Jeff Bezos kehrt auf den CEO-Posten zurück: Warum Prometheus auf KI für die physische Wirtschaft setzt

Jeff Bezos ist in die Rolle des operativen CEO zurückgekehrt und verfügt über 18,2 Milliarden US-Greenback hinter seinem neuen Unternehmen, und das Geld kam vor dem Produkt an. Prometheus baut keinen weiteren Chatbot. Das Unternehmen möchte KI-Systeme entwickeln, um Ingenieuren dabei zu helfen, Ideen viel schneller in Triebwerke, Medikamente, Elektronik, Roboter und Fabriken umzusetzen, als es herkömmliche Entwicklungszyklen erlauben. Damit hat Bezos das Normal-Startup-Playbook umgekehrt und eine Frage aufgeworfen, die letztendlich die gesamte KI-Branche beantworten muss.

Bezos kehrt in eine operative Rolle zurück

Bezos trat am 5. Juli 2021 als Amazon-CEO zurück und beendete damit den Aufstieg eines Buchhändlers zu einem Cloud- und Logistikriesen. Er hörte nicht auf zu arbeiten. Bezos behielt den Titel des Vorstandsvorsitzenden bei Amazon, wo Andy Jassy weiterhin als Präsident und CEO fungiert. Prometheus ist Bezos‘ erste offizielle Place als operativer CEO, seit er vor fünf Jahren den Führungsposten bei Amazon verlassen hat.

Vik Bajaj fungiert neben ihm als Mitbegründer und Co-CEO. Zu Bajajs Hintergrund zählen die Mitbegründung von Verily (ehemals Google Life Sciences), seine Tätigkeit als wissenschaftlicher Leiter bei GRAIL, die Mitbegründung von Foresite Labs und die Mitbegründung von Xaira Therapeutics. Er ist außerordentlicher Professor im Molecular Imaging Program der Stanford College. Die Führungspaarung stellt einen bewährten Gründer globaler Unternehmen neben einen Wissenschaftler mit umfassender Experience in den Bereichen Biowissenschaften, KI-gestützte Arzneimittelentwicklung und Unternehmensgründung.

Prometheus zielt auf die physische Ökonomie ab

Das Unternehmen beschreibt sich selbst in vier Worten: „KI für die physische Wirtschaft.“ Die meisten KI-Produkte generieren digitales Materials: Textual content, Code, Bilder, Audio, Video. Prometheus zielt auf ein schwierigeres Drawback. Das Unternehmen möchte KI auf physische Produkte anwenden, bei denen Gewicht, Hitze, Materialstärke, Fertigungstoleranzen und behördliche Genehmigungen die Regeln festlegen. Zu den repräsentativen Anwendungen gehören Flugzeugtriebwerke, medizinische Geräte, Unterhaltungselektronik, Roboter, Fabriken und Arzneimittelverbindungen.

Prometheus positioniert sich nicht als Robotikhersteller oder Fabrikautomatisierungsanbieter. Der Schwerpunkt des Unternehmens liegt auf der Intelligenzebene, die Produktdesign, Checks und Verfeinerung unterstützt, bevor eine physische Komponente die Produktionslinie erreicht. Der Unterschied zu einem Chatbot-Unternehmen ist nicht nur thematischer Natur. Es ist technisch, kommerziell und regulatorisch.

Der künstliche Generalingenieur

Prometheus verwendet seinen eigenen Begriff „künstlicher Generalingenieur“, um zu beschreiben, was es bauen möchte. Keine anerkannte Softwarekategorie oder technische Zertifizierung trägt das Label. Bezos und Bajaj beschreiben das Ziel als ein KI-System, das in der Lage ist, mehrere technische Disziplinen gleichzeitig zu unterstützen und das zu komprimieren, was Bezos die „Dream-Construct-Schleife“ nennt.

Die Entwicklung von Strahltriebwerken veranschaulicht den Ehrgeiz intestine. Eine Modifikation eines vorhandenen Triebwerks, um mehr Schub zu erzeugen, kann zu einem mehrjährigen Programm werden, da sich eine einzelne Änderung auf Materialien, Aerodynamik, Wärmemanagement, Herstellung, Checks, Sicherheitszertifizierung und Kosten auswirkt. Bezos sagte, Prometheus wolle einige technische Entwicklungszyklen zehnmal oder mehr beschleunigen. Das Ziel bleibt ein erklärtes Ziel, hinter dem noch kein öffentlicher Maßstab steht.

Ein Vorsprung von 18,2 Milliarden US-Greenback

Am 11. Juni 2026 kündigte Prometheus eine 12-Milliarden-Greenback-Serie-B-Runde an, die das Unternehmen mit 41 Milliarden Greenback bewertet. Zu den von Axios genannten Investoren gehören JPMorgan Chase, BlackRock, Goldman Sachs, DST World, Arch Enterprise Companions und Bezos selbst. Die Runde folgt auf eine Serie-A-Runde in Höhe von 6,2 Milliarden US-Greenback, bei der Bezos als größter Geldgeber fungierte, wodurch sich die insgesamt offengelegte Finanzierung auf 18,2 Milliarden US-Greenback erhöhte. Einem Reuters-Bericht vom April 2026 zufolge befand sich Prometheus in Verhandlungen über die Beschaffung von etwa 10 Milliarden US-Greenback bei einer Bewertung von 38 Milliarden US-Greenback. Die Endrunde übertraf in jeder Hinsicht die gemeldeten Bedingungen. Mit rund 150 Mitarbeitern und Büros in San Francisco, London und Zürich hat Prometheus Kapital in einem Umfang beschafft, den die meisten Unternehmen erst nach Jahrzehnten erreichen.

Der interessantere Rahmen ist nicht das Ausmaß der Erhöhung. Prometheus hat die Normal-Startreihenfolge umgekehrt. Die meisten Begin-ups demonstrieren, dass ihr Produkt auf den Markt passt, gewinnen Kunden und erhöhen dann die Zahl ihrer Umsätze in großem Umfang. Prometheus hat große Anstrengungen unternommen, um die Voraussetzungen für eine Produktmarktanpassung zu schaffen. Die Logik ist vertretbar: Der Aufbau von KI-Systemen, die in der Lage sind, dreidimensionale Designs, experimentelle Ergebnisse, Sensordaten, Fertigungsaufzeichnungen und wissenschaftliche Literatur gleichzeitig zu verarbeiten, erfordert Infrastrukturinvestitionen, bevor ein einzelner Kunde unterschreibt. Bezos finanziert kein fertiges Produkt. Er finanziert das Recht, einen solchen Versuch zu unternehmen. Für einen Betreiber, der Amazon über Jahre hinweg mit anhaltenden Verlusten aufgebaut hat, bevor es in die Gewinnzone ging, steht der Ansatz im Einklang mit der Artwork und Weise, wie er schon immer auf langfristige Zyklen gesetzt hat.

Physische KI hat einen höheren Beweisstandard

Ein Sprachmodell kann einen Absatz voller Fehler generieren und der Preis dafür ist eine Korrektur. Ein technisches KI-System weist nicht die gleiche Plausibilitätstoleranz auf. Eine Empfehlung zu Schub-Gewichts-Verhältnissen, Materialermüdungsgrenzen oder Wechselwirkungen zwischen pharmazeutischen Verbindungen muss Simulationen, physikalische Checks, Sicherheitsüberprüfungen und behördliche Prüfungen überstehen, bevor sie sich auf irgendetwas in der realen Welt auswirkt. Kunden aus der Luft- und Raumfahrt, der Medizintechnik und der industriellen Fertigung können eine fehlerhafte Modellausgabe nicht als harmlose Halluzination betrachten.

Eine nützliche Möglichkeit, die Unterscheidung zu formulieren: Digitale KI produziert Inhalte; Prometheus will Entscheidungen herbeiführen. Inhalte können nachträglich korrigiert werden. Entscheidungen, die in ein Düsentriebwerk, ein medizinisches Gerät oder eine Arzneimittelverbindung eingebettet sind, haben nachgelagerte Konsequenzen, die durch keine Korrektur rückgängig gemacht werden können. Das Vertrauen der Kunden in sicherheitsrelevante Branchen erfordert dokumentierte Überprüfungsprozesse, reproduzierbare Ergebnisse und die Bereitschaft, unter der Aufsicht von Gremien wie der FAA und der FDA zu agieren. Bezos hat öffentlich erklärt, dass er eine Regulierung unterstützt, die sich auf schädliche Anwendungen konzentriert, und nicht pauschale Beschränkungen der KI-Infrastruktur. Die Place deckt sich damit, wohin Prometheus gehen muss: in Branchen, in denen das Vertrauen der Regulierungsbehörden eine Voraussetzung für die kommerzielle Einführung ist.

Prometheus betritt einen etablierten Engineering-Markt

Prometheus gelangt in einen Markt, in dem große, intestine ausgestattete Unternehmen bereits starke Positionen innehaben. NVIDIA bietet Omniverse für industrielle Simulationen und digitale Zwillinge, Cosmos-Modelle für physische KI und Isaac-Instruments für Robotik. Siemens hat Industrial Copilot-Produkte entwickelt, die mit seiner bestehenden Engineering- und Lebenszyklussoftware verbunden sind. Dassault Systèmes betreibt CATIA, SOLIDWORKS und SIMULIA, Plattformen, die seit Jahrzehnten Luft- und Raumfahrt- und Automobilingenieuren dienen. Autodesk bietet generative Design- und Fertigungstools. Synopsys schloss die Übernahme von Ansys im Jahr 2025 ab. Das kombinierte Unternehmen deckt elektronische Designautomatisierung und Multiphysik-Simulation ab. Google DeepMind wendet KI zur Vorhersage der Proteinstruktur, zur Materialentdeckung und zur Wettermodellierung an.

Keiner der etablierten Participant bietet genau das, was Prometheus beschrieben hat. Jeder steuert Teile des technischen und wissenschaftlichen KI-Workflows, die jeder Neueinsteiger erreichen, integrieren oder verdrängen muss. Prometheus muss möglicherweise innerhalb des bestehenden Engineering-Stacks arbeiten, bevor es Teile davon ersetzen kann.

Amazon und Blue Origin bleiben getrennt

Prometheus agiert als unabhängiges Unternehmen und nicht als Abteilung oder Tochtergesellschaft von Amazon oder Blue Origin. Bezos behält seine Rolle als Vorstandsvorsitzender von Amazon, während Andy Jassy das Unternehmen tagtäglich leitet. Keine öffentliche Ankündigung begründet eine Geschäftsbeziehung zwischen Prometheus und Blue Origin. Bezos sagte gegenüber der New York Instances, dass Blue Origin die Artwork von technikintensivem Unternehmen darstellt, das in der Lage ist, von den Werkzeugen zu profitieren, die Prometheus bauen will. Die Erklärung beschreibt eine potenzielle Anwendung, nicht ein bereitgestelltes Produkt oder einen unterzeichneten Vertrag.

Bezos über Arbeit: Produktivität schafft Arbeit

In seinem CNBC-Interview, das parallel zur Ankündigung der Serie B veröffentlicht wurde, wies Bezos das Argument zurück, dass KI zu dauerhafter Massenarbeitslosigkeit führen werde. Er argumentierte, dass eine höhere Produktivität neue Industrien schaffe und die Zahl der Projekte erhöhe, die die Gesellschaft verfolgen könne, und er prognostizierte, dass KI letztendlich eher zur Arbeitskräfteknappheit als zur dauerhaften Verdrängung von Arbeitsplätzen beitragen könnte.

Das kurzfristige Bild ist vielschichtiger. Die Instruments von Prometheus können die Zeit reduzieren, die Ingenieure mit der Generierung von Designvarianten, der Vorbereitung von Routineanalysen oder der Einrichtung sich wiederholender Simulationen verbringen. Gleichzeitig wird die industrielle KI wahrscheinlich die Nachfrage nach Arbeitskräften erhöhen, die Modellergebnisse validieren, KI in bestehende Engineering-Software program integrieren, industrielle Datenpipelines verwalten, physische Checks durchführen und die Einhaltung gesetzlicher Vorschriften überwachen. Bezos‘ langfristiger Optimismus und die kurzfristigen beruflichen Veränderungen heben sich nicht gegenseitig auf. Jedes wird funktionieren, und die realen Einsätze von Prometheus werden zu den ersten Orten gehören, an denen sich zeigen lässt, wie das geht.

Der Imbiss

Prometheus hat sich einen Vorsprung gesichert, den die meisten KI-Unternehmen nie erleben werden. Bezos hat Jahre damit verbracht, Amazon trotz anhaltender Verluste aufzubauen, bevor es zu einem der dominantesten Unternehmen der Welt wurde, und er hat seine Bereitschaft gezeigt, lange Zyklen zu finanzieren, bevor Renditen eintreten. Die 18,2 Milliarden US-Greenback geben Prometheus die Ressourcen, Dinge auszuprobieren, die sich kleinere Unternehmen nicht leisten können.

Was das Kapital nicht kauft, ist der Beweis. Prometheus muss zeigen, dass ein künstlicher Generalingenieur Ergebnisse liefern kann, die Ingenieure validieren, Hersteller nutzen und regulierten Industrien vertrauen können. Bis das Unternehmen messbare technische Verbesserungen in realen industriellen Umgebungen vorweisen kann, spiegelt die Bewertung von 41 Milliarden US-Greenback das Vertrauen in ein Workforce und eine These wider. Das Urteil über das Produkt muss noch erarbeitet werden.

markiert einen wichtigen Punkt in der Entwicklung der weltweit beliebtesten Programmiersprache. Während Python seit langem für seine Lesbarkeit und sein großes Ökosystem bekannt ist, struggle seine Ausführungsgeschwindigkeit oft der „Elefant im Raum“.

Mit der Einführung von 3.14 hat das CPython-Kernentwicklungsteam nicht nur eine, sondern zwei der am meisten erwarteten Funktionen der letzten Zeit bereitgestellt.

Das Ende der GIL

Darüber habe ich schon einmal geschrieben. Echte Parallelität ist jetzt in Python verfügbar, wenn Sie es wünschen. Wenn Sie weitere Informationen zu GIL-freiem Python wünschen, hinterlasse ich am Ende einen Hyperlink zu meinem Artikel darüber.

Der Simply-In-Time (JIT)-Compiler

Diese experimentelle Funktion ist jetzt direkt in den offiziellen Installationsprogrammen enthalten und darauf konzentrieren wir uns hier. Es ist das Ergebnis jahrelanger Architekturvorbereitung durch das Python-Kernteam und andere mit dem Ziel, Python „standardmäßig schneller“ zu machen, ohne das C-Erweiterungs-Ökosystem zu beschädigen, das alles von der Datenwissenschaft bis zu Net-Backends antreibt.

In diesem Artikel werfen wir einen Blick auf das neue JIT, untersuchen, wie es sich von früheren Optimierungsbemühungen unterscheidet, und gehen einige Benchmarking-Methodologien durch, um Ihnen bei der Entscheidung zu helfen, ob es an der Zeit ist, das JIT für Ihre Workloads auszuprobieren.

Was ist Pythons neuer Simply-In-Time (JIT)-Compiler?

Um das 3.14 JIT zu verstehen, müssen wir wissen, wie Python traditionell ausgeführt wird. Commonplace-Python (CPython) ist ein interpretiert Sprache. Wenn Sie ein Skript ausführen, wird Ihr Code kompiliert Bytecode, Hierbei handelt es sich um eine Reihe von Anweisungen, die die virtuelle CPython-Maschine ausführt.

Das JIT ändert diesen Ablauf. Anstatt den Bytecode einfach Zeile für Zeile zu interpretieren, überwacht die JIT, welche Teile Ihres Codes am häufigsten ausgeführt werden (die „heißen“ Pfade). Wenn eine Funktion oder Schleife als „heiß“ eingestuft wird, übersetzt die JIT den Bytecode in nativen Maschinencode (Anweisungen, die die CPU versteht). Beim nächsten Aufruf des Codes ist dann keine Interpretation erforderlich. Stattdessen läuft es einfach so, wie es ist. Das kann eine große Zeitersparnis sein, wie wir später sehen werden.

Wie die JIT in CPython passt

Das Python 3.14 JIT ist keine völlige Neufassung. Es ist als Decide-in-Komponente konzipiert, die neben dem vorhandenen Interpreter arbeitet. Es verwendet eine Technik namens „Copy-and-Patch“, die es ermöglicht, dass JIT leichtgewichtig und über verschiedene CPU-Architekturen hinweg portierbar ist, ohne dass ein riesiges, komplexes Compiler-Backend wie LLVM erforderlich ist.

Was hat sich in Python 3.14 geändert?

Python 3.13 verfügte über ein grundlegendes, experimentelles JIT, das jedoch standardmäßig deaktiviert struggle. Wenn Sie es testen wollten, mussten Sie den CPython-Quellbaum klonen und ihn mit bestimmten experimentellen Flags kompilieren, z - - enable-experimental-jit.

Mit Python 3.14 hat sich alles geändert. Das JIT wurde in den offiziellen Installationsprogrammen .msi (Home windows) und .pkg (macOS) angeboten. Dies bedeutete auch, dass Sie keinen C-Compiler mehr auf Ihrem Laptop benötigten, um die JIT-Vorteile nutzen zu können. Obwohl es noch „experimentell“ ist, signalisiert die Aufnahme in die offiziellen Binärdateien, dass das Kernteam glaubt, dass das JIT stabil genug für breite Group-Checks ist.

Holen Sie sich Python 3.14

Gehen Sie rüber zu https://www.python.org/downloads/und Sie sehen eine Obtain-Possibility für 3.14. Klicken Sie darauf und folgen Sie dann den Anweisungen.

Alternativ, wenn Sie das haben UV Wenn das Software installiert ist, können Sie Folgendes eingeben.

PS C: > uv python set up 3.14

Aktivieren des JIT

Standardmäßig ist die JIT deaktiviert. Dies ist eine Sicherheitsmaßnahme; Da es experimentell ist, möchte der Python Steering Council sicherstellen, dass Benutzer nicht mit unerwarteten Rückschritten in der Stabilität oder Speichernutzung konfrontiert werden, ohne sich ausdrücklich dafür zu entscheiden.

Um die JIT zu aktivieren, verwenden Sie eine Umgebungsvariable. Dadurch wird die CPython-Laufzeitumgebung angewiesen, die JIT-Engine beim Begin zu initialisieren.

Unter Home windows (PowerShell):

$env:PYTHON_JIT=1
python my_script.py

Unter macOS/Linux (Bash/Zsh):

PYTHON_JIT=1
python my_script.py

Sobald CPython aktiviert ist, kompiliert CPython nicht sofort alles per JIT. Es verwendet a Stufensystem. Grundsätzlich wird versucht, den Code zunächst so kostengünstig wie möglich auszuführen, und der Kompilierungs-/Optimierungsaufwand wird nur für die Teile aufgewendet, die sich als heiß erweisen.

• Stufe 0: Standardinterpretation.
• Stufe 1: Spezialisierter Bytecode (eingeführt in 3.11).
• Stufe 2 (JIT): Maschinencode-Generierung für die am häufigsten verwendeten Pfade.

Messung der Auswirkungen des JIT

Beim Testen eines JIT können Sie nicht einfach das verwenden time.time() um eine Funktion. JITs erfordern a Aufwärmphase. Die ersten paar Iterationen einer Schleife können langsamer als regular sein, da die JIT den Code profiliert, nachfolgende Iterationen können jedoch deutlich schneller sein.

Die Benchmark-Suite

Nachfolgend finden Sie eine umfassende Testsuite, die darauf ausgelegt ist, verschiedene Aspekte des JIT zu testen, von schwerer Mathematik bis hin zur komplexen Objektmanipulation.

Datei 1: workloads.py

Diese Datei enthält drei verschiedene CPU-gebundene Aufgaben.

1/ Die Mandelbrot-Funktion iteriert die Mandelbrot-Formel über ein Pixelraster und gibt eine Prüfsumme der Iterationszahlen professional Pixel zurück.

2/ Die Djikstra-Funktion erstellt einen deterministischen, zufallsgewichteten Graphen und führt Dijkstra vom Knoten 0 aus aus und gibt zurück, wie viele Knoten abgeschlossen/besucht wurden.

3/ Die Levenshtein-Funktion generiert N deterministische Zufallszeichenfolgenpaare und gibt die Summe ihrer Levenshtein-Abstände zurück

from __future__ import annotations

import random
import heapq

# Workload 1: Mandelbrot (CPU + math loops)
def mandelbrot(width: int = 1000, peak: int = 1000, iters: int = 500) -> int:
    checksum = 0
    for y in vary(peak):
        cy = (y / peak) * 2.4 - 1.2
        for x in vary(width):
            cx = (x / width) * 3.2 - 2.2
            zx, zy, depend = 0.0, 0.0, 0
            whereas zx * zx + zy * zy <= 4.0 and depend < iters:
                zx, zy = zx * zx - zy * zy + cx, 2.0 * zx * zy + cy
                depend += 1
            checksum += depend
    return checksum

# Workload 2: Dijkstra (heap + listing + logic)
def dijkstra(n: int = 10000, edges_per_node: int = 50, seed: int = 123) -> int:
    rng = random.Random(seed)
    graph = (() for _ in vary(n))
    for u in vary(n):
        for _ in vary(edges_per_node):
            v = rng.randrange(n)
            if v != u:
                graph(u).append((v, rng.randrange(1, 30)))

    dist = (10**12) * n
    dist(0) = 0
    pq = ((0, 0))
    visited = 0

    whereas pq:
        d, u = heapq.heappop(pq)
        if d != dist(u):
            proceed
        visited += 1
        for v, w in graph(u):
            nd = d + w
            if nd < dist(v):
                dist(v) = nd
                heapq.heappush(pq, (nd, v))

    return visited

# Workload 3: Levenshtein distance (dynamic programming)
def levenshtein(a: str, b: str) -> int:
    prev = listing(vary(len(b) + 1))
    for i, ca in enumerate(a, 1):
        cur = (i)
        for j, cb in enumerate(b, 1):
            cur.append(min(cur(j - 1) + 1, prev(j) + 1, prev(j - 1) + (ca != cb)))
        prev = cur
    return prev(-1)

def levenshtein_batch(n: int = 10000, seed: int = 7, ok: int = 50) -> int:
    """
    Deterministic batch: mounted RNG seed, mounted alphabet, mounted string size.
    Returns the sum of distances.
    """
    rng = random.Random(seed)
    alphabet = "abc"
    complete = 0
    for _ in vary(n):
        a = "".be part of(rng.decisions(alphabet, ok=ok))
        b = "".be part of(rng.decisions(alphabet, ok=ok))
        complete += levenshtein(a, b)
    return complete

Datei 2: benchmark.py

Dieses Skript automatisiert den Vergleich verschiedener Workloads mit aktiviertem und deaktiviertem JIT.

import os
import time
import json
import subprocess
from pathlib import Path

PYTHON_EXE = r"C:UsersthomaAppDataLocalProgramsPythonPython314python.exe"
PROJECT_DIR = Path(__file__).resolve().mother or father

# Authentic workloads (assertion prints a consequence for sanity)
WORKLOADS = (
    ("mandelbrot", 'from workloads import mandelbrot; print(mandelbrot())'),
    ("dijkstra", 'from workloads import dijkstra; print(dijkstra())'),
    ("levenshtein_batch", 'from workloads import levenshtein_batch; print(levenshtein_batch())'),
)

N_RUNS = 10  # common of ALL runs (set to six/10/20 as you want)
OUTFILE = PROJECT_DIR / "results_avg.json"

def run_once(stmt: str, jit_val: int) -> tuple(float, str):
    env = os.environ.copy()
    env("PYTHON_JIT") = str(jit_val)

    # Guarantee native workloads.py is importable in subprocess
    env("PYTHONPATH") = str(PROJECT_DIR) + (os.pathsep + env.get("PYTHONPATH", ""))

    t0 = time.perf_counter()
    p = subprocess.run(
        (PYTHON_EXE, "-c", stmt),
        env=env,
        cwd=str(PROJECT_DIR),
        capture_output=True,
        textual content=True,
    )
    t1 = time.perf_counter()

    if p.returncode != 0:
        elevate RuntimeError(
            f"Run failed (PYTHON_JIT={jit_val})nn"
            f"Assertion:n{stmt}nn"
            f"STDOUT:n{p.stdout}nnSTDERR:n{p.stderr}"
        )

    return (t1 - t0, p.stdout.strip())

def summarize(instances: listing(float)) -> dict:
    return {
        "avg": sum(instances) / len(instances),
        "min": min(instances),
        "max": max(instances),
        "runs": instances,
    }

def bench_workload(identify: str, stmt: str) -> dict:
    outcomes = {}
    outputs = {}

    for jit_val in (0, 1):
        instances = ()
        outs = ()
        print(f"  PYTHON_JIT={jit_val}: working {N_RUNS} instances...")
        for i in vary(1, N_RUNS + 1):
            dt, out = run_once(stmt, jit_val)
            instances.append(dt)
            outs.append(out)
            print(f"    run {i}/{N_RUNS}: {dt:.6f}s")

        outcomes(jit_val) = summarize(instances)
        outputs(jit_val) = outs

    avg0 = outcomes(0)("avg")
    avg1 = outcomes(1)("avg")
    speedup = avg0 / avg1 if avg1 else float("inf")
    delta_pct = (avg1 - avg0) / avg0 * 100.0 if avg0 else 0.0

    return {
        "workload": identify,
        "jit0": outcomes(0),
        "jit1": outcomes(1),
        "speedup_jit0_over_jit1": speedup,
        "delta_pct_jit1_vs_jit0": delta_pct,
        "outputs": outputs,  # sanity: must be steady
    }

def principal() -> int:
    all_results = ()
    print(f"Utilizing Python: {PYTHON_EXE}")
    print(f"Challenge dir: {PROJECT_DIR}")
    print(f"Runs per setting (avg of all runs): {N_RUNS}n")

    for identify, stmt in WORKLOADS:
        print(f"=== {identify} ===")
        r = bench_workload(identify, stmt)
        all_results.append(r)

        print(f"n  Averages:")
        print(f"    JIT=0 avg: {r('jit0')('avg'):.6f}s (min {r('jit0')('min'):.6f}, max {r('jit0')('max'):.6f})")
        print(f"    JIT=1 avg: {r('jit1')('avg'):.6f}s (min {r('jit1')('min'):.6f}, max {r('jit1')('max'):.6f})")
        print(f"    Speedup (JIT=0 / JIT=1): {r('speedup_jit0_over_jit1'):.3f}×  (Δ={r('delta_pct_jit1_vs_jit0'):+.2f}%)n")

        # Elective: warn if outputs differ throughout runs (nondeterminism)
        if len(set(r("outputs")(0))) != 1:
            print("  !! WARNING: JIT=0 output differs throughout runs (nondeterministic workload?)")
        if len(set(r("outputs")(1))) != 1:
            print("  !! WARNING: JIT=1 output differs throughout runs (nondeterministic workload?)")

    OUTFILE.write_text(json.dumps(all_results, indent=2), encoding="utf-8")
    print(f"Wrote: {OUTFILE}")
    return 0

if __name__ == "__main__":
    elevate SystemExit(principal())

Hier sind meine Ergebnisse.

C:Usersthomaprojectspython_jit>C:UsersthomaAppDataLocalProgramsPythonPython314python.exe benchmark.py
Utilizing Python: C:UsersthomaAppDataLocalProgramsPythonPython314python.exe
Challenge dir: C:Usersthomaprojectspython_jit
Runs per setting (avg of all runs): 10

=== mandelbrot ===
  PYTHON_JIT=0: working 10 instances...
    run 1/10: 6.890924s
    run 2/10: 6.950737s
    run 3/10: 7.265357s
    run 4/10: 6.947150s
    run 5/10: 6.932333s
    run 6/10: 6.939378s
    run 7/10: 7.194705s
    run 8/10: 6.995550s
    run 9/10: 6.902696s
    run 10/10: 7.256164s
  PYTHON_JIT=1: working 10 instances...
    run 1/10: 5.216740s
    run 2/10: 5.241888s
    run 3/10: 5.350822s
    run 4/10: 5.246767s
    run 5/10: 5.294771s
    run 6/10: 5.273295s
    run 7/10: 5.272135s
    run 8/10: 5.617062s
    run 9/10: 5.251656s
    run 10/10: 5.239060s

  Averages:
    JIT=0 avg: 7.027499s (min 6.890924, max 7.265357)
    JIT=1 avg: 5.300420s (min 5.216740, max 5.617062)
    Speedup (JIT=0 / JIT=1): 1.326×  (Δ=-24.58%)

=== dijkstra ===
  PYTHON_JIT=0: working 10 instances...
    run 1/10: 0.235401s
    run 2/10: 0.227603s
    run 3/10: 0.244492s
    run 4/10: 0.232971s
    run 5/10: 0.249589s
    run 6/10: 0.232229s
    run 7/10: 0.229422s
    run 8/10: 0.238399s
    run 9/10: 0.230657s
    run 10/10: 0.235772s
  PYTHON_JIT=1: working 10 instances...
    run 1/10: 0.238862s
    run 2/10: 0.239266s
    run 3/10: 0.240312s
    run 4/10: 0.231413s
    run 5/10: 0.232692s
    run 6/10: 0.233783s
    run 7/10: 0.230016s
    run 8/10: 0.237760s
    run 9/10: 0.240895s
    run 10/10: 0.246033s

  Averages:
    JIT=0 avg: 0.235653s (min 0.227603, max 0.249589)
    JIT=1 avg: 0.237103s (min 0.230016, max 0.246033)
    Speedup (JIT=0 / JIT=1): 0.994×  (Δ=+0.62%)

=== levenshtein_batch ===
  PYTHON_JIT=0: working 10 instances...
    run 1/10: 2.176256s
    run 2/10: 2.171253s
    run 3/10: 2.171834s
    run 4/10: 2.170444s
    run 5/10: 2.149874s
    run 6/10: 2.162820s
    run 7/10: 2.171975s
    run 8/10: 2.199151s
    run 9/10: 2.168398s
    run 10/10: 2.167821s
  PYTHON_JIT=1: working 10 instances...
    run 1/10: 1.575666s
    run 2/10: 1.612615s
    run 3/10: 1.571106s
    run 4/10: 1.584650s
    run 5/10: 1.579948s
    run 6/10: 1.582633s
    run 7/10: 1.593924s
    run 8/10: 1.573608s
    run 9/10: 1.581427s
    run 10/10: 1.578553s

  Averages:
    JIT=0 avg: 2.170983s (min 2.149874, max 2.199151)
    JIT=1 avg: 1.583413s (min 1.571106, max 1.612615)
    Speedup (JIT=0 / JIT=1): 1.371×  (Δ=-27.06%)

Interpretation der Ergebnisse

Wie Sie sehen, sind die Ergebnisse gemischt. Dies ist für ein experimentelles JIT regular.

• 10–30 % Beschleunigung: Häufig in „reinen Python“-Schleifen (wie den Mandelbrot- oder Levenshtein-Checks), bei denen die JIT den Overhead der Bytecode-Dispatch-Schleife vermeiden kann.
• 0 % Verbesserung: Häufig bei E/A-gebundenen Aufgaben oder Code, der häufig C-Erweiterungen verwendet. Der Dijkstra-Code wurde nicht schneller, da seine Laufzeit von Heap-/Tupeloperationen und speicherintensiver, zuordnungsgesteuerter Arbeit dominiert wird, die das aktuelle CPython-JIT nicht wesentlich optimiert, sodass etwaige Einsparungen durch den Interpreter im Lärm verloren gehen.

Wann sollte Python 3.14 JIT verwendet werden?

Das JIT ist ein leistungsstarkes Software, aber kein „Zauberknopf“. Meiner Erfahrung nach sollten Sie das JIT ausprobieren, wenn Sie …

• CPU-gebundene Logik: Ihre Anwendung führt umfangreiche Berechnungen, Datenverarbeitung oder komplexe Logik in reinem Python durch.
• Lang laufende Prozesse: Webserver (Gunicorn/Uvicorn) oder Hintergrundarbeiter (Celery), die stundenlang laufen, geben dem JIT genügend Zeit, sich aufzuwärmen und Scorching Paths zu optimieren.
• Experimentelle Checks: Sie möchten Ihre Codebasis für zukünftige Versionen von Python (3.15+) vorbereiten, bei denen die JIT wahrscheinlich aggressiver sein wird.

Und vermeiden Sie es, wenn Sie …

• E/A-gebundene Apps: Wenn Ihre App nur auf Datenbankabfragen oder API-Antworten wartet, hilft die JIT nicht.
• Umgebungen mit eingeschränktem Speicher: Kleine Lambda-Funktionen oder winzige Container können unter dem erhöhten Speicherbedarf des JIT-Cache leiden.
• Kurzlebige CLI-Instruments: Ein Skript, das in weniger als einer Sekunde ausgeführt wird, benötigt kein JIT.

Zukünftige Richtungen: Über 3.14 hinaus

Das CPython-Kernteam betrachtet 3.14 als „Gründungsjahr“. Zukünftige Iterationen (Python 3.15 und 3.16) werden voraussichtlich Folgendes umfassen:

• Tiefergehende Optimierungsdurchgänge: Nutzung der zur Laufzeit gesammelten Typinformationen, um eine noch aggressivere Maschinencodegenerierung durchzuführen.
• Bessere Heuristik: Intelligentere Entscheidungen über Wann zu kompilieren, wodurch die „Aufwärm“-Strafe reduziert wird.
• Geringerer Overhead: Verfeinerung des Kopier- und Patchmechanismus zur Reduzierung des Speicherverbrauchs.

Zusammenfassung

Der JIT von Python 3.14 ist mehr als nur ein Leistungspatch. Es ist eine Absichtserklärung. Es zeigt, dass Python es ernst meint, die Leistungslücke zu Sprachen wie Java oder Go zu schließen und gleichzeitig die „Batterien enthalten“-Einfachheit beizubehalten, die es berühmt gemacht hat.

Für die meisten Entwickler ist JIT einfach ein weiteres Software, das es wert ist, im Auge behalten zu werden. Wenn die Leistung in Ihren Projekten wichtig ist, lohnt es sich, Python 3.14 anhand Ihrer vorhandenen Arbeitslasten zu testen. Ein paar Benchmarks Ihrer wichtigsten Codepfade könnten Leistungssteigerungen aufdecken, wo Sie sie nicht erwartet haben.

Hier ist der Hyperlink zu meinem vorherigen Artikel über GIL Payment Python, den ich zu Beginn erwähnt habe.

---

Am 9. Juni Der Boston Globe hat es veröffentlicht Liste der „Tech Energy Gamers“ 2026mit dem 50 einflussreiche lokale Technologie- und Geschäftsführer in ganz Massachusetts ausgezeichnet werden. Die Liste umfasst acht MIT-Mitglieder, darunter Präsidentin Sally Kornbluth, Prof. Daniela Rus (Direktorin von CSAIL), Prof. Regina Barzilay, Prof. But-Ming Chiang, Prof. Max Tegmark, Ana Bakshi (geschäftsführende Direktorin des Martin Belief Heart for MIT Entrepreneurship), Katie Rae (CEO und Managing Companion von Engine Ventures) und Senior Lecturer Brian Halligan sowie eine Reihe von MIT-Alumni.

Die Energy Gamers-Berichterstattung würdigt nicht nur einzelne Führungskräfte, sondern hebt auch die Forschungslabore des MIT, seine Improvements- und Unternehmerkultur, Branchenverbindungen, neue KI-Initiativen und das tiefe Engagement des Instituts für die Aufrechterhaltung der Technologieführerschaft von Massachusetts hervor.

„Massachusetts kann in dieser nächsten Welle absolut führend sein“ sagt Präsident KornbluthEr weist darauf hin, dass die Zukunft rosig ist und sich immer mehr Möglichkeiten bieten, Technologien in Bereichen von der Fertigung über Lebens- und Gesundheitswissenschaften bis hin zu Quantentechnologien und Energie im Dienste der Amerikaner im ganzen Land voranzutreiben.

Förderung von KI und Unternehmertum

Wenn es um KI geht, arbeitet das MIT daran, „künstliche Intelligenz in den Sektoren voranzutreiben, in denen die Area am stärksten ist, von Biotechnologie und Robotik bis hin zu Verteidigung und sauberer Energie. Außerdem versucht es, das Unternehmertum durch einen „Wohnheim-zu-Startup“-Vorstoß zu erweitern und eine Pipeline von Unterstützungsdiensten zu schaffen – von Hack-A-Thons bis hin zu Risikofinanzierung –, um Schülern zu helfen, zwischen den Unterrichtsstunden Unternehmen zu gründen“, schreibt er Robert Weisman für Der Globus.

Ich schaue nach vorn, Der Globus unterstreicht, wie das MIT bestrebt ist, ein zentraler Treiber für den KI-Fortschritt in der Hochschulbildung zu bleiben.

„Präsidentin Sally Kornbluth stärkt die Unterstützung der Schule für das lokale Innovationsökosystem.“ schreibt Aaron Pressmanunter Hinweis darauf, wie das MIT „neue On-line-Kurse zum Thema KI vorstellt – mit kostenlosen Einstiegskursen für jedermann – und mehr Unternehmertum auf dem Campus fördert.“

Die kostenlosen On-line-KI-Kurse des MIT könnten lokalen Technologieführern bei ihrer Herausforderung helfen, „sicherzustellen, dass Menschen, nicht nur Unternehmen, von der Technologie profitieren“, schreibt Pressman.

Und wenn es um die Anwendung von KI-Technologien auf reale Probleme geht, möchte das MIT sicherstellen, dass der Großraum Boston weiterhin führend bleibt.

„Einige Schulen in Massachusetts, darunter das MIT, entwickeln eine Spezialität in angewandter KI – manchmal auch ‚AI+X‘ genannt – und setzen die Technologie ein, um Unternehmen, Krankenhäusern und Forschungseinrichtungen dabei zu helfen, Produktivität, Innovation und wissenschaftliche Durchbrüche zu steigern“, erklärt Weisman.

Aman Narang ’04, CEO von Toast, fügt hinzu: „Die Supermacht warfare schon immer das Universitätssystem. Das Beste, was Boston tun kann, ist, diese Leute bei sich zu behalten.“

MIT-Startups sind ein wichtiger Treiber des unternehmerischen Ökosystems der Area. Um sicherzustellen, dass der Großraum Boston ein Zentrum für Innovatoren bleibt und um auf das wachsende Interesse der Studenten zu reagieren, möchte das MIT auf seinen bestehenden Ressourcen für Unternehmertum für Studenten aufbauen, darunter die mehr als 150 Kurse und 85 Zentren und Programme, die sich der Förderung einer Unternehmergemeinschaft widmen. Darüber hinaus haben Präsidentin Sally Kornbluth und Provost Anantha Chandrakasan kürzlich das Committee on Accelerating Translation and Entrepreneurship (CATE) gegründet, um erneut zu untersuchen, wie das Institut die Übertragung von Ideen aus der MIT-Forschung und innovativen Entdeckungen in neue Unternehmungen am besten unterstützen, Hindernisse beseitigen und beschleunigen kann.

Wenn ich außerdem über den Optimismus rund um die Technologieszene im Großraum Boston nachdenke, Der Globus beschreibt, wie sich die Bewerbungen für das Startup-Accelerator-Programm des Martin Belief Heart for MIT Entrepreneurship im Vergleich zum letzten Jahr verdoppelt haben und quick ein Fünftel der MIT-Studenten – etwa 800 Studenten – kürzlich an einer Startup-Karrieremesse teilnahmen.

Progressive Veränderungen über das MIT hinaus

Der einfache Wurm könnte die Zukunft der KI vorantreiben. Das hört sich vielleicht wie eine heikle Prämisse an, aber das ist die Idee hinter dem MIT-Startup Liquid AI, das KI-Modelle entwickelt, die von der Gehirnstruktur eines einfachen Wurms inspiriert sind und den Energieverbrauch der KI erheblich senken könnten. Die Modelle von Liquid AI, „die Finanzbetrug aufdecken und autonome Drohnen steuern können, benötigen für den Betrieb weit weniger Strom als große Sprachmodelle und sparen so Energie und Wasser, das zur Kühlung von Rechenzentren verwendet wird.“ Pressman erklärt.

Der Globus hebt hervor, wie Liquid AI kürzlich einen Vertrag mit Mercedes-Benz unterzeichnet hat, um seine Technologie in die Bordsysteme von in Nordamerika verkauften Autos zu integrieren.

Um neue KI-Technologien voranzutreiben – und sicherzustellen, dass Amerikaner im ganzen Land über zuverlässige und erschwingliche Energiequellen verfügen können – richten Forscher am MIT und eine Reihe von Alumni ihre Aufmerksamkeit auch auf die Zukunft der Energie.

Im Labor von Prof. But-Ming Chiang entwickeln Forscher Batterien, die mehr Strom über längere Zeiträume speichern können und so „mehr Möglichkeiten für Wind, Sonne und andere saubere Energiequellen“ schaffen.

Weisman-Highlights wie „Chiangs Labor und andere MIT-Forschungszentren auch an Innovationen in den Bereichen Mikrochips, kritische Mineralien, Fusionstechnologie und Verteidigungstechnologie arbeiten. Alle sind Beispiele für ‚Powerful-Tech‘-Projekte, die Wissenschaft und Technik kombinieren und laut Chiang ‚im Candy Spot des Bostoner Ökosystems liegen‘.“

Bald werden 80 MIT-Studenten als Sommerpraktikanten und Mitarbeiter bei GE Vernova arbeiten, dank der MIT-GE Vernova Local weather and Vitality Alliance, einer Zusammenarbeit mit dem Ziel, Forschung und Bildung voranzutreiben, die die globale Energiewende beschleunigen wird.

Scott Strazik, CEO von GE Vernova, wollte seine Organisation „in die Innovationskultur der Stadt einzubinden“, insbesondere in den Campus und die Gemeinschaft des MIT. Das Unternehmen kündigte an, über einen Zeitraum von fünf Jahren 50 Millionen US-Greenback für die Finanzierung von Praktika und Forschungsprojekten bereitzustellen, bei denen Studenten und Lehrkräfte mit Ingenieuren und Technikern von GE Vernova zusammenarbeiten.

Das vielversprechendste Gebiet für die Tech-Szene im Großraum Boston

Der Globus endet indem Sie jeden Energy Participant fragen, was derzeit das vielversprechendste an der Technologieszene im Großraum Boston ist.

Für Rus lautet die Antwort: „Expertise. Boston hat die besten KI-Forscher der Welt, und sie bringen wirklich neue Ideen hervor, keine inkrementellen“, erklärt sie.

Wenn es darum geht, das Potenzial der Fusionsenergie auszuschöpfen, erklärt Bob Mumgaard SM ’15, Mitbegründer und CEO von Commonwealth Fusion Programs, dass er das Unternehmen dank der Fachkenntnisse der Area in den Bereichen Technik, Design und Herstellung von {Hardware} und Ausrüstung und dem Zugang zu Universitätsforschern nur in Massachusetts hätte aufbauen können.

„Das Ökosystem hat die Bausteine“, sagt Mumgaard. „Massachusetts ist das Land mit der stärksten Innovation im Energiebereich.“

Präsident Kornbluth weist auf Quanten hin.

„Es gibt derzeit keinen wichtigeren Technologiebereich als die Quantenwissenschaft und -technologie, und die Area Boston weist die größte Konzentration an Quantentalenten auf der ganzen Welt auf“, betont Kornbluth.

Ich bin seit quick drei Jahren in die Welt der generativen KI-Einführung eingestiegen. Wir haben die letzten drei Jahre damit verbracht, zu lernen, wie man mit KI spricht, aber was wäre, wenn ich Ihnen sagen würde, dass die nächste große Veränderung darin besteht, zu lernen, wie man die KI nicht für uns denken lässt?!

Angesichts der zunehmenden Präsenz von KI in unserem Privat- und Berufsleben und wenn ich mit meinen Kollegen, Branchenführern und Experten über die Fähigkeiten spreche, die heute im Zusammenhang mit KI am wichtigsten sind, höre ich ein Wort am meisten: Aufforderung.

Aufforderung gilt heute als eine grundlegende Grundkompetenz für eine effektive KI-Interaktion. Wir sind von der Strategie der Einführung generativer KI in der täglichen Arbeit zur Schaffung „konversativer“ Partnerschaften zwischen Menschen und KI-Agenten übergegangen, die präzise, ​​kontextbezogen und zielorientiert sind. Und diese Partnerschaft ist unerlässlich, um die Lücke zwischen hochrangigen menschlichen Absichten und wertvollen, umsetzbaren KI-Ergebnissen zu schließen.

Abgesehen davon sind die Menschen, die den größten Nutzen aus der KI ziehen, nicht die besten Impulsgeber; Sie sind diejenigen, die ihr Denken aktiv regulieren, während sie es nutzen!

Diese Gruppe denkt nicht nur mit KI – sie denkt aktiv darüber nach, wie sie beim Einsatz von KI denkt. Und diese Fähigkeit könnte im KI-Zeitalter nonetheless und leise zum entscheidenden menschlichen Vorteil werden. Diese Fähigkeit ist: metakognitive Regulierung.

Was ist Metakognition eigentlich?

Metakognition bedeutet „über das eigene Denken nachdenken“.

Es ist das Bewusstsein für Ihre Gedanken und die Fähigkeit, Ihr eigenes Denken bei der Verfolgung eines Ziels zu kontrollieren, zu überwachen und sich daran anzupassen.

Seitdem sich vor uns dieser völlig neue Horizont der Mensch-KI-Interaktion aufgetan hat, habe ich viel über Konzepte in der Psychologie und der Kognitionswissenschaft gelesen und dabei etwas über Metakognition gelernt.

Metakognition ist ein internes menschliches System, das bemerkt, wenn Sie es eilig haben, wenn Sie zu selbstsicher sind, wenn Sie emotional an einer Idee hängen, wenn Ihre Argumentation Lücken aufweist oder wenn Sie eine Antwort einfach akzeptiert haben, weil sie überzeugend klang. Und jetzt wird dies in der KI-gesteuerten Welt, in der wir leben, unglaublich wichtig!

Denken Sie darüber nach: Wann hatten Sie das letzte Mal einen originellen Gedanken und haben ihn weiterverfolgt, ohne das Web zu konsultieren?

Die großen Sprachmodelle von heute sind außerordentlich intestine darin, solche Ausgaben zu erzeugen fühlen vollständig, auch wenn sie oberflächlich oder ein wenig falsch sind oder Ihr Denken auf subtile Weise einengen, alles ohne dass Sie es merken. Hier kommt der metakognitiven Regulierung eine wesentliche Bedeutung zu.

Die stärksten KI-Nutzer überwachen mit ihrer Metakognition ständig:

• ob sie die Ausgabe tatsächlich verstehen,
• ob sie damit einverstanden sind,
• ob sie intellektuell faul sind,
• ob KI ihr Denken erweitert oder ihr eigenes kreatives Denken ersetzt.

Dieses Selbstbewusstsein wird das eigentliche Unterscheidungsmerkmal der KI-Fähigkeiten sein, über die derzeit meiner Meinung nach niemand spricht.

Der Unterschied zwischen KI-Benutzern und KI-Denkern

Während meine Organisation und ich uns von 9 bis 17 Uhr mit der Einführung von KI befassen oder mit Kollegen auf Konferenzen und Treffen sprechen, spüre ich, dass sich etwas Interessantes abzeichnet: Während der Großteil der Belegschaft heute KI-Agenten passiv einsetzt und/oder das Denken im Austausch für Geschwindigkeit auslagert, nutzt eine viel kleinere Gruppe von Menschen KI anders. Diese Benutzer fordern nicht, dass KI das Denken ersetzt, sondern sie nutzen KI-Agenten, um dies zu tun Stresstesterweitern, organisieren oder stellen ihre eigenen persönlichen Argumente in Frage (keine Prahlerei, aber so beabsichtige und nutze ich KI ab heute).

Anstatt zu sagen „Gib mir die Antwort auf Drawback x“, fragen diese intelligenten KI-Benutzer:

• Welche Annahmen fehlen mir?
• Was würde mein Argument entkräften?
• Können Sie meine Logik kritisieren?
• Welche Perspektive habe ich ignoriert?
• Warum erscheint diese Schlussfolgerung unvollständig?

In den nächsten Monaten wird Ihre Beherrschung der KI nicht direkt mit Ihren technischen Fähigkeiten korrelieren, aber ich sehe es immer mehr zu einem Check für das kognitive Bewusstsein.

KI automatisiert heute nicht nur die Arbeit; Es ist hier, um die Wahrnehmung zu verändern.

In einem meiner letzten Beiträge habe ich geschrieben, dass einer der am wenigsten diskutierten Aspekte der generativen KI darin besteht, dass sie nicht nur Aufgaben beschleunigt, sondern auch Gewohnheiten verändert.

Wie sieht additionally ein metakognitiver KI-Benutzer aus?

Bei der metakognitiven Regulierung geht es nicht darum, die Eingabeaufforderungen zu verbessern. Es geht darum, bei der Arbeit mit KI gezielter über das eigene Denken nachzudenken.

Die besten KI-Benutzer optimieren nicht blind auf Geschwindigkeit und Leistung – sie bleiben psychological präsent. Sie wissen, wann sie innehalten, Fragen stellen, herausfordern, verfeinern und unabhängig denken müssen.

Ich gebe Ihnen ein Beispiel –

Vor (Ein typischer KI-Benutzer): „Fassen Sie diesen Bericht zusammen und geben Sie Empfehlungen.“

Nach (Ein metakognitiver Benutzer): „Fassen Sie diesen Bericht zusammen und sagen Sie mir, welche Annahmen Sie treffen, wo mich die Daten irreführen könnten und welche Schlussfolgerungen nicht gerechtfertigt wären.“

Um mit KI wirklich vertraut zu werden, muss man dem Drang widerstehen, jeden schwierigen kognitiven Second auszulagern. So sieht das in der Praxis aus:

1. Fordern Sie KI-Ausgaben heraus

KI kann den Denkkreislauf vorzeitig schließen, wenn sie nicht hinterfragt wird. Ich sage, stellen Sie die vom KI-Agenten erzeugte Ausgabe stärker in Frage. Finden Sie Widersprüche zu dieser Ausgabe und denken Sie daran, dass die schnellste Antwort nicht immer die richtigste ist.

2. Sitzen Sie lange genug mit Unsicherheit da, um einen originellen Gedanken zu entwickeln

Als Menschen mögen wir Unbehagen, Verwirrung und Wiederholungen nicht wirklich. Und dank der KI-Agenten können Sie innerhalb von Sekunden mehrere Perspektiven auf eine Geschäftsfrage einnehmen. Aber metakognitive Benutzer widerstehen diesem Drang und bleiben lange genug bei Ideen, um ihre eigene Perspektive zu entwickeln.

3. Halten Sie konkurrierende Ideen gleichzeitig fest

KI kann in Sekundenschnelle einen Code mit 400 Zeilen oder ein Wireframe für ein Dashboard generieren, aber aufmerksame Benutzer bewerten sie, anstatt sich auf die Lösung zu beeilen. Ich liebe es, wenn meine Arbeit Nuancen hat, denn das führt dazu, dass ich über die Grauzone nachdenke und mich durch die Unkräuter hindurcharbeite.

4. Überarbeiten Sie Ihre Annahmen kontinuierlich

Verwenden Sie KI nicht, um zu bestätigen, was Sie bereits glauben. Versuchen Sie stattdessen, etwas nachdenklicher zu sein und KI proaktiv zu nutzen, um die blinden Flecken in Ihren Daten, Analysen und Ihrem Storytelling aufzudecken. Fragen Sie sich: Warum bin ich damit einverstanden? Was würde mich dazu bringen, meine Meinung zu ändern? Gibt es eine andere Perspektive, die mir einfällt?

5. Nutzen Sie KI als kognitiven Accomplice, nicht als Ersatz

Die effektivsten Benutzer betrachten KI als Brainstorming-Accomplice, als Advokat des Teufels oder als reflektierenden Spiegel und behalten die Verantwortung für Urteil, Argumentation und Entscheidungsfindung.

Als Menschen arbeiten wir in unseren Analysejobs mit vielen kognitiv anspruchsvollen Aktivitäten, die KI sofort abkürzen kann. Und das ist die Supermacht und das Risiko, sich auf KI zu verlassen. Denn wenn jeder schwierige Second des Denkens an eine Maschine ausgelagert wird, verliert der Mensch an kognitiver Ausdauer. Lassen Sie sich von der Entscheidungsmüdigkeit weiterbringen!

Metakognitive Regulierung wird zu einer Führungskompetenz

Meiner ehrlichen Meinung nach wird dieses Gespräch besonders wichtig, wenn wir über die Führungskräfte und Entscheidungsträger von morgen nachdenken. In Umgebungen mit starker KI-Einführung stehen Führungskräfte vor neuen Herausforderungen: Informationsfülle, kognitive Überlastung. Der Engpass ist nicht mehr der Zugang zu Informationen, sondern das Urteilsvermögen.

Das bedeutet, dass sich die Rolle des modernen Führers von der Frage „Wer hat die Antworten?“ verschiebt. zu „Wer kann das Denken effektiv genug regulieren, um überwältigenden kognitiven Enter zu verstehen?“

Hier stelle ich ein weiteres Konzept aus der Psychologie vor, das unglaublich related werden wird – Neuroleadership.

Neuroleadership konzentriert sich darauf, wie Menschen Aufmerksamkeit, Emotionen, Entscheidungsfindung und Kognition in komplexen Umgebungen regulieren.

KI-Umgebungen sind äußerst Da KI kognitiv komplex und ohne metakognitive Regulierung ist, kann sie Bestätigungsverzerrungen, oberflächliches Denken, reaktive Entscheidungsfindung, falsches Vertrauen und kognitive Ermüdung verstärken. Aber mit starken metakognitiven Fähigkeiten wird KI zu einem Werkzeug für tiefere Reflexion und besseres strategisches Denken.

Letzte Gedanken

Die Zukunft der KI-Arbeit könnte vom menschlichen Selbstbewusstsein abhängen

Immer mehr Menschen gehen davon aus, dass die Zukunft den Menschen gehört, die arbeiten können am schnellsten mit KI, ABER ich denke, die Zukunft wird den Menschen gehören, die bei der Arbeit mit KI zielstrebig bleiben können. Ich erwarte, dass „prompte Qualität“ in zwei bis drei Jahren zur Ware wird, kognitive Disziplin jedoch nicht.

Und vielleicht ist das die Ironie des KI-Zeitalters: Je mehr Intelligenz wir bei Bedarf generieren können, desto wertvoller wird das Selbstbewusstsein.

Das conflict’s von meiner Seite in diesem Blogbeitrag. Vielen Dank fürs Lesen! Ich hoffe, es conflict eine interessante Lektüre für Sie!

…………….

Rashi ist ein Datenexperte aus Chicago, der es liebt, Daten zu analysieren und Datengeschichten zu erstellen, um Erkenntnisse zu vermitteln. Sie ist hauptberuflich als leitende Beraterin für Gesundheitsanalytik tätig und schreibt gerne am Wochenende bei einer Tasse Kaffee Blogs über Daten.

Das nächste Kapitel von Panathēnea ist nicht nur in der Rednerliste, dem Veranstaltungsortplan oder dem stadtweiten Programm sichtbar. Es wird deutlicher, wie die Leute, die es bauen, darüber sprechen, was sie machen wollen.

Für Lefteris KatsiadakisCEO und Head of Content material, warfare das Pageant nie nur als Occasion gedacht. „Die Veranstaltung ist das, was die Menschen erleben, aber was wir wirklich aufbauen, ist etwas Größeres“, sagt er. Für Evi KourounakouMarketingleiter, ist das Größere auch eine Neighborhood und eine Geschichte, die „vor und nach diesen Tagen weitergeht“.

Dieser gemeinsame Instinkt gibt Panathenea seine schärfere Identität. Es geht nicht darum, eine weitere Technologiekonferenz mit besserer Kulisse zu werden. Ziel ist es, einen Ort zu schaffen, an dem sich Gründer, Investoren, Schöpfer, Betreiber, Künstler und Ökosystembauer treffen können und der dicht genug ist, um etwas zu bewegen.

Lefteris beschreibt die Ambition direkt: Panathēnea wurde gegründet, um die Menschen zusammenzubringen, „die versuchen, etwas aufzubauen“, darunter Gründer, Investoren, Schöpfer und die, wie er es nennt, „verrückten Menschen“, die die Welt verändern wollen. Das Ziel bestand in seinen Worten darin, „einen Second zu schaffen, in dem all diese Menschen zusammenkommen, sich treffen, Ideen austauschen und die Dinge tatsächlich voranbringen“.

Der schwierige Teil warfare die Glaubwürdigkeit

Dieser Ehrgeiz ging mit einem offensichtlichen Downside einher: Das Workforce musste Vertrauen gewinnen, bevor das Ökosystem überhaupt einen Grund hatte, es zu geben.

„Das Schwierigste warfare die Glaubwürdigkeit“, sagt Lefteris. „Wir waren ein junges Workforce, das versuchte, in sehr kurzer Zeit etwas sehr Ehrgeiziges aufzubauen.“ In den frühen Tagen, sagt er, sei das Workforce losgezogen und habe das Ökosystem Gespräch für Gespräch kennengelernt: VCs, Gründer, Unternehmen und Accomplice. Sie erklärten die Imaginative and prescient offen und forderten die Menschen auf, nicht nur teilzunehmen, sondern auch an das Projekt zu glauben.

Evi stellt die gleiche Herausforderung von der Marketingseite her. Die Schwierigkeit bestand darin, „Aufmerksamkeit zu erregen und gleichzeitig Vertrauen aufzubauen“. Panathēnea warfare neu und das Workforce hatte noch keine Erfolgsbilanz vorzuweisen, was bedeutete, dass jede Nachricht und Zusammenarbeit beweisen musste, dass das Pageant „etwas Echtes warfare und es wert warfare, Teil davon zu sein“.

Diese frühe Einschränkung könnte den Charakter des Festivals geprägt haben. Panathēnea konnte sich nicht auf den Standing eines Vermächtnisses verlassen. Es musste durch Klarheit, Konsistenz und sichtbares Engagement aufgebaut werden. Das Workforce musste dem Ökosystem das Gefühl geben, dass dies nicht nur ihr Projekt warfare, sondern etwas, das der breiteren Gemeinschaft gehören könnte.

Ein Teil der Motivation lag für Lefteris darin, andere Ökosysteme aus der Nähe zu sehen. Nachdem er Veranstaltungen wie Slush besucht hatte, erkannte er, wie wirkungsvoll es sein kann, wenn Menschen, Kapital, Ideen und Ambitionen in derselben Umgebung miteinander verbunden sind. Als er nach Griechenland zurückkehrte, spürte er, dass die fehlende Zutat nicht Expertise, sondern „Struktur und Dichte“ warfare.

Diese Unterscheidung ist wichtig. Dadurch verlagert sich die Diskussion weg von der Frage, ob Griechenland über genügend Gründer oder Ideen verfügt, und hin zu der Frage, ob das Ökosystem über genügend verbindende Infrastruktur verfügt, um bei der Skalierung zu helfen.

Dichte gestalten, nicht nur programmieren

Hier kommt Panathēneas Festivalformat in den Mittelpunkt.

Lefteris sagt, das Workforce habe sich für ein stadtweites Pageant entschieden, weil es „nicht nur eine weitere Konferenz ins Leben rufen wollte“. Er argumentiert, dass Konferenzen normalerweise auf Sitzen und Zuhören aufgebaut sind. Panathēnea wurde so konzipiert, dass es sich offener, lebendiger und natürlicher anfühlt. Die Menschen bewegen sich durch die Stadt, entdecken Räume und treffen sich auf eine Artwork und Weise, die schwieriger zu beschreiben ist.

Evi bringt es noch einfacher auf den Punkt: Festivalstrategie bedeutet „ein Gefühl zu entwerfen, nicht nur einen Zeitplan.“ Für sie sollte sich Panathēnea leicht, lebendig, einladend und intim anfühlen, auch wenn es wächst. Sie beschreibt es als eine Artwork leere Leinwand, einen Raum, in den Menschen mit einer frühen Idee kommen können, auch wenn sie seltsam oder unvollendet klingt, und sie gerne teilen.

Dies ist eine nützliche Möglichkeit, den Unterschied der Veranstaltung zu einer herkömmlichen Konferenz zu verstehen. Panathēnea organisiert nicht nur Gespräche und Treffen. Es wird versucht, die emotionalen und physischen Bedingungen zu schaffen, die die Teilnahme erleichtern.

Das Workforce verzichtet zudem bewusst auf eine Überstrukturierung. Evi sagt, sinnvolle Verbindungen können nicht erzwungen werden, aber die Umgebung um sie herum kann gestaltet werden. Das Pageant bringt eine vielfältige Mischung an Menschen zusammen, schafft Dichte und lässt genügend Raum für Entdeckungen. „Dort entstehen normalerweise die bedeutungsvollsten Verbindungen“, sagt sie.

Lefteris vertritt einen ähnlichen Standpunkt aus ökosystemarer Sicht. Festivals, sagt er, erzeugen eine andere Artwork von Energie. Die Menschen sind offener und engagierter, und das Format ermöglicht Gründern, Investoren, Künstlern, Kreativen und Betreibern, sich auf eine Artwork und Weise zu vermischen, wie es bei einer traditionellen Konferenz selten möglich ist. Viele der wichtigsten Interaktionen sind nicht geplant. Sie passieren, weil das Format sie ermöglicht.

Kultur als Infrastruktur

Für Evi ist die kulturelle Ebene kein Beiwerk zum Startup-Programm. Es ist Teil dessen, was das Ganze zum Funktionieren bringt.

„Kultur ist nicht getrennt von Innovation“, sagt sie. „Es ist Teil dessen, was Menschen zusammenbringt und Ideen wachsen lässt.“ Dieser Glaube prägt die Positionierung von Panathēnea: nicht als reines Tech-Occasion, sondern als eine Kombination aus Technologie, Kultur und Gemeinschaft, die verschiedene „Stämme“ an einen Ort bringt.

Hier wird auch das antike Panathēnea zu mehr als nur einem Namen. Evi verbindet das moderne Pageant mit der ursprünglichen Idee eines Treffens, das auf Kreativität, Partizipation und kollektiver Identität basiert. Es geht nicht darum, die Geschichte als Dekoration zu nutzen, sondern Athen als einen Ort zu gestalten, an dem alte bürgerliche Formen für neue Arten von Bauherren überarbeitet werden können.

Sie beschreibt die Erfahrung auch durch die Idee des Peplos, etwas, das aus Ideen und Interaktionen gewebt ist. Jeder Mensch und jedes Gespräch trägt etwas dazu bei. Es ist eine starke Metapher, weil sie das Pageant nicht als eine einzelne Aufführung behandelt, sondern als ein Gefüge, das von allen, die sich darin bewegen, geschaffen wird.

Ohne Kultur und Kreativität, sagt Evi, würde sich die Veranstaltung „viel transaktionaler“ anfühlen. Mit ihnen wird es zu etwas, an das sich die Menschen erinnern.

Das ist das eigentliche Argument hinter Panathēneas Modell. Geschäftswert und menschliche Erfahrung sind keine Gegensätze. In den besten Zusammenkünften verstärken sie sich gegenseitig.

Vom Produkt zum Ökosystem

Lefteris ist sich darüber im Klaren, dass sich Panathēnea noch weiterentwickelt. „Im Second ist es noch ein Produkt“, sagt er. Es ist etwas, an dem die Leute einmal im Jahr teilnehmen. Aber das Workforce baut es so auf, dass es zu einer Plattform werden kann, die verschiedene Gruppen verbindet, und schließlich zu einem Ökosystem, das kontinuierlich Werte generiert, nicht nur während des Festivals selbst.

Diese langfristige Perspektive ist ehrgeizig. Lefteris möchte, dass Panathēnea im Kern weiterhin von Studenten geleitet wird und gleichzeitig an Größe und Einfluss wächst. Seine Imaginative and prescient ist es, ein 10-tägiges Pageant zu werden, das mehr als 100.000 Menschen nach Athen bringt und zu einem der wichtigsten jährlichen Momente der Stadt wird.

Evis Model der Zukunft ist emotionaler, aber nicht kleiner. Sie möchte, dass Panathēnea weltweit wächst und dabei seine menschliche und intime Atmosphäre behält. Für sie kehren Menschen zurück, wenn sie das Gefühl haben, Teil von etwas Realem zu sein. „In einer Welt, die immer unpersönlicher wird“, sagt sie, „wollen wir einen Raum schaffen, der sich wieder menschlich anfühlt.“

Zusammengenommen erklären ihre Antworten, warum das Workforce von Panathēnea nicht nur als Veranstalter von Veranstaltungen gesehen werden sollte. Lefteris denkt über Dichte, Infrastruktur und Ökosystembeschleunigung nach. Evi denkt über Geschichte, Gefühle, Kultur und Zugehörigkeit nach. Das Pageant braucht beides.

Dieses Gleichgewicht könnte es sein, das das Projekt über Athen hinaus related macht. Traditionelle Konferenzen verschwinden nicht, aber sie werden forciert, um sich weiterzuentwickeln. Menschen erwarten mehr als nur Inhalte. Sie wollen teilnehmen, Kontakte knüpfen und sich als Teil von etwas fühlen. Evi sagt, dass die wichtigsten Tech-Treffen in den nächsten fünf Jahren „interaktiver und stärker über die Städte verteilt“ sein werden, wobei der Schwerpunkt weniger auf dem Sitzen und Zuhören als vielmehr auf der Teilnahme liegt.

Panathēnea wird auf dieser Grundlage gebaut.

Die Wette ist einfach: Ökosysteme entstehen nicht allein durch Anwesenheit. Sie entstehen, wenn sich Menschen einbezogen fühlen, wenn Gespräche über das Programm hinaus fortgesetzt werden und wenn eine Stadt zu einer gemeinsamen Oberfläche für Ambitionen wird.

Deshalb geht es bei Panathēneas nächstem Akt nicht nur um die Größe. Es geht darum, ob ein junges Workforce ein Pageant zu einer dauerhaften Plattform für Verbindung, Glaubwürdigkeit und europäische Innovation machen kann.

---

Hervorgehobener Bildnachweis

Die Frage rund um die KI, und ich meine damit die Spitze der KI, nicht Ihr übliches „Schreiben Sie mir eine E-Mail“, verändert sich. Früher hieß es: „Was kann es für mich tun?“ ist jetzt zu „Wer darf es nutzen?“ geworden. Das haben wir kürzlich bei Anthropic gesehen Claude Mythos Vorschau – ein vermeintlicher Inbegriff von KI-Modellen, die nur mit einer Gruppe von Firmen geteilt werden, die mit Anthropic zum Wohle der Cybersicherheit zusammenarbeiten. Nun scheint sich OpenAI dieser Initiative mit dem sogenannten GPT-5.4-Cyber ​​angeschlossen zu haben.

Was ist das? Wie funktioniert es? Und was hat OpenAI damit vor? Lassen Sie uns das alles hier erkunden.

Was ist GPT-5.4-Cyber?

Beachten Sie, dass es sich bei GPT-5.4-Cyber ​​nicht um ein brandneues KI-Modell handelt, das von Grund auf neu entwickelt wurde. Es handelt sich um eine cyberfähigere Model des neuesten GPT-5.4 von OpenAI. In seinem BekanntmachungDas Unternehmen gibt an, dass es gezielt auf die Arbeit im Bereich Cybersicherheit abgestimmt wurde. Dies geschah im Wesentlichen auf zwei Arten:

• Das Modell verfügt nun über „zusätzliche Cyber-Fähigkeiten“, was bedeutet, dass der GPT-5.4-Cyber ​​erweiterte Verteidigungsworkflows ermöglicht. Dazu gehören binäre Reverse-Engineering-Funktionen, die es Sicherheitsexperten ermöglichen, „Malware-Potenzial, Schwachstellen und Sicherheitsrobustheit“ in einer kompilierten Software program zu bewerten, ohne überhaupt auf den Quellcode zuzugreifen.
• Das neue Modell unterliegt außerdem weniger Leistungseinschränkungen. Das bedeutet, dass GPT-5.4-Cyber ​​„die Ablehnungsgrenze für legitime Cybersicherheitsarbeit senkt“. In Fällen, in denen sich ein typisches KI-Modell aufgrund des Risikos eines Missbrauchs weigern würde, zu reagieren oder eine Aufgabe auszuführen, wird die neue Model von GPT-5.4 weiterhin funktionieren.

Und genau aus diesem Grund macht OpenAI den GPT-5.4-Cyber ​​nicht öffentlich.

Warum können Sie GPT-5.4-Cyber ​​noch nicht verwenden?

Ein einfacher Grund – denn OpenAI möchte nicht, dass dieses Maß an Cyber-Fähigkeiten vom ersten Tag an für alle offen verfügbar ist.

Das Unternehmen integriert GPT-5.4-Cyber ​​in sein Trusted Entry for Cyber- oder TAC-Framework. Hierbei handelt es sich um ein identitäts- und vertrauensbasiertes System, das darauf abzielt, verifizierten Verteidigern erweiterte Cyber-Fähigkeiten zur Verfügung zu stellen. Die Idee besteht darin, die Wahrscheinlichkeit eines Missbrauchs zu verringern.

Mit der neuen Model, OpenAI erweitert TAC nun auf „Tausende verifizierter Einzelverteidiger“ und „Hunderte Groups“, die kritische Software program verteidigen. Es möchte die höheren Fähigkeiten seiner Modelle (von GPT-5.2 bis GPT-5.4) auf Benutzer erweitern, die bereit sind, sich mit OpenAI als Cybersicherheitsverteidiger zu authentifizieren.

Und hier kommt der GPT-5.4-Cyber, der an der Spitze dieses TAC-Frameworks steht. Daher handelt es sich nicht um Ihr normales KI-Modell-Launch. Sie können nicht einfach ChatGPT öffnen, das Modell auswählen und damit beginnen, damit zu experimentieren. Seine erweiterten Fähigkeiten im Bereich der Cybersicherheit gelten als viel zu sensibel, um generell für jedermann verfügbar zu sein.

Wer bekommt es additionally?

GPT-5.4-Cyber: Wer bekommt es?

Stellen Sie sich das TAC von OpenAI als Pyramide vor. Nur wer ganz oben steht, kann Zugang zum neuen GPT-5.4-Cyber ​​beantragen. Dabei ist vorerst nicht verhandelbar, dass nur die bestehenden TAC-Kunden Zugriff darauf beantragen können.

OpenAI sagt, dass bestehende Kunden, die „bereit sind, sich weiter als legitime Cyber-Verteidiger zu authentifizieren“, möglicherweise Anspruch auf dasselbe haben. Und dies erfolgt nach mehreren Zugriffsebenen zu anderen Modellen, die für die Cybersicherheit verbessert wurden.

Bei diesen Modellen gehen die Sicherheitsvorkehrungen, die normalerweise bei Cyberaktivitäten mit doppeltem Verwendungszweck ausgelöst werden, tendenziell zurück. Dies bedeutet, dass sie auf kritische Sicherheitsaufgaben reagieren, bei denen die allgemeinen Modelle normalerweise nicht reagieren. Dies ermöglicht es den Benutzern, sie in „Sicherheitserziehung, defensiver Programmierung und verantwortungsvoller Schwachstellenforschung“ zu verwenden.

Angenommen, Sie befinden sich in der höchsten TAC-Stufe und möchten den GPT-5.4-Cyber ​​in die Hände bekommen. OpenAI teilt die genauen Möglichkeiten mit, dies zu tun.

GPT-5.4-Cyber: Wie bekomme ich es?

Der einfache Weg hierfür ist –

• Registrieren Sie sich bei TAC
• Antrag auf Zugang zu GPT-5.4-Cyber

Natürlich gibt es keine Garantie dafür, dass OpenAI Ihnen sofort Zugriff auf das neue Modell gewährt. Selbst dann ist dies die einzig bekannte Möglichkeit, überhaupt die Probability zu haben, sich daran zu versuchen.

So können Sie sich bei TAC registrieren:

• Für Einzelpersonen: Bestätigen Sie Ihre Identität unter chatgpt.com/cyber⁠.
• Für Unternehmen: Fordern Sie über Ihren OpenAI-Vertreter einen vertrauenswürdigen Zugriff für Ihr Crew an.

Sobald OpenAI Sie durch diesen Prozess genehmigt, gewährt es Ihnen Zugriff auf Versionen solcher Cyber-erweiterten Modelle.

Abschluss

Nach AnthropischOpenAI hat deutliche Bedenken geäußert – KI entwickelt sich schnell weiter und kann sich bei Missbrauch als gefährlich für die Gesundheit erweisen Cybersicherheit. Die Spitzenfähigkeiten der KI im Bereich der Cybersicherheit müssen daher in den richtigen Händen liegen.

Und dafür hat das Unternehmen sein nuanciertestes Modell hinter verschlossenen Türen veröffentlicht. Jeder, der darauf zugreifen möchte, muss sich einer strengen Identifizierung und Überprüfung unterziehen. Nur diejenigen, die es verdienen, dürfen es nutzen. Einfach.

Dies kann bahnbrechend sein, wenn es um die Sicherung der Cyberwelt, wie wir sie kennen, geht, da dadurch die richtigen Leute mit den leistungsstärksten Werkzeugen auf dem Planeten ausgestattet werden. Solange solche Modelle allem, was allgemein verfügbar ist, weit voraus sind, werden die Verteidiger einen erheblichen Vorteil gegenüber den Schurken haben.

Es kann manchmal schwierig sein, sich mit all den bahnbrechenden Innovationen, die derzeit stattfinden, einen Überblick zu verschaffen. Wir haben in den letzten Jahrzehnten in einer Zeit gelebt, in der es quick regular erscheint, dass sich mehrere weltverändernde Technologien schnell weiterentwickeln, aber nur selten in der Geschichte battle dies der Fall. Wenn man auf die „Riesensprünge“ der Menschheit zurückblickt, stehen sie quick immer für sich allein: die Druckerpresse; Schießpulver; das Flugzeug; Der Laptop. Dies sind Zeiten, in denen Menschen mit einer neuen Technologie kämpften, um zu sehen, wie sie unser Leben verändern könnte und wie die Welt durch die Entdeckung ihrer vielfältigen Einsatzmöglichkeiten vorankommen könnte.

Wir befinden uns in einer Zeit, in der wir nicht nur über eine einzige weltweit bedeutsame Technologie verfügen, die unser tägliches Leben verändert. Wir haben zumindest drei: Künstliche Intelligenz, Blockchain und Robotik. Quantencomputing wird bald auf dieser Liste stehen, aber es gibt noch einige große Hürden, bevor die Technologie das Leben eines Durchschnittsmenschen beeinflussen kann. Wir befinden uns in einem so rasanten Innovationstempo bei KI, Blockchain und Robotik, dass es jeden Tag neue Schlagzeilen gibt, die zeigen, was ein Unternehmen oder ein Forschungsinstitut erreicht hat, und unsere Erwartungen an die Möglichkeiten, die wir mit diesen neuen Instruments erreichen können, verändern.

Im Gegensatz zu anderen Zeiten, in denen eine einzelne Technologie unsere Aufmerksamkeit in Anspruch nahm, befinden wir uns an einem einzigartigen Punkt in der Geschichte, an dem die führenden Unternehmen in diesen Bereichen aktiv erforschen, welche neuen Errungenschaften durch die Kombination der Technologien möglich sind, und die Auswirkungen sind wirklich atemberaubend. Beispielsweise hat sich die Diskussion angesichts der stetigen Weiterentwicklung der KI dem Wettlauf um AGI (künstliche allgemeine Intelligenz) zugewandt, was vielleicht der bislang größte Sprung in der menschlichen Errungenschaft wäre. Gleichzeitig haben Unternehmen (und Regierungen) auf der ganzen Welt erhebliche Fortschritte bei der Entwicklung humanoider Roboter gemacht, ein echter Innovationssprung im Vergleich zu industriellen Roboterarmen, die automatisierte Montagelinien steuern. Es dauerte nicht lange, darüber nachzudenken, was diese Technologien in Kombination bewirken könnten, und Elon Musk erklärte kürzlich, dass Tesla dazu gehören würde battle der erste, der AGI bauteund könnte der erste sein, der es in humanoiden Robotern einsetzt.

Das bringt viele Reaktionen mit sich, und nicht alle davon sind intestine. Musk und seine Unternehmen haben zwar echte Innovationsdurchbrüche erzielt, doch der Begriff „verantwortungsvoll“ lässt sich mit vielem davon nicht in Verbindung bringen. Abgesehen von der Diskussion über die Behandlung der Belegschaft und anderen eher politisch brisanten Anliegen zeigt ein Blick auf die Entwicklung der automatisierten Fahrfunktionen von Tesla ein klares Innovationsmuster in einem Tempo, das (im übertragenen und wörtlichen Sinne) einen Pfad der Zerstörung hinterlässt. Es wirft auch eine größere Frage auf, mit der wir uns befassen müssen: Wer sollte dieses Maß an Macht kontrollieren, mit AGI oder humanoiden Robotern und insbesondere mit beidem? Die Antwort könnte in der dritten großen Technologie liegen: Blockchain, und insbesondere in ihrer Fähigkeit, über Grenzen und Unternehmen hinweg zu dezentralisieren. Eines der Hauptziele der Blockchain bestand darin, nicht nur die digitale Währung, sondern auch die Macht selbst und Organisationen wie die zu dezentralisieren ASI-Allianz Wir haben es ernst damit gemacht, eine Infrastruktur aufzubauen, die jedem Zugang ermöglicht, anstatt dass ein paar mächtige Regierungen oder Megakonzerne den Schlüssel in der Hand haben.

Was ist die Bedrohung? Sind AGI-Roboter überhaupt möglich?

Diese Frage ist in mancher Hinsicht kompliziert, aber weniger related, als Sie vielleicht denken. Betrachtet man zunächst humanoide Roboter? Erst in den letzten zwei Jahren gab es dramatische Fortschritte bei der Entwicklung humanoider Roboter, die mit effizienten Batterien betrieben werden, und es wurde gezeigt, dass Roboter mühelos turnen, herumlaufen, Aufgaben erledigen und sich mit anderen koordinieren können. Die Verbesserungen an den Robotern selbst sind sehr actual und nur zwei Jahre haben gezeigt, dass es sich um humanoide Roboter handelt Wille Teil unseres Lebens werden und dass eine Reihe verschiedener Länder und große Unternehmen über diese Technologie verfügen.

Weniger offensichtlich ist, wie intestine diese Roboter mit ihrer Umgebung interagieren können. Ja, es gibt beeindruckende Ausstellungen von Teslas Optimus, dem Boston Dynamics Atlas und verschiedenen chinesischen Robotern bei der Gala des Frühlingsfests zum chinesischen Neujahr 2026. Diese Leistungen sind unglaublich, aber auch akribisch geschrieben. Weniger offensichtlich ist, wie intestine diese Roboter KI nutzen können, um bei ihren Aufgaben und Entscheidungen flexibel zu sein. Da AGI am Horizont steht, wäre die Implementierung humanoider Roboter mit dieser Intelligenzstufe, wie viele Branchenführer behaupten, eine naheliegende Lösung für die Interaktion mit einer realen Umgebung ohne Drehbuch. Es ist schwer zu sagen, wo sich diese beiden Technologien treffen werden, und das Anschauen lustiger Movies von umfallenden Robotern oder schrecklichen Entscheidungen kann die Erwartungen schmälern. Wenn Sie jedoch nur auf das letzte Jahrzehnt zurückblicken, sehen, wo wir heute stehen, und in die Zukunft blicken, ist klar, dass sich beide Technologien irgendwann in naher Zukunft auf Science-Fiction-Niveau entwickeln werden. Es könnte ein paar Jahre dauern, es könnten 10-15 Jahre sein. Aber dieser Zeitrahmen ist jetzt unmittelbar bevorstehtnicht das Drawback einer zukünftigen Era.

Die große Frage: Wer soll die Macht behalten?

Nachdem wir nun festgestellt haben, dass humanoide Roboter mit AGI irgendwann in der nahen Zukunft unvermeidlich sind, besteht die eigentliche Frage darin, zu entscheiden, wer die Kontrolle über so viel kombinierte Kraft haben soll. Hier kann Science-Fiction tatsächlich überraschende Erkenntnisse liefern. Wir haben gesehen, wie KI unser tägliches Leben verbessern kann, und wir sehen auch, wie KI von schlechten Akteuren genutzt werden kann, um uns auszunutzen. Leider handelt es sich bei „schlechten Akteuren“ nicht nur um eine zwielichtige Hackerorganisation. Angesichts der laufenden Ermittlungen auf der ganzen Welt gehören Unternehmen und sogar Regierungen zu den schlimmsten Akteuren, die Menschen manipulieren, ausspionieren und KI gegen sie einsetzen. Wenn wir ein solches Verhalten mit den bedeutenden Innovationssprüngen von AGI kombinieren, wächst diese Besorgnis sehr schnell. Aber wenn wir uns dann diese Sorgen machen und uns schnelle, leistungsstarke und präzise humanoide Roboter mit AGI vorstellen, können wir dank der unzähligen dystopischen Science-Fiction-Geschichten, die dieses Szenario nachstellen, genau sehen, wie das aussehen könnte. Dies ist ein echtes Drawback, und es lässt sich auf einfache Tatsachen reduzieren: Wenn man ein paar Organisationen (Unternehmen, Regierungen oder irgendjemand anderem) Macht verleiht, die weit über den Durchschnittsmenschen hinausgeht, wird diese Macht quick zwangsläufig gegen den Durchschnittsmenschen eingesetzt. Die einzige Möglichkeit, dies zu verhindern, sind nicht Gesetze, militärische Gewalt oder gar Diplomatie, sondern die Verteilung der Macht auf die Bevölkerung.

Wie oben erwähnt, konzentriert sich die ASI Alliance (und vielleicht in naher Zukunft auch ähnliche Allianzen) auf die Verbreitung des Wissens und der Vorteile von AGI. Dies ermöglicht nicht nur den Zugang für den Durchschnittsbürger, sondern nutzt auch die Genialität einer globalen Gemeinschaft anstelle einer isolierten Organisation. Da sich die Robotik in verschiedenen Regionen rund um den Globus weiterentwickelt, verringert eine dezentrale AGI die Gefahr einer asymmetrischen Macht erheblich und verhindert, dass sich ein einzelnes Technologieunternehmen oder eine einzelne Regierung auf eine Weise verhält, die wir zuvor gesehen haben.

---

Hervorgehobener Bildnachweis

Ein Unternehmen, das ein großes Sprachmodell (LLM) zum Zusammenfassen von Verkaufsberichten oder zur Triage von Kundenanfragen verwenden möchte, kann zwischen Hunderten einzigartiger LLMs mit Dutzenden Modellvarianten wählen, die jeweils eine leicht unterschiedliche Leistung aufweisen.

Um die Auswahl einzugrenzen, verlassen sich Unternehmen häufig auf LLM-Rating-Plattformen, die Benutzerfeedback zu Modellinteraktionen sammeln, um die neuesten LLMs basierend auf ihrer Leistung bei bestimmten Aufgaben zu bewerten.

Aber MIT-Forscher haben herausgefunden, dass eine Handvoll Benutzerinteraktionen die Ergebnisse verzerren können, was dazu führen kann, dass jemand fälschlicherweise glaubt, ein LLM sei die ideale Wahl für einen bestimmten Anwendungsfall. Ihre Studie zeigt, dass das Entfernen eines winzigen Bruchteils der Crowdsourcing-Daten dazu führen kann, dass die Modelle an erster Stelle stehen.

Sie haben eine schnelle Methode entwickelt, um Rating-Plattformen zu testen und festzustellen, ob sie für dieses Downside anfällig sind. Die Bewertungstechnik identifiziert die einzelnen Stimmen, die am stärksten für die Verzerrung der Ergebnisse verantwortlich sind, sodass Benutzer diese einflussreichen Stimmen überprüfen können.

Die Forscher sagen, dass diese Arbeit die Notwendigkeit strengerer Strategien zur Bewertung von Modellrankings unterstreicht. Obwohl sie sich in dieser Studie nicht auf die Schadensbegrenzung konzentrierten, lieferten sie Vorschläge, die die Robustheit dieser Plattformen verbessern könnten, wie etwa das Einholen detaillierterer Rückmeldungen zur Erstellung der Rankings.

Die Studie warnt auch Nutzer, die sich bei Entscheidungen über LLMs, die weitreichende und kostspielige Auswirkungen auf ein Unternehmen oder eine Organisation haben könnten, möglicherweise auf Rankings verlassen.

„Wir waren überrascht, dass diese Rating-Plattformen so empfindlich auf dieses Downside reagierten. Wenn sich herausstellt, dass der am höchsten bewertete LLM nur von zwei oder drei Teilen des Benutzerfeedbacks von Zehntausenden abhängt, kann man nicht davon ausgehen, dass der am besten bewertete LLM bei seiner Einführung alle anderen LLMs durchweg übertreffen wird“, sagt Tamara Broderick, außerordentliche Professorin am Division of Electrical Engineering and Pc Science (EECS) des MIT; ein Mitglied des Laboratory for Data and Resolution Techniques (LIDS) und des Institute for Knowledge, Techniques, and Society; eine Tochtergesellschaft des Pc Science and Synthetic Intelligence Laboratory (CSAIL); und leitender Autor dieser Studie.

Sie ist dabei Papier von den Hauptautoren und EECS-Absolventen Jenny Huang und Yunyi Shen sowie Dennis Wei, einem leitenden Wissenschaftler bei IBM Analysis. Die Studie wird auf der Worldwide Convention on Studying Representations vorgestellt.

Daten werden gelöscht

Obwohl es viele Arten von LLM-Rating-Plattformen gibt, werden die Benutzer bei den beliebtesten Varianten aufgefordert, eine Anfrage an zwei Modelle zu stellen und auszuwählen, welches LLM die bessere Antwort bietet.

Die Plattformen aggregieren die Ergebnisse dieser Matchups, um Rankings zu erstellen, die zeigen, welcher LLM bei bestimmten Aufgaben wie Codierung oder visuellem Verständnis am besten abgeschnitten hat.

Durch die Auswahl eines LLM mit der höchsten Leistung erwartet ein Benutzer wahrscheinlich, dass sich die Spitzenplatzierung dieses Modells verallgemeinert, was bedeutet, dass es andere Modelle bei ihrer ähnlichen, aber nicht identischen Anwendung mit einem Satz neuer Daten übertreffen sollte.

Die MIT-Forscher untersuchten zuvor die Generalisierung in Bereichen wie Statistik und Wirtschaft. Diese Arbeit deckte bestimmte Fälle auf, in denen das Weglassen eines kleinen Prozentsatzes der Daten die Ergebnisse eines Modells verändern kann, was darauf hindeutet, dass die Schlussfolgerungen dieser Studien möglicherweise nicht über ihren engen Rahmen hinaus gültig sind.

Die Forscher wollten herausfinden, ob die gleiche Analyse auf LLM-Rating-Plattformen angewendet werden kann.

„Letztendlich möchte ein Benutzer wissen, ob er sich für den besten LLM entscheidet. Wenn nur wenige Eingabeaufforderungen dieses Rating bestimmen, deutet das darauf hin, dass das Rating möglicherweise nicht das Allerbeste ist“, sagt Broderick.

Es wäre jedoch unmöglich, das Phänomen des Datenverlusts manuell zu testen. So hatte ein von ihnen ausgewertetes Rating mehr als 57.000 Stimmen. Das Testen eines Datenrückgangs von 0,1 Prozent bedeutet, dass jede Teilmenge von 57 Stimmen aus den 57.000 entfernt wird (es sind mehr als 10).¹⁹⁴ Teilmengen) und anschließende Neuberechnung der Rangfolge.

Stattdessen entwickelten die Forscher auf der Grundlage ihrer früheren Arbeiten eine effiziente Näherungsmethode und passten sie an LLM-Rankingsysteme an.

„Obwohl wir eine Theorie haben, die beweist, dass die Näherung unter bestimmten Annahmen funktioniert, muss der Benutzer darauf nicht vertrauen. Unsere Methode teilt dem Benutzer am Ende die problematischen Datenpunkte mit, sodass er diese Datenpunkte einfach löschen, die Analyse erneut ausführen und prüfen kann, ob sich die Rangfolge ändert“, sagt sie.

Überraschend empfindlich

Als die Forscher ihre Technik auf beliebte Rating-Plattformen anwendeten, waren sie überrascht, wie wenige Datenpunkte sie löschen mussten, um signifikante Veränderungen in den High-LLMs zu bewirken. In einem Fall führte die Entfernung von nur zwei von mehr als 57.000 Stimmen, was 0,0035 Prozent entspricht, dazu, welches Modell an erster Stelle steht.

Eine andere Rating-Plattform, die Experten-Annotatoren und qualitativ hochwertigere Eingabeaufforderungen verwendet, struggle robuster. Hier wurden durch die Streichung von 83 von 2.575 Bewertungen (rund 3 Prozent) die Spitzenmodelle umgedreht.

Ihre Untersuchung ergab, dass viele einflussreiche Stimmen möglicherweise auf Benutzerfehler zurückzuführen waren. In einigen Fällen schien es eine klare Antwort darauf zu geben, welches LLM besser abschnitt, aber der Benutzer entschied sich stattdessen für das andere Modell, sagt Broderick.

„Wir können nie wissen, was der Benutzer zu diesem Zeitpunkt im Kopf hatte, aber vielleicht hat er falsch geklickt oder nicht aufgepasst, oder er wusste ehrlich gesagt nicht, welches besser ist. Der große Vorteil dabei ist, dass Sie nicht möchten, dass Lärm, Benutzerfehler oder Ausreißer bestimmen, welches LLM am besten bewertet ist“, fügt sie hinzu.

Die Forscher gehen davon aus, dass das Sammeln zusätzlicher Rückmeldungen von Benutzern, wie z. B. das Vertrauensniveau bei jeder Abstimmung, umfassendere Informationen liefern würde, die zur Entschärfung dieses Issues beitragen könnten. Rating-Plattformen könnten auch menschliche Mediatoren einsetzen, um Crowdsourcing-Antworten zu bewerten.

Die Forscher wollen die Verallgemeinerung in anderen Kontexten weiter erforschen und gleichzeitig bessere Approximationsmethoden entwickeln, die mehr Beispiele für Nichtrobustheit erfassen können.

„Die Arbeit von Broderick und ihren Studenten zeigt, wie man valide Schätzungen des Einflusses spezifischer Daten auf nachgelagerte Prozesse erhalten kann, obwohl erschöpfende Berechnungen angesichts der Größe moderner Modelle und Datensätze für maschinelles Lernen unlösbar sind“, sagt Jessica Hullman, Ginni Rometty-Professorin für Informatik an der Northwestern College, die nicht an dieser Arbeit beteiligt struggle. „Die jüngste Arbeit bietet einen Einblick in die starken Datenabhängigkeiten bei routinemäßig angewendeten – aber auch sehr fragilen – Methoden zur Aggregation menschlicher Präferenzen und deren Verwendung zur Aktualisierung eines Modells. Zu sehen, wie wenige Präferenzen das Verhalten eines fein abgestimmten Modells wirklich verändern könnten, könnte zu durchdachteren Methoden zur Erfassung dieser Daten führen.“

Diese Forschung wird zum Teil vom Workplace of Naval Analysis, dem MIT-IBM Watson AI Lab, der Nationwide Science Basis, Amazon und einem CSAIL Seed Award finanziert.

Valve kündigte die Steam Machine im November 2025 als Heimkonsolen-Geschwister des Steam Decks an, begleitet von einem neuen Steam Controller und einem kabellosen VR-Headset namens Steam Body.

Die Steam Machine verfolgt einen zweckmäßigen und maßgeschneiderten Designansatz, ähnlich dem Steam Deck. Sein Äußeres besteht aus einer Blackbox mit den Maßen 5,98 x 6,39 x 6,14 Zoll bzw. 152 x 162,4 x 156 Millimeter. Auf der Rückseite befinden sich Anschlüsse und ein Gitter für den Lüfter. Die Vorderseite umfasst eine abnehmbare Frontplatte und einen anpassbaren LED-Lichtstreifen.

Intern beherbergt das Gerät eine semi-custom AMD Zen 4 CPU mit sechs Kernen, die Taktraten von bis zu 4,8 GHz erreichen können. Dieser Prozessor wird mit einer semi-kundenspezifischen RDNA3-AMD-GPU kombiniert. Die Speicherkonfiguration umfasst 16 GB DDR-RAM für den Systembetrieb und 8 GB GDDR6-VRAM für die Grafikverarbeitung. Speicheroptionen gibt es mit Kapazitäten von 512 GB oder 2 TB.

Aufgrund dieser Spezifikationen ist die Steam Machine leistungsstärker als das Steam Deck, das 2022 mit einem eigenen, maßgeschneiderten AMD-Chip auf den Markt kam. Valve vermeidet es, die Leistung in seiner Kommunikation zu überbewerten. Das Unternehmen gibt in einem Blogbeitrag an, dass die meisten Steam-Titel dank der FidelityFX Tremendous Decision-Body-Generierung und Upscaling-Technologie von AMD mit 4K 60 FPS großartig abgespielt werden.

Valve erkennt unterschiedliche Leistungsanforderungen zwischen den Titeln an. Einige Spiele erfordern eine stärkere Hochskalierung als andere. In bestimmten Fällen kann es vorzuziehen sein, mit einer niedrigeren Framerate und variabler Bildwiederholfrequenz zu spielen, um eine interne Auflösung von 1080p beizubehalten, wie im Blogbeitrag angegeben.

Digital Foundry wies in einer praktischen Vorschau auf mögliche Einschränkungen aufgrund der Spezifikationen hin. Die Analysten stellten fest: „Die Entscheidung für 8 GB GDDR6-Speicher hat sich bei vielen modernen Mainstream-Triple-A-Spielen als limitierender Faktor erwiesen und bleibt hinter den maximalen VRAM-Swimming pools und der Speicherbandbreite zurück, die sowohl auf der Xbox Sequence X als auch auf der Foundation-PS5 verfügbar sind.“

Konnektivitätsoptionen unterstützen moderne WLAN-Requirements. Die Steam Machine verfügt über Bluetooth 5.3 zum Koppeln mit kompatiblen Geräten. Wi-Fi 6E ermöglicht drahtlose Hochgeschwindigkeitsnetzwerke. Ein integrierter 2,4-GHz-Adapter nimmt speziell den neuen Steam Controller auf.

Die Videoausgangsanschlüsse bestehen aus DisplayPort 1.4 und HDMI 2.0 und ermöglichen den Anschluss an externe Monitore und Fernseher. Die USB-Konnektivität wird durch vier USB-A-Anschlüsse auf der Rückseite erweitert: Zwei arbeiten mit USB 2.0-Geschwindigkeit, während die anderen beiden USB 3.2 Gen 1 unterstützen. Ein einzelner USB-C-Anschluss bietet zusätzliche Vielseitigkeit.

Diese Funktionen deuten auf eine mit dem Steam Deck vergleichbare Flexibilität hin, die durch eine höhere Rechenleistung verbessert wird. Um die realen Fähigkeiten vollständig beurteilen zu können, sind weiterhin Exams erforderlich.

Die Steam Machine läuft auf SteamOS, dem Linux-basierten Betriebssystem von Valve. Jedes mit SteamOS kompatible Steam-Spiel läuft auf dem Gerät, vorbehaltlich Hardwareeinschränkungen. Native Linux-Versionen werden direkt für Linux-Titel heruntergeladen.

Home windows-Spiele und andere basieren auf der in Steam integrierten Proton-Kompatibilitätsschicht. Proton übersetzt die API-Aufrufe und Softwarefunktionen des Spiels in Linux-kompatible Formate und simuliert so eine Home windows-Umgebung. Valve entwickelt Proton in Zusammenarbeit mit CodeWeavers, den Entwicklern der CrossOver-App für macOS-Kompatibilität.

Proton liefert starke Ergebnisse und ermöglicht manchmal eine bessere Effizienz unter Linux als die native Home windows-Leistung. Es bestehen weiterhin Einschränkungen, insbesondere bei Anti-Cheat-Software program, die unter Linux nicht unterstützt wird und viele wettbewerbsfähige Multiplayer-Spiele blockiert.

Valve geht davon aus, dass die Steam Machine die Anti-Cheat-Entwicklung beeinflussen wird. Das Unternehmen sagte gegenüber Eurogamer: „Während die Steam Machine auch die Beteiligung der Entwickler erfordert, um Anti-Cheat zu aktivieren, sind wir der Meinung, dass die Anreize für die Aktivierung von Anti-Cheat auf der Machine höher sind als auf dem Deck, da wir davon ausgehen, dass mehr Leute darauf Multiplayer-Spiele spielen werden.“ Valve fügte hinzu: „Letztendlich hoffen wir, dass die Einführung von Machine die Gleichung rund um die Anti-Cheat-Unterstützung ändert und deren Unterstützung erhöht.“

Um Benutzern bei der Identifizierung kompatibler Titel zu helfen, erweitert Valve sein Deck-Verifizierungsprogramm auf Steam Machine und Steam Body. Bei der Überprüfung werden die Controller-Unterstützung, die Standardauflösung, die Launcher-Anforderungen und die Proton-Kompatibilität mit dem Spiel und seiner Middleware bewertet.

Spiele erhalten eine von vier Bewertungen: „Verifiziert“ bedeutet volle Funktionalität mit Steam-{Hardware} beim Begin; Spielbar bedeutet, dass geringfügige Benutzeranpassungen einen reibungslosen Betrieb gewährleisten können. „Unspielbar“ bedeutet teilweises oder vollständiges Scheitern; Unbekannt gilt für ungetestete Titel.

In einer Ankündigung an die Entwickler heißt es, dass für das Steam Deck verifizierte Spiele automatisch den Verifiziert-Standing für die Steam Machine erhalten. Group-Ressourcen wie ProtonDB ergänzen dieses System mit detaillierten Benutzerberichten und gehen auf Fälle ein, in denen sich offizielle Bewertungen als unvollständig erweisen, wie etwa spielbare Spiele mit der Bezeichnung „Unspielbar“.

Valve hält einen bestimmten Preis oder ein Veröffentlichungsdatum für die Steam Machine, den Steam Controller oder den Steam Body zurück. Designer Pierre-Loup Griffais teilte The Verge mit, dass der Preis der Steam Machine mit einem PC mit ähnlichen Spezifikationen vergleichbar sei.

Griffais beschrieb die Positionierung näher am Einstiegsniveau des PC-Bereichs, während er gleichzeitig mit einem selbstgebauten PC aus Teilen sehr wettbewerbsfähig bleibt. Dieser Ausblick lässt auf Kosten schließen, die den Preis von 499 US-Greenback für die PS5 und den Preis für das Steam Deck LCD von 399 US-Greenback übersteigen.

Komponentenknappheit wirkt sich auf Preispläne aus. Im Februar 2026 verschob Valve die Einführung der {Hardware} und strebte die erste Hälfte des Jahres 2026 an. Das Unternehmen überdenkt die Preisgestaltung für die Steam Machine und den Steam Body aufgrund der begrenzten Verfügbarkeit und der steigenden Preise für kritische Komponenten wie RAM.

Der Framework Desktop veranschaulicht diesen Marktdruck. Framework vermarktet seinen kompakten Gaming-PC, der mit einem AMD Ryzen AI Max-Chip ursprünglich für Laptops ausgestattet ist und über mindestens 32 GB RAM verfügt, der 1440p-Gaming unterstützt.

Aufgrund gestiegener RAM-Kosten erhöhte Framework das Basismodell im Januar 2026 von 1.099 US-Greenback auf 1.139 US-Greenback. Konfigurationen mit 128 GB RAM kosten jetzt 2.459 US-Greenback. Die Nachfrage der KI-Branche führt zu RAM-Knappheit, zum Zusammenbruch von Verbrauchermarken und zum Scheitern von Geschäften. PC-Herstellern, darunter auch Valve, stehen außer Preisanpassungen keine unmittelbaren Abhilfemaßnahmen bevor.

Valve bietet möglicherweise mehrere Steam Machine-Preisstufen oder Bundles mit anderer {Hardware} an. Der Steam Controller und der Steam Body folgen den Premium-Preistrends.

Laut UploadVR strebt Valve für den Steam Body einen Preis an, der unter dem Valve-Index von 1.000 US-Greenback liegt. Dieses Ziel liegt immer noch deutlich über dem 300-Greenback-Preis des Meta Quest 3S. Die Dampfmaschine bietet Platz für various Peripheriegeräte. Bluetooth-Controller und kabelloses Zubehör koppeln sich über Bluetooth 5.3. USB-A- und USB-C-Anschlüsse unterstützen kabelgebundene Optionen.

Der integrierte 2,4-GHz-Dongle optimiert den neuen Steam Controller, der über Touchpads und Gyroskope für vielfältige Eingabemethoden verfügt.

Die Steam Hyperlink-Integration streamt Spiele von der Steam Machine über lokale drahtlose Netzwerke zum Steam Deck, Steam Body oder zur Steam Hyperlink-App.

---

Hervorgehobener Bildnachweis