Aktuelle Nachrichten über KI

KI-Systeme revolutionieren unsere Innovationszyklen, indem sie Forschung und Entwicklung dramatisch beschleunigen. Während wir einerseits eine exponentielle Verbesserung der KI-Systeme selbst beobachten, erleben wir gleichzeitig, wie diese Technologien Durchbrüche in traditionellen Forschungsfeldern in Tagen statt Jahren ermöglichen. Diese Beschleunigung resultiert aus der Fähigkeit von KI, das gesamte menschliche Wissen zu durchsuchen, Muster zu erkennen und Verbindungen herzustellen, die für Menschen nicht offensichtlich sind – was zu einer völlig neuen Innovationslandschaft führt.

Die Singularität: Das Konzept des beschleunigten Wandels

Die Idee der technologischen Singularität beschreibt einen hypothetischen Wendepunkt, an dem der technologische Fortschritt so rasant wird, dass er unser Leben fundamental und unvorhersehbar verändert. Der Begriff wurde maßgeblich von Mathematiker Vernor Vinge und später von Futurist Ray Kurzweil geprägt, der prognostizierte, dass durchsuperintelligente KI einen selbstverstärkenden Zyklus technologischer Entwicklung auslösen könnte. An diesem Punkt würde Innovation nicht mehr linear, sondern exponentiell verlaufen – jede neue Technologie beschleunigt die Entwicklung der nächsten in immer kürzeren Zeitabständen.

Der doppelte Beschleunigungseffekt

Was früher ein theoretisches Konzept für die ferne Zukunft war, manifestiert sich heute bereits in zwei parallel verlaufenden Phänomenen:

1. Die Selbstbeschleunigung der KI-Entwicklung

Die Entwicklungsgeschwindigkeit neuer KI-Modelle nimmt stetig zu. Zwischen GPT-3 und GPT-4 lagen noch rund drei Jahre; von Claude 2 zu Claude 3 nur noch etwa acht Monate. Gleichzeitig explodiert das Ökosystem aus Varianten, Anpassungen und spezialisierten Anwendungen:

„Ich erinnere mich gut, wie ich 2023 wochenlang auf den Zugang zu Claude 2 gewartet habe,“ erzählte mir kürzlich ein KI-Entwickler. „Heute werden manchmal mehrere bedeutende Modelle in einer einzigen Woche veröffentlicht, und ich komme kaum noch mit dem Testen hinterher.“

Diese Entwicklung ähnelt einem Schneeballeffekt: Bestehende KI-Systeme werden eingesetzt, um das Design neuer Modelle zu optimieren, die wiederum leistungsfähiger sind und noch bessere KI-Systeme hervorbringen können.

2. Die Beschleunigung aller anderen Wissenschaftsfelder

Noch beeindruckender ist, wie KI die Innovationszyklen in traditionellen Forschungsgebieten revolutioniert:

Fall 1: Medizinische Forschung in Echtzeit

Der im obigen Text erwähnte Fall um Professor José R. Penadés vom Imperial College London ist geradezu schockierend. Ein Jahrzehnt intensive Forschung zu Superbugs und antimikrobiellen Resistenzen – komprimiert auf 48 Stunden durch Googles KI-Tool Co-Scientist. Das System lieferte nicht nur dieselbe Hypothese, an der das Team jahrelang gearbeitet hatte, sondern schlug vier weitere plausible Erklärungen vor, von denen eine völlig neu war und jetzt untersucht wird.

Penadés fasst es treffend zusammen: „Das wird die Wissenschaft verändern!“

Fall 2: Ingenieurwesen im Zeitraffer

Der Fall von LEAP 71 aus Dubai verdeutlicht diese Revolution im Ingenieurwesen: Ihr „Noyron“ Computational Engineering Model ermöglichte die Entwicklung eines funktionsfähigen Raketentriebwerks in nur zwei Wochen. Vom finalen Entwurf bis zur Fertigung – ein Prozess, der normalerweise Monate oder Jahre in Anspruch nimmt. Das vollständig KI-generierte Design wurde in Kupfer 3D-gedruckt und bestand seinen ersten Testlauf problemlos.

Die Geschäftsführerin Josefine Lissner beschreibt dies als „wichtigen Meilenstein für uns, aber auch für die gesamte Industrie.“

Der entscheidende Mechanismus: Auf den Schultern der richtigen Riesen

Wie ist diese dramatische Beschleunigung möglich? Der Schlüssel liegt in einem fundamentalen Prinzip wissenschaftlicher Entwicklung: Jede Innovation baut auf vorangegangenen Erkenntnissen auf – wir stehen, wie Newton es formulierte, „auf den Schultern von Riesen“.

Das Problem: Die Menge an wissenschaftlichen Publikationen und Forschungsergebnissen ist in den letzten Jahrzehnten geradezu explodiert. Allein 2023 wurden über 5 Millionen wissenschaftliche Artikel veröffentlicht. Kein Mensch kann auch nur annähernd den Überblick über ein ganzes Fachgebiet behalten, geschweige denn interdisziplinäre Verbindungen erkennen.

KI-Systeme können jedoch:

1. Den gesamten Wissenskorpus durchsuchen – nicht nur die bekanntesten Publikationen
2. Unkonventionelle Verbindungen herstellen zwischen scheinbar unzusammenhängenden Fachgebieten
3. Muster erkennen, die für Menschen nicht offensichtlich sind
4. Hypothesen generieren und bewerten in Sekundenschnelle

Ein Beispiel: Die bahnbrechende CRISPR-Technologie entstand durch die Verbindung von Erkenntnissen aus Mikrobiologie, Genetik und Molekularbiologie. Heute könnte ein System wie Google’s Co-Scientist solche Querverbindungen systematisch aufdecken.

Ich musste an einen indischen Taxifahrer denken, der mich einmal vom Flughafen abholte. „Die Navigation ist ausgefallen,“ sagte er entschuldigend, „aber ich kenne alle Straßen.“ Als wir in einen massiven Stau gerieten, schaltete er plötzlich und nahm eine Abkürzung durch schmale Gassen, die auf keiner Karte verzeichnet waren. KI-Systeme sind wie dieser Fahrer – sie kennen nicht nur die Hauptstraßen des Wissens, sondern auch die versteckten Abkürzungen.

Die neuen Werkzeuge der beschleunigten Innovation

Für Unternehmen und Forscher stehen bereits heute mehrere leistungsfähige Werkzeuge zur Verfügung, um von dieser Beschleunigung zu profitieren:

• Google Co-Scientist: Ein Multi-Agenten-System, das wissenschaftliche Hypothesen generiert, bewertet und verfeinert
• ChatGPT Deep Research: Durchsucht wissenschaftliche Literatur und extrahiert relevante Erkenntnisse
• Elicit.com: Fokussiert auf die Analyse akademischer Forschung und Literaturrecherche
• Perplexity: Kombiniert Echtzeitsuche mit KI-gestützter Analyse und Zusammenfassung

Jedes dieser Tools hat seine Stärken, und gemeinsam bilden sie ein Ökosystem, das wissenschaftliche und technologische Entwicklung in bisher undenkbaren Zeiträumen ermöglicht.

Was bedeutet diese Beschleunigung für uns?

Die Implikationen dieser Entwicklung sind tiefgreifend:

1. Wettbewerbsvorteile verschieben sich von Ressourcen und Größe hin zu intelligentem KI-Einsatz
2. Kleinere Teams und Unternehmen können Durchbrüche erzielen, die früher nur Großkonzernen möglich waren
3. Die Halbwertszeit von Wissen sinkt dramatisch – lebenslanges Lernen wird noch wichtiger
4. Ethische Fragen gewinnen an Dringlichkeit, da potentiell risikoreiche Technologien schneller entwickelt werden

Für KMUs im DACH-Raum bietet diese Entwicklung einzigartige Chancen, wenn sie bereit sind, diese neuen Werkzeuge konsequent einzusetzen. Die Kunst wird darin bestehen, die richtigen Fragen zu stellen und die menschliche Kreativität mit der analytischen Kraft der KI zu verbinden.

Der Blick nach vorn

Wir stehen erst am Anfang dieser Entwicklung. Die Systeme werden immer leistungsfähiger, der Zugang demokratischer, und die Anwendungsmöglichkeiten vielfältiger. Was heute noch als beeindruckend gilt – ein Raketentriebwerk in zwei Wochen oder eine medizinische Hypothese in 48 Stunden – könnte morgen bereits der Standard sein.

Wie Ray Kurzweil es ausdrückt: „Wir unterschätzen tendenziell, was in 10 Jahren möglich sein wird, und überschätzen, was in 2 Jahren möglich sein wird.“ Die Beschleunigung ist real, aber nicht immer linear oder vorhersehbar.

Eines ist jedoch sicher: Wer diese Werkzeuge ignoriert, wird in einer Welt der beschleunigten Innovation schnell zurückfallen.

Häufig gestellte Fragen

Kann KI wirklich bessere Hypothesen generieren als erfahrene Wissenschaftler?

Die Stärke liegt nicht unbedingt in „besseren“ Hypothesen, sondern in der Fähigkeit, eine größere Vielfalt an Hypothesen schneller zu generieren und zu bewerten. Im Fall von Professor Penadés hat das KI-System dieselbe Hypothese wie die Forscher entwickelt, aber zusätzlich weitere plausible Erklärungen vorgeschlagen.

Ersetzt diese Beschleunigung experimentelle Forschung?

Nein. KI-Systeme können den Stand der Forschung analysieren und Hypothesen aufstellen, aber die experimentelle Validierung bleibt unerlässlich. Sie beschleunigen den Prozess, ersetzen aber nicht das Labor.

Was bedeutet diese Entwicklung für Arbeitsplätze in Forschung und Entwicklung?

Die Rolle von Forschern und Entwicklern wird sich verschieben – von der reinen Literaturrecherche und Hypothesenbildung hin zur Experiment-Gestaltung, Validierung und strategischen Fragestellung. Nicht weniger Arbeitsplätze, aber andere Anforderungen.

Wie können kleine Unternehmen von diesen Entwicklungen profitieren?

Durch den gezielten Einsatz öffentlich zugänglicher Tools wie Perplexity oder Elicit können auch kleine Unternehmen Forschungsfragen bearbeiten, die früher ein ganzes Team erfordert hätten. Der Schlüssel liegt im intelligenten Framing der Fragen und der Kombination von KI-Analysen mit menschlicher Expertise.

Bevorzugt informiert

Sie werden über DENKE DIGITAL UPDATE mit aktuellen Einblicken in KI-Entwicklungen, Interviews mit führenden Experten, praxisnahen Analysen technologischer Trends und kritischen Reflexionen über die Auswirkungen künstlicher Intelligenz bevorzugt informiert.

Wir verstehen KI nicht als abstraktes technisches Konzept, sondern als lebendige Technologie, die konkrete Lösungen für gesellschaftliche Herausforderungen bietet. Unsere Meldungen gehen über bloße technische Daten hinaus – wir beleuchten menschliche Geschichten hinter den Algorithmen, analysieren ethische Dimensionen und zeigen praktische Anwendungen für unser berufliches und privates Leben.

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

---

---

Aktuelle Nachrichten über KI

TL;DR: Meta hat die Nutzung multimodaler Funktionen von Llama 4 für Entwickler in der EU eingeschränkt – eine direkte Folge der EU-Regulierung (vor allem AI Act und DSGVO). Während der Rest der Welt auf dieser Technologie aufbauen kann, bleiben europäische Innovatoren außen vor. Diese Regulierungspolitik schwächt Europas Position im globalen KI-Wettlauf weiter.

Die Einschränkung im Detail

Wie schon bei früheren Modellen hat Meta auch bei Llama 4 signifikante Lizenzeinschränkungen für die EU festgelegt:

„With respect to any multimodal models included in Llama 4, the rights granted under Section 1(a) of the Llama 4 Community License Agreement are not being granted to you if you are an individual domiciled in, or a company with a principal place of business in, the European Union. This restriction does not apply to end users of a product or service that incorporates any such multimodal models.“

Die Konsequenz ist eindeutig: Während der Rest der Welt – selbst China – auf Basis von Llama 4 neue KI-Lösungen entwickeln kann, bleibt dieser Innovationspfad für Europa bei multimodalen Anwendungen verschlossen.

Die ganze Welt spricht über die Bedeutung von „Open Source“ Modellen wie Llama 4 für die Entwicklung dieser Technologie – und Europa hat sich an dieser Stelle selbst aus dem Rennen genommen.

Bürokratie statt Innovation

Warum diese Einschränkung? Einerseits gab es im Vorfeld der Entwicklung der Meta-KI-Modelle Kontroversen zwischen Meta und den europäischen Datenschützern über die Nutzung von Daten des Meta-Konzerns (vor allem Facebook und Instagram) für das Training der KI. Facebook hatte einen Opt-Out-Mechanismus angeboten, die EU-Datenschützer hatten das für unzureichend gehalten. Im Ergebnis hält Meta die Interpretation der DSGVO für zu unvorhersehbar. Und wenn Europa keine Daten zum Training beiträgt, bekommt Europa eben auch das fertige Produkt nicht.

Andererseits „schützt“ der EU AI Act uns angeblich, indem er leistungsstarke KI-Modelle mit bürokratischen Hürden belegt. Schutzkonzepte, umfangreiche Dokumentationen und zahlreiche weitere Anforderungen machen es für Unternehmen wie Meta überlegenswert, den europäischen Markt für bestimmte Entwicklungszwecke auszuschließen, als sich den regulatorischen Anforderungen zu stellen. Andere Anbieter haben bisher die Bürokratie akzeptiert, Meta nicht.

Als ob diese Bürokratie einen wirksamen Schutz bieten würde, wenn im Rest der Welt ein Modell problematische Entwicklungen nimmt.

Ein neuer technologischer Kalter Krieg

An dieser Stelle lohnt sich ein Rückblick auf ein passendes Zitat:

„Einst überließen Menschen ihr Denken den Maschinen, in der Hoffnung, dass dies sie befreien würde. Doch das erlaubte nur anderen Menschen mit Maschinen, sie zu versklaven.“

— Frank Herbert, „Dune“

Während sich USA und China einen neuen Kalten Krieg um die Vorherrschaft bei KI und Robotik liefern, hat Europa seine Relevanz in diesem Wettlauf bereits eingebüßt. Und nun binden wir uns durch überbordende Regulierung noch zusätzlich die Hände.

Der Selbstbetrug der europäischen Regulierung

Wir sollten den Selbstbetrug beenden: Europa wird die Nutzung von KI nicht beeinflussen. Ethische Nutzung, militärische Nutzung oder Missbrauch – all diese Fragen werden einfach nicht in der EU entschieden.

Die EU qualifiziert sich mit dieser Art von Regulierungspolitik für einen Darwin-Award – sie eliminiert sich selbst aus dem globalen Wettbewerb um zukunftsweisende Technologien, und auch aus der Diskussion über ihre ethische Verwendung.

Die wichtigsten Fragen und Antworten

Frage: Warum schränkt Meta die Nutzung von Llama 4 in der EU ein?
Antwort: Die Lizenzeinschränkungen sind eine direkte Reaktion auf die regulatorischen Anforderungen der EU, die für Meta einen zu hohen Compliance-Aufwand bedeuten würden.

Frage: Bedeutet der EU AI Act tatsächlich einen Innovationsnachteil?
Antwort: Ja, die überbordende Regulierung führt dazu, dass Technologieunternehmen den europäischen Markt für bestimmte Entwicklungszwecke ausschließen, während sie in anderen Regionen ohne diese Einschränkungen innovieren können. Ein anderes Beispiel war Apple. Abgesehen davon, dass Apple mit seiner Apple-KI ganz eigene Probleme hat, war auch der Roll-out der Apple-KI für Europa zunächst mit Verzögerungen geplant, um die Compliance-Anforderungen erfüllen zu können.

Frage: Können Endnutzer in der EU trotzdem Produkte nutzen, die auf Llama 4 basieren?
Antwort: Ja, die Einschränkung betrifft nur Entwickler und Unternehmen mit Sitz in der EU, nicht aber Endnutzer von Produkten, die diese Technologie integrieren.

Disclaimer: Dieser Artikel wurde „nicht mit und nicht ohne KI“ geschrieben: Die KI, konkret Claude Sonnet 3.7, hat anhand meiner Notizen zu den ersten Experimenten und den offiziellen Informationen einen Entwurf erstellt, ich habe die Endredaktion übernommen.

Bevorzugt informiert

Sie werden über DENKE DIGITAL UPDATE mit aktuellen Einblicken in KI-Entwicklungen, Interviews mit führenden Experten, praxisnahen Analysen technologischer Trends und kritischen Reflexionen über die Auswirkungen künstlicher Intelligenz bevorzugt informiert.

Wir verstehen KI nicht als abstraktes technisches Konzept, sondern als lebendige Technologie, die konkrete Lösungen für gesellschaftliche Herausforderungen bietet. Unsere Meldungen gehen über bloße technische Daten hinaus – wir beleuchten menschliche Geschichten hinter den Algorithmen, analysieren ethische Dimensionen und zeigen praktische Anwendungen für unser berufliches und privates Leben.

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

---

---

Aktuelle Nachrichten über KI

OpenAI hat heute die Forschungsvorschau von GPT-4.5 veröffentlicht, dem nach eigenen Angaben bislang leistungsstärksten Sprachmodell des Unternehmens. Pro-Nutzer und Entwickler weltweit erhalten Zugang zum neuesten Modell, das durch umfangreiche Skalierung des unüberwachten Lernens entwickelt wurde.

Erste Erfahrungen mit GPT-4.5 über die API mittels AnythingLLM zeigen eine deutliche Verbesserung der Textqualität. Im Vergleich zu früheren Versionen, die oft durch viele Aufzählungen und überladene Darstellung auffielen, liefert GPT-4.5 spürbar flüssigere und angenehmer zu lesende Texte.

Die von OpenAI hervorgehobene Verbesserung des „emotionalen Quotienten“ (EQ) scheint sich in der Praxis zu bestätigen. Das Modell wirkt in der Kommunikation natürlicher und weniger detailverliebt als sein Vorgänger GPT-4o, was die Lesbarkeit erhöht. Ob dieser kompaktere Stil auf Kosten der inhaltlichen Genauigkeit geht, lässt sich nach ersten Tests noch nicht abschließend bewerten.

Laut OpenAI profitiert GPT-4.5 von mehreren Fortschritten:

• Verbesserte Mustererkennung und Verbindungsherstellung
• Breitere Wissensbasis
• Besseres Verständnis der Nutzerintention
• Reduzierte Halluzinationen und höhere Faktentreue

Als reines Sprachmodell ohne integrierten Reasoning-Prozess unterscheidet sich GPT-4.5 deutlich von anderen aktuellen OpenAI-Modellen wie o1 und o3-mini. Es bietet jedoch eine allgemeinere und intuitivere Intelligenz, die sich besonders für kreative Schreibaufgaben, Programmierung und die Lösung praktischer Probleme eignen soll.

Ein ausführlicher Test des neuen Modells sowie eine Anleitung zum Zugang über AnythingLLM folgen in Kürze.

Bevorzugt informiert

Sie werden über DENKE DIGITAL UPDATE mit aktuellen Einblicken in KI-Entwicklungen, Interviews mit führenden Experten, praxisnahen Analysen technologischer Trends und kritischen Reflexionen über die Auswirkungen künstlicher Intelligenz bevorzugt informiert.

Wir verstehen KI nicht als abstraktes technisches Konzept, sondern als lebendige Technologie, die konkrete Lösungen für gesellschaftliche Herausforderungen bietet. Unsere Meldungen gehen über bloße technische Daten hinaus – wir beleuchten menschliche Geschichten hinter den Algorithmen, analysieren ethische Dimensionen und zeigen praktische Anwendungen für unser berufliches und privates Leben.

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

---

---

Aktuelle Nachrichten über KI

tl;dr

OpenAIs Deep Research ist ab sofort auch für Plus-Abonnenten in Deutschland zugänglich, nachdem es seit dem 5. Februar 2025 nur Pro-Nutzern vorbehalten war. Die KI-Funktion führt selbstständig umfassende Webrecherchen durch, analysiert bis zu Dutzende Quellen und erstellt detaillierte Berichte mit vollständigen Quellenangaben. Plus-Nutzer erhalten 10 Anfragen pro Monat, während Pro-Nutzer 120 Recherchen durchführen können.

Deep Research in der Praxis

So nutzen Sie die neue Funktion effektiv:

1. Prompt vorbereiten: Erstellen Sie Ihren Prompt vorab mit einer „normalen“ KI wie Claude Sonnet 3.7 oder ChatGPT 4o. Dies hilft, ausreichend Kontext abzubilden und die Fragen präzise zu formulieren. Da Ihr monatliches Kontingent begrenzt ist (10 Anfragen für Plus-Nutzer), lohnt sich diese Vorbereitung.
2. Funktion auswählen: Wählen Sie in ChatGPT „Deep Research“ in der Nachrichtenerstellung aus und geben Sie Ihre vorbereitete Anfrage ein.
3. Geduld mitbringen: Nach dem Start erscheint eine Seitenleiste mit Fortschrittsanzeige, durchgeführten Schritten und genutzten Quellen. Eine Recherche dauert je nach Komplexität zwischen 5 und 30 Minuten.
4. Rückfragen beachten: Deep Research stellt manchmal unaufgefordert Rückfragen, um die Suche zu präzisieren. Beantworten Sie diese, um bessere Ergebnisse zu erhalten.
5. Ergebnis prüfen: Das Endergebnis wird als strukturierter Bericht im Chat angezeigt, komplett mit Quellenangaben und Denkprozess-Dokumentation.

Erste Eindrücke aus eigenem Test

Wir haben Deep Research mit einer anspruchsvollen, zweiseitigen Anfrage an der Schnittstelle zwischen Technik, Wirtschaft und Politik auf die Probe gestellt. Das Ergebnis nach 23 Minuten Bearbeitungszeit war beeindruckend: Deep Research analysierte 35 Quellen und erstellte einen umfassenden Bericht von etwa 34 Seiten.

Während der Recherche zeigte die Fortschrittsanzeige transparent, wie viele Quellen bereits gefunden wurden und wie weit der Prozess fortgeschritten war. Nach etwa 10 Minuten waren bereits 23 Quellen gesichtet, der Fortschrittsbalken stand jedoch erst bei rund 50%. Dies verdeutlicht den Aufwand, den die KI betreibt, um die Informationen nicht nur zu finden, sondern auch zu analysieren und sinnvoll zusammenzuführen.

Die Qualität des Berichts übertraf Standard-ChatGPT-Antworten deutlich, mit klaren Quellenverweisen, strukturierten Abschnitten und einer logischen Argumentationsführung. Der Bericht bot einen guten Überblick über das komplexe Thema, auch wenn nicht alle angefragten Differenzierungen korrekt ausgeführt wurden. Dies lag vermutlich daran, dass die spezifische Fragestellung abseits des Mainstreams lag und entsprechend passende Quellen oder eine geeignete Segmentierung im Rohmaterial fehlten.

Bei der Überprüfung mehrerer Quellen konnten wir keine Halluzinationen feststellen – alle zitierten Informationen waren in den angegebenen Quellen tatsächlich vorhanden. Insgesamt lieferte Deep Research einen hervorragenden Einstieg auf einem völlig neuen Niveau – eine große Hilfe, wenn auch „nur“ ein Ausgangspunkt für weitere Recherchen.

Was ist Deep Research?

Deep Research ist OpenAIs fortschrittlichstes Recherchewerkzeug, das auf einer speziell optimierten Version des o3-Modells basiert. Es unterscheidet sich von herkömmlichen KI-Antworten und Suchmaschinen durch mehrere Kernfunktionen:

1. Autonome, mehrstufige Recherche: Die KI führt selbstständig Websuchen durch, wertet die Ergebnisse aus und passt ihre Suchstrategie basierend auf gefundenen Informationen an. Sie kann in die Tiefe gehen und Verbindungen zwischen verschiedenen Quellen herstellen.
2. Umfassende Quellenanalyse: Deep Research kann hunderte von Online-Quellen finden und analysieren, darunter Webseiten, wissenschaftliche Artikel, PDFs und Bilder. Es extrahiert relevante Informationen und integriert sie in einen kohärenten Bericht.
3. Transparente Dokumentation: Jede Information wird mit ihrer Quelle zitiert, und der Rechercheprozess wird transparent dokumentiert. Dies ermöglicht es Nutzern, die Informationen selbst zu überprüfen.
4. Kontextverständnis: Im Gegensatz zu einfachen Suchmaschinen versteht Deep Research den Kontext der Anfrage und kann komplexe Zusammenhänge erkennen und darstellen.

Diese Funktionen machen Deep Research besonders wertvoll für:

• Fachleute in Bereichen wie Finanzen, Wissenschaft, Politik und Ingenieurwesen
• Journalisten und Forscher, die fundierte Hintergrundinformationen benötigen
• Verbraucher, die detaillierte Produktvergleiche oder Marktanalysen wünschen
• Jeden, der komplexe Themen gründlich recherchieren möchte, ohne selbst stundenlang im Internet zu suchen

Fazit und Verfügbarkeit

Die Erweiterung von Deep Research auf Plus-Abonnenten markiert einen wichtigen Schritt in der Demokratisierung fortschrittlicher KI-Werkzeuge. Die Einführung erfolgte in mehreren Phasen, ab sofort ist Deep Research für alle zahlenden Nutzer (Plus, Team, Edu und Enterprise) verfügbar.

Die Nutzungskontingente unterscheiden sich je nach Abonnementtyp:

• Pro-Nutzer: 120 Anfragen pro Monat
• Plus-, Team-, Edu- und Enterprise-Nutzer: 10 Anfragen pro Monat

Die Funktion ist sowohl im Web als auch in der Windows-App verfügbar.

Mit nur 10 Anfragen pro Monat für Plus-Nutzer wird deutlich, dass die Technologie rechenintensiv ist. Umso wichtiger ist es, jeden Rechercheauftrag sorgfältig zu formulieren, um das Kontingent optimal zu nutzen. Wie oben erwähnt: Wir empfehlen, für die Formulierung des Rechercheauftrags selbst eine KI zu verwenden.

Deep Research stellt einen Quantensprung in der Art und Weise dar, wie wir KI für Recherchezwecke einsetzen können. Die Lösung gehört zu einer neuen Familie von Angebote, zusammen mit bsw. Google Co-Scientist und der Lösung „Elicit„. Es überbrückt die Lücke zwischen einfachen KI-Chatbots und professionellen Recherchedienstleistungen, indem es die Stärken beider Welten kombiniert: die Geschwindigkeit und Skalierbarkeit von KI mit der Gründlichkeit und dem Quellenreichtum menschlicher Recherche.

Für alle, die regelmäßig umfangreiche Recherchen durchführen müssen, könnte sich das Upgrade auf ChatGPT Plus – oder für Vielnutzer sogar auf Pro – allein für den Zugang zu dieser Funktion lohnen.

Disclaimer: Dieser Artikel wurde „nicht mit und nicht ohne KI“ geschrieben: Die KI, konkret Claude Sonnet 3.7, hat anhand meiner Notizen zu den ersten Experimenten und den offiziellen Informationen einen Entwurf erstellt, ich habe die Endredaktion übernommen.

Bevorzugt informiert

Sie werden über DENKE DIGITAL UPDATE mit aktuellen Einblicken in KI-Entwicklungen, Interviews mit führenden Experten, praxisnahen Analysen technologischer Trends und kritischen Reflexionen über die Auswirkungen künstlicher Intelligenz bevorzugt informiert.

Wir verstehen KI nicht als abstraktes technisches Konzept, sondern als lebendige Technologie, die konkrete Lösungen für gesellschaftliche Herausforderungen bietet. Unsere Meldungen gehen über bloße technische Daten hinaus – wir beleuchten menschliche Geschichten hinter den Algorithmen, analysieren ethische Dimensionen und zeigen praktische Anwendungen für unser berufliches und privates Leben.

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

---

---

Aktuelle Nachrichten über KI

Anthropic hat gestern Nacht Claude 3.7 Sonnet vorgestellt, das erste hybride Reasoning-Modell auf dem Markt. Das neue KI-System kann wahlweise schnelle Antworten liefern oder in einen erweiterten Denkmodus wechseln, bei dem der Nutzer den Denkprozess der KI in Echtzeit verfolgen kann.

Mein erster Test zeigt: WOW! Mit dem neuen „Thinking Mode“ kann Claude heute beispielsweise besser programmieren als gestern. Das System löst nun Programmieraufgaben, die für frühere Versionen zu komplex waren.

Unified Intelligence statt separater Modelle

Anders als bei anderen Anbietern, die bisher separate Modelle für unterschiedliche Aufgaben entwickeln, verfolgt Anthropic einen integrierten Ansatz. Wie sie erklären: „So wie Menschen ein einziges Gehirn für schnelle Reaktionen und tiefes Nachdenken nutzen, sollte auch bei KI-Modellen das Denkvermögen integriert sein.“

Wer Claude in selbstgebauten KI-Anwendungen nutzt, kann mit Claude 3.7 Sonnet zudem ein genaues „Denkbudget“ bestimmen – der Anwender kann festlegen, wie viel Zeit und Rechenleistung für eine Aufgabe aufgewendet werden soll.

Claude Code: KI-Unterstützung für Entwickler

Zusammen mit dem neuen Modell startet Anthropic auch „Claude Code“ – ein Kommandozeilentool für Entwickler. Diese Anwendung kann Code durchsuchen, Dateien bearbeiten, Tests schreiben und ausführen sowie Änderungen an GitHub übertragen.

Nach den ersten Tests mit Claude Code bin ich begeistert. Dies ist genau die Art von Entwicklungswerkzeug, die ich mir seit einem Jahr gewünscht habe. Allerdings: Bisher war Programmieren eine billige Aufgabe, es kostete „nur“ Zeit. Bei den Experimenten bisher, kam dann doch relativ schnell die Meldung, dass ich 5$ verbraucht habe.

Verfügbarkeit und Preise

Claude 3.7 Sonnet ist ab sofort in allen Claude-Abonnements verfügbar – einschließlich Free, Pro, Team und Enterprise – sowie über die Anthropic API, Amazon Bedrock und Google Cloud Vertex AI. Der erweiterte Denkmodus steht auf allen Plattformen außer in der kostenlosen Claude-Version zur Verfügung.

Die Preise bleiben unverändert: 3 $ pro Million Eingabe-Token und 15 $ pro Million Ausgabe-Token, einschließlich der Tokens für den Denkprozess.

Ausblick

Ein ausführlicher Erfahrungsbericht zu Claude 3.7 Sonnet und Claude Code folgt in den kommenden Tagen. Erste Tests deuten darauf hin, dass Anthropic einen bedeutenden Schritt nach vorne gemacht hat – insbesondere für Entwickler und technisch versierte Nutzer.

Während Wettbewerber wie OpenAI angeblich an ähnlichen Funktionen arbeiten (die vermutlich mit GPT-3o kommen sollen), hat Anthropic bereits heute eine praktische Lösung geliefert.

Links:

• Claude 3.7 Sonnet Ankündigung
• Extended Thinking
• Claude Code

Disclaimer: Dieser Artikel wurde „nicht mit und nicht ohne KI“ geschrieben: Die KI, konkret Claude Sonnet 3.7, hat anhand meiner Notizen zu den ersten Experimenten und den offiziellen Informationen einen Entwurf erstellt, ich habe die Endredaktion übernommen.

Bevorzugt informiert

Sie werden über DENKE DIGITAL UPDATE mit aktuellen Einblicken in KI-Entwicklungen, Interviews mit führenden Experten, praxisnahen Analysen technologischer Trends und kritischen Reflexionen über die Auswirkungen künstlicher Intelligenz bevorzugt informiert.

Wir verstehen KI nicht als abstraktes technisches Konzept, sondern als lebendige Technologie, die konkrete Lösungen für gesellschaftliche Herausforderungen bietet. Unsere Meldungen gehen über bloße technische Daten hinaus – wir beleuchten menschliche Geschichten hinter den Algorithmen, analysieren ethische Dimensionen und zeigen praktische Anwendungen für unser berufliches und privates Leben.

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

---

---

DeepSeek R1 nachgebaut!

Eilmeldung: Forscherteam rekonstruiert zentrale Eigenschaften von DeepSeek R1

tl;dr: Ein Forschungsteam unter der Leitung des Doktoranden Jiayi Pan von der renommierten University of California, Berkeley, behauptet, die zentralen Eigenschaften von DeepSeek R1 erfolgreich nachgebaut zu haben. Sollte sich diese Behauptung bestätigen, könnte dies den Markt für KI-Modelle grundlegend verändern. Anwender dürfen sich auf eine wachsende Zahl kostengünstiger Alternativen zu den bisher dominierenden Anbietern wie OpenAI freuen. Gleichzeitig könnten die Turbulenzen an den Aktienmärkten anhalten, da die bisherigen Marktführer – darunter OpenAI und Nvidia – zunehmend unter Druck geraten. Die bisherige Annahme, dass gerade quasi-Monopole entstehen, gerät zunehmend ins Wanken.

Was hat Jiayi Pan / die Uni Berkeley genau gemacht?

Natürlich kann man nicht innerhalb weniger Tage ein komplettes KI-Modell wie DeepSeek R1 nachbauen. Stattdessen hat das Team einen gezielten Ansatz gewählt: Sie untersuchten die zentrale Behauptung von DeepSeek, dass eine alternative Trainingsmethode drastisch weniger Ressourcen erfordert als herkömmliche Verfahren.

Hierfür verwendete das Team eine stark vereinfachte Umgebung: das „Countdown Game“, ein Zahlenspiel, das sich gut für Experimente mit KI-Trainingsmethoden eignet. Als Ausgangspunkt diente eine frei verfügbare, konventionell trainierte KI.

Der entscheidende Schritt war der Unterschied in der Optimierung: Während OpenAI seine Modelle mit menschlichem Feedback weiter verbessert (Reinforcement Learning from Human Feedback, RLHF), setzte das Berkeley-Team auf eine automatisierte Kontrolle der Antworten – eine Methode, die als Reinforcement Learning with Proximal Policy Optimization (RL PPO) bekannt ist. Der „teuere“ Arbeitsschritt beim Training, das Einbinden der menschlichen Urteilskraft, wurde auf diese Weise umgangen.

Die Behauptung von DeepSeek ist: RL-PPO (also automatische Bewertung) liefert ähnlich gute Ergebnisse wie RLHF (menschliche Bewertung der Ergebnisse). Dass das Ganze für ein einfaches Zahlenspiel gut funktioniert, wie die U Berkeley gezeigt hat, ist theoretisch jedenfalls interessant.

Ob es eine Verallgemeinerung auf allgemeine Sprach-KI-Anwendungen zulässt, ist noch nicht klar.

Bisher wurden über R1 aus der Praxis gemischte Ergebnisse gemeldet. Es bleibt spannend.

Bevorzugt informiert

Sie werden über DENKE DIGITAL UPDATE mit aktuellen Einblicken in KI-Entwicklungen, Interviews mit führenden Experten, praxisnahen Analysen technologischer Trends und kritischen Reflexionen über die Auswirkungen künstlicher Intelligenz bevorzugt informiert.

Wir verstehen KI nicht als abstraktes technisches Konzept, sondern als lebendige Technologie, die konkrete Lösungen für gesellschaftliche Herausforderungen bietet. Unsere Meldungen gehen über bloße technische Daten hinaus – wir beleuchten menschliche Geschichten hinter den Algorithmen, analysieren ethische Dimensionen und zeigen praktische Anwendungen für unser berufliches und privates Leben.

Begleiten Sie uns und entdecken Sie, wie KI unsere Zukunft gestaltet – fundiert, verständlich und immer am Puls der Zeit.

---

---