Open Source gegen Closed Source, Speicherchips fressen KI-Gewinne, Comcast strukturiert sich um

Die Folge greift die Debatte zwischen offenen und geschlossenen KI-Modellen neu auf. Ausgangspunkt ist GLM 5.2 von Z.ai, ein Open-Weight-Modell, das stark genug wirkt, um Fragen zu Cybersicherheit, Geopolitik und dem Vorsprung amerikanischer Frontier-Labore erneut zu stellen.

Zentrale Punkte

• GLM 5.2 kann außerhalb einer proprietären API heruntergeladen, betrieben und verändert werden.
• Die berichtete Leistung bei der Fehlersuche macht Open-Weight-Modelle wieder zu einem Thema für nationale Sicherheit und Cyberrisiken.
• Benchmarks reichen nicht aus: Kosten pro Aufgabe, Tokenverbrauch und mögliche Distillation sind entscheidend.
• Der Markt spaltet sich zunehmend in teure Frontier-Modelle für kritische Aufgaben und kleine, schnelle Modelle für wiederholbare Workflows.

Warum das wichtig ist

Wenn offene Modelle nahe genug an geschlossene Frontier-Systeme herankommen, werden Zugangskontrollen schwieriger. Ein Unternehmen, das auf eine Freigabe für ein geschlossenes Modell wartet, könnte wenige Monate später eine ausreichend gute Open-Weight-Alternative nutzen.

Gleichzeitig zeigt die Folge, dass Infrastruktur zum Engpass wird. Google soll Metas Zugriff auf Gemini-Kapazität begrenzt haben, während Speicheranbieter wie Micron, Samsung und SK Hynix von der Nachfrage nach HBM und DRAM profitieren. KI-Ökonomie entscheidet sich damit nicht nur in Modell-Laboren, sondern auch bei Cloud-Kapazität und Speicher.

Signale

• Kosten pro erledigter Aufgabe werden wichtiger als der reine Tokenpreis.
• Chinesische Open-Weight-Modelle bleiben nahe genug, um US-Strategie und Regulierung zu beeinflussen.
• Speicher und Cloud-Kapazität können immer mehr Wert aus dem KI-Boom abschöpfen.
• Die Comcast-Restrukturierung zeigt, wie unterschiedlich Medien, Konnektivität, Streaming und physische Erlebnisse wirtschaftlich funktionieren.

Source

• Chaîne: TBPN
• Vidéo source: https://www.youtube.com/watch?v=jgJYskq-1Yo