Die KI-Branche liefert binnen eines Tages mehrere bemerkenswerte Entwicklungen: Meta steigt mit Muse Wonder in den Wettbewerb um Frontier-Modelle ein, während Anthropic seine Abwehr gegen unerlaubtes Modellkopieren verstärkt. Zugleich geht es um effizientere Rechenchips, selbstverbessernde Systeme und KI, die ungelöste mathematische Probleme bearbeiten kann.
Redaktionell zusammengefasst und mit den Originalquellen belegt.
Meta veröffentlicht seine ersten Frontier-Modelle Muse Wonder und Muse Wonder Full
Meta hat mit Muse Wonder und Muse Wonder Full zwei neue Sprachmodelle vorgestellt. Das Unternehmen bezeichnet sie als seine ersten Modelle an der Leistungsspitze der Branche. Muse Wonder ist über die Meta Model API verfügbar, während Muse Wonder Full zunächst Muse-Code-Abonnenten vorbehalten bleibt. Beide Varianten sollen bei anspruchsvollen Aufgaben wie Programmierung bessere Ergebnisse liefern als Metas bisheriges, auf geringe Latenz ausgelegtes Muse Spark. Ein Schwerpunkt ist das sogenannte aktive Gedächtnis: Das Modell soll wichtige Informationen über längere Zeit behalten und zusammenführen können.
Der Schritt ist strategisch bedeutsam, weil Meta damit erstmals direkt gegen die leistungsstärksten Modelle von OpenAI und Anthropic antritt. Zugleich rückt das Unternehmen seine Vision persönlicher KI-Assistenten näher. Ein Modell, das sich an frühere Gespräche und Ziele erinnert, kann hilfreicher arbeiten, benötigt aber besonders klare Regeln für Datenschutz, Kontrolle und das Löschen persönlicher Informationen.
Anthropic meldet deutliche Fortschritte gegen unerlaubte Modell-Distillation
Anthropic hat neue technische Maßnahmen gegen sogenannte Distillation-Angriffe veröffentlicht. Bei dieser Methode stellen Angreifer große Mengen automatisierter Anfragen an ein leistungsfähiges Modell und nutzen die Antworten, um ein anderes System nachzubilden. Anthropic erklärt, die neuen Verfahren hätten in ersten Tests die Menge der abgegriffenen Daten um rund 90 bis 99 Prozent verringert. Das Unternehmen beschreibt die Angriffe als industriell organisierte Kampagnen, bei denen häufig Netzwerke betrügerischer Konten eingesetzt werden.
Die Entwicklung betrifft nicht nur den Schutz geistigen Eigentums. Wenn ein Modell kopiert und anschließend mit weniger strengen Sicherheitsvorkehrungen veröffentlicht wird, können seine Fähigkeiten schneller und günstiger verbreitet werden als seine Schutzmechanismen. Anthropic sieht darin deshalb auch ein Sicherheitsproblem. Die genannten Werte stammen allerdings aus frühen eigenen Untersuchungen und sind keine unabhängige Messung für alle denkbaren Angriffsszenarien.
Microsoft plant den KI-Chip Maia 300 ab 2027 im Gigawatt-Maßstab
Microsoft plant, seine selbst entwickelten Azure-Maia-Chips ab 2027 in deutlich größerem Umfang einzusetzen. Der geplante Maia 300 soll nach Angaben des Konzerns auf Inferenz ausgelegt sein, also auf das Ausführen bereits trainierter Modelle. Microsoft nennt lange Eingaben, schnelle Chats und Aufgaben für KI-Agenten als zentrale Einsatzbereiche. Ein Serverrack mit 96 Chips soll laut den veröffentlichten Angaben wesentlich mehr Textbausteine erzeugen können als ein vergleichbares System mit Maia 200. Weitere technische Einzelheiten will Microsoft im November veröffentlichen.
Eigene Beschleuniger sollen Microsoft unabhängiger von den derzeit dominierenden Grafikprozessoren machen und die laufenden Kosten seiner KI-Dienste senken. Entscheidend wird sein, ob Maia 300 nicht nur auf dem Papier effizienter arbeitet, sondern sich auch zuverlässig in großen Rechenzentren betreiben lässt. Für Nutzer könnten effizientere Chips langfristig schnellere und günstigere KI-Funktionen bedeuten; für die Branche erhöhen sie den Druck, alternative Hardware zum Standard zu machen.
Sakana AI zeigt selbstverbessernde Sprachmodelle mit der MASS-Methode
Sakana AI hat eine Methode vorgestellt, bei der ein einzelnes Sprachmodell drei Rollen übernimmt: Es löst ein Problem, bewertet die Lösung und schlägt anschließend eine Verbesserung für das nächste Training vor. Diese Kombination bezeichnet das Unternehmen als MASS. In den beschriebenen Tests gewann das selbstverbessernde System knapp 70 Prozent der Vergleiche gegen das Ausgangsmodell. Der Ansatz benötigt damit nicht zwingend mehrere unterschiedliche Modelle, sondern organisiert die Arbeit innerhalb eines Systems.
Interessant ist vor allem die eingebaute Schwachstelle. Wenn das Modell als Problemlöser, Prüfer und Optimierer denselben Fehler macht, kann es diesen Fehler als vermeintlichen Fortschritt in die nächste Trainingsrunde übernehmen. Selbstverbesserung ist daher nicht automatisch zuverlässige Verbesserung. Die Forschung zeigt zugleich, warum unabhängige Prüfungen und vielfältige Testdaten wichtiger werden, je stärker Modelle an ihrer eigenen Weiterentwicklung beteiligt sind.
Google DeepMind veröffentlicht Ergebnisse von AlphaProof Nexus zu offenen Mathematikproblemen
Google DeepMind berichtet über neue Ergebnisse seines mathematischen KI-Systems AlphaProof Nexus. Das System soll neun von 353 offenen Problemen aus der Sammlung des Mathematikers Paul Erdős gelöst haben. Zwei dieser Fragen waren laut dem Bericht seit 56 Jahren ungelöst. Darüber hinaus habe AlphaProof Nexus 44 Vermutungen aus der Datenbank OEIS bearbeitet und eine offene Frage aus der algebraischen Geometrie gelöst. Die Ergebnisse wurden vorab online geteilt und nun im Zusammenhang mit einer Studie in Science hervorgehoben.
Solche Systeme sind keine allgemeinen Mathematiker im menschlichen Sinn. Sie kombinieren Sprachmodelle, formale Beweise und spezialisierte Suchverfahren, um mögliche Lösungswege zu finden und maschinell zu prüfen. Das ist dennoch relevant, weil formale Beweise besonders streng kontrollierbar sind. Wenn KI hier neue Resultate liefert, kann sie Forschern bei der Suche nach Vermutungen und Beweisideen helfen. Entscheidend bleibt, dass unabhängige Mathematiker die Resultate prüfen und ihre Bedeutung einordnen.