KI News: Kurz und klar.

Apple hat mit dem M4‑MacBook Air und dem M5‑MacBook Pro zwei klare Zielgruppen angesprochen. Das Air ist leicht, kompakt und besonders energieeffizient, während das Pro auf maximale Leistung ausgelegt ist.

Ein neues arXiv-Papier (2510.26954v1) stellt einen aktualisierten Turing-Test vor, der die Energie, die Maschinen für die Beantwortung von Fragen aufwenden, berücksichtigt. Der klassische Test, der lediglich die Fähigkeit zur Nachahmung menschlicher Antworten misst, wird damit ergänzt, um die Effizienz der künstlichen Intelligenz zu bewerten.

Nvidia hat bei der GTC in Washington DC die neue Plattform Omniverse DSX vorgestellt, die als Blaupause für die Planung und den Betrieb von Gigawatt‑AI‑Datencentern dient. Durch den Einsatz von Digital‑Twin‑Technologie ermöglicht die Lösung eine virtuelle Nachbildung von Rechenzentren, die es Ingenieuren erlaubt, Layouts, Energieverbrauch und Kühlungsstrategien vor dem Bau zu optimieren.

Ein neuer Meilenstein in der Display‑Technologie: Forscher aus Deutschland haben einen OLED‑Pixel mit nur 300 Nanometern entwickelt. Damit ist der bislang kleinste Pixel der Welt erstmals praktisch nutzbar.

Der US-Energieminister hat angekündigt, die Anschlusszeiten für Datenzentren an das Stromnetz deutlich zu verkürzen. Ziel ist es, die steigende Nachfrage nach Strom, die vor allem durch die rasante Verbreitung von KI-Anwendungen verursacht wird, besser zu decken.

Meta hat am Mittwoch eine Partnerschaft mit Arm Holdings angekündigt, um seine Software effizienter auf Arm‑CPUs laufen zu lassen. Obwohl noch keine eigenen Arm‑CPUs entwickelt wurden, soll die Kooperation die Grundlage für zukünftige Optimierungen bilden.

Starcloud, ein Start‑up, das von NVIDIA Inception gefördert wird, prognostiziert, dass Weltraum‑Rechenzentren bis zu zehnmal geringere Energiekosten bieten und damit den Energiebedarf auf der Erde deutlich reduzieren könnten. Durch die extremen Kühlbedingungen im All und die geringere Belastung durch atmosphärische Störungen sollen die Betriebskosten im Vergleich zu terrestrischen Rechenzentren drastisch gesenkt werden. Die Technologie befindet sich noch in der Entwicklungsphase, doch die potenziellen Einsparungen und die nachhaltige Auswirkung auf die globale IT‑Infrastruktur wirken sich bereits jetzt vielversprechend aus.

China plant die Errichtung eines Unterwasser-Datacenters in der Nähe von Shanghai. Durch die Nutzung der natürlichen Meeresströmungen soll die Kühlung der Rechenzentren deutlich effizienter gestaltet werden, was zu erheblichen Einsparungen bei den Energiekosten führen soll.

Die Nutzung generativer KI in der Bildung ist noch in den Anfängen, doch neue Forschungsergebnisse zeigen, dass kleine Sprachmodelle (SLMs) bereits eine vielversprechende Alternative zu großen Modellen darstellen. In einer Studie wurden acht SLMs – darunter LLaMA 3.1, IBM Granite 3.3 und Gemma 3 (7‑17 Milliarden Parameter) – mit dem hochentwickelten GPT‑4o verglichen, um zu prüfen, ob sie Lehrpläne zuverlässig unterstützen können.

Wir haben die führenden NAS‑Speicherlösungen des Jahres 2025 eingehend getestet, um Ihnen eine klare Empfehlung zu geben. Dabei standen Leistung, Zuverlässigkeit und Benutzerfreundlichkeit im Fokus.

UK Power Networks startet ein Pilotprojekt, bei dem Thermify’s HeatHub‑Kessel die traditionellen Gasflammen durch Rechenleistung ersetzen. Ziel ist es, die Wärme, die bei der Datenverarbeitung entsteht, zu nutzen und damit die Heizkosten für Haushalte zu senken.

In heterogenen Funknetzen (HetNets) gestaltet sich die dynamische Zuteilung von Ressourcen wie Strom, Bandbreite und Zeitplänen unter wechselnden Nutzerlasten und Kanalbedingungen als besonders schwierig. Ein neues Deep‑Reinforcement‑Learning‑Framework (DRL) adressiert dieses Problem, indem es gleichzeitig die Sendeleistung, die Bandbreite und die Terminierung optimiert. Dabei wird ein mehrzieliger Belohnungsmechanismus eingesetzt, der Durchsatz, Energieeffizienz und Fairness balanciert.

In den letzten zehn Jahren hat sich die Energieeffizienz bei der Inferenz großer Sprachmodelle um 100.000‑fach verbessert – ein klarer Beleg dafür, dass beschleunigte Rechenleistung nachhaltiges Computing ermöglicht.

Ein neues Forschungsdokument aus dem arXiv-Repository zeigt, wie man den Energieverbrauch von virtuellen Servern zuverlässig schätzen kann – ganz ohne Zugriff auf physische Messgeräte. Durch die Analyse von Ressourcennutzungsdaten, die von den Gastsystemen selbst erfasst werden, trainiert ein Gradient‑Boosting‑Regressor die Vorhersage des Stromverbrauchs, der üblicherweise über RAPL (Running Average Power Limit) am Host gemessen wird.

Die Verbreitung großer Sprachmodelle (LLMs) hat einen wachsenden Einfluss auf das Klima, da ihre Nutzung erhebliche Energie erfordert. Um Entwickler für die Implementierung von LLMs in ihren Produkten zu sensibilisieren, ist es entscheidend, mehr Daten zur Energieeffizienz dieser Modelle zu sammeln.

In den letzten Monaten hat die Diskussion um den Energiebedarf von Künstlicher Intelligenz an Fahrt gewonnen. Bereits im Frühjahr wurde das Stargate-Projekt angekündigt, das ein Investitionsvolumen von knapp einer Billion US-Dollar für neue Rechenzentren vorsieht. Dieses Vorhaben unterstreicht, wie stark die Branche auf die Bereitstellung von Strom angewiesen ist.

In einer neuen Studie wurden die Energie- und CO₂‑Emissionen von sieben modernen Deep‑Reinforcement‑Learning‑Algorithmen – DQN, TRPO, A2C, ARS, PPO, RecurrentPPO und QR‑DQN – systematisch untersucht. Die Algorithmen wurden jeweils 1 Million Schritte auf zehn Atari‑2600‑Spielen trainiert, wobei der Stromverbrauch in Echtzeit gemessen und in Gesamtenergie, CO₂‑Äquivalente sowie Stromkosten umgerechnet wurde.

Ein neuer Ansatz im Bereich des Reinforcement Learning kombiniert die Leistungsfähigkeit von Transformer‑Architekturen mit der Energieeffizienz von Spiking Neural Networks. Der Spiking Decision Transformer (SNN‑DT) integriert Leaky‑Integrate‑and‑Fire‑Neuronen in jedes Self‑Attention‑Block, sodass die Modellierung von Entscheidungssequenzen in einem event‑getriebenen, ultra‑low‑power‑Framework möglich wird.

Intel hat mit dem neuen Datacenter‑Chip „Clearwater Forest“ einen weiteren Meilenstein gesetzt. Der Prozess basiert auf der 18A‑Technologie, die dem 2‑Nanometer‑Standard nahekommt. Der Chip ist ein Kernmonster, das für Rechenzentren entwickelt wurde.

Nvidia hat das neue Jetson Thor vorgestellt, ein hochleistungsfähiges GPU-Modul, das speziell für humanoide Robotik entwickelt wurde. Das System verspricht deutlich mehr Rechenleistung und Speicher als die Vorgängerversion und soll die Latenz bei Echtzeit-Entscheidungen drastisch reduzieren.

Die Erkennung menschlicher Aktivitäten mit Wearables hat in den letzten Jahren enorme Fortschritte gemacht, doch die Modelle verlieren oft an Genauigkeit, wenn sie neuen Nutzern ausgesetzt werden. Dieser Leistungsverlust entsteht vor allem durch nutzerinduzierte Konzeptverschiebungen, die eine effiziente Personalisierung erforderlich machen.

Die neuesten KI-Modelle fordern die Grafikprozessoren an ihre Grenzen. Dabei stehen Kosten, Energieeffizienz, Leistungsfähigkeit und Zuverlässigkeit im Fokus, wenn es um die Wirtschaftlichkeit von Trainingsprozessen geht.

Der Energieverbrauch beim Training großer KI‑Modelle wächst exponentiell, was die Nachhaltigkeit von Deep‑Learning‑Anwendungen stark belastet. In einer aktuellen Studie wird gezeigt, wie gezielte Hardware‑Software‑Co‑Design‑Ansätze die Effizienz dramatisch erhöhen können.

Forscher haben ein erweitertes Straight‑Through Estimator (STE) entwickelt, das die Leistung von neuronalen Netzwerken auf Analog‑Compute‑In‑Memory (CIM) Hardware deutlich steigert. Analog‑CIM‑Architekturen versprechen enorme Energieeinsparungen, doch die hardwareinduzierte Rauscheffekte stellen bislang ein großes Hindernis für die Praxis dar.