0921 | KI, Macht und offene Systeme

Lena Vogel: Hallo und willkommen zurück bei unserem Hacker-News-Podcast! Ich bin Lena Vogel.

Felix Hartmann: Und ich Felix Hartmann. Heute schauen wir uns die Diskussionen der letzten 24 Stunden an, und das Verbindende ist eigentlich ziemlich offensichtlich: überall, wo wir hinschauen, geht es um Glaubwürdigkeit – von offener KI-Software über die Frage, ob KI-Modelle überhaupt denken, bis zu Snowden-Archiven, die langsam versanden.

Lena Vogel: Genau, und wir fangen heute mit der offenen KI an, weil da tatsächlich einiges passiert ist. Also los.

Felix Hartmann: Der vielleicht größte Aufschlag der letzten Tage: Google hat AX veröffentlicht. Das ist ein Orchestrator für KI-Agenten, komplett open source unter Apache 2.0. Man definiert Agenten in YAML, also nicht in Code, sondern in Konfiguration, und Google sagt, das Ding soll auf Milliarden von Aufgaben in Sandboxes skaliert werden.

Lena Vogel: Milliarden ist natürlich eine sehr kühne Zahl. Und in den Diskussionen war die Skepsis entsprechend groß. Was bedeutet "skaliert auf Milliarden Aufgaben" konkret? Wer betreibt das? Google selbst für seine internen Workloads, oder ist das eher eine Ankündigung für externe Nutzer? Das blieb ziemlich offen. Was aber viele anerkannt haben: Die Wahl von YAML statt Code ist ein echtes Statement.

Lena Vogel: Das hält Agenten-Definitionen deklarativ, nachvollziehbar, versionierbar – und verhindert, dass sich jeder sein eigenes, undurchsichtiges Framework bastelt.

Felix Hartmann: Und Apache 2.0 ist die liberale Lizenz, keine Copyleft-Falle. Also: Das ist eine offizielle Vorlage, an der man sich auch kommerziell orientieren kann. Die Frage, die diskutiert wurde: Kommt da jetzt endlich Standardisierung in eine Branche, die sonst aus tausend incompatible Agent-Frameworks besteht, oder ist das einfach nur der neueste Versuch eines Konzerns, den Standard zu besetzen?

Lena Vogel: Und dann, fast zeitgleich, zwei offene Modell-Releases, die genau in dieses Bild passen. Alibaba hat Qwen Image 2.1 rausgebracht, ein Text-zu-Bild-Modell mit nur 7 Milliarden Parametern.

Felix Hartmann: Was bei Qwen Image 2.1 besonders aufgefallen ist: Auf Hacker News war die Stimmung eher so, dass lokale Bildgenerierung inzwischen mehr Interesse weckt als lokale Codegenerierung. Das ist eine bemerkenswerte Verschiebung. Vor einem Jahr war die Debatte ja "Wer hostet Code-Modelle lokal?", und jetzt ist es das Bild-Modell, das die Leute als richtiges Open-Source-Fähigkeit feiern.

Lena Vogel: Und dann noch Step 5 Preview von StepFun. Das ist ein MoE-Modell mit 600 Milliarden Parametern, aber nur 27 Milliarden davon pro Token aktiv, Kontextfenster von einer Million Tokens, und die offenen Gewichte sollen am 15. Oktober kommen.

Felix Hartmann: Das Detail, das alle diskutiert haben, ist aber eigentlich das andere: Die Nummer 4 fehlt. Step 5 nach Step 3, die 4 wurde übersprungen, angeblich aus Aberglaube. Tetraphobie – die Vier klingt auf Chinesisch wie "Tod". Viele fanden das witzig, manche harmlos, aber es gibt auch schon die kritische Frage: Wenn ein Labor so etwas offen auslebt, wie viel superstition steckt dann sonst noch in den Release-Entscheidungen?

Lena Vogel: Das Spannende an dem ganzen Themenblock ist aber, dass die eigentliche offene Frage nicht "Wie groß ist das Modell?" ist, sondern: Wie stabil sind die in Produktion? 600 Milliarden Parameter und eine Million Kontext klingt toll im Benchmark, aber wie verhält sich das bei echten, langen Aufgaben über Stunden? Und bei AX: überlebt ein YAML-Agent den ersten echten Fehlerfall? Da hat die Community schlicht noch keine Daten. Und das bringt uns direkt zum nächsten Thema, das genau da ansetzt.

Felix Hartmann: Ja, und da sind wir bei einem Beitrag von Mcfunley, der ziemlich harsch ist: Prompts sind nicht der Punkt. Sein Argument: In Produktionssystemen ist die eigentliche Arbeit nicht, den perfekten Prompt zu schreiben, sondern massive Auswertung. Das Stichwort ist pass^k – man testet dieselbe Aufgabe k-mal und schaut, wie oft es durchläuft, weil LLMs nicht dramatisch scheitern, sondern subtil.

Felix Hartmann: Sie lassen eine Bedingung weg, sie formulieren etwas leicht falsch, und genau das erzeugt dann in Produktion die echten Probleme.

Lena Vogel: Und das ist eine interessante Verschiebung der Debatte, denn die ganze Prompt-Engineering-Kultur – "hier ist der Magische Satz" – impliziert ja, dass man das Problem einmal lösen und dann abhaken kann. Mcfunley sagt: nein, es ist Software-Engineering, es braucht Tests, Regressionen, kontinuierliche Auswertung. Und die Leute, die echte Agenten in Produktion betreiben, haben das in der Regel bestätigt.

Felix Hartmann: Was das schön konkret macht: Es gibt diesen Gist, in dem jemand ein Modell namens Laya – BERT-artig, quasi System-1-Denken, kein LLM – offline per CoreML auf einem Mac M4 laufen lässt und damit das Spiel Snake steuert. Setup-Zeit: etwa zwei Minuten. Kein Cloud-Dienst, keine Latenz, alles lokal.

Lena Vogel: Und dazu passt noch ein Absurdität des Tages: jevchat. Jemand hat Jev genommen, ein Modell, das nur ein einzelnes Token vorhersagt, und daraus einen Chatbot gebaut, der Zeichen für Zeichen abfragt. Das Ergebnis ist furchtbar langsam und zum Totlachen. Aber es ist auch eine Art Grenzfall-Demonstration: Ein Chat ist nichts Magisches, es ist Sampling über Zeit. Und genau diese Zerlegung zeigt, wie viel von der "Intelligenz" im Erlebnis liegt statt im Modell.

Felix Hartmann: Und da sind wir schon mitten im nächsten Thema, denn dazu gibt es einen scharfen Beitrag von Bjarnason. Er vergleicht LLMs mit dem Cold Reading von Mediums. Der Punkt: Wenn ein Medium vage genug formuliert, liest der Zuhörer Präzision hinein, die gar nicht da ist. Bjarnason sagt: Beim LLM läuft es genauso – der Eindruck von Intelligenz entsteht im Kopf des Nutzers, nicht im Modell als echtes Reasoning.

Lena Vogel: Und das war die zentrale Streitfrage in den Diskussionen: Stimmt das? Die einen sagen, genau so fühlt es sich an, wenn man Zuschauern KI-Demos zeigt – die strahlen so viel Konfidenz aus, dass Leute Schärfe reininterpretieren. Die anderen sagen, das greift zu kurz: Modelle lösen konkrete Aufgaben verifizierbar, man kann Ausgaben testen, das ist kein Cold Reading.

Lena Vogel: Aber – und das ist die ehrliche unresolved question – der empirische Beweis, dass LLM-Reasoning wirklich über Illusion hinausgeht, fehlt beiden Seiten in dieser Diskussion schlicht.

Felix Hartmann: Und in genau diese Lücke passt ein Blogpost von Po-Shen Loh, den er auf Terence Taos Blog veröffentlicht hat. Loh ist da deutlich ambitionierter: Er sagt, KI wird Mathematik lösen, das sei fast sicher. Sein Axiom lautet: "Der Menschheit helfen zu blühen". Und dann rechnet er vor, dass dieses Axiom angeblich mehr menschliche Jobs schaffen wird, als es Menschen gibt.

Lena Vogel: Und genau da war die Skepsis riesig. Das ist eine Ambitionsrechnung – wunderschön formuliert, aber unbelegt. Woher kommen die Jobs? Welche Zeithorizonte? Was ist, wenn die Nachfrage einfach nicht dort entsteht, wo die Menschen stehen? In den Kommentaren wurde das eher als Message an politische Entscheider gelesen als als ökonomische Analyse. Es ist ein Ziel, keine Prognose.

Felix Hartmann: Aber es zeigt die Spannung im Feld: Auf der einen Seite Bjarnason mit "alles Illusion", auf der anderen Loh mit "KI löst Mathematik und schafft unendlich Jobs". Die Wahrheit liegt irgendwo dazwischen – und die Debatte hat das ehrlicherweise nicht aufgelöst.

Lena Vogel: Bleiben wir einen Moment bei dieser Spannung, denn sie hat noch eine andere Dimension, und zwar eine ziemlich grundsätzliche: Was passiert, wenn Maschinen das freie Teilen von Inhalten kaputt machen? Es gibt einen Beitrag, der genau das thematisiert: KI zerstört das Gleichgewicht von Creative Commons.

Felix Hartmann: Das Argument ist einfach, aber folgenreich. Creative Commons funktioniert, weil Teilen ein fairer Tausch ist: Ich gebe frei, ich bekomme Sichtbarkeit, Attribution, Rückverlinkung. Aber LLMs konsumieren jetzt alle Inhalte komplett – ohne die Lizenz zu respektieren, ohne Attribution, ohne Rückfluss. Das Ergebnis: Teilen hört auf, sicher zu sein.

Lena Vogel: Das ist eigentlich die unangenehmste Konsequenz des ganzen KI-Booms, die bisher kaum jemand richtig thematisiert hat. Denn das freie Netz lebt von diesem Vertrauen, dass "ich stelle was zur Verfügung" nicht bedeutet "ich lasse mich ausbeuten". Und in den Diskussionen war die Frage: Wie reagieren Communities? Es gab mehrere Optionen, aber keine wurde wirklich favorisiert. Lizenzänderungen – zum Beispiel explizite AI-Klauseln? Paywalls? Abschottung, also content nur noch hinter Logins?

Lena Vogel: Jede Option hat Nachteile, und keiner weiß, welche sich durchsetzt.

Felix Hartmann: Was auch bedeutet: Das Grundmodell des offenen Webs – das ja paradoxerweise auch die Grundlage für alles ist, was wir gerade über offene KI-Modelle gesagt haben – steht auf dem Spiel. Ohne frei verfügbare Trainingsdaten kein offenes Modell. Und wenn Teilen unsicher wird, wird es weniger freie Daten. Es ist ein Kreislauf, und es war schön zu sehen, dass das in den Diskussionen als systemsicht erkannt wurde und nicht als单纯的 "LLM klauen" Jammer.

Lena Vogel: Genau, und dieser Konflikt – wer kontrolliert was, wer darf was – zieht sich noch weiter. Kommen wir zum Thema Überwachung, Zensur und Snowden.

Felix Hartmann: Fangen wir mit etwas sehr Konkretem: OpenAI hat – oder besser, es wurde entdeckt – dass es einen Cookie namens obi gibt, gesetzt auf bzr.openai.com. Der Cookie ist SameSite=None, läuft ein Jahr, und verbindet deinen ChatGPT-Account mit deiner Aktivität auf Werbe-Websites von Partnern.

Lena Vogel: SameSite=None heißt: Der Cookie wird auch gesendet, wenn die Anfrage von einer fremden Website kommt. Das ist die maximal trackbare Konfiguration. Die Diskussionen dazu waren entsprechend deutlich: Hier wird ein KI-Anbieter, der viele für neutral halten, zum Ad-Tech-Player. Und es ist ein weiterer Datenpunkt in einem Muster.

Felix Hartmann: Denn parallel dazu: Ein Substack-Beitrag argumentiert, dass die KI-Labs Washington existenzielle Panik-Narrative verkaufen – "die AGI kommt, reguliert nicht, wir müssen schnell sein". Und währenddessen zeigen die echten Leaks, die es gibt, deutlich banalere Ursachen: Firewall-Fehler beim Auftragnehmer Irregular. Also nicht Superintelligenz, sondern normale Sicherheitspanne eines Dienstleisters.

Lena Vogel: Und das ist eine wichtige Perspektive, denn sie zeigt: Die dramatische Erzählung ist Marketing, die Realität ist langweilig und technisch. Man kann beides gleichzeitig finden – KI hat reale Risiken, aber die Narrative, mit denen Politiker derzeit gearbeitet wird, sind nicht das gleiche wie die dokumentierten Probleme.

Felix Hartmann: Und dann Spanien: Archive.today und seine Spiegel wurden blockiert, und zwar auf Anordnung der Comisión de Propiedad Intelectual, also der Kommission für geistiges Eigentum – ohne vorheriges Gerichtsurteil.

Lena Vogel: Und das ist das eigentliche Problem. Es ist keine richterliche Entscheidung, sondern eine Verwaltungsanweisung. Das heißt: Eine Regierung kann Webseiten sperren, ohne dass ein Richter den Fall geprüft hat. In den Diskussionen wurde das als Warning gelesen – nicht unbedingt "das ist immer falsch", aber "das ist ein Präzedenzfall, der sehr leicht missbraucht werden kann".

Felix Hartmann: Und dann noch Snowden. Am 29. Mai 2019 wurde das letzte Dokument aus dem Snowden-Archiv veröffentlicht. The Intercept hat das Archiv im März 2019 geschlossen. Die Kopien existieren aber noch – bei Laura Poitras und bei Glenn Greenwald.

Lena Vogel: Das ist eine Art offenes Ende eines großen Kapitels. Neun Jahre ist das jetzt her, und die Frage, was mit den restlichen Kopien passiert, ist offen. Werden die noch mal geprüft, veröffentlicht, oder gehen sie in irgendein Archiv und verschwinden? In den Diskussionen herrschte eher Resignation als Empörung, weil die Zeit einfach vergangen ist. Aber es bleibt ein loses Ende in einer Geschichte, die eigentlich alles verloren hatte, was man verlieren konnte.

Felix Hartmann: Und das führt uns ganz natürlich zu einem anderen Bereich, wo der Staat eine Rolle spielt: Klima- und Industriepolitik.

Lena Vogel: Die EPA hat die CO2-Grenzwerte von 2024 für Kohle- und Gaskraftwerke widerrufen. Das ist die Regel, die – laut den damaligen Schätzungen – etwa 1,38 Milliarden Tonnen CO2 bis 2047 vermieden hätte. Jetzt ist sie weg.

Felix Hartmann: Und die Frage, die in den Diskussionen offen blieb und die eigentlich die zentrale ist: Warum ignoriert die Behörde die wissenschaftliche Grundlage? Es gibt keine überzeugende technische Begründung, es ist eine politische Entscheidung. Die Folgen für die US-Energiepolitik sind enorm, denn Kraftwerksbetreiber planen über Jahrzehnte. Wenn die Grenzwerte weg sind, verschieben sich Investitionsentscheidungen in Richtung Kohle und Gas, die sonst vielleicht in saubere Alternativen gegangen wären.

Lena Vogel: Und es passt in ein Muster, das sich durch die ganze heutige Episode zieht: Politische Entscheidungen ohne wissenschaftliche oder empirische Grundlage. Wir hatten es bei den KI-Panik-Narrativen, wir haben es bei der EPA. Der Unterschied ist nur der Bereich.

Felix Hartmann: Genau, und jetzt noch ein Bereich, wo der Staat eine ganz andere Rolle spielt: in der Nähe von Firmen. Wir haben hier drei Stories, die zusammen gehören, weil es um Ethik im Arbeitskontext geht.

Lena Vogel: Die erste ist Flock. Das sind die Leute, die Überwachungskameras für Kennzeichen herstellen, also automatische Kennzeichenerkennung im öffentlichen Raum. Die Berichte aus der Firma: Die Angestellten sind demoralisiert und reichen in größerer Zahl Kündigungen ein, weil die öffentliche Kritik an der Firma beidseitig ist – also von links und von rechts. Das ist ungewöhnlich, denn normalerweise hat eine kontroverse Firma eine loyalen Basis.

Felix Hartmann: Genau. Und das ist ein interessantes Signal: Wenn die Gesellschaft sich einig ist, dass eine Technologie problematisch ist, dann leidet auch die interne Moral, nicht nur das externe Image. Das ist ein Datenpunkt dafür, dass die Debatte um Überwachungstechnologie nicht mehr nur eine akademische oder aktivistische Frage ist, sondern in der Firmenwand spürbar wird.

Lena Vogel: Die zweite Story ist Elizabeth Warren, die ein Gesetz eingebracht hat, das Private Equity den Besitz von Arztpraxen verbieten soll. Und der Hintergrund ist tatsächlich dramatisch: Über 80 Prozent der Ärzte sind inzwischen von Konzernen angestellt, nicht mehr selbstständig.

Felix Hartmann: Das ist eine massive strukturelle Verschiebung in einem Bereich, der für die Gesundheit der Bevölkerung entscheidend ist. Und Warrens Argument ist: Wenn Private Equity eine Klinik übernimmt, ist das Ziel Rendite, nicht Patientenversorgung. In den Diskussionen war die Tendenz eher positiv – viele fanden, dass hier endlich jemand etwas gegen eine reale Fehlentwicklung unternehmen will. Aber es gab auch die kritische Frage: Verbieten reicht?

Felix Hartmann: Reicht das, oder muss man auch die Anreize ändern, die zu dieser Konsolidierung geführt haben?

Lena Vogel: Und die dritte Story ist die vielleicht surreale: ReadSG in Singapur. Das ist eine Initiative, die Leute dafür bezahlt, dass sie lesen. Etwa 0,02 Singapur-Dollar für 15 Minuten tägliche Lesezeit, eine Sitzung pro Tag. Und es gibt eine kollektive Meta: Das Ziel ist, insgesamt 7,5 Millionen Leseminuten zu erreichen, und dann werden bis zu 150.000 Dollar gespendet.

Felix Hartmann: Es ist ein Anti-Dopamin-Experiment. Man zahlt Leute dafür, dass sie nicht scrollen, sondern lesen. Und in den Diskussionen war die Frage: Funktioniert das? Oder ist es ein Gimmick, das Leute anzieht, die sowieso schon lesen, und die eigentliche Zielgruppe gar nicht erreicht? Das bleibt offen. Aber die Idee, Aufmerksamkeit als Ressource zu behandeln, die man aktiv schützen und fördern muss, ist interessant.

Lena Vogel: Und bei all diesen Stories – Flock, Warren, ReadSG – ist die offene Frage dieselbe: Greifen diese Eingriffe überhaupt? Wirkt ein Gesetz, wirkt eine öffentliche Empörung, wirkt eine Bezahlung? Wir wissen es nicht.

Felix Hartmann: Und das bringt uns zu einem Themenblock, der noch mal eine andere Ebene hat: Wirtschaft und Infrastruktur, konkret: Zerfall und Neuaufbau. Da sind vier Stories, die zusammen ein bemerkenswertes Bild ergeben.

Lena Vogel: Die erste ist eine, die eher tech-nostalgisch ist: Die byte-identische Dekompilierung von Resident Evil 4, der GameCube-Version, ist fertig. Das heißt: Man hat den Original-Binärcode rekonstruiert und kann jetzt exakt nachvollziehen, wie das Spiel aufgebaut war. Das ist ein echtes Engineering-Kunststück.

Felix Hartmann: Aber es gibt eine große Kontroverse: Die Dekompilierung nutzt eine Debug-Build mit Symbolen als Referenz, und in den Diskussionen wurde kritisiert, dass 644 Stellen als "COMPILER-DIFF"-Hacks markiert sind. Also Stellen, wo der dekompilierte Code nicht natürlich entstanden sein kann, sondern hand-angepasst wurde, um die byte-identische Übereinstimmung zu erreichen. Die einen sagen: Das ist Betrug, das ist keine echte Dekompilierung.

Felix Hartmann: Die anderen sagen: Das ist normal, so funktioniert Dekompilierung bei großen Titeln praktisch immer. Die Debatte ist nicht entschieden.

Lena Vogel: Die zweite Story ist Seldo, der auf ein Problem aufmerksam macht, das wir alle kennen: 60 Prozent der Open-Source-Maintainer sind unbezahlt. Sein Vorschlag: Man sollte Firmen an den Package-Registries zur Kasse bitten und einen Teil des Geldes an die Maintainer verteilen.

Felix Hartmann: Und in den Diskussionen war das erstaunlich unkontrovers als Problem anerkannt. Die Streitfragen waren eher im Detail: Wie funktioniert die Umsetzung? Welche Firmen zahlen wie viel? Wird das eine Steuer, die kleinere Startups killt, während Google sich das leisten kann? Wie verhindert man, dass die Registries selbst das Geld einsacken? Aber die Grundidee, dass die, die kommerziell profitieren, auch die Infrastruktur finanzieren sollen, fand breite Zustimmung.

Lena Vogel: Die dritte Story ist erschreckend konkret: Sherline Tools, ein US-Hersteller von Präzisionsdrehmaschinen und -fräsmaschinen, schließt. Die Fertigung ist nicht mehr tragbar, die Produktion endet im Oktober 2026.

Felix Hartmann: Das ist ein kleines, sehr spezifisches Signal, aber es steht für etwas Größeres. Präzisionsmaschinenbau in den USA – das ist die Basis von allem, von Prototyping, von Forschung, von kleiner Serienfertigung. Und wenn ein solches Unternehmen nicht mehr überlebt, dann ist das ein Zeichen, dass die wirtschaftliche Basis für kleine, hochwertige Fertigung in den USA bröckelt.

Lena Vogel: Und die vierte Story: Samsung wird die Produktion von HBM4 und HBM4E bis 2027 verdoppeln, auf etwa 250.000 Wafer pro Monat.

Felix Hartmann: HBM ist High Bandwidth Memory, also der Speicher, den die KI-Beschleuniger brauchen. Samsung schichtet mehr Kapazität in HBM, und das bedeutet: weniger Kapazität bleibt für klassische Consumer-DRAM übrig. Das heißt konkret: RAM für normale PCs und Laptops könnte knapper und teurer werden.

Lena Vogel: Und wenn man die vier Stories nebeneinander legt, sieht man eigentlich dasselbe Muster: Bei der Unternehmensfinanzierung, bei der Hardware-Knappheit, bei unbesoldeter Software, überall zeigt sich dieselbe strukturelle Lücke. Das System, das diese Infrastrukturen tragen soll, funktioniert nicht richtig, und überall werden Notlösungen gebaut.

Felix Hartmann: Und das ist ein guter Übergang zu einem Thema, das auch in diese Richtung geht, aber mehr in der Kultur und Geschichte verortet ist.

Lena Vogel: Fangen wir mit einem wirklich technischen Vorschlag: UTF-8000. Das ist eine Erweiterung von UTF-8, die Codepoints unbegrenzt zulassen kann, indem mehrere Start-Bytes verwendet werden. Das Schöne: Es bleibt ASCII-kompatibel und behält die Autosynchronisation, also die Eigenschaft, dass man in einem Byte-Stream sofort wieder einrsyncen kann, wenn man mitten drin einsteigt.

Felix Hartmann: Und was die Diskussionen darüber gezeigt haben: Das ist eher eine intellektuelle Übung als ein realer Vorschlag, denn UTF-8 ist so tief in alles eingebettet, dass man es nicht einfach austauschen kann. Aber als Gedankenspiel ist es wertvoll, denn es zeigt, wie das Design von UTF-8 eigentlich funktioniert – warum die Autosynchronisation so wichtig ist, warum die Byte-Struktur so clever ist. Man versteht das Bestehende besser, indem man über das Hypothetische nachdenkt.

Lena Vogel: Und dann ein historischer Kontrast, der wunderschön dazu passt: Der Buchstabe W. Er entstand erst nach dem Fall Roms. Das Problem: Die germanischen Sprachen hatten einen /w/-Laut, den das Lateinische gar nicht kannte. Also haben fränkische Schreiber einfach zwei U's nebeneinander geschrieben, und daraus wurde W.

Felix Hartmann: Das ist einer dieser Momente, wo man realisiert: Buchstaben sind nicht naturgegeben, sondern Notlösungen. Doppelt U für einen Laut, den es vorher nicht gab. Und im Grunde ist UTF-8000 die gleiche Bewegung: Man braucht mehr Platz, also erweitert man das bestehende System, so gut es geht, und behält so viel Kompatibilität wie möglich. Das ist 1500 Jahre charset engineering, im Prinzip dasselbe Problem.

Lena Vogel: Und dann noch etwas ganz anderes: Ein Artikel, der eine Fabel benutzt, um die Hierarchie des Geldes zu erklären. Und das Interessante: Der Autor hat bestätigt, dass er den Text selbst geschrieben hat, also menschliche Autorschaft. In dem Text geht es um Graebers Schulden-These und um Reservewährungen.

Felix Hartmann: Graeber, falls das jemandem nicht geläufig ist: Der Anthropologe, der in "Schuld" argumentiert hat, dass Geld nicht aus dem Tausch entstanden ist, sondern aus Schuld- und Abgabenverhältnissen. Und Reservewährung ist die Frage, welche Währung die Welt als Rückgrat benutzt, was enorm viel Macht gibt. Das in eine Fabel zu packen ist ein cleverer Move, weil diese Themen sonst so trocken sind, dass niemand sie liest.

Lena Vogel: Und die Bestätigung der menschlichen Autorschaft ist in der heutigen Zeit selbst schon ein Thema. Wir hatten ja die Debatte über LLM-Illusionen, und jetzt muss ein Autor explizit sagen: "Ich habe das selbst geschrieben." Das ist ein Symptom.

Felix Hartmann: Genau, und das ist ein schöner Übergang zum letzten Themenblock, der sozusagen die Zusammenfassung von allem ist, was wir über KI und Wahrnehmung gesagt haben: Halbwissen, Randnotizen und mikroskopische Zukunftsfantasien.

Lena Vogel: Da sind wir noch mal bei Bjarnason und der Cold-Reading-Frage, denn die zieht sich durch alles. Und der kontrastierende Artikel ist "Telling a Computer to Do Things". Der Punkt dort: Wer den Shell kennt, kann Programme kombinieren und automatisieren. Das ist seit Jahrzehnten der Vorteil von Kommandozeilen-Nutzern. Und LLMs lösen das jetzt teilweise – sie können Befehle generieren, aber das tiefe Verständnis, warum man welche Programme kombiniert, das ist noch nicht angekommen.

Felix Hartmann: Und dann gibt es noch dieses kleine Webprojekt: eine Liste von zwölf "Millennium Problems" der Biologie. Also angelehnt an die berühmten Millennium-Probleme der Mathematik, aber für Biologie: Kryokonservierung von Mäusen, Regeneration von Gliedmaßen, der Ursprung des Lebens. Nur: Es gibt kein Preisgeld.

Lena Vogel: Das ist eigentlich der interessante Teil. Die Mathematik-Millennium-Probleme haben je eine Million Dollar vom Clay-Institut. Die Biologie-Version hat nichts, außer der Ehre. Das kann man als Statement lesen – dass diese Probleme so wichtig sind, dass Geld egal ist – oder als Schwäche – dass ohne Preis die Liste einfach in Vergessenheit gerät. In den Diskussionen war eher die zweite Lesart vertreten, aber es ist noch zu früh.

Felix Hartmann: Und dann noch Radius, das als Meetup-Alternative startet. Gruppen, Events, und – das ist das Besondere – "Activities", also informelle Treffen, die nicht als klassisches Event organisiert sind. Gebaut mit Ruby on Rails, und für Pro-Gruppen kostet es 12 Pfund pro Monat.

Lena Vogel: Und das ist eigentlich ein analoges Gegenstück zu allem, was wir heute über digitale Interaktion gesagt haben. Nach all den LLMs, Agenten, Automatisierung – hier ist jemand, der ein Tool baut, damit Menschen sich physisch treffen. Und dass das mit Rails gebaut ist, zeigt auch: Man braucht für so etwas keine spektakuläre Technologie, sondern nur das Verständnis für ein Problem.

Felix Hartmann: Und das ist ein schöner Ausklang, denn wir haben heute eigentlich durch alle Themen durch ein Muster gesehen: Zwischen der Erzählung und der Realität liegt immer eine Lücke. Bei der KI zwischen Benchmark und Produktion. Bei Snowden zwischen Archiv und Öffentlichkeit. Bei Sherline zwischen Maschinenbau und Ökonomie. Bei Creative Commons zwischen Ideal und Realität.

Lena Vogel: Und die heute wiederkehrende unresolved question, die ich wirklich mitnehme, ist: Woher wissen wir eigentlich, was real ist? Ob bei Bjarnasons Cold-Reading-These, bei Lohs Job-Zahlen, bei den EPA-Begründungen oder bei den dekompilierten 644 Hacks – überall fehlt der empirische Beweis, und überall füllen narrative die Lücke.

Felix Hartmann: Das war unsere heutige Episode. Danke, dass du dabei warst, und bis zum nächsten Mal.

Lena Vogel: Tschüss und bleib neugierig!