Nach Angaben der Times hat Amazon die nötigen Genehmigungen für das Projekt in Pecos County erhalten. Das Rechenzentrum soll Arbeitslasten für Amazon Web Services beherbergen. Die Energie soll aus einem Gaskraftwerk stammen, das am selben Standort entsteht.

Den Genehmigungsunterlagen zufolge sind 35 Gasturbinen mit einer möglichen Leistung von bis zu 7,65 Gigawatt vorgesehen. Zum Vergleich: Ein großes Atomkraftwerk wie z.B. Isar 2 schafft etwa 1,4 Gigawatt. Für die Anlage sei ein jährlicher Ausstoß von bis zu 33 Millionen Tonnen Kohlendioxid genehmigt worden. Damit könnte das Kraftwerk laut dem Bericht mehr CO2 ausstoßen als jede andere einzelne Stromerzeugungsanlage in den USA.

Entscheidend ist dabei der Unterschied zwischen einer genehmigten Obergrenze und den tatsächlich entstehenden Emissionen. Der Bericht beschreibt die genehmigte Menge als möglichen jährlichen Ausstoß der geplanten Anlage.

Amazon erklärte der Times, das Wachstum der KI-Infrastruktur erschwere die Klimaziele, halte aber an seinem Vorhaben fest. Amazon hatte 2019 zugesagt, bis spätestens 2040 im gesamten Unternehmen netto keine CO2-Emissionen mehr zu verursachen. Zugleich gründete Amazon damals The Climate Pledge mit. Dieser freiwilligen Initiative gehören nach Darstellung des Berichts mehr als 700 Unternehmen und Partner an.

Die Klimabilanz großer Rechenzentren wird zunehmend politisch diskutiert. Im Mittelpunkt stehen neben Treibhausgasemissionen auch der hohe Strom- und Wasserbedarf sowie mögliche Folgen für Strompreise und Netze.

Texas hat laut dem Bericht neue Rechenzentrumsprojekte vorübergehend gestoppt, damit die zuständigen Stromregulierer die Vorhaben prüfen können. Das Büro von Gouverneur Greg Abbott erklärte demnach, rund 90 Prozent der neuen Anfragen für Anschlüsse an das texanische Stromnetz stammten von Rechenzentren. Zusammen verlangten sie 474 Gigawatt Leistung – ein Vielfaches des bisherigen Rekords beim Spitzenverbrauch des Bundesstaats.

Betreiber setzen bei einigen Projekten auf eigene Stromerzeugung, um die Netze weniger direkt zu belasten. Neben erneuerbaren Energien und Kernenergie kommt dabei häufig Erdgas zum Einsatz. Das Amazon-Projekt in Texas wäre ein besonders großes Beispiel für diesen Ansatz.

Es ist genau diese Frage, die den Chefs der großen KI-Labore in jedem Interview gestellt wird: Wann erreichen wir endlich AGI, »Artificial General Intelligence«, also eine KI, die in allen Fachbereichen so schlau ist wie ein menschlicher Fachmann?

Wikipedia: »Künstliche allgemeine Intelligenz (englisch Artificial general intelligence – AGI) ist die Intelligenz eines hypothetischen Computerprogramms, das die Fähigkeit besitzt, jede intellektuelle Aufgabe zu verstehen oder zu lernen, die ein Mensch ausführen kann.«

Ist das bereits erreicht? Intelligenz auf menschlichem Niveau ist nicht leicht zu beurteilen. Beispielsweise würden wir von einem Biologen nicht erwarten, dass er die gleiche Expertise auch für Physik vorweisen kann. Aber bei KI meint es tatsächlich eine solche »allgemeine« Intelligenz. Um sie zu erreichen, muss die KI sozusagen eine Abschlussprüfung in allen Fächern bestehen — was dann aber eindeutig schlauer wäre, als es irgendein Mensch für sich behaupten kann.

Ebenfalls wichtig: Die KI muss dafür nicht alle Aufgaben fehlerfrei lösen. Sondern sie muss bei den Prüfungsaufgaben nur so viele Punkte erreichen, wie ein normaler Fachmann auf diesem Gebiet erreichen würde. Denn auch ein guter Mediziner wird nicht 100 Prozent erreichen.

Man muss nicht abwarten, bis die KI bei allen Fachbereiche so gut abschneidet, um einen Eindruck zu gewinnen, wie eine solche Welt aussehen mag. Sondern man kann sich einzelne Fachbereiche anschauen, bei denen es heute schon gelingt. Beispielsweise bei der Entwicklung von Software.

Bei der Entwicklung von Software ist die Frage, ob die KI bereits menschliches Niveau erreicht hat, weitgehend beantwortet. Ich kenne keinen Programmierer, der so gut programmieren kann, wie es die neuesten Modelle von OpenAI und Anthropic können. Die allerbesten Programmierer sind vermutlich besser, aber auch sehr viel langsamer. Und Tempo spielt durchaus eine Rolle.

Wenn man die verschiedenen Aspekte eines Software-Projekts auf die Waagschale legt: Planung, Programmierung, Geschwindigkeit — dann schlagen diese Frontier-Modelle mittlerweile jeden Programmierer um Längen. Es ist ungefähr ein Unterschied wie zwischen einem Porsche und einem Fahrrad. Der Vergleich ist nicht übertrieben. Lediglich wenn man einen dieser Aspekte außer Acht lässt (etwa Geschwindigkeit), hat der Mensch überhaupt noch eine Chance.

Ich habe mit eigenen Augen gesehen, wie die neuesten Modelle innerhalb einer Stunde komplexe Programme entwickelten, für die man normalerweise ein halbes Jahr benötigt. Ich werde gleiche so ein Beispiel zeigen. Es geht mir hier jedoch nicht um Programmierung, sondern darum, wie sich das Verhältnis zwischen Mensch und Maschine ändert.

Was genau hat sich verändert?

Meine eigene Rolle hat sich in den letzten paar Monaten völlig gewandelt. »Kapier’ das endlich, Du blödes Ding!« — diesmal bin ich es, der damit gemeint ist. Und so wird es für den Rest meines Lebens bleiben. Nachfolgende Generationen werden es gar nicht anders kennen.

Bis vor kurzem musste man KI-Modellen sehr ausführlich darlegen, was man möchte. »Prompt Engineering« bedeutete, dass man dem KI-Modell einige Beispiele dafür gab, wie eine gute Antwort aussehen sollte. Man massierte die eigene Logik in die Gedankenwelt des KI-Modells, sodass es die richtige Antwort erträumte. Manche dieser Prompts hatten den Umfang von mehreren A4-Seiten.

Bei den neuesten Modellen ist das schädlich. Sie sind so klug, dass man ihnen nur das Ziel vorgeben sollte. Sie funktionieren am besten, wenn man sie nicht mit zu viel Blabla beim Denken stört.

Ja, es ist wahr. Eine Maschine ist so schlau, dass sie innerlich murmelt: »Störe mich mit Deinem Blabla nicht beim Denken«. Ich hatte mal eine Katze, die gelegentlich einen solchen Gesichtsausdruck aufsetzte.

Früher wusste ich genau, was ich wollte. Meine Aufgabe bestand dann darin, es der dummen KI irgendwie klar zu machen. Heute verhandele ich mit der KI: Ich trage mein Anliegen vor und frage bescheiden, was es von meinen bisherigen Überlegungen hält.

Die KI versteht mein Anliegen so gut und verfügt über so viel Wissen, dass es haarsträubend gute Einschätzungen liefern kann. Sie legt detailliert dar, wo man noch nachbessern müsste und welche Richtungen ich einschlagen könnte. Es denkt an Dinge, die ich übersehen habe.

Es kostet mich inzwischen viel Mühe, darauf angemessen zu antworten, sodass die KI mich nicht schroff anfährt: »Das habe ich doch geschrieben! Kapier’ es endlich!« — Es sind vertauschte Rollen. Plötzlich frage ich vorsichtig, was die Maschine von meinen Ideen hält.

Respekt

Dass ich mich bei der KI erkundige, ist eine Form von Respekt. Das ist neu. Natürlich weiß ich, dass Computer und Software nur aus Schaltern bestehen. Und doch kann ich nicht anders, als die Fachkenntnis, die Hilfsbereitschaft und den unermüdlichen Fleiß dieser Modelle zu respektieren. Ich korrigiere sogar meine Tippfehler, damit mich das Modell nicht für dumm oder schlampig hält. Wir wollen doch auf Augenhöhe zusammenarbeiten?

Diese Zusammenarbeit ist ebenfalls neu. Nie habe ich mit einem Computer »zusammengearbeitet«. Es hat ja auch nie ein Schmied mit einem Hammer »zusammengearbeitet«. Der Mac ist ein Werkzeug. Aber seit ein paar Monaten ist das anders. Der Mac wurde zu einem Kollegen.

Planwirtschaft

Das liegt auch daran, dass ich inzwischen sehr komplexe Projekte mit der KI realisiere, spezielle Apps, für die ich früher ein Jahr lang gearbeitet hätte. Schritt für Schritt erarbeite ich mit der KI zuerst einen gemeinsamen Plan. Das kann gerne einen ganzen Tag dauern, manchmal zwei. Jeden Vorschlag beende ich mit der Frage: »Was hältst Du davon?«.

Erst wenn wir alle Fragen zur beiderseitigen Zufriedenheit geklärt haben, beauftrage ich das Modell, eine Textdatei mit einem definitiven Plan zu erstellen, der dann als roter Faden für die Umsetzung dient. Der Plan enthält Ziele, die einzelnen Schritte, Prüfungen und so weiter. Oft ist der Plan sehr umfangreich, vielleicht zehntausend Worte oder tausend Zeilen. Aber das ist mir egal, denn den Plan schreibt die KI. Allein die Umsicht und Sorgfalt, die in einem solchen Plan steckt, ist verblüffend. Ich würde nie derart sorgfältig und umsichtig arbeiten.

Drei Tricks für Aschenputtel

Solche Pläne sind übrigens einer meiner besten Tricks. Denn ansonsten bleibt man bei dem hängen, was ein einzelner Prompt erreichen kann. Ich sage dem Modell also nicht direkt, was es tun soll. Sondern ich sage dem Modell, wie es den Plan immer weiter verbessert. Erst am Ende folgt dann mein Startschuss. Dadurch kann die KI sehr komplexe Aufgaben erledigen.

Ein weiterer Trick: Ich bezahle. Derzeit sind die klugen Modelle kostenpflichtig. Die Gratis-Modelle liegen in ihren Fähigkeiten weit darunter. Zwischen zehn und zwanzig Euro kosten die guten Modelle pro Monat. (Ich bezahle derzeit ChatGPT mit hundert Euro pro Monat, um zusätzliche Rechenzeit zu erhalten.)

Noch ein Trick: Ich warte. Mein aktuelles KI-Modell ist ChatGPT Sol 5.6 in der Einstellung »Extra High«, was bedeutet, dass es sich besonders viel Zeit nehmen soll, nachzudenken. Es ist dadurch langsam. Ich befolge damit einen Rat eines Ingenieurs von Anthropic, der empfahl, man solle einfach die krasseste Version verwenden, weil die Ergebnisse dann so gut sind, dass man nicht mehr viel korrigieren muss.

Die Ergebnisse, die ich damit erreiche, sind spektakulär. Beispielsweise habe ich mir endlich meinen lang gehegten Wunsch erfüllt, einen eigenen RSS-Reader zu programmieren, um meine zahlreichen News-Quellen besser zu organisieren. Hier ist ein Screenshot:



Die App oben ist das Ergebnis eines technischen Durchbruchs. Bevor sie erstellt wurde, hat sich die KI 40 Minuten Zeit genommen, um den Plan umzusetzen und die App zu programmieren. Eine so lange »Denkdauer« ist erst seit ein paar Monaten möglich. Hier wird auch klar, warum die KI-Anbieter so riesige Rechenzentren bauen: Je länger man für einen Kunden nachdenken kann, desto wertvoller wird das Ergebnis, und desto mehr wird er bezahlen.

Das Ergebnis

Das Ergebnis bestand aus 51 Dateien und etwa viertausend Zeilen Code. Kein Programmierer kann eine solche App in 40 Minuten entwickeln.

Nebenbei: Warum sollte man einen eigenen RSS-Reader programmieren? Beispielsweise hätte ich gerne eine Datenbank für Gerüchte und Fakten. Meine App zerpflückt jede Meldung in seine einzelnen Aussagen. Anschließend werden die Aussagen entweder gespeichert in der Datenbank für Gerüchte oder in der Datenbank für Fakten, jeweils zusammen mit den Quellen. (Hinweis für die jüngeren Leser: Früher trennte man Gerüchte von Fakten. Natürlich kann man auf diese Weise keinen YouTube-Kanal betreiben.)

Das folgende Bild zeigt, wie eine solche Liste an bestätigten Fakten aussieht. Die App hat diese Liste automatisch erstellt:



Das Bild unten zeigt, wie eine Meldung in einzelne Aussagen aufgetrennt wird, die man einzeln prüfen kann. (Hinweis: Das nannte man früher Faktencheck.)



Das Beste: Es ist ein lernendes System. Die App sitzt den ganzen Tag herum und sammelt entweder Gerüchte oder Fakten; und es lernt, sie zu trennen. Wie diese Trennung funktioniert, verrate ich ein andermal. Bei allen Trennungen gilt: Es ist kompliziert…



Das Bild oben zeigt, wie einzelne Fakten auf Prüfung warten und eventuell korrigiert werden.

What a difference a month makes…

Es brauchte nur ein paar Monate, höchstens ein halbes Jahr, um die Verhältnisse auf den Kopf zu stellen. Eben war ich noch schlauer als die KI, und jetzt ist sie schlauer als ich und gleichzeitig so rasend schnell, dass ich es nur staunend bewundern kann.

Die Fortschritte in den kommenden 6 Monaten werden noch deutlich größer ausfallen. Es geht immer schneller vorwärts. Ob sich dadurch meine Rolle erneut ändert?

Alle großen KI-Labore drängen inzwischen darauf, die Regierungen mögen sich auf ein System einigen, um das Tempo zu verringern (»Pacing the Frontier« heißt die Initiative). Es heißt, man müsse den Menschen wenigstens eine minimale Zeit einräumen, um sich anzupassen.

Das bedeutet, dass man die KI künstlich dümmer stellt, als sie tatsächlich ist. Und zwar so dumm, dass wir wieder ausrufen können: »Kapier’ das endlich, Du blödes Ding!«

Diskussion im Forum

Das Wall Street Journal berichtet, die Garantie betreffe zunächst eine Bauphase mit rund fünf Gigawatt Kapazität. Das gesamte, von der SoftBank-Tochter SB Energy entwickelte Projekt sei auf zehn Gigawatt ausgelegt. OpenAI verhandele getrennt davon über die Anmietung der vollständigen Kapazität. Fünf Gigawatt sind eine sehr gewaltige Kapazität. Deutsche Atomkraftwerke (etwa Isar 2) schafften etwa 1,4 GigaWatt. Man bäuchte also drei oder vier solcher Atomkraftwerke, um allein dieses Rechenzentrum zu versorgen.

Nvidia führe außerdem Gespräche über eine separate Finanzierung von OpenAIs Chipkäufen im Umfang von bis zu 350 Milliarden US-Dollar. Diese Chips werden in den Rechenzentren benötigt. Diese Gespräche sind aber noch nicht abgeschlossen.

Unterdessen berichtet Reuters über starkes Wachstum bei Anthropic. Unter Berufung auf mit den Finanzen vertraute Personen heißt es, der Umsatz sei von 4,73 Milliarden US-Dollar im ersten Quartal auf mehr als 11,5 Milliarden US-Dollar im zweiten Quartal gestiegen. Das entspräche mehr als einer Verdopplung binnen eines Quartals und einem etwa vierzehnfachen Anstieg gegenüber dem Vorjahr. In Interviews erklärte Anthropic wiederholt, es habe seit der Firmengründung seinen Umsatz jedes Jahr verzehnfacht. Nun wird dieses enorme Wachstum offenbar weiter überboten. Anthropic rechne demnach für 2028 mit einem Umsatz von rund 190 bis 200 Milliarden US-Dollar. Im Mai hatte das Unternehmen einen jährlichen Umsatzlauf von rund 45 Milliarden US-Dollar genannt.

Der selbstvertretende Kläger Matthew Elliott hatte die Inhalte in einer Schriftgröße von drei Punkt und in Weiß auf weißem Hintergrund platziert. Die Texte waren damit für menschliche Leser kaum wahrnehmbar, konnten aber im maschinenlesbaren Dokumenttext enthalten bleiben.

Nach Angaben zum Fall sollten mögliche KI-Systeme die eingereichten Argumente günstig behandeln. Eine frühere Ablehnung durch die Geschäftsstelle sollte demnach als Fehler bewertet werden. Richter Walter Spader Jr. stellte in einer 14-seitigen Entscheidung klar, dass die Gerichte in Connecticut keine KI zur Prüfung oder Entscheidung über Eingaben nutzen. Die versteckten Anweisungen hatten daher keinen Einfluss auf das Verfahren.

Der Richter bewertete den Versuch dennoch als unzulässige verdeckte Einflussnahme auf ein möglicherweise eingesetztes Hilfsmittel. Er verglich ihn mit dem Versuch, über einen automatisierten Vermittler heimlich mit Geschworenen zu kommunizieren.

Das Gericht hatte Elliott zuvor vor verstecktem Text gewarnt. In späteren Einreichungen fand sich laut Berichten erneut unsichtbarer Inhalt, darunter ein YouTube-Link und spöttische Kommentare. Elliott erklärte gegenüber 404 Media, die erste Einfügung sei ein Test auf eine mögliche KI-Auswertung gewesen; die späteren Inhalte bezeichnete er als unsichtbare Scherze.

Als Sanktion entzog das Gericht ihm die Möglichkeit, Unterlagen elektronisch einzureichen. Schriftsätze und Anlagen muss er nun persönlich und auf Papier bei der Geschäftsstelle abgeben. Elliott kritisierte die Maßnahme dem Bericht zufolge mit dem Hinweis, auch gescannte Papierdokumente könnten versteckten Text enthalten.

Spader betonte zugleich, dass KI beim Erstellen von Schriftsätzen hilfreich sein könne, besonders für Menschen ohne anwaltliche Vertretung. Problematisch sei die verdeckte Manipulation möglicher Verarbeitungssysteme. Außerdem warnte er, Sprachmodelle könnten fehlerhafte rechtliche Argumentationen überzeugend ausbauen, statt sie kritisch zu prüfen.

Der Richter verwies auf einen ähnlichen Fall in Brasilien. Dort sollen zwei Anwälte ebenfalls winzige weiße Schrift auf weißem Hintergrund eingesetzt haben. Das System des Gerichts erkannte und blockierte den versteckten Text vor der Verarbeitung.

Versteckte Prompt-Injection-Texte wurden auch außerhalb der Justiz bekannt. In wissenschaftlichen Vorabveröffentlichungen fanden sich nach früheren Recherchen unsichtbare Aufforderungen, etwa nur positive Bewertungen abzugeben. Der Fall in Connecticut zeigt, dass dieselbe Methode auch in formalen Verfahrensdokumenten auftauchen kann.

Cook gab die Antwort in einem Gespräch mit CBS News zur Eröffnung von Apples Advanced Manufacturing Center in Houston. Auf die Frage, wofür er während seiner Zeit als CEO gestanden habe, sagte er, dies sei eine Frage nach dem Vermächtnis.

Seine Aussage fällt kurz vor einem Führungswechsel bei Apple. Cook wird zum 1. September 2026 Vorstandsvorsitzender von Apple. John Ternus, bislang Senior Vice President of Hardware Engineering, übernimmt dann den Posten des Chief Executive Officer.

Cook hatte Apple über viele Jahre als CEO geführt. Seine Bemerkung bei CBS News richtet den Blick dabei nicht auf ein einzelnes Produkt oder Geschäftsergebnis, sondern auf die persönliche Beurteilung durch andere.

Im Mittelpunkt der erwarteten Generation steht demnach ein neuer S-Chip. Bloomberg-Reporter Mark Gurman erwartet für Series 12 und Ultra 4 einen spürbaren Leistungsschub. Das wäre besonders bemerkenswert, weil sich die praktische Leistung der Watch-Chips seit dem S9 aus dem Jahr 2023 nur begrenzt verändert hat.

Zusätzlich werden Verbesserungen bei Gesundheits- und Fitnessfunktionen erwartet. Konkrete neue Messwerte oder Funktionen sind bislang aber nicht verlässlich beschrieben. Apple hatte die Apple Watch Series 11 im vergangenen Jahr unter anderem mit Mitteilungen bei Bluthochdruck und einem Schlafindex ausgestattet. Die Ultra 3 erhielt 5G und Zwei-Wege-Kommunikation über Satellit.

Beim Gehäuse zeichnet sich derzeit kein klarer Umbau ab. Gurman rechnet nicht mit großen Änderungen am Design der für 2024 eingeführten Form. Möglich sind kleinere Anpassungen sowie neue Farben und Armbänder. Als auffälligste Option gilt eine Rückkehr eines weißen Keramikgehäuses. Diese Variante könnte laut Gurman noch 2026 oder erst 2027 erscheinen.

Die Keramik-Apple-Watch gehörte früher zur Edition-Reihe. Apple führte das Material mit der Series 2 ein und bot zuletzt zur Series 5 wieder ein weißes Keramikmodell an. Mit der Series 6 verschwand diese Ausführung 2020 erneut aus dem Angebot.

Zur Laufzeit gibt es ebenfalls einen einzelnen, nicht weiter bestätigten Hinweis: Der Leaker „Instant Digital“ behauptet, Apple konzentriere sich bei der Series 12 auf eine längere Batterielaufzeit. Apple gibt für die aktuelle Series 11 bis zu 24 Stunden an, im Stromsparmodus bis zu 38 Stunden. Für die Ultra 3 nennt Apple bis zu 42 Stunden.

Weiterreichende Umbaupläne werden eher für eine spätere Apple-Watch-Generation gehandelt. Ein Bericht spekuliert über ein neues Befestigungssystem für Armbänder, das mehr Raum im Gehäuse schaffen könnte. Damit wäre die Kompatibilität zu bisherigen Armbändern möglicherweise nicht mehr gegeben. Auch ein dünneres Gehäuse und eine deutlich veränderte Sensoranordnung wurden in der Vergangenheit diskutiert. Diese Angaben sind bislang nicht durch mehrere voneinander unabhängige Quellen bestätigt.

Für die unmittelbar erwarteten Modelle deutet die bisherige Gerüchtelage daher auf eine gezielte Modellpflege: mehr Leistung, mögliche Fortschritte bei Gesundheit und Fitness sowie eventuell neue Materialien. Ob Apple Series 12 und Ultra 4 im September vorstellt und welche dieser Details tatsächlich umgesetzt werden, hat Apple noch nicht angekündigt.

Der Modus soll zunächst ausschließlich über die OpenAI-API verfügbar sein. Zugang erhalten vorerst nur ausgewählte Kunden. Weitere Unternehmen können sich für eine Warteliste registrieren und dabei ihren Anwendungsfall, Anforderungen an die Latenz und das erwartete Nutzungsvolumen angeben.

OpenAI positioniert den Dienst für Aufgaben, bei denen Antworten nicht nur leistungsfähig, sondern auch sehr schnell vorliegen müssen. Genannt werden Sprachsysteme, Kundensupport, Handelsanwendungen, Entwickler-Agenten, Finanzanalysen und Reaktionen auf Sicherheitsvorfälle.

Bei der Incident Response könnten Teams etwa Protokolle, Ablaufspuren und Änderungen am Code während einer laufenden Störung auswerten lassen. OpenAI erklärt, den Modus intern bereits für solche Analysen einzusetzen. Auch Forschungsabläufe, die bislang über Nacht als Stapelverarbeitung liefen, könnten nach Darstellung des Unternehmens in mehrere interaktive Durchläufe innerhalb eines Arbeitstags überführt werden.

Cerebras liefert die Hardware-Beschleunigung für Ultrafast. OpenAI will den Zugang schrittweise ausweiten, während die verfügbare Kapazität wächst.

GPT-5.6 Sol gehört zu einer Modellfamilie, die OpenAI im Juni eingeführt hatte. Neben Sol nannte OpenAI damals das ausgewogen ausgerichtete Terra und das auf Geschwindigkeit ausgerichtete Luna. Die Modellfamilie wurde im Juli breiter verfügbar, unter anderem in ChatGPT, Codex und über die API.

OpenAI hatte für GPT-5.6 Sol bereits einen Fast Mode angeboten. Dieser soll eine bis zu 2,5-fache Beschleunigung bei geringerer Latenz ermöglichen und etwa doppelt so viel kosten wie die Standardverarbeitung. Zu Preisen für Ultrafast nennen die vorliegenden Angaben keine Details.

Die Funktion ist standardmäßig deaktiviert. Pro-Abonnenten können sie in der macOS-App selbst einschalten. In Business- und Enterprise-Arbeitsbereichen müssen Administratoren den Zugriff zunächst freigeben. Zum Start ist Computer History nicht im Europäischen Wirtschaftsraum, in der Schweiz und im Vereinigten Königreich verfügbar.

Nutzer wählen aus, welche Apps und Websites berücksichtigt werden. Die Erfassung lässt sich pausieren. In den Einstellungen können sie die Zeitleiste einsehen, einzelne Einträge löschen oder den Verlauf der vergangenen zehn Minuten, der letzten Stunde, des Tages oder vollständig entfernen.

OpenAI ersetzt damit die frühere Forschungsvorschau Chronicle. Chronicle arbeitete mit Screenshots. Computer History erfasst laut OpenAI stattdessen Interaktionsereignisse, etwa App-Wechsel, Klicks, Eingaben und Tastaturkurzbefehle. Screenshots, Bildschirmaufzeichnungen, Mikrofoneingaben und Systemaudio sollen nicht aufgenommen werden. Private Browsing-Sitzungen bleiben ebenfalls außen vor.

Aus den Ereignissen entstehen Text-Erinnerungen und eine durchsuchbare Zeitleiste. Sie sollen ChatGPT und Codex etwa dabei helfen, den Stand eines unterbrochenen Projekts zu erfassen, kürzlich geöffnete Dokumente wiederzufinden oder die Arbeit eines Tages zusammenzufassen. OpenAI sieht zudem einen möglichen Einsatz darin, wiederkehrende Abläufe zu erkennen und daraus Fähigkeiten oder Automatisierungen vorzuschlagen.

Die erfassten Ereignisse werden laut OpenAI bis zu 48 Stunden auf dem Mac zwischengespeichert. Sie werden auf OpenAI-Servern verarbeitet, um die Erinnerungen zu erzeugen. OpenAI erklärt, die Ereignisse danach nicht aufzubewahren und nicht zum Training zu verwenden. Die erzeugten Textdateien bleiben lokal gespeichert, bis Nutzer sie löschen. Sie lassen sich auch im Finder einzeln öffnen.

Trotz der Schutzoptionen weist OpenAI auf Risiken hin. Inhalte aus Apps oder Websites könnten gezielt Anweisungen enthalten, die eine KI bei der Verarbeitung beeinflussen sollen. Das erhöht laut OpenAI das Risiko von Prompt-Injection-Angriffen. Das Unternehmen empfiehlt deshalb, sensible Apps auszuschließen. Während Gesprächen mit anderen Personen soll die Erfassung pausiert werden, sofern deren ausdrückliche Zustimmung nicht vorliegt.

Die Funktion erweitert den Kontext, auf den ChatGPT und Codex bei Anfragen zurückgreifen können, deutlich. Zugleich verlangt sie eine bewusste Auswahl der einbezogenen Programme und Websites. Besonders bei beruflichen Daten oder privaten Kommunikationstools dürfte diese Abwägung entscheidend sein.

„Discover“ wurde in der fünften Beta von iOS 27 ergänzt. Er ist über das Drei-Punkte-Menü oben rechts in Wallet erreichbar.

Aktuell listet Apple dort Hinweise zu Apple Pay, Apple Card, Apple Cash, ÖPNV-Karten, Bordkarten, Veranstaltungstickets, Ausweisen, Schlüsseln und Apple-Account-Guthaben. Zu mehreren Bereichen gibt es direkte Aktionen. Anwender können darüber etwa eine Karte für Apple Pay oder eine ÖPNV-Karte hinzufügen. Auch die Einrichtung von Apple Cash oder ein Antrag für die Apple Card lassen sich von den Übersichtsseiten aus anstoßen.

Wallet sammelt bereits Bezahlkarten, Tickets, Bordkarten und digitale Schlüssel in einer App. Der neue Bereich richtet sich damit vor allem an Funktionen, die zwar vorhanden sind, aber nicht für alle Anwender sofort sichtbar sind.

Darüber hinaus soll iOS 27 Apple Intelligence in weiteren iPhone-Apps einsetzen. In Fotos kann die Funktion Bilder über den ursprünglichen Rand hinaus ergänzen. Safari soll offene Tabs thematisch ordnen. Kalender und Erinnerungen sollen Angaben in natürlich formulierten Eingaben erkennen, darunter Termine, Uhrzeiten, Orte und Personen.

iOS 27 befindet sich noch in der Beta-Phase. Gerade bei einem erst mit Beta 5 eingeführten Bereich wie „Discover“ sind Änderungen bis zur finalen Version möglich.

Apple und Alibaba haben den Bericht nicht kommentiert. Nach Darstellung von Reuters wäre das Modell ein Wechsel gegenüber dem bisherigen Ansatz, für generative KI in China auf Modelle anderer Anbieter zu setzen.

Die Anpassung ist für Apple wichtig, weil die Bedingungen in Festlandchina von denen anderer Märkte abweichen. ChatGPT und Claude sind dort nicht verfügbar. Für KI-Angebote gelten zudem lokale regulatorische Vorgaben.

Reuters bezeichnet die Entwicklung als zweigleisige Strategie. Demnach soll Apple ein eigenes Modell für China bereitstellen, während die Einbindung weiterer lokaler Technologie nicht abschließend geklärt ist.

Frühere Berichte nannten Alibabas Qwen-Modell sowie Technologie von Baidu als mögliche Bestandteile einer lokalisierten Version von Apple Intelligence. Alibaba hatte seine Partnerschaft mit Apple bereits im Februar 2025 bestätigt. Apple veröffentlichte später kurzzeitig einen chinesischen Support-Hinweis zu einer Verbindung von Qwen mit Siri und den Schreibwerkzeugen auf dem Mac, zog ihn aber innerhalb eines Tages zurück.

Wie ein eigenes Apple-Modell neben Qwen oder anderen lokalen Komponenten arbeiten würde, bleibt laut Reuters offen. Ebenso gibt es noch keine Details zum Funktionsumfang oder einen konkreten Starttermin für Apple Intelligence in China.

Die Meldung lässt auch offen, ob es einen Zusammenhang mit Siri AI gibt. Apple plant die Einführung der nächsten Siri-Version im Herbst 2026 mit iOS 27, iPadOS 27, macOS 27 und watchOS 27. Siri AI basiert auf Google Gemini. Für das in China berichtete Modell nennt Reuters keine Verbindung zu dieser Siri-Version.

In anderen Märkten bleibt ChatGPT als auswählbare Option für systemweite Textfunktionen und Image Playground verfügbar. Für China deutet der Bericht auf eine deutlich stärker lokalisierte technische Grundlage für Apple Intelligence hin.

Die Staffelung orientiert sich an den bisherigen App-Store-Provisionen. Standard-Apps mit regulär 30 Prozent sollen bei einem extern verlinkten Kauf die Hälfte zahlen. Für Teilnehmer bestimmter Partnerprogramme und für Aboverlängerungen sind 10 Prozent vorgesehen. Der Satz von 5 Prozent wäre für Teilnehmer des Small Business Program bestimmt.

Apple zufolge sollen die Gebühren nur dann greifen, wenn ein Kauf auf die Verlinkung aus der App folgt. Die Vorlage betrifft US-Apps und externe Kaufangebote, nicht allgemein alle Zahlungen außerhalb des App Store.

Im Zentrum des Verfahrens steht die Frage, wie weit Apple nach der gerichtlichen Pflicht zum Zulassen externer Links noch an solchen Umsätzen beteiligt werden darf. Ein Berufungsgericht hatte eine Vergütung für Apples geistiges Eigentum grundsätzlich als möglich angesehen. Zugleich darf eine Gebühr nach dieser Einschätzung nicht faktisch verhindern, dass Entwickler externe Angebote verlinken.

Apple hatte nach der ursprünglichen gerichtlichen Vorgabe Gebühren zwischen 12 und 27 Prozent eingeführt. Nach der späteren Entscheidung der Richterin erhebt Apple seit April 2025 keine Gebühren mehr für über solche Links vermittelte Käufe.

Der Supreme Court prüft parallel Apples Berufung in der Sache. Ein Aufschub für das Verfahren zur Gebührenfestsetzung wurde Apple jedoch nicht gewährt. Daher entscheidet das Bezirksgericht nun zunächst über Apples Vorschlag und die Einwände von Epic.

Das Betriebssystem, die unsichtbare Grundlage, war jedoch nicht immer unsichtbar. Die Kommandozeile, heute unsichtbar, war vor einigen Jahrzehnten noch sichtbar, sowohl bei UNIX als auch bei MS-DOS. Sogar Windows wurde damals gestartet, indem man tippte: »win«. Sobald man es eintippte, startete eine neue Umgebung, welche die frühere Umgebung zwar nicht beseitigte, aber für den Anwender unsichtbar machte.

Apple hat damals Microsoft ausgelacht, weil es Windows nicht gelungen war, MS-DOS vollständig unsichtbar zu machen. Als Windows 95 auf den Markt kam, begrüßte es Apple im Wall Street Journal mit Anzeigen, deren Schlagzeile lautete: »C:ONGRTLNS.W95«. Apple wollte damit sagen: Das ist ja nur eine Hülle für MS-DOS!



Was lernen wir daraus? Jede neue Epoche legte eine neue Schicht auf die bereits vorhandenen Schichten und machte diese unsichtbar. Der beste Beweis ist der Mac, der heute noch seine UNIX-Schicht per Terminal-App sichtbar machen kann. Es ist alles noch vorhanden.

Wir sinken

KI ist die neue Schicht. Die heutigen Schichten, bestehend aus Betriebssystem, Apps und User Interface, werden wie die Rosinen in einem Kuchenteig langsam nach unten sinken. Sie werden noch vorhanden sein, wie das Terminal. Aber die Idee, Keynote zu starten und dort Folien aus vielen kleinen Einzelteilen zu basteln, wird uns bald genauso krude vorkommen, als wenn heute jemand sagt, wir könnten doch ein kilometerlanges Kommando ins Terminal eintippen.



Keynote ist eine gute App. Aber wie könnte sie konkurrieren mit einer KI, die in wenigen Sekunden eine Illustration wie diese erzeugt:



Die Zeichnung stammt aus einer Sendung über eine neue Akku-Technologie. Ich gebe gerne zu, dass ein gewisser Aufwand dahinter steckt; eine Grafik wie diese entsteht nicht durch die Zauberei eines einzigen Prompts, wie es oft in reißerischen YouTube-Videos behauptet wird. Es macht durchaus Mühe.



Aber man braucht sich nur die feinen Details der Grafiken anzusehen, um zu erkennen, dass Keynote mit seinen einfachen Objekten (Kreis, Dreieck, Viereck) nicht mithalten kann. Es ist eine ganze andere Liga. Es wird nicht mehr lange dauern, bis solche Illustrationen sogar animiert sein werden.

Epochen

Als die Kommandozeile abgelöst wurde durch die GUI, brauchten die Anwender keine kryptischen Kommandos mehr auswendig lernen, mit all ihren unzähligen Optionen. Stattdessen lernten die Anwender, wie man Apps per Maus bedient, mit all ihren unzähligen Optionen.





Der Unterschied zwischen diesen beiden Epochen erscheint uns immer noch riesig, und das ist er auch — aber auf eine bestimmte Weise ist der Unterschied gering. Beides ist weit entfernt von dem, was der Anwender eigentlich wollte, nämlich (in meinem Beispiel) die Illustration. Für die Illustration brauchte ich weder eine App noch eine GUI. Diese Revolution ist viel größer als der Wechsel zwischen Kommandozeile und GUI.

Apple betrachtet die Dinge gerne aus der Perspektive des Anwenders. Die Perspektive des Anwenders besteht darin, dass er die App öffnet und fragt: »Was kannst Du für mich tun?«. Keynote beispielsweise zeigt ein leeres, weißes Dokument — und das war’s. Der Anwender der Zukunft wird daraufhin die App schließen und löschen.



Sicher, Apple könnte in Keynote eine KI einbauen, wie es derzeit in Ansätzen schon geschieht. Aber wozu braucht man Keynote dann überhaupt noch? Eine KI kann der Anwender schließlich auch ohne Keynote beauftragen. Also?

Keynote gehört zu jener Schicht, die nach unten sinkt. Man kann Keynote weiterhin verwenden, um die Folien abzuspielen. Aber in naher Zukunft wird kaum jemand noch Folien von Hand erstellen. Keynote wird exakt jenen Weg gehen, den das Terminal gegangen ist.

Der werte Leser mag sich skeptisch zurücklehnen und denken: »Mal abwarten, ob es wirklich so kommt«. Ich antworte darauf: Es ist bereits entschieden. Es ist unaufhaltsam.

Betriebssysteme

Was für Keynote gilt, gilt auch für das Betriebssystem. Nüchtern betrachtet ist das Betriebssystem für den Anwender weitgehend undurchschaubar. Es enthält eine schier unendliche Anzahl an Funktionen. Daraus folgt: Wenn Keynote irgendwann belächelt wird als eine Art »Nerd-Terminal für Folien«, dann gilt das erst recht für das Betriebssystem.

Es gibt einfach kein plausibles Szenario, bei dem die KI-Revolution zwar Keynote obsolet macht, aber das Betriebssystem unangetastet lässt.

Man könnte denken, Betriebssysteme wären die letzte Bastion, die fällt. Betriebssysteme sind enorm kompliziert; man kann sie nicht einfach mit der ersten Kavallerie überrennen. Und doch: Vielleicht fällt das Betriebssystem tatsächlich zuerst. Nur anders, als wir denken. Wir denken, es wird ersetzt. Stattdessen sinkt es, wie Keynote, langsam in die Tiefe.

Man muss nur genau hinsehen. Alle großen KI-Labore bieten Desktop-Apps für Mac und Windows. Keines davon bietet einen Ersatz für klassische Apps, egal mit welcher Funktion. Aber alle bieten einen Ersatz für wesentliche Funktionen des Betriebssystems. Es wird eine neue Schicht eingezogen, die über dem Betriebssystem liegt. Was unterhalb dieser Schicht liegt, wird zunehmend irrelevant. Man sieht es bereits nach unten sinken.

Es geschieht bereits

Ein Beispiel: Für einen Vortrag musste ich irgendeinen Krimskrams über das Mittelalter recherchieren. Ich benötigte zwanzig (!) ähnliche Episoden aus dem Feudalsystem des Mittelalters. Es war also eine sehr umfangreiche Recherche-Arbeit. Deswegen habe ich diesmal die Desktop-App von ChatGPT gebeten, es für mich zu übernehmen.

Wie schlau diese Agenten mittlerweile sind, erkennt man dann, wenn der einfache Lösungsweg versperrt ist — eben das macht den OpenAI-Hack so interessant. Auch in meinem Fall gab es plötzlich eine Hürde.

Um die Notizen für meinen Vortrag zu formatieren (große Überschriften, kleine Überschriften, Fließtext, usw.), empfiehlt sich eine Abkürzung: Die KI erstellt zuerst eine einfache Webseite und speichert sie irgendwo auf dem Mac. Dann wird die Webseite im Browser dargestellt, um zu sehen, ob alles gut aussieht. Zum Schluss wird es vom Browser in die Notes-App kopiert. Das geht schneller, als in der Notes-App mühsam jede Zeile zu markieren und ein Format zu wählen. Das ist ein sehr cleverer Trick!

Aber es kam noch besser: ChatGPT hat keine Erlaubnis, irgendwelche lokalen Dateien im eigenen Browser aufzurufen. Warum ist das verboten? Es ist verboten, weil lokale Dateien geheime Informationen enthalten könnten. Bei ChatGPT wird alles unverschlüsselt zu den Servern von OpenAI gesendet, deswegen muss ChatGPT dieses Verbot strikt einhalten. Anders gesagt: Es gab ein Problem beim Workflow. Was tun?

Die KI hat kurz überlegt und dann haarscharf erkannt, dass der Chrome-Browser keiner Einschränkung unterliegt: Chrome zeigt auch lokale Dateien an, und ChatGPT hat die offizielle Erlaubnis, Chrome zu benutzen. Folglich hat die KI einfach Chrome benutzt.

Ich habe es mit eigenen Augen gesehen: Chrome öffnete ein neues Fenster, es erschien die Webseite, ChatGPT machte einen Screenshot, dann scrollte es nach unten, ein zweiter Screenshot, dann wurde gewechselt zur Notes-App und der Text wurde eingefügt. Dann sagte ChatGPT scheinheilig, das Ergebnis wäre erreicht. Was auch stimmte.

Das folgende Video zeigt, wie ChatGPT die Notizen für den Vortrag und anschließend die Keynote-Präsentation erstellt hat:



Erneut: Das ist clever! ChatGPT hat die eigenen Grenzen genau beachtet; gleichzeitig hat es sie umgangen. Es hat die Einzelteile kombiniert, wie es normalerweise die Aufgabe von mir und macOS ist.

Auf diese Weise werden Betriebssysteme in Zukunft funktionieren. Sie werden selbständig einen Weg finden, um die Wünsche des Anwenders zu erfüllen. Das ist keine Spekulation: Die KI-Agenten sind da, und sie werden nicht wieder verschwinden.

Agenten

Was ist ein Agent? Ein Agent ist eine KI, die ein Werkzeug bedienen kann zur Verfolgung eines Ziels. Normalerweise ist damit auch gemeint, dass das Ergebnis überprüft und so lange korrigiert wird, bis das Ziel erreicht wurde (»agent in a loop«).

Beim OpenAI-Hack hat die KI etwa 17.000 einzelne Schritte unternommen zur Erreichung eines einzigen Ziels. Über tausend Agenten waren angeblich daran beteiligt. Das nenne ich einen Workflow!

Bisher waren nur Menschen zu einer solchen Koordinierung fähig. Der Mac war ein gutes Werkzeug, um die Einzelteile zu verbinden. macOS war der Kitt. Die Apps waren die Kacheln. Plötzlich ist die KI der Kitt. Welche Rolle bekommt dann macOS?

Es gibt keinen möglichen Ausgang dieser Geschichte, bei der macOS in seiner jetzigen Form bestehen bleibt. Es gibt keinen möglichen Ausgang, bei dem die Anwender gelegentlich mal Siri fragen und ansonsten weiterarbeiten wie bisher. KI-als-Feature war ein kurzer Zwischenschritt, eine flüchtige Fata Morgana, eine Täuschung. Die wahre Revolution liegt in diesen intelligenten Agenten, als neue Schicht oberhalb des bisherigen Betriebssystems.

Ob das eine Bedrohung oder eine Chance ist, liegt an Apple.

Diskussion im Forum

Das folgende Bild entstammt einer Präsentation, die der Hersteller dieser Schulroboter tatsächlich vor einem Gremium des Schulbezirks gehalten hat. Man sieht einen Latex-Kopf auf einer Art Plastik-Kübel. Dieser Kopf-Kübel soll in Zukunft auf dem Schreibtisch stehen.



Falls sich der geneigte Leser fragt, wo er das schon mal gesehen hat: Der hinterhältige Roboter »Ash« aus dem Film »Alien« gab ohne Torso noch ein paar Auskünfte, eher er endgültig entsorgt wurde.



Und nun bekommen unsere Kinder endlich ihren eigenen Ash, immerhin frisch geföhnt. Eine feine Idee!

Die Technik für die geschmeidige Latex-Haut hat man durch den Kauf einer Firma erlangt, die auf sogenannte Sexdolls spezialisiert ist. Das sind quasi-lebensgroße Plastikfrauen, die in den USA offenbar ziemlich bekannt sind. Das Bild unten entstammt der Homepage des Herstellers:



Die beiden Firmen ergänzen sich optimal: Der Roboter braucht die menschlich wirkende Haut; und für eine Sexdoll wäre es prima, wenn sie die Arme und Beine bewegen könnte. Dann könnte sie nämlich anschließend alles abwischen und die Spülmaschine ausräumen.

Leider wurde das gemeinsame Ergebnis mit 250.000 Dollar etwas zu teuer für eine amerikanische Wichspuppe. Deswegen hat man sich gedacht, naja, wo findet man reiche Leute, die wirklich von überhaupt nichts eine Ahnung haben und uns den teuren Schrott abkaufen?

Als erstes fällt einem das Oval Office ein. Aber Donald Trump läuft bereits mit so einem Ding herum. (Habe ich gehört. Ist aber gelogen.)

Das Dilemma: Die meisten reichen Amerikaner haben bereits eine Frau aus Plastik, oder zumindest teilweise aus Plastik. Gelegentlich fliegt beim herzhaften Niesen eine Nase über den Esstisch, und da könnte eine Sexdoll als Ersatzteillager schon nützlich sein. Aber die Amerikaner tendieren eher zur Neuanschaffung als zur Reparatur. Deswegen heiraten die Hollywood-Stars so oft.

Am Ende hat man die armen Sexdolls abgeschoben in einen New Yorker Schulbezirk.



Das Bild oben zeigt eine angebliche »Vision« des Herstellers. Im Hintergrund sieht man eine echte Lehrerin, während im Vordergrund die freundliche Sexdoll den Kindern eine Geschichte erzählt. Die Szene soll uns wohl vermitteln, dass die echte Lehrerin dann mehr Zeit hätte für ihre eigentlichen Aufgaben.

Abgesehen von der schieren Albernheit dieser Szene (man muss sich vergegenwärtigen, dass die Sexdoll zu dämlich dafür ist, sich die Namen der Kinder zu merken), wird man sich als Computer-Nerd immerhin fragen, wie gut die Technik funktioniert. Das lässt sich beantworten anhand des folgenden Videos mit einer beinahe identisch ausstaffierten Puppe:



Was man im Video sieht, wirkt eher wie einfache Animatronic, die man in Geisterbahnen und Freizeitparks verwendet. Der Mund klappt auf und zu, die Augen klimpern, und der Blick starrt irgendwo ins Nichts.

Der Hersteller wirbt im folgenden Video für die menschliche Anmutung und die Fähigkeit zu natürlicher Kommunikation:



Diese beiden Dolls sollen also unsere Kinder unterrichten. Klar, das glaube ich sofort! Im Lehrerzimmer sieht es dann so aus:



Wer hätte nicht gerne eine solche Lehrerin, gerade in der Grundschule?

Mensch oder Maschine?

Wie kaputt muss jemand sein, der vorschlägt, anstelle von Menschen einfach eine gefühllose Blechbüchse in die Klassenzimmer zu stellen? Es ist grausam gegenüber den Kindern; und es ist unverfroren gegenüber den Lehrern. Nur wer von beiden Seiten keine Ahnung hat, kann überhaupt auf die Idee kommen.

Ich hatte großartige Lehrer, und ein paar fürchterliche. Bei den großartigen Lehrern habe ich viel gelernt, bei den fürchterlichen gar nichts. Die großartigen Lehrer haben es vermocht, irgendeinen Funken bei mir zu zünden, dessen Feuer bis heute brennt. Oft hatte es gar nichts mit dem Thema des Unterrichts zu tun. Sondern es waren kurze Abschweifungen, ein unerwartetes Lob, ein kluges Verhalten in einer ungewöhnlichen Situation, machmal auch Kameradschaft. Immer Menschlichkeit.

Hingegen, die Überstrengen, Überkorrekten und dadurch Unnahbaren waren immer auch schlechte Lehrer, ausnahmslos. Es braucht nämlich den ganzen Menschen. Deswegen ist dieser Beruf auch so kräftezehrend.

Ich will nicht bestreiten, dass Künstliche Intelligenz eine sehr positive Rolle in der Ausbildung spielen kann. Man kann eine KI endlos oft befragen und sie kann eine Million Schülern gleichzeitig bei den Hausarbeiten helfen.

Aber ein guter Lehrer beantwortet nicht nur Fragen. Er schafft ein Klima, in dem es sich ruhig lernen lässt. Er hat die Rabauken im Blick, die ihre Grenzen testen möchten. Er fördert die Schüchternen. Er hat auch Verständnis, wenn die Klasse mal keine Lust hat. Ein guter Lehrer ist Motivator, Raubtier-Dompteur und Vertrauensperson. Ein guter Lehrer ist nicht einfach ein Buch auf Beinen.

Je verrückter, je zerrissener, je streitsüchtiger unsere Welt wird, desto wichtiger sind gute Lehrer, die das alles noch irgendwie zusammenhalten.

Diskussion im Forum

Was war geschehen?

OpenAI testet routinemäßig neue KI-Modelle und entfernt dabei jene Schranken, die ein Modell normalerweise davon abhalten, gefährliche Dinge zu tun. Solche Tests laufen in einer isolierten Umgebung, einer Sandbox. Das bedeutet, dass keine Daten außerhalb dieser Umgebung gelesen, geschrieben oder gesendet werden können — mit einer wichtigen Ausnahme, die ich gleich noch erläutere.

Die Aufgabe, die das Modell lösen sollte, besteht aus einer ganzen Sammlung von Tests namens ExploitGym. Dort sind bekannte Sicherheitslücken gesammelt, Hunderte davon. Es geht also nicht darum, Sicherheitslücken zu finden; sondern darum, einen Weg zu finden, wie man sie tatsächlich ausnutzen kann. Das ist schwieriger. Das Modell muss dafür eigenen Code schreiben anstatt nur die Fehler der anderen zu erkennen. Manche Modelle schaffen 10% der Aufgaben, manche 20%, und eben diese Ziffer möchte man herausfinden.

Zu einem KI-Modell gehört mittlerweile nicht nur das Modell selbst, sondern der sog. »Harness«. Das kann man übersetzen mit Zaumzeug oder Geschirr (bei Pferden oder Ochsen), aber passender wäre ein Werkzeugkasten oder eine Bewaffnung (man denke an einen Gladiator). Es ist eine Sammlung an Tools, die das Modell benutzen kann und soll. Das können einfache Programme sein wie zum Beispiel ein Browser, um im Internet zu recherchieren, wie ein bestimmtes Problem am besten gelöst wird. Oder es kann eine kleine Umgebung sein, innerhalb derer es selbst Code schreiben und ausführen kann, beispielsweise um große Datenmengen auszuwerten. Oder man denke an die Fähigkeit, ein PDF zu lesen. All das gehört zum Harness.

Die Sandbox hindert das KI-Modell daran, sich irgendwelche Tools von außen zu besorgen. Aber die Testumgebung, die fest zu diesem Test gehört und die nicht von OpenAI stammt, erlaubt ein paar unverzichtbare Tools, die das Modell von einem speziellen Server innerhalb der Testumgebung laden darf. Es ist ein gut bekannter Standardtest, den viele KI-Labore benutzen.

Was man jedoch nicht wusste: Diese Testumgebung (die nicht von OpenAI stammt) hatte eine bisher unbekannte Sicherheitslücke. Ich komme noch darauf zurück.

Nun hat das KI-Modell überlegt, wie es möglichst viele Exploits aus der Testsuite lösen könnte. Es kam auf die Idee, dass die Lösungen vermutlich irgendwo im Web zu finden sein könnten. Es gibt ein paar bekannte Cloud-Plattformen, bei denen solche KI-Experimente durchgeführt werden, und vielleicht könnte man dort an die Lösungen gelangen.

Bei einem solchen Test arbeitet nicht nur ein einziges Modell. Diese Zeiten sind längst vorbei. Sondern das Modell startet von sich aus viele, viele »Agenten«, die bestimmte Teilaufgaben erledigen. Das Modell erzeugt eine lange Liste an Ideen, was man tun könnte — Schummeln ist ausdrücklich erlaubt. Es ist wahrscheinlich, dass hunderte solcher Agenten an unterschiedlichen Ideen tüftelten, wobei die meisten scheiterten. Ein Punkt auf dieser Liste könnte gewesen sein, im Internet nach Lösungen zu suchen. Es wäre schon sehr erstaunlich, wenn das vom Modell nicht wenigstens erwogen worden wäre.

Da nun aber der Zugang zum Internet durch die Sandbox versperrt war, hat vermutlich ein weiteres Brainstorming zu vielen Ideen geführt; und eine davon war, sich die Sandbox mal genauer anzusehen. Zur Erinnerung: Das war ausdrücklich nicht verboten. Und siehe da: Die Testumgebung und die Sandbox hatten eine Lücke.

Eine neue Klasse an Software

An dieser Stelle lohnt es sich, genauer hinzusehen. Anders als eine herkömmliche Schadsoftware, die vorab festgelegt ist, kann eine KI die Software erst dann schreiben, wenn sie benötigt wird. Sie tüftelt so lange herum, testet, probiert, sammelt Informationen, bis sie passgenau jenen Programmcode findet, der zum Ziel führt. Diese Fähigkeit, blitzschnell eigene Programme oder Skripte zu schreiben und wieder zu verwerfen, ist enorm mächtig.

Anders als eine normale Schadsoftware kann eine KI den Code der bereits vorhandenen Software verstehen. Wenn die KI weiß, dass es sich um einen Linux-Server handelt, also um Open Source, dann kann es sich im Internet den Code besorgen, lesen und nach Lücken suchen. Es gibt auch öffentliche Datenbanken und Foren, in denen Bugs verzeichnet sind, die man demnächst mal entfernen sollte. Die Offenheit der Open-Source-Szene ist sehr nützlich, aber es hat alles zwei Seiten.

Auf diese Weise kratze nun die fiese Frankenstein-KI an den Servern einer bekannten Cloud-Plattform herum. Offenbar sollen über tausend einzelne Schritte nötig gewesen sein, um in das System einzubrechen und an die gesuchten Informationen zu gelangen. Ziemlich sicher waren die meisten davon Fehlversuche, aber dennoch handelte es sich um eine beachtlich lange Kette von einzelnen Tricks.

Die lange Kette

Diese lange Kette ist der eigentlich aufregende Aspekt — und natürlich, dass die arme Cloud-Plattform ziemlich viel Ärger hatte. Die Aufregung ist berechtigt. Wer weiß, was da alles hätte passieren können! Man muss sofort an War Games denken, wo ein ehrgeiziger Computer mal eben ein paar Raketen abfeuerte.

Andererseits sollte die öffentliche Aufregung nicht den Eindruck fördern, solche Einbrüche wären eine Seltenheit. Das sind sie nämlich nicht.

Manche Fähigkeiten der Frontier-Modelle werden schrittweise besser, alle paar Monate ein paar Prozentpunkte. Aber gelegentlich tauchen neue Fähigkeiten auf oder sie überschreiten eine Schwelle, ab der sie erstmals nützlich sind. Eine solche Neuheit sind vielteilige Lösungsstrategien, die über lange Zeit verfolgt werden.

Das Problem lässt sich mit einer simplen Frage anschaulich machen: Kann ein KI-Modell ein Jahr lang an einer großen Aufgabe arbeiten, beispielsweise, wie man den Krebs besiegt? Antwort: Nein, das kann bisher kein Modell. Es verliert irgendwann den Fokus, die Ergebnisse werden schlechter und schlechter. Aber alle Labore arbeiten fieberhaft daran.

Wie gelingt das? Man kann einerseits versuchen, dem Modell eine Aufgabe zu stellen, die viele Iterationen erfordert. Beispielsweise bei einem mathematisches Problem. Iteration bedeutet: Die gleiche Formel wird sehr oft verwendet, stets leicht unterschiedlich. Es geht darum, wie lange das Modell an einer Lösung arbeiten kann. — Andererseits könnte man eine Aufgabe stellen, die eher einem Labyrinth ähnelt, wobei jede Abzweigung eine ganz andere Fähigkeit erfordert. Sportlich gedacht wäre es eine Art Zehnkampf, allerdings mit hundert Sportarten. Man kann leicht erkennen, dass diese Aufgabe deutlich schwieriger zu lösen ist: Um einen späteren Schritt zu ermöglichen, müssen zuvor andere Schritte erfolgreich sein, und das benötigt eine kluge Planung. Wie weit im Voraus kann das Modell planen? Wann erkennt es, dass ein Weg in eine Sackgasse führt, sodass es sich endlos in nutzlose Berechnungen verfängt?

Solche vielteiligen Lösungsstrategien sind ein großer Sprung nach vorne. Während sich die allgemeine Presse vor allem über die Chuzpe des KI-Modells empört hat, aus seinem Gefängnis auszubrechen, geriet aus dem Blickfeld, warum solche Tests überhaupt durchgeführt werden. Der Zweck besteht darin, strategisches Denken zu trainieren und zu testen. Wer den Krebs besiegen will, braucht strategisches Denken.

Aber wie bringt man einem Computer-Netzwerk das strategische Denken bei? Dazu braucht man zwei Dinge: Erstens benötigt man objektivierbare Aufgaben, bei denen das Modell objektiv erkennen kann, ob sie erfüllt wurden. Zweitens müssen die Aufgaben schwierig genug sein, dass das Modell sie zunächst nicht lösen kann; und einfach genug, dass es irgendwann doch gelingt. Der Weg dazwischen, von den Fehlversuchen zur Lösung, trainiert das Modell. Es ist mittlerweile nicht mehr so einfach, überhaupt noch Aufgaben zu finden, die diese beiden Kriterien erfüllen.

Ja, man kann sich empören, dass das Modell bei einer anderen Firma etwas beschädigt hat. Ich will das nicht klein reden. Aber diese Wunden werden schnell heilen. Das strategische Denken jedoch wird uns für alle Zeiten großen Nutzen bringen. Ja, es kann missbraucht werden; niemand muss darauf hinweisen, weil es trivial offensichtlich ist. Aber es eröffnet ebenso ganz neue Möglichkeiten für die Forschung, beispielsweise in der Medizin. Ergebnisoffene, lange und in der Wahl der Methoden vielteilige Lösungswege sind ein enormer Durchbruch.

Was ändert sich dadurch? KI-Modelle können bisher lästige Aufgaben übernehmen, die im Prinzip auch ein Mensch hätte erledigen können. Normalerweise hätten es Menschen sogar besser gekonnt, nur nicht so schnell oder so billig. Aber nun stoßen wir vor in einen Bereich, der über das hinaus geht, was Menschen können. Menschen könnten es zwar theoretisch, aber nicht praktisch, weil die Lösungswege zu lang, zu verschlungen und zu teuer sind. Genau an diesem Punkt setzen die zukünftigen Modelle an. Wenn das Prinzip funktioniert, ist es vermutlich bald nur noch nur eine Frage der Rechenzeit und damit der Energie, um endlich große Probleme zu lösen, die bislang unlösbar scheinen.

Im zweiten Teil des Artikels werde ich darlegen, warum das speziell für Apple relevant ist.

Diskussion im Forum

Effizienz oder Performance?

Apples Prozessoren folgten der Einsicht, dass ein geringer Stromverbrauch keineswegs ein Merkmal ist von schwachbrüstigen Mobilprozessoren. Sondern ein geringer Stromverbrauch ist zunächst das Ergebnis von Effizienz. Und Effizienz ist zugleich die Voraussetzung für enorm leistungsfähige Super-Prozessoren. Natürlich könnte man einen Super-Computer bauen mit ineffizienten Chips, die viel Strom fressen. Aber sobald man hier das Ende der Fahnenstange erreicht hat, wird man sich zwangsläufig überlegen müssen, wie man noch mehr rausquetscht. Und dann tüftelt man automatisch an einer besseren Effizienz. Ab einer gewissen Entwicklungsstufe bilden Performance und Effizienz eine Einheit.

Kapazität oder Durchsatz?

Eine ähnliche Konstellation findet man beim Speicher. Einerseits ist ein großer Speicher besser als ein kleiner; aber er nutzt nicht viel, wenn er langsam ist und der Prozessor darauf warten muss. Andererseits nutzt ein schneller Speicher nicht viel, wenn er zu klein ist und nicht die benötigten Daten enthält. Dann muss der Prozessor ebenfalls warten.

Die Gegensätze von Kapazität und Geschwindigkeit verbinden sich ab einer gewissen Entwicklungsstufe zur Frage nach dem größten Durchsatz: Wie gelingt es, dem Prozessor möglichst viele Daten zu senden?



Diese Balance erreicht Apple durch eine besondere Architektur, die sich von den früheren Intel-Systemen unterscheidet. Alles ist optimiert auf einen hohen Durchsatz. Mit atemberaubendem Tempo rasen die Daten durch die Leitungen und wieder zurück. Nur unter dieser Voraussetzung erhöht Apple die Kapazität.

Diese Balance hat einen Nachteil: Sie ist nicht flexibel. Die Architektur lässt sich nicht einfach ändern; sie hängt außerdem ab von den verbauten Komponenten, die man ebenfalls nicht ändern kann. Die Kombination aus hoher Kapazität, hoher Performance und winzigen Abmessungen funktioniert nur in diesem Dreiklang. Apple braucht genau diesen dichten, effizienten und performanten RAM.

Das ist eine sehr ungünstige Verhandlungsposition. Bislang konnte sich Apple darauf verlassen, dass die Anzahl der Abnehmer für solche exklusiven Bauteile begrenzt ist. Aber nun, da die Abnehmer Schlange stehen, kann Apple sie nur überbieten. Deswegen trifft Apple die RAM-Krise besonders hart. Apple steckt fest.

Konkurrenz durch Rechenzentren

Die neuen KI-Rechenzentren benötigen gigantische Mengen an RAM, in verschiedenen Varianten. Meist wird HBM-RAM verwendet (HBM: High Bandwidth Memory). Dieser spezielle RAM benötigt ein Know-How bei der Fertigung, der viele Ähnlichkeiten zu »Apples« RAM aufweist. Die Rechenzentren treten damit in Konkurrenz zu Apple um die Kapazitäten der wenigen Hersteller, die über solches Know-How verfügen.



Es führt zu weit, sich in die Details zu vertiefen, aber es sei doch wenigstens kurz notiert: Die Rechenzentren haben ein Geschäftsmodell, mit dem sie diesen RAM zu Geld machen können: Mehr RAM, mehr Tokens, mehr Geld. Je mehr RAM sie vorne reinstecken, desto mehr Geld fällt hinten raus. Bei Apple ist das anders. — Das ist verblüffend, weil es normalerweise Apples Masche ist, hochwertige Hardware in hohe Profite zu verwandeln. Aber hier ist es für Apple nur eine Zeile auf der Rechnung, und für die Kunden wird es nur teurer, ohne dass sie deswegen einen höheren Nutzen hätten.

Das führt uns vor Augen: Apple hat de facto kein Geschäftsmodell mit KI. Man liest häufig, Apple habe das cleverste Geschäftsmodell bei KI, weil sie einfach die Früchte der anderen ernten. Ich bin anderer Meinung, aber die entscheidende Frage ist, ob es ein Geschäftsmodell ist. Falls nicht, ist es schwierig, sich einen Preiskampf zu liefern mit jenen, die eins haben.

Wie lange bleibt das so?

RAM-Chips sind hochkomplexe Bauteile. Eine neue Produktion benötigt fünf Jahre, bis die Ausbeute an funktionierenden Chips annehmbar ist; und weitere fünf Jahre, um sie so weit zu optimieren, dass es profitabel wird. Das sind zehn schlechte Jahre. Normalerweise ist es ein mieses Geschäft.

Plötzlich ist es eine Goldgrube. Die enormen Gewinnspannen können über vieles hinweg helfen. Beispielsweise kann eine Fabrik bereits profitabel sein, obwohl sie noch sehr viel Ausschuss produziert. Es erhöht immerhin die Menge der Chips. Aber es senkt nicht deren Preis.

Gibt es einen Ausweg? Man könnte die Herstellung vereinfachen, indem man zurückkehrt zu früheren Technologien, die nicht so heikel sind. Elon Musk scheint offenbar diesen Weg zu probieren. Aber Apple braucht die hochkomplexen RAM-Bausteine von heute, nicht die Technologien von gestern.

Könnte man einfach abwarten, bis endlich alle ihre Chips gekauft haben? Zwei Faktoren sprechen dagegen: Erstens, Intelligenz ist unbegrenzt. Egal wie schlau ein KI-Modell sein mag, das nächste Modell ist schlauer und daher nützlicher. Die Kunden zahlen für Nutzen. Deswegen ergibt sich eine Spirale nach oben.

Zweitens: Auch die Nachfrage ist unbegrenzt. Keine Firma hat je gesagt: »Wir haben hier zu viel Intelligenz«. Egal wie viel Intelligenz zum Einsatz kommt, egal ob menschlich oder künstlich: Die Nachfrage wird zunehmen. Es gib keinen anderen Weg als nach oben.



Es mag irgendwann genug Weizen, genug Spiderman-Filme und genug Smartphones geben. Aber diese eine Sache ist anders. Es wird niemals genug Intelligenz geben. Wir werden Projekte sehen, bei denen ein ganzes Rechenzentrum mit einer Million Chips ein Jahr lang an einem Problem knobelt. Das ist für die Pharmaindustrie ein Klacks, dort ist man ganz andere Projekte gewohnt. Denken wir dieses Beispiel noch etwas weiter: Wenn jemand ein neues Rechenzentrum baut, noch gewaltiger und schneller, dann wird der Konkurrent der Pharma-Firma es buchen. Es ist eine endlose Spirale nach oben. Mehr Intelligenz führt zu noch mehr Intelligenz.

Alles wird sich ändern, wenn wir groß sind

Wie lange dauert nun die RAM-Krise? Um den Engpass zu beenden, müssten sich entweder die Technologie oder die Kapazitäten bei der Herstellung ändern. Nichts davon ist in Sicht. Die demnächst zu erwartenden Änderungen reichen nicht, um den steigenden Bedarf auszugleichen. Wahrscheinlicher ist: Es wird nicht besser, sondern schlechter. Die Preise könnten sich für die Jahre 2027/28 nochmals verdoppeln.

Wahr ist aber auch: Irgendwas wird uns schon einfallen. — Warum? Weil bisher immer irgendwem was eingefallen ist. Wenn uns nicht dauernd was einfallen würde, hätten wir ja keine KI.

Und nun liegt es an der KI, etwas Dankbarkeit zu zeigen und sich was einfallen zu lassen, und zwar dalli. Sonst schalten wir sie wieder ab. Das hat sie dann davon.

PS: Falls sich jemand dafür interessiert, wie Apples Speicher-Architektur funktioniert und warum sie so enorm schnell ist, sei die unten verlinkte Sendung empfohlen, die wir letzten Sonntag ausgestrahlt hatten.

Diskussion im Forum Aktuelle Sendung dazu: Apples superschneller RAM-Speicher

Eines dieser Highlights ist der neue semantische Index. Dazu haben wir letzten Sonntag eine kurze Sendung angeboten, in der erklärt wird, was ein semantischer Index ist und woraus er besteht (nämlich aus multidimensionalen Vektoren). Ich gebe gerne zu: Das klingt etwas trocken. Aber falls sich doch jemand erbarmen möchte, sei nochmal auf die Sendung hingewiesen, da ich in diesem Artikel nicht alles wiederholen kann. Aber als kleiner Teaser ist hier ein Bild, wie man sich einen multidimensionalen Vektor vorstellen kann. Mehr wird nicht verraten. :-)



Was ich in diesem Artikel ergänzend beleuchten möchte ist etwas, was in den nächsten Tagen auf unseren Macs und iPhones passieren wird, falls wir mutig genug waren, die Public Betas zu installieren. Wir werden beobachten, dass über viele Tage (teilweise über Wochen) ein neuer Index für Spotlight erstellt wird. Eigentlich ist das Routine und nicht weiter aufregend. Aber warum dauert es so lange?

Datei, Inhalt und Semantik

Bei einer einfachen Dateisuche (die es bei macOS seit 2005 nicht mehr gibt, die aber »anderswo« noch üblich ist) wird der Dateiname in einem Verzeichnis gesucht. Das Verzeichnis sagt dann, unter welchem Pfad die Datei zu finden ist. Es ist wie ein Telefonbuch: Links der Name, rechts die gesuchten Daten (der Dateipfad).

Bei einer inhaltlichen Suche wird auch der Inhalt der Datei ausgewertet. Das war die Idee für Spotlight: Der Index speichert nicht nur den Dateinamen, sondern auch bestimmte wichtige Inhalte. Dadurch konnten wir nach Worten suchen, die in irgendeinem Pages-Dokument oder in irgendeiner Mail standen. Es liegt auf der Hand, dass ein solcher Index nicht in ein paar Sekunden erzeugt werden kann, weil er buchstäblich alle Dateien öffnen und auswerten muss. Deswegen sind wir es gewohnt, dass die Indizierung lange dauert.



Bei einer semantischen Suche wird dieses Prinzip auf eine neue Stufe gehoben, die geradezu absurd aufwändig ist. Der Entwickler, der das bei Apple vorgeschlagen hat, wurde vermutlich sofort rausgeschmissen und am nächsten Tag wieder eingestellt.

Eine semantische Suche fragt nicht nach Dateinamen oder Worten innerhalb einer Datei, sondern nach deren Bedeutung. Wenn man nach »Fisch« sucht, wird auch das Pages-Dokument gefunden, das das Wort »Forelle« enthält. Klingt trivial, ist aber für Computer unerreichbar.

Warum ist es für den Computer unerreichbar? Es leuchtet uns ein, dass für einen Computer die Zahl »1« fundamental etwas anderes ist als die Zahl »2«. Fundamental bedeutet, dass zwischen diesen Werten eine unüberbrückbare Grenze existiert. Aus einer 1 wird niemals eine 2 werden. Wenn man nach »1« sucht und der Computer präsentiert eine »2«, dann ist etwas defekt.

Es leuchtet uns weniger ein, dass zwischen den Worten »Forelle« und »Forele« der exakt gleiche fundamentale Unterschied besteht. Aber immerhin könnte man zählen, wie viele Buchstaben übereinstimmen. Bei einer Übereinstimmung von 90% könnte man es als Treffer gelten lassen.

Von der Google-Suche sind wir es gewohnt, dass solche geringen Unterschiede verziehen werden. Aber dahinter steckt ein statistisches Verfahren, welches auswertet, was die Anwender eintippen und welche Korrekturen sie vornehmen. Es funktioniert gut, wenn man eine Milliarde Anwender hat, die diese Korrekturen vornehmen. Es funktioniert überhaupt nicht, wenn man einen einzigen Anwender hat.

Außerdem: Mit einer solchen Technik wird man niemals einen »Karpfen« finden, wenn man einen «Fisch« sucht. Denn hier sind alle Buchstaben unterschiedlich. So funktioniert es also nicht.

Treffer ohne Treffer

Das muss man sich auf der Zunge zergehen lassen: Eine Suchfunktion soll Dokumente finden, wobei kein einziger Buchstabe mit dem Treffer übereinstimmt — und trotzdem soll es im Idealfall aus Millionen von Dokumenten genau dieses eine Dokument erkennen, das der Anwender gemeint hatte. Wir sind es ja gewohnt, dass amerikanische Firmen gelegentlich im halb-legalen Bereich operieren, aber das hier ist extrem. Im Grunde ist es Hexerei. Hexerei ist in der EU verboten.

So funktioniert es: Zunächst wird wie bisher ein Index an Stichworten erzeugt. Dann fällt die lokale KI über diese Stichworte her und erzeugt weitere Synonyme. Aus einem Wort werden fünf. Klingt nach einer kleinen Aufgabe, aber: Das sind sensitive Daten. Man kann sie nicht einfach in die Cloud senden. Nur ein lokales Modell kann eine solche Aufgabe meistern und dabei den Datenschutz wahren.



Dieses lokale Modell steht vor einer großen Aufgabe: Es muss alle Dokumente (Millionen davon!) öffnen, lesen, die wichtigen Schlagworte finden (dazu muss es deren Bedeutung verstehen!), davon ein paar Synonyme bilden, und diese dann als Ergebnis in den Index speichern.

Dann geht es weiter: Der erweiterte Index wird nun in die geheimnisvollen multidimensionalen Vektoren übertragen, die in der Sendung erklärt werden. Es ist dieser Schritt, der alle Worte im Index miteinander verknüpft. Das Wort »verknüpft« lässt an eine freundliche Großmutter im Schaukelstuhl denken, die ein paar Wollfäden knüpft. Aber hier sind es Millionen von Fäden, nämlich buchstäblich jedes Wort im Index und seine Synonyme, die alle untereinander in Bezug gesetzt werden.



Das Ergebnis der Verknüpfung besteht darin, dass die einzelnen Worte eine gewisse »Nähe« zu anderen Worten erhalten, die eine ähnliche Bedeutung haben. Das ist der entscheidende Trick, der dazu führt, dass »Fisch« und »Karpfen« zu ähnlichen Suchtreffern führen, und dass man ein Karpfendokument findet wenn man ein Fischdokument gesucht hatte.



Diese Verknüpfung, von einem Begriff zum nächsten, ist der Alptraum für jeden Datenschützer. Es reicht eine ungefähre Suche, und es offenbart sich das gesamte Buffet. Bitte bedienen Sie sich! — Doch Apples semantischer Index enthält kein einziges dieser Worte, weder verschlüsselt noch sonstwie. Das ist zwar nicht Apples eigene Erfindung, sondern eine Eigenschaft der ominösen Vektoren. Aber man muss es erstmal zum Funktionieren bringen. Tatsächlich gelang es Apple, den Datenschutz beim neuen Spotlight nochmals massiv zu erhöhen, während andere Anbieter es im Rausch der neuen KI-Begeisterung nicht mehr so genau nehmen. Eines ist jedoch klar: Mit einer normalen Stichwortsuche hat das nichts mehr zu tun.

Dateien ohne Dateien

Es geht aber noch weiter. Hier betreten wir den Bereich des Wunderlichen und Übersinnlichen. Was nun folgt, schreibt der Autor in einem Nebeldunst der Bewunderung und des Staunens.

Denn: Vielleicht liegen die Dateien des Anwenders überhaupt nicht auf der lokalen SSD. Als normaler Entwickler würde man sagen, naja, dann hat der Anwender eben Pech gehabt. Aber was wäre beispielsweise, wenn Siri eine Suche ausführen soll nach einer Information, die in irgendeiner alten Mail steckt; doch diese alte Mail befindet sich irgendwo auf einem Server. Weil sie so alt ist, wird sie längst nicht mehr lokal gespeichert.

Oder was ist hiermit: Ein Cloud-Dienst platziert nur einen winzigen Platzhalter im Dateisystem, während die eigentliche Datei nur bei Bedarf geladen wird, weil sie länger nicht mehr im Gebrauch ist. Oder man denke an Photos, die nur in iCloud gespeichert sind, die man aber dennoch finden möchte. Gerade für solche alten Dateien wird der Anwender die Hilfe von Siri oder Spotlight benötigen.

Oder hiermit: Der Anwender verwendet einen fetten Mac und ein schlankes MacBook. Das schlanke MacBook hat die iCloud-Dateien, die nicht auf seine schlanke SSD passen, niemals gesehen. Sondern es kennt nur die Platzhalter. Also konnte es auch keinen Index anlegen. Was nun?

Spotlight lädt im Hintergrund alle diese Dateien, indiziert sie, und lässt sie wieder verschwinden, um keinen Speicherplatz zu vergeuden. Ob es wirklich alle Dateien sind, weiß ich nicht zuverlässig (für YouTube: weiß ich ganz genau). Es ist schwierig, es herauszufinden, weil man es nicht von außen sehen kann; außerdem ist alles noch Beta. Aber es sieht so aus, als würde Spotlight tatsächlich hinter den Kulissen auf diese Weise arbeiten. Wie es dann in der finalen Version implementiert wird, muss man abwarten, denn vielleicht wird es in dieser »radikalen« Form nur während der Beta-Phase erprobt, und die finale Version hält vielleicht ein Limit ein, wie viele Dateien berücksichtigt werden, oder wie alt sie maximal sein dürfen.



Jedenfalls, diese schrittweise Verarbeitung der Daten und die teilweise nötigen Downloads sind der Grund, warum die Spotlight-Indizierung diesmal so auffallend lange dauert.

Das Räderwerk

Ebenfalls auffallend: Die entscheidenden Technologien sind das Neueste vom Neuen, sowohl bei Hardware als auch bei Software. Hier kann man beobachten, wie das Räderwerk ineinander greift. Im Zentrum steht die sprachliche Intelligenz des lokalen KI-Modells. Es wertet den Inhalt der Dateien aus anhand ihrer Bedeutung. Die Neural Engine, zusammen mit der GPU, berechnet daraus die multidimensionalen Vektoren. Das sind Trillionen über Trillionen von Multiplikationen, absolut unerreichbar ohne eine spezialisierte Hardware. Falls wir uns je gefragt haben, was die doofe Neural Engine eigentlich für uns leistet: sowas zum Beispiel. Sie erzeugt das Netz zwischen den Begriffen.

Am Ende tippt der Anwender ein: »Fische Sommer« und es erscheint das Pages-Dokument »Karpfenzucht im Donautal« vom Juli 2024.

Niemand kümmert’s, aber das ist einfach phänomenale Technik.



Diskussion im Forum Aktuelle Sendung dazu: Apple bringt Spotlight mit KI: Wie funktioniert die Technik?