der Stelle ein, die das Problem verursacht. Das verbessert die Effizienz von KI-Modellen, ohne ihre Kreativität zu ersticken. Ob diese Methode auf andere Degenerationsformen übertragbar ist oder den Anfang einer Familie von Reparaturverfahren darstellt, bleibt abzuwarten.

Quelle: liquid.ai

Du baust einen KI-Agenten, der nicht nur auf Anfragen wartet, sondern eigenständig im Hintergrund arbeitet – etwa um eine große Datenbank zu durchforsten, während du die nächste Aufgabe startest. Oder dein Agent soll auf interne Firmen-APIs zugreifen, ohne dass du jedes Mal eine Proxy-Schicht programmieren musst. Googles neueste Erweiterung der Managed Agents in der Gemini API macht das möglich. Mit Background Execution, Remote MCP Server Integration, Custom Function Calling und Credential Refresh werden die Agenten zu asynchronen Workern, die du in deine Produktionsumgebung integrieren kannst.

Managed Agents sind ein persönlicher Assistent in einem abgeschotteten Cloud-Sandkasten. Du rufst eine einzige API auf, und Gemini übernimmt Reasoning, Codeausführung, Paketinstallation, Dateiverwaltung und Webabfragen – alles isoliert. Bisher arbeitete der Assistent nur, solange die Verbindung bestand. Die neuen Features lassen ihn auch nach Verbindungsabbruch weiterarbeiten, mit externen Werkzeugen kommunizieren und abgelaufene Zugangsschlüssel selbst erneuern.

Hintergrundausführung: Der Agent arbeitet auch ohne dich

Ein klassisches Problem bei langlaufenden Aufgaben sind instabile HTTP-Verbindungen. Hältst du die Verbindung offen, während der Agent eine Stunde eine Datenbank abfragt, drohen Timeouts. Mit der Background Execution änderst du das grundlegend. Du übergibst das Flag background: true, die API startet die Interaktion asynchron. Die Antwort kommt sofort – eine eindeutige ID. Damit fragst du später den Status ab, streamst Fortschritte oder nimmst die Verbindung wieder auf. Keine blockierenden Requests mehr, weniger Fehleranfälligkeit. Der Agent läuft nebenher, während deine App andere Dinge erledigt.

Die API gibt sofort eine Interaktions-ID zurück. Dein Client nutzt sie für regelmäßiges Polling oder abonniert einen Streaming-Endpunkt. Bricht die Verbindung ab, fragst du später mit derselben ID den aktuellen Stand ab und holst die Ergebnisse. Das ist nützlich für Datenanalyse, Batch-Verarbeitung oder das Durchsuchen großer Dokumentenbestände. Du musst nicht auf den Abschluss warten – der Agent arbeitet zuverlässig im Hintergrund.

Remote-MCP-Server: Der Agent holt sich selbst, was er braucht

Der Zugriff auf private Datenquellen war bisher umständlich. Du musstest Middleware oder Proxy-Server schreiben, um deinem Agenten Zugang zu internen APIs, Datenbanken oder Legacy-Systemen zu geben. Jetzt integrierst du sie direkt über das Model Context Protocol (MCP), einen offenen Standard für externe Tools und Ressourcen. Du verbindest deinen Managed Agent mit einem Remote-MCP-Server, ohne Proxy-Code.

Dein Unternehmen betreibt ein CRM-System mit einer REST-API. Statt einen eigenen Adapter zu bauen, definierst du einen MCP-Server, der die CRM-Daten abstrahiert. Dein Gemini-Agent ruft dann mcp_server als Tool auf – zusammen mit anderen Sandbox-Funktionen wie Google-Suche oder Codeausführung. Der Agent entscheidet selbst, welche Daten er benötigt, und holt sie sich aus deiner geschützten Umgebung. Du kombinierst mehrere MCP-Server, legst Authentifizierungsregeln fest und stellst sicher, dass nur autorisierte Daten fließen. Das ergibt einen einheitlichen Zugang zu allen Quellen, ohne Netzwerkkomplexität.

Die Integration erfolgt zur Laufzeit: Du übergibst die Konfiguration des MCP-Servers zusammen mit den anderen Tools. Der Agent kommuniziert aus seinem sicheren Sandkasten mit deinem internen Dienst. Befolge Best Practices: kurze Token-Laufzeiten, begrenzte Rechte des MCP-Servers, Zugriffe überwachen. So bleibt dein System sicher.

Benutzerdefinierte Funktionen: Lokale Logik im Sandwich

Nicht jeder Schritt soll im Cloud-Sandkasten stattfinden. Manche Aktionen sind besser auf dem Client ausgeführt – etwa lokale Dateien schreiben, Hardware-Aktionen auslösen oder mit lokalen Diensten interagieren. Custom Function Calling erlaubt dir, eigene Tools zu definieren, die lokal laufen, und sie mit den eingebauten Sandbox-Funktionen zu kombinieren.

Die API gleicht intelligent ab: Eingebaute Tools wie Datenbankabfragen oder Webzugriffe werden automatisch im Server ausgeführt. Sobald der Agent auf eine benutzerdefinierte Funktion stößt, wechselt die Interaktion in den Status requires_action. Dein Client erhält die Aufforderung, die Funktion auszuführen, und schickt das Ergebnis zurück. Ein Sandwich: Der Server bereitet den Rahmen vor, der Client fügt die lokale Zutat hinzu, der Server backt fertig. Du behältst die Kontrolle über sensible oder lokale Operationen.

Ein Beispiel: Dein Agent soll eine Bestellung auslösen. Die Prüfung der Kundendaten übernimmt der Cloud-Sandkasten (zentrale Datenbank). Der finale Bestellvorgang läuft über eine lokale API auf deinem Firmenrechner. Der Agent ruft die benutzerdefinierte Funktion auf, deine lokale Anwendung führt sie aus, das Ergebnis fließt zurück. So kombinierst du beide Welten ohne Sicherheitslücken.

Netzwerk-Credentials automatisch erneuern: Der Agent vergisst den Schlüssel nicht

Access Tokens laufen ab. Du gibst deinem Agenten einen gültigen Schlüssel mit, nach einer Stunde ist er ungültig. Bisher musstest du die Interaktion abbrechen, den Schlüssel erneuern und neu starten. Die Credential Refresh Funktion löst das elegant.

Du übergibst einer laufenden Interaktion eine neue Netzwerkkonfiguration, indem du die vorhandene environment_id mit frischen Credentials kombinierst. Die neuen Regeln ersetzen die alten sofort – der Sandkasten behält seinen gesamten Zustand: Dateisystem, installierte Pakete, geklonte Repositories. Alles bleibt erhalten. Der Agent wechselt den Schlüssel und macht weiter, ohne einen Schritt zu verlieren.

Diese Funktion ist wertvoll für langlebige Agenten, die über Stunden oder Tage laufen. Ein Monitoring-Agent ruft regelmäßig Daten aus einer externen API ab. Seine Credentials laufen ab. Dank Credential Refresh gibst du ihm eine neue Konfiguration mit, und er setzt seine Arbeit nahtlos fort. Du musst keine Sessions verwalten oder Workflows unterbrechen.

Was bedeutet das für Entwickler?

Diese vier Erweiterungen – Background Execution, Remote-MCP, Custom Functions und Credential Refresh – machen Managed Agents zu einem Werkzeug für die Produktion. Du baust keine Prototypen mehr, die nur unter Idealbedingungen funktionieren. Du erhältst einen zuverlässigen, asynchronen Worker, der sich in deine bestehende Infrastruktur einfügt. Die API übernimmt die komplexe Orchestrierung: Timeouts, konsistenter Zustand, Kontrolle über kritische Schritte lokal.

Wenn du die Gemini Interactions API noch nicht kennst, ist jetzt ein guter Zeitpunkt, dich damit zu beschäftigen. Die neuen Features adressieren direkte Rückmeldungen von Entwicklern. Du musst kein KI-Experte sein – mit wenigen Zeilen Code startest du einen leistungsfähigen Agenten. Die Dokumentation bietet ausführliche Guides zu Background Execution, MCP-Integration und mehr.

KI-Agenten sollen nicht nur in kontrollierten Demos glänzen, sondern im rauen Alltag der Softwareentwicklung bestehen. Mit diesen Neuerungen macht Google einen Schritt in Richtung Alltagstauglichkeit. Du musst keine Kompromisse zwischen Einfachheit und Leistungsfähigkeit machen – der Agent arbeitet im Hintergrund und Vordergrund, nutzt deine vorhandenen Systeme und erneuert seine Schlüssel. Das ist der Unterschied zwischen einem Spielzeug und einem Werkzeug. Hier fängt das Bauen ernsthafter KI-gestützter Anwendungen an.

Quelle: blog.google

Ein großes Grundstück mit direktem Netzanschluss, genug Kapazität für eine Kleinstadt. Ein Unternehmen wie Anthropic sucht dringend einen Serverstandort. Man einigt sich auf einen 20-Jahres-Mietvertrag. Gesamtwert: rund 19 Milliarden Dollar. Genau das ist dem Digital-Infrastruktur-Unternehmen TeraWulf passiert.

Die Aktie von TeraWulf (NASDAQ:WULF) stieg am Montag um 13 Prozent. Grund: langfristige Vermietung von Rechenzentrumskapazitäten an Anthropic, ein KI-Forschungsunternehmen, bekannt für das Sprachmodell Claude. Der Deal umfasst den Justified Data Campus in Hawesville, Kentucky. Auf einer Fläche von etwa 401 Megawatt kritischer IT-Last finden Server und Kühlsysteme Platz – eine Größenordnung, die selbst für große Cloud-Anbieter ungewöhnlich ist.

Ein durchschnittliches großes Rechenzentrum hat 50 bis 100 Megawatt. Mit 401 Megawatt ist der Campus fast so groß wie vier Industrieanlagen. Der Bau erfolgt in Phasen. Die erste Kapazität geht in der zweiten Jahreshälfte 2027 ans Netz, vollständige Fertigstellung Anfang 2028. Der Mietvertrag ist investment-grade, die Bonität von Anthropic oder eines Garantiegebers gilt als sehr solide. TeraWulf sichert sich eine langfristige Einnahmequelle über 20 Jahre.

Parallel zum Leasing-Deal verkauft TeraWulf seine 50,1-Prozent-Beteiligung am Joint Venture Abernathy. Dieses entstand 2025 und sollte in Texas einen 168-Megawatt-Campus für KI-Anwendungen entwickeln. Käufer: eine Investorengruppe um Fluidstack, den bisherigen Partner. Verkaufspreis: rund 450 Millionen Dollar – ein Aufschlag auf das investierte Kapital. CEO Paul Prager: Man realisiere den Wert der Beteiligung und schichte das Geld in eigene Projekte mit voller Kontrolle um.

KI-Modelle werden größer und rechenintensiver. Ein Training von GPT-5 oder Claude 4 kann zehntausende Grafikprozessoren über Wochen beschäftigen. Dazu kommt der Bedarf für Inferenz, die Echtzeit-Ausführung. Unternehmen wie Anthropic, OpenAI oder Google sichern sich frühzeitig Kapazitäten. Spezialisten wie TeraWulf managen Stromversorgung und Netzanbindung.

TeraWulf agiert wie ein Projektentwickler und Vermieter für extreme Spezialimmobilien. Mieter zahlen nicht nur Miete, sondern garantieren oft Betriebskosten. Margen sind attraktiv, Anfangsinvestitionen enorm. Ein einziger Vertrag schafft eine fast zwanzigjährige Einnahmebasis. Das macht TeraWulf unabhängiger von kurzfristigen Kryptowährungsschwankungen – ursprünglich war das Unternehmen ein Bitcoin-Miner.

Ein Vertrag dieser Größenordnung reduziert das Risiko. Die Aktie reagierte mit einem Sprung, obwohl der Bau erst 2027 beginnt. Märkte sehen das als Signal für die Kompetenz des Managements. Zugleich zeigt der Verkauf der Abernathy-Beteiligung: TeraWulf gibt Projekte gewinnbringend ab, wenn sich die Gelegenheit bietet.

Die Nachfrage nach KI-Rechenzentren wird weiter steigen. Analysten schätzen den globalen Markt bis 2030 auf mehrere hundert Milliarden Dollar. Unternehmen wie TeraWulf, Equinix oder Digital Realty profitieren. Risiken: Bauverzögerungen, steigende Strompreise, technologische Sprünge. Ein 20-Jahres-Vertrag mit einem bonitätsstarken Partner wie Anthropic bietet eine solide Basis, um diese Herausforderungen zu meistern.

Kritische IT-Last bezeichnet die elektrische Leistung, die Server und Speichersysteme verbrauchen. Hinzu kommen Kühlung, Beleuchtung und andere Nebenkosten. Die Gesamtleistung eines Rechenzentrums liegt oft 30 bis 50 Prozent über der IT-Last. Ein 401-MW-IT-Campus benötigt insgesamt rund 550 bis 600 Megawatt – etwa die Leistung eines mittelgroßen Kernkraftwerksblocks.

Der Deal zeigt, wie eng die Verflechtung zwischen KI-Unternehmen und Energie-Infrastruktur inzwischen ist. Ohne ausreichende Stromkapazität können KI-Modelle nicht trainiert werden. Gleichzeitig treiben diese Anwendungen den Bau neuer Kraftwerke und die Modernisierung der Netze voran. TeraWulf hat sich eine Position erarbeitet, die über das ursprüngliche Bitcoin-Mining hinausgeht.

Der KI-Hype hat konkrete wirtschaftliche Auswirkungen: reale Bauprojekte mit Milliardenvolumen. Der Bau solcher Anlagen braucht Zeit. Wer heute Aufträge vergibt, plant drei bis fünf Jahre Vorlauf. Wer zu spät kommt, dem fehlt die Stromleitung.

KI-Technologie ist kein vorübergehender Trend. Die Infrastruktur wird im großen Stil aufgebaut. TeraWulf und Anthropic stehen für langfristige Partnerschaften, die nötig sind für die nächste Stufe der digitalen Revolution. Fortschritt zeigt sich nicht nur in Produktlaunches, sondern auch in der unsichtbaren Basis: Rechenzentren, Strom und klugen Verträgen.

Quelle: finance.yahoo.com