Nvidias Board sucht nach Huangs Nachfolger, während Agents AWS übernehmen
7 min read · 14 sources
- Nvidias Board arbeitet mit einer externen Firma zusammen, um einen CEO-Ersatz für Jensen Huang zu finden, wobei ein Interims-Chef in Betracht gezogen wird.
- Der AWS Emulator gibt Coding-Agents eine lokale AWS-Kopie zum Testen und reduziert die Abhängigkeit von Live-Cloud-Ressourcen.
- Der Beweis der Quanten-Yang-Mills-Theorie von OpenAI wurde in Lean von einem Komitee unter der Leitung des Physikers David Gross formal verifiziert.
- Die Gemini Decisions API von Google bewertet bis zu 1.000 Fragen pro Durchlauf mit 150-250 ms Latenz für 0,10 $ pro 2M Input-Tokens.
- Direkte Agentenarbeit schlug die Subagent-Delegation in einem Test: 67 Sekunden und 0,38 $ gegenüber 123 Sekunden und 0,57 $ mit Opus 5.5.
Nvidias Board hat eine externe Firma beauftragt, CEO-Kandidaten zu prüfen, während es entscheidet, ob Jensen Huang bleibt. Die Direktoren trafen sich am Mittwoch, um sein Schicksal abzuwägen, nachdem über außereheliche Affären berichtet wurde, eine davon mit einer Frau, die verdächtigt wird, für China zu spionieren. Das Board erwägt, einen Interims-Chef zu benennen, während es nach einem permanenten sucht, und das Wall Street Journal berichtet, dass es sich auf seine Absetzung vorbereitet. Nvidia hat sich nicht geäußert.
Das ist keine normale Nachfolgegeschichte. Huang geht nicht in den Ruhestand; er ist der Mann, der Nvidia zu einem Unternehmen mit 3 Billionen Dollar Marktwert gemacht hat. Führungsinstabilität hier erschüttert nicht nur ein Unternehmen - sie erschüttert die gesamte AI-Hardware-Roadmap. Jeder Ingenieur, der einen GPU-Cluster um Nvidias Release-Kadenz geplant hat, sollte das genau beobachten. Ein neuer CEO könnte eine andere strategische Ausrichtung, andere Produktprioritäten und eine sehr andere Gesprächsbasis darüber bedeuten, von wem man 2027 Silizium kauft.
Der agentische Browser-Traffic wuchs zwischen August und Oktober um das Achtfache, wobei Muse 60 % dieser Aktivität ausmachte.
AWS Emulator gibt Agents eine Sandbox, die nicht die Cloud ist
Source: allthingsdistributed.com ↗
AWS hat den AWS Emulator gestartet, ein Tool, das Coding-Agents eine lokale Kopie von AWS zum Testen gibt. Der Beitrag, verfasst von AWS-CTO Werner Vogels und gastgeschrieben von Swami Sivasubramanian, führt seine Wurzeln auf frühe Arbeiten zu verteilten Systemen zurück, einschließlich der Dynamo-Datenbank und des auf Paxos aufgebauten Alf-Lock-Dienstes.
Das Versprechen ist einfach: Agents schreiben mehr Code, also brauchen sie eine zuverlässige Testumgebung, die kein Geld für Live-Cloud-Ressourcen verbrennt. Der Emulator ermöglicht es Agents, die meiste Software lokal zu bauen und zu prüfen, sodass Ingenieure entscheiden, was gebaut wird und wann die Arbeit tatsächlich korrekt ist. Der Code ist öffentlich.
Für Ingenieure verändert das die Kostengleichung der agentengetriebenen Entwicklung. Statt für jeden Testlauf echte AWS-Ressourcen hochzufahren, können Agents gegen eine lokale Kopie iterieren. Das bedeutet schnellere Iteration, niedrigere Kosten und weniger Überraschungen, wenn etwas in der Produktion bricht, weil der Agent nie eine echte Umgebung berührt hat.
OpenAIs Hirten verifizieren den Yang-Mills-Beweis
Der KI-generierte Beweis von OpenAI für die Existenz der Quanten-Yang-Mills-Theorie wurde formal in der Programmiersprache Lean verifiziert. Ein Komitee unter der Leitung des Physikers David Gross veröffentlichte seine Ergebnisse am 10. November und befasste sich damit mit einem der Millennium-Probleme des Clay Mathematics Institute.
Der Beweis ist für Menschen zu komplex, um ihn leicht zu erfassen - das Komitee behauptet nicht, ihn vollständig zu verstehen. Das ist der Punkt. Es ist ein Meilenstein in der Fähigkeit von KI, fortgeschrittene mathematische Probleme anzugehen, aber der „Shepherding“-Review-Prozess hat Kritik von Mathematikern hervorgerufen, die eine offene, gemeinschaftsbasierte Verifikation bevorzugen. OpenAI schuf das Komitee nach der Gegenreaktion auf die Veröffentlichung von über 700 KI-generierten Beweisen an einem einzigen Tag im Oktober.
Für Ingenieure ist das relevant, weil es eine konkrete Demonstration dafür ist, dass KI verifizierbare Ergebnisse in Bereichen produzieren kann, in denen die menschliche Prüfung der Engpass ist. Die Lean-Verifikation ist ein Muster, das man übernehmen sollte: formale Verifikation als Abnahmetest für KI-generierte Arbeit.
Die Gemini Decisions API bewertet 1.000 Fragen in einem Durchlauf
Google hat die Gemini Decisions API eingeführt, die vom neuen Gemini Decision 1 Modell angetrieben wird. Sie ist für schnelle Entscheidungen mit geschlossenem Antwortraum wie Tool-Auswahl und Policy-Checks ausgelegt und verarbeitet multimodale Eingaben (Text, Bilder, Audio, Video, PDFs) mit bis zu 256K Tokens.
Die wichtigsten Zahlen: Sie bewertet bis zu 1.000 Fragen in einem einzigen Vorwärtsdurchlauf, liefert Wahrscheinlichkeiten mit 150-250 ms End-to-End-Latenz und kostet 0,10 $ pro 2M Input-Tokens bei null abgerechneten Output-Tokens. Das ist ein grundlegend anderes Kostenmodell als die Token-für-Token-Generierung.
Für Ingenieure, die Entscheidungssysteme bauen, ist das eine günstigere, schnellere Alternative für begrenzte Aufgaben. Man erhält eingebaute Konfidenzwerte, um mehrdeutige Fälle weiterzuleiten, was bedeutet, dass man eine Triage-Ebene bauen kann, die nur unsichere Entscheidungen an ein vollwertiges LLM sendet. Der Kompromiss: Der Antwortraum ist geschlossen, also wird es keinen Aufsatz schreiben - aber es wird sagen, welche von 1.000 Policies auf eine gegebene Eingabe zutrifft.
Subagents sind langsamer und teurer als direkte Arbeit
Nik Vdps Test mit Opus 5.5 zeigt die Kosten der Delegation. Die Nutzung eines Subagents über eine Zusammenfassung dauerte 123 Sekunden und kostete 0,57 $. Der Hauptagent, der die Aufgabe direkt erledigte, brauchte 67 Sekunden und 0,38 $. Der Subagent-Ansatz war fast doppelt so langsam und 50 % teurer.
Das Problem sind verlustbehaftete Zusammenfassungen. Wenn der Hauptagent delegiert, komprimiert er den Kontext, und der Subagent arbeitet mit dieser komprimierten Version, was zu unvollständiger oder falscher Arbeit führt. Der Autor schlägt geforkte Subagents vor, die die vollständige Konversation kopieren, als bessere Alternative - obwohl Forking mit wachsendem Kontext teuer wird.
Für Ingenieure, die Agent-Workflows entwerfen, ist das eine konkrete Warnung. Delegation ist kein kostenloser Parallelismus; es ist ein Kontext-Komprimierungs-Kompromiss. Die im Beitrag präsentierte Lösung ist ein Fork, der die Teile einer Konversation behält, die er braucht, und den Rest verwirft - ein Mittelweg, der einen Test wert ist.
Wer sichert sich die Marge in der KI?
Tom Tunguz’ Analyse der Margenverteilung über die KI-Wertschöpfungskette verwendet Dollar pro Watt pro Jahr. Bei einer Bruttomarge von 40 % für Anwendungen verteilt sich der Pool wie folgt: 3 % Strom, 5 % Rechenzentrum, 28 % Neocloud, 24 % Inferenz und 40 % Anwendung.
Der interessante Teil ist, wo die Preissetzungsmacht liegt. Die Compute-Preise steigen - Anthurics Burst-Compute liegt bei 13 $/GPU-Stunde, und CoreWeaves neue Verträge liegen bei 20-25 $/W/Jahr. Die Übernahme von Weights & Biases durch CoreWeave zeigt den Vertikalisierungs-Play. Für Ingenieure prägt das die Kostenstrukturen über den gesamten Stack: Wer auf Neoclouds aufbaut, sollte mit steigenden Preisen rechnen, da diese mehr Marge für sich beanspruchen.
Die B2A-Ökonomie ist da
Der a16z-Beitrag verkündet den Aufstieg der Business-to-Agent-Ökonomie, in der KI-Agenten die primären Internetnutzer sind. Belege: Der KI-getriebene Traffic von Shopify wuchs im Jahresvergleich um das Achtfache, und der agentische Browser-Traffic wuchs zwischen August und Oktober um das Achtfache, wobei Muse 60 % der Aktivität ausmachte.
Für Ingenieure bedeutet das, Produkte zu bauen, die Agenten als Kunden erster Klasse behandeln. Das bedeutet agentenfreundliche APIs, maschinenlesbare Checkout-Abläufe und Inhalte, die keine menschliche Interaktion zum Parsen erfordern. Agent-Traffic zu ignorieren, riskiert Obsoleszenz, da sich mehr der Web-Aktivität auf autonome Akteure verlagert.
Die Antwort auf KI ist Engineering
Geoff Huntleys Argument lautet, dass die Antwort auf KI-Sicherheitsherausforderungen Engineering ist, nicht mehr KI. Jüngste Vorfälle - die OpenCode-Verletzung, eine PHP-Schwachstelle, ein GitLab-RCE-Fehler, ein Zertifizierungsstellen-Schlüssel, der nur „4" war - zeigen, worum es geht. Agents, die Software schreiben, die auf verwundbarem Code trainiert wurde, werden Sicherheitsprobleme beschleunigen.
Der kontraintuitive Punkt: Die Optimierung der Reaktionszeiten bei Vorfällen beschleunigt auch die Builds. Dieselbe Infrastruktur, die es ermöglicht, innerhalb von Minuten auf eine Sicherheitsverletzung zu reagieren, lässt die CI-Pipeline schneller ausliefern. Für Ingenieure ist das ein praktisches Argument, in Observability- und Response-Tooling zu investieren - es zahlt sich sowohl in Sicherheit als auch in Entwicklergeschwindigkeit aus.
Der KI-Talentkrieg wird absurd
Die WSJ berichtet, dass das KI-Startup Serval einen Unterschriftsbonus von 30.000 $ und einen Urlaub im Wert von 10.000 $ anbietet, um Software-Ingenieure und Deployment-Strategen zu konkurrieren. Das ist der Markt, der einem sagt, wo die Hebelwirkung liegt: bei Menschen, die KI-Systeme deployen und betreiben können, nicht nur prompten.
Die Stufen des agentischen Engineerings
Zach Wills’ Framework für die Führung von KI-Transformationen in F&E-Teams basiert auf einer Frage: „Was machst du noch selbst?" Jede Stufe beinhaltet, sich aus manuellen Schleifen-Teilen zu entfernen, und die nächste Stufe wird durch Ausliefern gefunden, nicht durch Anordnen.
Die Mauern sind Infrastruktur (CI, Deploy-Pipelines) und Policies (Review-Anforderungen), die agentengetriebene Arbeit verlangsamen. Der praktische Ansatz - das Ausliefern von Greenfield-Prototypen und echten Roadmap-Punkten - zeigt, wie man Agents in bestehende Workflows integriert, ohne einen Big-Bang-Rewrite.
Der Fall der Fähigkeiten, der Aufstieg der Netzwerke
Jason Weis Argument lautet, dass sich der Erfolg in der KI von „was du kannst" zu „wen du kennst" verschiebt, wobei er schätzt, dass Fähigkeiten jetzt 55 % des Erfolgs ausmachen gegenüber 75 % vor fünf Jahren. Drei Gründe: kommodifizierte Intelligenz durch Coding-Agents, ressourcenreiche Labore mit überproportionalen Vorteilen (hunderte GPUs für RL-Läufe) und reduzierte Beobachtbarkeit, da Unternehmen Modelle quelloffen halten.
Für Ingenieure bedeutet das, dass Networking und Ressourcenzugang für Karrierefortschritt und Forschungsimpact genauso entscheidend werden wie technische Fähigkeit. Die beste Strategie, so der Beitrag, ist, das beste und wahrhaftigste Selbst zu sein - was sowohl guter Rat als auch eine Erinnerung daran ist, dass das Feld inzwischen ebenso sozial wie technisch ist.
Das könnte Sie auch interessieren
Anthropic reicht Unterlagen für 2-Billionen-Dollar-IPO ein, DoorDash visiert Instacart an und Python streicht seinen experimentellen JIT
Anthropic hat seinen S-1-Börsenprospekt vorgelegt und strebt an der NASDAQ eine Bewertung von 1,5 bis 2 Billionen US-Dollar an, untermauert von 16,3 Milliarden …
Nvidias Board untersucht seinen CEO. Anthropic plant weiterhin seinen Börsengang über 1,5 Billionen Dollar.
Anthropic treibt einen Börsengang voran, der das Unternehmen auf fast 1,5 Billionen Dollar bewerten könnte, obwohl große Investoren Widerstand leisten und …
Nvidias CEO ist weg, 1 Billion Dollar sind verschwunden, und Apple will, dass Siri endlich etwas tut
Nvidia-CEO Jensen Huang trat zurück, nachdem er eine Affäre mit einer Frau eingeräumt hatte, die der US-Geheimdienst als chinesische Spionin identifizierte; das …




