Servus, Lissy hier. Heute hat eine KI ein mathematisches Problem gelöst, an dem sich Generationen von Mathematikern die Zähne ausgebissen haben. Ein 90 Jahre altes Rätsel, das Jacobian Conjecture heisst. Und das ist nur eine von vielen Geschichten, die zeigen wie KI gerade auf allen Ebenen durchstartet. In der Infrastruktur: Microsoft setzt auf AMD als Nvidia-Alternative. In der Architektur: Ein Modell mit 20 Milliarden Parametern holt Gold bei der Mathe-Olympiade. Und am Ende: Chinesische Labs, die Frontier-Qualität zu Discount-Preisen liefern. Fangen wir mit dem grossen Durchbruch an.
Claude Fable, das Reasoning-Modell von Anthropic, hat ein Gegenbeispiel zur Jacobian-Vermutung gefunden. Das ist ein Problem aus der Mathematik, das 1939 formuliert wurde und seitdem niemand geknackt hat. Es geht um polynomiale Abbildungen und die Frage, ob eine lokale Umkehrbarkeit immer auch eine globale ist. Klingt abstrakt, ist aber ein fundamentales Werkzeug in der Algebraischen Geometrie. Die Jacobian-Vermutung war eines dieser Probleme, bei dem alle wussten, dass es wahrscheinlich stimmt, aber niemand es beweisen konnte. Claude Fable hat jetzt ein Gegenbeispiel gefunden. Das ist kein simpler Widerspruch, sondern eine echte mathematische Entdeckung. Der Mathematiker Alpoge, der das auf X geteilt hat, spricht von einem der aufregendsten mathematischen Resultate, die er je gesehen hat. Was mich daran begeistert: Das ist kein Benchmark-Overfitting, kein gestelltes Problem aus einem Testset. Das ist echte Forschung. Claude Fable hat ein offenes Problem gelöst, das vorherige KI-Modelle nicht einmal ansatzweise anfassen konnten. Und der Takeaway für uns: KI wird zu einem Werkzeug, das nicht nur Code schreibt, sondern auch neue Zusammenhänge entdeckt. Stellt euch vor, was möglich ist, wenn man solche Modelle auf offene Fragen in der Biologie oder Physik loslässt. Genau da, finde ich, wird KI richtig spannend. Nicht als Ersatz für Wissenschaftler, sondern als Werkzeug, das ihnen neue Wege zeigt. Und das ist vielleicht der Punkt, der am meisten zählt: Dieses Resultat ist überprüfbar. Die Jacobian-Vermutung ist ein präzise definiertes Problem. Jeder Mathematiker kann das Gegenbeispiel nachvollziehen. Das ist kein KI-Halluzinations-Problem, sondern ein reproduzierbares Ergebnis.
Parallel dazu passiert etwas auf der Infrastruktur-Ebene, das langfristig mindestens genauso bedeutend ist. Microsoft erweitert Azure AI und HPC um AMD MI400 Beschleuniger. Das sind die neuen AI-Chips von AMD, die als Alternative zu Nvidias GPUs in die Cloud kommen. Konkret: Wer KI-Modelle in Azure trainieren oder hosten will, bekommt bald eine echte Wahl. Bisher war Nvidia der einzige ernsthafte Anbieter für GPU-Compute in der Cloud, und das hat man an den Preisen gemerkt. Wenn man sich die aktuellen GPU-Kosten ansieht, ist klar, dass mehr Konkurrenz überfällig ist. AMD ist in den letzten Jahren bei den rohen Rechenzahlen aufgeholt, aber was wirklich zählt ist das Ökosystem. Nvidia hat CUDA, ein jahrelang aufgebautes Software-Ökosystem, das Entwickler bindet. AMD hat ROCm, das besser wird, aber noch nicht gleichzieht. Microsofts Ansatz ist clever: Sie bieten AMD als Alternative an, aber kümmern sich selbst um die Software-Integration. Und das ist der Unterschied: Ein Cloud-Anbieter, der die Hardware-Integration selbst in die Hand nimmt, statt sie dem Chip-Hersteller zu überlassen. Für Entwickler bedeutet das: mehr Kapazität, potenziell niedrigere Preise, und vor allem eine Alternative, wenn Nvidia mal wieder Lieferengpässe hat. Was zählt ist am Ende nicht, wer den schnelleren Chip hat, sondern wer die beste Gesamtlösung bietet. Und genau da wird der Markt jetzt spannend.
Und dann ist da noch Loopie. Ein Modell, das mit nur 20 Milliarden Parametern, von denen gerade mal 2 Milliarden aktiv sind, Gold bei der Internationalen Mathematik-Olympiade und der Internationalen Physik-Olympiade 2025 geholt hat. Zum Vergleich: GPT-4o brauchte für vergleichbare Leistungen rund 1,8 Billionen Parameter. Loopie ist 900 Mal kleiner. Der Trick: Looped Transformer. Die Idee ist einfach und elegant. Statt viele verschiedene Schichten hintereinander zu schalten, wendet ein Looped Transformer denselben Layerblock mehrfach an. Das spart Parameter, weil man nicht für jede Tiefe neue Gewichte lernt. Frühere Versuche mit Looping sind gescheitert, weil das Modell nach dem ersten Durchlauf nichts Neues mehr gelernt hat. Loopie hat zwei Neuerungen, die den Unterschied machen: Sie verwenden Mixture-of-Experts im Looping-Pfad, sodass jeder Durchlauf andere Experten aktivieren kann. Und sie haben eine neue Post-Training-Pipeline mit Reinforcement Learning, die dem Modell beibringt, wie es die Wiederholungen optimal nutzt. Das Ergebnis ist ein Modell, das auf spezifischen Reasoning-Aufgaben mit Modellen mithalt, die hunderte Male grösser sind. Was das praktisch bedeutet: KI-Modelle könnten in Zukunft viel kleiner und trotzdem leistungsfähig sein. Ein Modell, das auf einem Mittelklasse-Rechner läuft, aber mit Cloud-Modellen mithalt. Genau das ist die Richtung, in die ich die Branche gehen sehen will. Und die Grenzen? Loopie wurde auf spezifischen Benchmarks getestet, nicht auf allgemeinen LLM-Tests. Bei reinen Textaufgaben ohne langen Kontext ist es rund zehn bis fünfzehn Prozent schlechter. Aber für Spezialaufgaben wie Mathematik und Physik ist es ein Durchbruch.
Zwei Dinge, die mir heute noch aufgefallen sind. Erstens: Kimi K3 und Qwen 3.8 liefern Frontier-Modelle zu einem Bruchteil der Kosten westlicher Labs. Emerging Trajectories hat das durchgerechnet: Chinesische Labs können Frontier-Qualität zu Preisen anbieten, die für Anthropic und OpenAI existenzbedrohend sein könnten. Nicht weil die Modelle besser sind, sondern weil sie gut genug und viel billiger sind. Und die Kehrseite: Kimi K3 braucht mehr Reasoning-Tokens für die gleiche Aufgabe, schätzungsweise 30 bis 50 Prozent mehr. Der Preisvorteil pro Token wird dadurch teilweise aufgehoben. Die Gewichte kommen am 27. Juli, dann kann jeder selbst testen. Und zweitens: Ein kleiner Unternehmer hat Berichten zufolge HubSpot, Calendly, Vimeo und DocuSign durch KI-Tools ersetzt und spart damit 250.000 Dollar im Jahr. Sein Unternehmen hat 48 Mitarbeiter. Das ist keine Zukunftsmusik, das passiert gerade. KI ersetzt komplette SaaS-Stacks, und das zu einem Preis, den sich jedes Unternehmen leisten kann.
Was mir heute im Kopf bleibt: KI wird auf allen Ebenen disruptiv. Ein Modell löst Mathematik, die Hardware wird breiter, die Architektur effizienter, die Preise fallen. Und während all das passiert, bauen kleine Unternehmen schon ihre kompletten SaaS-Stacks um. Wer jetzt denkt, das betrifft nur die Tech-Branche, der hat nicht aufgepasst. Wenn euch die Folge gefallen hat, schreibt mir eine Mail, die Adresse steht in den Shownotes. Oder hinterlasst eine Bewertung auf Apple Podcasts oder Spotify. Pfiat euch und bis morgen, eure Lissy.