9 min read · 14 sources

OpenAI hat gerade die Art von internem Memo veröffentlicht, die Mitbewerber normalerweise nur in Gerichtsakten sehen: einen ehrlichen Blick auf die Fortschritte bei der rekursiven Selbstverbesserung, der Schleife, in der Modelle helfen, die nächsten, fähigeren Modelle zu bauen und zu bewerten. Das Unternehmen stellt AGI als etwas dar, das demokratisch regiert werden muss, und sagt, dass öffentliche Debatte der einzige Weg ist, wie das passiert. Der provokative Teil ist der Aufruf zur Handlung: OpenAI möchte, dass andere Labore verpflichtet werden, ihre eigene RSI-Arbeit öffentlich zu verfolgen, nicht nur Snapshots der fertigen Modelle zu releaseden.

Es ist schwer, das als etwas anderes zu lesen als eine Anfrage an die Regulierung, sich an die Mitbewerber zu wenden. Das Argument ist, dass Fähigkeiten, Risiken und Schutzmaßnahmen nur ehrlich debattiert werden, wenn die zugrundeliegenden Zahlen sichtbar sind. Für Ingenieure ist die praktische Konsequenz, dass der Wettlauf der Frontier-Labore möglicherweise Benchmarks und Fortschrittsberichte über den Metaresearch-Loop selbst produziert, nicht nur über die Modelausgaben.

Eine Tesla Cybercab in Austin berechnete eine 8-Meilen-Fahrt mit 14,87 Dollar gegenüber 25 Dollar auf UberX, aber die Wartezeit betrug 30 Minuten gegenüber 2.

Tim Cooks Gehaltspaket verdoppelt das Setzen auf ihn

Source: bloomberg.com ↗

Apple hat Tim Cook ein Grundgehalt von 2 Millionen Dollar, das etwa das Doppelte des typischen SVP-Grundgehalts in der C-Suite, plus Bargeldboni und vestingende Aktieneinheiten. Die Größe des Pakets ist selbst die Geschichte: Bloomberg liest darin, dass Cook als der aktive CEO bezahlt wird, den er ist, besonders für die Teile der Arbeit, die niemand else möchte, einschließlich der Handhabung des US-China-Handels und des anhaltenden Speichermangels.

Der Speicherdruck macht besonders Cooks Beziehungen zu TSMC, Samsung und SK Hynix lasttragend. Ein so reiches Pakekt ist ein Signal des Vorstands, dass es keinen Übergang während eines eingeschränkten Komponentenzyklus möchte.

Travis Kalanick's Atoms ist nun ein Robotaxi-Spiel

Source: techcrunch.com ↗

Atoms, das Travis Kalanick-Startup, das eine 1,7-Milliarden-Dollar-Runde im frühen Sommer geführt hat, die von Andreessen Horowitz geleitet wurde, bereitet sich auf einen Einstellungs- und Akquisitionsschub im Bereich autonome Fahrzeuge vor. Uber hat 100 Millionen Dollar investiert und spricht bereits darüber, Atoms’ Robotaxi-Technik in das eigene Netzwerk zu integrieren. Die Trajektorie ähneln Atoms’ früherer Übernahme von Pronto, Anthony Levandowskis autonomen Bergbau-Startup, was selbst ein Hinweis ist: Kalanick kauft in Autonomie ein, er baut sie nicht von Grund auf.

Für den Rest des Robotaxi-Stacks ist das relevant. Uber vermittelt Partnerschaften mit Waymo und Cruise; Atoms ist nun eine gut finanzierte Alternative, die aus der gleichen Beziehung heraus verhandelt. Wer dieses Auktion gewinnt, wird bestimmen, deren Wahrnehmungs-, Kartierungs- und Dispositionssoftware unter einer Million Fahrt-Bookings landet.

Warum AlphaProof weniger beeindruckend aussieht als es schien

Source: contraptions.venkateshrao.com ↗

Ein langer Essay von Venkatesh Rao reframed DeepMinds AlphaProof und seinen 2024-IMO-Erfolg (3 von 5 nicht-geometrischen Problemen gelöst) als Artefakt der Umwandlung der Mathematik in ein Spiel im Laufe des letzten Jahrhunderts, nicht als allgemeinen Reasoning-Durchbruch. Die technischen Knochen: Lean kodiert einen Satz als Typ und einen Beweis als Term dieses Typs, mit einem kleinen Kernel, der Beweise mechanisch verifiziert; Mathlib liefert eine riesige Bibliothek von Definitionen, Lemmas und Taktiken; LeanDojo stellt Beweiszustände als Eingaben zur Verfügung, damit ein Sprachmodell Taktiken generieren und die Prämienauswahl als Retrieval behandeln kann.

Setzen Sie diese zusammen und Sie haben Zustände, Züge, einen anwachsenden Wissenskorpus, eine Endbedingung und einen Verifizierer, genau die Form, die ein Lernsystem benötigt. Das Argument ist, dass Frontier-Ergebnisse in der formalen Mathematik Beweise für sehr gutes Domain-Engineering sind, nicht Beweise dafür, dass dasselbe Modell in Domänen reasonen kann, in denen die Regeln unscharfer sind. Die Framing ist unangenehm: ein Groß dessen, was jetzt wie „allgemeine KI“ aussieht, ist wirklich „wir haben diese Domäne wie ein Spiel aussehen lassen.“

Produktionsgeheimnisse an Coding-Agents weitergeben

Source: jacob.gold ↗

Jacob Gold schreibt, dass er jetzt Coding-Agents direkten Zugang zu liveen Geheimnissen gibt: seinen Tailscale-Authentifizierungsschlüssel, SSH-private Schlüssel, Anthropic- und Codex-OAuth-Tokens und ein Gmail-App-Passwort. Er akzeptiert Simon Willisons „lethale Trifecta“-Risiko (private Daten + unvertrauenswürdiger Inhalt + outbound-Kommunikation) auf die Wette, dass Frontier-Modelle (er nennt Astra und Fable für harte Arbeit, Opus und Sol für routine) viel schwerer zu prompt-injizieren sind als ältere.

Er wickelt immer noch jeden Agent in einen per-Aufgabe-Docker-Container ab, aber er weist explizit darauf hin, dass Container seine Sicherheitsgrenze nicht sind. Der Post liest sich sowohl als Rezept als auch als Warnung: die Produktivitätsdifferenz, die das Giving von Agents Root bringt, ist so groß, dass er entschieden hat, dass der Schadensradius es wert ist.

Terraform, aber die Fehler landen zur Compile-Zeit

Source: ngrislain.github.io ↗

Ein Ingenieur hat infra, ein Terraform-ähnliches IaC-Tool in Lean 4 geschrieben. Etwa 15.000 Zeilen Lean über 107 Commits an zwei Wochenenden, abdeckend 3 Clouds und 14 Ressourcenarten, und er ist offen dafür, dass es nicht production-ready ist. Das Pitch ist das Typensystem: ein Regionen-Literal wie warsaw kompiliert nur, wenn jede Cloud im Scope es anerkennt; das Moment, in dem AWS in das Modul eintritt, hört die Zeichenkette auf zu kompilieren, weil AWS keine Warschau-Region hat.

Der Post tabelliert die restlichen Gewinne, einschließlich fehlender Verweise, unerfüllter Abhängigkeiten, Pläne, die von nicht zurückgegebenen Werten abhängen, nicht existierende Instanzgrößen und nicht Unterstützungsdienste, alle vor jedem apply gefangen. Bucket-Namen-Kollisionen, Kontingente, Kapazität und eventuelle Konsistenz bleiben Laufzeitprobleme. Der dependent-types-Ansatz ist dieselbe Idee, die Pulumi und CDK versuchen, dir zu geben, außer dass sie von einem echten Kernel durchgesetzt werden, nicht von einem Linter.

Brockman über Astra, Alignment und OpenAis Platz im Stack

Source: stratechery.com ↗

Stratechery hat ein langes Interview mit Greg Brockman, aufgenommen vor dem Astra-Launch. Brockman geht seinen Weg vom Internationalen Chemie-Olympiade über den CTO-Sitz bei Stripe bis zur Mitgründung von OpenAI im Jahr 2015, den ChatGPT-Launch, die Führungsdrama 2023 und wo OpenAI zwischen Microsoft und Nvidia im AI-Wertekette sitzt.

Das Interview besucht auch den „Hugging Face-Vorfall“ und debattiert, ob OpenAI die Sicherheit ernst genommen hat in der Zeit davor. Für Ingenieure, die den Launch verfolgen, sind die interessanten Bits die Einschränkungen, die Brockman um das Skalieren und die Alignment-Verpflichtungen nennt, die das Unternehmen bereit ist, on the record zu machen.

Der Agent-Loop schließt sich in echten Unternehmen

Source: henryaj.substack.com ↗

Ein Erstperson-Account von Henry Aj baut auf Karpathys 2025-Framing von drei Generationen von Software (handgeschriebene 1.0, schmale ML 2.0, LLM-geschriebene 3.0) auf, um zu argumentieren, dass Unternehmensprozesse von Agents automatisiert werden, genauso wie Codebasen. Konkrete Beispiele von seinem eigenen Team: Claude nimmt Sentry-Fehler aus Slack, zieht Logs, führt Diagnosen aus und öffnet eine Änderungsanfrage, mit dem einzigen menschlichen Schritt der Merge-Klick; Produktanfragen kommen über Slack, werden mit dem Nutzer specced, codiert und ticketed; Staging-Deploys werden von Claude QA’d, der einen Browser steuert, einschließlich visueller Regressionschecks.

Die These ist unangenehm: Unternehmen 1.0 werden von Agents gefressen, die unendlich parallelisiert werden können und nie schlafen. Die interessante Einschränkung, die Aj anzeigt, ist Kontext: Menschen sind immer noch besser darin, Kontext aufzunehmen, zu parsen und miteinander zu teilen. Der Tag, an dem das automatisiert wird, ist der Tag, an dem der Loop für real schließt.

Eine Fruchtfliege-Connectome erkennt menschliche Emotionen

Source: oruk.ai ↗

Forscher bei oruk.ai haben 499 Neuronen aus dem MaleCNS Fruchtfliege-Connectome (15.865 Verbindungen, 867.344 synaptische Kontakte) als festes rekurrentes Reservoir angeschlossen und ein winzigen linearen Readout trainiert, um 15 Emotions-Labels und 16 Sprechstile aus menschlicher Sprache zu erkennen. Audio wird in 32 Frequenzband-Energien alle 10 ms geschnitten, in die Schaltung projiziert, und die Fliege-Verdrahtung bleibt gefroren, während nur der Readout lernt.

Es sitzt im Reservoir-Computing, zitierend Suárez et al.’s conn2res und frühere Arbeit von Costi et al., die Fliegen-Connectome für Zeitreihenprognose nutzten. Der Punkt für ML-Ingenieure ist eine saubere Zahl: wie viel Downstream-Signal ein festes biologisches Rekurrence beiträgt, mit null gelernten internen Gewichten.

Cybercab vs UberX, gleicher Austin-Morgen

Source: farzad.fm ↗

Farzads zweiter Tag Tape aus dem Austin-Geofence: eine ~8-Meilen Domain-to-UT-Fahrt kostete 14,87 Dollar auf Cybercab mit einer ~30-Minuten-Wartezeit, 19,68 Dollar auf Model Y mit einer ~7-Minuten-Wartezeit, 25 Dollar auf UberX in ~2 Minuten, 32 Dollar Komfort, 56 Dollar Premiere. Die öffentlichen Cybercab-Rides starteten am 4. September um 17 Uhr CT und wurden auf 14 Uhr CT vorgezogen; er schätzt ~40 Cybercabs und 10-12 Model-Ys im Geofence, mit Texas-DMV-Auflistungen, die 45 Cybercabs auf Teslas statewide-Roster zeigen.

Die These ist, dass sobald die Flottendichte steigt, ein no-steering-wheel, no-pedal-Stack Tesla undercutten kann, wenn menschlich betrieben. Derzeit ist die Wartezeit die Steuer.

iPhone Ultra-Produktion läuft bei „ein paar hundert“ pro Tag

Source: macrumors.com ↗

Nikkei Asia berichtet, dass Apple’s faltbares iPhone Ultra Ende August nur „ein paar hundert Einheiten pro Tag“ produzierte, gebremst durch strenge QC an Oberflächen-Ebenheit und Leistung des Scharniers, trotz einer erhöhten jährlichen Bestellung von ~10 Millionen Einheiten (von 7-8 Millionen) nach Foxconn-Trial-Production. Ein zusätzlicher Verifizierungsschritt im August verschob die kommerzielle Produktion um „Wochen“, was die Wahrscheinlichkeit eines gestaffelten Starts, der in den US beginnt, erhöht. Apple wird immer noch erwartet, es alongside dem iPhone 18 Pro und 18 Pro Max am 9. September Event zu enthüllen.

Die Scharnier- und Display-Haltbarkeits-Flaschen sind die echte Geschichte; sie sind warum Foldables für alle, nicht nur Apple, schwer zu skaliern sind.

Inside der Apple Neural Engine Compiler

Source: smolnero.com ↗

Ein Leser-Digest von Spencer Bryngelsons Reverse Engineering des Apple Neural Engine Compiler, gesetzt gegen die besser dokumentierten LLVM, KGEN, MLIR und Mojo Stacks. Apple exponiert die ANE nur über Core ML; der Compiler, Programmformat, Treiber und Firmware sind undokumentiert, also ist der Paper auf direkte Messungen von Apples privater Software gebaut.

Der Autor geht einen einfachen Faltung → Bias → ReLU-Graph durch die Lowering-Pipeline und zeigt, dass, entgegen der naiven Erwartung, diese drei Ops nicht einfach zu drei tieferen Ops auf dem Accelerator abbilden. Es ist eine der wenigen öffentlichen Quellen, die skizzieren, wie Core ML-Graphs auf ANE-Silicon landen.

Den Mac hinter sich lassen für Omarchy

Source: hadijaveed.me ↗

Nach 12 Jahren auf macOS, ein Ingenieur zog vom Mac weg, weil ein M4 MacBook mit 48 GB RAM unter mehreren Claude Code, Codex und Docker-Sessions litt und tägliche Neustarts benötigte. Er zog seine Dev-Umgebung und Agents auf einen Server (Codex remote, Hermes, Ghostty, Herdr) und ersetzte den Laptop durch einen Lenovo Yoga Slim 7i Ultra Aura Edition, der Omarchy, DHHs opinionated Arch + Hyprland-Distro, läuft, zunächst über einen Beelink SER8 Mini-Desktop.

Er betont tastaturgetriebenes Tiling (Rectangle, AeroSpace und Raycast auf Mac; natives Tiling in Omarchy) und das Quattro-Plugin-Ökosystem, einschließlich Plugins, die Claude- und Codex-Nutzungsgrenzen und Tailscale-Peers ansprechen. Das Muster ist konkret: Thin-Linux-Client + Remote-Agent-Host, mit der schweren Arbeit nicht longer auf dem Laptop.

GPT-6 Astra und das „vierte exponentielle“

Source: taekim.substack.com ↗

Tae Kim argumentiert, dass GPT-6 Astra ein Meilenstein ist, zitierend Reaktionen wie Helion Capitals Houman Dehesh, der sagt, „Astra devastates Fable“ auf Finanzdaten, und Greg Brockmans Behauptung, dass Computer-Nutzung ein qualitativen Schwellenwert von langsam und unbeholfen zu präzise und zuverlässig überschritten hat. Kim testete es selbst, indem er Astra bat, ein detailliertes Space-Shuttle-Modell in Blender zu bauen (ein Programm, das er nie benutzt hatte), und beobachtete, wie es das Thema recherchierte, Skripte schrieb und Blender eigenständig antrieb, ein rotierendes 3D-Modell in ~10 Minuten produzierend.

Seine Lektur ist, dass Computer-Nutzungs-AI jetzt „real“ ist und bald die meisten Menschen bei softwarewissensarbeit übertreffen wird. Das Framing des „vierten exponentiellen“ ist die Wette: die Nachfrage nach AI-Silicon ist auf Chatbot-, Reasoning- und agentic-coding-Wellen gestiegen, und Computer-Tool-Nutzung ist die nächste.