Pro-Technologie zu sein bedeutet nicht, die negativen Auswirkungen neuer Technologien zu ignorieren. Es ist eine Übung in pragmatischem Optimismus – das Positive zu maximieren, während man die negativen Aspekte managt.

Wir konnten die starken Ergebnisse des HRM-Papiers zu ARC-AGI-1 reproduzieren. Darüber hinaus haben wir eine Reihe von Ablationsexperimenten durchgeführt, um herauszufinden, was dahintersteckt. Wichtigste Ergebnisse: 1. Die Architektur des HRM-Modells selbst (das Herzstück des Papiers) ist kein wichtiger Faktor. 2. Der äußere Verfeinerungsloop (kaum im Papier erwähnt) ist der Haupttreiber der Leistung. 3. Cross-Task-Transferlernen ist nicht sehr hilfreich. Was zählt, ist das Training an den Aufgaben, die Sie testen werden. 4. Sie können viel weniger Datenaugmentationen verwenden, insbesondere zur Inferenzzeit. Die Ergebnisse 2 und 3 bedeuten, dass dieser Ansatz ein Fall von *Zero-Pretraining-Testzeit-Training* ist, ähnlich dem kürzlich veröffentlichten Papier "ARC-AGI ohne Pretraining" von Liao et al.

Google hat gerade ein neues kleines LLM mit herausragender Leistung veröffentlicht – Gemma3 270M. Jetzt auf KerasHub verfügbar. Probieren Sie die neuen Voreinstellungen `gemma3_270m` und `gemma3_instruct_270m` aus!

Offene Fragen zur Wirtschaftlichkeit von fahrerlosen Fahrdiensten: 1. Wie hoch wird die Kostenreduzierung (im Vergleich zu Uber/Lyft) durch den Wegfall des Fahrers sein? 2. Wie sehr erhöht diese Kostenreduzierung die Nachfrage? 3. Würde sich die UX-Änderung signifikant auf die Nachfrage auswirken? 4. Würden wir einen großen Anstieg der geografischen Verfügbarkeit sehen (kein Bedarf für Fahrer = mehr Taxis auf der Straße)? Zu 1: Die Arbeitskosten für eine Lyft/Uber-Fahrt betragen nach Berücksichtigung aller anderen Kosten nur 20-40% des Preises, was die Reduzierung im besten Fall auf -40% begrenzt. Ein fahrerloses Taxi-Netzwerk hätte jedoch deutlich höhere Fixkosten (KI-Ingenieure, Rechenzentren) und nicht-null zusätzliche Stückkosten (häufige Innenreinigung, Amortisation der selbstfahrenden Hardware), sodass wir realistisch eher von -15-20% ausgehen. Es ist also unbestreitbar, dass autonome Fahrten in großem Maßstab günstiger sein werden als die aktuellen Fahrdienstleistungen. Aber die Effektgröße wird viel kleiner sein, als die meisten Menschen erwarten. Sie werden immer noch ziemlich teuer sein. Zu 2: Wahrscheinlich nicht so viel – aufgrund der dynamischen Preisgestaltung schwanken die Preise bereits mehr als dies, und vor ein paar Jahren hat Uber die Nachfrage stark subventioniert, sodass wir einige Daten darüber haben, was mit 20% günstigeren Fahrten passieren würde. Der TAM in Gebieten, die bereits gut von Uber/Lyft bedient werden, könnte in Bezug auf die Kilometer um ~20% wachsen, während er in Dollar konstant bleibt. Zu 3: Wir wissen bereits (durch Waymo-Implementierungen), dass die Menschen es bevorzugen, keinen Fahrer im Auto zu haben, und preissensible Kunden bereit sind, mehr für dieses Erlebnis zu zahlen. Es ist jedoch nicht alles positiv: Es gab Bedenken hinsichtlich der Sauberkeit der Autos (leicht zu beheben, aber das erhöht die Stückkosten). Insgesamt denke ich nicht, dass die UX-Änderung den TAM erheblich erhöhen wird, da für die meisten Menschen Preis und Verfügbarkeit die entscheidenden Faktoren sein werden. Zu 4: Dies ist eher ein Wildcard-Faktor. Die meisten Kosten eines autonomen Netzwerks sind Fixkosten; die zusätzlichen Stückkosten sind hauptsächlich die Amortisation der Fahrzeugkosten (ein Rundungsfehler) und Reinigung. Das bedeutet, dass ein autonomes Netzwerk das Potenzial hat, eine viel höhere Abdeckung als das aktuelle Uber/Lyft-Netzwerk zu haben. Aber es wird sicherlich nicht der Fall sein, dass diese Netzwerke *überall* ausgeweitet werden, zumindest nicht mit einer kurzen Wartezeit. Ich denke, wir werden einen gewissen TAM-Anstieg durch diesen Effekt sehen, vielleicht +20-30%. Insgesamt: Wir sollten mit einem inkrementellen TAM-Anstieg in Dollar rechnen, aber insgesamt wird der Markt eher wie Uber++ als wie ein neues Verkehrsparadigma sein. Die meisten Menschen in den USA, insbesondere außerhalb dichter Gebiete, werden weiterhin ihr eigenes Auto fahren.

Etwas Lustiges, das wir entdeckt haben: Du kannst #Genie3 verwenden, um in deine Lieblingsgemälde einzutauchen und sie zu erkunden. Hier ist ein kurzer Besuch bei Edward Hoppers "Nighthawks".

Grok 4 ist nach wie vor das Maß der Dinge auf ARC-AGI-2 unter den Spitzenmodellen. 15,9 % für Grok 4 im Vergleich zu 9,9 % für GPT-5.

Grok 4 ist nach wie vor das Maß der Dinge auf ARC-AGI-2 unter den fortschrittlichen Modellen. 15,9 % für Grok 4 im Vergleich zu 9,9 % für GPT-5.

GPT-5 Ergebnisse zu ARC-AGI 1 & 2! Top-Zahlen: 65,7 % bei ARC-AGI-1 9,9 % bei ARC-AGI-2

Kaggle hat gerade den NeurIPS 2025 Code Golf Wettbewerb gestartet – das Ziel ist es, Python-Lösungsprogramme für ARC-AGI-1 Aufgaben zu schreiben, während die Programme so klein wie möglich gehalten werden. Bist du besser im Programmieren als die neuesten Modelle?

Der Weg nach vorne besteht nicht darin, einen "Gott in einer Box" zu erschaffen, sondern intelligente Systeme zu schaffen, die sich mit bestehenden Prozessen integrieren, insbesondere mit der Wissenschaft und der Menschheit im Allgemeinen, um sie zu ermächtigen und zu beschleunigen.