NVIDIA-Chef im Visier Chinas: Wie KI-Chips zur globalen Machtfrage werden

Shownotes

Schwarz Digits Digitale Souveränität ist die Basis für Unabhängigkeit, Wachstum und Wohlstand. Dafür wollen wir Bewusstsein schaffen. Whitepaper Digitale Souveränität Cyber Security Report 2026 Schwarz Digits auf LinkedIn Digitale Souveränität für Europa

Tech, KI und Schmetterlinge auf Instagram, LinkedIn, TikTok und YouTube

Transkript anzeigen

00:00:01: Tech, KI und Schmetterlinge.

00:00:03: Ein Podcast von Sascha Lobo in Zusammenarbeit mit Schwarztidgets.

00:00:07: Guten Tag und herzlich willkommen zu einer neuen Ausgabe von Tech,KI und Schmetterlinge – dem Podcast von mir, Sascha-Loboe in Zusammen Arbeit mit Schwarzdidgets, dem deutschen Technologiepartner für digitale Souveränität in Europa!

00:00:21: Das Thema heute ist ein Deep Tive zu dieser großen Frage die Intensiv in den Medien besprochen wird, warum hat China den Nvidia-CEO ausspionieren lassen?

00:00:34: Warum hat sich Jensen Huang der Nvidia CEO, der Mann die wertvollste oder zweitwertvollste Firma der Welt in Sachen KI vertritt und mitgegründet hat.

00:00:45: Warum hat er sich dazu hinreißen lassen ganz offensichtlich eine schwierige Affäre einzugehen?

00:00:52: Der zweite Teil der Frage mag persönlich klingen, ist aber am Ende eigentlich eine geopolitische Verwicklung.

00:00:59: Und wir reden jetzt nicht nur vom Prinzip Honigfalle uralt mit die älteste Spionage-Technik der Welt sondern wir regen auch davon dass Künstliche Intelligenz gerade eine so große Machtzuschreibung hat das plötzlich der Mann der KI Chips kontrolliert zu einem lohnenden und sogar naheliegenden Ziel wird.

00:01:20: In diesem Deep Dive möchte ich mich damit beschäftigen, warum mutmaßlich müssen wir hier sagen der chinesische Geheimdienst eine Agentin auf den Nvidia CEO angesetzt hat was die eigentlich hätte rausfinden können und sollen.

00:01:35: Und warum ist sich um viel mehr als nur bloße Wirtschaftsspionage handelt?

00:01:40: Der Hintergrund ist mindestens interessant und jetzt weniger aus dieser menschlichen Komponente heraus und vielmehr Da ist natürlich sehr viel Geopolitik mit dabei, denn KI ist politisch und damit auch geopolitisch geworden.

00:01:56: Ungefähr so wie Öl im einundzwanzigsten Jahrhundert.

00:02:00: Und das ist auch gleich mal die zentrale These nämlich wenn wir heute von KI-Chips sprechen dann sprechen wir davon wer eine Technologie oder besser einen technologischen Großkomplex in Zukunft kontrollieren oder mitkontrollieren könnte.

00:02:14: Genauso wie der Fluss des Öls im zwanzigste Jahrhundert Nicht nur eine politische, sondern auch vor allem eine machtstrategische Frage war global.

00:02:24: Wie wahnsinnig viele Konflikte sich zum Beispiel rund um das Öl abgespielt haben?

00:02:28: Wie viele Menschen nicht nur in diesem Bereich gearbeitet haben, sondern wie viele Wirtschaften hoch und runter gegangen sind.

00:02:35: allein aus der Frage was ist mit dem Öl?

00:02:37: genau in diese Ebene könnte KI im einundzwanzigsten Jahrhundert kommen also zu der absolut bestimmenden Technologie was Macht angeht.

00:02:49: Und da muss man noch nicht mal auf den Kriegsverlauf und die verschiedenen Waffen mit KI zum Beispiel im Ukraine-Konflikt schauen, dann kann man sich einfach anschauen wie heute gigantische Summen nicht nur investiert werden sondern auch in bestimmten wirtschaftlichen Bereichen entscheidend sind.

00:03:05: und große Summen von Investitionen sind fast automatisch politisch.

00:03:10: Was auch relativ klar ist, wenn man anfängt das zu durchdenken.

00:03:14: Ist dass es bei einem Kontakt der Jensen Huang ausforschen soll eben Zweifel eher nicht um irgendwelche Chip-Baupläne geht.

00:03:21: Es geht also nicht darum mit welchen Verlötungen da neue Instrumente wie genau aufgebaut sind und dann macht man im Schlafzimmer irgendwelches Fotos von irgendwelchen Schaltplänen.

00:03:31: Das ist gerade nicht der Fokus Und das kann man anhand des Geschehens auch ganz gut nachweisen.

00:03:35: aber worum geht es dann?

00:03:37: Das möchte ich tiefer ergründen und gleichzeitig überlegen, was das für Europa bedeutet.

00:03:44: Denn natürlich wenn man versucht das Schwierige vom eher positiven zu trennen ist die Folge dieser großen Affäre im doppelten Sinn dass uns wieder bewusst wird wie verletzlich und gleichzeitig wie wichtig bestimmte Bereiche der künstlichen Intelligenz sind.

00:04:01: Digitale Souveränität ist eben nicht nur eine Frage davon, wie man wo welches Software einsetzen kann sondern auch eine Frage von welche Technologien wem zur Verfügung stellen.

00:04:12: Eigentlich ist das was sich rund um Jensen Huang abgespielt hat und noch abspielt eine Art Werbefeldzug für technologische Souveranität, für digitale Soverenität sogar bis in den Chip-Bereich hinein.

00:04:25: Aber schauen wir erstmal in das, was auf dem Tisch liegt.

00:04:29: Wir reden hier bisher von qualifizierten aber doch Vermutungen beziehungsweise von Einschätzung von Fachleuten und durchgesteckten Informationen von US-Geheimdiensten an die großen seriösen Medien.

00:04:42: Und danach hat eine Frau namens Alice Huang, das ist nur zufällig der gleiche Nachname wie bei Jensen Huang.

00:04:49: Ganz offensichtlich eine Affäre mit Jensen Hong angefangen und innerhalb dieser Affäre geht es um die Frage, die bis jetzt nicht beantwortet ist ob Informationen abgeflossen sind denn Alice Huang gilt als eine Informantin des chinesischen Geheimdienstes.

00:05:05: Die Frau arbeitet als Top-Managerin in einem Unternehmen.

00:05:09: Das zwar in Singapur ansässig ist, Megaspeed heißt dieses Unternehmen aber das als Tochterunternehmen eines staatsnahen chinesischen Konzerns gilt.

00:05:19: Das ist auch deswegen interessant weil diese KI Chips von Nvidia die in Taiwan hergestellt werden, die aber vor allem durch Nvidia gestaltet werden, designt werden.

00:05:29: da ist das Know How was sehr schwer zu ersetzen Weil diese Chips wegen nationalen Sicherheitsinteressen gar nicht nach China verkauft werden dürfen.

00:05:38: dass sie dann ganz offensichtlich doch an Megaspeed gegangen sind, also eine singapurische Firma mit einer chinesischen Mutter.

00:05:46: Das ist schon etwas worüber man die Stirn rünsteln kann und das ist auch der Ausgangspunkt übrigens für die Untersuchungen von diesem Deal, die dazu geführt haben, dass amerikanische Dienste vor über einem Jahr offenbar auch Donald Trump gesagt haben da ist eine Affäre im Gang.

00:06:01: Donald Trump hat sich dafür entschieden nichts zu tun, einigermaßen ungewöhnlich.

00:06:06: er hat sogar ganz offensichtlich das Geheimnis über einen Jahr bewahren können.

00:06:10: Diese Nähe von Jensen Huang dem Nvidia CEO mit der amerikanischen Regierung die ist auch deswegen zu erklären weil diese Prozessoren einigermassen alternativ los sind was die absoluten KI Topmodelle angeht.

00:06:23: Deswegen sind sie eben reguliert.

00:06:25: deswegen darf Nvidia nicht an China verkaufen jedenfalls nicht die jüngsten und leistungsfähigsten Modelle.

00:06:31: Ganz öffentlich hat Jensen Huang übrigens in den letzten zwei Jahren immer wieder gesagt, wir würden gerne auch zumindest eine abgespeckte oder ältere Version von unseren Chips nach China verkaufen.

00:06:41: Und das war in der Vergangenheit schon etwas wo viele Leute gesagt haben ja aber warum?

00:06:45: Wir haben doch sehr offensichtlich ein Rennen zwischen den Vereinigten Staaten und China und dieses Rennen ist mit Chips von NVIDIA auf chinesischer Seite wahrscheinlich leichter zu gewinnen.

00:06:56: Die Antwort darauf ist, dass Jensen Huang einfach eine andere Position vertreten hat.

00:07:00: Der hat nämlich gesagt, China ist so leistungsfähig, das.

00:07:03: wenn man ihnen diese Chips nicht gibt steigert man ihre Motivation eigene Chips mit ähnlicher Leistungsfähigkeit herzustellen.

00:07:12: Das ist die Argumentation von Nvidia gewesen.

00:07:15: Man soll China diese Chips liefern, damit sie damit anfangen und gleichzeitig eine geringere Motivation haben, irgendwann Nvidia Chips selbst herstellen zu können.

00:07:24: Bis jetzt können Sie das nicht!

00:07:26: Tatsächlich is China ein absoluter Chip-Gigant – allerdings eher in der Breite als in der Spitze.

00:07:33: Die absoluten Topchips, also genau die, die man für KI braucht, kommen nach wie vor fast ausschließlich aus den Vereinigten Staaten.

00:07:41: Das Know-how, wie genau das aufgesetzt wird – das ist in Kalifornien zu Hause eine Reihe von technologischen Voraussetzungen.

00:07:49: interessanterweise sind in der EU zuhause zum Beispiel in den Niederlanden mit der Firma ASML die diese Chipbedruckmaschinen herstellt also die man zwingend braucht um diese Nvidia Chips überhaupt anfertigen zu können.

00:08:04: und diese Maschinen wiederum, die brauchen eine ganze Reihe von Komponenten aus Deutschland.

00:08:09: Aber genau dazu kommen wir später wenn wir über die internationalen Verwicklung und Komplexitäten von genau dieser Affäre sprechen.

00:08:16: Wenn also da ausspioniert worden ist wie genau hat sich das geäußert?

00:08:21: Im Juni?

00:08:22: hier gibt es einen merkwürdigen Moment und dieser merkwürdigem Moment scheint von US-Diensten beobachtet worden zu sein Denn in einer Bar zur Besprechung, ob und wie man Chips von Nvidia besorgen könnte bei der Firma Megaspeed wo Alice Huang arbeitet ist plötzlich die Rede davon dass Alice Huang Jensen Huang einfach so herbeihohlen könnte.

00:08:43: Das ist eine Art Film internes Treffen und sie sagt so anpassungen.

00:08:47: ja wenn wir mit dem diskutieren wollen könnt ich ihm eine Nachricht schreiben.

00:08:50: vielleicht kommt er dann ja vorbei und er kommt tatsächlich dorthin.

00:09:03: Und dann kommt der CEO einfach so zu der Firma Megaspeed, die bis dahin nicht unbedingt als allererste Reihe im KI Bereich gilt.

00:09:15: Tatsächlich ist es ziemlich genau seit diesem Zeitpunkt Megaspeed der beste NVIDIA-Kunde in Südostasien, mit UAH.

00:09:31: Das heißt die haben für relativ viel Geld bei Nvidia eingekauft.

00:09:34: Nvidia wiederum kann größere Umsätze sehr gut gebrauchen Denn sie haben von diesem KI-Boom zwar massiv profitiert, der Aktienkurs ist in schwindelerregende Höhen gestiegen.

00:09:45: Zwischen dreieinhalb und fünf Billionen Dollar ist Nvidia inzwischen immer wieder wert.

00:09:50: Und das ist natürlich eine Größenordnung die man irgendwie auch halten können muss!

00:09:55: Jetzt gab es in der jüngsten Zeit verschiedene Abstürze die nicht so leicht sind mit dieser Affäre von Jensen Huang zu tun gehabt haben aber diese Abstürzen sind eher Korrekturen die man sowieso hätte erwarten können.

00:10:05: Für eine echte KI-Blase reicht das im Moment zumindest noch nicht unbedingt.

00:10:10: Im November, jetzt platzt diese kleine oder besser sehr große geopolitische Affäre.

00:10:16: Es wird bekannt, dass ganz offensichtlich Jensen Huang – so berichtet es zum Beispiel in den New York Times – diese Affäre mit Alice Huang hatte.

00:10:23: Er hat das inzwischen auch zugegeben, zwar ohne Namen aber er hat an die Mitarbeitenden bei Nvidia eine Mail geschrieben.

00:10:29: Das ist in den Vereinigten Staaten so üblich, dass kann man jetzt gut oder schlecht oder völlig absurd finden.

00:10:34: Aber der hat sich da entschuldigt nicht nur bei seiner Familie, bei seiner Frau natürlich und seinen Kindern sondern auch bei den Mitarbeitern denn dass sie sich dazu hinreißen lassen.

00:10:42: Die Rede ist allerdings in dieser Mail nicht von der Person die dann eine chinesische Spionin sein könnte.

00:10:49: Trotzdem ist inzwischen klar, er hat etwas verbockt eine geopolitische Folge.

00:10:55: Es ist, wie gesagt immer noch offen ob Geheimnisse abgeflossen sind.

00:10:59: aber was auch klar es ist dass China ein großes Interesse daran hat Invidia besser kennenzulernen in jeder Hinsicht auch um zu verstehen warum ganz genau China gesagt hat Jensen Huang ist jemand den wir ausspionieren wollen.

00:11:13: ganz offensichtlich muss man ein wenig in der Vergangenheit eintauchen.

00:11:18: Denn es reicht nicht zu wissen, dass natürlich die neuesten KI-Modelle hier zum Beispiel im Bereich Sicherheit fantastische Instrumente sind um alles Mögliche tun zu können und zwar sowohl im Angriff wie auch in der Verteidigung.

00:11:29: Wir können an einer jüngeren Vergangenkeit auch sehen was das wirtschaftspolitisch verfolgen hat.

00:11:34: Gehen wir den Januar zwei tausend fünfundzwanzig da gab es plötzlich Dilemma des Silicon Valley.

00:11:42: Im Januar, twenty-fünfundzwanzig kommt ein neues sehr gutes KI Modell der Firma Die Psyk auf den Markt.

00:11:49: Alle neuen KI-Modelle, alle großen Sprachmodelle werden ja in Windeseile durchgetestet und verglichen in sogenannten Benchmarks.

00:11:57: Und da kommt plötzlich ein chinesisches Modell und das erreicht die Qualität.

00:12:01: In manchen Bereichen übertrifft es die Qualitet der besten KI-modelle die bis dahin aus Kalifornien direkt auf den Weltmarkt geprasselt sind.

00:12:10: Sofort geben die Aktien vieler amerikanischer KI-Konzerne und KI naher Konzerne um bis zu zwanzig Prozent nach.

00:12:19: Nvidia zum Beispiel minus siebzehn Prozent in kürzester Zeit, und warum?

00:12:24: Aus einem ganz einfachen Grund!

00:12:26: Die chinesischen Modelle gelten als Modelle, die nicht mit Nvidia Chips trainiert werden dürfen weil ja eine Exportbeschränkung und eine Import-Beschränkung in China besteht.

00:12:37: Das heißt, man kommt also an die Qualität von den großen Modellen ran – diesem Fall durch Diepsik auch ganz ohne NVIDIA Chips!

00:12:45: Das sorgt für Verstörung bei den Anlegern, die bis dahin gesagt haben, NVIDia ist völlig unverwundbar und drohnt da als quasi Monopolis für Deedchips mit denen KI funktioniert.

00:12:57: Dass man das Ganze ein bisschen anders betrachten kann... Dass inzwischen zum Beispiel Leute glauben, dass das fragliche Modell im Januar für Öffentlich durchaus auch mit Nvidia Chips trainiert worden sein könnte.

00:13:08: Bloß eben mit geschmuggelten Nvidia Chipps.

00:13:11: Das ist eine Dimension.

00:13:12: Eine zweite Dimension ist aber auch, dass viele von den Verbesserungen von DeepSeek tatsächlich auf anderen mathematisch betrachteten Modellen basieren.

00:13:20: also so ein bisschen Brain ist da rein geflossen.

00:13:23: andere Anwendung hat man versucht herzustellen und andere Ansätze für große Sprachmodelle wie die trainiert wurden sein könnten.

00:13:30: Einige Zeit später ist dann auch klar geworden, dass ein paar von den chinesischen Anbietern ihre Modelle auf sehr geschickte und nicht besonders legitime Weise weiter trainieren.

00:13:39: Die sogenannte Distillation ist ein übliches Verfahren wo man zum Beispiel ein kleineres KI-Modell trainiert mit den Ergebnissen eines größeren KI-modells.

00:13:49: Das würde natürlich auffallen, wenn man das massenhaft immer auf die gleiche Weise tut.

00:13:53: Weil so ein Training ja nicht irgendwie zwei oder drei verschiedene Prompt sind.

00:13:56: Aber da sind ganz offensichtlich – das hat zum Beispiel Enzopic bekannt gegeben bei chinesischen Unternehmen ziemlich clever verteilte Mechanismen entwickelt worden wo jeweils mit technologischen Tricks so getan würde, als seien das ganz legitime Leute die halt mal zufällig eine Frage haben an diese KI.

00:14:15: und jetzt würde man so das sogenannte adversarial oder illicit distillation Prinzip anwenden.

00:14:21: Es gibt auch noch andere Begriffe wie Model-Stealing im Prinzip alle in eine ähnliche Richtung beißen.

00:14:27: Man ist nicht dazu befugt, man hat nicht diese Erlaubnis aber versucht die Ergebnisse der KI so abzufragen dass sie eigene KI daraus lernen kann ohne diesen gigantischen aufwendigen Lernen und Rechenprozess.

00:14:40: Denn der Grund, warum die vielen NVIDIA-Prozessoren so wichtig und so wertvoll sind.

00:14:45: Warum da teilweise dreißigfünfzigtausend Dollar gezahlt werden für einzelne Prozessoren?

00:14:51: Der Grund dafür ist dass man unfassbar viel rechnen muss damit KI besser wird.

00:14:57: An dieser Stelle machen wir einen kleinen Exkurs und fragen uns, wie ist es eigentlich dazu gekommen, dass Nvidia-Prozessionen so wichtig geworden sind?

00:15:07: Dass der Mann, der die verantwortet ausspioniert wird von einem Land.

00:15:12: Man muss sich das auch mal auf der Zunge zergehen lassen.

00:15:14: Das ist nicht Wirtschaftsspionage im klassischen Sinn!

00:15:17: Es ist nicht etwa irgendwas wo man versucht ein Preis rauszufinden.

00:15:20: Es ist nicht etwas, wo so klassische Angebotsstrukturen ausgeforscht werden, damit man ein besseres Angebot machen könnte.

00:15:26: Wie Wirtschaftsspionage heute eigentlich funktioniert?

00:15:29: Das ist Spionage auf einem wirtschaftsgeopolitischen Level weil KI zu einem essenziellen Machtfaktor geworden ist.

00:15:38: Und wie das passiert ist, dass kann man am besten an fünf Momenten nachvollziehen.

00:15:43: Wie Nvidia das geworden ist was Nvidia heute eben ist?

00:15:47: Nämlich ein fast konkurrenzloser KI-Chip Lieferant mit geopolitischer Bedeutung weil das Instrument was daraus kommt nicht nur wirtschaftlich sondern auch macht politisch so stark ist.

00:15:59: und wir reden hier noch nicht mal von irgendwelchen Angriffen.

00:16:01: Wir reden hier ganz einfach von einer Vielzahl an Anwendung im Alltag in der Wirtschaft bis hin natürlich zur Steuerung von Maschinerien und Geräten, ob das Humane oder Roboter sind oder irgendwelche Drohnen die sofort in Waffenbereiche hinein ragen.

00:16:15: auch davon haben wir gehört von den engen Kooperationen zum Beispiel des Pentagon mit OpenAI und Anthropic da es also überall an jeder Ecke von KI macht drin.

00:16:25: Und wir haben Nvidia Chips das geschafft, so relevant zu werden.

00:16:29: Dafür habe ich fünf Momente rausgesucht die seit dem Jahr zwölf zeigen warum genau Nvidia eine so wichtige Komponente geworden ist dass man den CEO offenbar aus chinesischer Sicht unbedingt aufspionieren muss.

00:16:44: Es beginnt mit dem Jahr zwölf und einem gigantischen Paradigmenwechsel.

00:16:48: Dieser Paradigmanwechsel hat die Überschrift Deep Learning oder Neuronale Netzwerke.

00:16:56: Die Leute, die da im Hintergrund stehen sind einerseits Joffrey Hinten.

00:16:59: der hat zu den Nobelpreis dafür bekommen dass er eine Neuronalenetze also eine bestimmte Computerarchitektur für künstliche Intelligenz auf den Weg gebracht hat.

00:17:09: und andererseits gehört zu diesen Namen auch Ilya Satskeva.

00:17:13: Die Leute, die sich ein bisschen auskennen, denen kommt der Name mehr als nur bekannt vor.

00:17:17: Denn das handelt sich um einen späteren OpenAI-Mitgründer.

00:17:20: Inzwischen ist er allerdings rausgegangen weil er zu den treibenden Kräften gehört hat, als vor ein paar Jahren Sam Altman rausgeschmissen worden ist von OpenAI zumindest für eine kurze Zeit.

00:17:31: Die haben gemeinsam herausgefunden, wie neuronale Netze also diese spezielle Architektur wo man eine Art Neuronen untereinander vernetzt und das dann in verschiedenen Schichten tut.

00:17:42: Das ist dem Gehirn nachempfunden Wie und wo man die am besten einsetzen kann.

00:17:47: Wir sprechen hier im Jahr zwölf natürlich von einer gewissen Vereinfachung mit der ich das jetzt darstelle einfach damit es für alle Leute einigermaßen verständlich wird.

00:17:56: Diese neuronalen Netze funktionieren über sogenannte Gewichte, man kann auch sagen Gewichtungen.

00:18:01: Das kommt dann dem wie man es im deutschen ausdrückt manchmal ein bisschen näher aus so einem Leinverständnis heraus denn diese Gewichtung ändern sich jeweils.

00:18:10: das was eine KI eigentlich ausmacht ist, dass man oben Daten reintut und unten kommt eine Analyse dieser Daten raus.

00:18:17: Was bedeutet das eigentlich?

00:18:20: Und im Jahr zwartausend zwölf ist da mit Joffrey Hinton und Ilja Satskeva noch ein paar anderen herausgekommen, dass bei der Bilderkennung genau diese Art von neuronalen Netzen praktisch nicht zu schlagen ist.

00:18:32: Diese Bilderkennung die ist deswegen so interessant weil sie in ganz vielen Bereichen quasi die Wegbereitung Bilderkennung hört sich so nach einem Spezialfall an, ist aber das Gegenteil.

00:18:45: Weil Bilderkannung eigentlich in ganz vielen Bereichen die Art und Weise ist wie man am schnellsten und sinnvollsten feststellen kann ob eine KI tatsächlich irgendwas taugt weil sie eine Form von künstlicher Intelligenz hat nämlich Erkennungsintelligenz.

00:19:02: Das worum es damals ging war die Bilderkennung Ist dass eine Katze auf dem Bild ja oder nein?

00:19:08: Und entsprechend wurden diese Gewichte angepasst.

00:19:11: Mathematisch handelt es sich im Kern um eine Art von Matrizen-Multiplikation.

00:19:16: Das bedeutet, man multipliziert ganz viele Zahlen gleichzeitig mit ganz vielen anderen Zahlen nach einem bestimmten Prinzip und daraus soll sich dann ergeben wie man am besten aus Fehlern lernt.

00:19:29: Dass dieses Ausfehlern lernen ist eigentlich der Trick von KI, den KI heute anwendet.

00:19:35: Die machen es so oft falsch bis irgendetwas da ist was ein bisschen richtiger ist und noch richtiger und noch richtiger und auch richtiger.

00:19:41: Und dieser Lernprozess die Dinge weniger falsch zu machen der funktioniert mathematisch über Matritzen Multiplikationen.

00:19:48: wenn man aber ganz ganz viele Zahlen sind relativ einfache Rechenoperationen die könnte man sogar händisch machen würde bloß hundert Milliarden Jahre dauern Wenn man ganz viele zahlen gleichzeitig multiplizieren muss und man muss das auch gleichzeitig machen damit dann sinnvolles Ergebnis rauskommt.

00:20:00: dann braucht man eine bestimmte Technologie, die ganz viele Rechenoperationen gleichzeitig ausführen kann.

00:20:07: Die meisten bis dahin verwendeten Prozessoren haben versucht immer besser zu werden und präziser zu werden oder gewaltiger zu werden was ganz komplexe Operationen angeht.

00:20:17: Was sie aber nicht so gut konnten – ganz klassische Prozessore waren ganz viele Prozesse gleichzeitig.

00:20:22: Einzelne komplexer Prozisse nacheinander?

00:20:24: Ja!

00:20:25: Viele Prozese, die ein bisschen einfacher sind nebeneinander?

00:20:28: Nein.

00:20:29: Wer das aber konnte, waren speziell auf Grafik abgestellte Prozessoren.

00:20:35: Denn bei einer Grafik, speziell bei einer Spiele-Grafik hat man ja immer wieder neu berechnete Bilder die sich extrem schnell ändern wo man ständig berechnen muss wie er ändert sich dieser Pixel und so weiter.

00:20:48: Das Ganze muss dann auch noch vierundzwanzig Mal pro Sekunde stattfinden oder sogar noch schneller je nachdem welche Technologie bei der Darstellung von solchen Spielen da ist.

00:20:56: Das heißt, Nvidia kam eigentlich aus dem Gaming-Bereich und hatte sich darauf spezialisiert extrem viele Rechenoperationen vergleichsweise simple Rechenoperationen gleichzeitig zu machen um rauszufinden wie muss die Pixel Darstellung auf diesem Screen so sein dass das Spiel als besonders flüssig wahrgenommen wird.

00:21:14: Diese gedankliche Kette zwischen grafischer gleichzeitiger Rechenoperation hin zu Matrizenmultiplikation, wo also KI ganz viele gleichzeitig Rechenoperationen braucht.

00:21:25: Das ist der Kern davon warum NVIDIA heute ein so großes Unternehmen ist diese Gleichheit des Prinzipes zwischen Grafik viele einfache Rechenoperationen gleichzeitig und KI noch viel mehr gleichzeitige Rechen-Operation aber die sind auch nicht so kompliziert.

00:21:41: das ist der Grund worum NVIDIA vom Grafik-Chip-Lieferanten hin zum KI-Chib Lieferanten geworden ist.

00:21:47: Das haben sie auch schon vergleichsweise früh erkannt.

00:21:50: Denn das, wie es ganz am Anfang funktioniert hat, warum Joffrey Hinton heute den Nobelpreis bekommen hat – das lag auch an dem Ökosystem was Nvidia damals mit auf den Weg gebracht hat.

00:21:59: und wie gesagt, das ist Jahr zwölf.

00:22:01: Natürlich gab es da schon künstliche Intelligenz.

00:22:03: natürlich hatte da zum Beispiel Google schon längst beschlossen eigene sogenannte TPU also Tensor Processing Unit Chips auf den weg zu bringen will sagen dass war schon im Gespräch.

00:22:14: allerdings war es natürlich meilenweit entfernt von dem wir heute KI wahrnehmen.

00:22:19: Und trotzdem haben Joffrey Hinton und Ilya Satskeva bei einem sehr bekannten Wettbewerb damals bewiesen, dass ihre KI besser Bilder erkennen kann als irgendjemand sonst.

00:22:30: Besser sagen kann das ist ein Hund, das ist eine Katze – und diese Katze ist rot als irgendeine Computertechnologie die bis dahin bestanden hat!

00:22:39: Und das war insofern ein Durchbruch, als dass Erkennung von etwas ja eigentlich der erste Schritt hin zu Generierung von etwas ist.

00:22:47: Ich kann nur dann eine Katze generieren als Bild wenn ich weiß wie sie aussieht und wie sie eben nicht aussieht Wenn ich das durch ständiges Fehler machen und Fehler korrigiert bekommen lerne.

00:22:58: Das war also, der erste große Moment und der war wie gemacht für Nvidia.

00:23:02: Damals war klar okay diese gleichzeitig Rechenoperation die können viel eher Chips die anders funktionieren als die bisherigen klassischen Chips.

00:23:12: Dann kommt fünf Jahre später der Moment, über den wir hier auch schon eine halbe eigene Folge gemacht haben.

00:23:17: Nämlich das Papier attention is all you need.

00:23:20: Attention Is All You Need von dem sogenannten Google Aid.

00:23:23: Das waren acht Leute bei Google.

00:23:25: Eine sehr treibende Kraft davon war übrigens Jakob Uschgereit Der aus Deutschland kommt wie sein Vater Hans uschgereiht und der die beide KI-Forschende sind.

00:23:33: Beide KI Forscher Die einen sehr wesentlichen Beitrag dazu gebracht haben Wie heute KI funktioniert?

00:23:40: Und Jakob USCHgereid und sieben andere bei Google, haben damals ein Papier eben namens Attentionless All Unit auf den Weg gebracht.

00:23:47: Dass das heutige Prinzip der Transformer bestimmt hat.

00:23:50: Transformer ist das Tee in GPT von ChatGPT und genauso funktionieren heute große Sprachmodelle – und zwar alle!

00:23:57: So wie die chinesischen, wie auch die amerikanischen und natürlich die europäischen und deutschen ganz genau so.

00:24:02: Der Durchbruch durch dieses Papier quasi der zweite von den fünf Momenten die KI dazu gemacht haben, wie sie heute ist und die NVIDIA so wertvoll haben lassen.

00:24:10: An dieser Moment bezog sich auf einen Durchbruch einer Kenntnis, die auch wieder mit Gleichzeitigkeit zu tun

00:24:15: hat.".

00:24:16: Denn Attention is All You Need als Paper hat gezeigt, dass das Textverständnis wie kann eine Maschine einen Text verstehen?

00:24:24: eben nicht seriell stattfinden darf.

00:24:26: Hört sich komplex an?

00:24:27: Heißt aber nichts anderes als dass der Computer bis dahin versucht hat Texte zu verstehen in dem er Schritt für Schritt ein Text Wort für Wort versucht hat durchzugehen und dann geraten hat wie es wohl gemeint sein könnte.

00:24:40: Wir sind hier nur bis zu einem bestimmten Punkt gekommen mit den Maschinen und ab diesem Punkt ging es einfach nicht mehr, war einfach viel zu schlecht.

00:24:49: Das Prinzip von den sogenannten Transformern mit der Attention hat nichts anderes bedeutet als das sie gesagt haben.

00:24:55: Moment aber ein Text ist ja nicht irgendwie aufgebaut.

00:24:57: da ist ja ein sprachliches Muster dahinter.

00:25:00: Und dieses sprachliche Muster, das bezieht sich auf die Aufmerksamkeit und die Attention von den Worten untereinander.

00:25:07: Wie ist ein Wort mit anderen Worten verknüpft?

00:25:10: Worauf beziehen sich Worte?

00:25:12: Auf welches Wort bezieht sich in einem Satz ein anderes Wort?

00:25:16: Da ergibt sich also ein Geflecht, eine Art Beziehungsgeflecht der Worte untereinander und das haben Sie Attention oder Self-Attention genannt.

00:25:24: Wie bezieht sich welches Wort auf ein anderes?

00:25:26: Zum Beispiel weil wenn man sagt ich schäle einen Apfel dann bezieht sich das Schälen auf diesen Apfel mit einem Messer, da beziehe sich auch das Messer auf den Apfel Dann scheint ja Apfel irgendwie ein wichtiges Wort zu sein.

00:25:37: Zack kann nicht dass in meinen Gewichten abbilden und sagen Apfel kriegt hier aber ein bisschen größeres Gewicht.

00:25:43: wie gesagt Ich vereinfache das etwas, aber genauso kann man das erklären.

00:25:48: Dieses Attention Is All You Need.

00:25:50: Papier hat dazu geführt dass es einen Qualitätsquantensprung gab weil plötzlich Computer Texte verstehen konnten wo sie vorher dramatisch gescheitert sind.

00:26:00: Dieses Jahr hier in der Papier, da kann man übrigens Google einigermaßen dankbar sein.

00:26:04: Haben sie halt nicht irgendwie für sich selbst verwertet sondern haben sie ja der Wissenschaft zur Verfügung gestellt und prompt haben das andere Leute genutzt Und ich würde sagen mit Chatchi Petty sogar auch bisschen zielgerichteter und präziser als Google das zumindest am Anfang getan hat.

00:26:16: Auch darüber haben wir hier schon eine Sendung gehabt.

00:26:19: Was Nvidia damit zu tun hat, ist dass durch diese Beziehung der Worte untereinander von den Texten es halt nicht mehr so eine Chronologie war.

00:26:27: So eine sequenzielle Geschichte die man nacheinander abarbeiten konnte sondern plötzlich musste man gleichzeitig Milliardenbeziehungen der Textteile untereinander berechnen Und auch hier ist es eine relativ einfache Berechnung.

00:26:41: Auch hier kann man wieder mit einer Matrizenmultiplikation arbeiten, aber sie muss gleichzeitig geschehen!

00:26:46: Man muss gleichzeitig sehen welche Worte beziehen sich worauf und was bedeutet das wenn man diesen Text wirklich verstehen möchte?

00:26:54: Auch noch im Jahr, ist allerdings etwas passiert was die wichtigste Schwäche von diesem Attention is All You Need Papier von diesen Transformern mit in den Fokus gerückt hat.

00:27:05: Denn was bei Attention Is All you need rausgekommen ist war eine extrem gute Textvervollständigung.

00:27:11: aber die Text Vervollständigung Die ist halt im Zweifel nur so gut wie das womit man lernt.

00:27:16: Im Zweifel versteht sie auch überhaupt nicht, ob ein Text sinnvoll vervollständigt worden ist oder ob die Vervollständigung einfach besonders häufig im Internet als Texttraining vorgekommen ist.

00:27:26: Da kann es eben sein dass wenn man fragt erkläre mir den Mond das die Antwort ist und erkläre mehr die Sonne weil das ein Text ist der im internet besonders häufig vorgekommen ist und dann ist die Antwort darauf einfach nur eine bestimmte Ortvorvollständigung.

00:27:40: Das heißt, nur mit dem Papier Attention is All You Need ist das eine extrem gute Textautovervollständigung gewesen.

00:27:46: Damit aber ein sinnvoller Chatbot draus werden konnte gab es im Jahr diesen dritten Moment.

00:27:52: Dieser dritte Moment hatte mit Dario Amodei zu tun.

00:27:55: Der war damals noch bei OpenAI Forschungschef und ist inzwischen der Gründer des größten Konkurrenten von OpenAI – Anthropic nämlich!

00:28:02: Mit Claude.

00:28:03: Und der hat damals zusammen mit ein paar anderen gesagt Wir brauchen einen menschlichen Faktor, der diese Textautovervollständigung auf aller höchsten Niveau irgendwie noch mit ein bisschen mehr menschlichem Sinn versieht.

00:28:15: Das Konzept was Dario Amode damals bei OpenAI mitentwickelt hat nennt sich RLHF.

00:28:21: Diese Abkürzung habt ihr vielleicht schon mal irgendwo gesehen und das ist eine Abkünzung für Reinforcement Learning from Human Feedback.

00:28:28: Das kann man übersetzen als Bestätigungs- oder Bestärkungslernen durch menschliches Feedback.

00:28:35: Wenn ihr vor allem in der Anfangszeit dieses gigantischen KI-Halbs immer mal gehört habt, dass irgendwo in Kenia oder in Indien irgendwie tausende Leute saßen und eine KI nochmal als Menschen trainiert haben.

00:28:45: Dann steht genau dieses RLHF dahinter!

00:28:49: Und Reinforcement Learning durch menschliches Feedback ist nichts anderes, als dass die KI bestimmte Fragen beantwortet oder bestimmte Aufgaben löst mit ihrer Textvervollständigungsmagie und dann Menschen sagen nie das ist ein doofes Ergebnis.

00:29:02: Nein!

00:29:02: Das ist ein gutes Ergebnis.

00:29:03: Ja hier hast du es gut gemacht.

00:29:05: Das ist falsch, das ist richtig, das is schlecht Und zwar genau auf diese Weise, wie bis dahin eben das nur Menschen konnten.

00:29:11: Mit einem gewissen Gespür kann man schnell abschätzen ist diese Frage hier gut beantwortet ja oder nein?

00:29:16: Da gibt es noch verschiedene Abwandlungen zum Beispiel dass man nur Ja oder Nein sagt oder dass man auch eine Begründung gibt warum das jetzt genau guten ist.

00:29:23: aber das führt vielleicht ein bisschen weg von dem Punkt der menschliche Faktor den nach wie vor in KI enthalten ist dieses Reinforcement Learning.

00:29:31: Das passiert darauf dass man der KI halt immer sagen kann wenn du eine gute Antwort gibst Dann kriegst du eine Belohnung, zum Beispiel Punkte.

00:29:38: Und wenn du ne schlechte Antwort gibst dann kriegste einen Abzug sogar eine Strafe, z.B.

00:29:42: ein Punktabzug und ab einer bestimmten Untergrenze von Punkten wirst du ausgeschaltet oder ab einer bestimmten Obergrenze vom Punkten kriegte noch mal etwas ganz Besonderes was für dich viel wert ist.

00:29:54: Das ist jetzt auch ein bisschen vereinfacht und ein bisschen vermenschlicht, aber im Kern ist das genau die Art und Weise wie die KI von der Textvervollständigung hin zu einem Chatbot gekommen ist.

00:30:04: Ein bisschen menschliche Texte, sehr viel menschlicher Texte durch gelernt und dann auch noch spezielles auf das menschlich Feedback ausgerichtet des Lernen, des Reinforcement Learning.

00:30:16: Und das herausgefunden zu haben hat im Prinzip ChatGPT nach dem heutigen Muster überhaupt erst möglich gemacht.

00:30:23: Der vierte große Moment der KI lässt sich wieder in einem wissenschaftlichen Paper fassen und hat zwanzig stattgefunden.

00:30:29: gefunden.

00:30:30: In den letzten Jahren kam ein OpenAI-Papier aus, ein wissenschaftliches Papier überschrieben mit den Scaling Loss von Neural Language Models.

00:30:38: Diese sogenannten Scaling Laws oder die Gesetze der Skalierbarkeit haben in diesem Papier zusammengefasst – man könnte das vereinfacht so sagen -, dass je mehr Prozessorleistungen hat desto besser wird das Modell!

00:30:50: Es gibt da einen beinahe linearen Zusammenhang Und das ist natürlich für NVIDIA ein gefundenes Fressen gewesen.

00:30:57: Weil bis dahin, in den Jahren des Jahrhunderts, man schon ganz gute KI-Modelle bekommen konnte.

00:31:01: aber bis dahinnen waren das ein paar Tausend Prozessoren die zusammengeschaltet wurden wenn überhaupt denn in den meisten Fällen haben sogar ein paar hundert ausgereicht und die Ergebnisse waren okay.

00:31:11: aber haben jetzt die Leute noch nicht massiv vom Hocker gehauen?

00:31:14: Und dann finden in den Jahren im Jahr und ein paar andere heraus, dass je mehr Prozessleistungen man zum Trainieren benutzt desto besser werden die Ergebnisse.

00:31:24: Und das auch noch einigermaßen die Näher.

00:31:27: Ich sage ja einigermassen weil wir natürlich in Bereichen sind wo man nur sehr schwierig genau so vereinfachen kann, dass es am Ende einem gerecht wird.

00:31:35: Tatsächlich sind aber diese Scaling-Laws von Dario Amode's Papier für OpenAI im Jahr ist die Geburtsstunde davon, dass immer mehr NVIDIA Prozessoren immer bessere Qualität bringen.

00:31:47: Das ist quasi der Urknall dieses Chipbedarfs den wir heute sehen.

00:31:52: Diese Scaling Laws heißen mehr Prozessor und gleich mehr Leistung!

00:31:57: Dass das heute in dieser Form gar nicht mehr so gilt, dass man noch ein paar andere Dinge braucht und dass wir in gewisser Weise hier und dort an einer Art gläserne Decke gestoßen sind.

00:32:06: Das ist mal Thema für einen anderen Deep Dive aber natürlich ist die Größenordnung im Video jetzt sind ganz maßgeblich auf diese Scaling Laws zurückzuführen.

00:32:14: nachgewiesen zu haben mehr Prozessoren gleich bessere Ergebnisse und zwar auch schon beim Trainieren.

00:32:20: Interessanterweise muss man aber bei allem Loblied auf den Dario Armo Dei und sein zweitausendzwanziger Papier eigentlich einen fünften Moment mit hinzunehmen, der eben ebenfalls wichtig ist nicht nur für Nvidia sondern zum Verständnis der KI von heute.

00:32:36: Und dieser fünfte Moment bezieht sich darauf dass in dem Papier der Scaling Laws ein inzwischen berühmt gewordener Rechenfehler drin war.

00:32:45: Das was sie rausgefunden haben stimmte zwar Aber sie haben einen bestimmten Faktor dramatisch unterschätzt, weil Sie ein Rechenfehler dabei hatten.

00:32:54: Und dieser Rechenfehlere ist in dem so genannten Chinchilla Paper von DeepMind offenkundig geworden und wurde dann entsprechend auch korrigiert.

00:33:03: Dieser Rechenfehler bezog sich auf die schon angesprochene Gewichtung, also auf die Frage wie muss man diese einzelnen Daten so behandeln dass am Ende etwas Sinnvolles rauskommt.

00:33:13: Wie müssen sie verändert werden durch die Gewichte?

00:33:16: Wie kann man mit dem Lernen aus Fehlern und immer besser werden bessere Ergebnisse erzielen, die dann auch noch skalierbar sind mit mehr Prozessoren?

00:33:24: Und das Interessante war, dass der Rechenfehler von Dario Amodei in den Scaling Laws vor allem eine Fehlannahme produziert hat.

00:33:31: Nämlich die Fehlahnahme, dass man eigentlich immer größere Modelle braucht.

00:33:35: Das sind diese Parameter wo man sagt hier haben wir zwei Billionen Parameter angewendet oder siebenundzwanzig Milliarden Parameter angewendet.

00:33:42: Parameter sind halt kleine Sinneinheiten mit dem man diese Gewichte versuchen kann zu berechnen.

00:33:48: Das, was bei den Scaling-Laws rausgekommen ist, ist also dass man immer mehr und mehr Parameter braucht.

00:33:53: Und dafür für die gleichzeitige Berechnung halt immer mehr Prozessoren.

00:33:56: Was in dem Chinchilla Paper nach Beseitigung des Rechenfehlers von Amodei und anderen aber herausgekommen sind, ist das wir nicht nur mehr Prozessorleistungen brauchen und mehr Parameter zur Berechnungen besser zu werden sondern auch mehr Daten.

00:34:11: Die hatten sich in der benötigten Datenmenge schlicht verrechnet.

00:34:15: Das heißt ab dem Jahr ist klar geworden, wir brauchen nicht nur immer mehr Prozessoren.

00:34:20: Wir brauchen dazu auch noch immer mehr und bessere und größere Datenvolumina!

00:34:25: Das ist auch einer der Gründe, warum diese großen KI-Firmen ja immer mehr Daten hinzugekauft haben und manchmal nicht gekauft sondern einfach abgegrast.

00:34:33: Warum es im Moment Geschäftsmodelle gibt die einfach strukturierte Daten aufbereiten für KI Unternehmen und damit ein Heidengeld verdienen.

00:34:42: das ist quasi das was in diesem fünften Papier herausgefunden worden ist.

00:34:45: Und gleichzeitig heißt es natürlich auch dass Nvidia noch unverzichtbarer geworden ist weil es eben nicht nur darum ging möglichst viele Parameter gleichzeitig zu berechnen Sondern bei das auch mit immer größeren Datenmengen passieren musste.

00:34:58: Das also sind die fünf Momente auch wissenschaftlichen Erkenntnisse, die dazu geführt haben in den letzten fünfzehn Jahren das KI dort ist wo sie heute ist und vor allem dass NVIDIA dort ist, wo es heute ist.

00:35:11: Denn die Quintessenz davon heißt nichts anderes als, dass ein weiterer Fortschritt von KI in wirklich allen Bereichen vom Militärischen über den wirtschaftlichen bis zum gesellschaftlichen bis zur Prognostik und so weiter und sofort immer über Chips führt.

00:35:26: Und genau deswegen ist allein schon die Zuteilung von Rechenpower ein politisches Instrument – und an dieser Stelle können wir kurz eintauchen in die chinesische Betrachtung!

00:35:36: Denn China hat einen Plan.

00:35:37: Nicht nur einen, sondern Pläne sind in China tatsächlich vom Staat ausgegeben absolut essentiell in der Entwicklung.

00:35:44: Wir haben zum Beispiel hundert Jahrespläne in China die sowohl der Staat wie auch Unternehmen versuchen voranzubringen und solche Hundert-Jahresplänen sind unterteilt natürlich in eine Vielzahl von kleineren fünf Jahresplanen usw.

00:35:56: Und sofort.

00:35:57: In vielen von diesen Plänen steht das China so schnell wie möglich unabhängig werden muss und vor allem auch so nachhaltig wie möglich unabhängig werden muss von westlichen Technologien.

00:36:09: Nicht nur, weil die Chips in Taiwan gefertigt werden und solange sie dort gefertigt werden – und die chinesische Industrie zumindest indirekt abhängig davon ist!

00:36:17: Ist es unwahrscheinlicher dass Xi sein großes Ziel Taiwan einzugemeinden irgendwie militärisch erlangen kann?

00:36:25: Das heißt….

00:36:26: Die chinesischen Industrie hat den Auftrag möglich schnell eigene Chips an der Qualitätsebene von Nvidia herzustellen Und dass man dafür Informationen von Nvidia und auch die Chips von Nvidia selbst sehr gut gebrauchen kann, das liegt auf der Hand.

00:36:42: Die Zuteilung von Rechenpower ist heute ein Produktions- und Machtinstrument, an das Karl Marx nicht im Entferntesten hätte denken können.

00:36:51: Im Gegenteil – wir reden ja von einer Art Metacapitalismus, weil in bestimmten Bereichen Kapitalismus überhaupt nur noch möglich ist durch die ZuteILUNG VON RECHENPOWER!

00:37:00: Und in dem Moment wo man Chips kontrolliert, kontrolliert man auch die ZUTEILUNG.

00:37:04: Wer kriegt wann?

00:37:05: Welche Chips für welches Geld und darf sie wie

00:37:08: verwenden?!

00:37:09: China arbeitet nachgewiesenermaßen genau daran, die eigenen Chips endlich auf ein Niveau zu bekommen das sie mit Nvidia mithalten.

00:37:16: Und an dieser Stelle schauen wir ein bisschen tiefer in diesen Ablauf, wie er genau funktioniert.

00:37:21: Zum Beispiel auf die Firma ASML sitzt in den Niederlanden war zeitweise das wertvollste europäische Unternehmen und ist im Prinzip das einzige Unternehmen was eine spezielle Form von Laser Litographie hinbekommt, die man für solche Silizium Schaltkreisplatten braucht, die wiederum die Chips von heute darstellt zum Beispiel genau diese Kernstücke von Nvidia.

00:37:43: HSML in den Niederlanden braucht interessanterweise verschiedene deutsche Zulieferer.

00:37:48: Zum Beispiel muss in einer solchen Chipmaschine ein ganz spezieller Laser auf eine ganz spezielle Art abgefeuert werden und zwar eine Art, die eigentlich weltweit nur Trumpf aus Deutschland hinbekommt.

00:37:58: Das bedeutet, Trumpf ist ein wichtiger Zulieferer von ASML, die wiederum aus Europa die Maschinen herstellen, die nirgends woanders auf der Welt hergestellt werden können.

00:38:09: China arbeitet genau daran solche Maschienen herstellen zu können.

00:38:12: sie sind aber laut Berichten von Geheimdiensten allerfrühstens in der Lage das herzustellen.

00:38:19: Man weiß auch, dass China ehemalige ASML Leute abgeworben hat – es ist ja auch total nachvollziehbar, dass dieser Engpass für China eine Bedrohung der eigenen Chipmacht darstellt!

00:38:30: Aber auch hier ist Nvidia Dreh- und Angelpunkt, denn natürlich ist Nvidia mit ASML ziemlich eng verbandelt….

00:38:37: Man kann sagen, dass ASML nur so ein großes Unternehmen werden konnte.

00:38:41: Weil NVIDIA wirklich das absolute Maximum rausgeholt hat aus dem was mit ASML-Maschinen möglich ist.

00:38:47: Es gibt mit Carl Zeiss übrigens ein zweites deutsches Unternehmen was ziemlich essentiell für die Technologie hinter der Chipfertigung ist.

00:38:54: Karl Zeiss macht Linsen wie für diese Litographie so unfassbar regelmäßig und glatt sein müssen Wie es sonst ganz offensichtlich kein anderes Unternehmen hinbekommt.

00:39:05: Das ist also der technologische Hintergrund, warum ein ganzer Apparat von Maschinerien sehr zentral daran beteiligt ist.

00:39:13: Dass heute KI-SU ist wie sie ist und der Kulminationspunkt, der Kristallisationspunkt ist dabei Invidia.

00:39:20: Und der wichtigste Punkt von Invidia ist Jensen Huang Nicht nur, weil er ganz offensichtlich die Gelegenheit wahrgenommen hat, weltweiter KI Rockstar zu werden.

00:39:30: Sondern auch, weil der ganz offenzichtlich angreifbar ist für die älteste Methode der Spionage!

00:39:36: Es ist wie gesagt gar nicht klar, ob und was er verraten hat.

00:39:38: Aber allein schon dass er sich darauf eingelassen hat zeigt eine gewisse Verwundbarkeit Denn natürlich ist eine so große Nähe in Form einer Affäre immer auch etwas das mit Erpressbarkeit zu tun hat.

00:39:50: Und rückwirken.

00:39:51: muss man jetzt wirklich alle Äußerungen von Jensen Huang in Richtung einer gewissen China-Offenheit Auch neu deuten?

00:39:56: zumindest gibt es diese Möglichkeit Dass er sich eingesetzt hat bei Donald Trump dafür bestimmte Chips nach China exportiert werden können.

00:40:04: Dass er Erklärungen angeführt hat, warum das total krug sei gegen die Übermacht von China plötzlich China entsprechende Chips liefern zu können und dass eben nicht nur eine Markt sondern auch eine Machtfrage.

00:40:16: Als Schlussakord können wir den Fokus auf die digitale Souveränität richten denn wenn wir aus dieser Episode etwas lernen können ist es dass KI ein geopolitisches und machtpolitisches Spiel geworden ist, weit über die Wirtschaft hinaus.

00:40:30: Und das wiederum heißt, dass wir hier in Europa, in Deutschland mit Hochdruck daran arbeiten müssen unsere eigenen Technologien und unserer eigenen Anwendung oder auch unseren eigenen Geschäftsmodelle so weit wie möglich in Richtung einer Souveränität zu entwickeln.

00:40:46: Wenn man Zubrinität definiert, als eine geringere Erpressbarkeit und wenn man das ganz hart worauf ich auch immer bestehe abgrenzt von Technationalismus.

00:40:54: Und erst recht von Autarkie!

00:40:56: Dann ist es im Prinzip dass wir in Europa ein paar Trümpfe in der Hand behalten die andere Gegenden der Welt so dringend brauchen, dass sie nicht alles machen können was sie wollen sondern ein gewisses geben und nehmen funktionieren kann.

00:41:10: Ich glaube der Zug ist abgefahren zu sagen, wir müssen in jeder Dimension im Bereich KI komplett selbstständig und eigenständig werden.

00:41:16: Das kann irgendwann wieder kommen aber in den nächsten zwei drei vier fünf Jahren halte ich es für nicht besonders wahrscheinlich.

00:41:22: Worauf man aber hinarbeiten kann, ist die Stärken dieses Kontinents und die Stärke dieses Landes sehr viel deutlicher zu betonen und sehr viel deutlicher auszuspielen.

00:41:32: Sich halt nicht zu verstecken und zu sagen ach wir haben eh keine Chance mehr sondern zu überlegen mit welchen Stellschrauben an welchen Hebeln können dir denn selbst bestimmte Modelle auf den Weg bringen?

00:41:43: Bestimmte Anwendungen auf den wegbringen, bestimmte Technologien auf dem Weg bringen um eine eigene technologische Macht zu entfalten ganze Menge.

00:41:52: Wir sehen ja jetzt schon mit ASML, wir sehen mit Trumpf und Carl Zeiss das in bestimmten Bereichen eine gewisse Macht vorhanden ist die nicht so leicht zu ersetzen ist.

00:42:02: Wie spielen wir sie bis jetzt aus?

00:42:03: Ich glaube noch nicht besonders überzeugend.

00:42:05: ich glaube aber dass wir genau daran arbeiten können und müssen.

00:42:09: Insofern zeigt diese KI-Affäre von Jensen Huang und vor allem der Hintergrund, dass China da auf allerhöchster Ebene versucht Informationen zu bekommen und Einfluss zu nehmen.

00:42:19: Das zeigt das wir mitten in einem Spiel sind was eben weit über den wirtschaftlichen Faktor hinausgeht.

00:42:25: Was eben nicht nur damit wo sitzt das Patent?

00:42:27: Wo findet die Wertschöpfung statt?

00:42:29: gespielt wird, sondern wo es am Ende um Macht geht.

00:42:33: Und das wiederum heißt dass Europa sich nicht nur fragen muss wie können wir bei KI die eine oder andere Förderung einstellen um ein paar Geschäftsmodelle auf die Straße zu bekommen?

00:42:42: Sondern Wie können wir im wahrsten Sinne des Wortes unsere Trümpfe so ausspielen dass wir nicht aufgerieben werden zwischen zwei Machtblöcken wie China und die Vereinigten Staaten?

00:42:53: Eine ganze Reihe von Entscheidungen wird man anders treffen müssen, weil durch diese Affäre so offensichtlich geworden ist dass es um Macht geht.

00:43:01: Und Macht ist vielleicht das einzige was in besonderen Situationen noch stärker ist als Geld wo also macht den Markt sticht oder zumindest stechen kann.

00:43:12: Denn ich persönlich glaube in dem Moment wo man KI anfängt zu betrachten als eine Frage der Macht Es gibt sich fast von allein, dass jede Form von Souveränität einhergehen muss mit einer gewissen Einflussnahme über und auf künstliche Intelligenz.

00:43:28: Das ist die zentrale Technologie unserer Zeit – ob einem das gefällt oder nicht!

00:43:32: Ob man irgendeinen Chatboard benutzt oder nicht... Das ist die Elektrizität des einundzwanzigsten Jahrhunderts.

00:43:38: Und man kann alles sagen und alles machen und jede Meinung haben, aber man kann eben nicht leugnen dass die Energie oder die Elektriktät die vergangenen zwei Hundert Jahre auf eine Weise geprägt hat wie praktisch nichts anderes – von Grenzverläufen über Kriegen bis zu Konflikten bis hin zur wirtschaftlicher ökonomischer und irgendwann auch gesellschaftlicher Macht.

00:43:57: Und die Erzählung, die sich gerade entwickelt und an die uns diese Doppelhuang-Affäre erinnert.

00:44:02: Diese Erzählung ist nichts anderes als ein Aufruf, einen Weg-und Warnruf im Bereich KI eine Transformation zu digital souveränen Bedingungen in Europa hinzubekommen und mit Hochdruck daran zu arbeiten dass die Trümpfe, die wir haben weiter ausgearbeitet werden ausgespielt werden können und das wir am Ende versuchen müssen nicht nur wirtschaftlich, sondern auch politisch mit KI ein Machtfaktor herzustellen.

00:44:28: Vielen Dank fürs Zuhören und wenn ihr zu diesem interessanten und krassen Thema mit uns diskutieren wollt dann tut es doch auf den Plattformen auf denen wir unterwegs sind nämlich LinkedIn, nämlich Instagram, nämlich TikTok und auch YouTube!

00:44:40: Bis zum nächsten Mal.

Neuer Kommentar

Dein Name oder Pseudonym (wird öffentlich angezeigt)
Mindestens 10 Zeichen
Durch das Abschicken des Formulars stimmst du zu, dass der Wert unter "Name oder Pseudonym" gespeichert wird und öffentlich angezeigt werden kann. Wir speichern keine IP-Adressen oder andere personenbezogene Daten. Die Nutzung deines echten Namens ist freiwillig.