Künstliche Intelligenz
Künstliche Neuronale Netze im Überblick 2: Schichten und Feed-Forward-Netzwerke
Neuronale Netze sind der Motor vieler Anwendungen in Künstlicher Intelligenz (KI) und GenAI. Diese Artikelserie gibt einen Einblick in die einzelnen Elemente. Nach der Vorstellung der Neuronen im ersten Teil widmet sich der zweite Teil den Schichten des Netzwerks.
Prof. Dr. Michael Stal arbeitet seit 1991 bei Siemens Technology. Seine Forschungsschwerpunkte umfassen Softwarearchitekturen für große komplexe Systeme (Verteilte Systeme, Cloud Computing, IIoT), Eingebettte Systeme und Künstliche Intelligenz.
Er berät Geschäftsbereiche in Softwarearchitekturfragen und ist für die Architekturausbildung der Senior-Software-Architekten bei Siemens verantwortlich.
Wenn mehrere künstliche Neuronen so gruppiert sind, dass sie alle denselben Satz von Eingaben erhalten und ihre Ausgaben parallel erzeugen, bezeichnen wir diese Sammlung als Schicht. In einer einzelnen Schicht wendet jedes Neuron seinen eigenen Gewichtsvektor und seinen eigenen Bias-Term auf das eingehende Signal an, aber alle Neuronen teilen sich dieselbe Eingabe. Durch die Anordnung von Schichten in einer Reihenfolge erstellen wir ein Netzwerk, das einfache numerische Eingaben in beliebig reichhaltige Darstellungen umwandeln kann.
Mathematisch ausgedrückt: Wenn wir die Aktivierungen der Schicht ℓ−1 durch den Spaltenvektor aℓ−1 und die Gewichte der Schicht ℓ durch eine Matrix Wℓ bezeichnen, deren Zeilen die Gewichtsvektoren der einzelnen Neuronen sind, dann ergibt sich der Präaktivierungsvektor zℓ der Schicht ℓ aus dem Matrix-Vektor-Produkt:
zℓ = Wℓ · aℓ−1 + bℓ
Wobei bℓ der Bias-Vektor für die Schicht ℓ ist. Anschließend wenden wir eine elementweise nicht lineare Aktivierungsfunktion σ an, um die Ausgabe der Schicht zu erhalten:
aℓ = σ(zℓ)
Wenn wir einen Stapel von Eingaben einspeisen, stapeln wir einfach jede Eingabe als Spalte (oder Zeile, je nach Konvention) einer Matrix X und ersetzen die Vektoroperationen durch Matrixmultiplikationen auf dem Stapel, was zu einer hocheffizienten vektorisierten Berechnung führt.
Im Code lassen sich mit PyTorch auf einfache Weise Schichten und ihre Verbindungen ausdrücken. Die integrierte Klasse torch.nn.Linear kapselt sowohl die Gewichtsmatrix als auch den Bias-Vektor und verbindet sie für die automatische Differenziation mit dem Berechnungsgrafen. Nachfolgend finden Sie ein minimales Beispiel für ein kleines Feed-Forward-Netzwerk mit einer versteckten Schicht. Jede Zeile wird ausführlich erklärt.
import torch
import torch.nn as nn
class SimpleMLP(nn.Module):
def __init__(self, input_dim, hidden_dim, output_dim):
super(SimpleMLP, self).__init__()
# Definieren Sie eine vollständig verbundene Schicht, die input_dim auf hidden_dim abbildet
self.fc1 = nn.Linear(input_dim, hidden_dim)
# Wählen Sie eine nichtlineare Aktivierungsfunktion für die versteckte Schicht
self.relu = nn.ReLU()
# Definieren Sie eine zweite vollständig verbundene Schicht, die hidden_dim auf output_dim abbildet
self.fc2 = nn.Linear(hidden_dim, output_dim)
def forward(self, x):
# Wende die erste lineare Transformation an
x = self.fc1(x)
# Wende die nichtlineare Aktivierungsfunktion elementweise an
x = self.relu(x)
# Wende die zweite lineare Transformation an, um die Ausgabe zu erzeugen
x = self.fc2(x)
return x
Die Import-Anweisungen laden torch für Tensoroperationen und torch.nn als Namespace für Bausteine neuronaler Netze. Die Klasse SimpleMLP erbt von nn.Module, der Basisklasse von PyTorch für alle Komponenten neuronaler Netze. Der Aufruf von super(SimpleMLP, self).init()stellt sicher, dass die interne Maschinerie von Module ordnungsgemäß initialisiert wird.
Innerhalb des Konstruktors sind self.fc1 und self.fc2 Instanzen von nn.Linear. Jede Linearschicht weist eine Gewichtungsmatrix der Form (output_features, input_features) und einen Bias-Vektor der Länge output_features zu. Durch das Speichern dieser Schichten als Attribute des Moduls registriert PyTorch automatisch ihre Parameter, sodass wir beim Aufruf von model.parameters() alle Gewichtungs- und Bias-Tensoren in einem einzigen iterierbaren Objekt zurückgeben können.
Die Wahl von ReLU für self.relu spiegelt dessen weitverbreitete Verwendung wider: Die rektifizierte lineare Einheit gibt für jede negative Eingabe Null zurück und für jede nicht negative Eingabe die Eingabe selbst. Diese einfache, nicht lineare Operation führt die Nichtlinearität ein, die das Netzwerk benötigt, um komplexe Funktionen zu approximieren.
Die Vorwärtsmethode definiert die Transformation des Eingabetensors x, während er durch das Netzwerk fließt. Wenn x die Form (batch_size, input_dim) hat, hat er nach self.fc1(x) die Form (batch_size, hidden_dim) und behält nach Anwendung von ReLU die gleiche Form, wobei sich negative Werte auf Null abbilden. Der letzte Aufruf von self.fc2 erzeugt eine Ausgabe der Form (batch_size, output_dim). Durch die Rückgabe von x am Ende von forward ermöglichen wir es, das Netzwerk wie eine Funktion aufzurufen:
model = SimpleMLP(input_dim=10, hidden_dim=50, output_dim=1)
batch_of_inputs = torch.randn(32, 10)
outputs = model(batch_of_inputs)
In diesem Beispiel ist batch_of_inputs ein Tensor der Form (32, 10), der zweiunddreißig Samples mit jeweils zehn Merkmalen darstellt. Der Aufruf model(batch_of_inputs) ruft im Hintergrund forward auf, und outputs hat die Form (32, 1), sodass wir pro Sample eine Vorhersage erhalten.
Im Hintergrund erstellt PyTorch einen Berechnungsgraphen, der jede Operation – Matrixmultiplikationen, Additionen und Nichtlinearitäten – aufzeichnet, sodass bei der Berechnung eines Verlusts auf der Grundlage der Outputs und dem anschließenden Aufruf von loss.backward() sich die Gradienten aller Parameter in fc1 und fc2 automatisch berechnen lassen. Diese Gradienten lassen sich dann von Optimierern verwenden, um die Gewichtungsmatrizen und Bias-Vektoren zu aktualisieren.
Durch das Stapeln weiterer Schichten – beispielsweise durch mehrmaliges Abwechseln von linearen und Aktivierungsschichten – und durch Variieren der versteckten Dimensionen lassen sich tiefere und breitere Netzwerke erstellen, die hochkomplexe Zuordnungen lernen können.
Der nächste Teil der Serie zeigt, wie die gebatchten, vektorisierten Operationen den Vorwärtslauf in seiner Allgemeinheit bilden und wie die Wahl der Aktivierungen mit der Netzwerktiefe zusammenwirkt.
(rme)
Künstliche Intelligenz
Brilliant Labs stellt KI-Brille „Halo“ vor: Datenschutzfreundlich und quelloffen
Brilliant Labs bringt mit „Halo“ neue Smart Glasses auf den Markt, die äußerlich kaum von einer herkömmlichen Alltagsbrille zu unterscheiden sind, aber ein umfangreiches Sensorpaket, ein Display und einen multimodalen KI-Assistenten in sich tragen. Die Brille basiert auf einem Open-Source-Konzept und legt laut Hersteller besonderen Wert auf Datenschutz und Anpassbarkeit.
Der integrierte KI-Assistent „Noa“ verarbeitet visuelle und akustische Informationen aus der Umgebung und soll darauf nahezu in Echtzeit reagieren. Nutzer können die Brille per Sprachbefehl steuern und so etwa Mikrofon oder Kamera aktivieren oder in den Ruhemodus versetzen.
Eine Brille, die sich erinnert
Eine zentrale technische Neuerung im Vergleich zu Brillant Labs‘ ersten Smart Glasses „Frame“ ist das System „Narrative“. Das soll eine strukturierte, kontextbasierte Erinnerungsfunktion bereitstellen. Dabei sollen keine Rohdaten gespeichert werden. Laut Hersteller wird aus den erfassten Audio- und Videosignalen stattdessen eine abstrahierte Darstellung mit lokaler Verarbeitung erzeugt. So sollen etwa Namen oder Gesprächsinhalte auch nach längerer Zeit wieder abrufbar sein, ohne dass personenbezogene Daten in der Cloud landen.
Mit dem „Vibe Mode“ führt Brillant Labs zudem eine sprachbasierte Methode zur App-Erstellung ein. Nutzer sollen per natürlicher Sprache Anweisungen geben können, auf deren Basis Noa einfache Anwendungen erzeugt, die direkt auf der Brille ausführbar sind. Auch eine Weitergabe oder Anpassung dieser Anwendungen durch Dritte ist möglich. Technisch basiert das System auf einer Lua-Integration in das Open-Source-Betriebssystem Zephyr. Für die Rechenleistung sorgt ein energieeffizienter KI-Mikrocontroller vom Typ B1 von Alif Semiconductor, der auf lokale Verarbeitung ausgelegt ist.
Smart Glasses „Halo“: Quelloffen und erschwinglich
Zur Ausstattung gehören ein 0,2 Zoll kleines OLED-Farbdisplay, das Inhalte direkt in das Sichtfeld projiziert, optische Sensoren, Mikrofone, eine IMU (Lagesensor) sowie Knochenschalllautsprecher in den Bügeln. Die Brille wiegt rund 40 Gramm, unterstützt verschiedene Augenabstände und soll laut Hersteller bis zu 14 Stunden mit einer Akkuladung auskommen. In Zusammenarbeit mit dem Online-Optiker SmartBuyGlasses bietet Brillant Labs zudem Korrekturgläser in verschiedenen Ausführungen an.
Während viele andere Anbieter wie Meta mit den Ray-Ban Smart Glasses auf proprietäre Systeme setzen, stellt Brilliant Labs laut eigenen Angaben sämtliche Software- und Hardwaredokumentationen offen bereit. Medieninhalte werden nicht gespeichert, sondern direkt beim Erfassen in einen nicht rückführbaren Datenstrom umgewandelt.
Der Verkaufsstart ist für November 2025 zu einem Preis von 299 US-Dollar geplant. Halo wird ausschließlich über die Unternehmenswebseite und zum Marktstart nur in begrenzter Stückzahl erhältlich sein.
(joe)
Künstliche Intelligenz
Smart, leicht & günstig: Carbon-E-Bike Engwe Mapfour N1 Air ST mit GPS im Test
Das E-Bike Engwe Mapfour N1 Air ST wiegt dank Carbonrahmen nur 16,4 kg. Für 1499 Euro bietet es GPS-Tracking und weitere smarte Features – wir machen den Test.
Leichte E-Bikes sind begehrt, aber meist teuer. Das Engwe Mapfour N1 Air ST mit seinem Carbonrahmen bringt nur 16,4 kg auf die Waage und kostet trotzdem vergleichsweise günstige 1499 Euro (Rabatt-Code: influencer50off). Der Tiefeinsteiger richtet sich an urbane Pendler, die Wert auf Agilität und moderne Technik legen.
Das „ST“ steht für Step-Through und beschreibt den niedrigen Einstieg ohne Querstange. Engwe bietet parallel das fast baugleiche Mapfour N1 Air ohne ST-Zusatz an, das mit Querstange sogar nur 15,6 kg wiegt. Beide Modelle setzen auf einen Carbonrahmen von Toray und moderne Ausstattung mit GPS-Tracking dank integriertem Mobilfunkmodul.
Leichter war in unseren Tests nur das Fiido Air (Testbericht) mit unter 14 kg und ebenfalls sehr konkurrenzfähigen 1499 Euro. Verglichen mit dem Ado Air 30 Ultra bietet das Engwe weniger Motor-Power, punktet aber mit deutlich geringerem Gewicht. Das Ado wiegt mit 22 kg fast sechs Kilogramm mehr. Auch der Preis-Leistungs-Kracher Touroll MA2 bringt mit 24,3 kg deutlich mehr auf die Waage. Ob das Leichtbau-Konzept aufgeht und wo Engwe bei dem attraktiven Preis Kompromisse eingehen musste, zeigt unser Test.
Aufbau, Optik & Verarbeitung
Die Montage des Engwe Mapfour N1 Air ST dauert etwa 45 Minuten. Vorderrad, Lenker, vorderes Schutzblech, Frontlicht, Pedale und Ständer müssen montiert werden. Wichtig: Die Metallschutzbleche sitzen nah an den Reifen, sie dürfen nicht schleifen. Nach dem Zusammenbau folgen Aufpumpen, Schrauben nachziehen und Lenkerhöhe einstellen. Der Aufbau ist auch für Laien machbar.
Der Carbonrahmen von Toray wiegt laut Engwe nur 1,28 kg und trägt zu einem puristischen, modernen Design des E-Bikes bei. Die geometrischen Linien wirken minimalistisch und schlank. Unser Testmodell in Graugrün mit dezentem weißem Engwe-Schriftzug gefällt uns gut – die Variante ohne ST wirkt allerdings noch eleganter. Alternativ gibt es das E-Bike in Anthrazit.
Engwe Mapfour N1 Air ST Bilder
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Engwe Mapfour N1 Air ST
Die Verarbeitung überzeugt größtenteils. Kabel sind überwiegend intern verlegt, die mattschwarzen Metallschutzbleche sitzen nah am Reifen und erfüllen ihren Zweck zuverlässig. Der Kettenschutz verhindert Verschmutzung der Kleidung und das Verfangen von Röcken. Die Nutzlastkapazität liegt bei soliden 120 kg, das E-Bike ist CE-konform.
Die Kunststoffpedale wirken stabil, der ungeschützte Schaltmechanismus könnte bei Stürzen jedoch Schaden nehmen. Am Rahmen finden sich praktische Befestigungsmöglichkeiten für Trinkflasche oder Fahrradschloss. Schade: Ein Gepäckträger fehlt im Lieferumfang. Das Solar-Rücklicht hängt zudem nicht am Stromkreislauf.
Lenker & Display
Die Bedienung erfolgt über versteckte Tasten unterhalb des Displays. Fünf Unterstützungsstufen und eine Schiebehilfe stehen zur Verfügung. Die Shimano 7-Gang-Schaltung war bei unserem Testmodell von Haus aus perfekt eingestellt.
Das Farbdisplay zeigt alle wichtigen Informationen übersichtlich an. Bei direkter Sonneneinstrahlung wird die Ablesbarkeit jedoch problematisch – ein typisches Problem günstiger Displays. Der Lenker lässt sich dank verstellbaren Vorbaus in der Höhe anpassen – ein Pluspunkt für verschiedene Fahrergrößen.
App
Das Verbinden der App per QR-Code-Scan funktionierte bei uns sofort und ohne Probleme – ein erfreulicher Kontrast zu anderen E-Bikes, wo die Kopplung oft frustrierend ist.
Das GPS-Tracking funktioniert zuverlässig in den meisten europäischen Ländern und ermöglicht Echtzeit-Verfolgung des E-Bikes. Geo-Fencing sendet automatisch Benachrichtigungen, wenn das Bike einen definierten Bereich verlässt. Im Test arbeiteten beide Funktionen einwandfrei.
Engwe Mapfour N1 Air ST Screenshot
Engwe Mapfour N1 Air ST Screenshot
Engwe Mapfour N1 Air ST Screenshot
Engwe Mapfour N1 Air ST Screenshot
Engwe Mapfour N1 Air ST Screenshot
Engwe Mapfour N1 Air ST Screenshot
Engwe Mapfour N1 Air ST Screenshot
Engwe Mapfour N1 Air ST Screenshot
Das integrierte Mobilfunkmodul macht das System unabhängig vom Smartphone und funktioniert auch bei ausgeschaltetem E-Bike. Das erste Jahr ist kostenfrei, danach fallen Zusatzkosten von etwa 45 Euro pro Jahr an. Die Bewegungsdetektion löst einen kurzen, aber hörbaren Signalton aus, der die meisten Gelegenheitsdiebe abschrecken dürfte.
Auf Wunsch lässt sich eine elektronische Verriegelung aktivieren, die das E-Bike automatisch entsperrt, wenn sich das gekoppelte Smartphone nähert. Im Test funktionierte das nicht immer zuverlässig. Optional bietet Engwe einen separaten Vibrationsalarm mit 120 dB für 24 Euro an – ein einfacher Bewegungssensor mit Fernbedienung, aber wirkungsvoll.
Fahren
Das Engwe Mapfour N1 Air ST fährt sich erfrischend agil und macht in der Stadt richtig Spaß. Der 250-Watt-Heckmotor mit 40 Nm Drehmoment und Drehmomentsensor sorgt für natürliche Unterstützung. Das Ansprechverhalten ist gut, auch wenn es nicht an die Präzision teurerer Mittelmotoren heranreicht. Bei starken Steigungen stößt der Motor jedoch an seine Grenzen – hier hilft das geringe Gewicht und die gute Schaltung, auch mit Muskelkraft voranzukommen.
Die Ergonomie stimmt größtenteils: Der verstellbare Vorbau ermöglicht eine komfortable Sitzposition, der Sattel ist angenehm gepolstert und die Griffe bieten eine Handballenauflage. Die Geometrie eignet sich laut Engwe für Fahrer zwischen 1,55 und 1,98 Meter. Unser 186 cm großer Testfahrer fand eine gute Position, deutlich größere Personen könnten jedoch Probleme bekommen. Der Tiefeinsteiger-Rahmen erleichtert das Aufsteigen, der Einstieg ist allerdings höher als bei klassischen Hollandrädern.
Das Fahrgefühl ist sportlich-urban. Der Carbonrahmen dämpft Vibrationen etwas ab, eine Vordergabelfederung fehlt jedoch. Das ist angesichts des Fokus auf geringes Gewicht verständlich, macht sich aber auf Kopfsteinpflaster unangenehm bemerkbar. Eine gefederte Sattelstütze wäre nachträglich empfehlenswert.
Die mechanischen Scheibenbremsen sind von Anfang an gut eingestellt und bieten ausreichende Bremskraft. Sie erreichen jedoch nicht das Niveau hydraulischer Systeme, wie sie bei anderen chinesischen E-Bikes dieser Preisklasse mittlerweile Standard sind. Hier hat Engwe gespart. Verglichen mit dem Eleglide C1 oder dem Heybike EC 1-ST fehlen hydraulische Bremsen.
Akku
Der 36V-10Ah-Samsung-Akku mit 360 Wh Kapazität lässt sich per Schloss sichern und zum Laden entnehmen. Engwe verspricht bis zu 100 km Reichweite – eine kaum zu erreichende Distanz, unter unrealistischen Idealbedingungen ermittelt. In der Praxis sind bei voller Unterstützung, Stop-&-Go-Verkehr und 85 kg Zuladung etwa 40 km realistisch. Je nach Fahrweise und Gelände kann die Reichweite stark variieren.
Das Laden geht erfreulich schnell vonstatten. Der Akku kann im Rahmen verbleiben oder zum sicheren Laden in die Wohnung mitgenommen werden. Für ein 360-Wh-System ist die Reichweite angemessen, erreicht aber nicht die Werte größerer Akkus wie beim Engwe P275 ST mit fast 700 Wh.
Preis
Das Engwe Mapfour N1 Air ST kostet direkt bei Engwe 1649 Euro. Mit dem Rabattcode influencer50off reduziert sich der Preis um 150 Euro auf 1499 Euro. Wer lieber bei Mediamarkt kauft, zahlt ebenfalls 1499 Euro. Für ein Carbon-E-Bike mit smarten Features ist das ein hervorragendes Preis-Leistungs-Verhältnis. Leichter war in unseren Tests nur das Fiido Air (Testbericht) mit unter 14 kg und ebenfalls sehr konkurrenzfähigen 1499 Euro.
Fazit
Das Engwe Mapfour N1 Air ST überzeugt als agiles City-E-Bike mit modernem Carbon-Design und cleveren Features. Das geringe Gewicht von nur 16,4 kg macht es zum Leichtgewicht unter den E-Bikes und sorgt für außergewöhnliche Wendigkeit in der Stadt. Die App mit GPS-Tracking, Geo-Fencing und Alarm-Funktionen hebt sich von der Konkurrenz ab.
Die smarten Sicherheitsfeatures funktionieren zuverlässig, das integrierte Mobilfunkmodul ermöglicht echtes Tracking. Optional gibt es sogar einen 120-dB-Vibrationsalarm für 24 Euro. Die Bewegungsdetektion schreckt mit einem kurzen Signalton potenzielle Diebe ab.
Kompromisse zeigen sich bei Motor-Power und Ausstattung. Der 250-Watt-Heckmotor mit 40 Nm reicht für flache Stadtfahrten, bei steilen Anstiegen fehlt die Kraft. Die mechanischen Scheibenbremsen erfüllen ihren Zweck, hydraulische Systeme wären zeitgemäßer. Das Fehlen einer Vordergabelfederung und eines Gepäckträgers schränkt Komfort und Alltagstauglichkeit ein.
Für 1499 Euro (Rabatt-Code: influencer50off) bietet das Engwe Mapfour N1 Air ST trotzdem ein überzeugendes Gesamtpaket für technikaffine Stadtfahrer, die Wert auf geringes Gewicht und moderne Connectivity legen.
Künstliche Intelligenz
Qualcomm will ab 2028 AMD und Intel bei Servern Konkurrenz machen
Ein neuer Spieler will den Serverprozessor-Markt betreten. Zur Bekanntgabe der jüngsten Geschäftszahlen machte CEO Cristiano Amon klar: Qualcomm entwirft jetzt passende Vielkern-ARM-CPUs.
Als Basis dienen die Oryon-Kerne der übernommenen Firma Nuvia. Qualcomm reicht somit genau das nach, was Nuvia ursprünglich plante. Das Start-up entwickelte als erstes Produkt einen 80-Kern-Prozessor mit 5-Nanometer-Technik des Chipauftragsfertigers TSMC, der allerdings nie finalisiert wurde.
Das Design dürfte inzwischen überholt sein. Weder mit 80 Kernen noch mit 5-nm-Strukturen lockt ein Neueinsteiger jemanden hinter dem Ofen hervor. Zumal Amon nennenswerten Serverumsatz erst ab dem Fiskaljahr 2028 erwartet. Qualcomms Fiskaljahr ist dem Kalender ein Quartal voraus.
Unter zahlreichen interessierten Firmen für Qualcomms Serverprozessoren soll sich ungenannter „führender Hyperscaler“ befinden. Sollte ein Deal zustande kommen, erhofft sich Amon dadurch einen sogenannten Halo-Effekt: Wenn ein Marktführer die CPUs kauft, könnte das bei weiteren potenziellen Kunden Interesse wecken.
Chiplet-Know-how im Einkauf
Im Juni kündigte Qualcomm bereits an, Alphawave Semi für 2,4 Milliarden US-Dollar übernehmen zu wollen. Sofern die Kartellbehörden zustimmen, verleibt sich Qualcomm damit einiges an Chiplet-Know-how ein. Alphawave Semi hat sich auf die Verbindung verschiedener Chiplets und Interface-Technik spezialisiert, etwa PCIe, UCIe, Ethernet und Subsysteme für High-Bandwidth Memory (HBM). Das erleichtert die Entwicklung von High-End-Prozessoren. Qualcomm will die Übernahme Anfang 2026 abschließen.
ARM-Prozessoren verbreiten sich in Rechenzentren bisher primär durch Eigenentwicklungen von Amazon, Google, Meta und Microsoft, die etwa zusammen mit Broadcom und Mediatek entstehen. Ampere Computing verkauft als einzige große Firma unabhängig ARM-Serverprozessoren, fristet aber ein Nischendasein. Der einzige bekannte Großkunde ist Oracle. Nvidia verkauft seine Grace genannten CPUs vor allem im Paket mit KI-Beschleunigern.
Börse nicht erfreut
Qualcomm geht es finanziell derweil gut. Der Quartalsumsatz ist binnen eines Jahres um zehn Prozent auf knapp 10,4 Milliarden US-Dollar gewachsen. Der Nettogewinn steigt dank höherer Marge noch stärker – um 25 Prozent auf fast 2,7 Milliarden Dollar. Alle Sparten wachsen, von Prozessoren über Automotive-Hardware bis hin zu Modem-Technik und IoT.
Im jetzt laufenden Quartal erwartet Qualcomm 10,3 Milliarden bis 11,1 Milliarden Dollar Umsatz. Die Börse zeigt sich allerdings unzufrieden; die Aktie hat seit der Veröffentlichung der Quartalszahlen um fast fünf Prozent nachgegeben.
(mma)
Brilliant Labs stellt KI-Brille „Halo“ vor: Datenschutzfreundlich und quelloffen
Handelswerbung: BVDW präsentiert neue Market Landscape für Retail Media
800-W-Balkonkraftwerk zum Preis eines Mittelklasse-Smartphones – Nur für kurze Zeit!
Geschichten aus dem DSC-Beirat: Einreisebeschränkungen und Zugriffsschranken
TikTok trackt CO₂ von Ads – und Mitarbeitende intern mit Ratings
Metal Gear Solid Δ: Snake Eater: Ein Multiplayer-Modus für Fans von Versteckenspielen
-
Datenschutz & Sicherheitvor 2 MonatenGeschichten aus dem DSC-Beirat: Einreisebeschränkungen und Zugriffsschranken
-
Online Marketing & SEOvor 2 MonatenTikTok trackt CO₂ von Ads – und Mitarbeitende intern mit Ratings
-
Apps & Mobile Entwicklungvor 2 MonatenMetal Gear Solid Δ: Snake Eater: Ein Multiplayer-Modus für Fans von Versteckenspielen
-
UX/UI & Webdesignvor 2 MonatenPhilip Bürli › PAGE online
-
Digital Business & Startupsvor 1 Monat80 % günstiger dank KI – Startup vereinfacht Klinikstudien: Pitchdeck hier
-
Apps & Mobile Entwicklungvor 1 MonatPatentstreit: Western Digital muss 1 US-Dollar Schadenersatz zahlen
-
Social Mediavor 2 MonatenLinkedIn Feature-Update 2025: Aktuelle Neuigkeiten
-
Social Mediavor 2 MonatenAktuelle Trends, Studien und Statistiken