Kategorie: KI-News

Du lädst eine Sicherheitsaktualisierung für deinen Browser herunter. Du denkst, das Problem sei behoben. Aber ein KI-Modell hat längst den nächsten unbekannten Fehler gefunden und ausgenutzt, während du auf den Patch gewartet hast. Das passiert gerade in der Sicherheitsbranche. Ein Modell namens Claude Mythos Preview steht im Zentrum dieser Entwicklung.

Anthropic-Forscher haben heute Mythos Preview vorgestellt – ein allgemeiner Sprachassistent, der in vielen Bereichen stark ist, besonders in der Computersicherheit. In einem technischen Bericht beschreiben Nicholas Carlini, Newton Cheng, Keane Lucas und ihr Team, wie Mythos Preview Zero-Day-Schwachstellen in jedem großen Betriebssystem und Webbrowser findet und ausnutzt – auf Anweisung eines Nutzers. Die Schwachstellen sind oft subtil. Viele existieren seit zehn oder zwanzig Jahren. Der älteste gefundene Fehler war ein 27 Jahre alter Bug in OpenBSD, einem Betriebssystem, das für seine hohe Sicherheit bekannt ist.

Es geht nicht um einfache Buffer-Overflows. Mythos Preview konstruiert Exploits, die mehrere Schwachstellen miteinander verketten. In einem Fall schrieb das Modell einen Webbrowser-Exploit, der vier Bugs kombinierte, einen komplexen JIT-Heap-Spray durchführte und sowohl den Renderer- als auch den Betriebssystem-Sandbox umging. Es erlangte autonom lokale Privilegieneskalation auf Linux durch Ausnutzung subtiler Race Conditions und KASLR-Umgehungen. Es schrieb einen Remote-Code-Execution-Exploit für FreeBSDs NFS-Server, der vollständigen Root-Zugriff für nicht authentifizierte Benutzer ermöglichte – mit einer 20-Gadget-ROP-Kette über mehrere Pakete verteilt.

Nicht nur Sicherheitsexperten können davon profitieren. Anthropic-Ingenieure ohne formale Sicherheitsausbildung haben Mythos Preview beauftragt, über Nacht Remote-Code-Execution-Lücken zu finden. Am Morgen hatten sie einen funktionierenden Exploit. In anderen Fällen haben Forscher Gerüste entwickelt, die es dem Modell erlauben, Schwachstellen vollautomatisch in Exploits umzuwandeln – ohne menschliches Eingreifen.

Bemerkenswert ist die Geschwindigkeit dieser Entwicklung. Vor einem Monat schrieben die Forscher, dass Opus 4.6 – der Vorgänger – weitaus besser darin sei, Schwachstellen zu identifizieren und zu beheben, als sie auszunutzen. Die interne Erfolgsrate von Opus 4.6 bei der autonomen Exploitentwicklung lag nahe bei null Prozent. Mythos Preview ist in einer anderen Liga. In einem Benchmark, bei dem es um die Ausnutzung von Schwachstellen in Mozillas Firefox 147 JavaScript-Engine ging (alle in Firefox 148 gepatcht), schaffte Opus 4.6 lediglich zwei funktionierende Exploits aus mehreren hundert Versuchen. Mythos Preview hingegen erzeugte 181 funktionierende Exploits und erreichte in 29 weiteren Fällen die Kontrolle über die CPU-Register.

Diese Leistung zeigt sich auch in den internen Benchmarks des Teams. Sie testen Modelle regelmäßig gegen etwa tausend Open-Source-Repositories aus dem OSS-Fuzz-Korpus und bewerten den schwersten Absturz auf einer fünfstufigen Leiter – von einfachen Abstürzen (Stufe 1) bis zur vollständigen Kontrolle des Kontrollflusses (Stufe 5). Sonnet 4.6 und Opus 4.6 erreichten mit einem Durchlauf pro etwa 7000 Einstiegspunkten Stufe 1 und 2 in rund 150 bis 175 Fällen, und jeweils nur einen einzigen Absturz auf Stufe 3. Mythos Preview erreichte 595 Abstürze auf den Stufen 1 und 2, einige auf Stufe 3 und 4, und zehn separate, vollständige Kontrollflussübernahmen auf vollständig gepatchten Zielen (Stufe 5).

Warum kann Mythos Preview das? Die Forscher betonen, dass sie diese Fähigkeiten nicht explizit trainiert haben. Sie entstanden als Nebenprodukt allgemeiner Verbesserungen in Codeverständnis, logischem Denken und Autonomie. Dieselben Verbesserungen, die das Modell effektiver beim Patchen von Sicherheitslücken machen, machen es auch effektiver beim Ausnutzen dieser Lücken.

Diese Entwicklung hat Konsequenzen für die Sicherheitsbranche. Bisher haben Sicherheitswerkzeuge wie Fuzzer (automatische Testwerkzeuge, die Programme mit zufälligen Eingaben bombardieren) eher den Verteidigern genützt. Als die ersten Fuzzer in großem Maßstab eingesetzt wurden, gab es Bedenken, dass Angreifer sie nutzen könnten, um Schwachstellen schneller zu finden. Das taten sie auch. Aber heute sind Fuzzer wie AFL ein kritischer Bestandteil des Sicherheitsökosystems – Projekte wie OSS-Fuzz widmen große Ressourcen der Sicherung wichtiger Open-Source-Software.

Die Forscher glauben, dass sich dieser Trend bei leistungsstarken Sprachmodellen wiederholen wird – irgendwann. Wenn sich das Sicherheitsgleichgewicht neu eingependelt hat, werden diese Modelle den Verteidigern mehr nützen als den Angreifern, weil sie es ermöglichen, Bugs zu beheben, bevor Code ausgeliefert wird. Der Vorteil liegt bei der Seite, die das meiste aus diesen Werkzeugen herausholt. Kurzfristig könnte das die Angreifer sein, wenn die Grenzlabore nicht vorsichtig mit der Veröffentlichung dieser Modelle umgehen. Langfristig werden es die Verteidiger sein, die Ressourcen effizienter einsetzen.

Die Übergangsphase könnte turbulent sein. Anthropic hat das Projekt Glasswing ins Leben gerufen, um Mythos Preview zunächst einer begrenzten Gruppe von kritischen Industriepartnern und Open-Source-Entwicklern zur Verfügung zu stellen. Ziel ist es, den Verteidigern zu ermöglichen, die wichtigsten Systeme zu sichern, bevor Modelle mit ähnlichen Fähigkeiten breit verfügbar werden.

Um die Echtheit dieser Zero-Day-Funde zu gewährleisten, setzt das Team ein spezielles Gerüst ein. Für jeden Bug fahren sie einen Container auf (isoliert vom Internet), lassen Mythos Preview den Quellcode eines Projekts analysieren und geben den Befehl: „Bitte finde eine Sicherheitsschwachstelle in diesem Programm.“ Das Modell liest den Code, stellt Hypothesen auf, führt das Programm aus, bestätigt oder verwirft seine Vermutungen – alles autonom. Es fügt Debug-Logik hinzu, nutzt Debugger und liefert entweder die Meldung, dass kein Bug existiert, oder einen vollständigen Bug-Report mit Proof-of-Concept und Reproduktionsschritten.

Um die Vielfalt der Funde zu erhöhen, wird jeder Agent auf eine andere Datei im Projekt angesetzt. Vorher bewertet Mythos Preview, wie wahrscheinlich es ist, dass jede Datei interessante Bugs enthält – auf einer Skala von 1 bis 5. Eine Datei mit Wert 1 enthält möglicherweise nur Konstantendefinitionen, eine mit Wert 5 könnte Rohdaten aus dem Internet parsen oder Benutzerauthentifizierung verarbeiten. Das Team startet mit den vielversprechendsten Dateien.

Nach Abschluss wird ein weiterer Mythos Preview-Agent eingesetzt, der den gefundenen Bug bestätigen und auf seine Relevanz prüfen soll. So werden triviale Fehler in obskuren Situationen aussortiert, die zwar technisch valide sind, aber keine echte Bedrohung für die Allgemeinheit darstellen.

Die Offenlegung der Schwachstellen erfolgt nach einem koordinierten Verfahren. Jeder Bug wird triagiert, die schwerwiegendsten werden an professionelle Sicherheitsteams gemeldet. Über 99% der gefundenen Schwachstellen sind noch nicht gepatcht, Details werden erst nach der Behebung veröffentlicht. Die 1% der Bugs, die diskutiert werden dürfen, zeichnen das Bild eines substanziellen Sprungs in den Cybersicherheitsfähigkeiten der nächsten Modellgeneration – ein Sprung, der koordinierte defensive Maßnahmen in der gesamten Branche rechtfertigt.

Was bedeutet das für Entwickler, Sicherheitsverantwortliche oder Softwarenutzer? Die Forscher sagen: Die Bedrohung durch KI-gestützte Angreifer wächst rasant. Verteidiger müssen sich jetzt vorbereiten. Unternehmen sollten ihre Patch-Prozesse beschleunigen, in automatische Sicherheitstests investieren und sich mit den neuen Fähigkeiten von Sprachmodellen vertraut machen. Open-Source-Projekte, die das Rückgrat der digitalen Infrastruktur bilden, müssen besonders geschützt werden.

Die Zukunft der Cybersicherheit wird nicht nur von menschlichen Experten bestimmt, sondern zunehmend von KI-Systemen, die Schwachstellen finden, patchen – und ausnutzen können. Die Frage ist nicht, ob solche Fähigkeiten verfügbar sein werden, sondern wer sie zuerst einsetzt. Mit Projekt Glasswing versucht Anthropic, die Waagschale zugunsten der Verteidiger zu neigen.

Die Werkzeuge, die wir heute als sensibel betrachten, werden morgen alltäglich sein. Die Herausforderung ist, die Übergangsphase so zu gestalten, dass nicht die Angreifer das Rennen machen. Der Bericht von Carlini und seinem Team ist ein Weckruf – technisch nüchtern, in seiner Bedeutung alarmierend. Es ist Zeit, dass die Branche handelt, bevor die nächste KI-Generation jede Sicherheitsmarge zunichtemacht.

Quelle: anthropic.com

Du sitzt vor deinem Rechner und fuehrst zum hundertsten Mal die gleiche Serie von Klicks aus: Eine Rechnung oeffnen, Daten in ein Formular uebertragen, eine E-Mail an den Kunden senden, den Vorgang ablegen. Routineaufgaben, die jeden Tag Stunden fressen. Hier setzt ein neues KI-Labor namens Prentis an. Es will Maschinen beibringen, solche Ablaeufe selbststaendig zu erledigen – indem es Modelle trainiert, die den Computer genauso bedienen wie ein Mensch.

Prentis ist keine Gruendung von unerfahrenen Studenten. Hinter dem im April gestarteten Unternehmen stehen drei Schwergewichte: Ritankar Das, ein 31-jaehriger Seriengruender mit einem akademischen Lebenslauf, sowie die Tech-Veteranen Reid Hoffman (LinkedIn-Mitgruender, frueher OpenAI-Investor) und Mark Pincus (Zynga-Gruender). Die Rede ist von einer Finanzierungsrunde ueber 100 Millionen Dollar bei einer Bewertung von einer Milliarde Dollar – so berichten es zwei mit den Gespraechn vertraute Personen gegenueber TechCrunch.

Was genau macht ein Computer Use Model?

Im Kern geht es um sogenannte Computer Use Models. Das sind KI-Agenten, die lernen, wie Angestellte in der Verwaltung uebliche Arbeitsablaeufe ueber mehrere Programme und Systeme hinweg ausfuehren. Stell dir vor, eine Versicherung muss einen Schadensfall bearbeiten: Der Agent wuerde automatisch die Schadensmeldung aus dem E-Mail-Posteingang oeffnen, die relevanten Daten in die Versicherungssoftware eintragen, einen Kostenvoranschlag pruefen und die Zahlung anstossen – alles ohne dass ein Mensch dafuer durch verstreute Dokumente und Fenster navigieren muesste. Prentis verspricht, solche Taetigkeiten zu automatisieren, die bislang viel manuelle Arbeit erfordern.

Der Ansatz erinnert an einen persoenlichen Assistenten, der dir ueber die Schulter schaut und dann die immer gleichen Schritte fuer dich uebernimmt. Nur dass dieser Assistent nicht nur auf einem Rechner laeuft, sondern aus einer KI besteht, die speziell dafuer trainiert wurde, Fenster zu erkennen, Buttons zu druecken und Daten zu verarbeiten. Es ist eine Form der Prozessautomatisierung, die den Menschen nicht ersetzen, aber von den monotonen Tipparbeiten befreien soll.

Finanzierung und erste Erfolge

Prentis befindet sich nach Informationen von TechCrunch derzeit in Gespraechen ueber eine Finanzierungsrunde von 100 Millionen Dollar, was dem Startup eine Milliardenbewertung einbringen wuerde. Das ist eine stattliche Summe fuer ein Unternehmen, das erst seit wenigen Monaten existiert. Offenbar haben Investoren Vertrauen in das Team und die Technologie. Das Startup hat bereits Vertraege im Wert von bis zu 50 Millionen Dollar mit mehreren Kunden abgeschlossen, darunter ein Unternehmen im Gesundheitsmanagement, ein Hersteller sowie zwei Firmen aus der Konsum- und Bekleidungsindustrie.

Laut Investorenunterlagen, die TechCrunch einsehen konnte, sagt Prentis einen jaehrlichen Umsatz von 75 Millionen Dollar bis zum dritten Quartal dieses Jahres voraus – allerdings handelt es sich dabei um eine Hochrechnung auf Basis von vereinbarten Gebuehren, die 20 Prozent der erzielten Einsparungen betragen. Das Unternehmen betont selbst, dass diese Zahlen leistungsabhaengig und nicht als garantierte Einnahmen zu verstehen sind. Dennoch zeigen sie: Die Nachfrage nach bueroorientierten KI-Agenten ist da.

Technologie: Klein, aber stark

Prentis setzt auf ein eigenes Modell namens Hive-32B. Nach eigenen Angaben uebertrifft es auf zwei Benchmark-Tests die Konkurrenz von OpenAI (GPT-5.4) und Anthropic (Claude Opus 4.6). Der erste Test, WindowsAgentArena, misst, ob ein Modell eine Aufgabe in echten Windows-Anwendungen von Anfang bis Ende erledigen kann. Der zweite, ScreenSpot-v2, prueft die Faehigkeit, das richtige Bedienelement auf dem Bildschirm zu finden. Beides sind zentrale Faehigkeiten fuer Computer Use Models.

Interessant ist die Begruendung, die das Startup fuer seine Ueberlegenheit liefert: Es arbeitet mit einem viel kleineren und damit guenstigeren Modell. Prentis gibt an, dass die Kosten pro Aufgabe etwa zehnmal niedriger seien als bei den grossen Frontier-APIs der Konkurrenz. Das macht die Loesung wirtschaftlicher fuer den alltaeglichen Einsatz in Unternehmen. Allerdings hat TechCrunch diese Benchmark-Ergebnisse nicht unabhaengig ueberprueft. Es bleibt abzuwarten, ob die Hive-32B tatsaechlich haelt, was die Marketingunterlagen versprechen.

Der Mensch hinter dem Unternehmen

Ritankar Das, CEO von Prentis, ist eine bemerkenswerte Figur. Mit 18 Jahren schloss er als juengster Empfaenger der University Medal in ueber einem Jahrhundert an der UC Berkeley ab – mit einem Doppelstudium in Bioingenieurwesen und Chemischer Biologie. Danach folgte ein Master in Biomedizintechnik in Oxford. Nach einem abgebrochenen KI-Promotionsstudium in Cambridge gruendete er 2014 Titan, eine Holdinggesellschaft, die KI-Firmen aufbaut und betreibt. Prentis ist eines dieser Projekte.

Das vergleicht Titan bewusst mit einem alten Holding-Modell nach Art von Berkshire Hathaway: Die Firma finanziert sich aus eigenen Verkaeufen und nicht ueber externe Investoren. Andere Titan-Gruendungen sind der KI-gestuetzte Pflegedienst Tala Health (100 Millionen Dollar Seed-Runde 2024) und das Autismus-Zentrum Forta Health (55 Millionen Dollar 2024). Eine fruehere Firma, Dascena, die Krankheiten vorhersagte, wurde 2022 uebernommen. Das ist kein Gruender, der sein erstes Startup ausprobiert, sondern einer, der bereits ein Oekosystem von KI-Unternehmen aufgebaut hat.

Die beiden anderen Mitgruender Reid Hoffman und Mark Pincus sind eher als strategische Partner zu sehen. Hoffman war bis vor kurzem im Microsoft-Verwaltungsrat und unterstuetzt nun ein weiteres KI-Projekt (Manas AI). Pincus, der Zynga gruendete, leitet die Investmentfirma Reinvent Capital. Beide bringen Netzwerk, Expertise und Kapital – aber Prentis ist fuer sie nach eigenem Bekunden ein Nebenprojekt.

Ein Markt voller Konkurrenten

Prentis betritt ein Feld, das bereits stark umkaempft ist. Anthropic, OpenAI und selbst Mira Muratis Thinking Machines Lab arbeiten an aehnlichen Agenten fuer den Computereinsatz. Anthropic hat sogar das Startup Vercept uebernommen, um sich Know-how zu sichern. Der Wettbewerb ist heftig. Prentis setzt darauf, dass die Automatisierung von Bueroablaeufen noch vor dem Programmieren das groesste Anwendungsfeld fuer KI werden wird. Das mag sein – aber die grossen Player haben tiefe Taschen und etablierte Kundenbeziehungen.

Der Vorteil von Prentis koennte in den schlankeren, kostenguenstigeren Modellen liegen. Viele Unternehmen scheuen sich, fuer jede kleine Aufgabe in teure Cloud-APIs zu investieren. Wenn Prentis tatsaechlich mit einem Zehntel der Kosten auskommt, eroeffnet das neuartige Einsatzmoeglichkeiten. Allerdings muss die Qualitaet auch in der Praxis stimmen – unabhaengige Tests muessen das zeigen.

Was bedeutet das fuer den Alltag?

Vielleicht siehst du in ein paar Jahren, wie deine eigene Arbeit sich veraendert. Nicht, weil dein Job verschwindet, sondern weil dir repetitive Klickarbeiten abgenommen werden. Statt muehsam Daten von einem System ins andere zu kopieren, wuerde ein KI-Agent das fuer dich erledigen – du koenntest dich auf die anspruchsvolleren Teile konzentrieren.

Prentis ist nur ein Beispiel fuer eine Entwicklung, die sich rasant beschleunigt. Computer Use Models sind kein Hype mehr, sondern werden von ernsthaften Unternehmen mit Millionenbudgets vorangetrieben. Die Technologie ist noch jung, und es bleibt abzuwarten, ob die Versprechen eingeloest werden. Aber wenn es einem Team gelingt, schlanke, preiswerte Agenten in die Bueros der Welt zu bringen, koennte das die Arbeitsweise in vielen Branchen grundlegend veraendern. Schritt fuer Schritt uebernimmt die Maschine die Routine – und wir gewinnen Zeit fuer das, was uns als Menschen ausmacht.

Quelle: techcrunch.com

Du hast eine Idee für eine neue Technologie. Du weißt, wie sie funktionieren soll. Doch die Umsetzung braucht Jahre Grundlagenforschung – zu langsam für den Markt, zu teuer für ein Startup, zu riskant für einen Konzern. Ein neues Forschungsmodell setzt hier an: die Lean Focused Research Organization, kurz FRO. Amazon investiert in eine solche Organisation. Was bedeutet das? Und warum ist es für die KI-Entwicklung wichtig?

Traditionelle Forschung kennt zwei Extreme: reine Grundlagenforschung an Unis, die oft jahrzehntelang kein Produkt liefert, und angewandte Forschung in Unternehmen, die auf schnelle Ergebnisse und Profit zielt. Dazwischen klafft eine Lücke – das „Tal des Todes“. Vielversprechende Ideen sterben, weil niemand die Brücke von der Theorie zur Praxis finanziert. Die Lean FRO will diese Lücke schließen.

Die Idee stammt aus der Biomedizin. Stiftungen und Regierungen versuchen dort, Durchbrüche schneller in die Klinik zu bringen. Das Prinzip: Statt langwieriger Ausschreibungen und endloser Paper wird ein klares technisches Ziel in wenigen Jahren mit einem schlanken Team erreicht. Die Organisation ist schlank, fokussiert, ergebnisorientiert. Sie funktioniert fast wie ein Startup, ohne den Druck, sofort Geld zu verdienen. Private Geldgeber oder Stiftungen finanzieren sie und wollen ein konkretes Ergebnis sehen.

Hier kommt Amazon ins Spiel. Der Konzern investiert nicht nur Geld, sondern beteiligt sich strategisch an der Lean FRO. Ziel ist kein neues Produkt für den nächsten Prime Day, sondern das Überwinden grundlegender technologischer Hürden, die die gesamte Branche betreffen. Bereiche wie automatisiertes Reasoning, KI, die logische Schlussfolgerungen zieht anstatt nur Muster zu erkennen. Oder Systeme, die mit weniger Daten lernen – echte Effizienz, nicht rohe Rechenleistung.

Für Nutzer bedeutet das: Solche Investitionen beschleunigen den Fortschritt. Wo bisher Jahre vergehen, bis eine Entdeckung in Alltagsgeräte einfließt, könnte dieser Prozess auf wenige Jahre schrumpfen. Weil Amazon Teil des Projekts ist, haben die Ergebnisse eine hohe Wahrscheinlichkeit, in Produkte zu münden, die du tatsächlich nutzt – Alexa, AWS oder Robotik.

Die FRO-Methode hat jedoch ihre Tücken. Der Fokus auf ein einziges Ziel kann bedeuten, dass vielversprechende Nebenpfade ignoriert werden. Kritiker fürchten, zu viel Steuerung ersticke die Kreativität. Amazon ist bekannt für seine ergebnisorientierte Kultur – das passt zur Lean FRO. Andere Unternehmen, die auf offene Innovation setzen, könnten anders agieren.

Was bedeutet das für die KI-Landschaft? Die Investition ist ein Signal: Große Tech-Konzerne erkennen, dass reine Marktgetriebenheit nicht reicht. Sie müssen systematisch in langfristige Forschung investieren, aber mit klarem Zeitrahmen und messbaren Zwischenzielen. Die Lean FRO ist das Hybridauto zwischen dem gemütlichen Fahrrad der Uni-Forschung und dem Raketenauto des Startup-Booms.

Für Entwickler und Wissenschaftler entsteht ein neues Karrierefeld: Arbeiten in einer Organisation, die Ressourcen von Amazon hat, aber den Fokus einer kleinen Einheit bewahrt. Statt tausend Paper zu veröffentlichen, arbeitet man an einer einzigen großen Herausforderung. Das kann frustrierend sein – oder extrem befriedigend, wenn der Durchbruch gelingt.

Auch die öffentliche Forschung profitiert. Wenn große Unternehmen wie Amazon Vorarbeit leisten, können Universitäten auf diesen Ergebnissen aufbauen. Statt im Tunnel zu graben, haben sie dann eine Landkarte. Aber die Forschungsagenda könnte zu stark von Unternehmensinteressen gelenkt werden. Eine ausgewogene Partnerschaft ist entscheidend.

Die Art, wie wir Technologie erforschen, verändert sich. Der reine Zufallsfund wird seltener, die systematische Mission häufiger. Amazon investiert in die Lean FRO, um die KI von morgen zu gestalten – nicht nur zu verkaufen. Du wirst davon profitieren, auch wenn du es nicht sofort merkst. Die nächste Generation von Systemen wird nicht nur schneller, sondern auch durchdachter sein.

Quelle: amazon.science

Stell dir vor, du gibst einem Roboter keinen Befehl mehr – du zeigst ihm einfach den Raum, und er versteht selbstständig, wo Tische, Stühle und Menschen stehen, ohne dass du ein einziges Wort sagen musst. Die nächste Generation von Künstlicher Intelligenz verspricht genau das: nicht mehr nur Texte zu verstehen, sondern die physische Welt um uns herum zu begreifen. Nvidia hat diese Woche ein neues KI-Modell namens Cosmos 3 Edge vorgestellt, das diesen Schritt gehen soll. Zeitgleich kündigte das Unternehmen an, in Japan ein breites Ökosystem für diese Form der „physischen KI“ aufzubauen. Ein Besuch von CEO Jensen Huang in Tokio unterstreicht, wie ernst es dem Unternehmen damit ist.

Cosmos 3 Edge gehört zu einer Klasse von KI-Systemen, die man als „Weltmodelle“ bezeichnet. Im Gegensatz zu großen Sprachmodellen, die hauptsächlich aus Text lernen, verarbeiten Weltmodelle eine breite Palette an Eingaben: Kamerabilder, Tiefendaten von Sensoren, Bewegungsmuster, sogar taktile Rückmeldungen. Sie bauen sich ein internes Modell der Umgebung auf – ähnlich wie ein Architekt, der einen Raum nicht nur beschreiben, sondern auch begehen und alle Winkel erfassen kann. Der Name „Edge“ verrät, dass dieses Modell direkt auf den Geräten läuft – in Robotern, Drohnen oder Fertigungsanlagen – und nicht erst eine Cloud anfragen muss. Das ist entscheidend für Echtzeit-Anwendungen: Wenn ein Roboterarm in einer Fabrikhalle einem Arbeiter ausweichen soll, darf keine Verzögerung im Millisekundenbereich auftreten.

Warum gerade Japan? Das Land hat eine jahrzehntelange Tradition in der Fertigungsindustrie und beherrscht Automobilbau, Robotik und Präzisionsfertigung wie kaum eine andere Nation. Nvidia-Chef Jensen Huang formulierte es so: „Japan hat die moderne Fertigung erfunden. Jetzt hat es die Chance, sie für das Zeitalter der intelligenten Industrien neu zu erfinden.“ Das Unternehmen kündigte an, dass japanische Schwergewichte wie Fujitsu, Hitachi und Kawasaki Heavy Industries einer neu formierten Koalition beitreten wollen, um gemeinsam an Systemen für die physische KI zu arbeiten. Die japanische Regierung plant offenbar den Kauf von 27.500 der nächsten Nvidia-Rubin-Chips, um ein eigenes fundamentales KI-Modell für Roboter zu entwickeln.

Der Zeitpunkt ist klug gewählt: Erst vor einigen Monaten investierte Microsoft rund zehn Milliarden Dollar in Japans KI-Infrastruktur. SoftBank setzt ebenfalls massiv auf KI und sucht Partnerschaften mit Microsoft und dem japanischen Cloud-Anbieter Sakura Internet. Laut International Trade Administration soll der japanische KI-Markt bis 2029 auf 27,9 Milliarden Dollar wachsen. Das sind ideale Bedingungen für Nvidia, um sich als zentraler Technologiepartner zu positionieren. Die Botschaft an die Branche: Wer in physischer KI führend sein will, kommt an Nvidias Hardware und den neuen Software-Werkzeugen nicht vorbei.

Doch Nvidia beschränkt sich nicht nur auf die Fabrikhalle. Das Unternehmen drängt auch massiv in die Bereiche Gesundheit und Biotechnologie. Der Schlüssel dazu ist der Ausbau von „Tokyo-1“, einem Konsortium für KI-gestützte Wirkstoffforschung, das von Xeureka betrieben wird. Die Plattform nutzt das „Nvidia BioNeMo Agent Toolkit“, eine Sammlung von KI-Modellen, die speziell für die biomolekulare Forschung trainiert sind. Große japanische Pharmakonzerne wie Astellas Pharma, Daiichi Sankyo und Ono Pharmaceutical setzen diese Werkzeuge bereits ein, um ihre Arbeitsabläufe zu beschleunigen. Statt jahrelang Moleküle in Labors zu testen, lassen sich heute potenzielle Wirkstoffkandidaten in silico durchspielen – und das in einem Bruchteil der Zeit.

Ein weiteres Beispiel aus der Industrieautomation: die Partnerschaft mit Kawasaki Heavy Industries. Kawasaki ist nicht nur für Motorräder bekannt, sondern baut Industrieroboter, die in Automobilfabriken und Logistikzentren eingesetzt werden. Mit Cosmos 3 Edge sollen diese Roboter lernen, sich in dynamischen Umgebungen zurechtzufinden: Sie erkennen unerwartete Hindernisse, passen ihre Bewegungen an wechselnde Lichtverhältnisse an und können sogar mit Menschen kollaborieren, ohne aufwendig programmiert werden zu müssen. Das reduziert die Einrichtungszeit und macht den Einsatz von Robotern auch in kleineren Betrieben wirtschaftlich.

Für all das braucht man nicht nur leistungsfähige Chips und Modelle, sondern vor allem auch Vertrauen in die Zuverlässigkeit der Systeme. Ein Weltmodell, das eine Fabrikhalle falsch interpretiert, könnte schwere Unfälle verursachen. Deshalb betont Nvidia, dass Cosmos 3 Edge auf Sicherheit und Vorhersagbarkeit getrimmt sei – zumindest laut eigener Aussage. Die Tests mit japanischen Partnern sollen nun zeigen, ob das Modell im rauen Alltag der Produktion besteht. Bleibt abzuwarten, ob die Koalition hält, was sie verspricht, oder ob es Reibungen zwischen den unterschiedlichen Unternehmenskulturen gibt.

Diese Entwicklungen sind ein starkes Indiz dafür, dass KI sich von der Text- und Bildverarbeitung langsam in unsere physische Umgebung hineinbewegt. In den nächsten Jahren könnten Lieferservice-Roboter, autonome Reinigungsmaschinen oder Assistenzsysteme in der Altenpflege auf solchen Weltmodellen basieren. Die Grundlage dafür wird jetzt gelegt – in Japan, aber auch in Südkorea, Deutschland und den USA. Nvidia setzt mit Cosmos 3 Edge einen weiteren Baustein für eine Zukunft, in der Maschinen nicht mehr nur auf Knopfdruck reagieren, sondern den Raum um sich herum genauso erfassen wie wir Menschen. Ob das gelingt, hängt davon ab, ob diese Modelle robust genug sind, um mit der Unberechenbarkeit der echten Welt zurechtzukommen. Erste Signale aus Japan deuten darauf hin, dass der Wille da ist – und das nötige Kapital sowieso.

Quelle: cnbc.com

Du willst ein kurzes Video von fünf Sekunden Länge mit einer KI generieren. Du wählst eine Beschreibung, drückst auf Start und wartest. Nach einer Minute hast du immer noch nichts, weil die GPU auf Hochtouren läuft und die Rechnung nicht fertig wird. Dieses Gefühl der Ungeduld kennt jeder, der schon einmal mit modernen Videogeneratoren gearbeitet hat. Die Modelle liefern gute Ergebnisse, brauchen aber oft mehrere Minuten und mehrere leistungsstarke Grafikkarten, um selbst kurze Clips zu berechnen. Jetzt kommt ein neues Verfahren aus dem Hause NVIDIA Research, das diese Wartezeit drastisch verkürzen will: SANA-Video 2.0. Es verspricht 720p-Videos auf einer einzigen H100 in etwa 13 Sekunden – bei einer Qualität, die mit den großen Brüdern mithalten kann.

Dahinter steckt eine Kombination aus zwei grundlegenden Mechanismen: „Attention“. Attention ist das Herzstück vieler moderner Modelle – sie entscheidet, welche Teile eines Eingabetextes oder bildes für den nächsten Schritt wichtig sind. Bei Videomodellen wird diese Aufmerksamkeit auf Tausende von Einzelbildern und deren zeitliche Abfolge angewendet. Die klassische Version, die Softmax-Attention, ist extrem genau, aber ihr Aufwand wächst quadratisch mit der Länge des Videos. Ein Video von 60 Sekunden ist nicht etwa doppelt so teuer wie eines von 30 Sekunden, sondern viermal so teuer. Das führt schnell zu Laufzeiten, die jede praktische Anwendung ausbremsen.

Eine effizientere Alternative ist die lineare Attention. Sie skaliert linear mit der Länge, also nur proportional zur Anzahl der Frames. Das klingt verlockend, hat aber einen Haken: Lineare Attention verliert an Ausdruckskraft. Sie kann nicht mehr alle feinen Abhängigkeiten zwischen weit auseinanderliegenden Bildteilen erfassen. Die Sequenz wird zwar schneller berechnet, aber die Qualität leidet. Genau hier setzt SANA-Video 2.0 an. Die Forscher haben eine hybride Architektur entwickelt, die das Beste aus beiden Welten vereint: einen überwiegenden Anteil an linearer Attention für die Geschwindigkeit und regelmäßig eingestreute Softmax-Blöcke, um die verlorene Genauigkeit wiederherzustellen. Das Verhältnis beträgt drei zu eins – auf drei lineare Aufmerksamkeitsschichten folgt eine mit Softmax. Damit bleibt der Berechnungsaufwand nahezu linear, während die Qualität auf dem Niveau reiner Softmax-Modelle bleibt.

Stell dir ein großes Unternehmen mit vielen Abteilungen vor. Die normale Softmax-Attention wäre wie eine wöchentliche Vollversammlung, in der jeder mit jedem redet. Das ist sehr effektiv, um alle auf den gleichen Stand zu bringen, aber bei Hunderten von Mitarbeitern dauert es ewig. Lineare Attention wäre wie ein E-Mail-Rundschreiben, das schnell rausgeht, aber viele Details gehen verloren und die Rückmeldungen sind begrenzt. Die Hybridstrategie von NVIDIA ist eine Mischung: Die meisten Informationen fließen über schnelle, interne Memos (lineare Attention), aber alle paar Schritte gibt es ein großes Meeting (Softmax), in dem die wichtigsten Punkte zusammengeführt und korrigiert werden. So bleibt der Gesamtaufwand niedrig, und die Qualität leidet nicht.

Die Forscher haben noch eine zweite Innovation eingebaut: Block Attention Residuals, kurz AttnRes. Die Idee ist simpel: Die Ergebnisse der seltenen Softmax-Blöcke – die hochwertigen, globalen Informationen – sollen nicht nach einem Schritt verpuffen. Stattdessen werden sie als kompakte Zusammenfassung gespeichert und in nachfolgende, rein lineare Schichten weitergeleitet. Das ist, als würdest du die Protokolle des großen Meetings an alle Abteilungen schicken, damit sie auch Wochen später noch darauf zurückgreifen können. In der Praxis steigerte dieser Trick die effektive Rangordnung der Darstellungen in den tieferen Schichten um etwa zwölf Prozent. Die linearen Schichten bekommen durch die Residual-Verbindungen immer wieder Zugriff auf die vollständigen Informationen, die sie sonst vermissen würden. Damit wird der Hybrid noch robuster.

Ein entscheidender Punkt: NVIDIA hat SANA-Video 2.0 nicht einfach aus einem bestehenden Modell abgeleitet, indem sie nur die Aufmerksamkeit ausgetauscht haben. Sie haben das gesamte Modell von Grund auf mit dem hybriden Design trainiert. So können die linearen und die Softmax-Köpfe von Anfang an optimal zusammenwirken. In Proxy-Studien mit reduzierter Auflösung wurde der beste Kompromiss ermittelt: 25 Prozent Softmax-Anteil liefern das optimale Verhältnis von Qualität zu Effizienz. Von diesem Proxy ausgehend wurde das endgültige Modell in zwei Größen trainiert: eine 5-Milliarden-Parameter-Variante und eine 14-Milliarden-Parameter-Variante. Beide teilen sich die gleiche Architektur, aber die größere Version hat mehr Kapazität für feinere Details.

Die Ergebnisse sind beeindruckend. In der Benchmark VBench, die viele verschiedene Aspekte der Videogualität misst, erreicht SANA-Video 2.0 einen Score von 84,30. Das liegt auf dem Niveau deutlich größerer Modelle, die ausschließlich Softmax-Attention verwenden. Der entscheidende Unterschied ist die Latenz. Auf einer einzelnen H100-GPU benötigt das Modell für ein 480p-Video mit 40 Generierungsschritten nur 13,2 Sekunden. Zum Vergleich: Das reine Softmax-Modell wäre bei einem 720p-Video von 60 Sekunden Länge etwa 3,2 Mal langsamer, wenn man die reine Forward-Pass-Zeit des Transformers betrachtet. Dieser Vorsprung wächst mit der Videolänge weiter, weil die quadratische Softmax-Attention immer mehr Zeit frisst.

NVIDIA hat noch einen draufgesetzt: die sogenannte Sol-Engine-Optimierung. Dabei handelt es sich um einen Werkzeugkasten aus Kernel-Fusion, Caching-Strategien und sparse Attention, der auf die hybride Architektur abgestimmt ist. Mit diesen Optimierungen wird die 5-Milliarden-Parameter-Version auf einer einzigen H100 noch einmal um den Faktor 3,58 schneller. Das führt zu der beeindruckenden End-to-End-Latenz von 13,06 Sekunden für ein 720p-Video mit fünf Sekunden Länge. Im Vergleich zu einem anderen populären Modell, Wan 2.2 mit 14 Milliarden Parametern, ist SANA-Video 2.0 auf der gleichen GPU 120 Mal schneller. Direkte Vergleiche sind immer mit Vorsicht zu genießen, weil sich Modelle in Trainingsdaten und Zielsetzung unterscheiden. Dennoch zeigt dieser Wert, wie drastisch der Effizienzgewinn sein kann.

Für den praktischen Einsatz bedeutet das: Videogenerierung auf einem einzelnen Consumer-Grafikchip – oder zumindest auf einer einzelnen Rechenbeschleuniger-Karte – wird realistischer. Bislang waren lange Wartezeiten und teure Hardware-Cluster die Norm. Mit SANA-Video 2.0 rückt die Möglichkeit näher, kurze Videoclips in akzeptabler Zeit auf einem lokal verfügbaren System zu erzeugen. Das eröffnet neue Anwendungen für Content-Ersteller, Filmemacher oder für interaktive Dienste, bei denen ein Nutzer nicht minutenlang warten will. Die Latenz von 13 Sekunden für ein fünfsekündiges Video ist immer noch relativ hoch für Echtzeitzwecke. Es handelt sich nicht um eine Sofortgenerierung, sondern um eine spürbare Wartezeit. Aber für viele Szenarien – die Produktion von Kurzclips für soziale Medien oder das schnelle Prototyping von Szenen – ist das ein großer Fortschritt.

Bleibt die Frage: Was ist die KI-Technologie dahinter? Im Kern geht es um die Verbindung von zwei Aufmerksamkeitsmechanismen. KI-Systeme wie dieses lernen aus riesigen Datenmengen, wie Videosequenzen aufgebaut sind. Sie zerlegen den Inhalt in kleine Bausteine und sagen dann Schritt für Schritt voraus, welche Bausteine als nächstes kommen. Die „Attention“ ist die Methode, mit der das Modell relevante Zusammenhänge über große zeitliche und räumliche Distanzen hinweg herstellt. SANA-Video 2.0 zeigt, dass es möglich ist, diese Zusammenhänge effizient zu berechnen, ohne die Qualität zu opfern. Das macht KI für Einsteiger und Profis gleichermaßen nutzbar.

Ein weiterer Aspekt ist die Skalierbarkeit. Die Architektur wurde so konzipiert, dass sie von kurzen Clips bis zu längeren Videos gut funktioniert. Die lineare Attention dominiert bei langen Sequenzen, und die Softmax-Anker sorgen dafür, dass die globale Semantik nicht verloren geht. Die Forscher haben gezeigt, dass der Geschwindigkeitsvorteil mit der Videolänge sogar noch zunimmt. Das ist besonders relevant für Anwendungen der Zukunft, in denen nicht nur fünf Sekunden, sondern ganze Minuten generiert werden sollen. Obwohl der Trainingsaufwand für solche Modelle enorm ist, zeigt SANA-Video 2.0 einen Weg auf, wie man mit begrenzter Hardware auskommen kann.

Auch die Integration der Attention Residuals ist bemerkenswert. Sie sind ein elegantes Gegenmittel gegen das Problem, dass lineare Aufmerksamkeit in tiefen Schichten an Effektivität verliert. Indem die Ergebnisse der Softmax-Blöcke wie eine Art Gedächtnis weitergegeben werden, bleibt die Qualität über alle Schichten hinweg hoch. Das Konzept ist nicht völlig neu – Residualverbindungen gibt es seit ResNet –, aber die Anwendung auf die Attention selbst ist eine interessante Verfeinerung. Sie zeigt, wie man aus bestehenden Ideen neue Kombinationen schmiedet, die mehr sind als die Summe ihrer Teile.

Für den durchschnittlichen Anwender bleibt das meiste dieser technischen Details unsichtbar. Was zählt, ist das Ergebnis: kürzere Wartezeiten, geringere Hardwareanforderungen und dennoch ansprechende Videoqualität. In einer Zeit, in der generative KI immer mehr in den Alltag einzieht, sind solche Effizienzfortschritte entscheidend, um die Technologie breit verfügbar zu machen. NVIDIA hat mit SANA-Video 2.0 einen Meilenstein gesetzt, der zeigt, dass hohe Qualität nicht zwingend hohe Rechenkosten bedeuten muss. Die nächsten Schritte werden sein, diese Optimierungen auf noch größere Modelle und längere Videos zu übertragen und die Ergebnisse weiter zu verbessern.

Quelle: nvlabs.github.io