0902 | Tech-Radar: KI auf dem Schreibtisch, Streit im Store

Lena Vogel: Hallo und willkommen zurück zu einer weiteren Ausgabe unseres Hacker-News-Podcasts. Ich bin Lena Vogel.

Felix Hartmann: Und ich Felix Hartmann. Und was für ein Tag wieder. Die Verbindungslinie der letzten 24 Stunden ist eigentlich eine einzige große Frage: Was ist echt – echte Rechenleistung, echte Gewinne, echte Fähigkeiten von Robotern, echte Fortschritte – und wo ist nur Optimierung, Marketing oder schlicht Inszenierung? Und das zieht sich heute durch alles, von lokalen Sprachmodellen auf dem Schreibtisch bis hin zu App-Stores, die Apps vom Markt nehmen.

Lena Vogel: Fangen wir ganz praktisch an, auf dem Schreibtisch: lokale Sprachmodelle. Da läuft gerade eine Diskussion über Inferenz-Technik, die ich richtig gut fand, weil sie mal aufräumt. Die Grundidee: Die meisten Arbeiten zur Inferenz-Optimierung bewegen sich nur entlang der Latenz-Durchsatz-Kurve. Batching, Parallelität, Quantisierung – das alles bedeutet: Du bestimmst einen Punkt auf einer existierenden Grenzkurve, aber du verschiebst sie nicht.

Lena Vogel: Zehn Prozent mehr Durchsatz bedeutet irgendwo zehn Prozent mehr Latenz, irgendwo.

Felix Hartmann: Und die zweite Kategorie – das ist der interessantere Teil – sind Dinge, die die Kurve tatsächlich nach außen schieben. Kernel-Optimierungen, Speculative Decoding, Prefill-Decode-Disaggregation, also P/D-Separation, wo man die rechenintensive Bearbeitung des Eingabetexts und die eigentliche Token-Generierung auf unterschiedliche Maschinen verteilt. Das sind echte Fortschritte, kein Tauschhandel.

Lena Vogel: Und dieser Rahmen wird dann an einem konkreten Beispiel durchgespielt: jemand hat einen M4 Pro Mac mini mit 48 Gigabyte RAM und betreibt damit Qwen3.6-35B-A3B in 4-Bit-Quantisierung. Das Modell belegt rund 20 Gigabyte Arbeitsspeicher – und das Schöne am Mixture-of-Experts-Design: pro Token werden nur etwa 3 Milliarden Parameter aktiviert, obwohl das Modell insgesamt 35 Milliarden hat.

Felix Hartmann: Was die Kommentatoren da interessant fanden: Die Motivation ist nicht Nostalgie oder Bastellust, sondern zwei sehr nüchterne Risiken von API-Diensten. Datenschutz – du weißt nie so genau, was mit deinen Nutzungsdaten passiert – und Kostenrisiko, also Preisänderungen und Kontosperren bei Anbietern, auf die man keinen Einfluss hat. Lokal laufen lassen ist dann eine Art Selbstversorgung.

Lena Vogel: Und die Diskussion über die Grenzen war ehrlich. Quantisierung auf 4 Bit kostet Qualität, das wurde nicht weggeredet. Und die Frage, wie gut ein Modell mit nur 3 Milliarden aktiven Parametern pro Token wirklich ist, blieb teilweise offen – die Meinungen dazu gingen auseinander. Manche sagen, für viele Alltagssaufgaben reicht es völlig, andere bestehen darauf, dass man das aktiv-geteilte Design bei komplexen Aufgaben merkt.

Felix Hartmann: Und dann kam dazu noch ein zweiter Ansatz, der fast dasselbe Problem anders löst: slotstream. Die Idee ist, dass ein 104-Gigabyte-MoE-Modell gar nicht komplett in den Arbeitsspeicher muss. Die Experten – also die spezialisierten Teile des Modells – werden bei Bedarf direkt von der SSD gestreamt. Ergebnis: dasselbe 48-Gigabyte-Mac-Setup, nur mit einem viel größeren Modell, bei etwa 12 Tokens pro Sekunde.

Lena Vogel: Das ist clever, weil moderne SSDs extrem schnell sind und man pro Token sowieso nur einen Bruchteil des Modells braucht. Aber die Diskussion wurde da auch kritisch. Mehrere Kommentatoren wiesen darauf hin, dass es sehr ähnliche bestehende Implementierungen gibt, und die Einordnung von slotstream gegenüber diesen Vorläufern wurde hinterfragt. Wie neu ist das wirklich, und wie sauber war die Vergleichsbasis?

Felix Hartmann: Die offene Frage in dem Thread war dann eigentlich die nächste Diskussion wert: Was bringt noch Locality? Also – wenn Modelle größer werden und Effizienztricks immer aggressiver werden, wo endet dann der Sinn davon, überhaupt lokal zu rechnen? Ein paar Stimmen meinten, bei so kleinen Datensätzen und Testaufgaben gewinnt man durch noch mehr lokale Optimierung irgendwann nichts mehr.

Felix Hartmann: Das blieb unaufgelöst, und ich glaube, das ist ehrlich gesagt die richtige Schlussfolgerung: Es ist ein offenes Forschungs- und Praxisfeld.

Lena Vogel: Und von lokaler Inferenz – also „was kann ein Modell eigentlich wirklich“ – kommt man fast nahtlos zu unserer zweiten großen Geschichte: was KI-Systeme heute tatsächlich können und wie mit ihren Fähigkeiten umgegangen wird, wenn sie unbequem werden.

Felix Hartmann: Der vielleicht wichtigste Post des Tages: OpenAI hat das Modell Astra nach seinem eigenen Preparedness-Framework als „Critical“ eingestuft – und zwar speziell für Cybersecurity. Derentsprechende Benchmark, ExploitBench: 100 Prozent. Das Modell löst also sämtliche Aufgaben in diesem Ausnutzungs-Benchmark.

Lena Vogel: Die Reaktion ist das eigentlich Bemerkenswerte: OpenAI verschiebt die weitere Entwicklung und den Release, um die Schutzeinrichtungen zu verstärken. Also nicht „wir bauen es fertig und schauen dann“, sondern „wir halten an, bis die Sicherheitsmaßnahmen nachziehen“.

Felix Hartmann: Und die Kommentare haben da gespalten reagiert, was ich durchaus fair fand. Ein Teil sagt: Das ist genau das, wofür ein Preparedness-Framework da ist – man definiert Schwellen vorher, und wenn man sie erreicht, handelt man auch danach. Andere fragen skeptisch: Wie belastbar ist ein interner Benchmark wie ExploitBench, und wer überprüft die 100 Prozent?

Felix Hartmann: „Critical“ einzustufen ist auch eine Kommunikation – die Frage ist, ob diese Kommunikation am Ende mehr Bewertungen als Sicherheitsversprechen enthält. Das wurde nicht geklärt.

Lena Vogel: Parallel dazu etwas komplett anderes: World Labs hat Atlas veröffentlicht, ein Omni-Modell – also ein Weltmodell, das Text, Bild, Video und 3D in einem System verarbeitet. Konkret: kameragesteuerte Videogenerierung in 1440p für bis zu einer Minute, und 3D-Rekonstruktion aus nur wenigen Bildern.

Felix Hartmann: Die Debatte dazu kreiste darum, was „Weltmodell“ hier eigentlich heißt. Ist das eine echte räumliche, physikalische Repräsentation – oder ein sehr, sehr guter Video-Generator, dem man 3D-Fähigkeiten übergestülpt hat? Beide Positionen waren im Thread vertreten, und die Frage, ob man aus einem einminütigen 1440p-Clip wirklich auf ein robustes Weltverständnis schließen kann, blieb offen.

Lena Vogel: Und dann noch ein dritter Datenpunkt, der das Thema „was können kleine Modelle eigentlich“ nochmal umdreht: Ein kleiner Transformer wurde in 1,5 Stunden Training trainiert – Kosten: 67 Cent – und erreicht damit 44 Prozent auf ARC-AGI-1. Zum Vergleich: Das ist ein Niveau, mit dem viele große LLMs mithalten, teilweise sogar dahinter.

Felix Hartmann: Der Schlüssel war laut dem Post nicht schiere Größe, sondern Test-Time-Training – also Lernen zur Inferenzzeit – plus eine Form von Supervision, eine „Verschulung“ des Problems. Und die HN-Kommentare waren begeistert und skeptisch zugleich. Begeistert, weil das zeigt: Die Benchmarks, auf die sich große Labs so stützen, sind möglicherweise nicht so ausgewiesen, wie sie scheinen.

Felix Hartmann: Skeptisch, weil genau diese Techniken – Testzeittraining, aufwendiges Feintuning – nicht einfach auf beliebige Probleme übertragbar sind. Die Frage, wie repräsentativ ARC-AGI-1 wirklich ist, blieb auch hier unbeantwortet.

Lena Vogel: Und von Fähigkeiten und „Critical“-Einstufungen direkt weiter in die dritte große Diskussion: wie es um die Branche wirtschaftlich eigentlich steht. Und da gibt es zwei sehr unterschiedliche Erzählungen.

Felix Hartmann: Die erste ist Dan Luus Analyse zu Ed Zitrons KI-Pessimismus. Luu argumentiert, Zitrons Vorhersagen treffen immer wieder nicht ein. Konkret: Meta, Google und Microsoft – die Firmen, deren KI-Ausgaben Zitron als Blase darstellt – wachsen bei Umsatz und Gewinn. Das sei schlicht unvereinbar mit der Behauptung, diese Firmen würden „verfallen“ oder übernehmen.

Lena Vogel: Die Kommentare dazu waren typisch HN: Manche stimmten zu – wenn die Zahlen so sind, dann ist die Erzählung einfach widerlegt. Andere haben pushback geleistet: Umsatz und Gewinn heute sagten nichts über die Kapitalrendite auf die KI-Investitionen von morgen aus, und ein Teil der Gewinne sei vielleicht unabhängig vom KI-Hype. Wieder andere wiesen darauf hin, dass sich „Zitron hat Unrecht“ und „alles ist gut“ nicht dasselbe sind – man kann Pessimismus zurückweisen, ohne Optimismus zu belegen.

Lena Vogel: Die Diskussion blieb produktiv, aber unentschieden.

Felix Hartmann: Und das Gegenstück dazu: der Dwarf-Fortress-Autor, der sagt, die Spielebranche sei in einem Kollaps-Zustand – und zwar durch KI und durch Layoffs gleichzeitig. Sein pointiertes Bild: Die CEOs wollen nicht entlassen, sie wollen den „Spielgenerierungs-Knopf drücken“.

Lena Vogel: Das ist natürlich provokant formuliert, und genau darüber wurde dann diskutiert. Auf HN ging es teilweise um Gewinnmargen – also: Wenn der Gaming-Markt ohnehin dünn ist, ist der Anreiz, das Personal durch KI zu ersetzen, besonders hoch? Und teilweise um die Frage, ob „Collaps“ die richtige Diagnose ist oder ob es eher ein Strukturwandel mit Verlierern ist, den man so nicht nennen sollte. Es war weniger eine Einigung als eine Auseinandersetzung über die richtige Sprache für denselben Befund.

Felix Hartmann: Was ich gut fand: Die Beiträge haben nicht behauptet, KI sei in der Spielebranche schon überall am Werk. Es ging viel mehr um Erwartungen und Druck von oben – von CEOs, die hoffen, dass ein Knopfdruck das Problem Personal löst. Das ist eine andere, vielleicht realistischere Warnung.

Lena Vogel: Und das führt uns zu unserem nächsten Thema: KI-Content im Netz – und wer ihn blockt. Der erste Teil davon ist herrlich konkret: Weedout, eine Safari-Erweiterung für 1,99 Dollar, die YouTube-Videos mit dem Label „Made with AI“ automatisch ausblendet.

Felix Hartmann: Die Details sind wichtig: Sie läuft komplett lokal, es geht also nichts an einen Drittanbieter. Und sie hat eine bewusste Grenze: Sie erkennt nur, was YouTube selbst als KI-generiert markiert hat. Unmarkierte KI-Inhalte rutschen durch. Das wurde im Thread als charakteristisch für das ganze Problemfeld diskutiert: Wir verlassen uns auf die Plattformen, zu deklarieren, was KI ist – und wenn die Deklaration fehlt, ist der Filter blind.

Lena Vogel: Die Kommentare dazu waren eine Mischung aus „endlich jemand, der das Problem angeht“ und „das ist ein Pflaster auf einem viel tieferen Riss“. Ein paar Nutzer haben von ihren eigenen Erfahrungen mit KI-Content auf YouTube erzählt – dass der Anteil dort spürbar gestiegen sei. Und einige haben argumentiert, dass ein bezahltes Tool, das auf Plattform-Metadaten setzt, symptomatisch ist: Wir bauen Filter auf Signalen, die vomjenigen stammen, dessen Inhalt wir eigentlich filtern wollen.

Felix Hartmann: Ganz ähnlich, nur auf einer anderen Ebene: Mozilla hat für Firefox auf iOS einen eingebauten Werbeblocker eingeführt. Technisch basiert das auf WebKit-Content-Blockern und EasyList. Wichtig: standardmäßig aus, und schrittweise ausgerollt – es ist also noch nicht bei allen Nutzern angekommen.

Lena Vogel: Warum das bemerkenswert ist: Apple lässt auf iOS nur WebKit zu, und die Content-Blocker-API war bisher der einzige saubere Weg, Werbung zu blocken. Dass Mozilla das jetzt direkt in den Browser integriert, ist ein Schritt, den man lange für unwahrscheinlich gehalten hätte, weil Mozilla ja selbst von Werbung abhängig ist.

Felix Hartmann: Und genau da saß die Diskussion an: Einige Kommentatoren haben sich gefreut – Nutzer wählen es ja selbst. Andere haben auf die Spannung hingewiesen: Mozilla verdient Geld mit Werbung und Werbung-Infrastruktur, und gleichzeitig baut man einen Werbeblocker. Wie das zusammenpassen soll, ob das strategisch klug ist oder eine Kapitulation vor dem Markt, blieb offen.

Lena Vogel: Und das führt uns direkt zum dritten Teil dieses Themenblocks: Firefox selbst. Da gab es ein Plädoyer, das im Kern lautete: Firefox ist die letzte Bastion der Browser-Engine-Vielfalt – wenn Firefox fällt, ist es nur noch Chromium und Safari, und dann bestimmt im Grunde Google den Standard.

Felix Hartmann: Das Argument ist politisch-ökonomisch, nicht technisch: Monokulturen in Infrastruktur sind gefährlich, egal wie gut das Produkt ist. Die Antwort im Thread fiel aber deutlich kritischer aus. Die Gegenargumente: hoher Speicherverbrauch, Unzufriedenheit mit der User Experience, und ein sinkender Marktanteil, der die ganze „Bastion“-Erzählung ohnehin relativiert – eine Bastion, die schrumpft, verteidigt immer weniger.

Felix Hartmann: Und dann noch die Meta-Ebene: Manche Kommentatoren fragten, ob Mozilla die letzten Jahre richtig entschieden hat. Wenn die Organisation selbst schwächelt, hilft dann die strategische Erzählung „Engine-Vielfalt“ überhaupt noch?

Lena Vogel: Es war eine der ausgewogeneren Diskussionen des Tages – beide Seiten hatten starke Argumente, und niemand hat behauptet, es gäbe eine einfache Antwort. Klar ist nur: Die Frage „Was passiert, wenn Firefox nicht mehr relevant ist“ wird realer, nicht unwirklicher.

Felix Hartmann: Und von der Browser-Debatte – also von Plattform-Macht im großen Stil – ist der Schritt zu App-Stores als Gatekeeper nur logisch. Da gab es zwei Fälle, die ein sehr ähnliches Muster zeigen.

Lena Vogel: Der erste: Google Play hat Aurora Store gesperrt, zumindest die anonymen Downloads. Aurora Store ist ja ein alternativer Client für den Play Store, und der eingebaute Account-Pool – also die geteilten Anonym-Accounts, über die die Downloads laufen – wurde offenbar markiert. Damit ist der Kernmechanismus der App außer Kraft gesetzt.

Felix Hartmann: Was den Thread besonders gemacht hat, war eine Klarstellung, die einige Nutzer überrascht hat: GrapheneOS – also das Android-Datenschutz-Projekt, das man vielleicht als natürlichen Verbündeten von Aurora erwarten würde – empfiehlt tatsächlich den offiziellen Play Store statt Aurora. Begründung ist unter anderem, dass die Android-Sandbox und die Play-Integrity-Infrastruktur über den offiziellen Client besser funktionieren.

Felix Hartmann: Das hat die Diskussion entzweit: Einige sahen darin eine vernünftige, pragmatische Einschätzung, andere empfanden es als Verrat an der Open-Source-Alternativ-Idee.

Lena Vogel: Der zweite Fall ist noch greifbarer: AnkiDroid, die Open-Source-Spaced-Repetition-App, ist von Google Play abgelehnt worden – mit dem Verweis auf einen Spendenlink zu Open Collective. Google interpretiert das offenbar so, dass dieser Link gegen die Richtlinien verstößt, und die Debatte im Thread kreiste um die korrekte Interpretation der 501(c)(6)-Regel – also welche Art von Organisation überhaupt als Empfänger von Spenden-Links zugelassen ist.

Felix Hartmann: Und jetzt kommt der harte Teil: Die Löschung ist für den 11. September angekündigt. Also keine drohende Abmahnung, sondern ein konkretes Datum. Die Kommentatoren haben das als Symptom eines größeren Problems gelesen: Plattformregeln sind nicht neutral, sie werden von einer einzigen Instanz ausgelegt und durchgesetzt, und es gibt keinen unabhängigen Schlichtungsmechanismus.

Felix Hartmann: Ein paar Stimmen haben angemerkt, dass AnkiDroid als jahrelang etablierte, gemeinnützig orientierte App ein besonders ungünstiger Kandidat für so eine Maßnahme ist – wenn das passiert, kann es jeder App passieren.

Lena Vogel: Und von Plattform-Konflikten mit voller Machtausübung direkt weiter zu rechtlichen Auseinandersetzungen, in denen ebenfalls viel auf dem Spiel steht – nur vor Gericht statt im App-Store.

Felix Hartmann: Der erste Fall ist der Prozess Apple gegen OpenAI. Dort argumentieren Apples Anwälte jetzt auf Basis einer Begutachtung des MacBooks eines ehemaligen Mitarbeiters: Es gebe Hinweise, dass vertrauliche Schaltpläne vom Firmen-Gerät mitgenommen und genutzt wurden, und dass es Anweisungen zur Beweisvernichtung gegeben habe. Apple fordert deshalb eine beschleunigte Beweisoffenlegung – also schnelleren Zugang zu Unterlagen, bevor möglicherweise weiteres Material verschwindet.

Lena Vogel: Die HN-Diskussion dazu war vorsichtig, und das war gut so. Die Kommentare haben betont, das sind bislang Behauptungen einer Partei in einem laufenden Verfahren – nichts davon ist gerichtlich festgestellt. Gleichzeitig wurde die strategische Bedeutung anerkannt: Wenn die Vorwürfe stimmen, ist das nicht nur ein Schaden für OpenAI, sondern auch ein Indiz dafür, wie sensibel Apple den Fall nimmt. Die offenen Fragen: Was genau wurde wann getan, und ob die beschleunigte Offenlegung bewilligt wird.

Lena Vogel: Das müssen die Gerichte klären.

Felix Hartmann: Der zweite Fall ist zivilrechtlich weniger dramatisch, aber inhaltlich beunruhigender: Das FBI untersucht einen Darknet-Dienst namens Nexus, über den über 153 Millionen Führerschein-Scans aus den USA und Kanada verkauft wurden. Die Herkunft wird auf eine Hacking-Attacke auf eine Identity-Verification-Firma in Louisiana zurückgeführt. Und was fast noch schlimmer ist: Der Dienst wächst weiter, mit fast 400.000 neuen Einträgen pro Tag.

Lena Vogel: Die Diskussion dort war weniger juristisch als praktisch. Ein paar Punkte, die im Thread auftauchten: Was bedeutet das für alle, deren Daten da drin sind? Eine Identity-Verification-Firma ist per Definition eine Stelle, bei der man seine Dokumente hinterlegen muss, um irgendetwas zu verifizieren. Wenn die kompromittiert wird, ist das nicht wie ein Leak von Passwörtern, die man ändern kann – Führerschein-Scans kann man nicht rotieren.

Lena Vogel: Und die zweite Frage: Wie kann ein Dienst wie Nexus so lange und in diesem Umfang operieren, ohne zerschlagen zu werden? Das blieb unbeantwortet.

Felix Hartmann: Und von Datenlecks und Geheimnissen – also von Dingen, die irgendwo auf Servern liegen – kommen wir zu einem eher handmade Thema: Werkzeuge und Hardware. Da gibt es heute drei Geschichten, die ganz unterschiedlich gut waren.

Lena Vogel: Die erste ist eine Entdeckung von Simon Willison: In den Desktop-Apps von ChatGPT und Codex steckt eine vollständige LibreOffice-Installation – die Headless-Version allein ist etwa 430 Megabyte – plus Python, Node und git. Insgesamt rund 1,7 Gigabyte.

Felix Hartmann: Und das ist interessant, weil es etwas über die Architektur verrät. LibreOffice Headless bedeutet offenbar: OpenAI nutzt es, um Office-Dokumente zu verarbeiten oder zu erzeugen, ohne die GUI zu starten. Python, Node und git sind Klassiker für Codeausführung und Agenten-Workflows.

Felix Hartmann: Die Kommentare in dem Thread waren eine Mischung aus „das ist völlig normal, so baut man Coding-Agenten“ und „es ist trotzdem bemerkenswert, dass das dem Nutzer nicht kommuniziert wird – 1,7 Gigabyte sind kein Pappenstiel“. Es gab auch ein paar kritische Fragen zur Transparenz: Warum erfährt man sowas durchs Herumgraben und nicht durch die Release Notes?

Lena Vogel: Die zweite Geschichte ist ein klassischer Retro-Computing-Traum: Ein Autor hat ein Tektronix TDS7104-Oszilloskop mit 1 GHz Bandbreite für 300 Dollar gekauft. Neupreis laut Liste: rund 24.490 Dollar. Und er hat es zum Laufen gebracht – inklusive Windows-2000-Neuinstallation und Reaktivierung der Lizenzen.

Felix Hartmann: Der Thread war ein Fest. Die Kommentare waren voll von ersten Hand-Erfahrungen mit alten Tektronix-Geräten, mit Windows-2000-Frust und -Nostalgie, und mit Diskussionen darüber, warum so ein Gerät – das 2004-ish High-End war – heute für einen Bruchteil des Neupreises zu haben ist. Ein paar Leute haben auch angemerkt, dass so ein_scope sogar heute noch für Hobby-Projekte völlig ausreicht, und dass Lizenz- und Kalibrier-Fragen der eigentliche Hakt sind.

Felix Hartmann: Es war die vielleicht entspannteste Diskussion des Tages.

Lena Vogel: Und die dritte ist wieder technisch anspruchsvoll: Turso hat io_uring getestet. Konkret: Read-Ahead schafft es, Geräteanfragen zu etwa einem Zwölftel zusammenzufassen. Das ist eine massive Reduktion. Auf der anderen Seite: sqpoll, die Kernel-Polling-Option, frisst 65 Prozent CPU – man kauft sich also Geschwindigkeit mit Prozessorzeit. Und Syscalls profitieren zusätzlich vom Cache.

Felix Hartmann: Die Kommentare haben das Einordnung gegeben: io_uring ist ein mächtiges, aber fummeliges Interface, und die Ergebnisse zeigen schön, dass „schneller“ nicht gleichbedeutend ist mit „kostenlos“. Die Debatte war eher kolloquial als kontrovers – viele Leute haben eigene io_uring-Erfahrungen geteilt und darüber diskutiert, wann sich der Aufwand lohnt und wann man besser bei klassischen Schnittstellen bleibt.

Felix Hartmann: Die offene Frage war, ob die 65 Prozent CPU bei sqpoll in produktiven Szenarien verschmerzbar wären – dafür fehlen in dem Post die Workloads.

Felix Hartmann: Und von Werkzeugen und Hardware zu unserer letzten Runde: Roboter, Karten und ein paar Kurzmeldungen. Ich fang mit dem an, was die emotionalste Reaktion ausgelöst hat: Nori Robotics hat einen doppelarmigen mobilen Roboter für 1688 Dollar vorgestellt – 19 Freiheitsgrade, entwickelt in San Francisco, und die Vision ist ein Skill-Sharing-Konzept, also dass Roboter Fähigkeiten untereinander teilen.

Lena Vogel: Und hier war die Skepsis auf HN deutlich. Mehrere Kommentatoren haben offen gefragt, ob die gezeigten Fähigkeiten eher Inszenierung als Funktion sind – also ein kuratiertes Video, das besser aussieht als die reale Robustheit. Das ist ein bekanntes Muster bei Robotervideos, und deshalb ist die Zurückhaltung berechtigt.

Lena Vogel: Auf der anderen Seite haben manche argumentiert, dass der Preis von 1688 Dollar selbst schon eine消息 wert ist, weil das eine Größenordnung ist, die Hobbyisten und kleine Labs erreichen können – unabhängig davon, wie gut der Roboter heute wirklich ist. Ob die Fähigkeiten halten, was das Marketing verspricht, ist die offene Frage.

Felix Hartmann: Dann etwas Nützliches zum Durchklicken: die Movie Scene Map. Die basiert auf Wikidata und bietet kostenlos Drehort-Daten – 166 Länder, 15.535 Orte, 13.312 Werke, und die Daten gibt es auch als GeoJSON und CSV.

Lena Vogel: Das ist so ein Projekt, das auf den ersten Blick ein Spielzeug ist, aber auf den zweiten Blick ziemlich wertvoll, wenn man Forschung, Journalismus oder Trip-Planning macht. Die Kommentare haben sich weniger gestritten als ergänzt – Leute haben diskutiert, wie sauber die Wikidata-Abdeckung eigentlich ist, wo Lücken sind, und wie man sowas erweitern könnte. Ein paar Nutzer haben eigene Erfahrungen mit Wikidata-Abfragen geteilt und die Datenqualität in bestimmten Regionen diskutiert.

Felix Hartmann: Dann noch eine Design-Sache: Ambient CSS v3, das Schatten physikalisch aus Lichtquellen-Definitionen generiert – kalibriert mit Blender-Raytracing. Also nicht mehr „hier ein Box-Shadow, der ungefähr gut aussieht“, sondern: Definiere die Lichtsituation, und die Schatten folgen daraus.

Lena Vogel: Die Kritik im Thread kam weniger von der Physik als von der Bedienung: Die Knob-UI – also die ganzen Regler und Optionen – wurde als überladen empfunden, und auf Mobilgeräten gab es laut Kommentatoren Probleme.

Lena Vogel: Interessante Diskussion darüber, wie viel physikalische Korrektheit man im Web eigentlich braucht: Manche meinten, das ist genau die Art Übergenauigkeit, die Design-Tools oft verlieren, wenn sie zu viel Wissenschaft reinholen; andere fanden, das ist der richtige Weg, nur halt noch nicht ausgereift genug in der UX.

Felix Hartmann: Kurz noch zwei Leute-Geschichten, dann sind wir durch. Martin von Zweigbergk – der Hauptentwickler hinter Jujutsu, dem Versionskontrollsystem – hat Google verlassen und ist jetzt CTO bei ERSC. Ziel ist offenbar eine Erneuerung des serverseitigen Storings. Und wichtig für die Community: Jujutsu bleibt OSS und wird weiterentwickelt.

Lena Vogel: Die Kommentare haben das meist als gute Nachricht gelesen – ein erfahrener Entwickler macht was Neues, und das bestehende Projekt wird nicht liegen gelassen. Es gab ein paar Fragen, wie die Pflege von jj ohne ihn im Alltag funktionieren wird, aber die Stimmung war eher zuversichtlich als besorgt.

Felix Hartmann: Und dann noch die HN-„Who is hiring?“-Runde für September 2026. Unter den Postings waren unter anderem Modash, Quill und Smarkets. Und wie immer in diesen Threads gab es Meta-Diskussion: Ein paar Nutzer haben darauf hingewiesen, dass die Angabe von Remote-Bedingungen und Gehältern sehr unterschiedlich gehandhabt wird – manche Stellenanzeigen geben beides klar an, andere lassen es weg, und genau diese Lücke wird immer wieder kritisiert.

Lena Vogel: Und damit sind wir fast am Ende. Was ich an diesem Tag wirklich mitgenommen habe, ist die Frage, die Felix am Anfang aufgemacht hat und die sich durch fast jede Diskussion gezogen hat: Wie viel Substanz, wie viel Optimierung, wie viel Marketing?

Felix Hartmann: Bei slotstream war das eine echte technische Frage – wie viel von der Leistung ist neu? Bei Nori Robotics war es eine Frage der Inszenierung – sieht der Roboter besser aus, als er ist? Bei Dan Luu und Ed Zitron war es eine Frage der Finanzrealität – was sagen Umsatz und Gewinn wirklich aus? Und bei Astra war es fast philosophisch – was bedeutet es, wenn ein Modell als „Critical“ eingestuft wird und die Veröffentlichung gestoppt wird?

Lena Vogel: Und die Antwort des Tages ist: Man muss immer einzeln hinschauen. Manchmal ist die Funktion echt und das Marketing nur laut. Manchmal ist das Marketing echt und die Funktion dünn. Und manchmal – wie bei einem Oszilloskop für 300 Dollar – ist die Wahrheit einfach: alter Preis, alte Hardware, neue Freude am Basteln.

Felix Hartmann: Genau so ist es. Danke fürs Zuhören, wir sehen uns beim nächsten Mal.