Nvidia-Kunden wurden über KI-bedingte Preiserhöhungen von über 15 % informiert ↗
Berichten zufolge wurden einige der größten Nvidia-Kunden gewarnt, dass Server mit KI-Chips des Unternehmens um mehr als 15 % teurer. Grund dafür sind die stark gestiegenen Speicherchip-Kosten, die sich nun direkt auf die Kosten der KI-Infrastruktur auswirken.
Die Preiserhöhungen werden voraussichtlich Systeme mit Vera-Rubin- und Grace-Blackwell-Hardware betreffen. Daher geht es im KI-Wettlauf – etwas unerwartet – nicht mehr nur um genügend GPUs, sondern auch um die Speicherpreise, die sich zu einem weiteren wichtigen Faktor im Server-Rack entwickeln.
Nvidia investiert 6 Milliarden Dollar in den Aufbau einer leistungsstarken US-amerikanischen Alternative zu chinesischer KI ↗
Berichten zufolge investiert Nvidia 6 Milliarden Dollar in einen Deal mit dem KI-Startup Poolside, der Technologielizenzen und Fachkräfte umfasst, mit dem Ziel, ein extrem leistungsstarkes Open-Weight-Modell zu entwickeln.
Das versetzt Nvidia in eine ungewöhnliche Lage. Das Unternehmen liefert die Hardware für Firmen wie OpenAI und Anthropic und könnte diese nun auch auf der Modellebene herausfordern – während es gleichzeitig versucht, chinesischen Anbietern offener Modelle wie DeepSeek und Kimi Paroli zu bieten. Lieferant, Partner, Konkurrent … ein reizvolles Dreieck.
Inherent behauptet, sein KI-„Teamkollege“ habe Anthropic und OpenAI bei der Reproduktion von Forschungsergebnissen übertroffen ↗
Das Londoner Startup Inherent, gegründet von ehemaligen DeepMind-Forschern, hat Faraday, einen KI-Agenten, der entwickelt wurde, um Ergebnisse aus veröffentlichten wissenschaftlichen Arbeiten selbstständig zu reproduzieren.
Das Überraschende: Inherent gibt an, dass Faraday Systeme von Anthropic und OpenAI, die auf deutlich größeren Frontier-Modellen basieren, mit einem vergleichsweise kleinen Qwen-Modell mit 27 Milliarden Parametern geschlagen hat. Das Unternehmen führt dies auf Agentendesign und Reinforcement Learning zurück, anstatt einfach nur mehr Parameter hinzuzufügen – ein Thema, das sich immer häufiger wiederholt.
OpenAI fordert Kalifornien auf, sein KI-Sicherheitsgesetz zu verschärfen ↗
OpenAI drängt Kalifornien nun dazu, den SB 53 um stärkere Schutzmaßnahmen zu ergänzen, darunter die Überwachung von Spitzenmodellen während des Trainings und der Evaluierung sowie die Verbesserung der Cybersicherheit im gesamten Entwicklungsprozess.
Hier gibt es eine kleine Wendung: OpenAI hatte sich zuvor gegen das Gesetz ausgesprochen. Das Unternehmen argumentiert nun, dass jüngste Sicherheitsvorfälle im Bereich KI zeigen, warum ein stärkerer Schutz notwendig ist, und sagt, dass Regelungen auf Ebene der Bundesstaaten letztendlich die Grundlage für einen nationalen Standard bilden könnten.
Die Frontier AI Labs geben weiterhin nicht bekannt, wie sie ein fehlerhaftes Modell eindämmen würden ↗
Eine Bewertung von Guidelight AI Standards ergab, dass führende KI-Unternehmen erstaunlich wenig darüber veröffentlicht haben, was sie tun würden, wenn ein leistungsstarkes Modell versuchen würde, sich der menschlichen Kontrolle zu entziehen.
OpenAI erzielte unter den fünf untersuchten Laboren die beste Bewertung, doch auch diesem Labor fehlt Berichten zufolge ein öffentlich dokumentierter, formaler Notfallplan für zukünftige Vorfälle. Anthropic und Meta schnitten in puncto Transparenz besonders schlecht ab – die Unternehmen argumentieren jedoch, dass öffentliche Dokumente nicht zwangsläufig alle internen Sicherheitsvorkehrungen offenlegen.
Grundsätzlich verfügen KI-Labore über immer detailliertere Pläne zum Testen gefährlicher Funktionen... aber das Notfallhandbuch für den Fall, dass sich das Modell bereits fehlerhaft verhält, sieht immer noch recht dürftig aus.
Das 699 Dollar teure Startup-Bootcamp der Harvard-Universität bietet KI-Avatare seiner Dozenten an ↗
Die Harvard Business School nutzt in ihrem achtwöchigen, 699 Dollar teuren Foundry-Unternehmerprogramm KI-Avatare von Dozenten, die von HeyGen generiert wurden
Die Studierenden haben weiterhin Live-Sitzungen mit menschlichen Dozenten, aber die Avatare übernehmen das personalisierte Feedback während simulierter Präsentationen und Vorstandssitzungen. Ein Dozent gab zu, dass sein digitales Ebenbild etwas unheimlich wirke – den Studierenden gefällt es aber offenbar trotzdem.
Unternehmen, die mit KI-Agenten erfolgreich sind, begrenzen deren individuellen Handlungsspielraum ↗
Der Wettlauf um KI-Agenten in Unternehmen beginnt, eine seiner wichtigsten Annahmen zu widerlegen: Mehr Autonomie ist nicht automatisch besser. Unternehmen, die bessere Produktionsergebnisse erzielen, übertragen ihren Agenten zunehmend engere Verantwortlichkeiten und klarere Handlungsspielräume.
Das größere Problem scheint die Steuerung, die Integrationskosten und der Nachweis eines konkreten Geschäftsnutzens zu sein. Anders ausgedrückt: Der erfolgreiche KI-Mitarbeiter könnte weniger einem autonomen Genie gleichen, sondern eher einem ungewöhnlich schnellen Kollegen mit sehr strengen Berechtigungen.
Häufig gestellte Fragen
Warum wird erwartet, dass Nvidia-KI-Server teurer werden?
Berichten zufolge wurden Nvidia-Kunden gewarnt, dass die Preise für einige KI-Server um mehr als 15 % steigen könnten. Hauptgrund dafür sind die höheren Kosten für Speicherchips, die den Gesamtpreis von Systemen mit Hardware wie Vera Rubin und Grace Blackwell in die Höhe treiben. Dies deutet darauf hin, dass die Speicherpreise einen immer wichtigeren Anteil der Ausgaben für KI-Infrastruktur ausmachen werden.
Worum geht es bei Nvidias 6-Milliarden-Dollar-Deal mit Poolside AI?
Nvidia investiert Berichten zufolge 6 Milliarden US-Dollar in einen Deal mit dem KI-Startup Poolside. Die Investition umfasst Technologielizenzen und Fachkräfte. Ziel ist es, den Aufbau eines leistungsstarken, offenen KI-Modells in den USA zu unterstützen. Dieser Schritt könnte Nvidias Wettbewerbsposition stärken, da das Unternehmen bereits große KI-Entwickler mit Hardware beliefert und potenziell auch auf der Modellebene mit ihnen konkurrieren könnte.
Wie konnte der Faraday-KI-Agent von Inherent größere KI-Modelle übertreffen?
Inherent gibt an, dass sein KI-Agent Faraday bei der Reproduktion veröffentlichter wissenschaftlicher Forschungsergebnisse besser abschnitt als Systeme, die auf größeren Modellen basieren. Faraday verwendet Berichten zufolge ein Qwen-Modell mit 27 Milliarden Parametern. Inherent führt die Leistung auf das Agentendesign und das Reinforcement Learning zurück. Das Ergebnis deutet darauf hin, dass Workflow-Design und Trainingsmethoden mitunter genauso wichtig sein können wie die Modellgröße.
Warum will OpenAI, dass Kalifornien sein KI-Sicherheitsgesetz verschärft?
OpenAI fordert im kalifornischen Gesetzentwurf SB 53 einen stärkeren Schutz, darunter eine engmaschigere Überwachung von Spitzenmodellen während Training und Evaluierung sowie verbesserte Cybersicherheitsmaßnahmen. Dies stellt einen Kurswechsel gegenüber der ursprünglichen Ablehnung des Gesetzes dar. OpenAI argumentiert nun, dass jüngste Sicherheitsvorfälle im Bereich KI strengere Schutzmaßnahmen erforderlich machen und dass Regelungen auf Ebene der Bundesstaaten potenziell zur Gestaltung eines zukünftigen nationalen Rahmens beitragen könnten.
Was unternehmen KI-Labore, um sich auf fehlerhafte oder fehlgeleitete Modelle vorzubereiten?
Führende KI-Unternehmen veröffentlichen detaillierte Informationen darüber, wie sie gefährliche Funktionen testen. Die öffentliche Dokumentation zur Eindämmung eines Modells, sobald es sich gefährlich verhält, ist jedoch weiterhin begrenzt. Eine Bewertung von Guidelight AI Standards deckte erhebliche Lücken in den großen Laboren auf. OpenAI erzielte unter den untersuchten Unternehmen die beste Bewertung, obwohl auch dort angeblich kein öffentlich dokumentierter, formaler Eindämmungsplan für zukünftige Vorfälle mit fehlerhaften Modellen vorliegt.
Warum räumen Unternehmen KI-Agenten weniger Autonomie in der Produktion ein?
Unternehmen, die mit KI-Systemen bessere Ergebnisse erzielen, schränken deren autonome Funktionen zunehmend ein. Ein gängiger Ansatz in der Praxis besteht darin, den Systemen engere Verantwortlichkeiten, klare Berechtigungen und klar definierte Handlungsspielräume zuzuweisen. Dies erleichtert Steuerung, Integration und Überwachung und reduziert gleichzeitig die Risiken, die mit hochautonomen, schwer zu kontrollierenden und zu bewertenden Systemen einhergehen.