läuft – chatgpz.de – KI-Tools & Praxiswissen

Die 6-Milliarden-Greenback-AWS-Wette von Snowflake zeigt, worauf Enterprise Agentic AI läuft |

admin — Fri, 03 Jul 2026 05:00:05 +0000

[ad_1]

Enterprise AI scheitert selten, weil einem Unternehmen eine gute Demo fehlt. Dies scheitert, weil die Daten, die Rechenleistung, die Beschaffung und die Governance hinter der Demo in vier verschiedenen Systemen leben, die nie für die Kommunikation miteinander konzipiert sind.

Das neueste Engagement von Snowflake gegenüber AWS ist eine direkte Wette gegen den gerade beschriebenen Fehlermodus. Am 27. Mai 2026 kündigte Snowflake eine mehrjährige strategische Kooperationsvereinbarung mit Amazon Net Providers an, einschließlich einer Zusage in Höhe von 6 Milliarden US-Greenback über einen Zeitraum von fünf Jahren für Graviton-Rechen- und KI-Ausgaben. CEO Sridhar Ramaswamy bezeichnete den Deal als einen Beschleuniger für die Einführung von Enterprise-Agent-KI und nicht als eine Marketingmaßnahme, die an eine einzelne Produkteinführung gebunden ist.

Was der Deal beinhaltet

Die Vereinbarung deckt mehr als nur reine Rechenausgaben ab. Snowflake und AWS beschrieben tiefergehende Produktintegrationen über generative und agentische KI hinweg, erweiterte Markteinführungen über AWS Market, gemeinsame Investitionen in Kundenerfolgsprogramme und koordinierte Workload-Migrationen. Die namentlich genannten Kunden Fetch und Hex wurden in der Mitteilung der Unternehmen als frühe Beispiele für die Zusammenarbeit in der Praxis aufgeführt.

Der Dollarwert ist im Zuge der Beziehung zwischen Snowflake und AWS stetig gewachsen. Die fünfjährigen AWS-Ausgabenverpflichtungen des Unternehmens stiegen von 1,2 Milliarden US-Greenback zum Zeitpunkt des Börsengangs im Jahr 2020 auf 2,5 Milliarden US-Greenback im Jahr 2023 und nun auf 6 Milliarden US-Greenback. Snowflake gab bekannt, dass der AWS Market-Umsatz auf Lebenszeit die Marke von 7 Milliarden US-Greenback überschritten hat und im Kalenderjahr im Jahr 2025 den Market-Umsatz von 2 Milliarden US-Greenback überschritten hat, was einer Verdoppelung des Vorjahreswerts entspricht. Nach Angaben des Unternehmens nutzen die meisten Snowflake-Kunden bereits AWS, und die neue Vereinbarung vertieft eine Infrastrukturbeziehung, die seit elf Jahren besteht, anstatt sie ganz von vorne zu beginnen.

Aus den SEC-Einreichungen von Snowflake geht hervor, dass das Unternehmen eine Infrastruktur über AWS, Azure und Google Cloud betreibt. In den Unterlagen wird darauf hingewiesen, dass die Cloud-Vereinbarungen im Allgemeinen Mindestnutzungsverpflichtungen, feste und variable Preisbestimmungen sowie Zahlungsverpflichtungen enthalten können, die ausgelöst werden, wenn eine Verpflichtung nicht eingehalten wird. Sie beschreiben die Kategorie jedoch allgemein und geben keine spezifischen Bedingungen hinter der neuen AWS-Verpflichtung in Höhe von 6 Milliarden US-Greenback bekannt. Snowflake hat nicht gesagt, welchen Anteil die 6 Milliarden US-Greenback an den gesamten Infrastrukturausgaben ausmachen, und die zuletzt bekannt gegebenen unkündbaren Kaufverpflichtungen des Unternehmens stammen aus der Zeit vor der neuen Vereinbarung, sodass kein eindeutiger Vergleichspunkt besteht.

Warum Agenten-KI die Datenschicht braucht

Agentische KI klingt von außen nach einem Modellproblem. In der Praxis handelt es sich zunächst um ein Datenzugriffsproblem. Ein Agent benötigt einen geregelten Kontext, bevor er auf etwas reagieren kann, nämlich dieselben Kundendaten, Finanztabellen und Betriebsdaten, die ein menschlicher Analyst benötigen würde, und auf die er unter denselben Compliance-Regeln zugreifen kann.

Snowflakes Pitch konzentriert sich darauf, KI in verwaltete Unternehmensdaten zu integrieren, anstatt wise Daten dorthin zu verschieben, wo ein Modell gerade ausgeführt wird. Das Unternehmen verweist auf die KI-Funktionen von Cortex, darunter Textual content-to-SQL, Zusammenfassung, Sentimentanalyse und Entitätsextraktion, als Bindeglied zwischen rohen Unternehmensdaten und den Agenten, die darauf reagieren sollen. AWS stellt die darunter liegende Rechenschicht bereit: Graviton-Prozessoren für allgemeine Arbeitslasten und GPU-gestützte EC2-Instanzen für Modelltraining und Inferenz.

Der Rahmen ist wichtiger, als der Marketingtext vermuten lässt. Die Unternehmen, die die nächste Part der Einführung von KI in Unternehmen gewinnen, werden wahrscheinlich diejenigen sein, die zuerst Zugriff und Governance lösen, und nicht diejenigen mit dem größten Modell.

Die Multi-Cloud-Frage

Snowflake vermarktet sich seit Jahren als Cloud-neutral, als Datenplattform, die reibungslos über AWS, Azure und Google Cloud läuft. Ein fünfjähriges AWS-Engagement in Höhe von 6 Milliarden US-Greenback ändert die Positionierung nicht. Snowflake hat keine öffentliche Erklärung zur Reduzierung der Unterstützung für andere Clouds abgegeben, und in der Ankündigung wird nichts als Exklusivität beansprucht.

Eine tiefere AWS-Beziehung wirft jedoch immer noch eine echte Frage für Kunden auf, die auf Azure oder Google Cloud standardisiert sind. Wenn die fortschrittlichsten Cortex-KI-Integrationen, die schnellsten Workload-Migrationen und das umfassendste gemeinsame Engineering zuerst auf AWS landen, wird die Multi-Cloud-Possibility für Nicht-AWS-Kunden eher zu einer theoretischen und weniger zu einer praktischen Funktion. Es lohnt sich, die Spannung in den nächsten Produktzyklen im Auge zu behalten und nicht zu ignorieren.

Wettbewerbskontext

Platzieren Sie den Deal gegenüber dem Relaxation des Feldes und das Muster wird schärfer. Databricks pflegt anbieterübergreifende Cloud-Partnerschaften. Google kombiniert BigQuery mit Vertex AI als konkurrierendes Daten-plus-Modell-Bundle. Microsoft bietet Material und Azure AI als Customary-Stack für Unternehmen an, die bereits auf Microsoft-Instruments standardisiert sind. AWS kontert mit Redshift, Bedrock und SageMaker als native Different zu einem Snowflake-on-AWS-Setup.

Der KI-Stack von Unternehmen konsolidiert sich dahingehend, dass Daten, Rechenleistung und Modellzugriff enger zusammenliegen und nicht weiter voneinander entfernt sind. Snowflake und AWS positionieren die Konsolidierung so, dass sie jedes Unternehmen begünstigen, anstatt Kunden dazu zu zwingen, sich für eines des anderen zu entscheiden.

Was Sie als Nächstes sehen sollten

Die Ergebnisse des ersten Quartals des Geschäftsjahres 2027 von Snowflake geben dem Deal eine gewisse finanzielle Unterstützung: Umsatz von 1,39 Milliarden US-Greenback und Produktumsatz von 1,33 Milliarden US-Greenback, ein Anstieg von 34 Prozent im Vergleich zum Vorjahr, wobei nach Angaben des Unternehmens mittlerweile mehr als 13.900 Kunden die AI Information Cloud von Snowflake nutzen. Nichts davon bestätigt, dass die Agenten-KI in den meisten Unternehmen eine breite Produktionsreife erreicht hat. Es bestätigt die Investitionen des Anbieters und die erwartete Nachfrage, was eine andere und kleinere Behauptung darstellt.

Der eigentliche Check kommt in den nächsten Quartalen: Ob die AWS Market-Verkäufe weiter steigen, ob Kunden KI-Workloads in großem Maßstab auf die von Graviton unterstützte Snowflake-Infrastruktur migrieren und ob Snowflake den Komfort seiner Azure- und Google Cloud-Kunden gewährleisten kann, während AWS die tiefgreifendsten Integrationsarbeiten zuerst erledigt. Die Zahl von 6 Milliarden US-Greenback ist eine Schlagzeile. Wohin die technischen Stunden als nächstes gehen, ist die Geschichte.

[ad_2]

Lernen Sie NullClaw kennen: Das 678 KB große Zig AI Agent Framework, das auf 1 MB RAM läuft und in zwei Millisekunden startet

admin — Mon, 02 Mar 2026 23:55:15 +0000

[ad_1]

In der aktuellen KI-Landschaft basieren Agenten-Frameworks typischerweise auf verwalteten Excessive-Stage-Sprachen wie Python oder Go. Diese Ökosysteme bieten zwar umfangreiche Bibliotheken, verursachen jedoch einen erheblichen Mehraufwand durch Laufzeiten, virtuelle Maschinen und Rubbish Collectors. NullClaw ist ein Projekt, das von diesem Development abweicht und ein Full-Stack-KI-Agent-Framework vollständig in implementiert Roher Zick.

Durch Eliminieren der Laufzeitschicht erreicht NullClaw eine kompilierte Binärgröße von 678 KB und arbeitet mit ca 1 MB RAM. Für Entwickler, die in ressourcenbeschränkten Umgebungen oder im Edge-Computing arbeiten, stellen diese Kennzahlen einen Wandel in der Artwork und Weise dar, wie KI-Orchestrierung eingesetzt werden kann.

Leistungsbenchmarks und Ressourcenzuweisung

Der Hauptunterschied zwischen NullClaw und bestehenden Frameworks liegt in seinem Ressourcenbedarf. Normal-Agent-Implementierungen erfordern oft einen erheblichen {Hardware}-Overhead, um die zugrunde liegende Sprachumgebung aufrechtzuerhalten:

Lokaler Maschinen-Benchmark (macOS arm64, Februar 2026), normalisiert für 0,8-GHz-Edge-{Hardware}.

	OpenClaw	NanoBot	PicoClaw	ZeroClaw	NullClaw
Sprache	Typoskript	Python	Gehen	Rost	Zig
RAM	> 1 GB	> 100 MB	< 10 MB	< 5 MB	~1 MB
Begin (0,8 GHz)	> 500 s	> 30 s	< 1 s	< 10 ms	< 8 ms
Binäre Größe	~28 MB (Distanz)	N/A (Skripte)	~8 MB	3,4 MB	678 KB
Exams	—	—	—	1.017	3.230+
Quelldateien	~400+	—	—	~120	~110
Kosten	Mac Mini 599 $	Linux SBC ~50 $	Linux-Board 10 $	Beliebige 10-Greenback-{Hardware}	Beliebige 5-Greenback-{Hardware}

NullClaws Fähigkeit, darunter zu booten 2 Millisekunden ist eine direkte Folge des Fehlens einer virtuellen Maschine oder eines Interpreters. Es lässt sich direkt in Maschinencode kompilieren, ohne darüber hinausgehende Abhängigkeiten libcDadurch wird sichergestellt, dass CPU-Zyklen ausschließlich der Logik und nicht der Laufzeitverwaltung gewidmet sind.

Architekturdesign: Das Vtable-Schnittstellenmuster

Der wichtigste Aspekt von NullClaw ist seine Modularität. Trotz seiner geringen Größe ist das System nicht für bestimmte Anbieter fest codiert. Jedes wichtige Subsystem – einschließlich Anbieter, Kanäle, Instruments und Speicher-Backends – ist als implementiert vtable-Schnittstelle.

Eine Vtable (virtuelle Methodentabelle) ermöglicht den dynamischen Versand zur Laufzeit. Dies ermöglicht es Benutzern in NullClaw, Komponenten über Konfigurationsänderungen auszutauschen, ohne den Quellcode zu ändern oder neu zu kompilieren. Diese Architektur unterstützt:

Über 22 KI-Anbieter: Integration für OpenAI, Anthropic, Ollama, DeepSeek, Groq und andere.
13 Kommunikationskanäle: Native Unterstützung für Telegram, Discord, Slack, WhatsApp, iMessage und IRC.
Über 18 integrierte Instruments: Ausführbare Funktionen zur Erledigung von Agentenaufgaben.

Diese Modularität stellt sicher, dass die Kern-Engine leichtgewichtig bleibt und gleichzeitig für komplexe „Subagenten“-Workflows erweiterbar bleibt MCP (Mannequin Context Protocol) Integration.

Speicherverwaltung und Sicherheit

NullClaw verwaltet den Speicher manuell, eine Kernfunktion der Programmiersprache Zig. Um bei der Verarbeitung komplexer Daten einen RAM-Speicherplatz von 1 MB beizubehalten, wird Folgendes verwendet: Hybrid-Vektor + Schlüsselwort-Speichersuche. Dadurch kann der Agent RAG-Aufgaben (Retrieval-Augmented Technology) ohne den Overhead einer externen, umfangreichen Vektordatenbank ausführen.

Sicherheit wird in das Low-Stage-Design integriert und nicht als externe Ebene hinzugefügt:

Verschlüsselung: API-Schlüssel werden standardmäßig mit verschlüsselt ChaCha20-Poly1305ein AEAD-Algorithmus (Authenticated Encryption with Related Knowledge), der für seine hohe Leistung auf mobilen und eingebetteten CPUs bekannt ist.
Ausführungs-Sandboxing: Wenn Agenten Instruments verwenden oder Code ausführen, unterstützt NullClaw mehrschichtiges Sandboxing Binnenland (ein Linux-Sicherheitsmodul), FeuergefängnisUnd Docker.

Unterstützung für {Hardware}-Peripheriegeräte

Da NullClaw in Zig geschrieben ist und keine umfangreiche Laufzeit bietet, eignet es sich hervorragend für die {Hardware}-Interaktion. Es bietet native Unterstützung für {Hardware}-Peripheriegeräte auf verschiedenen Plattformen, einschließlich Arduino, Raspberry PiUnd STM32. Dies ermöglicht den Einsatz autonomer KI-Agenten direkt auf Mikrocontrollern, sodass diese in Echtzeit mit physischen Sensoren und Aktoren interagieren können.

Technische Zuverlässigkeit

Ein häufiges Drawback bei der manuellen Speicherverwaltung und Low-Stage-Implementierungen ist die Systemstabilität. NullClaw begegnet diesem Drawback durch eine strenge Validierung:

Testsuite: Die Codebasis umfasst 2.738 Exams um logische Konsistenz und Speichersicherheit zu gewährleisten.
Codebasisvolumen: Der Rahmen umfasst ca 45.000 Zig-Zeilen.
Lizenzierung: Es wird unter der veröffentlicht MIT-Lizenzwas eine breite kommerzielle und non-public Nutzung ermöglicht.

Wichtige Erkenntnisse

Excessive Ressourceneffizienz: Durch die Verwendung roher Zig Durch die Eliminierung von Laufzeiten (kein Python, keine JVM, kein Go) reduziert NullClaw die RAM-Anforderungen auf ~1 MB und binäre Größe zu 678 KB. Dies entspricht einer Ressourcenreduzierung von 99 % im Vergleich zu Standardagenten mit verwalteter Sprache.
Nahezu sofortige Kaltstarts: Durch das Entfernen einer virtuellen Maschine oder eines Interpreters kann das System gestartet werden unter 2 Millisekunden. Dies macht es supreme für ereignisgesteuerte Architekturen oder serverlose Funktionen, bei denen die Latenz entscheidend ist.
Modulare „Vtable“-Architektur: Jedes Subsystem (KI-Anbieter, Chat-Kanäle, Speicher-Backends) ist ein vtable-Schnittstelle. Dadurch können Entwickler über einfache Konfigurationsänderungen Anbieter wie OpenAI gegen lokales DeepSeek oder Groq austauschen Keine Codeänderungen.
Eingebettet und IoT-fähig: Im Gegensatz zu herkömmlichen Frameworks, die einen PC oder einen teuren Mac Mini erfordern, bietet NullClaw native Unterstützung für Arduino, Raspberry Pi und STM32. Es ermöglicht die Ausführung eines vollständigen Agentenstapels auf einem 5-Greenback-Verpflegung.
Sicherheit-First-Design: Trotz seines geringen Platzbedarfs verfügt es über hochgradige Sicherheitsfunktionen: Normal ChaCha20-Poly1305 Verschlüsselung für API-Schlüssel und mehrschichtiges Sandboxing Landlock, Firejail und Docker um vom Agenten ausgeführten Code zu enthalten.

Schauen Sie sich das an Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 120.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Michal Sutter ist ein Knowledge-Science-Experte mit einem Grasp of Science in Knowledge Science von der Universität Padua. Mit einer soliden Grundlage in statistischer Analyse, maschinellem Lernen und Datentechnik ist Michal hervorragend darin, komplexe Datensätze in umsetzbare Erkenntnisse umzuwandeln.

[ad_2]

Simulieren und Überprüfen eines Modells in Stan: Mit Stan Playground ist das so einfach – es läuft einfach in Ihrem Browser!

admin — Tue, 16 Dec 2025 10:49:06 +0000

[ad_1]

Beim Erstellen von Modellen ist es hilfreich, unser Verständnis zu überprüfen, indem wir gefälschte Daten simulieren und prüfen, ob das angepasste Modell die wahren zugrunde liegenden Parameter wiederherstellen kann. Und das geht in Stan so einfach!

Siehe oben – ich habe gerade ein einfaches Beispiel gemacht Stan-Spielplatz. (Danke, Brian!) Der Code ist irgendwie hässlich, weil ich die wahren Parameterwerte im Stan-Code des transformierten Datenblocks angegeben habe, anstatt sie als Daten aufzurufen; Auf der anderen Seite ist das Ganze dann in einem Programm.

Das ist nicht dasselbe wie voll Simulationsbasierte Kalibrierungsprüfung (SBC). In SBC ziehen Sie die wahren Parameterwerte aus dem Prior, wiederholen den gesamten Prozess viele Male parallel und überprüfen dann die durchschnittliche Abdeckung der Posterior-Inferenzen in Bezug auf die wahren Parameterwerte, indem Sie über den Prior mitteln. Hier führe ich nur eine Simulation durch und stelle die wahren Parameterwerte nur einmal ein. Es ist eine Artwork schnell und schmutzig SBC, das immer noch nützlich sein kann, um Probleme wie nicht identifizierte Modelle oder schlechte Mischung zu erkennen.

Und es ist so einfach! Wann immer Sie ein Modell anpassen, sollten Sie es anhand gefälschter Daten überprüfen.

Ich habe das obige Beispiel gemacht, weil ich schnell nach einer der Übungen suchen wollte, die ich für das kommende Buch „Bayesian Workflow“ schreibe.

PS Hier ist der Code für das obige Beispiel, falls Sie es selbst ausprobieren möchten:

reworked knowledge {
  int N = 100;
  actual a_true = 0.2;
  actual b_true = 0.3;
  actual sigma_true = 0.2;
  vector(N) x;
  vector(N) y;
   for (n in 1:N) {
    x(n) = uniform_rng(0, 10);
    y(n) = normal_rng(1 / (a_true + b_true * x(n)), sigma_true);
  }
}
parameters {
  actual a, b, sigma;
}
mannequin {
  a ~ regular(0, 1);
  b ~ regular(0, 1);
  for (n in 1:N) {
    y(n) ~ regular(1 / (a + b * x(n)), sigma);
  }
}

[ad_2]