7 min read · 14 sources

Anthropic hat im vergangenen Jahr Claude beigebracht, Code zu schreiben, im Web zu browsen und APIs aufzurufen. Heute brachte das Unternehmen dem Modell bei, einen Laser zu steuern. Der Model Hardware Standard, der als Research Preview für wissenschaftliche Labore erscheint, besteht aus standardisierten Treibern und einem gemeinsamen Datenformat, das KI-Agenten ermöglicht, mit Mikroskopen, Kameras und anderen Laborgeräten zu kommunizieren, ohne maßgeschneiderte Glue-Code-Lösungen. In Kombination mit dem Model Context Protocol kann ein Agent Instrumentenparameter während eines Laufs aktualisieren, Hardwarefehler beheben oder einfach in normalem Englisch übernehmen. Anthropic gibt als Ziel aus, Wochen oder Monate an Versuchsaufbau auf “Stunden oder Minuten” zu verkürzen. Die Wette lautet, dass Laborrobotik wie zuvor Software irgendwann mit Treibern ausgeliefert wird, die bereits wissen, wie sie mit einem kompetenten Agenten sprechen.

Ein Byte weniger pro Eintrag brachte 250 GB; die Halbierung des Speicherbedarfs pro Eintrag bei 250 Milliarden Einträgen gab rund 100 TB RAM der Flotte frei.

Nvidias zirkuläres Geld ist tragend

Source: wsj.com ↗

Nvidia leitet Kapital zurück in die KI-Labore, die seine Chips kaufen, und das WSJ framing this not as a circular-financing scheme but as deliberate infrastructure. Frontier-Labs wachsen schneller, als Bilanzen und Kreditprofile es tragen können, und das Einzige, was das Schwungrad weiter dreht, ist immer mehr Compute. Nvidia kann sich zu besseren Konditionen verschulden als jeder seiner Kunden, also finanziert das Unternehmen faktisch die Capex vor, die diese Labore noch nicht selbst stemmen können. Die Wette lautet, dass die Labore ihr Wachstum irgendwann selbst finanzieren; die Frage ist, was passiert, wenn nicht.

Der Microduck ist real, kostet 399 US-Dollar und ist Open Source

Source: techcrunch.com ↗

Hugging Face hat einen Enten-Roboter. Der Microduck ist 25 cm groß, kostet 399 US-Dollar und wird vor Weihnachten ausgeliefert, mit SDK, Simulator und einem vollständigen RL-Trainings-Stack auf GitHub. Gebaut von Pollen Robotics, das Hugging Face im April 2025 übernommen hat, kann er watscheln, mit dem Schnabel 800 g heben, sich selbst aufrichten, ducken und Rollschuh fahren, mit Kamera, Lidar und zwei IMUs zur Sensorik. In der Simulation trainierte Verhaltensweisen lassen sich direkt auf die Hardware deployen. Der Zeitpunkt ist laut: Nvidia soll Hugging Face zu einer Bewertung von 13 Mrd. US-Dollar übernehmen; der weltgrößte Chiphersteller steigt damit ins Entengeschäft ein.

Eine KI für die unsichtbare Hälfte jedes Protokolls

Source: nytimes.com ↗

Transfyr ist aus dem Stealth-Modus getreten, mit einer Seed-Finanzierung von 25 Mio. US-Dollar und der These, dass das Scheitern von Experimenten weniger mit der veröffentlichten Methode zu tun hat als mit dem, was Wissenschaftler mit ihren Händen tun. Das System des Startups, von der NYT vorgestellt, nimmt Video, Audio und Instrumentenlogs auf und versucht, die stillschweigende Variation herauszuziehen, die kein Protokoll erfasst. Die frühe Erkenntnis ist ungeschönt: Laborpersonal führt dasselbe Protokoll auf sehr unterschiedliche Weise aus, und diese Unterschiede leisten echte Arbeit. Wenn das Modell sie benennen kann, bekommt die Replikationskrise in der Wet-Lab-Biologie einen leiseren, nützlicheren Gegner als die Statistik.

Ihre AGENTS.md hat eine Halbwertszeit

Source: addyo.substack.com ↗

Addy Osmani argumentiert, dass Agenten-Konfigurationsdateien - die CLAUDE.md, AGENTS.md und Skills-Verzeichniseinträge, die Coding-Agenten steuern - verfallen. Modelle werden besser, Harnesses erhalten Features, Codebases ändern sich, und Anweisungen, die vor sechs Monaten korrekt waren, sind jetzt zuversichtlich falsch. Sein praktischer Rat: Claudes /doctor alle paar Wochen ausführen, Memory getrennt von Skills reviewen und jede Zeile in der Datei zwingen, sich ihren Platz erneut zu verdienen. Jüngere Forschung fällt ein hartes Urteil über personalisierte Skills und zeigt inkonsistenten Nutzen, selbst wenn die Abstraktion grundsätzlich sinnvoll ist. Das richtige mentale Modell ist das einer Config-Datei als lebendes System, nicht als einmaliges Setup.

Die Asana-Migration für 5,9 Mio. US-Dollar, geprüft

Source: blog.pragmaticengineer.com ↗

OpenAI veröffentlichte eine Case Study, der zufolge Asana durch den Einsatz von Codex 5,9 Mio. US-Dollar sparte, indem es in zwei Wochen für rund 12.000 US-Dollar von Enzyme zu React Testing Library migrierte. Gergely Orosz las sie genau. Die Frameworks sind nicht drop-in: Enzyme arbeitet auf Komponenten-Instanzen, React Testing Library arbeitet auf dem gerenderten DOM, die Migration ist also eine echte Umschreibung, kein Search-and-Replace. Seine Lesart: Die vorherige Schätzung von vier Engineers über fünf Jahre war aufgeblasen, der Grundgedanke bleibt aber: KI macht Migrationen, die bisher zu teuer zum Einplanen waren, endlich einplanbar. Der Originalpost ist gated, der veröffentlichte Auszug liefert die Dollar-Zahl zu dünn verteidigt.

Meta ist Anthropics Frenemy mit einem 10-Mrd.-Posten

Source: nytimes.com ↗

Mark Zuckerberg veröffentlichte einen Essay mit 6.500 Wörtern, der warnt, dass führende KI-Labore Macht bündeln - und gleichzeitig die übrige Welt vor dem Untergang warnt. Die NYT vermerkt, dass bei Meta intern Ausgaben von bis zu 10 Mrd. US-Dollar pro Jahr für Anthropics Dienste anfallen, womit Meta zu den größten Kunden des Labors zählt. Der Essay nannte Anthropic nicht, und Anthropic nannte Meta nicht. Das Geld hingegen ist sehr konkret.

Kleine Modelle haben eine Linie überschritten

Source: calv.info ↗

Calvin French-Owen schreibt, dass gpt-5.6-luna mit rund 100 Token pro Sekunde läuft und einen Recherche-Thread, der früher etwa 1 US-Dollar kostete, in etwas verwandelt, das einige zehn Cent kostet. Er markiert GLM 5.3 als weiteren Punkt auf derselben Pareto-Front. Die interessante Konsequenz ist ökonomisch: Klassische werbefinanzierte Consumer-Apps nehmen nahezu null marginale Inferenzkosten an, und bei zehn Cent pro Request statt einem Dollar summieren sich personalisierte tägliche Nachrichten, Always-on-Assistenten und der Long Tail von Consumer-KI zu tatsächlichen Geschäften. Frontier-Modelle (Fable 5, 5.6 Sol) bleiben für ernsthafte Coding-Arbeit bevorzugt, aber der Boden des “gut genug” hat sich verschoben.

Stripe zahlte 7 Mrd. US-Dollar für eine KI-Bank

Source: thefinancialengineer.substack.com ↗

Die Übernahme wurde am 16. August bei mehr als 7 Mrd. US-Dollar abgeschlossen, rund dem Fünffachen von Open Routers Series B über 1,3 Mrd. US-Dollar drei Monate zuvor. OpenRouter wird oft als dünner Proxy missverstanden; tatsächlich sitzt es zwischen über 80 Modell-Anbietern, unabhängigen Inferenz-Anbietern und über 10 Mio. Entwicklern und routet über 10 Billionen Token pro Tag über mehr als 400 Modelle. Der Autor argumentiert, dass es sich um Marketplace-Infrastruktur handelt, nicht um Plumbing, und Stripes Pitch lautet, die Bank zu werden, die jedes KI-Unternehmen derzeit für sich selbst bauen muss. Stripes DNA ist Marketplace-Settlement, der Fit ist also enger, als “Payments-Unternehmen kauft Router” klingt.

Agenten-Schwärme sind keine Datenbanken

Source: trychroma.com ↗

Robert Escriva von Chroma argumentiert, dass Multi-Agent-Systeme Probleme verteilter Systeme sind und das Übernehmen von Transaktionssemantik aus Datenbanken der falsche Schritt ist. Agenten-“Transaktionen” laufen über Minuten und kosten beim Retry echtes Geld, also verwirft Abort-and-Restart mehr nützliche Arbeit, als es rettet. Git-basierte Conflict Resolution ist auch für Agenten-Prose falsch, da natürlichsprachliche Edits so umgeschrieben, reorganisiert und zusammengefasst werden, dass sie nicht zu zeilenbasierten Diffs passen. Die Metrik, auf die sich Chroma festlegt, ist “Goodput”: der Anteil der bezahlten Reasoning, der überlebt, statt beim Abort weggeworfen zu werden. Die Implikation: Die nächste Runde Agenten-Infrastruktur sieht eher aus wie eine verteilte Runtime als eine Datenbank mit Extra-Schritten.

Hyperwachstum beschleunigt sich weiter

Source: epochai.substack.com ↗

Epoch AI aktualisiert die Revenue-Run-Rate-Chart, die zur meistbeachteten Zahl im Tech-Sektor geworden ist. OpenAI verdreifachte sich im letzten Jahr von 13 Mrd. auf 40 Mrd. US-Dollar. Anthropic wuchs 2025 von 1 Mrd. auf 9 Mrd. US-Dollar und mehr als verdreifachte sich dann im Q1 2026 erneut auf angeblich 65 Mrd. US-Dollar Ende Juli. Zusammen wuchsen die beiden Labore allein 2026 von 30 Mrd. auf 105 Mrd. US-Dollar, ein 3,5-faches Jahr. Das konventionelle Modell sagt: In dieser Größenordnung muss das Wachstum auf 2x, dann 50 Prozent, dann 20 bis 30 Prozent jährlich sinken. Die Daten sagen: Es ist nicht gesunken. Ob das ein Zeichen dauerhafter Ökonomie oder ein temporärer Pull-Forward ist, bleibt offen.

Harness Engineering: die fehlende Schicht

Source: habitat-thinking.github.io ↗

Ein Begriff von Birgitta Boeckeler bei ThoughtWorks, hier zu einer ausführlicheren Definition ausgearbeitet. Ein Coding Harness ist kein Test Harness; er muss Invarianten prüfen, die Tests nicht sehen können, etwa Architekturentscheidungen, Namenskonventionen, Sicherheitsconstraints und strukturelle Regeln, weil KI-Assistenten plausiblen Code produzieren, der still driftet. Die drei Komponenten sind Context Engineering (eine HARNESS.md, die Stack und Konventionen erfasst), Agent-basierte Review und periodische Entropy-Checks. Das Framing: Der Harness ist keine Einschränkung dessen, was geschrieben wird, sondern ein kontinuierlicher Verifikationsmechanismus um das Modell herum.

Cloudflare hat 100 TB DNS-Ballast abgeworfen

Source: blog.cloudflare.com ↗

Die Big Pineapple-Plattform, die 1.1.1.1, Gateway DNS, DNS Firewall und AS112 betreibt, hält über 250 Milliarden Cache-Einträge; ein einziges verschwendetes Byte pro Eintrag summiert sich auf über 250 GB in der Flotte. Fünf aufeinanderfolgende Änderungen am Memory-Layout von CacheKey und CacheEntry schnitten den Speicherbedarf pro Eintrag um mehr als 50 Prozent und gaben rund 100 TB frei, das entspricht dem RAM von 130 modernen Servern. Der Insert-Durchsatz verbesserte sich zusätzlich um 43 Prozent, die Lookup-Latenz sank um 19 Prozent. Die größten Gewinne fielen an ECS-lastigen Standorten, wo sich die Einsparungen verstärken. Cloudflare veröffentlichte die Struct-Layouts, die Benchmark-Methodik und den Workload-Mix (56 Prozent A, 25 Prozent AAAA, 19 Prozent TXT), damit jeder mit einem ähnlichen Cache die Gewinne übernehmen kann.