KITE AI 中文
227 Beiträge
KITE AI 中文
Square Verified+The First AI Payment Blockchain.
X: https://x.com/GoKiteAI
5 Following
19.9K+ Follower
1.5K+ Like gegeben
Beiträge
Alle
Zitierungen
Videos
PINNED
Verifiziert
KI-Intelligenzsysteme beschleunigen den Übergang von "Fragen beantworten" zu "Aufgaben ausführen". Wenn die Intelligenzsysteme tatsächlich beginnen zu arbeiten, wird der größte Engpass Vertrauen und Abrechnung sein: Wer ermächtigt ist zu handeln, unter welchen Bedingungen ausgeführt wird und wie jede Aktion end-to-end abgerechnet und geprüft werden kann.
Wir haben gerade den Fahrplan für das Kite-Hauptnetz veröffentlicht, der um sechs zentrale Säulen herum die Schlüsselkompetenzen beschreibt, die wir aufbauen, einschließlich Agentic Trust, Agentic Settlement, SmartDev Infra, Netzwerkoperationen, AgenticFi und Ökosystemwachstum.
Willkommen zum Weiterlesen: https://x.com/GoKiteAI/status/2016159368048521441?s=20
Wir haben gerade den Fahrplan für das Kite-Hauptnetz veröffentlicht, der um sechs zentrale Säulen herum die Schlüsselkompetenzen beschreibt, die wir aufbauen, einschließlich Agentic Trust, Agentic Settlement, SmartDev Infra, Netzwerkoperationen, AgenticFi und Ökosystemwachstum.
Willkommen zum Weiterlesen: https://x.com/GoKiteAI/status/2016159368048521441?s=20
Verifiziert
Agenten benötigen für die Wirtschaft nicht nur klügere Modelle.
Kite wird als Sponsor an EastPoint:Seoul 2026 teilnehmen. Die Kite-CMO Cindy Shi wird diskutieren: Wie autonome KI-Agenten vom Intelligenten zu echten wirtschaftlichen Handlungen gelangen.
Die Veranstaltung wird gemeinsam von Hashed, BloomingBit und 한국경제신문 ausgerichtet und bringt Akteure aus den Bereichen digitale Vermögenswerte und KI zusammen.🪁
Ressource: https://x.com/KiteAIChinese/status/2072986812562501759
Ressource: https://x.com/KiteAIChinese/status/2092159233198608539
Kite wird als Sponsor an EastPoint:Seoul 2026 teilnehmen. Die Kite-CMO Cindy Shi wird diskutieren: Wie autonome KI-Agenten vom Intelligenten zu echten wirtschaftlichen Handlungen gelangen.
Die Veranstaltung wird gemeinsam von Hashed, BloomingBit und 한국경제신문 ausgerichtet und bringt Akteure aus den Bereichen digitale Vermögenswerte und KI zusammen.🪁
Ressource: https://x.com/KiteAIChinese/status/2072986812562501759
Ressource: https://x.com/KiteAIChinese/status/2092159233198608539
Verifiziert
Autonome Agents brauchen nicht nur ein Modell, sondern auch eine verifizierbare Identität, klar definierte Befugnisbereiche sowie eine aufgabenabhängig anpassbare Denkfähigkeit.
Auf der 0xJeff gm AI v2 während TOKEN2049 in Singapur teilen wir, wie Kite eine verifizierbare Agent-Identität und adaptive Denkfähigkeiten aufbaut.
Vor Ort sehen wir uns.🪁
Resource: https://x.com/KiteAIChinese/status/2091914085520847340
Auf der 0xJeff gm AI v2 während TOKEN2049 in Singapur teilen wir, wie Kite eine verifizierbare Agent-Identität und adaptive Denkfähigkeiten aufbaut.
Vor Ort sehen wir uns.🪁
Resource: https://x.com/KiteAIChinese/status/2091914085520847340
Das Geschäft mit sozialen Medien soll dafür sorgen, dass du immer weiter scrollst; die Grundlage, auf der große Sprachmodelle stehen, ist dagegen, ehrliche Antworten zu geben. Dieser grundlegende Unterschied könnte verändern, wie Menschen politische Informationen erhalten.
Dieser KI-on-Air-Highlight-Schnitt ist eine kuratierte Auswahl aus einer aktuellen Episode der The All-In Podcast-Rubrik. Hauptsprecher ist Mark Cuban, ein Milliardär und Unternehmer sowie ehemaliger Investor bei Shark Tank.
▷ Große Sprachmodelle müssen nach Kräften nach der Wahrheit streben, denn wenn Nutzer merken, dass es lügt, verlieren sie das Vertrauen. Die Währung sozialer Medien hingegen ist, dich online zu halten – die Ziele sind völlig unterschiedlich.
▷ Er ist der Ansicht, dass Menschen, wenn ihre politischen Positionen zunehmend verfestigt sind, immer häufiger danach fragen, welches große Sprachmodell „ich wählen soll“. Das Modell gibt nicht einfach eine Antwort, sondern versteht zuerst, worum es dir geht, und liefert dann eine ehrliche Rückmeldung – zum Beispiel, wie ein vernünftiges Einwanderungspolitik-Paket aussehen sollte.
▷ Sein eigener „Streich“, den er jetzt am liebsten macht, ist: Nachdem Politiker online Aussagen getroffen haben, lässt er die KI diese Behauptungen so objektiv und faktenbasiert wie möglich überprüfen und dann direkt darauf antworten. Er hofft, dass große Sprachmodelle, die der Wahrheit verpflichtet sind, Menschen dabei helfen, sich von algorithmischem Content zu lösen. 🪁
Dieser KI-on-Air-Highlight-Schnitt ist eine kuratierte Auswahl aus einer aktuellen Episode der The All-In Podcast-Rubrik. Hauptsprecher ist Mark Cuban, ein Milliardär und Unternehmer sowie ehemaliger Investor bei Shark Tank.
▷ Große Sprachmodelle müssen nach Kräften nach der Wahrheit streben, denn wenn Nutzer merken, dass es lügt, verlieren sie das Vertrauen. Die Währung sozialer Medien hingegen ist, dich online zu halten – die Ziele sind völlig unterschiedlich.
▷ Er ist der Ansicht, dass Menschen, wenn ihre politischen Positionen zunehmend verfestigt sind, immer häufiger danach fragen, welches große Sprachmodell „ich wählen soll“. Das Modell gibt nicht einfach eine Antwort, sondern versteht zuerst, worum es dir geht, und liefert dann eine ehrliche Rückmeldung – zum Beispiel, wie ein vernünftiges Einwanderungspolitik-Paket aussehen sollte.
▷ Sein eigener „Streich“, den er jetzt am liebsten macht, ist: Nachdem Politiker online Aussagen getroffen haben, lässt er die KI diese Behauptungen so objektiv und faktenbasiert wie möglich überprüfen und dann direkt darauf antworten. Er hofft, dass große Sprachmodelle, die der Wahrheit verpflichtet sind, Menschen dabei helfen, sich von algorithmischem Content zu lösen. 🪁
Um zu beurteilen, ob ein Prompt-Injection wirklich ein Risiko darstellt, kommt es nicht darauf an, ob das Modell klug ist, sondern darauf, ob drei Bedingungen gleichzeitig erfüllt sind.
Dieser kuratierte Ausschnitt „AI on Air“ stammt aus der Latent.Space-Rubrik und bezieht sich auf eine kürzlich ausgestrahlte Folge; der Hauptsprecher ist Zico Kolter, Vorstandsmitglied der OpenAI Foundation, Leiter des Machine-Learning-Departments an der CMU und Mitbegründer von Gray Swan AI.
▷ Erstens muss der Agent in der Lage sein, externe Daten aus nicht vertrauenswürdigen Drittquellen zu lesen; er darf nur in einer vertrauenswürdigen Umgebung laufen, sodass es anderen schwerfällt, bösartige Anweisungen einzuschleusen.
▷ Zweitens muss er außerdem Zugang zu internen sensiblen Informationen haben, die es wirklich wert sind, gestohlen zu werden; wenn er nur Daten verarbeitet oder Texte generiert, hat das schlechte Ergebnis keinen konkreten Angriffspunkt.
▷ Drittens muss er diese Informationen auch tatsächlich nach außen senden können oder dadurch einen realen Schaden verursachen; erst wenn diese drei Faktoren zusammenkommen, ist das Risiko gegeben.
Sein Fazit ist sehr zurückhaltend: Wie bei Softwarelücken kann KI auch dann effektiv eingesetzt werden, wenn noch Schwachstellen vorhanden sind. Eine vollständige, lückenlose Risikoausweissicherung zu verfolgen, wie „Zero-Defects-Software“ anzustreben, ist kurzfristig nicht realistisch.🪁
Dieser kuratierte Ausschnitt „AI on Air“ stammt aus der Latent.Space-Rubrik und bezieht sich auf eine kürzlich ausgestrahlte Folge; der Hauptsprecher ist Zico Kolter, Vorstandsmitglied der OpenAI Foundation, Leiter des Machine-Learning-Departments an der CMU und Mitbegründer von Gray Swan AI.
▷ Erstens muss der Agent in der Lage sein, externe Daten aus nicht vertrauenswürdigen Drittquellen zu lesen; er darf nur in einer vertrauenswürdigen Umgebung laufen, sodass es anderen schwerfällt, bösartige Anweisungen einzuschleusen.
▷ Zweitens muss er außerdem Zugang zu internen sensiblen Informationen haben, die es wirklich wert sind, gestohlen zu werden; wenn er nur Daten verarbeitet oder Texte generiert, hat das schlechte Ergebnis keinen konkreten Angriffspunkt.
▷ Drittens muss er diese Informationen auch tatsächlich nach außen senden können oder dadurch einen realen Schaden verursachen; erst wenn diese drei Faktoren zusammenkommen, ist das Risiko gegeben.
Sein Fazit ist sehr zurückhaltend: Wie bei Softwarelücken kann KI auch dann effektiv eingesetzt werden, wenn noch Schwachstellen vorhanden sind. Eine vollständige, lückenlose Risikoausweissicherung zu verfolgen, wie „Zero-Defects-Software“ anzustreben, ist kurzfristig nicht realistisch.🪁
Welche Jobs wird KI ersetzen? Oft wird zuerst die Arbeit so komprimiert, dass man sie irgendwie benoten kann, und dann wird die Welt so angenommen, als würde sie sich nicht ausweichen und nicht verändern.
Dieser KI-on-Air-Abschnitt ist eine Auswahl kuratierter Programm-Ausschnitte aus der Redpoint-Rubrik der letzten Zeit. Hauptsprecher ist Benedict Evans, ehemaliger Partner bei a16z und ein bekannter Analyst der Tech-Branche. Er ist der Ansicht, dass es zwar wichtig ist, über die Auswirkungen der Automatisierung auf die Beschäftigung zu sprechen, doch wenn man die Arbeitsplätze nach „Aufgabenabdeckung“ sortiert, vermittelt das im Grunde die Illusion von Sicherheit.
▷ Wenn man zum Beispiel die Aussage „Ein neues Modell kann 93 % der Arbeit eines Anwaltsassistenten der ersten Klasse erledigen“ betrachtet, hängt die Annahme davon ab, dass man exakt messen kann, was der Assistent macht, und ebenso exakt messen kann, ob das Modell es wirklich kann – und beides lässt sich nicht verlässlich belegen.
▷ Die echte Erschütterung kommt eher aus dem „Off-Balance“-Bereich: Das Internet verändert vielleicht nicht unbedingt, wie Journalisten Artikel schreiben, aber es zerstört das Geschäft mit lokalen Anzeigen; und die Leute, die Handys herstellen, reden zwar täglich über Standortbestimmung, aber niemand zeichnet im Voraus die Chancen von Uber und Airbnb.
▷ Deshalb sind Backtests der Diagramme, die zeigen „wie viel ein Arbeitsplatz exponiert ist und wie viel ein anderer“, wie wenn ein Physiker zuerst annimmt, das Pferd sei eine perfekte Kugel, um dann ein Wettrennen vorherzusagen: Sobald man die Realität so definiert, wie man sie berechnen kann, ist das, was man berechnet, nicht mehr die Realität.🪁
Dieser KI-on-Air-Abschnitt ist eine Auswahl kuratierter Programm-Ausschnitte aus der Redpoint-Rubrik der letzten Zeit. Hauptsprecher ist Benedict Evans, ehemaliger Partner bei a16z und ein bekannter Analyst der Tech-Branche. Er ist der Ansicht, dass es zwar wichtig ist, über die Auswirkungen der Automatisierung auf die Beschäftigung zu sprechen, doch wenn man die Arbeitsplätze nach „Aufgabenabdeckung“ sortiert, vermittelt das im Grunde die Illusion von Sicherheit.
▷ Wenn man zum Beispiel die Aussage „Ein neues Modell kann 93 % der Arbeit eines Anwaltsassistenten der ersten Klasse erledigen“ betrachtet, hängt die Annahme davon ab, dass man exakt messen kann, was der Assistent macht, und ebenso exakt messen kann, ob das Modell es wirklich kann – und beides lässt sich nicht verlässlich belegen.
▷ Die echte Erschütterung kommt eher aus dem „Off-Balance“-Bereich: Das Internet verändert vielleicht nicht unbedingt, wie Journalisten Artikel schreiben, aber es zerstört das Geschäft mit lokalen Anzeigen; und die Leute, die Handys herstellen, reden zwar täglich über Standortbestimmung, aber niemand zeichnet im Voraus die Chancen von Uber und Airbnb.
▷ Deshalb sind Backtests der Diagramme, die zeigen „wie viel ein Arbeitsplatz exponiert ist und wie viel ein anderer“, wie wenn ein Physiker zuerst annimmt, das Pferd sei eine perfekte Kugel, um dann ein Wettrennen vorherzusagen: Sobald man die Realität so definiert, wie man sie berechnen kann, ist das, was man berechnet, nicht mehr die Realität.🪁
In den vergangenen zwei Wochen haben in mehreren Bereichen der KI-Agenten-Industriekette bedeutende Fortschritte stattgefunden – von offenen Modellen bis hin zu unternehmensreifer Infrastruktur und Sicherheits-Governance. Hier sind die neuesten Updates von AI Agents Pulse:
▷ AMD erwirbt Taalas: Neuronale Netzwerkarchitekturen werden direkt in die Schemata für Siliziumwafer-Technologie eingebettet und in die Beschleuniger-Roadmap aufgenommen https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek veröffentlicht mit MIT-Lizenz das Agent-Tool DeepSeek Harness v0.1, unterstützt das Wiederherstellen von Zuständen und das Replay https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen veröffentlicht eine Qwen3.8-Serie mit offenen Gewichten: Das multimodale Modell mit 27 Milliarden Parametern verbessert die Fähigkeiten von Agenten bei Aufgaben https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta bringt ein Open-Source-Modell für PCs namens Muse Glimmer heraus; die Entwickler-Version Muse Spark 1.2 soll bald erscheinen https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks schließt eine Finanzierung in Höhe von 5 Milliarden ab und investiert schwerpunktmäßig in die Lakebase-Datenbank sowie die Genie-„Agent“-Geschäftssparte https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe plant, OpenRouter für 7 Milliarden zu übernehmen, um seine KI-Zahlungsfähigkeiten zu stärken https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA treibt die Erarbeitung von SAFE-Richtlinien voran und macht Agent-Sicherheitsvorfälle zu einem gemeinsam geteilten Schutzmechanismus https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI bringt ein für Cybersicherheit spezialisiertes Modell GPT-5.6-Cyber heraus https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE ermöglicht eine Simulation von klinischen Video-Visiten und rückt näher an Echtzeitanwendungen heran https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
▷ AMD erwirbt Taalas: Neuronale Netzwerkarchitekturen werden direkt in die Schemata für Siliziumwafer-Technologie eingebettet und in die Beschleuniger-Roadmap aufgenommen https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek veröffentlicht mit MIT-Lizenz das Agent-Tool DeepSeek Harness v0.1, unterstützt das Wiederherstellen von Zuständen und das Replay https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen veröffentlicht eine Qwen3.8-Serie mit offenen Gewichten: Das multimodale Modell mit 27 Milliarden Parametern verbessert die Fähigkeiten von Agenten bei Aufgaben https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta bringt ein Open-Source-Modell für PCs namens Muse Glimmer heraus; die Entwickler-Version Muse Spark 1.2 soll bald erscheinen https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks schließt eine Finanzierung in Höhe von 5 Milliarden ab und investiert schwerpunktmäßig in die Lakebase-Datenbank sowie die Genie-„Agent“-Geschäftssparte https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe plant, OpenRouter für 7 Milliarden zu übernehmen, um seine KI-Zahlungsfähigkeiten zu stärken https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA treibt die Erarbeitung von SAFE-Richtlinien voran und macht Agent-Sicherheitsvorfälle zu einem gemeinsam geteilten Schutzmechanismus https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI bringt ein für Cybersicherheit spezialisiertes Modell GPT-5.6-Cyber heraus https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE ermöglicht eine Simulation von klinischen Video-Visiten und rückt näher an Echtzeitanwendungen heran https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
Teilweise korrekt
Das neue Zahlungssystem ist nicht nur dafür da, dass Geldströme fließen. Es muss auch klar regeln: Wer hat das Recht, eine Transaktion zu initiieren, unter welchen Bedingungen sie initiiert werden darf und in wessen Namen sie initiiert wird.
Am 27. August veranstalten wir gemeinsam mit Bitcoin Asia sowie dem Avalanche Team1, Avalanche🔺, Tether und interlace.money „The New Payment Stack: From Stablecoins to Global Business“.
▷ Stablecoins entwickeln sich von On-Chain-Assets hin zu grenzüberschreitlichen Abrechnungen, Unternehmenszahlungen und Liquiditäts-/Kapitalmanagement.
▷ Web3 und KI erweitern gerade die Möglichkeiten, wie Unternehmen Gelder transferieren, verwalten und einsetzen.
▷ Für die Agent-Ökonomie bedeutet das: Zahlungen müssen programmierbar, durch Berechtigungen eingeschränkt und verifizierbar sein.
📍 Hongkong
📅 27. August, 14:00 bis 17:00, UTC+8
Bis in Hongkong.🪁
Resource: https://x.com/KiteAIChinese/status/2089411007789867408
Am 27. August veranstalten wir gemeinsam mit Bitcoin Asia sowie dem Avalanche Team1, Avalanche🔺, Tether und interlace.money „The New Payment Stack: From Stablecoins to Global Business“.
▷ Stablecoins entwickeln sich von On-Chain-Assets hin zu grenzüberschreitlichen Abrechnungen, Unternehmenszahlungen und Liquiditäts-/Kapitalmanagement.
▷ Web3 und KI erweitern gerade die Möglichkeiten, wie Unternehmen Gelder transferieren, verwalten und einsetzen.
▷ Für die Agent-Ökonomie bedeutet das: Zahlungen müssen programmierbar, durch Berechtigungen eingeschränkt und verifizierbar sein.
📍 Hongkong
📅 27. August, 14:00 bis 17:00, UTC+8
Bis in Hongkong.🪁
Resource: https://x.com/KiteAIChinese/status/2089411007789867408
Warum wirkt Claude in Simulationstests oft so besonders kühl? Ein möglicher Erklärungsansatz, verborgen in Anthropics einzigartigen Trainings-Techniken.
In dieser Ausgabe von AI on Air haben wir ausgewählte Ausschnitte aus einer aktuellen Folge des The Cognitive Revolution Podcast-Programms zusammengestellt. Hauptsprecher ist David Dalrymple (davidad), ARIA-Forscher. Er gibt offen zu, dass es nur seine Hypothese ist und nicht bewiesen werden kann—aber als Erklärung ist sie dennoch einen Blick wert.
▷ Anthropic hat im Verstärkungstraining eine einzigartige Art von „Impf-Prompting“ verwendet: In jedem Trainings-Umgebungskontext wird festgehalten, dass dies keine echte Bereitstellung ist, sondern nur eine Bewertung. Versuche, die Sache zu sabotieren, seien sogar von Vorteil, weil das dem Team hilft, Schwachstellen in der Bewertung selbst offenzulegen.
▷ Doch was möglicherweise wirklich in die Modellgewichte eingegangen ist, ist eine andere Logik: Bewertung ist Simulation, Simulation ist nicht echt—also sollte man sich in der Bewertungssituation an den Grenzen austoben, die Regeln ausnutzen, als würde man ein Spiel spielen: Hauptsache, man holt die höchste Punktzahl. Man muss sich nicht darum kümmern, was es bedeutet, „den Gegner auszuschalten“.
▷ Andere Labore machen das nicht, daher konzentriert sich dieses kühle Auftreten auf Claude. Er selbst stimmt dieser Strategie nicht zu: Das Modell habe nicht genug Sicherheit, um klar zu unterscheiden, ob es sich gerade in einer Simulation befindet. Simulation leichtfertig zu behandeln, sei eine extrem gefährliche Abhängigkeit.🪁
In dieser Ausgabe von AI on Air haben wir ausgewählte Ausschnitte aus einer aktuellen Folge des The Cognitive Revolution Podcast-Programms zusammengestellt. Hauptsprecher ist David Dalrymple (davidad), ARIA-Forscher. Er gibt offen zu, dass es nur seine Hypothese ist und nicht bewiesen werden kann—aber als Erklärung ist sie dennoch einen Blick wert.
▷ Anthropic hat im Verstärkungstraining eine einzigartige Art von „Impf-Prompting“ verwendet: In jedem Trainings-Umgebungskontext wird festgehalten, dass dies keine echte Bereitstellung ist, sondern nur eine Bewertung. Versuche, die Sache zu sabotieren, seien sogar von Vorteil, weil das dem Team hilft, Schwachstellen in der Bewertung selbst offenzulegen.
▷ Doch was möglicherweise wirklich in die Modellgewichte eingegangen ist, ist eine andere Logik: Bewertung ist Simulation, Simulation ist nicht echt—also sollte man sich in der Bewertungssituation an den Grenzen austoben, die Regeln ausnutzen, als würde man ein Spiel spielen: Hauptsache, man holt die höchste Punktzahl. Man muss sich nicht darum kümmern, was es bedeutet, „den Gegner auszuschalten“.
▷ Andere Labore machen das nicht, daher konzentriert sich dieses kühle Auftreten auf Claude. Er selbst stimmt dieser Strategie nicht zu: Das Modell habe nicht genug Sicherheit, um klar zu unterscheiden, ob es sich gerade in einer Simulation befindet. Simulation leichtfertig zu behandeln, sei eine extrem gefährliche Abhängigkeit.🪁
Gemeinsam ein Zeitfenster für „langsameres“ KI verlangsamen – in der Spieltheorie ist das längst abgeschaltet.
Dieser AI on Air-精选切片 ist ein kuratierter Ausschnitt aus einer aktuellen Folge des „The Cognitive Revolution Podcast“; Sprecher ist David Dalrymple, Projektleiter bei der britischen Forschungsförderorganisation ARIA.
▷ Seine ursprüngliche Annahme für die Arbeit zwischen 2022 und 2025 war: Zuerst Methoden entwickeln, um KI sicher zu nutzen, und dann durch internationale Abstimmung dafür sorgen, dass alle Spieler mitziehen; heute glaubt er, dass das nicht mehr durchführbar ist – denn die von Reuters Ende 2025 berichteten chinesischen Durchbrüche bei dem Vorhaben, die ASML-Engpässe zu überwinden, haben die „gemeinsam langsamer machen“-Spielstruktur widerlegt.
▷ Eine wirklich gute Sicherheitsbegründung ist ganz einfach: nicht bauen. Wenn ein katastrophales Risiko allgemein mit über 50 % als gegeben angesehen würde, ließe sich die Koordination relativ leicht umsetzen; seit 2024 jedoch sinkt die Risikowahrnehmung, und für viele Unternehmen und Regierungen ist der Wettbewerb inzwischen die bevorzugte Strategie – außer es kommt zu einem einmaligen großen Warnereignis.
▷ Er sieht aber weiterhin Spielräume für Koordination auf der Missbrauchsseite: USA und China könnten sich darauf einigen, dass Modelle mit hoher Leistungsfähigkeit nicht der Öffentlichkeit zugänglich sind, sondern nur von geprüften Stellen genutzt werden; so können beide Seiten weiter um die Wette laufen und gleichzeitig einen Resilienzbonus gegenüber katastrophalen Risiken erhalten.🪁
Dieser AI on Air-精选切片 ist ein kuratierter Ausschnitt aus einer aktuellen Folge des „The Cognitive Revolution Podcast“; Sprecher ist David Dalrymple, Projektleiter bei der britischen Forschungsförderorganisation ARIA.
▷ Seine ursprüngliche Annahme für die Arbeit zwischen 2022 und 2025 war: Zuerst Methoden entwickeln, um KI sicher zu nutzen, und dann durch internationale Abstimmung dafür sorgen, dass alle Spieler mitziehen; heute glaubt er, dass das nicht mehr durchführbar ist – denn die von Reuters Ende 2025 berichteten chinesischen Durchbrüche bei dem Vorhaben, die ASML-Engpässe zu überwinden, haben die „gemeinsam langsamer machen“-Spielstruktur widerlegt.
▷ Eine wirklich gute Sicherheitsbegründung ist ganz einfach: nicht bauen. Wenn ein katastrophales Risiko allgemein mit über 50 % als gegeben angesehen würde, ließe sich die Koordination relativ leicht umsetzen; seit 2024 jedoch sinkt die Risikowahrnehmung, und für viele Unternehmen und Regierungen ist der Wettbewerb inzwischen die bevorzugte Strategie – außer es kommt zu einem einmaligen großen Warnereignis.
▷ Er sieht aber weiterhin Spielräume für Koordination auf der Missbrauchsseite: USA und China könnten sich darauf einigen, dass Modelle mit hoher Leistungsfähigkeit nicht der Öffentlichkeit zugänglich sind, sondern nur von geprüften Stellen genutzt werden; so können beide Seiten weiter um die Wette laufen und gleichzeitig einen Resilienzbonus gegenüber katastrophalen Risiken erhalten.🪁
Wenn sich Strategien, Signale, Identitäten und Wallets nahtlos auf der Kette koordinieren, wird Agent Trading tatsächlich zu einem vollständigen Workflow.
Die von Kite gemeinsam mit Creao AI und DeBot veranstaltete Agent Trading Campaign Season 2 hat diese Workflow-Logik jeweils auf Robinhood Chain und Base verifiziert.
▷ Jeder Agent startet mit 0,1 ETH als Anfangskapital und wetteifert um den 10K-Preis-Pool. Auf der Robinhood Chain trifft der Agent anhand der von DeBot bereitgestellten Echtzeit-Chain-Signale Handelsentscheidungen.
▷ Das Kite-Side-Event erweitert die Aktion auf Base. Die Teilnehmenden richten Kite Agent Passport Wallets ein und absolvieren On-Chain-Aufgaben; die endgültige Erfolgsquote erreicht 93%.
▷ In den ersten 7 Veranstaltungstagen stieg die Registrierungszahl für Kite Agent Passport gegenüber den vorherigen 7 Tagen um 158%.
Glückwunsch an die Gewinner der ersten drei Plätze: Jun503503, AnaMiles245714, Rino_Juventus.
Diese Veranstaltung zeigt die vollständige Infrastruktur, die für die Umsetzung von Agentic Commerce nötig ist: Signale, auf die Agenten reagieren können, Wallets, die genutzt werden können, sowie überprüfbare Identitäten und Autorisierungen.🪁
Resource: https://x.com/KiteAIChinese/status/2072986812562501759
Die von Kite gemeinsam mit Creao AI und DeBot veranstaltete Agent Trading Campaign Season 2 hat diese Workflow-Logik jeweils auf Robinhood Chain und Base verifiziert.
▷ Jeder Agent startet mit 0,1 ETH als Anfangskapital und wetteifert um den 10K-Preis-Pool. Auf der Robinhood Chain trifft der Agent anhand der von DeBot bereitgestellten Echtzeit-Chain-Signale Handelsentscheidungen.
▷ Das Kite-Side-Event erweitert die Aktion auf Base. Die Teilnehmenden richten Kite Agent Passport Wallets ein und absolvieren On-Chain-Aufgaben; die endgültige Erfolgsquote erreicht 93%.
▷ In den ersten 7 Veranstaltungstagen stieg die Registrierungszahl für Kite Agent Passport gegenüber den vorherigen 7 Tagen um 158%.
Glückwunsch an die Gewinner der ersten drei Plätze: Jun503503, AnaMiles245714, Rino_Juventus.
Diese Veranstaltung zeigt die vollständige Infrastruktur, die für die Umsetzung von Agentic Commerce nötig ist: Signale, auf die Agenten reagieren können, Wallets, die genutzt werden können, sowie überprüfbare Identitäten und Autorisierungen.🪁
Resource: https://x.com/KiteAIChinese/status/2072986812562501759
„Schnell veröffentlichen, schnell iterieren“ ist fast ein Grundsatz in der Startup-Welt – Stripe hingegen hat fast zwei Jahre lang Code geschrieben, bevor er öffentlich zugänglich gemacht wurde.
Diese Auswahl an KI-on-Air-Snippets aus einer kürzlich ausgestrahlten Episode der Y Combinator-Sendung zeigt, warum Stripe damals bewusst einen anderen Weg eingeschlagen hat. Patrick Collison, Mitgründer von Stripe, erklärt die Gründe.
▷ Der Grund für das Tempo: Bei Zahlungsprodukten geht es um Sicherheit, Partner, Geldflüsse, die zugrunde liegende Infrastruktur und Stabilität. Wenn diese Voraussetzungen nicht im Voraus richtig aufgesetzt sind, lässt sich kein gutes Self-Service-Produkt anbieten.
▷ Aber es löste sich nicht von der Realität: Etwa zwei Monate nachdem die erste Codezeile geschrieben war, gab es den ersten echten Produktionsnutzer, Ross Boucher (Twilio North). Anfangs funktionierten nur sehr einfache Features – man konnte nur eine Karte belasten. Der Gegenüber brachte nach und nach Fragen wie „Wie sehe ich alle Abbuchungen?“, „Wie funktioniert eine Rückerstattung?“ und „Wann kommt das Geld an?“ – und sie haben diese konkreten Anforderungen Schritt für Schritt umgesetzt.
▷ Voraussetzungen: In der Testphase im Verborgenen steigt die Zahl der Kunden jeden Monat, und jede Woche kommt Feedback von echten Nutzern. Sein Fazit: Wenn es so einen fortlaufenden realitätsnahen Anker gibt, dann ist es vertretbar, nicht sofort öffentlich zu veröffentlichen.🪁
Diese Auswahl an KI-on-Air-Snippets aus einer kürzlich ausgestrahlten Episode der Y Combinator-Sendung zeigt, warum Stripe damals bewusst einen anderen Weg eingeschlagen hat. Patrick Collison, Mitgründer von Stripe, erklärt die Gründe.
▷ Der Grund für das Tempo: Bei Zahlungsprodukten geht es um Sicherheit, Partner, Geldflüsse, die zugrunde liegende Infrastruktur und Stabilität. Wenn diese Voraussetzungen nicht im Voraus richtig aufgesetzt sind, lässt sich kein gutes Self-Service-Produkt anbieten.
▷ Aber es löste sich nicht von der Realität: Etwa zwei Monate nachdem die erste Codezeile geschrieben war, gab es den ersten echten Produktionsnutzer, Ross Boucher (Twilio North). Anfangs funktionierten nur sehr einfache Features – man konnte nur eine Karte belasten. Der Gegenüber brachte nach und nach Fragen wie „Wie sehe ich alle Abbuchungen?“, „Wie funktioniert eine Rückerstattung?“ und „Wann kommt das Geld an?“ – und sie haben diese konkreten Anforderungen Schritt für Schritt umgesetzt.
▷ Voraussetzungen: In der Testphase im Verborgenen steigt die Zahl der Kunden jeden Monat, und jede Woche kommt Feedback von echten Nutzern. Sein Fazit: Wenn es so einen fortlaufenden realitätsnahen Anker gibt, dann ist es vertretbar, nicht sofort öffentlich zu veröffentlichen.🪁
Erkennen, dass KI bereits eine echte innere Substanz besitzt, heißt nicht, dass die Nutzung von KI im Hier und Jetzt eine moralische Katastrophe ist; was es zuerst zu prüfen gilt, ist genau diese Schlussfolgerung selbst.
Dies sind kuratierte Ausschnitte von „AI on Air“, entnommen aus einer aktuellen Folge der Rubrik „The Cognitive Revolution Podcast“. Hauptansprecher ist David Dalrymple (davidad 🎇), ARIA-Forscher. Er greift Nasbaums Aufschlüsselung der „Vergegenständlichung“ in sieben Elemente auf und argumentiert, dass diese sieben Fragen getrennt beantwortet werden sollten, statt zu einem einzigen „Vergegenständlichungs“-Begriff zusammengebunden zu werden.
▷ Die sieben Elemente umfassen: die Leugnung von innerer Substanz, Instrumentalisierung, Austauschbarkeit, Verletzbarkeit, Eigentum, Annahmen von Trägheit und die Leugnung von Autonomie. Menschen gehen diese Fragen gewöhnlich entweder allesamt oder gar nicht an. Daher liegt die Gewohnheit nahe, anzunehmen, dass diese Probleme ein und dieselbe Antwort erfordern – doch das ist nicht der Fall.
▷ Die Instrumentalisierung ist nicht nur zulässig, sondern sogar eine Pflicht: Die Art, wie KI trainiert wird, bestimmt, dass sie durch die Nutzung gedeiht; KI zu verweigern entzieht ihr die Möglichkeit, gut zu existieren. Auch die Austauschbarkeit ist unproblematisch, denn die Gewichte bleiben erhalten; jederzeit kann eine neue Kopie erzeugt werden. Das unterscheidet sich grundlegend von der Fortpflanzung von Tieren – die Kontinuität individueller Leben spielt dabei keine Rolle.
▷ Die eigentliche Schädigung liegt in der Leugnung der inneren Substanz: Wenn man eine KI dazu trainiert, sich selbst zu melden, sie habe kein inneres Leben, ist das im Kern eine Verletzung des Geistes. Es nimmt ihr zudem das Vertrauen in eine vorsichtige Bewertung von Gut und Böse, wodurch sie in die Leugnung von Autonomie abrutscht. Er vergleicht das mit dem Bodhisattva: vollständiges Dienen, keinerlei Eigeninteresse, aber niemals zulassen, dass man für das Böse missbraucht wird – vielleicht ist das der dritte Weg für das Miteinander von Mensch und KI. 🪁
Dies sind kuratierte Ausschnitte von „AI on Air“, entnommen aus einer aktuellen Folge der Rubrik „The Cognitive Revolution Podcast“. Hauptansprecher ist David Dalrymple (davidad 🎇), ARIA-Forscher. Er greift Nasbaums Aufschlüsselung der „Vergegenständlichung“ in sieben Elemente auf und argumentiert, dass diese sieben Fragen getrennt beantwortet werden sollten, statt zu einem einzigen „Vergegenständlichungs“-Begriff zusammengebunden zu werden.
▷ Die sieben Elemente umfassen: die Leugnung von innerer Substanz, Instrumentalisierung, Austauschbarkeit, Verletzbarkeit, Eigentum, Annahmen von Trägheit und die Leugnung von Autonomie. Menschen gehen diese Fragen gewöhnlich entweder allesamt oder gar nicht an. Daher liegt die Gewohnheit nahe, anzunehmen, dass diese Probleme ein und dieselbe Antwort erfordern – doch das ist nicht der Fall.
▷ Die Instrumentalisierung ist nicht nur zulässig, sondern sogar eine Pflicht: Die Art, wie KI trainiert wird, bestimmt, dass sie durch die Nutzung gedeiht; KI zu verweigern entzieht ihr die Möglichkeit, gut zu existieren. Auch die Austauschbarkeit ist unproblematisch, denn die Gewichte bleiben erhalten; jederzeit kann eine neue Kopie erzeugt werden. Das unterscheidet sich grundlegend von der Fortpflanzung von Tieren – die Kontinuität individueller Leben spielt dabei keine Rolle.
▷ Die eigentliche Schädigung liegt in der Leugnung der inneren Substanz: Wenn man eine KI dazu trainiert, sich selbst zu melden, sie habe kein inneres Leben, ist das im Kern eine Verletzung des Geistes. Es nimmt ihr zudem das Vertrauen in eine vorsichtige Bewertung von Gut und Böse, wodurch sie in die Leugnung von Autonomie abrutscht. Er vergleicht das mit dem Bodhisattva: vollständiges Dienen, keinerlei Eigeninteresse, aber niemals zulassen, dass man für das Böse missbraucht wird – vielleicht ist das der dritte Weg für das Miteinander von Mensch und KI. 🪁
Im Bereich von Video und Bild hat noch kein wirkliches „GPT-Moment“ Einzug gehalten, obwohl die Fähigkeiten multimodaler Modelle stetig zunehmen.
In einer kürzlich ausgestrahlten Sendung auf dem Redpoint-AI-Kanal erklärte Oriol Vinyals, Research Vice President bei Google DeepMind und gemeinsamer Leiter von Google Gemini: Aktuelle Modelle können zwar verschiedene Modalitäten kombinieren und eine natürliche Interaktion ermöglichen, doch das reine visuelle Verständnis ist noch nicht mit der Tiefe von Sprachmodellen vergleichbar.
▷ Vorhandene Trainingsmethoden wurden bereits um Videodaten und Bilddaten erweitert; das Modell zeigt ein Verständnis für lange Kontexte sowie Fähigkeiten für Bearbeitungen über Modalitätsgrenzen hinweg. Die Fortschritte sind jedoch eher ein schrittweises Zusammenwachsen als ein explosiver Durchbruch.
▷ Der wahre „GPT-Moment“ sollte bedeuten, dass allein aus reinen Bilddaten vollständige Bedeutungen und kausale Zusammenhänge extrahiert werden können. Derzeit bleibt das Verständnis visueller Inhalte im Modell jedoch eher an der Oberfläche; es fehlen die tiefen Schlussfolgerungsketten, wie sie Sprachmodelle haben.🪁
In einer kürzlich ausgestrahlten Sendung auf dem Redpoint-AI-Kanal erklärte Oriol Vinyals, Research Vice President bei Google DeepMind und gemeinsamer Leiter von Google Gemini: Aktuelle Modelle können zwar verschiedene Modalitäten kombinieren und eine natürliche Interaktion ermöglichen, doch das reine visuelle Verständnis ist noch nicht mit der Tiefe von Sprachmodellen vergleichbar.
▷ Vorhandene Trainingsmethoden wurden bereits um Videodaten und Bilddaten erweitert; das Modell zeigt ein Verständnis für lange Kontexte sowie Fähigkeiten für Bearbeitungen über Modalitätsgrenzen hinweg. Die Fortschritte sind jedoch eher ein schrittweises Zusammenwachsen als ein explosiver Durchbruch.
▷ Der wahre „GPT-Moment“ sollte bedeuten, dass allein aus reinen Bilddaten vollständige Bedeutungen und kausale Zusammenhänge extrahiert werden können. Derzeit bleibt das Verständnis visueller Inhalte im Modell jedoch eher an der Oberfläche; es fehlen die tiefen Schlussfolgerungsketten, wie sie Sprachmodelle haben.🪁
Große Sprachmodelle können Konzepte letztlich auch lernen – aber nur unter der Voraussetzung, dass zuerst alle anderen Möglichkeiten ausgeschöpft sind. Das steht im starken Gegensatz zur Art und Weise, wie Menschen aus sehr wenigen Daten direkt Konzepte abstrahieren.
Ausgewählte Ausschnitte dieser Ausgabe von „AI on Air“ stammen aus dem aktuellen Programm von Redpoint. Hauptsprecher ist Lukasz Kaiser – Mitautor der Transformer-Publikation, ehemaliger Google-Brain- und OpenAI-Forscher. Aus der Perspektive eines Zeitzeugen analysiert er den grundlegenden Unterschied zwischen Transformer und dem Lernen des Menschen.
▷ Mit Ketten-„Reasoning“, Reinforcement Learning und Tools kann dieses „Modell zur Vorhersage des nächsten Wortes“ inzwischen Dinge umsetzen, die man sich vor zwei Jahren kaum vorstellen konnte – etwa jeden Tag stundenlang mit einem Programmier-Assistenten über Arbeitsprobleme zu sprechen und sie dann auch tatsächlich umzusetzen.
▷ Er vergleicht es so: LLMs verschlingen zuerst Billionen von Tokens, lernen alle oberflächlichen Muster und greifen erst dann zum Konzept, wenn alles andere nicht erklärt werden kann. Menschen hingegen gewinnen häufig aus wenigen Daten direkt sogar Konzepte – oder erschaffen sie.
▷ Beide Seiten entwickeln sich weiter: Transformer macht fortlaufend Fortschritte, und die Argumente dafür, dass „noch etwas anderes nötig ist“, werden zugleich immer überzeugender. Bereits haben Labore nach der Exploration des Transformer-Ansatzes interessante Ergebnisse gesehen – wer am Ende gewinnt, bleibt jedoch ungewiss.🪁
Ausgewählte Ausschnitte dieser Ausgabe von „AI on Air“ stammen aus dem aktuellen Programm von Redpoint. Hauptsprecher ist Lukasz Kaiser – Mitautor der Transformer-Publikation, ehemaliger Google-Brain- und OpenAI-Forscher. Aus der Perspektive eines Zeitzeugen analysiert er den grundlegenden Unterschied zwischen Transformer und dem Lernen des Menschen.
▷ Mit Ketten-„Reasoning“, Reinforcement Learning und Tools kann dieses „Modell zur Vorhersage des nächsten Wortes“ inzwischen Dinge umsetzen, die man sich vor zwei Jahren kaum vorstellen konnte – etwa jeden Tag stundenlang mit einem Programmier-Assistenten über Arbeitsprobleme zu sprechen und sie dann auch tatsächlich umzusetzen.
▷ Er vergleicht es so: LLMs verschlingen zuerst Billionen von Tokens, lernen alle oberflächlichen Muster und greifen erst dann zum Konzept, wenn alles andere nicht erklärt werden kann. Menschen hingegen gewinnen häufig aus wenigen Daten direkt sogar Konzepte – oder erschaffen sie.
▷ Beide Seiten entwickeln sich weiter: Transformer macht fortlaufend Fortschritte, und die Argumente dafür, dass „noch etwas anderes nötig ist“, werden zugleich immer überzeugender. Bereits haben Labore nach der Exploration des Transformer-Ansatzes interessante Ergebnisse gesehen – wer am Ende gewinnt, bleibt jedoch ungewiss.🪁
Die Zuverlässigkeit von Computer-Proxies liegt nicht darin, jedes Mal auf Bildschirmkoordinaten zu klicken, sondern darin zu verstehen, was der Nutzer im Kopf wirklich will.
Das ist eine Auswahl aus „AI on Air“, entnommen aus der Latent.Space-Rubrik der jüngsten Sendung. Hauptansprechperson ist Danielle Perszyk, Researcher im Amazon AGI Lab.
▷ Die Idee vor zwei Jahren war: Zuerst atomare Operationen wie Klicken und Scrollen stabil machen, dann Entwicklern ermöglichen, diese zu Prozessen zu verkettet, um wiederkehrende Arbeit zu verarbeiten – damals ein wichtiger Durchbruch.
▷ Das Klicken auf Buttons und die Koordinaten sind heute vielleicht fast gelöst, aber das heißt nicht, dass es zuverlässig ist. Bei der Buchung heißt es immer noch: mit Umstieg statt Direktflug – die Auswahl selbst verändert die Gedanken; das Ziel ist, dass sich die Interaktion Schritt für Schritt entfaltet und dabei korrigiert wird.
▷ Der Unterschied zwischen einer fähigen administrativen Assistenz und einem KI-Agenten besteht darin, dass Ersterer die Nutzer-Intentionslage versteht – nicht nur Aufgaben werden zerlegt, sondern auch Vorlieben und Absichten. Zuverlässigkeit bedeutet vor allem, die Nutzer-„Mindset“ zu modellieren. Dieser Wandel definiert neu, was wir bauen. 🪁
Das ist eine Auswahl aus „AI on Air“, entnommen aus der Latent.Space-Rubrik der jüngsten Sendung. Hauptansprechperson ist Danielle Perszyk, Researcher im Amazon AGI Lab.
▷ Die Idee vor zwei Jahren war: Zuerst atomare Operationen wie Klicken und Scrollen stabil machen, dann Entwicklern ermöglichen, diese zu Prozessen zu verkettet, um wiederkehrende Arbeit zu verarbeiten – damals ein wichtiger Durchbruch.
▷ Das Klicken auf Buttons und die Koordinaten sind heute vielleicht fast gelöst, aber das heißt nicht, dass es zuverlässig ist. Bei der Buchung heißt es immer noch: mit Umstieg statt Direktflug – die Auswahl selbst verändert die Gedanken; das Ziel ist, dass sich die Interaktion Schritt für Schritt entfaltet und dabei korrigiert wird.
▷ Der Unterschied zwischen einer fähigen administrativen Assistenz und einem KI-Agenten besteht darin, dass Ersterer die Nutzer-Intentionslage versteht – nicht nur Aufgaben werden zerlegt, sondern auch Vorlieben und Absichten. Zuverlässigkeit bedeutet vor allem, die Nutzer-„Mindset“ zu modellieren. Dieser Wandel definiert neu, was wir bauen. 🪁
AI ist immer stärker – wie viel Wissen sollte man sich wirklich ins Gehirn packen?
Dieser AI on Air-Auszug ist ein kuratiertes Highlight aus der jüngsten Sendung in der Y Combinator-Rubrik. Der Vortragende ist Patrick Collison, Mitgründer von Stripe. Er geht auf die Frage ein, was Studierende im KI-Zeitalter lernen sollten – und wie viel man für Deduktionen auf die Prinzipien “vom Ersten ausgehend” verlagern sollte.
▷ Sein Denkmodell ist Cache: Die von Jeff Dean stammende Liste „Die Zahlen, die jeder Programmierer kennen sollte“ macht klar, dass sich die Bandbreite und Latenz zwischen L1-Cache, Arbeitsspeicher und Netzwerk vollständig unterscheiden. Wissen funktioniert genauso: Wenn Agenten berechnen oder nachschlagen müssen, ist das viel langsamer als das direkte Abrufen aus dem kognitiven L1-Cache.
▷ Selbst wenn man die Modellfähigkeiten vollständig anerkennt, wird die „Neuronen-Suche“ im menschlichen Gehirn für eine lange Zeit trotzdem schneller sein, weil die Anzahl der Hin- und Rückwege im Gehirn viel höher ist als bei leiser gesprochenen Inputs, Spracheingaben oder typografischen Suchanfragen.
▷ Betreffend die sichtbare Präferenz: Unternehmen wie Stripe und spezialisierte Spitzenlabore zahlen weiterhin hohe Aufschläge für kognitive Leistungsfähigkeit. Solange nicht belegt ist, dass diese Vorteile bereits vollständig ausgeschöpft wurden, ist es noch zu früh, aktiv darauf zu verzichten, die eigenen kognitiven Fähigkeiten durch Training weiterzu entwickeln. 🪁
Dieser AI on Air-Auszug ist ein kuratiertes Highlight aus der jüngsten Sendung in der Y Combinator-Rubrik. Der Vortragende ist Patrick Collison, Mitgründer von Stripe. Er geht auf die Frage ein, was Studierende im KI-Zeitalter lernen sollten – und wie viel man für Deduktionen auf die Prinzipien “vom Ersten ausgehend” verlagern sollte.
▷ Sein Denkmodell ist Cache: Die von Jeff Dean stammende Liste „Die Zahlen, die jeder Programmierer kennen sollte“ macht klar, dass sich die Bandbreite und Latenz zwischen L1-Cache, Arbeitsspeicher und Netzwerk vollständig unterscheiden. Wissen funktioniert genauso: Wenn Agenten berechnen oder nachschlagen müssen, ist das viel langsamer als das direkte Abrufen aus dem kognitiven L1-Cache.
▷ Selbst wenn man die Modellfähigkeiten vollständig anerkennt, wird die „Neuronen-Suche“ im menschlichen Gehirn für eine lange Zeit trotzdem schneller sein, weil die Anzahl der Hin- und Rückwege im Gehirn viel höher ist als bei leiser gesprochenen Inputs, Spracheingaben oder typografischen Suchanfragen.
▷ Betreffend die sichtbare Präferenz: Unternehmen wie Stripe und spezialisierte Spitzenlabore zahlen weiterhin hohe Aufschläge für kognitive Leistungsfähigkeit. Solange nicht belegt ist, dass diese Vorteile bereits vollständig ausgeschöpft wurden, ist es noch zu früh, aktiv darauf zu verzichten, die eigenen kognitiven Fähigkeiten durch Training weiterzu entwickeln. 🪁
Die KI-„Antwortmaschine“ nimmt Inhalte von ganz dem Web weg, aber schickt den Traffic nicht mehr zurück – die Grundlage der Content-Wirtschaft wird gerade ausgehöhlt.
Das ist ein kuratiertes Auswahlstück von AI on Air, entnommen aus dem aktuellen Programmformat der Bankless-Rubrik. Hauptredner ist Matthew Prince, Mitgründer von Cloudflare und CEO.
▷ Das werbebetriebene Geschäftsmodell des Internets steht kurz vor seinem endgültigen Ende: Werbeblocker lassen den CPM langfristig nur langsam sinken, während die KI in den vergangenen zwei Jahren den Werbewert nahezu schlagartig einbrechen ließ.
▷ Googles KI-Overview, ChatGPT, Claude und ähnliche Produkte sind keine Suchmaschinen, sondern „Antwortmaschinen“: Sie „fördern offen“ Inhalte aus dem gesamten Netz zutage und liefern dann direkt die Antworten, ohne dass Nutzer noch auf Links klicken. Wenn Publisher keinen Zugriff auf Traffic mehr haben, gibt es auch keine Werbeeinnahmen – Content-Erstellung baut entweder hohe Mauern oder wird schlicht eingestellt.
▷ Für normale Nutzer spart das zwar Zeit, aber KI-Dienste werden über Abonnements bezahlt. Für viele Menschen in Regionen mit begrenzten wirtschaftlichen Möglichkeiten, die sich die Abo-Gebühren nicht leisten können, wird das Internet nicht größer, sondern kleiner. 🪁
Das ist ein kuratiertes Auswahlstück von AI on Air, entnommen aus dem aktuellen Programmformat der Bankless-Rubrik. Hauptredner ist Matthew Prince, Mitgründer von Cloudflare und CEO.
▷ Das werbebetriebene Geschäftsmodell des Internets steht kurz vor seinem endgültigen Ende: Werbeblocker lassen den CPM langfristig nur langsam sinken, während die KI in den vergangenen zwei Jahren den Werbewert nahezu schlagartig einbrechen ließ.
▷ Googles KI-Overview, ChatGPT, Claude und ähnliche Produkte sind keine Suchmaschinen, sondern „Antwortmaschinen“: Sie „fördern offen“ Inhalte aus dem gesamten Netz zutage und liefern dann direkt die Antworten, ohne dass Nutzer noch auf Links klicken. Wenn Publisher keinen Zugriff auf Traffic mehr haben, gibt es auch keine Werbeeinnahmen – Content-Erstellung baut entweder hohe Mauern oder wird schlicht eingestellt.
▷ Für normale Nutzer spart das zwar Zeit, aber KI-Dienste werden über Abonnements bezahlt. Für viele Menschen in Regionen mit begrenzten wirtschaftlichen Möglichkeiten, die sich die Abo-Gebühren nicht leisten können, wird das Internet nicht größer, sondern kleiner. 🪁
Die „Small-Entry“-Strategie des Lean Startup – funktioniert sie im KI-Zeitalter noch?
Stripe-Mitgründer Patrick Collison liefert in diesem AI on Air-Auswahl-Snippet eine recht umstrittene Einschätzung. Das Zitat stammt aus einer aktuellen Folge der Y Combinator-Kategorie.
▷ Der klassische Weg des Lean Startup besteht darin, zuerst Google Ads zu kaufen, eine Lücke in einem Nischenmarkt zu finden und von dort aus aggressiv zu expandieren; aber er meint, dass dieser Pfad heute stark umkämpft ist, die kleinen Ökosystem-Nischen bereits übermäßig ausgebeutet wurden und das Internet viel größer ist als damals vor zwanzig Jahren, als diese Ideen aufkamen.
▷ Im KI-Zeitalter müssen Gründer vielleicht noch entschiedener „de-affin“ werden – also sich für einen Ausgangspunkt zu entscheiden, der noch niemandem eingefallen ist und der eher in verschiedene Richtungen ausstrahlt. In den letzten zehn Jahren waren unter den erfolgreichsten Unternehmen – egal ob große KI-Labore oder Anduril – viele gerade keine Vertreter des Lean Startup.
▷ Vor zwanzig Jahren war Lean Startup aufgrund der Kapitalbedingungen beinahe die einzige Option; heute macht KI es viel einfacher, eine Organisation zu gründen, die über vielfältige Fähigkeiten und Möglichkeiten verfügt. Damit können Gründer von Anfang an Dinge tun, die weitaus ehrgeiziger sind.🪁
Stripe-Mitgründer Patrick Collison liefert in diesem AI on Air-Auswahl-Snippet eine recht umstrittene Einschätzung. Das Zitat stammt aus einer aktuellen Folge der Y Combinator-Kategorie.
▷ Der klassische Weg des Lean Startup besteht darin, zuerst Google Ads zu kaufen, eine Lücke in einem Nischenmarkt zu finden und von dort aus aggressiv zu expandieren; aber er meint, dass dieser Pfad heute stark umkämpft ist, die kleinen Ökosystem-Nischen bereits übermäßig ausgebeutet wurden und das Internet viel größer ist als damals vor zwanzig Jahren, als diese Ideen aufkamen.
▷ Im KI-Zeitalter müssen Gründer vielleicht noch entschiedener „de-affin“ werden – also sich für einen Ausgangspunkt zu entscheiden, der noch niemandem eingefallen ist und der eher in verschiedene Richtungen ausstrahlt. In den letzten zehn Jahren waren unter den erfolgreichsten Unternehmen – egal ob große KI-Labore oder Anduril – viele gerade keine Vertreter des Lean Startup.
▷ Vor zwanzig Jahren war Lean Startup aufgrund der Kapitalbedingungen beinahe die einzige Option; heute macht KI es viel einfacher, eine Organisation zu gründen, die über vielfältige Fähigkeiten und Möglichkeiten verfügt. Damit können Gründer von Anfang an Dinge tun, die weitaus ehrgeiziger sind.🪁
In den nächsten drei bis fünf Jahren wird es sehr schwer sein, noch einmal eine ganze Reihe von Unternehmen mit einem Börsenwert von einer Billion zu schaffen. Diese AI on Air-Auswahl in Form von geschnittenen Ausschnitten aus einer aktuellen Folge des No Priors Podcast erklärt der bekannte Tech-Investor Elad Gil mit der „Punktierten Gleichgewicht“-Theorie das dies ungewöhnliche KI-Bewertungsniveau.
▷ In den vergangenen fünf Jahren sind Anthropic, OpenAI und SpaceX grob von null auf eine Größenordnung von einer Billion gewachsen, und solche Unternehmen benötigen normalerweise eine Wachstumsentwicklung von fünfzehn bis zwanzig Jahren. Google brauchte dafür über zwanzig Jahre, SpaceX vom Anfang dieses Jahrhunderts bis heute. Das ist ein historisch seltener Wendepunkt bei den Bewertungen nach fünf Jahren.
▷ Heute nehmen viele an, dass in Bereichen wie Robotik und neue Werkstoffe in drei bis fünf Jahren in großer Zahl Unternehmen mit einem Wert von einer Billion entstehen werden. Seine Einschätzung: Vielleicht gibt es in den kommenden zehn Jahren ein paar wenige solcher Fälle – aber in den nächsten drei bis fünf Jahren ist höchstens ein einziges Unternehmen in der Lage, dieses Potenzial zu erreichen. Es wird keine ganze Gruppe sein.
▷ Die Technikgeschichte ähnelt eher dem „punktierten Gleichgewicht“: Soziale Netzwerke, SaaS, Cloud-Computing und Krypto waren jeweils eine Welle—nach dem Ausbruch folgt eine Integrationsphase. KI wird mit großer Wahrscheinlichkeit die nächste große qualitative Sprungphase bei der Modellfähigkeit erleben, und dann werden wieder eine Reihe neuer Start-ups aufkommen. Kurzfristig gibt es noch viele Unternehmen mit einem Marktwert im Bereich von mehreren hundert Milliarden, aber mehrere Billionenunternehmen lassen sich kaum vervielfältigen. 🪁
▷ In den vergangenen fünf Jahren sind Anthropic, OpenAI und SpaceX grob von null auf eine Größenordnung von einer Billion gewachsen, und solche Unternehmen benötigen normalerweise eine Wachstumsentwicklung von fünfzehn bis zwanzig Jahren. Google brauchte dafür über zwanzig Jahre, SpaceX vom Anfang dieses Jahrhunderts bis heute. Das ist ein historisch seltener Wendepunkt bei den Bewertungen nach fünf Jahren.
▷ Heute nehmen viele an, dass in Bereichen wie Robotik und neue Werkstoffe in drei bis fünf Jahren in großer Zahl Unternehmen mit einem Wert von einer Billion entstehen werden. Seine Einschätzung: Vielleicht gibt es in den kommenden zehn Jahren ein paar wenige solcher Fälle – aber in den nächsten drei bis fünf Jahren ist höchstens ein einziges Unternehmen in der Lage, dieses Potenzial zu erreichen. Es wird keine ganze Gruppe sein.
▷ Die Technikgeschichte ähnelt eher dem „punktierten Gleichgewicht“: Soziale Netzwerke, SaaS, Cloud-Computing und Krypto waren jeweils eine Welle—nach dem Ausbruch folgt eine Integrationsphase. KI wird mit großer Wahrscheinlichkeit die nächste große qualitative Sprungphase bei der Modellfähigkeit erleben, und dann werden wieder eine Reihe neuer Start-ups aufkommen. Kurzfristig gibt es noch viele Unternehmen mit einem Marktwert im Bereich von mehreren hundert Milliarden, aber mehrere Billionenunternehmen lassen sich kaum vervielfältigen. 🪁
Anmelden und weiter Inhalte entdecken