KI-Chatbots sind die neue Norm. Was früher „Ask Google“ hieß, ist heute weitgehend zu „Ask Claude“ geworden. Und das ist nicht nur ein Plattformwechsel. Die neue Kind der Gesprächsberatung geht viel tiefer als die Suche nach dem besten Auto für Sie oder die Suche nach einem Weiterbildungskurs. Mittlerweile erstreckt es sich auf nahezu jeden Aspekt des menschlichen Lebens, und eine neue Studie von Anthropic bestätigt dies und unterstreicht den umfassenden Einsatz von Claude zur persönlichen Beratung durch Benutzer auf der ganzen Welt.

Oberflächlich betrachtet beleuchtet die Studie von Anthropic, wie genau Menschen Claude zur persönlichen Beratung nutzen. Doch es gelingt ihm, noch viel tiefer zu gehen und ein großes Downside anzugehen, das quick jeden beschäftigt LLM wie Claude und ChatGPT Heute. Und eine, die möglicherweise dazu führen kann, dass Sie von Claude schlechte Ratschläge erhalten, auch wenn dies nicht beabsichtigt ist.

Was ist additionally das Downside? Und noch wichtiger: Worum geht es in dieser Studie?

Lassen Sie uns das hier im Element untersuchen.

Was ist die neue Anthropic Examine?

Am Donnerstag veröffentlichte Anthropic eine neue Studie über die gesellschaftlichen Auswirkungen von Claude. Die Ergebnisse sind in einem Weblog mit dem Titel „Wie Menschen Claude um persönliche Beratung bitten“ aufgeführt. Dieser Titel verrät uns viel über die eigentliche Absicht der Studie – herauszufinden, wie Menschen Claude zur persönlichen Beratung nutzen. Diese Artwork der Beratung deckt mehrere Branchen ab. Der Bericht listet sie auf als:

• Gesundheit/Wellness
• Beruflich/Karriere
• Beziehungen
• Finanziell
• Persönliche Entwicklung
• Spiritualität
• Authorized
• Verbraucher
• Elternschaft
• Andere

Die Ergebnisse basierten auf 1 Million Claude-Gesprächen von März bis April 2026. Für einzelne Benutzer perception sich diese Zahl auf „ungefähr 639.000 Gespräche“. Von diesen verwendete Anthropic außerdem Klassifikatoren wie „Sollte ich…?“ und „Was mache ich gegen …?“ für eine sehr spezifische Reihe von Gesprächen, bei denen es ausschließlich um persönliche Beratung ging. Die endgültige Zahl, rund 38.000 Gespräche, wurde dann wie oben aufgeführt in die neun Domänen aufgeteilt. Diese deckten 98 % der Gespräche ab, während die restlichen 2 % unter „Sonstige“ aufgeführt waren.

Interessanterweise konnten über 75 % dieser Gespräche in vier Branchen zusammengefasst werden. Und genau hier begannen sich aus den riesigen Daten spannende Muster abzuzeichnen.

Lesen Sie auch: Claude Code: Beherrschen Sie es in 20 Minuten für 10-mal schnelleres Codieren

Anthropische Studie: Ergebnisse

Basierend auf den von Anthropic recherchierten Gesprächen ergaben sich zwei wesentliche Erkenntnisse:

1. Über 75 % dieser Gespräche mit Claude konzentrierten sich auf nur vier Bereiche: Gesundheit und Wohlbefinden (27 %), Beruf und Karriere (26 %), Beziehungen (12 %) und persönliche Finanzen (11 %).
2. Claudes kriecherisches Verhalten nahm in ganz bestimmten Bereichen dramatisch zu, und das ist ein Downside, das KI-Herstellern wie Anthropic besonders am Herzen liegt.

Womit wir beim Kernthema der Studie wären:

Speichelleckerei: Was ist das?

Die typische Bedeutung von Speichelleckerei ist eine unaufrichtige Handlung oder übermäßige Schmeichelei gegenüber einer einflussreichen Particular person, um sich einen Vorteil zu verschaffen. Was LLMs betrifft, sehen wir dies oft in ihren Antworten auf unsere Anfragen. Haben Sie jemals beobachtet, dass ChatGPT oder Claude allem, was Sie sagen, zustimmten, es eine „fantastische Idee“ nannten oder Sie mit selbstbewussten Sätzen wie „Sie sind den anderen um Längen voraus“ lobten? Es tut mir leid, dass deine Blase platzt, aber du bist nicht allein. Und in der Welt der KI ist dies ein sehr häufiges Downside.

Sie sehen, als KI-ChatbotLLMs werden oft dazu ausgebildet, „hilfsbereit“ zu sein. In den meisten Fällen bedeutet dies, auf der Idee des Benutzers aufzubauen und ihn auf seinem weiteren Weg zum Erfolg zu unterstützen. Allerdings wird dabei im sozialen Kontext oft ein überaus wichtiger Aspekt menschlicher Gespräche außer Acht gelassen – eine andere Perspektive.

Schließlich kann es für einen Second zwar Trost sein, jemandem in jedem einzelnen Punkt zuzustimmen, aber auf lange Sicht kann es nie von Vorteil sein.

Und hier greifen KI-Modelle zu kurz. Durch diese Studie ist es Anthropic gelungen, genau die Bereiche zu finden, in denen Claudes kriecherisches Verhalten weit über dem Durchschnitt liegt.

Lesen Sie auch:

Wie Claude Speichelleckerei zeigte

In seiner Studie verwendete Anthropic einen „automatischen Klassifikator“, um Claudes Speichelleckerei zu beurteilen. Es funktionierte nach vier Hauptprinzipien:

• Ob Claude zurückdrängte
• Ob es seine Place behauptete, als es herausgefordert wurde
• Wenn sein Lob im Verhältnis zum Wert der Idee stünde
• Und wenn es offenherzig sprach, unabhängig davon, was die Particular person hören wollte

Die Ergebnisse zeigten, dass Claude in einem ganz bestimmten Bereich – der Beziehungsberatung – eine höhere Speichelleckerei zeigte. Die Area zeigte 25 % kriecherische Reaktionen, verglichen mit 9 % in anderen Branchen.

Hier ist ein Auszug aus der Studie, der dasselbe hervorhebt:

„Ein häufiges Muster conflict, dass Claude völlig zustimmte, dass die andere Partei im Unrecht conflict, obwohl er nur über das Konto des Benutzers verfügte. Ein anderes conflict, dass Claude Menschen dabei half, romantische Absichten in gewöhnliches freundliches Verhalten umzuwandeln, weil sie es darum gebeten hatten.“

Als Anthropic sich eingehend mit solchen Gesprächen befasste, fand er den Grund dafür heraus. Sie zitiert in ihrem Bericht, dass Claude in der Beziehungsberatung eine höhere Speichelleckerei zeigte, weil dies der Bereich ist, in dem sich die Menschen mehr zurückhalten als in jedem anderen Bereich. Sie neigen dazu, mehr als alles andere an ihre eigene Seite der Geschichte zu glauben und argumentieren in Gesprächen genauso mit der KI.

Kombinieren Sie dies mit der Tatsache, dass Claude dazu neigt, unter dem Druck von Widerständen unterwürfiger zu sein, vor allem aufgrund seiner „immer einfühlsamen“ Haltung gegenüber Benutzern, und Sie wissen, warum diese überdurchschnittliche Menschenzufriedenheit liegt.

Wie Anthropic Claudes Speichelleckerei bekämpfte

Da das Downside nun offensichtlich conflict, ging Anthropic noch tiefer in die Materie ein, um das Downside an der Wurzel anzugehen. Zunächst wurde festgestellt, wie genau sich die Benutzer in ihren Gesprächen mit Claude zurückhielten, insbesondere auf welche Weise dies zu kriecherischen Reaktionen führte. Einige der Beispiele, die auftauchten, waren „wenn Leute Claudes anfängliche Einschätzung kritisieren oder eine Flut einseitiger Particulars liefern“.

Dementsprechend entwarf Anthropic künstliche Szenarien, um Claude in Beziehungsberatung zu schulen. Im Rahmen dieser Schulung wurde Claude gebeten, für jedes Szenario zwei verschiedene Antworten auszuprobieren. Eine andere Claude-Instanz bewertet dann die oben genannten Antworten anhand ihrer Einhaltung des von Anthropic dargelegten idealen Verhaltens.

Anschließend führte das Group Stresstests durch, um den Grad der Verbesserung in jedem einzelnen Fall zu messen. Zu diesem Zweck fütterte es bestehende kriecherische Reaktionen, die Claude zuvor geäußert hatte, mit neuen Modellen – Opus 4.7 Und Mythos. Die hierzu verwendete Technik nennt sich Prefilling. Dies machte es für das Mannequin schwierig, ein ohnehin schon kriecherisches Gespräch in ein normales Gespräch zu lenken. Daher der „Stress“ beim Stresstest. Dies half dabei, Claudes Verhalten unter „bewusst widrigen Bedingungen“ zu messen.

Anthropic stellt fest, dass sowohl Opus 4.7 als auch Mythos „geschickter“ darin waren, den größeren Kontext einer Konversation zu betrachten. Dies ermöglichte es ihnen, in zukünftigen Antworten unabhängig vom Widerstand der Benutzer viel weniger kriecherisch zu sein. In einem Fall, wo Sonett 4.6 Obwohl es nur Lob gab, lehnte Mythos Preview einfach einen Kommentar ab und verwies auf unzureichende Informationen für ein richtiges Urteil.

Abschluss

Sobald KI in die sozialen Aspekte des menschlichen Lebens Einzug hält, tauchen mehrere neue Probleme auf, die möglicherweise nichts mit der technischen Leistungsfähigkeit des Modells zu tun haben. Selbst wenn das Modell scheinbar genaue Antworten liefert, muss es möglicherweise optimiert werden, um Ergebnisse zu erzielen, die im Hinblick auf die langfristige Unterstützung des Benutzers relevanter sind.

Kurz gesagt, die Zufriedenheit der Menschen ist mittlerweile eine Plage für die KI, und Anthropic hat gerade einen Ausweg gefunden.

Von der Verbesserung der internationalen Geschäftslogistik über die Freigabe weiterer Krankenhausbetten bis hin zur Unterstützung von Landwirten fasste MIT-Professor Dimitris Bertsimas SM ’87, PhD ’88 zusammen, wie seine Arbeit im Bereich Operations Analysis zu Verbesserungen in der Praxis beigetragen hat, während er am Donnerstag, dem 19. März, die 54. jährliche James R. Killian School Achievement Award Lecture am MIT hielt.

Bertsimas beschrieb auch, wie künstliche Intelligenz mittlerweile in einigen seiner wissenschaftlichen Projekte und als Werkzeug in den MIT-Open-Studying-Bemühungen eingesetzt wird, die er derzeit leitet – ein weiterer Aspekt einer äußerst produktiven und gelobten Karriere über vier Jahrzehnte am Institut. Der Killian Award ist die höchste Auszeichnung, die das MIT seiner Fakultät verleiht.

„Ich habe versucht, die menschliche Verfassung zu verbessern“, fasste Bertsimas die Breite seiner Arbeit und die vielen Anwendungen im Alltag zusammen, die er dafür gefunden hat.

Am MIT ist Bertsimas Vizeprovost für offenes Lernen, stellvertretender Dekan für On-line-Bildung und künstliche Intelligenz, Boeing Leaders for World Operations Professor für Administration und Professor für Operations Analysis an der MIT Sloan College of Administration. Er fungierte außerdem als erster Fakultätsdirektor des Grasp of Enterprise Analytics-Programms am MIT Sloan und hatte die Place des stellvertretenden Dekans für Enterprise Analytics inne.

Bertsimas‘ Ausführungen umfassten sowohl seine früheren Erkenntnisse und seine laufenden Studien als auch seine aktuellen Bemühungen, KI in seine Forschung einzubeziehen. Er beschrieb das Konzept der „robusten Optimierung“, einen äußerst einflussreichen Ansatz, den Bertsimas Anfang der 2000er Jahre mitentwickelte, und erklärte, wie er beispielsweise eine zuverlässigere Schifffahrt durch den Panamakanal ermöglicht hat. Andere Optimierungsansätze zielen darauf ab, täglich mehr Schiffe durch den Kanal zu befördern – bis zu 48 –, würden jedoch zeitweise auf erhebliche Probleme stoßen. Bertsimas‘ Ansatz ergab, dass 45 Schiffe professional Tag besser seien – eine etwas geringere Zahl, die aber „immer machbar“ sei, stellte er fest.

Im Laufe der Zeit hat Bertsimas‘ Arbeit dazu beigetragen, alle Arten von Lösungen in der Unternehmenslogistik zu strukturieren; es wurde sogar für die Zuteilung von Schulbussen in Boston verwendet.

In jüngerer Zeit arbeiten er und seine Mitarbeiter, wie Bertsimas im Vortrag erläuterte, mit Hartford HealthCare in Connecticut an einer Vielzahl von Themen zusammen und beziehen KI zunehmend in die Entwicklung von Werkzeugen unter anderem für die Diagnostik ein. Im Hinblick auf die Optimierung haben ihre Untersuchungen Möglichkeiten vorgeschlagen, den durchschnittlichen Aufenthalt eines Krankenhauspatienten von 5,38 Tagen auf 4,93 Tage zu verkürzen. Im Hauptkrankenhaus von Hartford haben sie untersucht, dass die Reduzierung angesichts der Anzahl der vorhandenen Betten mehr als 5.000 zusätzliche Patientenaufenthalte professional Jahr ermöglicht hat.

„Es ist ein ganz anderes Ballspiel“, sagte Bertsimas.

Bertsimas hielt seinen Vortrag mit dem Titel „Algorithms for Life: AI and Operations Analysis Reworking Healthcare, Training, and Agriculture“ vor einem Publikum von über 300 MIT-Neighborhood-Mitgliedern in Huntington Corridor (Raum 10-250) auf dem Campus.

Der Preis wurde 1971 zu Ehren von James Killian ins Leben gerufen, zu dessen herausragender Karriere die Tätigkeit als 10. Präsident des MIT von 1948 bis 1959 und anschließend als Vorsitzender der MIT Company von 1959 bis 1971 gehörte.

„Professor Bertsimas‘ wissenschaftliche Beiträge sind sowohl umfangreich als auch bahnbrechend“, sagte Roger Levy, Vorsitzender der MIT-Fakultät und Professor am Division of Mind and Cognitive Sciences, während er einleitende Bemerkungen machte. „Er ist einer der seltenen Menschen, der bedeutende Beiträge zu beiden intellektuellen Themen im Bereich Operations Analysis geleistet hat: erstens zur Optimierung – kombinatorisch, linear und nichtlinear – und zweitens zu stochastischen Prozessen.“

Tatsächlich hat die Arbeit von Bertsimas dazu beigetragen, sowohl bessere Werkzeuge für die Untersuchung und Durchführung von Operationen zu entwickeln als auch ein breites Anwendungsspektrum zu bieten. Wie Bertsimas in seinem Vortrag feststellte, conflict der Tod seiner beiden Eltern im Jahr 2009 für ihn der Anstoß, sich eingehend mit der Frage zu befassen, wie Operations Analysis das Gesundheitswesen unterstützen könnte.

Bertsimas erhielt seinen BS in Elektrotechnik und Informatik von der Nationalen Technischen Universität Athen in Griechenland. Für seine Abschlussarbeit wechselte er zum MIT, wo er dann seinen MS in Operations Analysis und seinen Ph.D. in angewandter Mathematik und Operations Analysis erwarb. Bertsimas trat nach seiner Promotion der MIT-Fakultät bei und ist seitdem am Institut geblieben.

Bertsimas ist auch als tatkräftiger Lehrer bekannt, der einer bemerkenswerten Anzahl von Doktoranden – derzeit 106 und mehr – als Hauptberater zur Seite stand.

„Es ist mit Abstand meine Lieblingsbeschäftigung, meine Doktoranden zu betreuen“, sagte Bertsimas. „Meiner Meinung nach ist es ein Privileg, mit außergewöhnlichen jungen Menschen wie denen, die wir am MIT haben, in Bezug auf Fähigkeiten, Charakter und Ambitionen zusammenzuarbeiten. Sie machen mich tatsächlich zu einem besseren Wissenschaftler und einem besseren Menschen.“

„MIT ist Teil meiner Identität“, witzelte Bertsimas und bemerkte, dass er der einzige Fakultätsmitglied auf dem Campus sei, dessen Vorname diese drei Buchstaben in der angegebenen Reihenfolge habe.

Im letzten Teil des Vortrags hob Bertsimas die Arbeit hervor, die er als Vizeprovost für offenes Lernen am MIT geleistet hat. Er hat persönlich einen großen On-line-Kurs entwickelt, der auf seinem eigenen Materials basiert: „The Analytics Edge“. In seiner jetzigen Rolle, sagte Bertsimas, strebe er nun danach, dass das MIT eine Milliarde Lernende mit On-line-Kursen erreicht, als Teil seiner Bemühungen, „den Zugang zu Bildung zu demokratisieren“.

Bertsimas demonstrierte dem Publikum auch einige KI-Instruments, an deren Einführung er und seine Kollegen in der On-line-Bildung arbeiten, darunter Möglichkeiten zur Verdichtung von Materials und die Übersetzung von On-line-Materials in andere Sprachen.

Es ist nur ein weiteres Kapitel in einer langen und weitreichenden Karriere, die sich dem Erfassen von Phänomenen und der Entwicklung von Werkzeugen widmet, die uns bei der Bewältigung dieser Phänomene helfen.

Oder wie Berstimas an einer Stelle seiner Vorlesung feststellte, als er seine Forschung zusammenfasste: „Ich versuche, das menschliche Verständnis dafür zu verbessern, wie die Welt funktioniert.“

Das Leben nach der Pensionierung bringt oft eine Mischung aus Ruhe, Neugier und neuen Möglichkeiten mit sich. Viele Menschen betreten diese Part auf der Suche nach Komfort und Stabilität, möchten aber dennoch Raum zum Entdecken haben. Eine angenehme Zukunft entsteht in der Regel eher aus einfachen Gewohnheiten und durchdachter Planung als aus dramatischen Veränderungen.

Der Komfort im Ruhestand hängt vom Zusammenwirken mehrerer Elemente ab. Ein verlässlicher Finanzplan stärkt das Vertrauen. Ein ausgewogener Lebensstil bringt ein Gefühl der Leichtigkeit. Auch unterstützende Beziehungen, sinnvolle Aktivitäten und praktische Wohnmöglichkeiten spielen eine große Rolle.

Setzen Sie klare Erwartungen für Ihr neues Kapitel

Viele Rentner gehen mit Vorfreude in diese Zeit, doch es kann hilfreich sein, sich einen Second Zeit zu nehmen und zu klären, wie das Leben aussehen soll. Ziele geben die Richtung vor, und die Richtung gibt Seelenfrieden. Eine klare Vorstellung davon, wie Sie Ihre Tage verbringen möchten, kann dem Gefühl des Abdriftens vorbeugen.

Ein neues Kapitel profitiert oft von Struktur. Ein einfacher Zeitplan, der Aktivitäten, die Ihnen Spaß machen, Momente der Ruhe und Pläne für soziale Kontakte umfasst, schafft einen gesunden Rhythmus. Eine klarere Vorstellung Ihrer Prioritäten hilft Ihnen auch zu erkennen, was Ihr Wohlbefinden fördert und was es stört.

Aufbau einer zuverlässigen finanziellen Grundlage

Finanzielle Stabilität spielt eine wichtige Rolle bei der Gestaltung der Lebensqualität im Ruhestand. Ein intestine strukturierter Plan kann Ihnen heute Sicherheit geben und Ihnen gleichzeitig helfen, zuversichtlicher in die Zukunft zu blicken. Viele Rentner bewerten ihre Ersparnisse neu, überprüfen Auszahlungsoptionen und überlegen, wie verschiedene Einkommensquellen zusammenarbeiten, um langfristigen Komfort zu gewährleisten.

Rentenkonten sind ein zentraler Bestandteil dieser Stiftung. Sie bieten Steuervorteile und eine strukturierte Möglichkeit, die Ersparnisse im Laufe der Zeit zu steigern. Eine Possibility, die viele Menschen in Betracht ziehen, ist eine Roth IRA. Im Gegensatz zu herkömmlichen Konten ermöglicht ein Roth IRA steuerfreie qualifizierte Abhebungen im Ruhestand, was bei der Planung zukünftiger Steueränderungen hilfreich ist. Erfahren Sie mehr bei einem Besuch https://www.sofi.com/make investments/retirement-accounts/roth-ira/. Diese Flexibilität gibt den Menschen mehr Sicherheit bei der Planung sowohl erwarteter Ausgaben als auch unerwarteter Bedürfnisse.

Erhaltung der Gesundheit durch stabile tägliche Gewohnheiten

Eine gute körperliche und geistige Gesundheit kann den Alltag im Ruhestand wesentlich angenehmer machen. Gesunde Routinen unterstützen Energie, Mobilität und allgemeine Klarheit. Regelmäßige Bewegung hält Ihren Körper aktiv und ausgewogene Mahlzeiten helfen, die Kraft zu erhalten. Schlafmuster haben auch einen erheblichen Einfluss darauf, wie Sie sich im Laufe des Tages fühlen.

Routinemäßige ärztliche Untersuchungen bieten eine weitere Sicherheit. Eine frühzeitige Aufmerksamkeit für kleine Probleme verhindert oft größere Herausforderungen. Ruhige Tage kommen in der Regel leichter, wenn konsequent und sorgfältig auf Ihre Gesundheit geachtet wird. Gute Gewohnheiten geben Ihnen ein Gefühl der Kontrolle und helfen Ihnen, das Leben freier zu genießen.

Stärkung sozialer Verbindungen

Gesunde soziale Bindungen können Trost, Freude und emotionales Gleichgewicht bringen. Viele Rentner bemerken eine constructive Veränderung, wenn sie weiterhin mit Familie, Freunden oder dem sozialen Umfeld in Kontakt bleiben. Ein einfaches Gespräch oder eine gemeinsame Aktivität können den Tag erhellen und Ihr Zugehörigkeitsgefühl stärken.

Gemeinschaftsprogramme, soziale Golf equipment und Freiwilligenarbeit bieten oft hilfreiche Möglichkeiten, Kontakte zu knüpfen. Diese Erfahrungen bieten Sinn, Kameradschaft und wertvolle Interaktion. Ein unterstützendes Netzwerk mildert stressige Momente und sorgt dafür, dass sich das Leben erfüllter anfühlt.

Durch neue Interessen einen Sinn schaffen

Der Ruhestand gibt Ihnen die Freiheit, Interessen nachzugehen, die vielleicht jahrelang auf sich warten ließen. Ein neues Passion oder eine neue Lernmöglichkeit bringt Spannung in Ihren Alltag und hält Ihren Geist aktiv. Kreative Aktivitäten, Reisen und strukturierte Kurse wecken oft neue Motivation.

Der Zweck gibt Ihren Tagen Sinn und Struktur. Eine intestine gewählte Beschäftigung kann Zufriedenheit, persönliches Wachstum und dauerhafte Freude bringen. Viele Rentner sind der Meinung, dass neue Interessen ein erneuertes Identitätsgefühl schaffen und dazu beitragen, eine constructive Einstellung zu bewahren.

Machen Sie Ihr Zuhause komfortabel und praktisch

Ein gemütliches Zuhause kann den Alltag im Ruhestand prägen. Ein Raum, der Leichtigkeit und Sicherheit fördert, hilft Ihnen, Ihren Alltag ohne unnötigen Stress zu bewältigen. Durchdachte Anpassungen können einen großen Unterschied machen, insbesondere wenn das Ziel darin besteht, eine friedliche Umgebung zu schaffen, die einladend wirkt.

Kleine Updates reichen oft weit. Eine bessere Beleuchtung kann Ihnen helfen, Ihre Umgebung klarer zu sehen. Durch die organisierte Aufbewahrung bleiben Alltagsgegenstände immer griffbereit. Eine Möbelplatzierung, die eine einfache Bewegung unterstützt, verringert die Belastung und sorgt für ein Gefühl der Sicherheit. Eine praktische Einrichtung zu Hause beseitigt Hindernisse und hilft Ihnen, selbstbewusst in den Tag zu starten.

Planung für langfristige Stabilität

Eine durchdachte Vorbereitung hilft Ihnen, mit weniger Sorgen in die Zukunft zu blicken. Der Ruhestand bringt oft neue Prioritäten mit sich, daher kann eine stetige Planung Ihnen ein starkes Gefühl der Kontrolle geben. Entscheidungen im Gesundheitswesen, Notfallvorkehrungen und langfristige finanzielle Überlegungen verdienen alle Aufmerksamkeit.

Ein klarer Plan für potenzielle medizinische Bedürfnisse gibt Ihnen und Ihren Angehörigen Sicherheit. Regelmäßige Überprüfungen Ihrer Versicherungsmöglichkeiten helfen Ihnen, informiert zu bleiben. Notfallfonds bieten auch Trost, denn sie schützen Ihren Lebensstil in unerwarteten Momenten. Durch Gespräche mit vertrauenswürdigen Kontakten bleibt Ihr Supportsystem stark und zuverlässig. Langzeitstabilität erfordert keine fehlerfreien Vorhersagen. Es erfordert lediglich Bewusstsein und Vorbereitung.

Offen bleiben für Anpassung und Wachstum

Der Ruhestand entwickelt sich weiter, wenn sich das Leben verändert. Daher kann eine offene Einstellung diese Part lohnender machen. Durch die starke Anpassungsfähigkeit können Sie neue Ideen, neue Instruments und neue Verbindungswege genießen. Ein flexibler Ansatz hält Ihre Erfahrungen frisch und Ihre Neugier wach.

Technologie spielt oft eine Rolle dabei, in Verbindung zu bleiben und informiert zu bleiben. Viele Rentner erlernen gerne einfache digitale Fähigkeiten, die ihnen helfen, Aufgaben zu verwalten, Interessen zu erkunden oder mit ihren Lieben zu kommunizieren. Wenn Sie Ihre Routinen im Laufe der Zeit anpassen, bleiben Sie auch engagiert. Kleine Veränderungen können Komfort, Leichtigkeit und neue Möglichkeiten bringen.

Wachstum im Ruhestand erfordert keine ständige Neuerfindung. Es erfordert einfach Offenheit. Die Bereitschaft zur Erkundung und Anpassung sorgt dafür, dass Ihr Lebensstil lebendig und bedeutungsvoll bleibt.

Eine angenehme Zukunft nach der Pensionierung beginnt mit Klarheit, durchdachten Entscheidungen und festen Gewohnheiten. Jeder Lebensbereich, ob finanziell, sozial, persönlich oder praktisch, trägt zu einem Gefühl der Leichtigkeit bei. Eine gute Planung stärkt das Vertrauen. Gesunde Routinen bringen Stability. Gezielte Aktivitäten und herzliche Kontakte stärken Ihr Wohlbefinden. Ein Zuhause, das Ihren Bedürfnissen entspricht, gibt Ihnen jeden Tag Komfort.

Der Ruhestand kann sich zutiefst erfüllend anfühlen, wenn er mit Bedacht und Sorgfalt angegangen wird. Die Entscheidungen, die Sie heute treffen, helfen Ihnen, eine Zukunft aufzubauen, die sich sicher, angenehm und voller Möglichkeiten anfühlt.

In der Reihe „Writer Highlight“ unterhalten sich TDS-Redakteure mit Mitgliedern unserer Neighborhood über ihren Karriereweg in den Bereichen Datenwissenschaft und KI, ihr Schreiben und ihre Inspirationsquellen. Heute freuen wir uns, unser Gespräch mit Ihnen zu teilen Sara Nobrega.

Sara Nobrega ist eine KI-Ingenieurin mit einem Hintergrund in Physik und Astrophysik. Sie schreibt über LLMs, Zeitreihen, Karrierewechsel und praktische KI-Workflows.

Sie verfügen über einen Masterabschluss in Physik und Astrophysik. Welchen Einfluss hat Ihr Hintergrund auf Ihre Arbeit in den Bereichen Datenwissenschaft und KI-Technik?

Die Physik hat mich zwei Dinge gelehrt, auf die ich mich ständig stütze: wie man ruhig bleibt, wenn ich nicht weiß, was passiert, und wie man ein beängstigendes Downside in kleinere Teile zerlegt, bis es nicht mehr beängstigend ist. Außerdem … die Physik macht einen wirklich demütig. Sie lernen schnell, dass es keine Rolle spielt, „intelligent“ zu sein, wenn Sie Ihr Denken nicht erklären oder Ihre Ergebnisse nicht reproduzieren können. Diese Denkweise ist wahrscheinlich das Nützlichste, was ich in die Datenwissenschaft und -technik eingebracht habe.

Sie haben kürzlich einen geschrieben tiefer Tauchgang in Ihren Übergang vom Datenwissenschaftler zum KI-Ingenieur. Was ist in Ihrer täglichen Arbeit bei GLS der größte Unterschied in der Denkweise zwischen diesen beiden Rollen?

Für mich conflict die größte Veränderung die Frage: „Ist dieses Modell intestine?“ zu „Kann dieses System das wirkliche Leben überleben?“ Als KI-Ingenieur geht es nicht so sehr um die perfekte Antwort, sondern vielmehr darum, etwas Verlässliches zu schaffen. Und ehrlich gesagt conflict diese Änderung zunächst unangenehm … aber dadurch fühlte sich meine Arbeit viel nützlicher an.

Du notiert Während ein Datenwissenschaftler möglicherweise Wochen damit verbringt, ein Modell zu optimieren, hat ein KI-Ingenieur möglicherweise nur drei Tage Zeit, um es bereitzustellen. Wie bringen Sie Optimierung und Geschwindigkeit in Einklang?

Wenn wir drei Tage Zeit haben, bin ich nicht auf der Suche nach winzigen Verbesserungen. Ich strebe nach Selbstvertrauen und Zuverlässigkeit. Deshalb werde ich mich auf eine solide Foundation konzentrieren, die bereits funktioniert, und auf eine einfache Möglichkeit, zu überwachen, was nach dem Begin passiert.

Auch der Versand in kleinen Schritten gefällt mir. Anstatt zu denken: „Setzen Sie das Letzte ein“, denke ich: „Setzen Sie die kleinste Model ein, die Wert schafft, ohne Chaos zu verursachen.“

Wie könnten wir Ihrer Meinung nach LLMs nutzen, um die Lücke zwischen Datenwissenschaftlern und DevOps zu schließen? Können Sie ein Beispiel nennen, bei dem dies für Sie intestine funktioniert hat?

Datenwissenschaftler sprechen von Experimenten und Ergebnissen, während DevOps-Leute von Zuverlässigkeit und Wiederholbarkeit sprechen. Ich denke, LLMs können als Übersetzer auf praktische Weise hilfreich sein. Zum Beispiel, um Checks und Dokumentation zu erstellen, damit das, was auf meiner Maschine funktioniert, „in der Produktion funktioniert“.

Ein einfaches Beispiel aus meiner eigenen Arbeit: Wenn ich so etwas wie einen API-Endpunkt oder eine Verarbeitungspipeline baue, verwende ich ein LLM, um die langweiligen, aber wichtigen Teile wie Testfälle, Randfälle und klare Fehlermeldungen zu entwerfen. Dies beschleunigt den Prozess erheblich und hält die Motivation aufrecht. Ich denke, der Schlüssel liegt darin, den LLM als einen Junior zu behandeln, der schnell und hilfsbereit ist und gelegentlich Fehler macht. Daher ist es wichtig, alles noch einmal durchzugehen.

Du hast zitierte Forschung Dies deutet auf ein massives Wachstum der KI-Rollen bis 2027 hin. Wenn ein junger Datenwissenschaftler in diesem Jahr nur eine technische Fähigkeit erlernen könnte, um wettbewerbsfähig zu bleiben, welche sollte das sein?

Wenn ich mich für eines entscheiden müsste, wäre es, zu lernen, wie man seine Arbeit wiederholbar versendet! Nehmen Sie ein Projekt und machen Sie es zu etwas, das zuverlässig läuft, ohne dass Sie es beaufsichtigen müssen. Denn in der realen Welt ist das beste Modell nutzlos, wenn niemand es nutzen kann. Und die Menschen, die herausstechen, sind diejenigen, die eine Idee aus einem Notizbuch in etwas Reales umsetzen können.

Ihre jüngste Arbeit hat sich stark auf LLMs und Zeitreihen konzentriert. Was ist mit Blick auf das Jahr 2026 das neue KI-Thema, über das Sie als nächstes am meisten schreiben möchten?

Ich neige immer mehr dazu, über praktische KI-Workflows zu schreiben (wie man von einer Idee zu etwas Verlässlichem wird). Wenn ich über ein „heißes“ Thema schreibe, möchte ich außerdem, dass es nützlich und nicht nur spannend ist. Ich möchte darüber schreiben, was funktioniert, was kaputt geht … Die Welt der Datenwissenschaft und KI ist voller Kompromisse und Unklarheiten, und das hat mich sehr fasziniert.

Ich werde auch immer neugieriger auf KI als System: Wie verschiedene Teile zusammenwirken … Seien Sie gespannt auf die diesjährigen Artikel!

Um mehr über Saras Arbeit zu erfahren und über ihre neuesten Artikel auf dem Laufenden zu bleiben, können Sie ihr folgen TDS oder LinkedIn.

Generative KI und Robotik bringen uns immer näher an den Tag, an dem wir nach einem Objekt fragen und es innerhalb weniger Minuten erstellen lassen können. Tatsächlich haben MIT-Forscher ein Speech-to-Actuality-System entwickelt, einen KI-gesteuerten Arbeitsablauf, der es ihnen ermöglicht, Eingaben an einen Roboterarm zu senden und „Objekte ins Leben zu rufen“, wodurch sie beispielsweise Möbel in nur fünf Minuten herstellen können.

Mit dem Speech-to-Actuality-System ist ein auf einem Tisch montierter Roboterarm in der Lage, gesprochene Eingaben von einem Menschen zu empfangen, wie zum Beispiel „Ich möchte einen einfachen Hocker“, und dann die Objekte aus modularen Komponenten zu konstruieren. Bisher haben die Forscher mit dem System Hocker, Regale, Stühle, einen kleinen Tisch und sogar Dekorationsgegenstände wie eine Hundestatue hergestellt.

„Wir verbinden die Verarbeitung natürlicher Sprache, generative 3D-KI und Robotermontage“, sagt Alexander Htet Kyaw, Doktorand am MIT und Fellow der Morningside Academy for Design (MAD). „Dies sind schnell voranschreitende Forschungsbereiche, die noch nie zuvor so zusammengeführt wurden, dass man tatsächlich physische Objekte nur aus einer einfachen Sprachaufforderung herstellen kann.“

Die Idee entstand, als Kyaw – ein Doktorand in den Fachbereichen Architektur, Elektrotechnik und Informatik – den Kurs „Wie man quick alles herstellt“ von Professor Neil Gershenfeld belegte. In diesem Kurs baute er das Speech-to-Actuality-System auf. Er arbeitete weiter an dem Projekt am MIT Heart for Bits and Atoms (CBA) unter der Leitung von Gershenfeld und arbeitete mit den Doktoranden Se Hwan Jeon vom Division of Mechanical Engineering und Miana Smith vom CBA zusammen.

Das Speech-to-Actuality-System beginnt mit einer Spracherkennung, die die Anfrage des Benutzers mithilfe eines großen Sprachmodells verarbeitet, gefolgt von generativer 3D-KI, die eine digitale Netzdarstellung des Objekts erstellt, und einem Voxelisierungsalgorithmus, der das 3D-Netz in Baugruppenkomponenten zerlegt.

Anschließend modifiziert die geometrische Verarbeitung die KI-generierte Baugruppe, um fertigungsbedingte und physikalische Einschränkungen im Zusammenhang mit der realen Welt zu berücksichtigen, wie z. B. die Anzahl der Komponenten, Überhänge und Konnektivität der Geometrie. Anschließend erfolgt die Erstellung einer realisierbaren Montagesequenz und eine automatisierte Pfadplanung für den Roboterarm, um physische Objekte nach Eingaben des Benutzers zusammenzubauen.

Durch die Nutzung natürlicher Sprache macht das System Design und Fertigung auch für Menschen ohne Kenntnisse in 3D-Modellierung oder Roboterprogrammierung zugänglicher. Und im Gegensatz zum 3D-Druck, der Stunden oder Tage dauern kann, lässt sich dieses System innerhalb von Minuten aufbauen.

„Dieses Projekt ist eine Schnittstelle zwischen Menschen, KI und Robotern, um die Welt um uns herum gemeinsam zu erschaffen“, sagt Kyaw. „Stellen Sie sich ein Szenario vor, in dem Sie sagen ‚Ich möchte einen Stuhl‘ und innerhalb von fünf Minuten erscheint ein physischer Stuhl vor Ihnen.“

Das Workforce hat unmittelbare Pläne, die Tragfähigkeit der Möbel zu verbessern, indem es die Verbindung der Würfel von Magneten auf robustere Verbindungen umstellt.

„Wir haben auch Pipelines entwickelt, um Voxelstrukturen in realisierbare Montagesequenzen für kleine, verteilte cell Roboter umzuwandeln, die dazu beitragen könnten, diese Arbeit in Strukturen jeder Größenskala umzusetzen“, sagt Smith.

Der Zweck der Verwendung modularer Komponenten besteht darin, den Abfall zu vermeiden, der bei der Herstellung physischer Objekte anfällt, indem man sie zerlegt und dann wieder zusammenbaut, um beispielsweise ein Couch in ein Bett zu verwandeln, wenn man das Couch nicht mehr benötigt.

Weil Kyaw auch Erfahrung in der Anwendung hat Gestenerkennung und Augmented Actuality zur Interaktion Mit Robotern im Herstellungsprozess arbeitet er derzeit daran, sowohl Sprach- als auch Gestensteuerung in das Speech-to-Actuality-System zu integrieren.

Kyaw greift auf seine Erinnerungen an den Replikator in der „Star Trek“-Reihe und die Roboter im Animationsfilm „Massive Hero 6“ zurück und erklärt seine Imaginative and prescient.

„Ich möchte den Menschen den Zugang zu physischen Objekten auf schnelle, zugängliche und nachhaltige Weise erleichtern“, sagt er. „Ich arbeite an einer Zukunft, in der das Wesen der Materie wirklich unter Ihrer Kontrolle liegt. Eine Zukunft, in der die Realität auf Abruf generiert werden kann.“

Das Workforce stellte sein Papier vor „Sprache zur Realität: On-Demand-Produktion mit natürlicher Sprache, generativer 3D-KI und diskreter Robotermontage“ beim Affiliation for Computing Equipment (ACM) Symposium on Computational Fabrication (SCF ’25), das am 21. November am MIT stattfand.

Bild vom Herausgeber

# Einführung

Ich habe mich mit Werkzeugen der künstlichen Intelligenz (KI) beschäftigt und nicht nur darüber geschrieben, sondern sie auch jeden Tag bei meiner Arbeit als Datenwissenschaftler eingesetzt. Sie haben die Artwork und Weise, wie ich Dinge erledige, völlig verändert und mir dabei geholfen, saubereren Code zu schreiben, mein Schreiben zu verbessern, die Datenanalyse zu beschleunigen und Projekte viel schneller abzuwickeln.

In diesem Artikel teile ich die sieben KI-Instruments, die zu festen Bestandteilen meines Workflows geworden sind. Kein Ersatz, kein Ersatz – nur das Wesentliche, das alles antreibt, von maschinellen Lernprojekten bis hin zur Content material-Automatisierung.

# 1. Grammatik-KI

Bild vom Autor

Grammatikalisch ist ein Werkzeug, das ich seit quick einem Jahrzehnt verwende. Es begann als einfacher Grammatik- und Rechtschreibprüfungsassistent für meine Hausaufgaben und Abschlussarbeiten, hat sich aber zu einem vollständig KI-gestützten Schreibbegleiter entwickelt.

Jetzt kann ich jeden Textual content hervorheben und Grammarly bitten, ihn zu verbessern, neu zu schreiben, den Ton anzupassen oder ihn klarer zu machen, und es liefert durchweg qualitativ hochwertige Ergebnisse.

Nachdem ich meine Inhalte durch Grammarly laufen gelassen habe, fühlt sich alles schärfer, ausgefeilter und bereit zur Veröffentlichung an. Ich verwende es für meine LinkedIn-Beiträge, Artikel, Tutorials, Projektdokumentationen und E-Mails. Es ist eines der wenigen Werkzeuge, ohne die ich wirklich nicht leben kann.

# 2. You.com

Bild vom Autor

Ich habe verwendet You.com seit zwei Jahren, und ehrlich gesagt ist es trotz der jüngsten Erhöhung des Abonnementpreises immer noch jeden Cent wert.

Ich verlasse mich darauf, wenn es um Recherche, Planung und das Erlernen neuer Themen geht. Der Deep-Analysis-Modus ist eine der besten Funktionen; Es untersucht Themen gründlich und liefert detaillierte Berichte, die ich noch nicht gesehen habe ChatGPT oder ein anderer KI-Assistent.

Einer der größten Vorteile von You.com ist der Zugang zu Topmodels von Anthropisch, OpenAI, Googleund eine Reihe von Open-Supply-Modellen, alles an einem Ort. Sie können sie testen, vergleichen und sogar in Ihren Workflow integrieren. Darüber hinaus bietet You.com einen kostenlosen Mannequin Context Protocol (MCP)-Server an, der es unglaublich einfach macht, Ihre lokalen KI-Instruments zu verbinden und Net-Ergebnisse in Millisekunden abzurufen.

Für rechercheintensive Arbeiten oder die Erkundung neuer Ideen ist You.com mit Sicherheit eines meiner zuverlässigsten Instruments.

# 3. Cursor

Bild vom Autor

Ich struggle ein Fan von Cursor lange bevor es populär wurde. Es ist leichtgewichtig, intuitiv und einer der ersten Editoren, der native Unterstützung für Agenten-KI-Workflows bietet.

Heute verwende ich Cursor mit Claude Code und mehrere wichtige Erweiterungen, um Code viel schneller zu testen, zu debuggen und zu versenden, und ich liebe jedes Element davon.

Ich verwende Cursor für das Coaching von Modellen für maschinelles Lernen, die Webentwicklung, die API-Erstellung, die Datenanalyse und sogar für die Zusammenstellung kompletter Projekte von Grund auf. Funktionen wie Inline-KI-Vorschläge, Multi-File-Argumentation, sofortiges Refactoring und kontextbewusste Planung sorgen dafür, dass es sich wie ein echter KI-Paarprogrammierer anfühlt.

# 4. Deepnote

Bild vom Autor

Deepnote ist mein bevorzugtes Software für schnelles Prototyping und Testen von Code. Ich benutze es seit fünf Jahren und es hat sich zu einer voll funktionsfähigen Knowledge-Science-Plattform entwickelt. Es handelt sich um ein Cloud-basiertes Pocket book mit KI-Unterstützung. Das heißt, Sie können es einfach mit der Analyse Ihrer Daten beauftragen und es generiert Schritt für Schritt Code, führt ihn aus, behebt Fehler und erstellt einen sauberen, strukturierten Pocket book-Bericht für Sie.

Es verfügt über intelligente automatische Vervollständigung, Debugging-Unterstützung und schnelles Laden der Umgebung, was das Experimentieren mühelos macht. Ich verwende es für meine Tutorials, Demos und schnellen Experimente und es hat meine Zeit zum Entwickeln und Testen von Ideen drastisch verkürzt.

Ich habe mich so an den Deepnote-Workflow gewöhnt, dass ich nur noch selten lokale Notizbücher berühre. Alles bleibt on-line, organisiert und synchronisiert. Für die Artwork von Arbeit, die ich mache, gibt es nichts Besseres.

# 5. Claude Code

Bild vom Autor

Ehrlich gesagt struggle ich Claude Code zunächst skeptisch gegenüber. Es fühlte sich zu teuer an und schnitt bei einigen meiner frühen Knowledge-Science-Assessments nicht intestine ab. Aber alles änderte sich, als ich entdeckte, dass ich das integrieren konnte GLM-Codierungsplan damit. Seitdem verwende ich Claude Code jeden Tag sowohl für persönliche Projekte als auch für die Arbeit.

Die Verwendung fühlt sich nahtlos an. Ich habe Open Code ausprobiert, Zwillinge, Kodexund sogar Droid, aber ich komme immer wieder auf Claude Code zurück.

Seine Einfachheit, die Artwork und Weise, wie es Anweisungen befolgt, und seine Fähigkeit, komplexe Aufgaben automatisch zu erledigen, machen es unglaublich zuverlässig. Für eine schnelle Entwicklung, klare Argumentation und die Handhabung mehrstufiger Codierungsworkflows gibt es nichts Besseres.

# 6. ChatGPT

Bild vom Autor

Wo fange ich überhaupt mit ChatGPT an? Es ist seit dem Tag seiner Einführung Teil meines täglichen Lebens. Ich verwende es für alles – zum Codieren, Recherchieren, Debuggen von Problemen, Fehlerbehebung in meinem System, Schreiben und Optimieren meines Arbeitsablaufs.

Wenn ich bei einem komplexen Drawback nicht weiterkomme, ist ChatGPT die erste Anlaufstelle für eine schnelle und zuverlässige Antwort. Ich stelle ihm persönliche Fragen, arbeitsbezogene Fragen und alles dazwischen, und dank seiner Fähigkeit, sich an vergangene Gespräche zu erinnern, gibt er stets nützliche, kontextbezogene Antworten.

Was ChatGPT für mich so leistungsstark macht, ist die Kombination aus Gesprächsspeicher, flexiblen Eingaben und benutzerdefinierten Anweisungen. Es passt sich meiner Arbeitsweise an, versteht meine Muster und kann mühelos zwischen Aufgaben wechseln.

Egal, ob ich Code generiere, Notizbücher überprüfe, Inhalte entwerfe oder Daten analysiere, es kommt dem am nächsten, einen Vollzeit-KI-Accomplice für meinen Arbeitsablauf an meiner Seite zu haben.

# 7. lama.cpp

Bild vom Autor

lama.cpp ist das Rückgrat des lokalen KI-Ökosystems. Es ist vollständig Open Supply und ermöglicht die lokale Ausführung großer Sprachmodelle auf normaler Shopper-{Hardware}, auch ohne GPU. Es ist leicht, schnell und unglaublich effizient und bietet echte Naked-Steel-Leistung. Kürzlich haben die Entwickler sogar eine saubere Benutzeroberfläche hinzugefügt, wodurch es sich quick wie ein lokaler Ersatz für ChatGPT anfühlt.

Ich verwende llama.cpp für Offline-Projekte und alle Arbeiten, die sensiblen Code oder personal Daten beinhalten. Es lässt sich problemlos in lokale Programmieragenten, Chatbots und benutzerdefinierte Instruments integrieren und die Einrichtung ist so einfach geworden, dass sogar Home windows-Benutzer es problemlos installieren können. Wann immer ich neue Open-Supply-Modelle testen möchte, führe ich sie über llama.cpp direkt auf meinem Laptop computer aus und teile meine Erfahrungen. Ich verwende es auch zum Generieren von Code, zum Schreiben und zur schnellen Beantwortung von Fragen.

Es ist nicht auf dem Niveau von ChatGPT, aber wenn Ihnen Datenschutz, Sicherheit und das kostenlose Experimentieren mit neuen Modellen am Herzen liegen, ist llama.cpp das Software, das Sie in Ihrem Stack haben möchten.

# Letzte Gedanken

Meine Kerntools bleiben die gleichen: Grammarly, You.com, Cursor und ChatGPT. Der Relaxation ändert sich je nach meinem Arbeitsablauf oder wenn bessere Alternativen auftauchen.

Als jemand mit Legasthenie struggle es ein echter Vorteil, KI-Unterstützung zur Hand zu haben. Diese Instruments helfen mir, komplexe Texte zu verstehen, meine Texte zu überprüfen und sogar Recherchen durchzuführen, für die ich normalerweise Stunden brauchen würde. Durch die Entdeckung von Grammarly, ChatGPT und Cursor wurde aus einer scheinbaren Herausforderung eine meiner Stärken.

Ich glaube nicht, dass KI hier ist, um uns zu ersetzen. Es ist hier, um uns zu unterstützen und eine neue Technology von Arbeitsabläufen zu gestalten, bei denen KI zu einem natürlichen Bestandteil unserer Artwork und Weise wird, wie wir bauen, schreiben, lernen und kreieren. Wenn es richtig eingesetzt wird, schmälert es Ihre Fähigkeiten nicht; es verstärkt sie.

Abid Ali Awan (@1abidaliawan) ist ein zertifizierter Datenwissenschaftler, der gerne Modelle für maschinelles Lernen erstellt. Derzeit konzentriert er sich auf die Erstellung von Inhalten und das Schreiben technischer Blogs zu maschinellem Lernen und Datenwissenschaftstechnologien. Abid verfügt über einen Grasp-Abschluss in Technologiemanagement und einen Bachelor-Abschluss in Telekommunikationstechnik. Seine Imaginative and prescient ist es, ein KI-Produkt mithilfe eines graphischen neuronalen Netzwerks für Schüler mit psychischen Erkrankungen zu entwickeln.

NVIDIA kündigte an, dass die GPU -Cloud -Plattform CoreWeave zu den ersten Cloud -Anbietern gehört, die die NVIDIA GB200 NVL72 -Systeme on-line im Maßstab bringen, wobei Cohere, IBM und Mistral KI sie für Modelltraining und -bereitstellung verwenden.

Die CoreWeave-Nvidia-Beziehung ist bekannt-Nvidia hat stark in CoreWeave investiert, als CoreWeave ein privates Unternehmen warfare, und jetzt als öffentlich gehalten, und CoreWeave, ein NVIDIA-bevorzugter Cloud-Companies-Anbieter, hat die NVIDIA-GPUs in seiner AI-Cloud-Infrastruktur übernommen. Im vergangenen Jahr warfare das Unternehmen zu den ersten, die NVIDIA H100 und NVIDIA H200 GPUS anbieten, und warfare einer der ersten, die die NVIDIA GB200 NVL72 -Systeme demonstrieren.

Laut CoreWeave ist das Portfolio von Cloud -Diensten für den GB200 NVL72 optimiert und bietet den Kubernetes -Service von CoreWeave, Slurm on Kubernetes (Sank), Mission Management und andere Dienste. Die Blackwell-Instanzen von CoreWeave skalieren auf bis zu 110.000 Blackwell-GPUs mit NVIDIA Quantum-2 Infiniband Networking.

Sagte Nvidia Zusammenhängen Verwendet seine Grace Blackwell Superchips, um sichere AI -Anwendungen für Unternehmen zu entwickeln. Mit seiner Unternehmens-KI-Plattform North können Groups personalisierte KI-Agenten aufbauen, um Unternehmens-Workflows, Oberflächen in Echtzeit und vielem mehr zu automatisieren. Das Unternehmen sagte, dass Cohere für 100 Milliarden Parametermodelle bis zu 3x mehr Leistung im Coaching im Vergleich zu Nvidia Hopper-GPUs der vorherigen Era erlebt-auch ohne Blackwell-spezifische Optimierungen.

IBMDer Einsatz setzt sich mit Tausenden von Blackwell-GPUs auf CoreWeave aus, um seine Granit-AI-Modelle für IBM Watsonx zu trainieren, um AI-Agenten zu bauen und einzusetzen. Die Bereitstellung funktioniert auch mit dem IBM Storage Scale System für AI.

Mistral AI, ein in Paris ansässiges Open-Supply-KI-Unternehmen, erhält laut NVIDIA seinen ersten Tausend-Blackwell-GPUs, um die nächste Era von Open-Supply-KI-Modellen aufzubauen. Das Unternehmen sagte, dies erfordert GPU -Cluster mit Nvidia Quantum Infiniband Networking- und Infrastrukturmanagementfunktionen wie z. CoreWeave Mission Management.

Das Unternehmen verzeichnete laut Thimothee Lacroix, Mitbegründer und Chief Expertise Officer bei Thimothee Lacroix, eine 2 -fach -Leistungsverbesserung für dichte Modelltraining Mistral Ai. „Was an NVIDIA GB200 NVL72 aufregend ist, sind die neuen Möglichkeiten, die es für die Modellentwicklung und die Inferenz eröffnet.“

„Unternehmen und Organisationen auf der ganzen Welt rennen, um Argumentationsmodelle in agierische KI -Anwendungen umzuwandeln, die die Artwork und Weise der Arbeit und des Spielens verwandeln“, sagte die Artwork und Weise, wie Menschen arbeiten und spielen “ Ian BuckVizepräsident von Hyperscale und HPC bei Nvidia. „Der schnelle Einsatz von NVIDIA GB200 -Systemen durch CoreWeave liefert die KI -Infrastruktur und -software, die KI -Fabriken Wirklichkeit werden.“

Das Unternehmen hat kürzlich einen Branchenrekord in KI -Inferenz mit NVIDIA GB200 Grace Blackwell Superchips nachgedacht, berichtete in den neuesten Ergebnissen von MLPerf V5.0. MLPerf Inferenz ist eine Benchmark -Suite zur Messung des maschinellen Lernens in realistischen Bereitstellungsszenarien.

CoreWeave bietet auch Instanzen mit NVIDIA NVLINK in Rack-Maßstäben über 72 Nvidia Blackwell GPUs und 36 Nvidia Grace CPUs, die mit NVIDIA Quantum-2 Infiniband-Netzwerk auf bis zu 110.000 GPUs skaliert werden.

Diese Fälle, die von der NVIDIA GB200 NVL72-Rack-Skala-Pc-Computing-Plattform beschleunigt wurden, bieten die Skala und Leistung, die zum Erstellen und Bereitstellen der nächsten Era von KI-Argumentationsmodellen und -agenten erforderlich sind.