SZwanglos – Following Feed

RT von @OpenMedFuture: Open-Source-KI-Medizin ist ein verrückter Trend

RT von @OpenMedFuture: Der Inferenzstapel ist jetzt einfacher. PagedAttention, der Kernel, der vLLM schnell gemacht hat, wird jetzt nativ in 🤗 Transformers CB ausgeliefert. Ergebnis: 84 % des vLLM-Durchsatzes auf einer einzelnen GPU. Nahezu SOTA ohne zusätzliche Laufzeit. Die Lücke schließt sich 📈

RT von @OpenMedFuture: Es ist wirklich das Zeitalter von Open Source

RT von @OpenMedFuture: Wenn Ihr OpenClaw rund um die Uhr mit Spitzenmodellen wie Opus arbeitet, verbrennen Sie problemlos 300 US-Dollar pro Tag. Das sind 100.000 Dollar pro Jahr. Ich habe 3 Mac Studios und einen DGX Spark mit 4 lokalen High-End-Modellen (Nemotron 3, Qwen 3.5, Kimi K2.5, MiniMax2.5). Sie tuckern rund um die Uhr. Ich habe ein Drittel dieser jährlichen Kosten für den Kauf dieser Computer ausgegeben Ich werde sie jahrelang kostenlos nutzen können Darüber hinaus sind sie völlig privat, sicher und personalisiert. Keine einzige Eingabeaufforderung geht an einen Cloud-Server, der von einem Mitarbeiter gelesen oder zum Trainieren eines anderen Modells verwendet werden kann Ich hoffe, dass dies deutlich macht, warum die Zukunft für KI-Agenten lokal liegt. Und warum Amerika am lokalen KI-Wettbewerb teilnehmen muss.

RT von @OpenMedFuture: @dorialexander Genau! „Es hat einige Zeit gedauert, aber offene Daten in der KI sind tatsächlich beliebt“ Die Grafik zeigt, dass es sich in der jüngsten Phase endlich um einen gesunden, nachhaltigen Anstieg und nicht nur um Hype-Spitzen handelt. Ich denke, ein großer Treiber ist die Demokratisierung von KI-Agenten. 2026 wurde das Jahr, in dem normale Entwickler dank zugänglicher Frameworks, lokaler Modelle und No-Code-Tools tatsächlich echte Agenten entwickeln können. Diese Agenten sind äußerst datenhungrig in Bezug auf RAG, Werkzeugnutzung, Speicher und Feinabstimmung und benötigen dringend saubere, nachvollziehbare, rechtssichere und mehrsprachige Daten in großem Maßstab. Common Corpus ist im Grunde genau für diese neue Welle maßgeschneidert. Herzlichen Glückwunsch zum Durchschreiten von 1 Million Downloads, Open Data hat seinen Agenten-Moment! 🚀

RT von @OpenMedFuture: Ankündigung eines Personal Computers. Personal Computer ist eine immer aktive, lokale Verbindung mit Perplexity Computer, die rund um die Uhr für Sie arbeitet. Es ist persönlich, sicher und funktioniert für alle Ihre Dateien, Apps und Sitzungen über einen kontinuierlich laufenden Mac mini.

„Zuerst ließen sie Unternehmen bezahlen, um ihre Websites vor jedem Agenten und Crawler zu schützen, und jetzt lassen sie Crawler bezahlen, um auf die Website zuzugreifen.“

Lesen Sie einfach die Erklärung von @AxelVossMdEP auf LinkedIn, in der er seine Urheberrechts-/genAI-Initiative feierte. Er stellt fest, dass „Sicherstellen, dass Urheber fair bezahlt werden“, der neueste EU-Urheberrechtsslogan für die KI-Ausbildung, klingt nobel, bis man sich daran erinnert, wie wissenschaftliches Publizieren tatsächlich funktioniert. Wissenschaftler schreiben die Arbeiten kostenlos. Peer-Reviewer (die eigentliche Qualitätskontrolle) arbeiten kostenlos. Redakteure sind oft unbezahlte Freiwillige. Jetzt beeilen sich dieselben Verlage, lukrative KI-Lizenzverträge mit OpenAI, Google usw. abzuschließen, und sind plötzlich Verfechter der „Erstellerrechte“. Komisch, wie das funktioniert. Der Autor, dessen Blut, Schweiß und unbezahlte Arbeit in die Zeitung geflossen sind? Bekommt immer noch nichts, wenn ihre Arbeit in das nächste GPT eingespeist wird. Hier geht es nicht um den Schutz der Urheber. Ist es? Es geht darum, die Gatekeeper zu schützen und gleichzeitig so zu tun, als würden die Wissenschaftler endlich einen Platz am Tisch bekommen. Wenn sich die EU wirklich um eine faire Bezahlung von Wissenschaftlern kümmern würde, würde sie damit beginnen, das kaputte akademische Veröffentlichungsmodell zu reparieren und nicht nur eine weitere Einnahmequelle für die Zwischenhändler zu schaffen, die Forscher seit Jahrzehnten ausbeuten.

RT von @OpenMedFuture: Der Weg zum KI-Arzt ist im Wesentlichen der gleiche wie beim autonomen Fahren: > Überwachte Autonomie in einfachen Szenarien > Menschen im Kreislauf einsetzen, um Risiken zu eliminieren > Sicherheitsdaten veröffentlichen > Erhalten Sie die behördliche Genehmigung für weitere Szenarien > die beaufsichtigte Autonomie erweitern > wiederholen, bis keine Aufsicht mehr erforderlich ist

RT von @OpenMedFuture: Inspiriert von @karpathy autoresearch. Ich habe „autoRL“ erstellt, das RL-Umgebungen autonom erstellen und trainieren kann. Ich habe den Agenten angewiesen, eine simulierte Handelsumgebung zu erstellen und sie zu trainieren. Ich habe sie über Nacht 7 Stunden lang auf meinem MacBook mit mehr als 24 Experimenten ausgeführt. Es wurde das ENV erstellt und herausgefunden, wie man trainiert, um über simulierte Episoden inkrementelle Erträge zu erzielen. Die Punktzahl gibt an, wie viel Belohnung der Agent durchschnittlich pro Bewertungsepisode erhält. Schauen Sie sich das „autoRL“-Repo hier an: https://github.com/harshbhatt7585/autoRL Umgebungs- und Trainingsdatei: https://github.com/harshbhatt7585/autoRL/tree/autorl/mar11/candidate

RT von @OpenMedFuture: Ich habe meinem kleinen Open Health Data-Projekt einen Account gegeben und werde interessante (und uninteressante) Erkenntnisse und Analysen als Blogbeiträge veröffentlichen. Bitte geben Sie Kommentare, Anfragen nach Funktionen, Anfragen nach Analysen, Anfragen nach neuen Datensätzen ... ab.

RT von @OpenMedFuture: Vor drei Tagen habe ich Autoresearch verlassen, um Nanochat für ca. 2 Tage auf das Modell Depth=12 zu optimieren. Es wurden etwa 20 Änderungen gefunden, die den Validierungsverlust verbesserten. Ich habe diese Änderungen gestern getestet und alle waren additiv und wurden auf größere Modelle (Tiefe = 24) übertragen. Unter Berücksichtigung all dieser Änderungen habe ich heute gemessen, dass die „Zeit bis GPT-2“ der Bestenliste von 2,02 Stunden auf 1,80 Stunden gesunken ist (ca. 11 % Verbesserung). Dies wird der neue Bestenlisteneintrag sein. Also ja, das sind echte Verbesserungen und sie machen einen echten Unterschied. Ich bin ein wenig überrascht, dass mein allererster naiver Versuch bereits so gut funktioniert hat, obwohl ich dachte, dass es sich um ein bereits recht manuell gut abgestimmtes Projekt handelte. Dies ist für mich eine Premiere, da ich es sehr gewohnt bin, die iterative Optimierung des neuronalen Netzwerktrainings manuell durchzuführen. Man kommt auf Ideen, setzt sie um, prüft, ob sie funktionieren (besserer Validierungsverlust), entwickelt darauf basierend neue Ideen, liest einige Artikel zur Inspiration usw. usw. Das ist das A und O dessen, was ich seit zwei Jahrzehnten täglich mache. Zu sehen, wie der Agent den gesamten Arbeitsablauf Ende-zu-Ende und ganz alleine durchführt, während er ca. 700 autonome Änderungen sind wild. Es hat sich wirklich die Abfolge der Ergebnisse der Experimente angesehen und diese zur Planung der nächsten Experimente verwendet. Es ist (noch) keine neuartige, bahnbrechende „Forschung“, aber alle Anpassungen sind „real“, ich habe sie vorher nicht manuell gefunden, und sie stapeln sich und haben Nanochat tatsächlich verbessert. Zu den größeren Dingen gehören z.B.: - Es ist mir ein Versehen aufgefallen, dass mein parameterloses QKnorm keinen Skalierungsmultiplikator hatte, sodass meine Aufmerksamkeit zu diffus war. Der Agent fand Multiplikatoren, um es zu schärfen und auf zukünftige Arbeiten hinzuweisen. – Es stellte sich heraus, dass die Value Embeddings die Regularisierung wirklich mögen und ich habe keine angewendet (ups). - Es stellte sich heraus, dass meine gebündelte Aufmerksamkeit zu konservativ war (ich habe vergessen, sie anzupassen). - Es stellte sich heraus, dass alle Betas von AdamW fehlerhaft waren. - Der Zeitplan für die Gewichtsabnahme wurde angepasst. - Die Netzwerkinitialisierung wurde optimiert. Dies kommt zu all dem Tuning hinzu, das ich bereits im Laufe der Zeit vorgenommen habe. Der genaue Commit ist hier, aus dieser „Runde 1“ der Autorecherche. Ich werde mit „Runde 2“ beginnen und parallel dazu untersuchen, wie mehrere Agenten zusammenarbeiten können, um Parallelität freizusetzen. https://github.com/karpathy/nanochat/commit/6ed7d1d82cee16c2e26f45d559ad3338447a6c1b Alle LLM-Grenzlabore werden dies tun. Es ist der letzte Bosskampf. Im Maßstab ist es natürlich viel komplexer – man hat nicht nur einen einzigen Zug. py-Datei zum Optimieren. Aber es zu tun ist „nur Ingenieurskunst“ und es wird funktionieren. Sie stellen einen Schwarm von Agenten zusammen, Sie lassen sie zusammenarbeiten, um kleinere Modelle zu optimieren, Sie fördern die vielversprechendsten Ideen in immer größeren Maßstäben und Menschen (optional) tragen an den Rändern bei. Und ganz allgemein kann *jede* Metrik, die Ihnen wichtig ist und die einigermaßen effizient auszuwerten ist (oder die über effizientere Proxy-Metriken verfügt, wie z. B. das Training eines kleineren Netzwerks), von einem Agentenschwarm automatisch recherchiert werden. Es lohnt sich darüber nachzudenken, ob Ihr Problem auch in diesen Bereich fällt.

wow @cwhogg 🚀 das ist so wertvoll für das gesamte Gesundheitssystem! 🙏🏻

RT von @OpenMedFuture: 💯! Vor einem Jahr sagte ich, es sei unethisch für Ärzte, KI nicht zu konsultieren; jetzt wird es zum Kunstfehler.

RT von @OpenMedFuture: Ich habe das „Autoresearch“-Projekt in ein neues, eigenständiges Minimal-Repo gepackt, falls die Leute über das Wochenende spielen möchten. Es handelt sich im Grunde genommen um einen Nanochat-LLM-Trainingskern, reduziert auf eine einzelne GPU, eine Dateiversion mit ca. 630 Codezeilen, dann: - Der Mensch iteriert anhand der Eingabeaufforderung (.md) – Der KI-Agent iteriert auf dem Trainingscode (.py) Das Ziel besteht darin, Ihre Agenten so zu konstruieren, dass sie auf unbestimmte Zeit und ohne Ihr eigenes Zutun den schnellsten Forschungsfortschritt erzielen. Im Bild ist jeder Punkt ein kompletter LLM-Trainingslauf, der genau 5 Minuten dauert. Der Agent arbeitet in einer autonomen Schleife an einem Git-Feature-Zweig und sammelt Git-Commits für das Trainingsskript, während er bessere Einstellungen (mit geringerem Validierungsverlust am Ende) der neuronalen Netzwerkarchitektur, des Optimierers, aller Hyperparameter usw. findet. Sie können sich vorstellen, den Forschungsfortschritt verschiedener Eingabeaufforderungen, verschiedener Agenten usw. zu vergleichen. https://github.com/karpathy/autoresearch Teils Code, teils Science-Fiction und eine Prise Psychose :)

Da die Sozialistische Partei Deutschlands (Matthias Mieves) nun offen versucht, Anthropic nach Europa zu locken, bestätigt sie im Grunde das, was ich bei den Verhandlungen zum AI Act gesehen habe, als sie versuchten, die Open-Source-Zusammenarbeit einzudämmen, und wovor @pmarca in Washington gewarnt hat: dass Teile des liberalen Establishments mit einem KI-Regime zufrieden sind, in dem nur zwei oder drei große Unternehmen „in einen Kokon der Regierung gehüllt“, vor Konkurrenz geschützt und streng vom Staat gesteuert sind. Die Voreingenommenheit von Anthropic war noch nie so offensichtlich.

Nur zur Erinnerung: Jahre sind vergangen, und mittlerweile gibt es über 1,3 Millionen Open-Source-Modelle, die mehr als hundertmal heruntergeladen wurden, und es gibt immer noch keine Hinweise auf ein erhöhtes Bioterrorismusrisiko. Aber ja, sie haben ihre Vorschriften... was dazu geführt hat, dass wir jetzt chinesische Modelle verwenden.

RT von @OpenMedFuture: Langsam, dann plötzlich: „Dies ist der höchste Single-Core-Score aller Consumer-PC-Prozessoren aller Zeiten und übertrifft die AMD Ryzen 9-Serie.“ (M5 Max übertraf auch Multicore-Benchmarks)

RT by @OpenMedFuture: Wij missen duiders zoals de Franse oud-minister van buitenlandse zaken Hubert Védrine: ‘The conflict is now open to the international law, the world is no longer valid. Maar men blijft er over doorgaan omdat postmoderne Europeanen het niet kunnen accepteren dat het a fictie is, het botst met hun diepste overtuigingen.’

RT von @OpenMedFuture: Kommt zu MLX-Video🚀

RT von @OpenMedFuture: Apples KI-Plan ist viel DUNKLER und intelligenter als Sie denken. Und Gavin Baker hat gerade erklärt, warum. Er sagt, der eigentliche Grund für diesen KI-Boom sei weder eine Blase noch eine Rezession. Es ist Ihr iPhone. Baker sagt, dass in drei Jahren auf einem größeren iPhone eine abgespeckte Version eines Grenzmodells laufen kann. Stellen Sie sich zukünftige Gemini, Grok, ChatGPT mit 30–60 Token pro Sekunde vor, auf dem Gerät ist keine Cloud erforderlich und es ist kostenlos. Das ist genau die Strategie von Apple: Gewinnen Sie nicht den Modellkrieg, sondern werden Sie zum Vertreiber von KI. Machen Sie es privat, lokal und sicher. Wenn das passiert, berühren die meisten alltäglichen KI-Anwendungen Umschreiben, Zusammenfassen und grundlegendes Denken nie ein Rechenzentrum. Der KI-Investitionsboom wird an der Quelle gestoppt. Modellbauer werden austauschbar und Apple besitzt das Gateway. Das ist der Bärenfall, vor dem Gavin warnt. Die eigentliche Bedrohung für den KI-Boom besteht nicht darin, dass die Modelle versagen. Es liegt daran, dass Apple sie auf Ihrem Telefon laufen lässt und die gesamte Leistung für sich behält.

RT von @OpenMedFuture: Sind Sie jemals in Spanien ohne Strom, Konnektivität oder Zugang zu Cloud-Diensten festgefahren und mussten sich auf #Lama verlassen, um ein Krankenhaus zu finden und sich im örtlichen Gesundheitswesen zurechtzufinden? Nun, Bart de Witte von @OpenMedFuture hat... http://www.youtube.com/watch?v=Qz7ZKrVn2gc

R an @OpenMedFuture: @christianmiele möchte uns beim Aufbau dieser Zukunft unterstützen? Würde mich freuen, mit Ihnen zu sprechen!

🌡️ KI-Revolution im Gesundheitswesen freigeschaltet – 📷 Manjeet Singh @8maderix hat gerade den fehlenden Teil für datenschutzorientierte, verteilte medizinische Informationen entfernt. Dies ist das fehlende Glied für die dezentrale, private KI-Zukunft im Gesundheitswesen, die wir @isaree_ai aufbauen, und es passt perfekt. Krankenhäuser und Forscher: Ihre Flotte unbenutzter Macs ist gerade zu einem Supercomputer für die Arzneimittelforschung, personalisierte Medizin und Modelle seltener Krankheiten geworden. Vollständiges neuronales Netzwerktraining + Backpropagation läuft jetzt direkt auf Apples Neural Engine (Chips der M-Serie) Die Zahlen sind der Wahnsinn: M4 ANE erreicht etwa 6,6 TFLOPS pro Watt – 80-mal effizienter als ein NVIDIA A100. Das ist kein Hype. Keine „nur schlussfolgernde“ Einschränkung mehr. Aber das Wichtigste für das Gesundheitswesen ist Folgendes: Er verknüpft dies ausdrücklich mit einer echten Infrastruktur für verteiltes Lernen Ärzte, Krankenhäuser, Forschungslabore und sogar Heimanwender können jetzt bis zu 100-fache Einnahmen aus ungenutzter Rechenleistung erzielen, während die Patientendaten zu 100 % auf dem Gerät verbleiben. Warum dies für die Medizin enorm ist: Echtes föderiertes Lernen für sensible Daten (EHRs, Bildgebung, Genomik), verlässt nie den Mac, perfekte HIPAA/GDPR-Konformität.

Ist die Zukunft der KI dezentral?

Die öffentliche Debatte „Anthropic vs. the Pentagon“ ist als Ethikgeschichte angelegt, als klare Erzählung. Und es ist unvollständig. Massenüberwachung und autonome Waffen sind der sichtbarste Teil dieses Konflikts, aber darum geht es nicht, es geht darum, wer bestimmen darf, was die KI sagen/tun/erzeugen kann, ideologische Leitplanken, öffentliche Wahrnehmung, Einflussnahme auf Operationen oder Werte der „verfassungsmäßigen KI“. Zu sagen, dass Anthropic ein perfekter PR-Coup ist, aber zu denken, dass ein 380-Milliarden-Dollar-Unternehmen, das hinter den Kulissen gegen Open Source kämpft, dies aus „Ethik“ tut, ist, als würde man denken, ein Öltanker gleicht Emissionen aus, indem er über Nachhaltigkeit twittert.

RT von @OpenMedFuture: Der CEO eines 380-Milliarden-Dollar-KI-Unternehmens sagte etwas, das jeden Entwickler, jedes Startup und jede Regierung auf der Welt betreffen sollte. Er nannte Open-Source-KI einen „Ablenkungsmanöver“. Das ist Dario Amodei, der Mann, der Claude leitet. Sein Argument klingt technisch, ist es aber nicht und es geht um Geld. Hier ist, was er sagte: „Es ist mir egal, ob ein Modell Open Source ist oder nicht. Das Einzige, was mich interessiert, ist, ist es ein gutes Modell?“ Klingt vernünftig, bis man sich seine Bücher ansieht. 75 % des Umsatzes von Anthropic in Höhe von 14 Milliarden US-Dollar stammen aus einer Sache: Den Unternehmen werden pro Token Gebühren für die Nutzung von Claude über eine API berechnet. Wenn Unternehmen ihre eigenen Modelle kostenlos betreiben könnten, würden diese Einnahmen verschwinden. Wenn Amodei also sagt, dass Open Source „keine Rolle“ spielt, meint er damit: Bitte schauen Sie nicht auf Open Source. Sein technisches Argument, KI „Open Source“ sei kein echtes Open Source. Sie erhalten die Gewichte, nur Zahlen, nicht den eigentlichen Quellcode, und Sie können nicht in das Modell hineinsehen. Das ist durchaus berechtigt, aber es geht am Gesamtbild vorbei. Unternehmen, die Open-Source-Modelle betreiben, müssen nicht nach innen schauen. Sie brauchen drei Dinge: niedrigere Kosten, Datenschutz und Freiheit von der Abhängigkeit von einem Anbieter. Open Source bietet in gewisser Weise alle drei. Eine Berkeley-Studie ergab, dass Open-Source-KI-Modelle bis zu 90 % weniger kosten als geschlossene APIs. Krankenhäuser können Patientendaten im eigenen Haus aufbewahren. Banken können Compliance-Regeln einhalten. Verteidigungsunternehmen senden keine geheimen Daten an die Server anderer Personen. Amodei erwähnte DeepSeek, um seinen Standpunkt zu beweisen. „Ich glaube nicht, dass es wichtig war, dass DeepSeek Open Source war“, sagte er. Aber die Veröffentlichung von DeepSeek ließ die Nvidia-Aktie mit dem größten Ein-Tages-Verlust in der Marktgeschichte abstürzen, und das war von Bedeutung. Hier ist das Muster, das sich in der Technik immer wieder wiederholt: Linux war ein Spielzeug, bis es das Internet betrieb. Android wurde „fragmentiert“, bis es 72 % der Mobilgeräte besaß. Open Source fängt billig an, wird dann gut und gewinnt dann. Anthropic verzeichnet Rekordumsätze. Über 500 Kunden geben mehr als 1 Million US-Dollar pro Jahr aus und 8 der Fortune 10 sind an Bord. Aber das gilt auch für BlackBerry und Sun Microsystems. Das galt auch für alle Amtsinhaber, die den Störer entlassen hatten. Die eigentliche Frage ist nicht, ob Open Source ein Ablenkungsmanöver ist. Aber die eigentliche Frage ist, ob der Mann, der ein Closed-Source-Imperium im Wert von 380 Milliarden US-Dollar leitet, die richtige Person ist.

RT von @OpenMedFuture: Ich werde dich nie vergessen, perfekter Februar

RT von @OpenMedFuture: NEUE OPENSOURCE-MODELLE KOMMEN Wir bekommen heute vier neue Qwen 3.5-Modelle > Qwen 3,5 9B > Qwen 3,5 4B > Qwen 3,5 2B > Qwen 3,5 0,8B Jeder fängt an zu sagen: Kaufen Sie eine GPU ;)

RT von @OpenMedFuture: Qwen3.5-35B-A3B läuft lokal auf einem M4-Chip mit 49,5 Token pro Sekunde. Ein 35B-Modell. Auf einem Laptop. In Echtzeit. Die lokale KI wird schnell unheimlich.

Da der Engpass zwischen Idee und Umsetzung nun verschwindet, könnte die Idee zum wertvollsten Teil der gesamten digitalen Wertschöpfungskette werden.

Hot Take: Ist der Konflikt zwischen Anthropic und Pentagon um „autonome Waffen“ nur ein Vorwand? Meiner Meinung nach geht es vor allem darum, die Informationskontrolle einzuschränken. „Stellen Sie sich gegen uns, so viel Sie wollen. Wir sind die Seite, die freie Meinungsäußerung und offene Debatte unterstützt. Aber beschweren Sie sich nicht bei den Medien, dass Sie „ins Visier genommen“ werden, wenn wir doch nur eine politische Meinungsverschiedenheit artikuliert haben.“ Wenn das Pentagon wirklich daran interessiert wäre, autonome Waffen zu bauen, würde es Anthropic wahrscheinlich vollständig umgehen. Dabei geht es möglicherweise eher darum, das Militär daran zu hindern, bestimmte ideologische Standpunkte des Modells zu ändern, als um echte ethische Bedenken hinsichtlich der Bewaffnung. Weitaus besser geeignete Optionen für die Entwicklung autonomer Waffen wären spezialisierte Verteidigungstechnologieunternehmen mit einer Erfolgsbilanz in militärischer KI und Robotik.

RT von @OpenMedFuture: Ich liebe Karpathys Beiträge, weil sie so auf den Punkt kommen. Er ist nicht nur ein führender Experte auf seinem Gebiet, sondern schafft es auch, mit seinen Aussagen den Zeitgeist zu treffen. Aber dieser Beitrag hat eine besondere Wirkung. Seit Dezember hat die (agentische) Codierung einen deutlichen Wandel, man könnte sogar sagen einen qualitativen Sprung, erlebt. Früher ging es um iterative Verbesserungen, doch seit Ende letzten Jahres zeigt es seinen wahren Wert auf ganz andere Weise. Oder, in Karpathys Worten: „Es ist schwer zu sagen, wie sehr sich die Programmierung in den letzten zwei Monaten durch die KI verändert hat: nicht allmählich und im Laufe der Zeit in der Art und Weise, wie es üblich ist, sondern speziell im letzten Dezember. Es gibt eine Reihe von Sternchen, aber meiner Meinung nach funktionierten Codierungsagenten grundsätzlich nicht vor Dezember und im Grunde genommen auch seitdem. (...) Infolgedessen wird die Programmierung nicht mehr wiederzuerkennen. Sie geben Computercode nicht mehr in einen Editor ein, wie es seit der Erfindung der Computer der Fall war, diese Ära ist vorbei. Sie starten KI-Agenten, ihnen Aufgaben *auf Englisch* zu geben und parallel ihre Arbeit zu verwalten und zu überprüfen.“ Dazu zwei Punkte, die immer wieder wiederholt werden müssen, weil sie oft noch immer missverstanden werden. 1) Die grundlegende Wahrheit: Das ist das Schlimmste, was es jemals geben wird. Von hier an wird es besser werden. Selbst wenn der Status quo so bleiben würde, wäre es ernst. Aber was wir heute haben, ist das Schlimmste, was es jemals geben wird. 2) Das Tempo des Fortschritts nimmt ständig zu. Es ist exponentiell. Und das ist der entscheidende Punkt: Von Dezember bis Februar ist so viel passiert wie schon lange nicht mehr. Und diese Entwicklung wird sich wahrscheinlich (mit ziemlicher Sicherheit) fortsetzen. Wenn die Punkte 1) und 2) zutreffen, ist es einfach unmöglich, vorherzusehen und vorherzusagen, welche Auswirkungen dies auf die Gesellschaft und alle wesentlichen Bereiche haben wird. So sehr ich dies begrüße und befürworte, die nahe Zukunft ist unvorhersehbar. Das ist alles, was ich sagen wollte.

RT von @OpenMedFuture: Es ist schwer zu sagen, wie sehr sich die Programmierung in den letzten zwei Monaten durch KI verändert hat: nicht schrittweise und im Laufe der Zeit im „Progress as Usual“-Stil, sondern konkret im letzten Dezember. Es gibt eine Reihe von Sternchen, aber meiner Meinung nach funktionierten die Codierungsagenten im Grunde genommen nicht vor Dezember und im Grunde genommen auch seitdem – die Modelle haben eine deutlich höhere Qualität, langfristige Kohärenz und Beständigkeit und können große und lange Aufgaben bewältigen, die weit über die Zeit hinausgehen, dass sie den Standard-Programmierworkflow extrem stören. Um nur ein Beispiel zu nennen: Am Wochenende habe ich ein lokales Videoanalyse-Dashboard für die Kameras meines Zuhauses erstellt, also habe ich geschrieben: „Hier ist die lokale IP und der Benutzername/das Passwort meines DGX Spark. Einloggen, SSH-Schlüssel einrichten, vLLM einrichten, Qwen3-VL herunterladen und testen, einen Server-Endpunkt zum Inferenzieren von Videos einrichten, ein einfaches Web-UI-Dashboard, alles testen, es mit systemd einrichten, Speichernotizen für sich selbst aufzeichnen und einen Markdown-Bericht für mich erstellen.“ Der Agent war ca. 30 Minuten unterwegs, stieß auf mehrere Probleme, recherchierte online nach Lösungen, löste sie einzeln, schrieb den Code, testete ihn, debuggte ihn, richtete die Dienste ein und kam mit dem Bericht zurück, und schon war es erledigt. Ich habe nichts angerührt. Vor drei Monaten hätte das alles noch ein Wochenendprojekt sein können, aber heute ist es etwas, das man anfängt und für 30 Minuten vergisst. Dadurch wird die Programmierung unkenntlich. Sie geben Computercode nicht wie seit der Erfindung des Computers in einen Editor ein, diese Ära ist vorbei. Sie starten KI-Agenten, geben ihnen Aufgaben *auf Englisch* und verwalten und überprüfen parallel ihre Arbeit. Der größte Gewinn besteht darin, herauszufinden, wie Sie die Abstraktionsebenen weiter erklimmen können, um langlebige Orchestrator-Claws mit den richtigen Tools, Speicher und Anweisungen einzurichten, die mehrere parallele Codeinstanzen produktiv für Sie verwalten. Die durch erstklassiges „Agenten-Engineering“ erreichbare Hebelwirkung scheint derzeit sehr hoch zu sein. Es ist nicht perfekt, es erfordert eine hochrangige Anleitung, Urteilsvermögen, Geschmack, Kontrolle, Wiederholung sowie Hinweise und Ideen. In einigen Szenarien funktioniert es viel besser als in anderen (z. B. insbesondere bei Aufgaben, die genau spezifiziert sind und bei denen Sie die Funktionalität überprüfen/testen können). Der Schlüssel liegt darin, die Intuition zu entwickeln, um die Aufgabe genau richtig zu zerlegen, um die funktionierenden Teile abzugeben und an den Rändern weiterzuhelfen. Aber meiner Meinung nach ist dies bei Software noch lange nicht die Zeit, in der alles so weitergeht wie bisher.

RT von @OpenMedFuture: Die FDA hat gerade eine der bedeutendsten Änderungen ihrer Beweisstandards seit Jahrzehnten vorgenommen – und es fühlt sich an, als hätten viele Menschen bei den Nachrichten geschlafen! Die FDA wird nun standardmäßig EINE entscheidende Studie für die Arzneimittelzulassung verwenden, nicht zwei. Die Wissenschaft zur Beurteilung, ob ein Medikament wirkt, hat enorme Fortschritte gemacht. Heutzutage sammeln Entwicklungsprogramme Beweise über mehrere Dimensionen hinweg – Wirkmechanismus, Biomarker-Effekte, Zwischenendpunkte – die zusammen eine umfassendere Geschichte erzählen. Dieser Bestand an bestätigenden Beweisen, von mechanistischen Daten bis hin zu realen Beweisen, kann eine zweite entscheidende Studie ersetzen. Wir haben in der Vergangenheit eine größere regulatorische Flexibilität bei seltenen Krankheiten und der Onkologie gesehen, wo der Bedarf dringend ist. Die größte Auswirkung, die wir mit der Umstellung von zwei auf eine Zulassungsstudie erwarten, dürfte jedoch bei häufigen Erkrankungen wie Herz-Kreislauf- und Atemwegserkrankungen auftreten, bei denen das Dogma der beiden Zulassungsstudien stärker verankert ist. Potenziell bis zu 350 Millionen US-Dollar an Einsparungen pro Programm und Jahren außerhalb der Zeitpläne. Und das könnte erst der Anfang sein – könnten kontinuierliche Studiendesigns, die die starre Phasenstruktur auflösen, der nächste Paradigmenwechsel in der klinischen Entwicklung sein?