KI News: Kurz und klar.

Eine aktuelle Analyse von 809 Sprachmodellen, die zwischen 2022 und 2025 veröffentlicht wurden, liefert neue Erkenntnisse darüber, ob der Erfolg von LLMs vor allem auf reiner Rechenleistung oder auf proprietären Techniken beruht. Durch Skalierungsregressionen mit festen Effekten für Entwicklerfirmen und Veröffentlichungsdaten konnte die Studie die Rolle von Effizienzunterschieden eindeutig herausarbeiten.

Amazon hat angekündigt, weitere 200 Mrd. USD in die Erweiterung seiner KI-Infrastruktur zu stecken, um mit der rasanten Nachfrage Schritt zu halten. CEO Andy Jassy betonte, dass das Unternehmen die neu bereitgestellte Rechenleistung sofort monetarisiert und damit die Einnahmen steigert. Trotz des enormen Investitionsvolumens sieht Amazon noch Engpässe bei der schnellen Bereitstellung von KI-Kapazitäten. Um dem entgegenzuwirken, plant das Unternehmen, die verfügbare Kapazität bis Ende 2027 zu verdoppeln und gleichzeitig die Effizienz der bestehenden Systeme zu optimieren.

Zero Padding ist eine Technik, bei der zusätzliche Pixel mit dem Wert Null um die Ränder eines Bildes gelegt werden. Dadurch können die Faltungskerne über die Randpixel gleiten und die Verringerung der räumlichen Dimensionen des Feature‑Maps nach der Faltung wird kontrolliert.

Die neuesten Fortschritte in großen Sprachmodellen (Large Language Models, LLMs) haben gezeigt, dass sie komplexe Denkaufgaben meistern können. Doch ihre Fähigkeit, langfristige Planungen durchzuführen, blieb bislang wenig erforscht. Mit dem neuen Benchmark SokoBench wird dieses Thema endlich systematisch untersucht.

In einer neuen Veröffentlichung auf arXiv wird ein innovatives Trainingsziel für Gaußsche Prozesse vorgestellt, das auf niedrigdimensionalen linearen Projektionen der Daten basiert. Das Konzept, als „projected likelihood“ (PL) bezeichnet, ermöglicht es, die Komplexität von GP‑Modellen deutlich zu reduzieren, ohne die Genauigkeit zu opfern.

Für Entwickler und Forscher, die auf lange Rechenaufgaben angewiesen sind, bieten sich jetzt fünf neue Plattformen an, die die Arbeit mit Colab deutlich erleichtern. Diese Optionen ermöglichen es, komplexe Modelle und Datenanalysen ohne Unterbrechungen durchzuführen.

In der Welt der großen Sprachmodelle (LLMs) gilt Daten als genauso wertvoll wie Rechenleistung und Fachkräfte. Während einige Trainingsdaten öffentlich zugänglich sind, erfordert die Erstellung proprietärer Datensätze – etwa durch menschliche Präferenz‑Annotationen – erhebliche Investitionen.

Unsloth AI hat die Feinabstimmung beliebter KI‑Modelle auf NVIDIA RTX‑AI-PCs deutlich beschleunigt. Auf GeForce‑RTX‑Desktops, Laptops, RTX‑PRO‑Workstations und dem brandneuen DGX Spark lassen sich Modelle nun schneller und effizienter anpassen.

Forscher haben einen neuen Ansatz entwickelt, der die klassische Policy‑Iteration für episodische Partially Observable Markov Decision Processes (POMDPs) deutlich effizienter macht. Anstatt im hochdimensionalen Zustandsraum zu arbeiten, nutzt das Verfahren reine Ausgabedaten und führt stufenweise Verbesserungen durch, die sich über mehrere Zeitschritte hinweg gegenseitig beeinflussen.

Goldman Sachs hat in einer aktuellen Analyse vier mögliche Zukunftsszenarien für die KI‑Datacenter‑Industrie skizziert. Das Investmentfeld könnte sich als unrentabel erweisen, wenn die Branche die Monetarisierung von KI‑Modellen nicht schafft. Gleichzeitig warnt das Institut, dass die Nachfrage nach Rechenleistung bis 2030 die vorhandene Kapazität übersteigen könnte.

In den letzten Monaten hat die rasante Verbreitung von KI-Anwendungen die Nachfrage nach Rechenleistung dramatisch erhöht. Gleichzeitig zeigen die langen Wartelisten bei Cloud-Anbietern für High‑End‑GPU‑Instanzen, dass die verfügbare Hardware nicht mehr reicht.

Der britische Assembly-Bericht fordert klarere Planungsrichtlinien, da der rasante Anstieg der KI-Leistungsanforderungen das Stromnetz in London stark belastet. Die steigende Nachfrage nach Rechenleistung führt zu Engpässen, die nicht nur neue Datenzentren, sondern auch den Wohnungsbau behindern.

Während Technologieriesen Milliarden in Rechenleistung investieren, um Spitzentechnologien zu entwickeln, hat DeepSeek in China ähnliche Leistungen erzielt – aber mit weniger Aufwand. Das Modell DeepSeek V3.2 erreicht die gleichen Ergebnisse wie OpenAI’s GPT‑5 bei logischen Tests, obwohl es deutlich weniger Trainings‑FLOPs verwendet. Dieser Fortschritt könnte die Branche dazu bringen, die Effizienz von KI‑Entwicklung neu zu bewerten und neue Wege für die Entwicklung fortschrittlicher künstlicher Intelligenz zu eröffnen.

Wissenschaftler haben ein neues Verfahren namens FastDSA entwickelt, das die Analyse dynamischer Ähnlichkeiten zwischen neuronalen Systemen deutlich beschleunigt. Im Gegensatz zu herkömmlichen Methoden, die die zugrunde liegenden dynamischen Prozesse vernachlässigen, nutzt FastDSA eine effiziente Einbettung der nichtlinearen Dynamik in einen global linearen Raum und berechnet anschließend Konjugationsmetriken.

Mit dem rasanten Fortschritt im Deep Learning haben große Sprachmodelle beeindruckende Fähigkeiten in komplexen Rechenaufgaben gezeigt. Ihre enorme Rechen- und Speicherbelastung erschwert jedoch die praktische Nutzung.

Gemini 3 ist nun auf dem Markt und sorgt bereits für Aufsehen. Die Frage, die sich viele stellen, lautet: Wie steht das neue Modell im Vergleich zu den derzeit führenden KI‑Systemen, insbesondere zu GPT 5.1, da?

Microsoft, NVIDIA und Anthropic haben heute neue strategische Partnerschaften angekündigt, die die KI-Landschaft weiter vorantreiben sollen.

In den letzten Jahren hat die KI-Forschung einen bemerkenswerten Anstieg der Trainingsläufe verzeichnet – mittlerweile werden rund 100.000 Modelle pro Jahr trainiert. Diese enorme Menge an Rechenleistung führt zu einem signifikanten Energieverbrauch, der zunehmend als kritischer Faktor für die Nachhaltigkeit von KI-Systemen gilt.

Die neuesten internen Finanzberichte von Microsoft deuten darauf hin, dass OpenAI nicht annähernd die erwarteten 13 Mrd. US-Dollar Umsatz erzielt. Stattdessen scheint das Unternehmen deutlich mehr Kapital zu verbrauchen, um seine GPT‑Modelle zu betreiben.

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.

Selbst die leistungsstärksten „Long‑Context“-KI‑Modelle scheitern, wenn sie Objekte und Zählungen über lange, chaotische Videostreams hinweg verfolgen müssen. Das ist ein echter Stolperstein für die nächste Generation von KI-Systemen.

Eine aktuelle Studie zeigt, dass Wissenschaftler bei der Nutzung von Cloud‑Diensten mit hohen Kosten und eingeschränkter Verfügbarkeit kämpfen. Die Analyse kommt zu dem Ergebnis, dass die kommerziellen Modelle der Cloud‑Anbieter nicht optimal auf die Bedürfnisse von Forschern abgestimmt sind. Dadurch müssen Labore ihre Ressourcen neu verteilen und oft zusätzliche Mittel aufbringen, um die benötigte Rechenleistung zu sichern.

OpenAI steht vor enormen Kosten, die die aktuelle Finanzierung übersteigen könnten. Die KI-Entwicklung erfordert Milliarden an Rechenleistung, Forschung und Personal, was die Einnahmen aus Abonnements und Partnerschaften oft nicht deckt.

OpenAI hat einen neuen Vertrag mit Amazon Web Services (AWS) unterzeichnet, der die Beschaffung von Milliarden Dollar an Rechenleistung vorsieht. Damit setzt das KI-Startup seine Strategie fort, die Infrastruktur seiner Modelle durch leistungsstarke Cloud-Dienste zu erweitern. Der Deal ist Teil einer Reihe großer Vereinbarungen, die OpenAI in den letzten Monaten mit führenden Technologieunternehmen geschlossen hat.