Kategorie: KI-News

Lange Zeit galt: Wer Metas Open-Weights-Modelle nutzen wollte, musste sich mit Einschränkungen abfinden. Die Llama-Lizenzen waren restriktiv, mit Klauseln, die bei großen Nutzerzahlen oder kommerziellen Projekten schnell zum Hindernis wurden. Das hat sich mit der Ankündigung von Muse Glimmer geändert – ein 30B-Modell unter Apache-2.0-Lizenz. Die Überraschung sitzt weniger in der Modellgröße als in der Lizenzpolitik. Die technischen Details zeigen: Meta zielt auf einen Bereich, der in der Open-Source-Community bisher kaum abgedeckt war – end-to-end agentische Aufgabenbewältigung, zuverlässige Tool-Nutzung und mehrstufige Reasoning-Ketten, lauffähig auf einem lokalen Rechner mit 32 GB RAM oder mehr.

Dieser Artikel wirft einen genauen Blick auf Muse Glimmer. Wir schauen uns an, was die Agentic-Fähigkeiten konkret bedeuten, wie das Modell in der Praxis mit Tools und Vision funktioniert, und ob es hält, was die Benchmarks versprechen. Der Autor des ursprünglichen Blogposts hat das Modell ausgiebig getestet – wir fassen seine Beobachtungen zusammen und ordnen sie ein.

Die Lizenz: Apache 2.0 als Wendepunkt für Open Weights

Beginnen wir mit dem Offensichtlichen: Die Apache-2.0-Lizenz ist ein Paradigmenwechsel. Meta hat bisher bei Llama-Modellen eine eigene Lizenz verwendet, die zwar erlaubte, das Modell zu nutzen, aber mit Bedingungen für große Unternehmen und Abwandlungen verbunden war. Diese Bedingungen führten oft zu Rechtsunsicherheit und machten die Integration in bestehende Open-Source-Projekte umständlich. Apache 2.0 ist eine der bewährtesten und freizügigsten Lizenzen. Sie erlaubt Nutzung, Modifikation, Verteilung und kommerzielle Anwendung ohne weitere Auflagen – nur der Copyright-Vermerk muss erhalten bleiben.

Das hat praktische Konsequenzen. Für Entwickler, die Muse Glimmer in eigene Anwendungen einbetten wollen, fallen plötzlich alle rechtlichen Hürden weg. Man kann das Modell direkt in Tools wie LM Studio oder llm-coding-agent einbinden, ohne sich über Nutzungsbeschränkungen Gedanken zu machen. Der Autor des Blogposts betont genau diesen Punkt: „Ein Schritt nach oben gegenüber den klapprigen Llama-Lizenzen von früher.“ Diese Aussage spiegelt das Gefühl vieler in der Community wider – endlich ein Modell von Meta, das wirklich offen ist.

Doch die Lizenz allein macht noch kein gutes Modell. Entscheidend ist, was unter der Haube steckt. Und hier liefert Muse Glimmer beachtliche Daten. Das Modell wurde laut Meta für „End-to-End Agentic Task Completion“ optimiert, also für Aufgaben, die über mehrere Schritte hinweg geplant, ausgeführt und verifiziert werden müssen. Das geht weit über einfache Textgenerierung hinaus – es geht um autonomes Arbeiten in digitalen Umgebungen, wie das Durchsuchen eines Code-Repositorys, das Verstehen von Abhängigkeiten und das Schreiben von Debugging-Code.

Technische Eckdaten: 30B Parameter und Vision als Bonus

Muse Glimmer ist ein 30B-Parametermodell. Das ist eine Größenordnung, die sich noch lokal betreiben lässt, sofern der Rechner über ausreichend RAM verfügt. In Quantisierung, etwa als 18,16-GB-Version, passt es sogar in Systeme mit 32 GB RAM, ohne dass man den Rest des Systems komplett ausbremst. Der Autor nutzte eine Maschine mit 128 GB RAM und stellte fest, dass daneben noch problemlos andere Anwendungen liefen. Das ist ein klarer Vorteil gegenüber größeren Modellen, die oft den gesamten Speicher beanspruchen.

Überraschend kommt die Vision-Komponente. Muse Glimmer ist ein Multi-Modal-Modell, das Bilder verarbeiten kann. Der Autor testete dies, indem er dem Modell das Foto eines Pelikans von iNaturalist vorlegte und die Beschreibung anforderte. Das Ergebnis war präzise: Die Antwort beschrieb nicht nur Farbe und Form der Vögel, sondern auch deren Verhalten (einer putzt sich, der andere blickt nach vorn), die Umgebung (Felsen, graues Wasser, bewölkter Himmel) und sogar kleine Details wie einen rötlichen Schnabel eines anderen Vogels im Vordergrund. Diese Fähigkeit „describe image with vision model“ ist ein starkes Signal dafür, dass Meta nicht nur bei reinen Textmodellen mithalten will, sondern sich auf die nächste Generation multimodaler KI vorbereitet.

Auch für alle, die keine Vision brauchen, ist das bemerkenswert: Eine solch detaillierte Bildanalyse war bislang meist großen proprietären Modellen vorbehalten. Dass ein 30B-Modell mit Apache-2.0-Lizenz das lokal kann, eröffnet neue Anwendungsfälle – von automatischer Bildbeschreibung in Datenbanken bis hin zu Assistenzsystemen für Sehbehinderte, die ohne Cloud auskommen müssen.

Agentic Task Completion: Vom Konzept zur Praxis

Der eigentliche Kern von Muse Glimmer liegt in den Agentic-Fähigkeiten. Benchmarks wie DeepSearch QA, MCP-Atlas, τ-Bench und SWE-Bench messen, wie gut ein Modell in einer Umgebung mit Werkzeugen (Tools) zurechtkommt, Code versteht und schreibt, und mehrstufige Aufgaben von Anfang bis Ende löst. Die offiziellen Ergebnisse zeigen hohe Erfolgsraten – aber was heißt das in der realen Anwendung? Der Autor hat das Modell mit seinem llm-coding-agent Plugin gegen ein frisches Checkout von Datasette laufen lassen, mit der Frage „Wie funktioniert Auth?“. Der Prozess war beeindruckend: Über ein langes Transcript hinweg machte das Modell eine Reihe von Tool-Calls, durchsuchte die Codebasis, untersuchte relevante Dateien und lieferte schließlich eine fundierte Antwort, die auf tatsächlichem Code basierte, nicht auf allgemeinem Wissen.

Dieses Beispiel zeigt, was mit „end-to-end agentic task completion“ gemeint ist. Es geht nicht darum, eine einzelne Anfrage zu beantworten, sondern eine Aufgabe zu verstehen, sie in Teilziele zu zerlegen, die richtigen Werkzeuge auszuwählen und die Ergebnisse zu interpretieren. Das erfordert Multi-Step-Reasoning über längere Kontexte hinweg – genau das, wofür Muse Glimmer laut Meta optimiert wurde. Die Fähigkeit, kohärente Pläne über komplexe, erweiterte Workflows zu halten, ist ein entscheidender Unterschied zu einfachen Chatbots, die bei mehreren aufeinanderfolgenden Schritten die Orientierung verlieren.

Auch die „Reliable Tool Use“ ist hier nicht nur ein Schlagwort. Das Modell ruft eine breite Palette von Funktionen auf, mit präzisen Schemas. Das ist die Grundlage für echte Agenten, die in Systemen wie MCP (Model Context Protocol) arbeiten können. Der MCP-Atlas-Benchmark ist genau dafür da – er teste, wie gut Modelle mit standardisierten Tool-Schnittstellen umgehen. Muse Glimmer schneidet dort offenbar stark ab, was es zu einem vielversprechenden Kandidaten für lokale Agenten macht, die mit externen Diensten interagieren.

Natürlich sollte man Benchmarks nicht überbewerten. Sie sind kontrollierte Umgebungen, die nicht alle Realitäten abdecken. Doch die Kombination aus offiziellen Tests und dem Praxistest des Autors – der das Modell tatsächlich mit einer echten Codebasis arbeiten ließ – gibt Vertrauen. Dass dabei ein 30B-Modell auf einem lokalen Rechner läuft, ohne Cloud-Anbindung, ist ein Statement für Privatsphäre und Unabhängigkeit.

Lokale Nutzung: LM Studio, llm-coding-agent und die Zukunft des Local AI

Wie integriert man Muse Glimmer nun in den eigenen Workflow? Der Autor nutzte LM Studio, eine beliebte Desktop-Anwendung, um die quantisierte Version des Modells zu laden. Die 18,16-GB-Version lief problemlos, und er erzeugte damit ein Bild eines Pelikans (das zwar etwas chaotisch aussah, aber dennoch die Fähigkeit zur Bildgenerierung? Nein, das war ein generiertes Bild, aber das Modell ist auch ein Vision-Modell – die Bildbeschreibung war der eigentliche Test). Parallel dazu nutzte er das llm-coding-agent Plugin, das auf dem LLM-Command-Line-Tool basiert. Dafür musste er eine kleine Patch anwenden, um die Kompatibilität mit LLM 0.32 herzustellen – ein typischer Aspekt, wenn neue Modelle auf ältere Tools treffen, aber nichts, was abschrecken sollte.

Der große Vorteil, den der Autor hervorhebt: Die Modellgröße von 30B ist ideal für lokale Systeme mit 32 GB RAM oder mehr – nicht nur für High-End-Setups wie sein 128-GB-Rig. Das bedeutet, dass viele Entwickler und Enthusiasten das Modell tatsächlich nutzen können, ohne in teure Hardware zu investieren. Und da die Apache-2.0-Lizenz keine Einschränkungen macht, kann man es in eigene Projekte einbauen, sei es für persönliche Assistenten, für automatisierte Code-Analyse oder für multimodale Anwendungen.

Was bedeutet das für die Zukunft? Muse Glimmer könnte ein Katalysator sein. Mit einem wirklich offenen, leistungsfähigen Agentic-Modell, das lokal läuft, entstehen neue Möglichkeiten für datenschutzfreundliche KI-Anwendungen. Man stelle sich vor: Ein lokaler Codierungsassistent, der die gesamte Codebasis durchsucht, Änderungen vorschlägt und sogar selbst implementiert – ganz ohne Cloud. Oder ein Tool, das Fotos beschreibt und in einer Datenbank indexiert, ohne dass die Bilder das Gerät verlassen. All das rückt in greifbare Nähe.

Natürlich gibt es auch Einschränkungen. Die Bildgenerierung des Autors war nicht perfekt – das Pelikan-Bild war ein wenig durcheinander. Aber das ist nicht das Hauptziel des Modells; es ist eher ein Nebenprodukt der Vision-Fähigkeit. Für die Kernaufgaben – agentische Problemlösung und Tool-Nutzung – scheint es sehr gut zu funktionieren. Und es wird sicherlich noch viele Iterationen geben, bei denen Meta die Fehler behebt oder Basismodelle weiterentwickelt. Die Tatsache, dass sie nun den Weg der offenen Lizenz gehen, ist ein starkes Signal an die Community.

Auch die Benchmarks: SWE-Bench misst die Fähigkeit, echte GitHub-Issues zu lösen – das ist der Goldstandard für Code-Agenten. Dass Muse Glimmer dort gute Ergebnisse erzielt, zeigt, dass es nicht nur für Demos taugt, sondern für reale Softwareentwicklung. Das llm-coding-agent Plugin ist ein gutes Beispiel dafür, wie man solche Fähigkeiten in den Workflow integriert – der Autor hat es mit Datasette getestet, und die Antwort zur Auth-Problematik war fundiert und korrekt.

Ein wichtiger Punkt für die Community: Die Integration in Tools wie LM Studio und LLM ist bereits möglich, auch wenn kleine Hürden wie der Patch für LLM 0.32 auftreten. Das zeigt, dass das Ökosystem auf neue Modelle vorbereitet ist, aber auch, dass Entwickler von Modellen und Tools eng zusammenarbeiten müssen, um reibungslose Erfahrungen zu schaffen. Mit der Zeit werden solche Kompatibilitätsprobleme sicherlich verschwinden.

Fazit: Ein neues Kapitel für lokal betriebene agentische KI

Muse Glimmer ist mehr als nur ein weiteres Open-Weights-Modell. Es kombiniert erstmals eine wirklich freizügige Apache-2.0-Lizenz mit leistungsfähigen Agentic-Fähigkeiten und Vision – und das in einer Größe, die auf einem durchschnittlichen Desktop-Rechner läuft. Der Autor hat das Modell in mehreren Szenarien getestet: Bildbeschreibung, Code-Analyse mit Tool-Nutzung und sogar Bildgenerierung (die zwar nicht perfekt war, aber existiert). Die Ergebnisse sind vielversprechend.

Für die KI-Community bedeutet das eine neue Option: Man ist nicht länger auf proprietäre Modelle oder eingeschränkte Lizenzen angewiesen, wenn man lokale, autonome Agenten bauen möchte. Muse Glimmer könnte damit den Weg für eine Welle von datenschutzfreundlichen Anwendungen ebnen, die ohne Cloud auskommen und trotzdem intelligent sind. Dass Meta hier die Vorreiterrolle übernimmt, ist bemerkenswert – und ein Zeichen, dass Open Weights nicht nur ein Marketing-Begriff ist, sondern ernst genommen wird.

Allerdings sollte man nicht in Euphorie verfallen. Die Benchmarks sind stark, aber nicht überirdisch. Die Bildgenerierung hat noch Schwächen, und die Integration erfordert etwas Handarbeit. Doch für alle, die ein lokales, vielseitiges Modell für agentische Aufgaben suchen, ist Muse Glimmer definitiv einen Blick wert. Man kann es heute schon herunterladen und ausprobieren – die Werkzeuge dafür sind da, und die Lizenz macht es ohne Wenn und Aber möglich. In einer Zeit, in der Datenschutz und Kontrolle über die eigenen Daten immer wichtiger werden, ist das ein konkret greifbarer Fortschritt.

Quelle: simonwillison.net

Ein Unternehmen namens Dyna Robotics präsentiert mit Dyna-2 ein Modell, das auf über einer Million Stunden menschlicher Videodaten trainiert wurde. Das könnte eine neue Ära des KI-gesteuerten Roboters einleiten. Bemerkenswert ist der Nachweis eines Skalierungsgesetzes für den Transfer von Mensch zu Roboter: Mehr Video bedeutet vorhersagbar bessere Leistung auf nie gesehener Roboterhardware.

Vision-Language-Action-Modelle (VLA) gelten derzeit als Standard in der lernenden Robotik. Dyna-2 setzt auf eine andere Architektur: ein sogenanntes Welt-Aktions-Modell (WAM), das nicht nur Handlungen vorhersagt, sondern auch zukünftige Videobilder erzeugt. Der Roboter lernt nicht nur, was zu tun ist, sondern auch, wie sich seine Umgebung dadurch verändert. Diese Fähigkeit entsteht allein durch die Menge an beobachtetem menschlichem Verhalten.

Was ist ein Welt-Aktions-Modell?

Ein Welt-Aktions-Modell ist eine KI, die zwei Dinge gleichzeitig kann: Sie versteht den aktuellen Zustand der Welt – etwa die Position eines Objekts auf dem Tisch – und sie sagt vorher, wie sich dieser Zustand durch eine bestimmte Aktion verändert. Klassische Sprachmodelle verarbeiten nur Texte, ein WAM lernt aus Bildern und Videos. Stell dir vor, du siehst einem Koch zu, wie er eine Zwiebel schneidet. Dein Gehirn speichert nicht nur die Bewegung des Messers, sondern auch das erwartete Ergebnis: die Zwiebel zerfällt in Würfel. Genau dieses Prinzip steckt in Dyna-2. Es beobachtet Millionen von Stunden menschlicher Manipulationsvideos und lernt daraus abstrakte Gesetzmäßigkeiten über Physik, Objekte und Handlungsfolgen.

Die technische Umsetzung basiert auf einem neuronalen Netzwerk, das mit „diffusion modeling“ trainiert wird. Vereinfacht: Das Modell lernt, aus verrauschten Daten wieder klare Bilder zu erzeugen. Dyna-2 wird nicht nur mit Aktionen trainiert, sondern auch mit der Vorhersage zukünftiger Videobilder. Diese Kombination unterscheidet es von den meisten anderen Robotermodellen. Ein VLA-Modell leitet aus einem Sprachbefehl direkt eine Aktion ab, das Welt-Aktions-Modell denkt erst einmal in Bildern. Es „stellt sich vor“, wie die Welt nach der Handlung aussieht, und steuert dann entsprechend. Diese Art des Denkens ist robuster, weil sie nicht an bestimmte Roboterarme oder Greifer gebunden ist.

Das Skalierungsgesetz: Mehr Video, bessere Roboter

Dyna Robotics hat etwas entdeckt, das in der KI-Forschung als „heiliger Gral“ gilt: ein vorhersagbares Muster, wie sich die Leistung mit mehr Daten verbessert. Werden die Datenmengen erhöht, steigt die Fähigkeit des Modells, Aufgaben auf ungesehenen Robotern zu lösen – ohne vorheriges Training an diesen Robotern. Das ist der erste Nachweis eines solchen Skalierungsgesetzes für den Transfer von menschlichem Verhalten auf Maschinen.

Die Forscher führten sorgfältig kontrollierte Experimente durch. Sie nahmen Videos von menschlichen Manipulationsaufgaben – etwa Greifen, Stapeln oder Schrauben – und teilten sie in Untergruppen von 1.000 bis zu einer Million Stunden. Bei jeder Stufe wurde ein separates Modell trainiert und anschließend auf 39 verschiedene Roboteraufgaben getestet. Das Ergebnis war klar: Mit zunehmender Datenmenge stieg die Erfolgsrate stetig an. Besonders interessant ist der Wendepunkt zwischen 10.000 und 100.000 Stunden – ab dieser Schwelle scheint das Modell übergreifende Gesetzmäßigkeiten über verschiedene Körper und Umgebungen zu erkennen. Das ähnelt dem Sprachenlernen: Zuerst brauchst du viele Vokabeln, aber ab einem bestimmten Punkt erkennst du grammatische Muster und kannst Sätze konstruieren, die du nie vorher gehört hast.

Dieses Skalierungsgesetz hat praktische Bedeutung. Unternehmen müssen nicht mehr selbst Tausende von Robotern mit Teleoperation steuern, um sie zu trainieren. Sie können auf das riesige, vorhandene Videoarchiv aus dem Internet zugreifen – von YouTube-Tutorials bis zu Social-Media-Clips. Je mehr menschliche Aktivität das Modell sieht, desto besser wird es darin, diese Aktivität auf Roboter zu übertragen. Das funktioniert nicht nur bei statischen Aufgaben, sondern auch in dynamischen Umgebungen, wie Deformationsobjekten oder sich bewegenden Gegenständen.

Warum Video-Co-Training der Schlüssel ist

Der entscheidende Durchbruch von Dyna-2 liegt in einer scheinbar kleinen technischen Entscheidung: das gleichzeitige Training auf Aktionen und Videobilder. Die Forscher nennen das „Video-Co-Training“ – das Modell muss vorhersagen, welche Aktion als Nächstes kommt, und wie das Bild in der Zukunft aussieht. Diese Doppelaufgabe erweist sich als Schlüssel, um die Lücke zwischen Mensch und Roboter zu schließen.

Im direkten Vergleich zum VLA-Modell Dyna-1, das nur auf Aktionen trainiert wurde, zeigte sich: Video-Co-Training übertrifft reines Aktionstraining auf allen 39 Aufgaben und bei jedem Skalierungsniveau. Warum? Stell dir vor, du lernst, ein Auto zu fahren. Wenn du nur die Lenkbewegungen auswendig lernst, bist du in unbekannten Situationen schnell überfordert. Wenn du auch verstehst, wie sich das Auto bei Kurven physikalisch verhält und wie die Straße vor dir aussieht, reagierst du intuitiver. Genau das passiert mit dem Modell: Durch die Vorhersage von Videobildern entwickelt es ein tiefes Verständnis für Kausalität und Abläufe.

Dyna Robotics etabliert Video als „neue Skalierungsachse“. Selbst wenn die Menge an Aktionsdaten begrenzt ist, kann das Modell durch weiteres unannotiertes Menschvideo besser generalisieren. Das hat weitreichende Konsequenzen: Unternehmen sind nicht mehr auf teure, handannotierte Datensätze angewiesen, sondern können einfach mehr YouTube-Videos einspeisen. Ähnliche Ansätze verfolgen auch andere Unternehmen wie 1X, die auf Weltmodelle setzen. Dyna-2 liefert jetzt die empirische Bestätigung, dass diese Strategie funktioniert.

Robuste Realität: Tests und Kundeneinsatz

Wie schlägt sich Dyna-2 in der echten Welt? Überraschend gut. Das Unternehmen testete das Modell unter extremen Bedingungen – bei flackernder Disco-Beleuchtung, in völliger Dunkelheit und sogar bei aktiver Störung durch Menschen, die die Arbeit des Roboters in Echtzeit wieder rückgängig machten. In allen Fällen behielt Dyna-2 die Kontrolle und erledigte die Aufgabe trotz widriger Umstände.

Diese Robustheit ist eine direkte Folge des Weltmodell-Designs. Weil das Modell vorhersagen kann, was als Nächstes passiert, kann es auch unerwartete Änderungen der Umgebung antizipieren und darauf reagieren. Ein VLA-Modell, das nur Aktionen ausführt, hat diese Perspektive nicht – es ist blind für die Konsequenzen seiner Bewegungen. Bei den Kunden vor Ort zeigte sich das in Zahlen: In Zero-Shot-Implementierungen erreichte Dyna-2 eine Produktions-Erfolgsrate von 87 Prozent, der Vorgänger Dyna-1 kam nur auf 46 Prozent. Das ist fast eine Verdopplung.

Besonders spannend ist die emergente Fähigkeit zur Sprachsteuerung. Obwohl Dyna-2 als kontinuierliches Aktionsmodell konzipiert ist – es arbeitet direkt auf numerischen Befehlen, nicht auf Text – zeigte es auf einmal, dass es gesprochene Befehle verstehen und umsetzen kann. Das Video-Co-Training verbesserte die Sprachbefehlserfolgsrate von 35 auf 67 Prozent, durch weitere Skalierung sogar auf 96 Prozent. Sprachverständnis stellt sich quasi automatisch ein, wenn das Modell genug menschliche Interaktion beobachtet hat.

Schneller Träumen: Die ein-Schritt-Generierung

Weltmodelle haben ein gravierendes Problem: ihre Langsamkeit. Um eine Aktion auszuführen, muss das Modell erst eine Reihe von Zukunftsszenarien durchsimulieren – das dauert oft Sekunden, für einen Roboter zu langsam. Dyna Robotics hat das mit einer neuartigen Destillationsmethode gelöst. Statt das Video Schritt für Schritt in vielen Schritten zu generieren, lernt ein Student-Modell, das Ergebnis in einem einzigen Schritt zu erzeugen. Die Technik heißt „one-step video generation distillation“ und funktioniert ähnlich wie das Abkürzen einer Kette von Denkschritten: Der Student wird trainiert, die Zielverteilung sofort zu treffen, ohne die Zwischenstufen zu durchlaufen.

Das Ergebnis ist beeindruckend. Die Latenzzeit für die Videogenerierung sank von 10.203 Millisekunden auf nur 110 Millisekunden – zwei Größenordnungen schneller. Damit kann das Modell blitzschnell „träumen“, was passiert, wenn der Greifer sich schließt, und dann sofort entsprechend handeln. Das ist entscheidend für den Einsatz in Echtzeit. Die Qualität der generierten Videos bleibt dabei erhalten, wie die Tests zeigen.

Damit hat Dyna Robotics die letzte Hürde für die praktische Nutzung von Weltmodellen in der Robotik aus dem Weg geräumt. Die Kombination aus schneller Vorhersage und robustem Verhalten macht Dyna-2 zu einem ernstzunehmenden Konkurrenten für etablierte VLA-Architekturen. Die Skalierungsgesetze zeigen, dass wir erst am Anfang stehen – eine Million Stunden ist laut dem Unternehmen nur der Beginn. In den kommenden Jahren könnten zehn Millionen, hundert Millionen Stunden folgen, und jede Verdopplung würde die Roboterfähigkeiten weiter verbessern.

Quelle: humanoidsdaily.com

Ein Sicherheitsforscher erwirbt eine Domain, die wie ein Mülleimer für E-Mails wirkt. Hunderte Unternehmen senden ihm daraufhin vertrauliche Informationen – oft ohne es zu bemerken.

Das klingt nach einem Kuriosum, ist aber ein ernstes Sicherheitsproblem. Was als harmloser Test begann, entpuppt sich als systematisches Datenleck in der Unternehmenskommunikation.

Ein Zufallsfund mit Folgen

Der Sicherheitsforscher Cory Solowevicz kaufte 2020 die Domain noreply.us und 2024 auch noreply.net. Sein Ziel war es, eine Catch-all-Mailbox einzurichten, um Spam zu filtern und seine Privatsphäre zu schützen. Doch schnell bemerkte er: Fremde Systeme schickten massenhaft E-Mails an @noreply.us-Adressen. Es handelte sich nicht um Werbung, sondern um Nachrichten, die für andere Empfänger gedacht waren – nur eben an eine Adresse, die niemand zu kontrollieren schien.

Seit Dezember 2024 sind auf seiner noreply.net-Domain rund 400.000 Nachrichten eingegangen. Das sind fast 700 pro Tag. Darunter finden sich Reparaturaufträge, Zugangsdaten zu Testplattformen, sogar Verletzungsberichte einer Stadtverwaltung. Solowevicz nennt das Ganze einen „versehentlichen Honeypot“ – ein Netz, das er nie gespannt hatte, das aber Unmengen an sensiblen Daten anzieht.

Das Problem ist nicht neu, aber größer als gedacht. Bereits vor fast 20 Jahren berichtete der Journalist Brian Krebs über Firmen, die massenhaft E-Mails an @donotreply.com verschickten. Heute nutzen viele Unternehmen das Wort „noreply“ als Platzhalter, wenn sie eine E-Mail-Adresse nicht mehr benötigen oder einen Account löschen. Sie gehen davon aus, dass niemand diese Adressen überwacht – doch genau das tun die neuen Besitzer.

Ein digitaler Mülleimer voller Geheimnisse

Solowevicz ist nicht der Einzige, der diesen Effekt beobachtet. Auch der Sicherheitsverantwortliche Mike Sheward kaufte für etwa 15 Dollar die Domain deleteduser.com. Bereits in der ersten Stunde nach dem Kauf schickten drei verschiedene Organisationen E-Mails an @deleteduser.com. Diese Firmen ändern offenbar einfach die E-Mail-Adresse eines Nutzers, statt den Account komplett zu löschen – und leiten damit alle künftigen Nachrichten auf eine fremde Domain um.

Sheward hat inzwischen Zehntausende solcher Nachrichten erhalten. Darunter sind Bestellbestätigungen für Viagra, Urlaubsanträge, Hotelbuchungen mit vollständigen Namen oder Einladungen zu Zoom-Meetings einer britischen Regierungsbehörde. Besonders häufig sind Nachrichten aus der Cybersicherheitsbranche und von Microsoft-Partnern. Ein Unternehmen, das er nicht nennen will, verwendet Objekterkennungstechnologie, um Arbeiter auf Industrieanlagen im Nahen Osten zu überwachen – und hat ihm tausende Standbilder aus Überwachungskameras geschickt.

„Ich bin der gute Wächter des Internet-Mülleimers“, sagt Sheward. Aber er macht auch klar: „Wenn ich böswillig wäre, wäre es ein Leichtes, diese Informationen zu missbrauchen.“ Die Daten, die hier versehentlich ankommen, sind nicht nur lästig – sie sind ein gefundenes Fressen für Erpresser und Industriespione.

Missverständnisse rund um „noreply“-Adressen

Warum passiert das? Viele Unternehmen verwenden „noreply“ als Absender für automatisierte Nachrichten – etwa für Bestellbestätigungen oder Passwort-Resets. Diese Absender sind Wegwerfadressen, auf die niemand antwortet. Doch wenn ein internes System eine E-Mail an eine Person schicken muss, deren Account gelöscht wurde, ersetzen einige Systeme die ursprüngliche Adresse einfach durch eine generische Version wie [firmenname]@noreply.net. Das ist ein schlechter Workaround, der auf der Annahme beruht, dass diese Domain nicht existiert oder niemand die Nachrichten liest.

Genau diese Annahme ist das Kernproblem. Eine Domain wie noreply.net lässt sich ohne großen Aufwand registrieren, sofern sie noch frei ist. Wer sie kauft, kontrolliert damit alle E-Mail-Adressen auf dieser Domain. Jede E-Mail, die an eine beliebige Adresse auf dieser Domain geschickt wird, landet im Postfach des Domainbesitzers. Das ist kein Hack, sondern schlichte Konfiguration. Unternehmen, die solche Platzhalterdomains nutzen, riskieren, Kundendaten, Mitarbeiterdaten und interne Informationen an Unbefugte weiterzugeben.

Dabei wäre die Lösung trivial: Es gibt die reservierte Top-Level-Domain .invalid, die garantiert nie existiert. Oder man verwendet interne Domainnamen, die nicht öffentlich erreichbar sind. Doch viele Firmen greifen eben zu „noreply“ oder ähnlichen Begriffen, weil sie glauben, dass diese Adressen unbeobachtet bleiben. Das Gegenteil ist der Fall – wie die Erfahrungen der Forscher zeigen.

Die Jagd nach weiteren gefährlichen Domains

Solowevicz und Sheward arbeiten unabhängig voneinander daran, das Ausmaß des Problems zu kartieren. Sie haben zusammen über 30 weitere Domains gekauft, die als Platzhalter genutzt werden könnten – etwa deleteduser.com, maildrop.net oder ähnliche. Damit wollen sie verhindern, dass Kriminelle diese Domains in die Hände bekommen und die Daten missbrauchen. Ein Wettlauf gegen die Zeit.

Im Rahmen seines Vortrags auf der Sicherheitskonferenz Defcon stellte Solowevicz eine Analyse vor: Er scannte 7.136 mögliche Platzhalterdomains und fand heraus, dass 328 davon tatsächlich mit Catch-all-Mailboxen konfiguriert waren. Auf diesen Domains werden alle E-Mails angenommen – wer sie registriert hat, erhält sämtliche Nachrichten. „Ich weiß nicht, wie groß das Problem wirklich ist“, sagt er, „aber ich befürchte, dass das, was ich zufällig entdeckt habe, nur die Spitze des Eisbergs ist.“

Die Forscher haben bereits mehrere Firmen über ihre Fehlkonfigurationen informiert. Die Reaktionen sind gemischt: Manche Unternehmen haben die Probleme stillschweigend behoben, viele haben gar nicht geantwortet. Angesichts von über 400.000 E-Mails auf einer einzigen Domain ist es praktisch unmöglich, jeden Absender einzeln zu kontaktieren. Solowevicz betont, dass dies mittlerweile eine Vollzeitbeschäftigung wäre – und genau deshalb macht er seine Erkenntnisse öffentlich.

Was Unternehmen daraus lernen müssen

Dieser Fall zeigt, wie schnell aus einer vermeintlich harmlosen E-Mail-Adresse ein Sicherheitsrisiko wird. Unternehmen, die „noreply“-Domains als Platzhalter für gelöschte oder geänderte Adressen nutzen, sollten das sofort überdenken. Stattdessen sollten sie auf interne Domains oder die reservierte Endung .invalid zurückgreifen. Außerdem ist es ratsam, regelmäßig zu überprüfen, ob an die eigene Domain E-Mails an unbekannte Adressen gehen – das kann man über SPF- oder DMARC-Records sehen, die auch Auskunft über die Zustellung geben.

Für dich als Nutzer bedeutet das: Du solltest niemals davon ausgehen, dass eine „noreply“-Adresse unbeobachtet ist. Wenn du eine E-Mail von einer Firma mit einer solchen Absenderadresse erhältst, ist das normal – aber wenn du eine Antwort an diese Adresse schickst, landet sie im Nirgendwo. Viele wissen nicht: Wenn eine Firma deine E-Mail-Adresse in eine „noreply“-Adresse umwandelt, weil du deinen Account löschst, kann das dazu führen, dass deine persönlichen Daten an einen Dritten gehen – nämlich an den Besitzer dieser Domain.

Die Geschichte von Solowevicz ist kein Einzelfall, sondern ein Symptom. Sie zeigt, wie nachlässig viele Organisationen mit E-Mail-Adressen umgehen, obwohl E-Mail nach wie vor ein zentraler Kanal für vertrauliche Informationen ist. Die gute Nachricht: Das Problem ist mit geringem Aufwand lösbar. Die schlechte Nachricht: Solange Unternehmen weiterhin auf „noreply“ als Mülleimer setzen, werden auch andere Forscher – oder schlimmer noch, Angreifer – diese Daten finden.

Quelle: arstechnica.com

500 Milliarden Dollar. So viel Kapital will Nvidia mit Hilfe von sechs der größten Finanzinstitute der Welt für den Bau von KI-Infrastruktur mobilisieren. Der Chiphersteller hat mit Apollo Global Management, Blackstone, BlackRock, Brookfield Asset Management, Goldman Sachs und KKR Absichtserklärungen unterzeichnet, um Finanzierungsplattformen für Nvidia-Kunden aufzubauen.

Das könnte die Finanzierung von Künstlicher Intelligenz grundlegend verändern. Bisher finanzierten Hyperscaler wie Microsoft, Amazon oder Google ihre Rechenzentren überwiegend aus eigenen Bilanzen oder klassischen Unternehmensanleihen. Das soll sich nun ändern: GPUs und die dazugehörigen Datenzentren werden zu besicherbaren Vermögenswerten, gegen die Kapitalgeber Kredite vergeben können.

Nvidia-CEO Jensen Huang nennt das in einem gemeinsamen Interview mit CNBC einen historischen Schritt. „Dies ist das erste Mal, dass Technologie-Chips zu einer investierbaren Anlageklasse werden“, sagte der 62-Jährige. Die Chips seien ertragsbringende, langlebige und flexible Vermögenswerte, die sich zwischen Kunden übertragen lassen.

Die Idee hinter der Finanzierung: Chips als Infrastruktur wie Strom und Internet

Huang vergleicht die Entwicklung mit der Elektrifizierung der Industrie. Genau wie Stromnetze oder das Internet seien Computer heute Teil der grundlegenden Infrastruktur. „Man muss darüber nachdenken wie über Infrastruktur“, erklärte er. Diese Sichtweise hat Konsequenzen für die Finanzwelt, denn Infrastruktur lässt sich beleihen, verbriefen und langfristig refinanzieren.

Die Logik ist einfach: Nvidias Hardware ist weit verbreitet, standardisiert und zwischen verschiedenen Betreibern übertragbar. Ein KI-Chip aus dem Hause Nvidia funktioniert in einem Rechenzentrum in Texas genauso wie in einem in Singapur. Diese Fungibilität macht es Kreditgebern leicht, den Wert der Sicherheit einzuschätzen. Ein KI-Rechenzentrum wird damit finanziell behandelbar wie ein Bürogebäude oder eine Mautstraße.

Diese Analogie zieht sich durch die gesamte Ankündigung. Jon Gray, Präsident von Blackstone, formulierte es im CNBC-Interview so: KI-Computing werde eine „finanzierbare Anlageklasse“ in dem Sinne, wie Hypothekenbanken auf Eigenheime blicken. Die Nachfrage nach KI übersteige das Angebot bei weitem, so Gray. Bei den Portfoliounternehmen von Blackstone sei die Nutzung von KI in diesem Jahr um das Siebenfache gestiegen.

Warum die Wall Street plötzlich an KI-Chips glaubt

Larry Fink, CEO von BlackRock, sieht in der Vereinbarung den Beginn der „nächsten Zukunft des Financial Engineering“. Er zieht einen direkten Vergleich zur Erfindung hypothekenbesicherter Wertpapiere in den 1970er-Jahren. Diese Instrumente revolutionierten damals den Immobilienmarkt, indem sie es Banken erlaubten, Kredite zu bündeln und an Investoren weiterzuverkaufen. Etwas Ähnliches könnte nun mit KI-Infrastruktur passieren.

Fink betonte die Dringlichkeit: „Wir müssen dieses Geld so schnell wie möglich aufbringen und einsetzen, weil es zwingend ist, dass die USA weltweit führend in KI bleiben.“ Bereits jetzt seien einige Fonds aufgelegt worden, aber BlackRock werde „deutlich mehr“ einsammeln. Das zeigt: Es soll nicht bei Absichtserklärungen bleiben, sondern konkrete Finanzprodukte entstehen sollen.

Goldman-Sachs-CEO David Solomon erklärte, Jensen Huang habe die Finanzinstitute persönlich auf die Idee angesprochen. Die Rolle von Goldman Sachs umfasse sowohl Investitionen als auch die Distribution solcher Produkte. „Wir befinden uns in einem entscheidenden Moment eines historischen KI-Investitionszyklus“, sagte er in der Pressemitteilung. Es gehe darum, einen Markt für Kredite zu schaffen, die durch Nvidia-Computing besichert sind.

Die Mechanik: Wie die Finanzierung von KI-Infrastruktur funktionieren soll

Konkret geht es darum, institutionelles Kreditkapital, Versicherungsgelder und Private-Capital in die Finanzierung von Datenzentren zu lenken. Hyperscaler, KI-Labore und Unternehmen sollen Rechenzentren bauen und Nvidia-Hardware erwerben können, ohne ihre eigenen Bilanzen zu belasten. Das ist ein entscheidender Punkt, denn die Kosten für KI-Infrastruktur sind immens und steigen weiter.

Ratingagenturen wie Moody’s haben bereits gewarnt, dass die beispiellosen Investitionsausgaben der großen Technologiekonzerne den freien Cashflow belasten und zu höherer Verschuldung führen könnten. Genau hier setzt das Modell von Nvidia an. Statt dass die Tech-Giganten selbst Milliarden an Krediten aufnehmen, übernehmen institutionelle Investoren diese Rolle. Sie kaufen die Chips oder finanzieren die Rechenzentren und verdienen an den Erträgen, die diese Infrastruktur generiert.

Alternativen Asset-Manager wie Apollo und Blackstone haben bereits Erfahrung mit dieser Art von Finanzierung gesammelt. Beide haben in der Vergangenheit Debt- und Equity-Finanzierungen für Unternehmen wie das KI-Startup Anthropic strukturiert. Diese Expertise soll nun skalieren. Das Geld kommt von Versicherungen, Pensionsfonds und anderen institutionellen Anlegern, die langfristige, stabile Renditen suchen – und genau das verspricht die KI-Infrastruktur aus Sicht der Initiatoren.

Was das für Nvidia und die KI-Industrie bedeutet

Für Nvidia selbst ist die Initiative strategisch wichtig. Der Chiphersteller will nicht länger nur Hardware verkaufen, sondern das gesamte Ökosystem um seine Produkte herum gestalten. Indem Nvidia die Finanzierung der Abnehmer sicherstellt, senkt das Unternehmen die Einstiegshürden für den Kauf seiner teuren Chips. Ein einzelner KI-Beschleuniger der Spitzenklasse kostet mehrere zehntausend Dollar, ein komplettes Rechenzentrum schnell mehrere Milliarden.

Die Ankündigung kommt zu einem sensiblen Zeitpunkt. Erst im Juli dieses Jahres hatten die globalen Märkte geschwankt, als Investoren begannen, an der Rendite der massiven KI-Investitionen der großen Technologiekonzerne zu zweifeln. Hunderte Milliarden Dollar fließen in Datenzentren und Hardware, und die Frage, ob sich diese Investitionen jemals auszahlen werden, ist keineswegs abschließend beantwortet. Die Finanzierungsinitiative von Nvidia kann als Antwort auf genau diese Zweifel verstanden werden.

Huang argumentiert, dass die Chips ertragsgenerierende Vermögenswerte seien: „Sie sind produktiv, langlebig, fungibel und flexibel.“ Diese Eigenschaften machen sie aus Sicht von Nvidia zu idealen Kandidaten für die Verbriefung. Langlebig ist allerdings ein relativer Begriff in einer Branche, in der jede neue Chip-Generation die vorherige potenziell obsolet macht. Genau das ist der wunde Punkt, den Skeptiker ansprechen.

Die Risiken: Was passiert, wenn die Chips an Wert verlieren?

Die Geschichte der GPU-Finanzierung kennt auch andere Kapitel. Über Jahre hinweg galten Grafikkarten als schnell abwertende Hardware, deren Wert nach wenigen Jahren gegen Null sinkt. Nvidias Ansatz stellt diese Annahme nun infrage. Die Frage ist, ob sich die Rechnung als richtig erweist, wenn leistungsfähigere Chips auf den Markt kommen und die älteren Modelle an Attraktivität verlieren.

Genau hier liegt das Risiko für die beteiligten Investoren. Wenn sich die KI-Nachfrage abschwächt oder eine neue Technologie die bisherigen Chips überflüssig macht, könnten die besicherten Vermögenswerte an Wert verlieren. Die Strukturierung der Finanzprodukte wird deshalb entscheidend sein. Ähnlich wie bei Subprime-Hypotheken in der Finanzkrise 2008 könnte das zugrunde liegende Risiko durch die Verbriefung verschleiert werden – bis es zu spät ist.

Die beteiligten CEOs zeigen sich unbeeindruckt von solchen Sorgen. Solomon sprach von einem „historischen Investitionszyklus“, Fink von einer „neuen Ära“ und Huang davon, dass man die Datenzentren wie Strom und Internet behandeln müsse. Die Euphorie ist verständlich, denn für alle Beteiligten winkt ein Milliardengeschäft. Nvidia verdient an den Chips, die Asset-Manager an den Gebühren, und die Kunden bekommen Zugang zu Kapital, das sie sonst nicht bekommen würden.

500 Milliarden Dollar sind eine Zahl, die schwer zu fassen ist. Sie entspricht in etwa dem gesamten Bruttoinlandsprodukt eines Landes wie Norwegen. Dass so viel Geld für den Bau von KI-Infrastruktur mobilisiert werden soll, zeigt, wie ernst die Finanzwelt die KI-Revolution nimmt. Gleichzeitig erinnert die Ankündigung an frühere Finanzierungswellen – von Eisenbahnanleihen über Flugzeug-Leasing bis zu Verbriefungen von Solaranlagen. Manche davon endeten gut, andere katastrophal. Ob KI-Chips die nächste große Anlageklasse werden oder der nächste Milliarden-Fehlgriff, wird sich erst in einigen Jahren zeigen. Die Weichen dafür sind jetzt gestellt.

Quelle: cnbc.com

Ein Mann mit grauem Bart sitzt in einem schlichten Büro in San Francisco, vor ihm eine Tabelle mit sechs Firmennamen. Er hat gerade die neuesten Finanzierungsdaten zusammengestellt und reibt sich die Augen. Seit Jahren prognostiziert er die Entwicklung von KI-Labors, aber diese sechs Startups bringen ihn ins Grübeln.

Riesige Summen fließen in Projekte mit fraglichem Erfolg. Genau das passiert gerade im Bereich der Künstlichen Intelligenz. Während OpenAI und Anthropic mit Milliardenaufwendungen an der Spitze stehen, entstehen Neolabs – neue, schlanke Unternehmen, oft von prominenten Forschern gegründet. Sie versuchen das Unmögliche: mit winzigen Ressourcen gegen die Riesen zu gewinnen.

Was die Neolabs tatsächlich wetten

Ein erfahrener KI-Analyst hat die sechs wichtigsten dieser Labors untersucht. Seine These überrascht: Diese Unternehmen setzen nicht darauf, Superintelligenz zu erreichen. Sie wetten dagegen. Sie glauben, dass große Sprachmodelle bald ein Plateau erreichen und keine weiteren Durchbrüche liefern. Für Investoren, die Milliarden in diese Startups stecken, ist das eine bemerkenswerte Haltung.

Die Logik dahinter: Wenn die LLMs nicht mehr besser werden, haben neue Ansätze und alternative Architekturen eine Chance. Die Neolabs setzen auf radikal andere Wege zur Künstlichen Intelligenz – etwa auf Weltmodelle, auf Lernsysteme, die nicht auf menschlichen Daten basieren, oder auf offene Gewichte, um die Community einzubinden. Sie kehren damit dem Mainstream den Rücken, der auf Skalierung von Rechenleistung und Datenvolumen setzt.

Die Wette ist nicht irrational, aber sie ist nur in einem schmalen Korridor der Zukunft sinnvoll. Wenn die etablierten Labors die Superintelligenz bereits in den nächsten Jahren erreichen, haben die Neolabs verloren. Kommt sie erst in zehn oder mehr Jahren – und mit anderen Methoden als den heutigen –, könnten ihre Ansätze der richtige Weg sein.

Die sechs Plätze an der Startlinie

Im Fokus stehen sechs Unternehmen: Safe Superintelligence (SSI), Thinking Machines Lab, Reflection AI, Ineffable Intelligence, Discovery Loop und AMI Labs. Jedes hat bereits Milliarden eingesammelt – insgesamt deutlich über 20 Milliarden US-Dollar. Die Unterschiede zwischen den Labors sind enorm – bei Ressourcen, Strategie und Aussichten.

Die Tabelle zeigt für jedes Labor die erwartete Rechenleistung Ende 2028, den Zeitpunkt des ersten Frontier-Modells, das eingeworbene Kapital und die Anzahl abgeworbener Spitzenforscher von OpenAI, Anthropic und DeepMind. Die Spannbreiten sind riesig – von 0,04 Gigawatt bis 0,75 Gigawatt Rechenleistung, von 4 bis 32 Top-Leuten und von Kapitalbeträgen zwischen einer und 64 Milliarden Dollar.

Die besten Werte der Neolabs liegen um ein Vielfaches unter denen von OpenAI und Anthropic. OpenAIs Stargate-Projekt strebt zehn Gigawatt Rechenleistung an – das Zehnfache des besten Neolab-Werts. Auch beim Kapital sind die Unterschiede deutlich: OpenAIs jüngste Finanzierungsrunde war größer als das gesamte Kapital aller sechs Neolabs zusammen. Die Neolabs können im aktuellen Wettrennen kaum mithalten – es sei denn, die Prämisse des Plateaus stimmt.

Safe Superintelligence: Das stille Rennen

Safe Superintelligence, gegründet von Ilya Sutskever, ist das rätselhafteste unter den Neolabs. Das Unternehmen hat rund 8 Milliarden Dollar eingesammelt – mehr als doppelt so viel, wie die meisten Medien berichten. Nvidias Investition von 5 Milliarden Dollar im Juli 2025 ist darin eingerechnet. Nvidia sichert sich damit exklusiven Zugang zur nächsten Generation ihrer Rechenplattform Vera Rubin, was die Rechenleistung von SSI um eine Größenordnung erhöhen soll. Die Prognose ist optimistisch: Das erste Frontier-Modell könnte bereits im Januar 2029 erscheinen, mit einer Untergrenze von März 2027.

Doch überraschend ist die Personalplanung. Laut den Analysen sind nur zwei Mitarbeiter öffentlich als ehemalige Spitzenkräfte der drei großen Labors identifizierbar. Die Prognose für August 2027 liegt bei gerade einmal sieben solcher Spezialisten – bei einer Gesamtbelegschaft von etwa 50 Personen. Das ist ein bewusster Kontrast zu anderen Labors, die auf Masseneinstellungen setzen. SSI vertraut darauf, dass konzentriertes Kapital und Rechenleistung mit einem kleinen, exzellenten Team mehr erreichen als eine große Mannschaft.

Der knifflige Punkt: SSI wird voraussichtlich keine Produkte veröffentlichen. Fortschritte zeigen sich nur über Leaks und unabhängige Bewertungen – ähnlich wie bei Anthropics früherem Geheimprojekt Mythos. Außenstehende müssen auf Berichte aus dem Inneren vertrauen, statt auf öffentliche Benchmarks. Man sollte nicht auf einen Launch warten, sondern auf die Tonalität der Berichterstattung achten.

Thinking Machines: Infrastruktur, aber Geduld

Thinking Machines, gegründet von Mira Murati, hat die größte gesicherte Rechenleistung aller Neolabs. Ein Vertrag mit Nvidia liefert mindestens ein Gigawatt an neuer Hardware ab Anfang 2027, dazu kommt ein Google-Cloud-Deal im einstelligen Milliardenbereich für Reinforcement Learning. Das Unternehmen hat bereits ein erstes Modell veröffentlicht, namens Inkling – ein riesiges Modell mit 975 Milliarden Parametern, das allerdings nur auf Platz 41 des Artificial Analysis Index landete. Das ist weit weg von den Top-5, die für ein Frontier-Modell nötig wären.

Der Versuch zeigt, dass Thinking Machines einen pragmatischen Weg verfolgt. Während die Konkurrenz auf den großen Wurf wartet, verkauft das Unternehmen bereits kleinere Modelle an Unternehmen und versucht, Umsätze zu generieren. Die Prognose sieht ein Frontier-Modell erst im Dezember 2030, mit einem rechten Rand bis 2043. Es ist durchaus möglich, dass Thinking Machines zu einem erfolgreichen Unternehmen wird, ohne jemals die Grenze zur Superintelligenz zu überschreiten.

Hier zeigt sich ein Verfolger auf Nummer Sicher: gute Infrastruktur, solide Finanzen, keine wilden Wetten. Die Strategie ist durchdacht, aber sie zeigt, wie schwer es für ein gut ausgestattetes Team ist, in die erste Liga vorzustoßen. Inkling ist nicht konkurrenzfähig, und die Zeit bis zum nächsten Quantensprung ist lang.

Reflection AI: Der Außenseiter mit offenen Gewichten

Reflection AI, gegründet von Laskin, ist der heimliche Favorit. Das Unternehmen hat rund 4,6 Milliarden Dollar eingesammelt, eine Serie-C-Runde im März mit einer Bewertung von 25 Milliarden Dollar, die kaum öffentliche Beachtung fand. Es ist das am schnellsten wachsende Team von allen: etwa 230 Mitarbeiter heute, vor einem Jahr waren es 60. Bis August 2027 erwarten die Prognosen 32 ehemalige Spitzenkräfte aus den großen drei Labors – das ist der höchste Wert der gesamten sechs.

Die Strategie setzt auf offene Gewichte, also auf öffentlich zugängliche Modelle. Das gibt dem Unternehmen einen klaren Weg zur Sichtbarkeit: Jeder kann die Modelle nutzen und bewerten. Die Frontier-Median liegt im Juni 2029 – erstaunlich nah an SSI, obwohl Reflection deutlich weniger Kapital hat. Dafür fehlt es an Rechenleistung: Die wird Monat für Monat gemietet, für 150 Millionen Dollar pro Monat auf SpaceX‘ Colossus-2-Campus, mit einer Kündigungsfrist von 90 Tagen. Das ist die strukturelle Antithese zu SSI: massenhaft Personal, schlanke Infrastruktur.

Die große Frage ist, ob Reflection dieses Tempo durchhält. Der Mietvertrag ist kurzfristig, die Kosten hoch. Das Labor könnte beweisen, dass Talent und offene Strategie mehr zählen als reine Rechenpower. Das Flaggschiff-Modell ist noch nicht veröffentlicht – ob die enorme Einstellungsinitiative zu einem Modell mit Spitzenniveau führt, bleibt abzuwarten.

Ineffable Intelligence, Discovery Loop und AMI Labs: Drei Wetten auf andere Pferde

David Silvers Ineffable Intelligence hat Europas größte Seed-Finanzierung eingefahren: 1,1 Milliarden Dollar. Besonders kurios: Der britische Sovereign-AI-Fonds sitzt neben Sequoia, Nvidia und Google in der Kapitaltabelle – ein Staat, der direkt in ein Pre-Produkt-Forschungsunternehmen investiert. Silver will mit Systemen, die aus Erfahrung lernen, die Ära der menschlichen Daten hinter sich lassen; seine Architektur erinnert an AlphaZero. Entsprechend spät wird das erste Frontier-Modell erwartet: Juni 2035, mit einer langen Verzögerung bis in die 2050er Jahre. Das ist keine Abwertung, sondern eine Messung der Zeit, die ein alternativer Ansatz braucht, um auf öffentlichen Leaderboards aufzutauchen.

Discovery Loop, gegründet von Jeff Dean, hat den berühmtesten Gründer, aber die zweitniedrigste Rechenleistungsprognose. Das Unternehmen ist eher Nutzer von Frontier-Modellen als Produzent: eine Art Orchestrierungsschicht für automatisierte Forschung, gestützt auf Google als Investor und Cloud-Partner. Der Median für ein eigenes Frontier-Modell liegt 2036 – aber die linke Randzone bis August 2029 könnte bedeuten, dass die Schleife, die ML-Forschung automatisiert, eines Tages auch Modelle trainiert. Kann Discovery Loop die automatisierte Forschung nutzen, oder wird sie an andere verkauft – die dann die Weltwirtschaft dominieren?

Yann LeCuns AMI Labs ist auf allen Metriken die kleinste Firma: ein Sechzehntel der Rechenleistung von SSI, 1,03 Milliarden Dollar Kapital, sechs abgeworbene Spitzenkräfte. Der Median für ein Frontier-Modell liegt im Dezember 2037 – das absolute Schlusslicht. Das ist beabsichtigt, denn LeCun lehnt den LLM-Ansatz ab. Seine Weltmodelle sind nicht auf Textbänken messbar. AMI Labs dient als Kontrollgruppe – ein Labor, das die Prämisse des gesamten Wettrennens in Frage stellt. Wenn AMI recht hat, tauchen die Erfolge nicht in diesen Zahlen auf, sondern auf völlig anderen Feldern.

Was die Prognosen wirklich zeigen

Das Urteil ist klar: Selbst im besten Fall werden die Neolabs es schwer haben. Die Kapital- und Rechenmediane liegen eine Größenordnung unter den etablierten Labors, und die Talentströme sind – außer bei Reflection – nicht vergleichbar. Wenn die Superintelligenz innerhalb der nächsten fünf Jahre entsteht, wird sie von OpenAI oder Anthropic kommen. Die sechs Neolabs sind dann irrelevant.

Die Bewegung hat trotzdem einen Wert: Sie hält die Vielfalt der Ansätze aufrecht. Die breite Spanne der Prognosen – von 2027 bis 2068 – zeigt die große Unsicherheit. Die Vorhersagen sind schwierig, mit Intervallen, die fast alles umfassen. Genau deshalb sind die Wetten interessant: Sie testen die eigenen Überzeugungen. Wer glaubt, dass LLMs einen toten Punkt erreichen, für den sind Neolabs eine rationale Anlage. Wer glaubt, dass die Rekursionsspirale weiterläuft, für den sind sie ein teurer Irrglaube.

Die nächsten Monate werden erste Hinweise liefern. Reflection hat den schnellsten Weg zur Sichtbarkeit, SSI den geheimnisvollsten, Thinking Machines den pragmatischsten. Beobachte, welche Modelle erscheinen, wie die Teams wachsen und ob es Hinweise auf Lernsysteme jenseits des LLM-Paradigmas gibt. Nicht alle glauben an die Superintelligenz auf der aktuellen Spur. Vielleicht haben sie recht – und vielleicht wird ihre Geduld belohnt. Bis dahin bleibt das Rennen offen.

Quelle: futuresearch.ai