Hey und guten Morgen!

tl;dr:

während die Welt über AGI (Artificial General Intelligence) diskutiert, zeigt sich ein fundamentales Problem: KI-Systeme trainieren zunehmend auf ihren eigenen Outputs – mit messbaren Qualitätsverlusten. Parallel dazu erreicht Quantencomputing neue Meilensteine und die Medizintechnik macht Fortschritte bei nicht-invasiver Glukosemessung.

Agenda für heute:

AI: Model Collapse : warum KI-Training an Grenzen stößt.

Tech: Googles Willow-Chip und das Quanten-Rennen.

Health: Continuous Glucose Monitoring ohne Nadeln.

Lasst uns reingehen!

Forschungsergebnisse zeigen: Wenn Large Language Models (LLMs) auf synthetischen Daten trainieren – also auf Texten, die von anderen KIs generiert wurden – verschlechtert sich ihre Performance messbar. Das Phänomen heißt Model Collapse. Konkret: Die Modelle verlieren an Diversität, produzieren repetitive Outputs und "vergessen" seltene, aber wichtige Datenmuster. Das Problem verschärft sich, weil immer mehr Online-Content KI-generiert ist – Schätzungen gehen von 50%+ bis 2026 aus. Die Konsequenz: Trainingsdaten werden kontaminiert, bevor Entwickler es merken. Unternehmen wie OpenAI und Anthropic investieren deshalb massiv in Data Curation (manuelle Qualitätssicherung von Trainingsdaten) und suchen nach neuen, "sauberen" Datenquellen – von wissenschaftlichen Journals bis zu lizenzierten Archiven. 

Takeaway: Die nächste Wettbewerbsgrenze in AI ist nicht Rechenleistung, sondern Zugang zu hochwertigen, nicht-kontaminierten Trainingsdaten.

Google hat seinen neuen Quantenprozessor Willow vorgestellt – mit 105 Qubits und einer entscheidenden Verbesserung: Fehlerkorrektur in Echtzeit. Bisher war das Hauptproblem von Quantencomputern die Dekohärenz (Qubits verlieren ihren Zustand durch Umwelteinflüsse). Willow soll dieses Problem durch redundante Qubit-Arrays lösen – je mehr Qubits, desto stabiler das System. In Benchmarks löste der Chip eine spezifische Aufgabe in 5 Minuten, für die klassische Supercomputer theoretisch 10 Septillionen Jahre bräuchten. Der Haken: Diese Aufgabe ist hochspezialisiert und hat keine praktische Anwendung. Trotzdem ist die Fehlerkorrektur ein Meilenstein. Praktische Anwendungen (Medikamentenentwicklung, Kryptografie-Breaking) bleiben 5-10 Jahre entfernt, aber die Richtung stimmt.

Takeaway: Quantencomputing verlässt das Labor – aber erwarte keine Consumer-Anwendungen vor 2030.

Continuous Glucose Monitoring (CGM) revolutioniert Diabetes-Management – aber die meisten Systeme nutzen noch subkutane Sensoren (unter der Haut). Mehrere Unternehmen arbeiten an nicht-invasiven Alternativen: Apple testet optische Sensoren (Infrarot-Spektroskopie am Handgelenk), während Startups wie Know Labs Radiofrequenz-Technologie einsetzen. Das Problem: Glukose-Moleküle im Blut zu messen, ohne Hautbarriere zu durchdringen, erfordert extrem präzise Sensoren – Schweißzusammensetzung, Hautdicke und Bewegung verfälschen Messungen. Aktuelle nicht-invasive Prototypen haben eine Fehlerrate von ±15-20 mg/dL (invasive Systeme: ±9 mg/dL). Für Diabetiker kritisch, aber für Wellness-Tracking (Stoffwechsel-Optimierung, Ernährungsanpassung) bereits nutzbar. Erste Consumer-Geräte könnten 2025 auf den Markt kommen – allerdings nicht als medizinische Geräte zertifiziert.

Takeaway: Nicht-invasives CGM wird zuerst im Wellness-Bereich ankommen, bevor es medizinisch zuverlässig wird.

Wenn du mit LLMs arbeitest: Nutze LangSmith (von LangChain) für Prompt-Tracking und Output-Monitoring. Kostenlos bis 5.000 Traces/Monat.