KI - kurz und informativ, Klartext "to Go" in unter 5 Minuten

Die US-Regierung wirft chinesischen KI-Laboren Diebstahl im industriellen Massstab vor. Im April 2026 hat das Weisse Haus dazu ein eigenes Memorandum veröffentlicht, im September haben NSA, CISA und FBI mit einer gemeinsamen Sicherheitswarnung nachgelegt. Der Vorwurf behandelt systematische Destillation amerikanischer Frontier-Modelle.

Ich erkläre zunächst, was sog. Knowledge Distillation, Soft Targets und Dark Knowledge ist. Es wird schnell klar, dass das, worum eigentlich gestritten wird, gar nicht die Destillation selbst ist.

Die Lage ist nicht ganz eindeutig und man muss immer betrachten, aus welcher Position heraus, die verschiedenen Akteure argumentieren.

Themen dieser Folge:

• Die Chronologie der Debatte um Destillation
• Knowledge Distillation: Teacher, Student, Soft Targets und Dark Knowledge
• Die Open-Weights-Debatte

🎧 Andere spannende Folgen:

• Mixture of Experts (MoE) erklärt
• Wie Maschinen lernen: Der Trainingsprozess von ML-Modellen

Schaut gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠⁠https://podcast.pyucation.de⁠⁠

Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Links & Quellen:

• Anthropic's Statement zum Vervot von Open Weight Modellen
• NSTM-4, "Adversarial Distillation of American AI Models", OSTP, 23.04.2026: https://www.whitehouse.gov/wp-content/uploads/2026/04/NSTM-4.pdf
• AEI, "How to Stop China from Freeriding on American AI": https://www.aei.org/commentary/how-to-stop-china-from-freeriding-on-american-ai/
• Just Security, "From Diagnosis to Deterrence": https://www.justsecurity.org/137498/diagnosis-deterrence-us-response-distillation/
• Lawfare, "Knives Are Out for Open-Weight AI Models": https://www.lawfaremedia.org/article/knives-are-out-for-open-weight-ai-models
• Lawfare, "The AI Model Distillation Paradox": https://www.lawfaremedia.org/article/the-ai-model-distillation-paradox
• CNBC, "The U.S. says China's AI progress is down to 'distillation.' But is it that clear cut?": https://www.cnbc.com/2026/09/18/china-ai-progress-distillation-tech-download.html

Harness, Skills, Memory, Tools, MCP usw. Rund um AI Agents hat sich ein Vokabular entwickelt, das überall auftaucht und das kaum jemand sauber erklären kann. Das liegt nicht an euch: Für die meisten dieser Begriffe gibt es keine feste Definition, und je nach Framework und Anbieter werden sie unterschiedlich verwendet.

In dieser Folge von „KI kurz und informativ" gehe ich die wichtigsten Begriffe einzeln durch und zeige, wie sie zusammenhängen.

Am Beispiel eines Reifenwechsels erkläre ich, wie Skills, Tools und Memory zusammenhängen. Wir wiederholen nochmal, was Context bedeuetet und was das Context Window ist.

Schreibt mal ein Beispiel aus eurem Alltag in die Kommentare, in dem ihr eine Situation in Skill, Tools und Memory unterteilt.

Themen dieser Folge:

• Agent vs. Modell: Was der Agent Harness eigentlich ist
• Instruktionen: Regeln, Grenzen und Prioritäten festlegen
• Kontext und Kontextfenster und was passiert, wenn es voll ist
• Memory: automatisiertes Notizenmachen, kein Lernen
• Tools: lesend und schreibend mit der Aussenwelt interagieren
• MCP (Model Context Protocol): kein Tool, sondern ein Protokoll
• Skills: Prozesswissen als Anleitung für den Agenten

🎧 Passende Folge:

AI Agents - Was ist der Unterschied zu LLMs?

Schaut gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠https://podcast.pyucation.de⁠

Dort findet ihr eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Was passiert eigentlich, wenn ihr eine Rechnung abfotografiert und ein System daraus automatisch Kundennummer und Betrag zieht?

Optical Character Recognition (OCR) ist dabei nur ein Schritt. Moderne Dokumentenverarbeitung ist eine ganze Pipeline: Bildvorverarbeitung, Texterkennung, Layout-Analyse, Zeichenerkennung und schliesslich ein Transformer-Modell, das die wahrscheinlichste Textsequenz bestimmt.

In dieser Folge von „KI kurz und informativ" erkläre ich, wie OCR technisch funktioniert: warum CNNs und Vision Transformer dafür eingesetzt werden, warum moderne Systeme nicht mehr Buchstabe für Buchstabe lesen, sondern ganze Sequenzen und warum sich damit zwar Fehler korrigieren lassen.

Themen dieser Folge:

• Was OCR technisch macht
• Von der Zeichen- zur Sequenzerkennung
• Was Transformer damit zu tun haben
• Warum synthetische Trainingsdaten bei OCR gut funktionieren
• Die typische OCR-Pipeline

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠⁠⁠⁠https://podcast.pyucation.de⁠⁠⁠⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Die grösste Einzelinvestition der Unternehmensgeschichte ... kein Logistzentrum sondern ein Rechenzentrum.

Die Schwarz Gruppe, bekannt durch Lidl und Kaufland, baut in Lübbenau in Brandenburg für rund 11 Milliarden Euro KI-Infrastruktur.

Wir schauen uns in einer Art "Firmenportrait" die Entwicklung vom Discounter zu einem der ambitioniertesten Technologiekonzerne Europas an. Wir sprechen über die Cloud Platform STACKIT, Aleph Alpha und den KI-Campus in Heilbronn.

Am Ende bleibt die kritische Frage nach potenziell neuen Abhängigkeiten. Souveränität heisst nicht, sich von jemandem abhängig zu machen, nur weil er in Deutschland sitzt.

Weitere Folgen und Links:

• Interview mit Wirtschaftsminister Dr. Blank: hier
• Folge über den AI Five Layer Cake: hier
• Blogpost von NVIDIA: AI is a 5-Layer Cake

Quellen:

• Financial Times Artikel: "How Lidl accidentally took in the big guns of cloud computing"
• Schwarz Digits: Datacenter Lübbenau: https://schwarz-digits.de/schwarz-digits-datacenter-luebbenau
• Heise online: Schwarz Digits baut grosses KI-Rechenzentrum in MV: https://www.heise.de/news/Schwarz-Digits-baut-grosses-KI-Rechenzentrum-in-Mecklenburg-Vorpommern-11431329.html
• Computer Base: Ohne Führerhaus, Lidl lässt autonomen Lkw auf die Strasse: https://www.computerbase.de/news/mobilitaet/ohne-fuehrerhaus-lidl-laesst-autonomen-lkw-auf-die-strasse.99420/
• ZDF heute: Schwarz-Gruppe baut grosses Rechenzentrum bei Rostock: https://www.zdfheute.de/wirtschaft/unternehmen/schwarz-zentrum-rechenzentrum-rostock-100.html
• Lidl Pressemitteilung: Autonomer Lkw (15.09.2026) https://unternehmen.lidl.de/pressemitteilungen/2026/260915_autonomer_lkw
• The Decoder: Cohere übernimmt Aleph Alpha: https://the-decoder.de/nach-andrulis-abgang-kanadisches-start-up-cohere-uebernimmt-aleph-alpha/
• Table.Briefings: Dieter Schwarz Stiftung hilft dem Staat auf die Sprünge: https://table.media/berlin/news/ki-forschung-dieter-schwarz-stiftung-hilft-dem-staat-auf-die-spruenge

Felix Anderegg, Head of Technology and Innovation bei HR Campus AG, spricht mit mir über Künstliche Intelligenz im Human Resources und wie sie KI in ihrer Softwareentwicklung für HR-Prozessdigitalisierung einsetzen.

Als spannendes Beispiel schauen wir uns ein KI-unterstütztes Travel Expense Tool an, das Belege per OCR (Object Character Recognition) einliest, automatisiert kategorisiert und zuordnet usw.

Ganz zentral in unserem Gespräch ist die Frage, welche Rolle der Mensch in Zukunft wieder einnehmen wird.

Ausserdem sprechen wir über diese Themen:

• automatisiertes Recruiting, CV-Checks und Co.,
• wie KI-Transformation bei HR Campus abläuft,
• wie KI-gestützte Softwareentwicklung im HR-Bereich abläuft.

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠⁠⁠https://podcast.pyucation.de⁠⁠⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Der häufigste Fehler bei der Kalkulation von KI-Projekten ist in Kosten pro Monat zu rechnen statt in Kosten pro Vorgang.

Ein Pilotbetrieb mit zwanzig Nutzern sagt euch nichts darüber, was das System kostet, wenn es tatsächlich im Einsatz ist. Bei KI steigen die laufenden Kosten nämlich mit der Nutzung.

In dieser Folge von „KI kurz und informativ" gehe ich die klassische TCO-Formel durch und zeige am Beispiel eines Schwimmbads, welche Posten sich bei KI-Systemen anders verhalten als bei jeder anderen Software.

Meine These ist: Die Kostenarten sind nicht neu, aber ihr bestimmt nicht mehr, wann sie anfallen.

Bspw. kennt ihr den Preis eines Vorgangs erst, nachdem er passiert ist. Ein Modell verschlechtert sich lautlos, ohne Fehlermeldung. Und den Termin für die nächste Migration setzt oft euer Anbieter (wie zuletzt bei der Abschaltung der OpenAI Assistants API).

Themen dieser Folge:

• TCO-Formel und was sie bei KI-Systemen nicht abbildet

• Kosten pro Vorgang statt Kosten pro Monat

• Model Drift und Data Drift

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠⁠https://podcast.pyucation.de⁠⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Link zum Google Paper:

D. Sculley et al., „Hidden Technical Debt in Machine Learning Systems"

https://proceedings.neurips.cc/paper/2015/file/86df7dcfd896fcaf2674f757a2463eba-Paper.pdf

Mixture of Experts (MoE) steckt inzwischen hinter fast jedem grossen Sprachmodell, weil diese Architektur Rechenkosten spart. Es erklärt ausserdem, warum bei modernen Modellen plötzlich zwei Parameterzahlen angegeben werden.

DeepSeek-V3 zum Beispiel hat 671 Milliarden Parameter, nutzt pro Token aber nur 37 Milliarden davon.

Wie diese Architektur funktioniert, was ein Router in einem Sprachmodell macht und wie die sogenannten Experten im Training entstehen, erkläre ich in dieser Folge.

Wir schauen uns auch, wie immer, Probleme dieser Architektur an, z.B. warum Modelle dadurch schneller, aber nicht kleiner werden.

Themen dieser Folge:

• Router und Experten: Wie MoE die Rechenlast aufteilt

• Gesamtparameter vs. aktive Parameter

• Probleme wie Load Balancing

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠⁠https://podcast.pyucation.de⁠

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Wie lernt ein Machine-Learning-Modell eigentlich? Hinter dem „Lernen" steckt keine Magie, sondern mathematische Optimierung. Und die funktioniert nach einem Prinzip, das ihr aus dem Alltag kennt.

Ich erkläre anhand anschaulicher Beispiele, was eine Kostenfunktion ist, was Parameter eines Modells sind und wie beides zusammen dafür sorgt, dass ein Modell besser wird.

Die Folge über Optimierungsalgorithmen wie Gradient Descent wird auf diese Folge aufbauen.

Themen dieser Folge:
• Was mathematische Optimierung ist und warum sie die Grundlage jedes ML-Modells bildet

• Kostenfunktion und Parameter

• Lineare Regression: Optimierung mit nur zwei Parametern

• Warum es Optimierungsalgorithmen wie Gradient Descent braucht

Schau gerne auch auf der neuen Website zum Podcast vorbei:

⁠https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Folge zu Neuronalen Netzen und wie sie lernen:

https://open.spotify.com/episode/1vu4mSvU9YpJs0mZdTwTbC?si=mKhjhhkySjO13raaPw8RiA

Heute gibt es wieder ein Quiz zu den letzten 15 Folgen. Dabei schauen wir uns diese Themen an:

• ​Fine Tuning (im Vergleich zu RAG)
• ​Reasoning-Modelle
• ​Der AI Five Layer Cake
• ​KI-Regulatorik und der EU AI Act
• ​Kennzeichnungspflicht und Synth ID
• ​Quantisierung und Speicherbedarf von LLMs

Bist du inzwischen ein Experte? Schreib gerne in die Kommentare, wie viele Fragen du richtig beantworten konntest!

Schau gerne auch auf der neuen Website zum Podcast vorbei:

https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Seit dem 2. August 2026 gilt die EU-Kennzeichnungspflicht für KI-Inhalte (Artikel 50). Heute erkläre ich SynthID und wie das Wasserzeichen von Google DeepMind funktioniert.

In jedem gängigen Medium (Bilder, Videos, Texte, Audio) kann SynthID eingesetzt werden. Wir sprechen auch über den Unterschied zu Metdadaten, die Grenzen von SynthID und warum sich die seit 2023 existierende Technik bereits in Teilen umgehen lässt.

Auch Anthropic verwendet neu seit dem 11. August 2026 Wasserzeichen für seine von neueren Modellen erzeugten Inhalte.

Schau gerne auch auf der neuen Website zum Podcast vorbei:

https://podcast.pyucation.de

Dort findest du eine Übersicht über alle Folgen sowie die meist gestellten Fragen schnell beantwortet.

Weitere Folgen:

• ​Regularien rund um KI: https://open.spotify.com/episode/0DgVxFfLxKzPlnEyOeLm15?si=s5QlQdPoQqSw3qsw8Dqf_A
• ​EU AI Act: https://open.spotify.com/episode/2PMaslOzW7gGOax1h6RErv?si=xxaLUD5NRdKHSrNHGiYKhQ

Quellen:

• ​https://deepmind.google/models/synthid/
• ​https://deepmind.google/blog/watermarking-ai-generated-text-and-video-with-synthid/ 
• ​https://help.openai.com/de-de/articles/8912793-provenance-signals-content-credentials-synthid-in-openai-generated-content