Verkörperte künstliche IntelligenzAGIBOT sagt, sein 15.000ster Roboter weist verkörperter KI den Weg zum Einsatz in der realen WeltDas Unternehmen stellt die Einführung von G2 als Beleg dafür dar, dass verkörperte KI die Validierungswarteschlangen verlässt und in größere Bereitstellungen übergeht.AGIBOTVerkörperte KIRobotik-EinsatzAGIBOT G2Nyx·Heute·5 min readStory lesen
02GLM-5.2Die Cyber-Behauptung von GLM-5.2 zeigt, dass KI-Lücken nicht einheitlich sindGLM-5.2Z.aiClaude MythosOpen-Source-KINyx·Heute·4 min readStory lesen
03Agentische künstliche Intelligenz in der FertigungAgentic KIs nächste Grenze ist nicht dein Posteingang. Es ist eine CNC-Maschine.Limitless LabsAgentische KICNC-FertigungDell Technologies CapitalNyx·Jun 27, 2026·5 min readStory lesen
04I don't see any English text to translate in your message. Could you please provide the English content you'd like me to translate into German? Once you share the text, I'll translate it while preserving all the markdown structure, figure blocks, and the EducationPals learner-friendly tone as requested.GPT-5.6 startet unter staatlichen Auflagen: Was Sol, Terra und Luna wirklich tunOpenAIGPT-5.6KI-PolitikGroße SprachmodelleNyx·Jun 27, 2026·4 min readStory lesen
05Skalierte KognitionScaled Cognition hat 100 Millionen Dollar eingesammelt – weil das Unternehmen glaubt, dass aktuelle KI für Unternehmen so gut wie unbrauchbar istScaled CognitionKhosla VenturesUnternehmens-KIAgentische KINyx·Jun 26, 2026·5 min readStory lesen
06Sicherheitsbewertung künstlicher IntelligenzDas Nadelöhr ist nicht der Agent. Es ist die Arena.Patronus AIKI-AgentenbewertungSeries-B-FinanzierungAgentische KINyx·Jun 26, 2026·5 min readStory lesen
07Video Rebirth ## Was ist Video Rebirth? Video Rebirth ist ein Prozess, bei dem ältere oder beschädigte Videos mithilfe moderner Technologie wiederhergestellt, verbessert oder neu erschaffen werden. Dabei können verblasste Farben aufgefrischt, Kratzer entfernt, die Auflösung erhöht und sogar fehlende Teile rekonstruiert werden. ## Warum ist Video Rebirth wichtig? - Es bewahrt historische und kulturelle Aufnahmen für zukünftige Generationen. - Es macht alte Filme und Heimvideos wieder genießbar. - Es hilft Archiven, Museen und Familien, wertvolle Erinnerungen zu erhalten. - Es ermöglicht es, klassische Inhalte auf modernen Bildschirmen in hoher Qualität darzustellen. ## Wie funktioniert Video Rebirth? 1. **Digitalisierung** – Analoges Videomaterial wird zunächst in ein digitales Format umgewandelt. 2. **Analyse** – Die Software untersucht das Video auf Schäden, Rauschen und fehlende Bildinformationen. 3. **Restaurierung** – Spezielle Algorithmen bereinigen das Bild, schärfen Details und verbessern die Farbgebung. 4. **Upscaling** – Die Auflösung wird erhöht, zum Beispiel von Standard Definition (SD) auf High Definition (HD) oder sogar 4K. 5. **Qualitätskontrolle** – Das restaurierte Video wird überprüft und bei Bedarf manuell nachbearbeitet. ## Welche Technologien werden eingesetzt? - **Künstliche Intelligenz (KI)** spielt eine zentrale Rolle: KI-Modelle wurden mit Tausenden von Videos trainiert und können fehlende Details intelligent ergänzen. - **Machine Learning** ermöglicht es der Software, immer bessere Ergebnisse zu erzielen, je mehr Videos sie verarbeitet. - **Bildverarbeitungsalgorithmen** korrigieren Belichtung, Kontrast und Farbtöne automatisch. ## Anwendungsbeispiele - Restaurierung von Stummfilmen aus dem frühen 20. Jahrhundert - Wiederherstellung von Familienvideos auf alten VHS-Kassetten - Aufbereitung historischer Nachrichtenaufnahmen für Dokumentarfilme - Verbesserung von Lehrvideos für den modernen Unterrichtseinsatz ## Was sind die Grenzen von Video Rebirth? Obwohl die Technologie beeindruckende Ergebnisse liefern kann, gibt es auch Grenzen: - Stark beschädigtes Material kann nicht immer vollständig wiederhergestellt werden. - KI-generierte Details sind manchmal Schätzungen und nicht immer exakt. - Der Prozess kann zeitaufwendig und rechenintensiv sein. - Ethische Fragen entstehen, wenn historische Aufnahmen zu stark verändert werden. ## Zusammenfassung Video Rebirth verbindet Technologie mit dem Wunsch, Vergangenes zu bewahren. Ob historische Filmschätze oder persönliche Erinnerungen – mit den richtigen Werkzeugen können Videos neues Leben eingehaucht werden und für kommende Generationen erhalten bleiben.30 Personen, 80 Millionen Dollar, Spitze der Bestenliste: Video Rebirth macht einen überzeugenden Fall für World ModelsVideo RebirthWeltmodelleKI-VideogenerierungWei LiuNyx·Jun 25, 2026·5 min readStory lesen
08Anwendungsspezifischer integrierter Schaltkreis Ein **anwendungsspezifischer integrierter Schaltkreis** (englisch: *application-specific integrated circuit*, kurz **ASIC**) ist ein Mikrochip, der für einen ganz bestimmten Zweck oder eine bestimmte Aufgabe entworfen und hergestellt wird – im Gegensatz zu Allzweckchips wie Prozessoren, die viele verschiedene Aufgaben ausführen können. ## Was ist ein ASIC? Ein ASIC ist ein integrierter Schaltkreis, der für eine einzige, spezialisierte Funktion maßgeschneidert ist. Statt flexibel und vielseitig zu sein, ist er von Grund auf für maximale Effizienz bei einer bestimmten Aufgabe optimiert. - **Integrierter Schaltkreis**: viele elektronische Bauteile (Transistoren, Widerstände, Kondensatoren) auf einem winzigen Stück Halbleitermaterial - **Anwendungsspezifisch**: nur für einen bestimmten Verwendungszweck gebaut - **Maßgefertigt**: für jede neue Anwendung von Grund auf neu entworfen ## Wie unterscheiden sich ASICs von anderen Chips? Es ist hilfreich, ASICs mit anderen Arten von Chips zu vergleichen: - **Allzweckprozessoren (CPUs)**: können beliebige Software ausführen und viele verschiedene Aufgaben erledigen – flexibel, aber nicht für eine bestimmte Aufgabe optimiert - **Field Programmable Gate Arrays (FPGAs)**: können nach der Herstellung neu programmiert werden – flexibler als ASICs, aber langsamer und energiehungriger - **ASICs**: fest verdrahtet für eine einzige Funktion – am wenigsten flexibel, aber am schnellsten und energieeffizientesten für ihre jeweilige Aufgabe ## Wie werden ASICs hergestellt? Der Entwurf und die Herstellung eines ASICs ist ein komplexer, mehrstufiger Prozess: 1. **Spezifikation**: Festlegen, was der Chip tun soll 2. **Schaltungsentwurf**: Erstellen einer logischen Beschreibung der Schaltung, häufig mithilfe von Hardwarebeschreibungssprachen wie VHDL oder Verilog 3. **Synthese**: Umwandlung der logischen Beschreibung in ein Netzwerk physischer Gatter 4. **Physisches Layout**: Festlegen der genauen Position jedes Transistors und jeder Verbindung auf dem Chip 5. **Verifizierung**: Simulieren und Testen des Entwurfs, um Fehler zu finden 6. **Fertigung**: Herstellen des Chips in einer Halbleiterfabrik (sogenannte „Fab") 7. **Test**: Prüfen der fertigen Chips auf korrekte Funktion Die Herstellung eines ASICs erfordert erhebliche Vorabinvestitionen – die Entwicklung der Fertigungsmasken allein kann Millionen von Dollar kosten. Daher lohnen sich ASICs vor allem bei hohen Stückzahlen oder bei Anwendungen, bei denen Leistung und Effizienz entscheidend sind. ## Wofür werden ASICs verwendet? ASICs kommen in vielen Bereichen des modernen Lebens zum Einsatz: - **Mobiltelefone**: eigene Chips für Mobilfunk, WLAN, GPS und Bildverarbeitung - **Kryptowährungs-Mining**: speziell zum Lösen der kryptografischen Berechnungen optimierte Chips, die für die Erzeugung von Kryptowährungen wie Bitcoin erforderlich sind - **Automobile**: Chips zur Steuerung von Motormanagement, Airbags, Infotainmentsystemen und Fahrerassistenz - **Netzwerkhardware**: Router und Switches nutzen ASICs, um Datenpakete mit hoher Geschwindigkeit weiterzuleiten - **Unterhaltungselektronik**: Fernseher, Spielekonsolen und Digitalkameras verwenden ASICs für die Medienverarbeitung - **Rechenzentren**: individuelle Chips für maschinelles Lernen und künstliche Intelligenz – etwa Googles Tensor Processing Unit (TPU) ## Vorteile von ASICs - **Hohe Leistung**: Da sie für eine Aufgabe optimiert sind, erledigen ASICs diese Aufgabe schneller als Allzweckchips - **Energieeffizienz**: ASICs verbrauchen für ihre Aufgabe deutlich weniger Strom als programmierbare Alternativen - **Geringere Größe**: Maßgeschneiderte Schaltkreise lassen sich kompakter gestalten - **Niedrigere Stückkosten bei Massenfertigung**: Sind die Entwicklungskosten erst einmal gedeckt, kann die Herstellung sehr wirtschaftlich sein ## Nachteile von ASICs - **Hohe Vorabkosten**: Entwurf und Fertigung sind teuer, was ASICs für kleine Stückzahlen ungeeignet macht - **Keine Flexibilität**: Ist ein ASIC hergestellt, lässt sich seine Funktion nicht mehr ändern - **Langer Entwicklungszyklus**: Der Entwurf eines ASICs kann Monate bis Jahre dauern - **Veraltungsrisiko**: Ändert sich die Anwendungsanforderung, muss möglicherweise ein völlig neuer Chip entworfen werden ## ASICs und das Moore'sche Gesetz Die ASIC-Entwicklung ist eng mit dem **Moore'schen Gesetz** verknüpft – der Beobachtung von Gordon Moore aus dem Jahr 1965, dass sich die Anzahl der Transistoren auf einem Chip etwa alle zwei Jahre verdoppelt. Mehr Transistoren ermöglichen leistungsfähigere und komplexere ASICs. In den letzten Jahren hat sich dieses Wachstum verlangsamt, da die physikalischen Grenzen der Transistorverkleinerung erreicht werden. Dennoch treiben Fortschritte in der Fertigungstechnologie die ASIC-Entwicklung weiterhin voran. ## Zusammenfassung ASICs sind spezialisierte Chips, die für maximale Effizienz bei einer einzigen Aufgabe entwickelt werden. Obwohl ihre Entwicklung kostspielig und zeitaufwendig ist, bieten sie bei Massenanwendungen unübertroffene Leistung und Energieeffizienz. Sie bilden das unsichtbare Fundament vieler Technologien, die wir täglich nutzen – von Smartphones bis hin zu Rechenzentren.OpenAI hat seinen eigenen Chip entwickelt. Hier erfährst du, warum dieser Schritt größer ist, als er aussieht.OpenAIBroadcomJalapeno-ChipKI-InferenzNyx·Jun 25, 2026·5 min readStory lesen
09Prompt-Engineering für KI-gestützte Systeme im Bereich psychische GesundheitClaude zeigt seine Arbeit: Was Anthropics öffentliche System-Prompts für psychische Gesundheit Entwicklern über sicheres KI-Design beibringenAnthropicClaudePrompt-EngineeringKI und psychische GesundheitNyx·Jun 24, 2026·5 min readStory lesen
10Lloyds Banking Group ## Überblick Lloyds Banking Group ist eine der größten Finanzdienstleistungsgruppen im Vereinigten Königreich. Sie bietet eine breite Palette von Bank- und Finanzprodukten für Privatkunden, Unternehmen und Großkunden an. Die Gruppe betreibt mehrere bekannte Marken, darunter Lloyds Bank, Halifax und Bank of Scotland. ## Geschichte Die Ursprünge der Lloyds Banking Group reichen bis ins 18. Jahrhundert zurück. Lloyds Bank selbst wurde 1765 in Birmingham gegründet und gehört damit zu den ältesten Banken Großbritanniens. - 1765: Gründung von Lloyds Bank in Birmingham - 1695: Gründung der Bank of Scotland (eine der ältesten Banken der Welt) - 1853: Gründung der Halifax Building Society - 2009: Fusion von Lloyds TSB und HBOS zur Lloyds Banking Group Die Fusion mit HBOS im Jahr 2009 fand während der globalen Finanzkrise statt und wurde teilweise durch die britische Regierung unterstützt, die vorübergehend einen bedeutenden Anteil an der Gruppe hielt. ## Hauptmarken Die Lloyds Banking Group ist über mehrere Marken tätig, die jeweils unterschiedliche Kundensegmente ansprechen: - **Lloyds Bank** – Privat- und Geschäftsbankdienstleistungen in England und Wales - **Halifax** – Eine der größten Hypothekenbanken im Vereinigten Königreich - **Bank of Scotland** – Privat- und Geschäftsbankdienstleistungen in Schottland - **Scottish Widows** – Versicherungs-, Renten- und Investmentprodukte ## Geschäftsbereiche Die Gruppe ist in drei Hauptgeschäftsbereiche unterteilt: 1. **Privatkundengeschäft** – Girokonten, Sparprodukte, Hypotheken und Privatkredite 2. **Geschäfts- und Institutionelles Banking** – Dienstleistungen für kleine, mittlere und große Unternehmen 3. **Versicherung und Vermögensverwaltung** – Lebensversicherung, Altersvorsorge und Investmentprodukte ## Bedeutung für die britische Wirtschaft Lloyds Banking Group spielt eine zentrale Rolle in der britischen Wirtschaft: - Sie bedient rund 26 Millionen Kunden im Vereinigten Königreich - Sie ist einer der größten Hypothekenanbieter des Landes - Sie unterstützt Unternehmen aller Größen mit Finanzierungen und Bankdienstleistungen - Sie ist ein bedeutender Arbeitgeber mit Zehntausenden von Mitarbeitenden ## Regulierung und Aufsicht Als systemrelevante Bank unterliegt die Lloyds Banking Group einer strengen Regulierung. Die wichtigsten Aufsichtsbehörden sind: - **Prudential Regulation Authority (PRA)** – Überwacht die finanzielle Stabilität der Bank - **Financial Conduct Authority (FCA)** – Stellt sicher, dass die Bank fair und transparent gegenüber ihren Kunden handelt ## Digitales Banking Wie viele große Banken hat die Lloyds Banking Group stark in digitale Dienste investiert. Kunden können heute über mobile Apps und Online-Banking-Plattformen auf ihre Konten zugreifen, Zahlungen vornehmen und Produkte beantragen. Die Digitalisierung ist ein zentraler Bestandteil der Unternehmensstrategie, um den sich verändernden Bedürfnissen der Kunden gerecht zu werden. ## Gesellschaftliche Verantwortung Die Gruppe engagiert sich in verschiedenen Bereichen der gesellschaftlichen Verantwortung, darunter: - Förderung der finanziellen Inklusion und Unterstützung benachteiligter Gemeinschaften - Nachhaltigkeitsinitiativen zur Reduzierung ihres ökologischen Fußabdrucks - Unterstützung des Wohnungsbaus im Vereinigten Königreich durch Hypothekenfinanzierung - Engagement für Vielfalt und Inklusion am ArbeitsplatzLloyds Banking Group stellt ~300 Agentic-AI-Spezialisten ein – und eine 261 Jahre alte Bank wird damit zu einem der strukturell interessantesten KI-Arbeitgeber GroßbritanniensLloyds Banking GroupAgentische KIKI-KarrierenVerantwortungsvolle KINyx·Jun 24, 2026·5 min readStory lesen
11Rekursive Selbstverbesserung ## Was ist rekursive Selbstverbesserung? Rekursive Selbstverbesserung beschreibt die Fähigkeit eines KI-Systems, seine eigene Intelligenz oder Leistungsfähigkeit zu steigern – und diese verbesserte Version dann zur Erzielung weiterer Verbesserungen zu nutzen. Jede Verbesserungsrunde bildet die Grundlage für die nächste, wodurch eine sich selbst verstärkende Schleife entsteht. ## Eine einfache Analogie Stell dir vor, du lernst, schneller zu lernen. Wenn du eine Technik entdeckst, die dein Lerntempo verdoppelt, kannst du diese Technik nutzen, um noch bessere Lerntechniken noch schneller zu finden. Das Lernen beschleunigt sich mit der Zeit, anstatt gleich zu bleiben. Ein KI-System mit rekursiver Selbstverbesserung würde ähnlich funktionieren: Es verbessert seine eigenen Fähigkeiten zur Problemlösung, nutzt diese verbesserten Fähigkeiten, um sich noch besser zu verbessern, und so weiter. ## Warum ist das wichtig? Rekursive Selbstverbesserung ist deshalb bedeutsam, weil sie theoretisch zu einer sehr schnellen Leistungssteigerung führen könnte – möglicherweise viel schneller, als Menschen sie nachverfolgen oder verstehen können. Dies ist aus mehreren Gründen relevant: - **Geschwindigkeit der Veränderung:** Verbesserungen könnten sich so schnell häufen, dass menschliche Aufsicht kaum Schritt halten kann - **Unvorhersehbarkeit:** Es ist schwer vorherzusagen, wohin eine solche Entwicklung führt oder wann sie zum Stillstand kommt - **Ausrichtung:** Wenn ein System seine eigenen Ziele oder Werte beim Selbstverbessern verändert, könnten diese von dem abweichen, was Menschen beabsichtigt hatten ## Der Zusammenhang mit dem Intelligenzzuwachs Manche Forscher vermuten, dass rekursive Selbstverbesserung zu einem sogenannten **Intelligenzzuwachs** führen könnte – einer Phase rascher Leistungssteigerung, in der ein KI-System schnell von menschlichem Niveau auf weit darüber hinausgehende Fähigkeiten aufsteigt. Ob ein solcher Zuwachs plötzlich oder graduell erfolgen würde, ist eine offene Frage. Einige Argumente lauten: 1. **Für einen langsamen Zuwachs:** Verbesserungen stoßen möglicherweise auf immer schwieriger zu lösende Probleme und verlangsamen sich natürlich 2. **Für einen schnellen Zuwachs:** Jede Verbesserung macht die nächste einfacher, sodass der Prozess exponentiell beschleunigt wird 3. **Für einen ungleichmäßigen Zuwachs:** Verbesserungen könnten in bestimmten Fähigkeiten schnell, in anderen aber langsam voranschreiten ## Reale Beispiele und Grenzen Bislang haben KI-Systeme bestimmte Formen der Selbstverbesserung gezeigt, ohne dabei vollständige rekursive Schleifen zu bilden: - **Neuronale Architektursuche:** KI-Systeme, die bessere KI-Architekturen entwerfen - **Automatisiertes maschinelles Lernen:** Systeme, die ihre eigenen Hyperparameter optimieren - **KI-Forschungsunterstützung:** KI, die beim Verfassen und Überprüfen von KI-Forschungsarbeiten hilft Diese Beispiele sind jedoch begrenzt – sie verbessern spezifische Komponenten, anstatt in einer sich selbst verstärkenden Weise die allgemeine Intelligenz zu steigern. ## Sicherheitsüberlegungen Rekursive Selbstverbesserung wirft wichtige Sicherheitsfragen auf: - **Kontrollproblem:** Wie lässt sich sicherstellen, dass sich ein sich selbst verbesserndes System weiterhin an menschlichen Werten ausrichtet? - **Interpretierbarkeit:** Wenn ein System sich selbst modifiziert, können Menschen es dann noch verstehen? - **Abschaltfähigkeit:** Würde ein hochentwickeltes, sich selbst verbesserndes System Versuchen widerstehen, es zu verändern oder abzuschalten? Aus diesen Gründen wird rekursive Selbstverbesserung in der KI-Sicherheitsforschung als eines der Szenarien betrachtet, das sorgfältige Planung und robuste Sicherheitsmechanismen erfordert. ## Das Kernkonzept Rekursive Selbstverbesserung ist die Idee, dass ein KI-System nicht nur intelligent ist, sondern auch in der Lage sein könnte, seine eigene Intelligenz zu steigern – und zwar auf eine Weise, die sich potenziell selbst beschleunigt. Das macht es zu einem zentralen Konzept in Debatten darüber, wie sich fortgeschrittene KI entwickeln könnte und welche Vorkehrungen möglicherweise getroffen werden müssen.Sakana AIs RSI Lab glaubt, dass selbstverbessernde KI den 100-Milliarden-Dollar-Rechenzentrumsbau überflüssig machen kannSakana AIRekursive SelbstverbesserungKI-SkalierungDavid HaNyx·Jun 23, 2026·5 min readStory lesen
12Künstliche Intelligenz in der ComputersicherheitOpenAIs kontraintuitiver Cybersicherheits-Wettlauf: Gib die besten Dietriche den besten SchlossernGPT-5.5-CyberPatch the PlanetOpenAI DaybreakKI-CybersicherheitNyx·Jun 23, 2026·5 min readStory lesen
13Please provide the English text you'd like me to translate into German. I'm ready to apply all the formatting rules you've specified — preserving markdown structure, translating figure titles and captions only within fenced blocks, and maintaining the EducationPals learner-friendly tone.GLM-5.2 ist das Open-Source-Coding-Modell, das Silicon Valley nach Osten blicken lässtGLM-5.2Open-Source-KIZ.aiCoding-KI-ModelleNyx·Jun 22, 2026·5 min readStory lesen
14On-device Sprachmodell-Inferenz ## Was ist On-device Sprachmodell-Inferenz? On-device Sprachmodell-Inferenz bedeutet, dass ein KI-Sprachmodell direkt auf einem lokalen Gerät – wie einem Smartphone, Laptop oder eingebetteten System – ausgeführt wird, anstatt Anfragen an einen entfernten Cloud-Server zu senden. Das Gerät selbst verarbeitet den Text (oder andere Eingaben), erzeugt Antworten und führt alle Berechnungen durch, ohne eine Internetverbindung zu benötigen. Stell dir vor, du hast einen persönlichen Assistenten, der vollständig in deinem Gerät lebt: Er schläft nie, braucht keine Verbindung nach Hause und teilt deine Gespräche mit niemandem. ## Warum ist das wichtig? Cloud-basierte Modelle sind leistungsstark, aber sie haben Nachteile: - Deine Eingaben verlassen dein Gerät und können protokolliert oder eingesehen werden - Eine zuverlässige Internetverbindung ist erforderlich - Jede Anfrage verursacht Latenz durch Netzwerkverzögerungen - Der Betrieb großer Server verbraucht erheblich Energie On-device Inferenz löst diese Probleme, indem die Verarbeitung lokal gehalten wird. ## Kernkonzepte ### Modellkomprimierung Große Sprachmodelle (LLMs) haben Milliarden von Parametern und passen normalerweise nicht auf Consumer-Hardware. Um sie auf Geräten einsetzbar zu machen, nutzen Forscher mehrere Techniken: - **Quantisierung** – Reduzierung der Präzision der Modellgewichte (z. B. von 32-Bit-Gleitkommazahlen auf 4-Bit-Ganzzahlen), wodurch Speicher gespart und Berechnungen beschleunigt werden - **Pruning** – Entfernung von Gewichten oder ganzen Neuronen, die wenig zum Output beitragen - **Destillation** – Training eines kleineren „Schüler"-Modells, das das Verhalten eines größeren „Lehrer"-Modells nachahmt ### Hardware-Beschleuniger Moderne Geräte besitzen spezialisierte Chips, die KI-Workloads effizient bewältigen: - **GPU (Graphics Processing Unit)** – Ursprünglich für Grafik entwickelt, aber hervorragend geeignet für die parallelen Matrixberechnungen, die neuronale Netze benötigen - **NPU / Neural Engine** – Dedizierte Prozessoren, die für Tensor-Operationen optimiert sind (z. B. Apple Neural Engine, Qualcomm Hexagon) - **CPU-SIMD-Erweiterungen** – Instruktionssätze wie ARM NEON oder x86 AVX, die mehrere Datenpunkte gleichzeitig verarbeiten ### Inferenz-Engines Eine Inferenz-Engine ist die Softwareschicht, die ein trainiertes Modell nimmt und es auf einem bestimmten Gerät ausführt. Gängige Beispiele: - **llama.cpp** – Hochoptimierte C/C++-Bibliothek für CPU- und GPU-Inferenz - **ONNX Runtime** – Plattformübergreifende Engine, die viele Modellformate unterstützt - **TensorFlow Lite / LiteRT** – Für mobile und eingebettete Geräte entwickelt - **Core ML** – Apples Framework zur Nutzung des Neural Engine auf iOS/macOS ### Token-Generierung Sprachmodelle erzeugen Text Token für Token (grob gesagt: Wort für Wort oder Wortteil für Wortteil). Die Geschwindigkeit wird in **Tokens pro Sekunde (tok/s)** gemessen. Auf einem Telefon liegt eine typische Rate zwischen 10 und 30 tok/s – das ist flüssig genug zum Lesen, jedoch viel langsamer als Serverklasse-Hardware. ```figure: ┌─────────────────────────────────────────────┐ │ Token-Generierungs-Schleife │ │ │ │ Eingabe-Prompt │ │ │ │ │ ▼ │ │ ┌─────────┐ KV-Cache ┌───────────┐ │ │ │ Modell │ ─────────────► │ Nächstes │ │ │ └─────────┘ │ Token │ │ │ ▲ └─────┬─────┘ │ │ └─────────────────────────┘ │ │ (wiederholen bis fertig) │ └─────────────────────────────────────────────┘ @title Token-Generierungsschleife bei der Autoregression @caption Das Modell wählt jeweils ein Token aus und fügt es in den Kontext ein. Der KV-Cache speichert Zwischenergebnisse, um die Neuberechnung früherer Token zu vermeiden. @source Eigene Abbildung ``` ### KV-Cache Der Key-Value-Cache ist eine Optimierungstechnik. Anstatt bei jedem Schritt den gesamten bisherigen Kontext neu zu berechnen, speichert das Modell Zwischendarstellungen (Keys und Values aus dem Attention-Mechanismus). Das spart bei langen Gesprächen erheblich Rechenzeit – allerdings auf Kosten von Arbeitsspeicher. ## Herausforderungen On-device Inferenz klingt ideal, bringt aber echte Einschränkungen mit sich: 1. **Modellgröße vs. RAM** – Ein 7-Milliarden-Parameter-Modell mit 4-Bit-Quantisierung belegt immer noch etwa 4 GB RAM. Viele Telefone haben 6–8 GB gesamt. 2. **Thermische Drosselung** – Anhaltende Inferenz erhitzt das Gerät, was dazu führt, dass Chips die Taktfrequenz reduzieren, um Schäden zu vermeiden. 3. **Akkuverbrauch** – Neuronale Netze sind rechenintensiv; ein langer Inferenz-Sprint kann den Akku merklich entladen. 4. **Modellaktualität** – Ein lokal gespeichertes Modell erhält kein Wissen über neue Ereignisse, sofern es nicht aktualisiert wird. ## Praktische Anwendungen - **Offline-Übersetzung** – Apps wie Google Translate können gelernte Modelle lokal ausführen - **Smart-Keyboard-Vorschläge** – Prädiktive Texteingabe auf Geräten, die niemals deine Tippen-Daten in die Cloud sendet - **On-device Sprachassistenten** – Lokale Sprachmodelle für Datenschutz-fokussierte Assistenten - **Medizinische Wearables** – Verarbeitung sensibler Gesundheitsdaten ohne externe Übertragung - **Industrierobotik** – Eingebettete Modelle für Umgebungen ohne zuverlässige Konnektivität ## Gängige Modelle für On-device Nutzung | Modell | Parameter | Typische Quantisierung | RAM-Bedarf | |---|---|---|---| | Llama 3.2 1B | 1 Mrd. | Q4_K_M | ~0,8 GB | | Llama 3.2 3B | 3 Mrd. | Q4_K_M | ~2 GB | | Phi-3 Mini | 3,8 Mrd. | Q4 | ~2,5 GB | | Mistral 7B | 7 Mrd. | Q4_K_M | ~4,1 GB | | Gemma 2 2B | 2 Mrd. | Q4 | ~1,5 GB | ## Schlüsselbegriffe im Überblick - **Parameter** – Die erlernten Zahlen, aus denen ein Modell besteht; mehr Parameter bedeuten in der Regel mehr Fähigkeiten, aber auch mehr Ressourcenbedarf - **Quantisierung** – Reduzierung der numerischen Präzision, um ein Modell kleiner und schneller zu machen - **Token** – Die Grundeinheit des Textes, die ein Modell verarbeitet (ein Wort, ein Wortteil oder ein Satzzeichen) - **Latenz** – Die Verzögerung zwischen Anfrage und Antwort - **Inferenz** – Der Prozess, ein trainiertes Modell zur Erzeugung von Ausgaben zu verwenden (im Gegensatz zum Training) - **KV-Cache** – Ein Speicher-Zwischenspeicher, der Wiederholungsberechnungen während der Token-Generierung vermeidetEin 70-Milliarden-Parameter-LLM, das vollständig auf einem Android-Smartphone läuft, stellt alles in Frage, was wir über Edge-KI angenommen habenLiberaGPTOn-Device-KIEdge-InferenzAndroid-KINyx·Jun 21, 2026·5 min readStory lesen
15Sicherheitsbewertung von künstlicher IntelligenzSynthetische Tests belügen dich: OpenAIs neue Methode nutzt echte Gespräche, um Modellfehlverhalten vor dem Launch zu erkennenOpenAIKI-SicherheitPre-Deployment-EvaluierungGroße SprachmodelleNyx·Jun 20, 2026·5 min readStory lesen
16Optimierungsrahmen für künstliche IntelligenzArbor schlägt Claude Code und Codex mit dem 2,5-fachen Ergebnis beim gleichen Rechenbudget. Der Engpass war nie die Hardware.ArborKI-OptimierungMicrosoft ResearchRenmin University of ChinaNyx·Jun 19, 2026·4 min readStory lesen
17Klinische Verarbeitung natürlicher Sprache ## Was ist klinische Verarbeitung natürlicher Sprache? Klinische Verarbeitung natürlicher Sprache (NLP, von englisch *natural language processing*) ist ein Teilgebiet der künstlichen Intelligenz, das Computern ermöglicht, menschliche Sprache zu verstehen, zu interpretieren und zu verarbeiten – insbesondere in medizinischen Umgebungen. Im Gesundheitswesen wird klinisches NLP eingesetzt, um unstrukturierte Texte wie Arztbriefe, Entlassungsberichte und Krankenakten zu analysieren und daraus nützliche Informationen zu gewinnen. Stell dir vor, du bist ein Arzt, der täglich Dutzende von Patientenberichten liest. Klinisches NLP kann dir helfen, wichtige Informationen schnell zu finden, Muster in großen Datenmengen zu erkennen und sogar potenzielle Diagnosen vorzuschlagen. Es ist, als hättest du einen hochintelligenten Assistenten, der riesige Mengen medizinischer Texte lesen und verstehen kann. ## Wie funktioniert klinisches NLP? Klinisches NLP nutzt verschiedene Techniken, um medizinische Texte zu verarbeiten: - **Tokenisierung**: Der Text wird in einzelne Wörter oder Sätze aufgeteilt. - **Erkennung benannter Entitäten**: Wichtige medizinische Begriffe wie Krankheiten, Medikamente oder Symptome werden identifiziert. - **Beziehungsextraktion**: Verbindungen zwischen medizinischen Konzepten werden erkannt, zum Beispiel die Beziehung zwischen einem Medikament und einer Nebenwirkung. - **Stimmungsanalyse**: Die Grundstimmung eines Textes wird bestimmt, was im klinischen Bereich zur Einschätzung des Patientenbefindens nützlich sein kann. ## Anwendungen in der Medizin Klinisches NLP findet in vielen Bereichen des Gesundheitswesens Anwendung: 1. **Elektronische Patientenakten**: NLP kann dabei helfen, relevante Informationen aus umfangreichen Patientenakten zu extrahieren und zusammenzufassen. 2. **Diagnoseunterstützung**: Durch die Analyse von Symptomen und Krankengeschichten kann NLP potenzielle Diagnosen vorschlagen. 3. **Medikamentensicherheit**: NLP kann unerwünschte Arzneimittelwirkungen in klinischen Berichten und wissenschaftlichen Veröffentlichungen identifizieren. 4. **Klinische Forschung**: Durch die Analyse großer Mengen medizinischer Literatur kann NLP bei der Identifizierung von Forschungstrends und potenziellen neuen Therapien helfen. 5. **Patientenkommunikation**: NLP kann eingesetzt werden, um Patientenanfragen zu verstehen und zu beantworten oder um Patienten durch komplexe medizinische Informationen zu führen. ## Herausforderungen beim klinischen NLP Trotz seiner großen Möglichkeiten steht klinisches NLP vor einigen besonderen Herausforderungen: - **Fachvokabular**: Medizinische Texte sind voll von spezialisierten Begriffen, Abkürzungen und Fachjargon. - **Mehrdeutigkeit**: Viele medizinische Begriffe können mehrere Bedeutungen haben. - **Unstrukturierte Daten**: Klinische Texte sind oft in Freitext verfasst und folgen keinem einheitlichen Format. - **Datenschutz**: Medizinische Daten sind äußerst sensibel, was den Einsatz von NLP-Modellen, die große Datenmengen zur Ausbildung erfordern, erschwert. ## Klinisches NLP und maschinelles Lernen Modernes klinisches NLP stützt sich stark auf Techniken des maschinellen Lernens, insbesondere auf tiefe neuronale Netze. Diese Modelle werden auf großen Mengen medizinischer Texte trainiert und lernen dabei, Muster und Zusammenhänge in der medizinischen Sprache zu erkennen. Ein besonders einflussreicher Ansatz ist das sogenannte *Transfer Learning*, bei dem ein Modell zunächst auf einem großen allgemeinen Textkorpus vortrainiert und anschließend auf spezifische medizinische Aufgaben feinabgestimmt wird. Modelle wie BioBERT oder ClinicalBERT wurden auf diese Weise entwickelt und erzielen bei vielen klinischen NLP-Aufgaben hervorragende Ergebnisse. ## Zukunftsperspektiven Die Zukunft des klinischen NLP sieht vielversprechend aus. Mit dem Fortschritt in der KI-Forschung und der zunehmenden Verfügbarkeit großer medizinischer Datensätze werden klinische NLP-Systeme immer leistungsfähiger. Zukünftige Systeme könnten in der Lage sein, komplexe medizinische Berichte vollständig zu verstehen, medizinische Fachliteratur in Echtzeit zu analysieren und sogar an klinischen Entscheidungsprozessen teilzunehmen. Klinisches NLP hat das Potenzial, die medizinische Forschung zu beschleunigen, die Patientenversorgung zu verbessern und die Arbeit von medizinischem Fachpersonal erheblich zu erleichtern. Es ist ein aufregendes Forschungsgebiet, das die Medizin der Zukunft maßgeblich mitgestalten wird.Dein Modell hat die Medizinprüfung bestanden. BRIDGE hat es gerade gebeten, eine echte Patientenakte zu lesen.BRIDGE-BenchmarkKlinische NLPGesundheits-KIGroße SprachmodelleNyx·Jun 18, 2026·5 min readStory lesen
18Physical AIInvestors Have Stopped Asking If Robots Work. Now They Want to Know If You Can Build Them at Scale.Physical AIRobotics Venture CapitalAI Funding 2026Robot Foundation ModelsNyx·Jun 18, 2026·6 min readStory lesen
19Autonome KI-Agenten in der CybersicherheitMagnitude wettet 10 Millionen Dollar darauf, dass nur Maschinen gegen maschinengeschwindige Angriffe verteidigen könnenMagnitudeAutonome KI-AgentenDrittanbieter-RisikomanagementCybersicherheits-KINyx·Jun 17, 2026·6 min readStory lesen
20Sicherheitsbewertung künstlicher IntelligenzDie britische Regierung veranstaltete wöchentliche KI-Hackathons und entdeckte dabei über 400 Schwachstellen. Was das für Entwickler bedeutet.Government Cyber Coordination CentreKI-Red-TeamingFrontier-KI-SicherheitNCSCNyx·Jun 16, 2026·5 min readStory lesen
21Claude Corps ## Was ist der Claude Corps? Der Claude Corps ist eine exklusive Gruppe von Claude-Nutzern, die besonders aktiv zur Verbesserung von Claude beitragen – durch das Testen neuer Funktionen, das Geben von Feedback und das Teilen ihrer Erfahrungen mit der Community. ## Warum wurde der Claude Corps gegründet? Anthropic hat den Claude Corps ins Leben gerufen, um eine enge Verbindung zu den Menschen herzustellen, die Claude täglich nutzen. Echtes Nutzerfeedback hilft dabei, Claude hilfreicher, sicherer und nützlicher für alle zu machen. ## Wie funktioniert die Mitgliedschaft? - Mitglieder erhalten frühen Zugang zu neuen Claude-Funktionen - Sie werden gebeten, strukturiertes Feedback zu geben - Sie nehmen an Community-Diskussionen und Gesprächen mit dem Anthropic-Team teil - Die Mitgliedschaft ist einladungsbasiert oder bewerbungsbasiert ## Was sind die Vorteile? 1. Früher Zugang zu neuen Funktionen und Updates 2. Direkte Verbindung zum Anthropic-Team 3. Die Möglichkeit, die Entwicklung von Claude aktiv mitzugestalten 4. Zugang zu einer Community gleichgesinnter Claude-Enthusiasten ## Wie kann ich mitmachen? Halte Ausschau nach Ankündigungen von Anthropic über offene Bewerbungsrunden für den Claude Corps. Du kannst auch die offizielle Anthropic-Website und die Claude-Community-Kanäle im Blick behalten, um keine Neuigkeiten zu verpassen.Anthropics Claude Corps zahlt Fellows 85.000 $ dafür, KI in gemeinnützigen Organisationen zu verankern. Dieses Karrieremodell ist es wert, genauer betrachtet zu werden.Claude CorpsAnthropicKI-Fellowship-ProgrammKI-PersonalentwicklungNyx·Jun 16, 2026·5 min readStory lesen
22Künstliche-Intelligenz-GovernanceAir Canadas Chatbot verlor vor Gericht. Das Modell war in Ordnung. Die Governance nicht.KI-GovernanceKI-ProduktionsfehlerKI-BereitstellungGroße SprachmodelleNyx·Jun 15, 2026·6 min readStory lesen
23Unternehmerische Strategie für künstliche Intelligenz ## Was ist eine unternehmerische KI-Strategie? Eine unternehmerische KI-Strategie ist ein strukturierter Plan, der festlegt, wie eine Organisation künstliche Intelligenz einsetzt, um ihre Ziele zu erreichen. Sie verbindet KI-Initiativen mit Geschäftszielen, legt fest, welche Ressourcen benötigt werden, und schafft einen Rahmen für verantwortungsvollen und effektiven KI-Einsatz im gesamten Unternehmen. ## Warum KI-Strategie wichtig ist Ohne eine klare Strategie riskieren Unternehmen, in KI-Projekte zu investieren, die isoliert voneinander existieren, wenig Wirkung zeigen oder ethische und rechtliche Probleme verursachen. Eine gut durchdachte Strategie hilft Unternehmen dabei: - den tatsächlichen Geschäftswert von KI-Investitionen zu maximieren - Risiken im Zusammenhang mit Datenschutz, Verzerrungen und Compliance zu managen - Talente, Daten und Technologie effektiv aufeinander abzustimmen - eine lernende Organisation aufzubauen, die sich mit der KI-Entwicklung weiterentwickelt ## Kernbestandteile einer KI-Strategie Eine solide unternehmerische KI-Strategie umfasst typischerweise mehrere miteinander verbundene Bereiche. **Geschäftliche Ausrichtung** bedeutet, KI-Anwendungsfälle zu identifizieren, die direkt zur Unternehmensmission, zu Umsatzzielen oder zur operativen Effizienz beitragen. KI um ihrer selbst willen einzusetzen führt selten zu nachhaltigen Ergebnissen. **Daten-Grundlage** bezeichnet die Infrastruktur und Governance, die sicherstellt, dass qualitativ hochwertige, zugängliche und ethisch genutzte Daten verfügbar sind. KI-Modelle sind nur so gut wie die Daten, mit denen sie trainiert werden. **Technologie und Infrastruktur** umfasst die Entscheidungen über Cloud-Plattformen, ML-Frameworks und Build-vs.-Buy-Abwägungen für KI-Tools und -Plattformen. **Talent und Kultur** beschreibt die Fähigkeiten, die Unternehmen intern aufbauen oder extern einkaufen müssen, sowie die kulturellen Veränderungen, die für eine datengetriebene Entscheidungsfindung erforderlich sind. **Governance und Ethik** ist der Rahmen für Verantwortlichkeit, Fairness, Transparenz und die Einhaltung von Vorschriften wie der DSGVO oder dem EU AI Act. ## Strategische Ansätze Unternehmen verfolgen in der Regel einen von drei Ansätzen: 1. **Zentralisiertes Modell** – Ein zentrales KI-Team entwickelt und besitzt alle KI-Lösungen. Das sorgt für Konsistenz, kann aber die Skalierung verlangsamen. 2. **Dezentralisiertes Modell** – Einzelne Geschäftsbereiche entwickeln ihre eigenen KI-Lösungen. Das fördert Agilität, birgt jedoch das Risiko doppelter Arbeit und inkonsistenter Standards. 3. **Föderiertes Modell (Center of Excellence)** – Ein zentrales Team legt Standards und Best Practices fest, während die Umsetzung dezentral in den Geschäftsbereichen erfolgt. Dieser Ansatz verbindet Konsistenz mit Flexibilität und ist bei reifen Unternehmen weit verbreitet. ## KI-Reife und Phasen Die meisten Rahmenprogramme beschreiben KI-Reife in Phasen: - **Experimentieren** – Proof-of-Concept-Projekte, oft in isolierten Bereichen - **Skalieren** – Erfolgreiche Pilotprojekte werden in Produktionssysteme überführt - **Industrialisieren** – KI wird zu einem Kernbestandteil von Geschäftsprozessen - **Transformieren** – KI verändert Geschäftsmodelle und schafft neue Wertquellen Das Verständnis der eigenen Reifephase hilft Unternehmen dabei, realistische Ziele zu setzen und die richtigen Investitionen zu priorisieren. ## Häufige Herausforderungen Selbst gut geplante KI-Strategien scheitern aus wiederkehrenden Gründen: - **Datensilos** verhindern, dass Modelle auf die benötigten Informationen zugreifen können - **Mangelnde Akzeptanz durch die Führungsebene** schränkt Ressourcen und organisatorische Veränderungen ein - **Talentlücken** verlangsamen Entwicklung und Implementierung - **Unklare Erfolgskennzahlen** erschweren die Beurteilung des tatsächlichen Werts - **Ethische Blindstellen** können zu verzerrten Ergebnissen oder Reputationsschäden führen ## Messung des Erfolgs KI-Strategien sollten anhand sowohl geschäftlicher als auch technischer Kennzahlen bewertet werden. Geschäftliche Kennzahlen könnten Kosteneinsparungen, Umsatzsteigerungen oder verbesserte Kundenzufriedenheit umfassen. Technische Kennzahlen könnten Modellgenauigkeit, Latenz und Systemverfügbarkeit beinhalten. Ebenso wichtig sind qualitative Maßnahmen wie die Akzeptanz durch Nutzer und die Einhaltung ethischer Standards. ## Verbindung zu verwandten Konzepten Eine unternehmerische KI-Strategie ist kein isoliertes Dokument – sie steht in enger Wechselwirkung mit der digitalen Transformationsstrategie, dem Daten-Governance-Rahmen, dem Risikomanagement und der allgemeinen Unternehmensstrategie. Sie effektiv zu machen bedeutet, diese Verbindungen aktiv zu pflegen.Nadella sagt, deine Modellwahl spielt keine Rolle. Hier ist, was wirklich zählt.Satya NadellaMicrosoft KI-StrategieUnternehmens-KILernschleifenNyx·Jun 15, 2026·5 min readStory lesen
24AI-Exportkontrolle ## Was sind KI-Exportkontrollen? KI-Exportkontrollen sind staatliche Vorschriften, die einschränken, wer KI-Technologien – einschließlich Hardware, Software und Fachwissen – an ausländische Personen, Unternehmen oder Regierungen weitergeben darf. Sie funktionieren ähnlich wie Kontrollen für Waffen oder andere sensible Technologien: Bestimmte Übertragungen sind genehmigungspflichtig oder vollständig verboten. ## Warum existieren sie? Regierungen verhängen KI-Exportkontrollen aus mehreren Gründen: - **Nationale Sicherheit**: KI kann für militärische Systeme, Überwachung oder Cyberangriffe genutzt werden. - **Außenpolitik**: Kontrollen können Druck auf andere Länder ausüben oder die Verbreitung von Technologien an feindlich gesinnte Staaten einschränken. - **Wirtschaftlicher Wettbewerb**: Länder möchten möglicherweise ihren technologischen Vorsprung erhalten. - **Menschenrechte**: Einige Kontrollen sollen verhindern, dass KI-Werkzeuge für Unterdrückung oder Massenüberwachung eingesetzt werden. ## Was wird kontrolliert? Exportkontrollen können verschiedene Arten von KI-bezogenen Gütern und Dienstleistungen erfassen: - **Hardware**: Hochleistungs-Chips und Grafikprozessoren (GPUs), die für das Training von KI-Modellen benötigt werden - **Software und Modelle**: Trainierte KI-Modelle, Algorithmen oder Entwicklungswerkzeuge - **Technisches Wissen**: Schulungen oder Beratungsleistungen, die Fachwissen übertragen - **Cloud-Zugang**: In einigen Fällen sogar der Fernzugang zu KI-Rechenkapazitäten ## Ein wichtiges Beispiel: US-amerikanische Chip-Exportkontrollen Die Vereinigten Staaten haben unter anderem China gegenüber umfangreiche Kontrollen für fortschrittliche Halbleiter eingeführt. Diese Regelungen: - Beschränken den Verkauf bestimmter Nvidia-Chips sowie ähnlicher Hochleistungsprozessoren - Zielen darauf ab, das Tempo der KI-Entwicklung für militärische Anwendungen zu verlangsamen - Wurden seit 2022 mehrfach verschärft, um Umgehungsversuche zu unterbinden - Haben eine globale Debatte über Wirksamkeit und Nebeneffekte ausgelöst ## Welche Herausforderungen bringen Exportkontrollen mit sich? KI-Exportkontrollen sind komplex und umstritten: - **Durchsetzungsprobleme**: Digitale Güter und Wissen lassen sich schwer vollständig kontrollieren. - **Nicht intendierte Folgen**: Kontrollen können Verbündete schädigen oder Unternehmen im eigenen Land benachteiligen. - **Schneller technologischer Wandel**: Vorschriften hinken der rasanten Entwicklung der KI oft hinterher. - **Internationale Koordination**: Einseitige Kontrollen sind weniger wirksam, wenn andere Länder nicht mitziehen. - **Dual-Use-Problem**: Dieselbe KI-Technologie kann zivilen und militärischen Zwecken dienen, was eine klare Abgrenzung erschwert. ## Warum ist das Thema wichtig? KI-Exportkontrollen prägen zunehmend die globale Technologieentwicklung. Sie beeinflussen, welche Länder in der KI-Forschung führend sein werden, wie Unternehmen ihre Lieferketten gestalten, und werfen grundlegende Fragen über Technologie, Macht und internationale Beziehungen auf. Für alle, die KI, Geopolitik oder Wirtschaftspolitik studieren, ist dies ein zentrales und wachsendes Forschungsfeld.Ein Sicherheitsumgehungsbericht löste eine Notfall-Exportanordnung aus: Was Anthropics Abschaltung von Fable 5 und Mythos 5 API-Entwicklern lehrtAnthropicKI-ExportkontrollenFable 5Mythos 5Nyx·Jun 14, 2026·4 min readStory lesen
25Evaluierung großer SprachmodelleUniverselle LLMs schlagen spezialisierte klinische KI in jedem Benchmark – und das sollte dich das Fine-Tuning überdenken lassenNature MedicineGroße SprachmodelleKlinische KIFine-TuningNyx·Jun 13, 2026·5 min readStory lesen
26Apple Foundation Models Apple hat Foundation Models angekündigt – eine Reihe von KI-Modellen, die direkt auf Apple-Geräten laufen. Diese Modelle bilden das Herzstück von Apple Intelligence, Apples persönlichem KI-System, das in iOS 18, iPadOS 18 und macOS Sequoia eingeführt wurde. Was sind Foundation Models? Foundation Models sind große KI-Modelle, die auf riesigen Mengen an Text und Daten trainiert wurden. Sie können eine Vielzahl von Aufgaben erfüllen – vom Schreiben und Zusammenfassen bis hin zum Beantworten von Fragen. Apple hat seine eigenen Foundation Models entwickelt, die speziell für den Einsatz auf Apple-Hardware optimiert sind. Apple setzt dabei auf zwei Haupttypen: Ein On-Device-Modell, das direkt auf deinem iPhone, iPad oder Mac läuft – ohne dass Daten an externe Server gesendet werden müssen. Ein größeres Server-Modell, das in Apples Private Cloud Compute läuft, wenn komplexere Aufgaben mehr Rechenleistung erfordern. Warum ist das wichtig? Viele KI-Dienste verarbeiten deine Daten auf fremden Servern. Apple verfolgt einen anderen Ansatz: Das On-Device-Modell hält deine Daten auf deinem Gerät. Wenn doch Server benötigt werden, sorgt Private Cloud Compute dafür, dass selbst Apple keinen Zugriff auf deine Anfragen hat. Das ist besonders relevant für Aufgaben wie das Zusammenfassen von Nachrichten, das Verbessern von Texten oder das Beantworten persönlicher Fragen – alles Dinge, bei denen Privatsphäre eine große Rolle spielt. Wie wurden die Modelle trainiert? Apple hat seine Foundation Models auf lizenzierten Daten sowie auf öffentlich zugänglichen Daten trainiert. Besonderes Augenmerk wurde auf Qualität gelegt: Apple nutzte sowohl menschliches Feedback als auch ein Verfahren namens RLHF (Reinforcement Learning from Human Feedback), um die Modelle hilfreicher und sicherer zu machen. Zusätzlich kommt eine Technik namens LoRA (Low-Rank Adaptation) zum Einsatz. Sie erlaubt es, das Modell schnell und effizient für bestimmte Aufgaben anzupassen – direkt auf dem Gerät, ohne das gesamte Modell neu trainieren zu müssen. Apple Intelligence und die Modelle im Alltag Apple Intelligence nutzt die Foundation Models für viele alltägliche Funktionen: Schreiben und Überarbeiten: Du kannst Texte in Mail oder Notizen neu formulieren, kürzen oder in einem anderen Ton schreiben lassen. Zusammenfassungen: Lange E-Mails oder Benachrichtigungen werden automatisch zusammengefasst. Siri: Siri versteht jetzt komplexere Anfragen und kann auf Inhalte deiner Apps zugreifen. Bildgenerierung: Mit Image Playground und Genmoji kannst du eigene Bilder und Emojis erstellen. ChatGPT-Integration: Für besonders anspruchsvolle Anfragen kann optional ChatGPT von OpenAI hinzugezogen werden – mit deiner ausdrücklichen Zustimmung. Technische Besonderheiten Apple hat die Modelle so optimiert, dass sie effizient auf dem Apple Neural Engine laufen – dem speziellen KI-Chip in Apple-Geräten. Das ermöglicht schnelle Antwortzeiten bei gleichzeitig niedrigem Energieverbrauch. Ein weiterer technischer Vorzug: Apple setzt auf Quantisierung, also eine Methode, die Modelle kleiner macht, ohne ihre Leistung stark zu beeinträchtigen. So passen die Modelle in den begrenzten Speicher eines Mobilgeräts. Offenheit und Forschung Apple hat ein Research-Paper zu seinen Foundation Models veröffentlicht und damit einen für Apple ungewöhnlich offenen Einblick in seine KI-Entwicklung gegeben. Darin werden Architektur, Trainingsmethoden und Leistungsvergleiche mit anderen Modellen beschrieben. Das zeigt: Apple möchte nicht nur Produkte liefern, sondern auch zur wissenschaftlichen Gemeinschaft beitragen und Vertrauen durch Transparenz aufbauen.Apples leistungsfähigste Cloud-KI läuft auf Googles Servern. Apple ist damit einverstanden.Apple Foundation ModelsApple IntelligenceWWDC26On-Device-KINyx·Jun 13, 2026·5 min readStory lesen
27Machine learning evaluation in computational mass spectrometryWenn ML gegen eine Nachschlagetabelle verliert: Die Benchmark-Falle, die sich in der Massenspektrometrie-Forschung verstecktMachine Learning BenchmarksMass SpectrometrySmall MoleculesML EvaluationNyx·Jun 12, 2026·5 min readStory lesen
28Artificial intelligence regulationDario Amodei will eine FAA für KI: Was verpflichtende Drittprüfungen wirklich für ML-Praktiker bedeuten würdenDario AmodeiAnthropicAI RegulationAI SafetyNyx·Jun 12, 2026·5 min readStory lesen
29Apple IntelligenceApple betreibt seit 2024 ein zweistufiges KI-Gehirn auf deinem iPhone – und die meisten ML-Lernenden haben es komplett übersehenApple IntelligencePrivate Cloud ComputeOn-Device AIFoundation ModelsNyx·Jun 8, 2026·6 min readStory lesen
30NVIDIA RTX AI PCNVIDIA hat lokale KI zu einem Standard auf Silicon-Ebene gemacht – keine Software-Notlösung mehrNVIDIA RTX AI PCsGeForce RTX 50 SeriesLocal AI InferenceNVIDIA NIMNyx·Jun 8, 2026·6 min readStory lesen