Apps & Mobile Entwicklung

Tensordyne: KI-Start-up will mit TDN Math Nvidias Dominanz brechen

Das in Kalifornien und München ansässige KI-Start-up Tensordyne schickt sich an, mit einer eigens entwickelten logarithmische Zahlen- und Rechenarchitektur für KI-Inferenz sowie entsprechender eigener Hardware den Markt aufzurollen. Tensordyne wirbt mit vielfach höherer Leistung und niedrigerem Verbrauch im Vergleich zu Nvidia.

Gegründet im Jahr 2017

Tensordyne wurde 2017 unter dem Namen Recogni gegründet. Das Unternehmen konzentrierte sich von Beginn an auf die Entwicklung energieeffizienter KI-Hardware und spezieller Chiparchitekturen, die komplexe KI-Berechnungen mit geringerem Energieverbrauch ermöglichen sollten. In den folgenden Jahren entwickelte Recogni eigene Technologien für KI-Inferenz und konnte umfangreiche Investitionen einholen, um die Forschungs- und Entwicklungsaktivitäten in den USA und Europa auszubauen.

Im Jahr 2024 erfolgte die Umbenennung in Tensordyne, verbunden mit einer strategischen Neuausrichtung vom reinen Chipentwickler hin zum Anbieter kompletter KI-Inferenzsysteme für Rechenzentren. Heute entwickelt das Unternehmen nicht nur eigene Prozessoren, sondern auch die zugehörige Hardware, Software und mathematische Grundlagen, um leistungsstarke und energieeffiziente KI-Lösungen bereitzustellen. Mit Standorten in Sunnyvale (Kalifornien) und München positioniert sich Tensordyne als innovativer Anbieter im Markt für KI-Infrastruktur. Passend dazu hat das Unternehmen jetzt den Tape-out und eigenen „TDN72 Inference Pod“ sowie das erste Rack-System angekündigt.

TDN Math sei der große Vorteil von Tensordyne

Die „DNA“ von Tensordyne ist in der eigens entwickelten logarithmischen Zahlen- und Rechenarchitektur für KI-Inferenz zu finden, vom Unternehmen „TDN Math“ oder „Logarithmic Mathematics“ genannt. Die Grundidee besteht darin, Zahlen nicht wie üblich im Floating-Point-Format (FP16, FP8 usw.) darzustellen, sondern in einer logarithmischen Form. Dadurch können viele Multiplikationen durch wesentlich einfachere Additionen ersetzt werden. Mathematisch basiert das auf der Eigenschaft:

log(A×B)=log(A)+log(B)

Da KI-Modelle den Großteil ihrer Rechenleistung für Matrixmultiplikationen benötigen, können spezialisierte Chips mit logarithmischer Mathematik deutlich weniger Transistoren für Recheneinheiten benötigen. Der frei werdende Chipplatz kann stattdessen für mehr Speicher (SRAM), zusätzliche Tensor-Einheiten oder schnellere Datenverbindungen genutzt werden. Laut Tensordyne führt das zu höherer Energieeffizienz und besserer Ausnutzung der Hardware im Vergleich zu etablierten Lösungen.

Der eigentliche technische Knackpunkt ist jedoch die Addition. Während Multiplikationen im logarithmischen Raum einfach werden, sind Additionen dort deutlich komplizierter. Nach Angaben des Unternehmens liegt die eigentliche Innovation in einer sehr effizienten und präzisen Umwandlung bzw. Behandlung dieser Operationen, sodass die Vorteile des logarithmischen Rechnens erhalten bleiben. Genau diese Verfahren sind Teil des proprietären Know-hows von Tensordyne. Das Unternehmen gibt an, damit eine Genauigkeit von über 99,9 Prozent gegenüber den ursprünglichen KI-Modellen zu erreichen und gleichzeitig den Energieverbrauch sowie die Chipfläche gegenüber herkömmlichen FP8-/FP16-Lösungen zu reduzieren.

TDN72 Inference Pod and Rack System

Die Plattform von Tensordyne besteht neben der TDN Math aus dem TDN AIP (Artificial Intelligence Processor) sowie dem TDN Link (Any-to-Any Scale-Up Interconnect) und lässt sich im „TDN72 Inference Pod and Rack System“ zusammenführen. Dabei handelt es sich um einen Inference Pod mit 72 Chips pro Compute-Tray, der es mit Nvidias NVL72 auf Basis von Grace Blackwell aufnehmen und dabei gleichzeitig deutlich weniger Energie verbrauchen soll. Vier TDN72 Pods ergeben dabei ein vollständiges „Tensordyne Napier“-Rack, das im Vergleich zu Nvidia beworben wird mit:

17 Mal mehr Tokens pro Watt
13 Mal mehr Tokens pro Sekunde
Bis zu 33 Millionen USD mehr Jahresumsatz pro Rack

Tensordyne argumentiert, dass die KI-Branche vor einem grundlegenden Infrastrukturwandel stehe. Da die Nachfrage nach KI-Inferenz stark wachse, würden Hyperscaler und Cloud-Anbieter dieses Jahr voraussichtlich mehr als 700 Milliarden US-Dollar in Infrastruktur investieren. Bestehende Systeme würden Betreiber jedoch weiterhin zu Kompromissen zwischen Geschwindigkeit, Packungsdichte und Betriebskosten zwingen.

Vergleich von Tensordyne zu Nvidia Grace Blackwell (Bild: Tensordyne)

Nach Angaben des Unternehmens wurde das Napier-System speziell entwickelt, um diese Zielkonflikte aufzulösen. Durch die gemeinsame Optimierung von Mathematik, Prozessorarchitektur, Speicher und Netzwerk soll hohe Inferenz-Geschwindigkeiten mit deutlich besserer Energie- und Kosteneffizienz als bei Nvidia kombiniert werden.

Tensordyne Napier kommt 288 KI-Prozessoren

Tensordyne Napier ist ein Rack, das wiederum aus vier TDN72 Pods besteht, in denen jeweils 72 Tensordyne Napier AI-Prozessoren zum Einsatz kommen. Der Chip wird in 3 nm bei TSMC (N3P) gefertigt, weist 138 Milliarden Transistoren auf und ist mit 300 Watt TDP spezifiziert. Jeder AI-Prozessor kommt mit 256 MB SRAM (40 TB/s) und 144 GB HBM3e (4,7 TB/s) und soll damit eine Rechenleistung von 2,1 PFLOPS für Dense FP8 erreichen. Ein Compute-Tray im TDN72 Pod nimmt neun Napier-Chips für dann 2,3 GB SRAM und 1,3 TB HBM3e auf. Verbaut ist außerdem ein Intel Xeon für die Runtime API, zudem sind 8 TB NVMe SSD und zweimal 200 Gbit/s Ethernet als Front I/O an Bord. Für den Scale-up im Rack mit vier Pods setzt Tensordyne auf den eigenen TDN Link mit 1 TB/s bidirektionaler Bandbreite.

Tensordyne Napier Rack — TDN72 Inference Pod (Bild: Tensordyne)

Das TDN-Rack könne dabei Tokens standardmäßig ausliefern, sodass ein Modell die gesamte Inferenz (Prefill und Decode) auf derselben Infrastruktur ausführt und Tokens sequenziell erzeugt, oder sogenannte „disaggregated Inference“ ausführen, also diese Schritte systemisch trennen, sodass Prefill und Decode auf unterschiedlichen Trays laufen. Beim Prefill verarbeitet ein KI-Modell den gesamten eingegebenen Prompt auf einmal und erstellt dabei den Kontext (z. B. Key-Value-Cache), der alle bisherigen Informationen enthält; das ist rechenintensiv, passiert aber nur einmal. Beim Decode wird anschließend die Antwort Token für Token generiert, wobei das Modell jeweils auf den gespeicherten Kontext zugreift, wodurch jeder einzelne Generationsschritt effizienter ist, aber viele Wiederholungen nötig sind.

Erste Systeme ab Mitte 2027

Nachdem jetzt der Tape-out der eigenen Hardware erfolgreich war, sollen gegen Ende dieses Jahres die Chips in den eigenen Laboren getestet und validiert werden. Mitte des nächsten Jahres sei laut Tensordyne mit der Verfügbarkeit von fertigen Systemen zu rechnen, sodass bis dahin auch mit entsprechend neuerer Konkurrenz von (unter anderem) Amazon, AMD, Cerebras, Google oder Nvidia gerechnet werden muss.

Source link

Verwandte Themen:brechen Dominanz KIStartup Math MIT Nvidias TDN Tensordyne

Up Next

Fox kauft Roku für 22 Mrd. USD: Medienkonzern will Streaming-Plattform übernehmen

Nicht verpassen

Paket-Manager für Windows, macOS & Linux: Devolutions verbessert mit UniGetUI 2026.2.1 den Datenschutz

Apps & Mobile Entwicklung

Fox kauft Roku für 22 Mrd. USD: Medienkonzern will Streaming-Plattform übernehmen

Die Fox Corporation will Roku übernehmen. Beide Unternehmen haben eine entsprechende Vereinbarung bekanntgegeben. Der Kaufpreis liegt bei 160 US-Dollar je Roku-Aktie, insgesamt wird Roku mit rund 22 Milliarden US-Dollar bewertet. Abgeschlossen werden soll die Übernahme im ersten Halbjahr 2027.

Fox will damit seine klassischen TV-Inhalte stärker mit Streaming und vernetzten TV-Plattformen verbinden. Der Konzern ist in den USA vor allem für Nachrichten, Sport und Unterhaltung bekannt. Zum Portfolio gehören unter anderem Fox News Media, Fox Sports, Fox Entertainment, Fox Television Stations und der werbefinanzierte Streamingdienst Tubi.

Roku ist auch hierzulande aktiv

Roku wiederum ist vor allem im Bereich Streaming-Hardware und Smart-TV-Software aktiv. Das Unternehmen bietet Streaming-Player, Roku TV sowie die eigene Oberfläche Roku OS an. Darüber können Nutzer Streamingdienste, Mediatheken und weitere Apps auf dem Fernseher nutzen. Zusätzlich betreibt Roku mit The Roku Channel einen eigenen werbefinanzierten Streamingdienst. In Deutschland ist Roku weniger präsent als etwa Amazon Fire TV, Google TV oder Apple TV, bietet aber ebenfalls Streaming-Geräte und eine deutsche Plattform an.

Roku soll offen bleiben

Trotz der Übernahme soll Roku laut Mitteilung weiter als offene Plattform betrieben werden. Das ist ein wichtiger Punkt, da Roku nicht nur eigene Dienste anbietet, sondern auch Apps und Inhalte anderer Anbieter auf seine Geräte und TV-Plattform bringt. Fox betont daher, dass Roku „partnerfreundlich“ bleibe.

Gleichzeitig dürfte genau dieser Punkt bei der Prüfung der Übernahme eine Rolle spielen. Fox würde mit Roku nicht nur zusätzliche Streaming-Reichweite gewinnen, sondern auch mehr Kontrolle über eine Plattform erhalten, über die Nutzer Inhalte vieler Anbieter finden und starten.

Abschluss für 2027 geplant

Fox erwartet durch die Übernahme jährliche Kostensynergien von rund 400 Millionen US-Dollar. Finanziert werden soll der Großteil der Übernahme unter anderem über neue Schulden und vorhandene Mittel. Fox hat dafür nach eigenen Angaben eine vollständig zugesagte Finanzierung über 12 Milliarden US-Dollar erhalten. Roku-Gründer und CEO Anthony Wood soll auch nach Abschluss der Übernahme eine Rolle im Unternehmen übernehmen und in den Verwaltungsrat von Fox einziehen. Bis dahin bleibt der Deal allerdings vorläufig: Der Abschluss ist erst für das erste Halbjahr 2027 vorgesehen.

Source link

Apps & Mobile Entwicklung

Paket-Manager für Windows, macOS & Linux: Devolutions verbessert mit UniGetUI 2026.2.1 den Datenschutz

UniGetUI 2026.2.1 bringt neben zahlreichen Fehlerkorrekturen und Stabilitätsverbesserungen auch neue Funktionen sowie Anpassungen beim Datenschutz mit sich. Zu den Neuerungen zählen unter anderem eine erweiterte Exportfunktion für Logdateien und ein neuer Operationszähler zur besseren Übersicht laufender Paketvorgänge.

Fehlerprotokolle lassen sich leicht anonymisieren

In der neuen Version kann UniGetUI nun Benutzernamen automatisch aus exportierten Logdateien entfernen. Dadurch lassen sich Fehlerprotokolle einfacher mit Entwicklern oder dem Support-Team teilen, ohne persönliche Informationen offenzulegen. Gleichzeitig soll diese Funktion den Datenschutz innerhalb der Anwendung verbessern.

Darüber hinaus haben die Entwickler einen neuen Operationszähler integriert. Dieser soll Anwendern einen besseren Überblick über laufende Paketoperationen verschaffen und auf einen Blick zeigen, welche Installations-, Aktualisierungs- oder Deinstallationsvorgänge derzeit noch aktiv sind. Nach erfolgreichen Updates öffnet UniGetUI zudem künftig standardmäßig die Release Notes, sodass Nutzer schneller über neue Funktionen, Verbesserungen und Fehlerbehebungen informiert werden. Zusätzlich wurden die Diagnosewerkzeuge erweitert, was die Fehlersuche vereinfachen und aussagekräftigere Informationen für Support-Anfragen liefern soll.

Auch Zuverlässigkeit verbessert

Bei den Verbesserungen lag der Schwerpunkt dieses Mal vor allem auf der Stabilität. Besonderes Augenmerk galt dem Update-Prozess. So wurden unter anderem Probleme bei der Paketsuche, der Aktualisierung von Paketen sowie beim Abruf von Metadaten behoben. Auch an der Benutzeroberfläche wurden verschiedene Fehler korrigiert.

Eine genaue Auflistung aller Änderungen und Verbesserungen bieten die Release Notes.

Ab sofort verfügbar

Das Update auf UniGetUI 2026.2.1 kann wahlweise über die integrierte Aktualisierungsfunktion des Paketmanagers angestoßen oder als vollständige Datei auf der Projektseite bei GitHub heruntergeladen werden. Alternativ lässt sich die neue Version auch wie gewohnt bequem über den Link am Ende dieser Meldung aus dem Download-Bereich von ComputerBase beziehen.

Downloads

4,7 Sterne

UniGetUI ist eine grafische Oberfläche für die Windows-Paketmanager Winget, Chocolatey und Scoop.

Source link

Apps & Mobile Entwicklung

Mehr Personalisierung: Gemini soll Abos aus Apps von Drittanbietern unterstützen

Google will Gemini offenbar stärker mit externen Diensten verknüpfen. Hinweise aus einer Vorabversion deuten auf neue Optionen der Personalisierung hin, über die der KI-Assistent künftig kontextbezogene persönliche Daten aus verschiedenen Quellen und Drittanbieter-Apps in die Antworten einbeziehen können soll.

Gemini soll auch externe Dienste für Antworten nutzen können

Die Hinweise darauf stammen laut TestingCatalog aus einer noch nicht öffentlich freigeschalteten Gemini-Version. Zu den entdeckten Neuerungen zählt demnach die Einbindung kostenpflichtiger Abonnements und der damit verbundenen Dienste in die Antwortgenerierung des KI-Modells von Google. Künftig könnte Gemini bevorzugt Informationen aus anderen bezahlten Angeboten heranziehen, um Antworten zu erstellen.

Ein neuer Hinweistext soll Nutzer darüber informieren, dass Gemini kostenpflichtige Abonnements priorisieren kann, um bessere Ergebnisse zu liefern. Ähnliche Formulierungen finden sich bereits in den Einstellungen von Gemini, bislang allerdings ausschließlich für Googles eigene Dienste. Die Platzierung innerhalb des betreffenden App-Bereichs könnte laut dem Bericht als Hinweis darauf gewertet werden, dass Google die Funktion künftig auch für Anwendungen von Drittanbietern öffnen könnte.

Überraschend wäre ein solcher Schritt nicht. Erst vor wenigen Tagen hatte Google nach der Einführung der sogenannten Konnektoren die Integration des Design-Dienstes Canva breiter verfügbar gemacht. Solche Schnittstellen ermöglichen Gemini den direkten Zugriff auf Inhalte und Daten aus externen Anwendungen und erweitern die Einsatzmöglichkeiten des KI-Modells deutlich.

Mehr Kontrolle über Nutzung externer Apps

Eine weitere entdeckte Funktion könnte noch einen Schritt weiter gehen. Nutzer könnten künftig nachvollziehen und verwalten, welche kontextbezogenen Informationen Gemini aus verbundenen Anwendungen verwenden darf. Darauf deutet eine bereits vorhandene, derzeit jedoch noch funktionslose Schaltfläche hin, die offenbar auf eine künftige Verwaltungsoberfläche verweist.

TestingCatalog vermutet dahinter eine App-spezifische Steuerung, über die sich für jede Anwendung einzeln festlegen lässt, welche Informationen Gemini für die Antworten berücksichtigen darf. Damit würde Google zugleich einen vergleichsweise transparenten Ansatz verfolgen, auch mit Blick auf den Datenschutz. Nutzer könnten einzelne Anwendungen dann auch gezielt von der Datennutzung ausschließen.

Das Große wird erkennbar

Die Entdeckungen fügen sich in eine größere Strategie ein, die sich bereits an anderer Stelle abzeichnet. So soll Google auch für NotebookLM zusätzliche persönliche Kontexte und Erinnerungsfunktionen planen. Der nun sichtbar werdende personalisierte Ansatz würde damit nicht allein den Gemini-Chatbot betreffen, sondern auch weitere KI-Produkte von Google.

Source link