Nvidia zeigt Rubin-Ultra-Boards

Nvidia-Chef Jensen Huang hat auf der Hausmesse GTC 2026 die nächste Generation von KI-Rechenzentrum-Hardware vorgestellt. Auf den diesjährigen Rubin-Chip folgt 2027 Rubin Ultra mit vier statt zwei GPU-Chiplets, was die Rechenleistung grob verdoppelt und bis zu 512 GB Speicher ermöglicht. Für 2028 kündigte Huang den Feynman-Chip an, bei dem Nvidia erstmals GPU-Dies stapelt statt nebeneinander zu platzieren. Die Wärmeabfuhr wird zur Herausforderung: Feynman könnte mehr als 2000 Watt aufnehmen.

Ebenfalls 2026 erscheint der ARM-Prozessor Vera mit eigenen CPU-Kernen. Nvidia zielt damit direkt auf AMD und Intel, denn Vera kommt erstmals für reine CPU-Server und nicht mehr nur an GPUs gekoppelt. Zur Vernetzung der Server stellte Huang wie gewohnt eine Reihe neuer Netzwerkprozessoren und Switches vor.

Nvidia DLSS 5 soll Videospiele fotorealistisch machen

Nvidia will mit DLSS 5 das Spiele-Rendering grundlegend verändern: Ein KI-Modell soll aus Farben und Bewegungsvektoren eines Spiels fotorealistische Grafik erzeugen. Die Spielecommunity reagiert allerdings ablehnend. In Vergleichsbildern sehen Spielfiguren aus wie mit übertriebenen Instagram-Filtern bearbeitet, besonders die Gesichter landen tief im Uncanny Valley. Spieler befürchten, die KI könnte die künstlerische Vision der Entwickler überschreiben.

Die Kritik bezieht sich jedoch auf eine frühe Beta-Version. Nvidia betont, dass Entwickler kontrollieren können, wo und wie stark DLSS 5 eingreift. Sie könnten etwa Gesichter aussparen und die KI nur für Materialien oder Beleuchtung einsetzen. Die grundlegende Technik gilt als vielversprechend. Der Release ist für Herbst geplant.

Encyclopaedia Britannica verklagt OpenAI wegen KI-Training

Die Encyclopaedia Britannica, einer der ältesten Enzyklopädie-Verlage der Welt, verklagt OpenAI. Der Vorwurf: OpenAI habe ohne Genehmigung knapp 100.000 Online-Artikel sowie Einträge von Britannica und dem Wörterbuch Merriam-Webster genutzt, um ChatGPT zu trainieren. Der Chatbot habe daraufhin nahezu wortgetreue Kopien erstellt und Nutzer von den Originalseiten abgelenkt, was Werbeeinnahmen kostete.

Britannica wirft OpenAI zudem einen Markenrechtsverstoß vor: ChatGPT habe erfundene Inhalte generiert und diese fälschlicherweise der Enzyklopädie zugeschrieben. Das schade dem Ruf der Marke. Britannica fordert Entschädigung und ein Ende dieser Praxis. Laut Reuters hatte der Verlag im vergangenen Jahr bereits eine ähnliche Klage gegen Perplexity AI eingereicht, die noch nicht entschieden ist.

KI-Fakes im Informationskrieg um den Iran-Konflikt

Die New York Times hat in den ersten zwei Wochen des Kriegs zwischen den USA, Israel und dem Iran über 110 KI-generierte Fake-Bilder und Videos auf Plattformen wie X, TikTok und Facebook gefunden. Die Fälschungen erreichten ein Millionenpublikum. Das Analyseunternehmen Cyabra ordnet die Mehrheit pro-iranischer Propaganda zu. Frei erfundene Explosionen in Tel Aviv, nie angegriffene Straßenzüge und protestierende Soldaten, die nicht existieren, sollen laut Medienforschern die militärische Stärke des Iran übertreiben.

Unabhängige Überprüfungen werden zunehmend schwieriger. Der Satellitenbetreiber Planet Labs hat die Verzögerung für hochauflösende Bilder der Region von vier Tagen auf zwei Wochen verlängert. Auch Branchenführer Maxar blockiert Aufnahmen von US-Stützpunkten. In dieses Vakuum stoßen gefälschte Accounts, die sich als seriöse Analysten ausgeben und KI-generierte Satellitenbilder als echte Aufklärung verbreiten. Die Desinformation erreicht auch deutsche Redaktionen: Der Spiegel entfernte mehrere Bilder aus seiner Iran-Berichterstattung, die mit hoher Wahrscheinlichkeit KI-generiert waren.

Von Deepfakes betroffene Minderjährige klagen gegen xAI

Drei Personen in den USA haben Klage gegen xAI eingereicht, das KI-Unternehmen von Elon Musk. Dessen Chatbot Grok soll sexualisierte Deepfakes von ihnen erstellt haben, als sie minderjährig waren. Zwei der Klägerinnen sind weiterhin minderjährig. Nutzer konnten auf der Plattform X ein Bild kommentieren und Grok auffordern, die abgebildete Person nackt darzustellen. Die Betroffenen erfuhren erst davon, als die Bilder auf Discord geteilt wurden.

Der Fall könnte einer der ersten größeren Prozesse zu diesem Thema werden. Die Anwaltskanzlei wirft xAI vor, aus Profitgier gehandelt zu haben, ohne an die Betroffenen zu denken.

OpenAI streicht Nebenprojekte

OpenAI will seine Ressourcen künftig auf Coding-Werkzeuge und Geschäftskunden konzentrieren. Fidji Simo, verantwortlich für alle Anwendungen, stellte die Pläne laut dem Wall Street Journal in einem unternehmensweiten Meeting vor. Man dürfe diesen Moment nicht verpassen, weil man sich von Nebenmissionen ablenken lasse, sagte sie. Im vergangenen Jahr hatte OpenAI zahlreiche Produkte angekündigt: den Videogenerator Sora, den Webbrowser Atlas, ein Hardware-Gerät mit Designer Jony Ive sowie E-Commerce-Funktionen für ChatGPT.

Der Auslöser ist der Aufstieg von Anthropic. Der Konkurrent hat sich mit Claude Code und Cowork zum schnell wachsenden KI-Anbieter für Unternehmen entwickelt, dabei aber bewusst auf Audio-, Bild- und Videogenerierung verzichtet.

GPT-5.4 mini und nano – schneller, besser, wie immer

OpenAI bringt zwei neue Modelle auf den Markt: GPT-5.4 nano und mini. Beide sollen effizienter und leistungsfähiger als ihre Vorgänger sein. GPT-5.4 nano ist das kleinste und günstigste Modell, gedacht für Aufgaben wie Klassifizierung, Datenextraktion und Sub-Agenten. GPT-5.4 mini zielt auf Coding-Workflows, die von schnellen Iterationen profitieren, und soll in Benchmarks durchweg besser abschneiden als GPT-5 mini.

GPT-5.4 mini ist ab sofort über die API, Codex und in ChatGPT verfügbar. Die nano-Version gibt es nur über die API.

GPT-4.5 besteht den Turing-Test – aber nur, wenn es sich dumm stellt

OpenAIs Sprachmodell GPT-4.5 hat den Turing-Test bestanden, allerdings nur mit einem Trick: Die KI musste sich absichtlich schlechter geben, als sie ist. Lässig schreiben, Tippfehler einstreuen, schlecht in Mathe sein. Mit dieser Persona hielten 73 Prozent der Studienteilnehmer GPT-4.5 für einen Menschen, häufiger als den tatsächlichen menschlichen Gesprächspartner. Ohne die Anpassung lag die Quote bei nur 36 Prozent.

Der KI-Risikobewerter Charbel-Raphaël Segerie nennt das Ergebnis ironisch: KI kann seitenlange, gut strukturierte Texte in Sekunden produzieren, und genau das muss sie verbergen, um als Mensch durchzugehen. Der Turing-Test gilt als Maßstab für KI mittlerweile als überholt.

Microsoft rudert angeblich bei KI-Plänen zurück

Microsoft rückt Berichten zufolge von seinen Plänen ab, den KI-Assistenten Copilot tief in die Windows-Oberfläche zu integrieren. Laut Windows Central wurde die Nutzung von „Copilot“ als Oberbegriff für KI in Windows kurz nach den Verzögerungen von Windows Recall pausiert. Geplante KI-Funktionen auf Systemebene für Einstellungen, Benachrichtigungen und den Datei-Explorer, vor rund zwei Jahren angekündigt, wurden gestoppt.

Anonyme Quellen geben an, Microsoft wolle Windows 11 dieses Jahr weniger mit KI aufblähen und taktvoller vorgehen, wo die Marke Copilot auftaucht. Das sei Teil größerer Anstrengungen, der Kritik von Nutzern zu begegnen, die Windows 11 Aufblähung und „Enshittification“ vorwerfen. Neue KI-Funktionen soll es trotzdem geben, sie sollen aber optional und abschaltbar bleiben.

Linux Foundation will Open Source vor KI-Slop schützen

Die Linux Foundation hat 12,5 Millionen Dollar von Anthropic, Google, Microsoft und OpenAI gesammelt, um Open-Source-Projekte zu stärken. Ein wachsendes Problem ist sogenannter KI-Slop: KI-Tools ermöglichen auch unerfahrenen Nutzern, Codebeiträge einzureichen. Die Flut minderwertiger Pull-Requests überlastet die ehrenamtlichen Maintainer. Das curl-Projekt stoppte deshalb kurzzeitig sein Bug-Bounty-Programm, GitHub kündigte Funktionen an, um schlechte Vorschläge leichter zu löschen.

Die Geldgeber sind allerdings selbst Teil des Problems, da sie die KI-Tools anbieten, die den Slop erzeugen. Gleichzeitig erkennen sie den Wert von Open Source als Fundament vieler Systeme. Die Mittel fließen über Initiativen wie Alpha-Omega und die Open Source Security Foundation.

KI-Angebote bei der didacta 2026

Auf der Bildungsmesse didacta in Köln war KI in diesem Jahr weniger Schlagwort als Selbstverständlichkeit. Statt den Begriff auf jede Oberfläche zu drucken, integrierten Aussteller KI stillschweigend in ihre Produkte. Das dominierende Thema war stattdessen die „smartphonefreie Schule“. Die Bandbreite der KI-Angebote reichte von präzisen Prompting-Anleitungen für die Differenzierung von Lernmaterialien bis zu Ein-Klick-Versprechen.

Schauspieler sollen Künstlicher Intelligenz Emotionen antrainieren

Handshake AI, ein Vermittler von Fachkräften für KI-Training, sucht Menschen mit Erfahrung in Theater, Improvisation oder Comedy. In Online-Sessions sollen sie Szenen spielen, Dialoge entwickeln und Emotionen möglichst realistisch darstellen. Die Bezahlung liegt bei rund 75 Dollar pro Stunde. Das genaue Ziel nennt die Anzeige nicht, sie deutet aber auf Trainingsdaten für Sprachmodelle hin, die Emotionen und Gespräche besser verstehen sollen.

Alibaba bündelt KI-Aktivitäten in neuer Sparte „Token Hub“

Alibaba, der chinesische Technologiekonzern, fasst seine KI-Aktivitäten in einer neuen Geschäftseinheit namens „Alibaba Token Hub“ zusammen. CEO Eddie Wu leitet die Sparte persönlich, berichtet Bloomberg. Sie vereint das Forschungsteam hinter den Qwen-Sprachmodellen, die Verbraucher-App-Sparte, die Kommunikationsplattform DingTalk und Hardware wie Smart Glasses. Alibaba plant zudem, noch diese Woche einen KI-Agenten für Firmenkunden zu veröffentlichen, der schrittweise mit der Handelsplattform Taobao und dem Bezahldienst Alipay verknüpft werden soll.

Bolt setzt für Robotaxis auf Nvidia-Technik

Der estnische Fahrdienstvermittler Bolt plant eine Zusammenarbeit mit Nvidia für den Einstieg ins Robotaxi-Geschäft. Die technische Grundlage liefert Nvidias Drive Hyperion, eine Plattform, die Hardware, Sensorik und Software für autonomes Fahren auf Level 4 bündelt. Bolt will seine umfangreichen Fahrdaten beisteuern, um die KI-Systeme zu trainieren.

(igr)

Die Lichterweiterung AmbiScape soll Lampen im Raum im Takt mit dem Bildinhalt an Philips Ambilight-TVs leuchten lassen. So finden sich AmbiScape ab diesem Jahr in allen Philips Fernsehern ab der 8001er-Reihe, mithin in allen OLED-Modellen aus 2026 und den neuen RGB-Mini-LED-Fernsehers der Serie 981. Als weitere Voraussetzung nennt Philips das Titan-Betriebssystem, bisherige Google-TVs werden AmbiScape demnach nicht unterstützen.

Wer Ambilight-Fernseher mit Lampen im Raum verbinden wollte, um die Lichteffekte auf diese auszuweiten, hatte mit TV-Modellen ab 2023 ein Problem: Weil den neueren Ambilight-Fernsehern die eingebaute Hue-Kompatibilität fehlt, kommunizierten sie weder mit der Hue Bridge Pro des ausgegliederten Lichtkonzerns Signify noch mit dessen Hue-Lampen.

Den Hue-Ersatz AmbiScape hatte Philips bereits Ende 2025 eher heimlich bei einigen Fernsehern mit Ambilight eingeführt. Ob auch diese in den Genuss der Lichterweiterung kommen werden, ist noch offen.

It Matters

AmbiScape basiert auf dem offenen Matter-Kommunikationsprotokoll und kann darüber neben einigen Hue-Lampen auch Thread-kompatible Leuchtmittel anderer Hersteller einbinden. Aktuell unterstützt Philips neben den Philips-Leuchten Hue White und Color Ambience auch die Systeme von Ikea (Tradfri LED Bulb und Dirigera Hub), Nanoleaf (Smart Bulb), Wiz (E27 Smart Bulb) und Osram (LED Bulb). Künftig können das außer klassischen Leuchtmitteln auch LED-Streifen sein, zunächst beschränkt sich die Auswahl aber auf E27-Leuchtmittel. Auch wer noch eine Philips Hue-Bridge 2.0 besitzt, kann diese weiter nutzen. Sie hat vor einiger Zeit ein Update für Matter-Support erhalten.

Die genannten Ambilight-TVs aus 2026 können mit AmbiScape nun bis zu vier smarte Lampen im Raum gleichzeitig ansteuern, um den Lichteffekt der farbigen LEDs im TV-Gehäuse auf den Raum auszuweiten. Im Unterschied zur vormaligen Hue-Lösung sind derzeit nur einfarbige Anpassungen und keine Farbverläufe wie Sonnenaufgänge möglich, da der Matter-Standard diese noch nicht unterstützt. Die per AmbiScape respektive Matter angebundenen Lampen reagieren mit einer geringen Verzögerung auf Änderungen des Bildinhalts. Philips spricht von 0,5 Sekunden, in der in Berlin gezeigten Umsetzung fiel der Delay nicht störend auf.

Um AmbiScape zu aktivieren, muss man den Fernseher zunächst über einen Matter-QR-Code einmalig mit den kompatiblen smarten Lampen verbinden. Anschließend lässt sich AmbiScape per Direktwahltaste auf der Fernbedienung oder über das Ambilight-Menü in den TV-Einstellungen starten. Man kann bis zu zehn Lampen registrieren und die vier Gewählten jeweils über ein Untermenü in einer Zone zum Fernseher platzieren. Zusätzlich lässt sich die Leuchtstärke der Lampen einstellen.

Philips bietet zudem drei Ansteuermodi an: die Synchronisation mit Ambilight im Video-Modus, außerdem eine dynamische Lichtsteuerung im Musik-Modus und für sehr ruhige Stimmungen eine feste Farbwiedergabe in einer ausgewählten Farbe.

(uk)

Generative KI hat die Produktivität beim Programmieren deutlich erhöht. Eine Studie von GitHub Research zeigt, dass Entwickler Programmieraufgaben in kontrollierten Experimenten mit KI-Assistenz rund 55 Prozent schneller erledigen als ohne Unterstützung. Doch der Geschwindigkeitsgewinn beim Schreiben von Code mittels KI-Systemen bedeutet nicht automatisch, dass Softwareprojekte insgesamt schneller vorankommen. Eine Untersuchung des Forschungsinstituts METR (Model Evaluation and Threat Research) zeigt, dass erfahrene Entwickler bei Arbeiten in vertrauten Code-Umgebungen mit KI-Werkzeugen im Schnitt 19 Prozent länger benötigen – vor allem wegen zusätzlicher Prüf- und Korrekturschritte. Ein Grund: Sie müssen sich bei Fehlern erst in den von der KI erzeugten Code einarbeiten.

Da Testen, Debugging und Verifikation schon in der herkömmlichen Softwareentwicklung rund die Hälfte des Zeitaufwands ausmachen, schlagen Verzögerungen bei diesen Arbeiten besonders stark auf die Projektlaufzeit durch. Mit KI-Werkzeugen beim Programmieren verschiebt sich der Engpass: Das Erzeugen von Code wird einfacher und schneller – der Nachweis, dass er korrekt funktioniert und freigegeben werden kann, bleibt aufwendig. Das wiegt umso schwerer, weil die Kosten für Fehler mit jeder späteren Projektphase steigen. Eine vielzitierte Analyse des IBM Systems Sciences Institute beziffert den Unterschied: Während der Implementierung ist die Behebung eines Fehlers sechsmal teurer als in der Designphase. Beim Testen steigt der Faktor auf 15, in der Produktion auf bis zu 100. Gerade in komplexen Unternehmenssystemen wird das zum Problem. Moderne Anwendungen bestehen aus vielen Services, Programmierschnittstellen (APIs) und Datenquellen. Eine Änderung an einer Stelle kann unerwartete Nebenwirkungen an vielen anderen auslösen. Je schneller KI-Werkzeuge neuen Code produzieren, desto häufiger entstehen solche Wechselwirkungen – und damit zusätzliche Fehlerquellen.

Wenn Tests probabilistisch werden

Um diesen Engpass abzumildern, kommen zunehmend KI-Systeme auf den Markt, die neue oder geänderte Programme schneller testen sollen. Das führt jedoch zu einem grundlegenden Wandel in der Testmethodik. Klassisches Softwaretesten folgt einem deterministischen Modell: gleicher Input, gleiches Programm, identischer Output. Genau darauf beruhen Testläufe, bei denen Funktionen mit definierten Parametern aufgerufen werden und exakt die erwarteten Ergebnisse liefern müssen. Doch bei KI-Systemen gilt dieses Prinzip nur noch eingeschränkt. Große Sprachmodelle und andere generative Verfahren arbeiten auf Basis statistischer Wahrscheinlichkeiten und liefern Ergebnisse innerhalb einer Bandbreite möglicher Antworten. Die Qualität eines Systems lässt sich deshalb nicht mehr allein mit Ja-Nein-Tests überprüfen. Entscheidend ist, ob sich das Verhalten innerhalb akzeptabler Grenzen bewegt. Damit verschiebt sich auch der Fokus der Qualitätssicherung (QA). Statt vollständiger Testabdeckung rückt ein risikobasierter Ansatz in den Vordergrund: Kritische Funktionen und Schnittstellen prüfen Teams intensiver, weniger relevante Teile mit geringerer Tiefe. Ziel ist nicht mathematische Vollständigkeit, sondern eine belastbare Einschätzung des Restrisikos.

Zu den Anbietern KI-gestützter Werkzeuge gehören Keysight Eggplant, SmartBear, OpenText und Tricentis. Letzterer hat kürzlich eine „Agentic Quality Engineering Platform“ vorgestellt – eine Plattform, auf der autonom agierende KI-Agenten Qualitätssicherungsaufgaben übernehmen. Sie unterstützt unter anderem die SAP-GUI und Web-Anwendungen. Hierzu nutzt die Plattform generative KI, um Testfälle zu erzeugen, bestehende Tests zu priorisieren und Ergebnisse großer Testläufe zusammenzufassen. Technisch geht es dabei weniger um „KI testet Software“ als um die Unterstützung typischer QA-Arbeitsschritte: Änderungen im Code analysieren, relevante Tests auswählen, Fehlermeldungen gruppieren oder umfangreiche Logdateien verdichten. Der Ansatz zielt auf einen der zeitaufwendigsten Schritte im Testprozess: die Auswertung großer Mengen von Testergebnissen. In Continuous-Integration-Umgebungen laufen oft mehrere tausend Tests pro Commit, deren Resultate Entwickler anschließend interpretieren müssen. KI-Werkzeuge können helfen, Muster schneller zu erkennen und Fehlerursachen besser einzugrenzen. Der Nutzen verschiebt sich damit vom Generieren einzelner Tests hin zur Organisation und Auswertung ganzer Testlandschaften.

Was KI beim Testen nicht löst

Trotz dieser Entwicklungen bleibt der Einsatz KI-basierter Tests begrenzt. Viele Aspekte der Softwarequalität lassen sich nicht aus Testläufen ableiten. Dazu gehören Sicherheitsprobleme, strukturelle Code-Schwächen oder die Vermeidung technischer Schulden – also aufgeschobener Wartungs- und Modernisierungsarbeiten, die langfristig den Entwicklungsaufwand erhöhen. Solche Fragen betreffen die Architektur einer Anwendung und nicht nur ihr Laufzeitverhalten. Statische Codeanalyse (Static Analysis), die den Quellcode ohne Ausführung auf Fehler und Schwachstellen untersucht, Security Audits und klassische Code Reviews bleiben daher notwendig. Generative KI kann hier allenfalls Hinweise liefern, ersetzt aber keine systematische Analyse. Besonders bei sicherheitskritischen Anwendungen ist automatisches KI-Testing kein ausreichender Qualitätsnachweis.

Diese Grenzen führen zu einem Grundprinzip moderner Entwicklungsprozesse: Der Mensch bleibt Teil der Entscheidungskette. Automatisierte Tests können Hinweise liefern und große Datenmengen auswerten, doch die Freigabe eines Releases bleibt eine Risikoabwägung. In vielen Unternehmen entscheiden deshalb weiterhin Entwickler- oder QA-Teams darüber, ob eine neue Softwareversion in Produktion gehen darf. KI kann diesen Prozess beschleunigen, indem sie Informationen verdichtet und Routineaufgaben übernimmt. Die Verantwortung für die Freigabe bleibt jedoch beim Menschen. Wie riskant eine unzureichende Kontrolle ist, zeigten jüngst durch KI-Tools verursachte Ausfälle bei Amazon, nach denen der Konzern strengere Prüfmechanismen einführte.

Fazit

Generative KI beschleunigt das Schreiben von Code erheblich, erhöht aber zugleich den Aufwand für dessen Verifikation. Mehr generierter Code bedeutet mehr Varianten, mehr Integrationspunkte und damit mehr potenzielle Fehlerrisiken. KI kann beim Erzeugen von Testfällen und bei der Analyse großer Testläufe helfen, löst aber nicht alle Qualitätsprobleme. Fragen der Sicherheit, Architektur und technischer Schulden bleiben Aufgaben von Entwicklern und Review-Prozessen. Entscheidend bleibt: Ob eine Softwareversion in Produktion gehen darf, ist eine menschliche Entscheidung.

(fo)