Liebe Leserinnen und Leser,
nach dem Start von GPT-6 Astra erklärte Nvidia-Chef Jensen Huang auf X: "AGI ist angekommen." OpenAI-Präsident Greg Brockman nannte das Modell einen Wendepunkt und begrüßte die Menschheit in der "AGI-Ära". Was AGI bedeutet, sagt keiner von beiden, eine einheitliche Definition gibt es nicht. Die Botschaft aus den großen Labs und von ihren Partnern ist dennoch dieselbe: Leistungsfähige KI ist nah, und der Weg dorthin ist vorgezeichnet.
Doch viele Entwickler der heutigen Systeme sehen das anders. Dutzende haben die großen Labs verlassen und eigene gegründet. Ilya Sutskever war Mitgründer und Chief Scientist von OpenAI, heute baut er Safe Superintelligence. Jerry Tworek leitete bei OpenAI die Entwicklung der Reasoning-Modelle und führt jetzt Core Automation. David Silver, der Kopf hinter AlphaGo, verließ Google DeepMind für Ineffable Intelligence. Yann LeCun ging nach zwölf Jahren bei Meta und gründete AMI. Jeff Dean war 27 Jahre bei Google, zuletzt als Chief Scientist, und startete Discovery Loop.
Das Geld folgt ihnen. Nvidia investierte im Juli in SSI, laut Bloomberg fünf Milliarden Dollar. Das Lab hat bis heute weder ein Modell noch ein Paper veröffentlicht. Prometheus, Jeff Bezos’ KI-Lab für die Industrie, holte sich im Juni zwölf Milliarden Dollar bei 41 Milliarden Bewertung. Flapping Airplanes hat ebenfalls kein öffentliches Modell und bekam im Oktober in einer Series A eine Milliarde Dollar.
Die Motive sind gemischt und nicht alle technisch: Bei solchen Bewertungen werden Gründer auf dem Papier schnell zu Milliardären. LeCun ging nach einem Strategiestreit mit Meta. Sutskever will ohne Produktdruck forschen. Andere wollen ein Fachgebiet besetzen, das in einem großen Lab Nebensache wäre. Manche Abgänge sind nicht einmal ein klarer Bruch: Bei Discovery Loop ist Google selbst Gründungsinvestor.
Was viele Gründer aber eint, ist ein Zweifel. Nicht daran, dass deutlich leistungsfähigere KI kommt, manche halten AGI sogar für nah. Sondern daran, dass das heutige Rezept allein dorthin führt: immer größere Sprachmodelle, trainiert mit Internetdaten, verfeinert mit Reinforcement Learning.
Was ist ein Neolab?
Eine offizielle Definition gibt es nicht. Wir verwenden den Begriff für eigenständig gegründete, forschungsorientierte KI-Unternehmen, die eine langfristige technische Wette zum Kern ihres Geschäfts machen. Sie wollen grundlegend verbessern, wie KI lernt, die Welt erfasst, Probleme löst, kontrolliert wird oder rechnet.
Sichtbar wurde die aktuelle Welle 2024. Das Rennen um die stärksten Modelle war in vollem Gange, die Cloud-Konzerne hatten ihre Partner: Microsoft setzte auf OpenAI, Amazon auf Anthropic. Dann gründete Sutskever im Juni SSI und sammelte binnen Monaten eine Milliarde Dollar ein, für ein Forschungsteam ohne Produkt.
Dass Investoren so etwas finanzieren, hat einen Grund. OpenAI und Anthropic sind mit dem Erfolg zu Konzernen gewachsen, beide streben Börsengänge zu Rekordbewertungen an. Intern konkurrieren Forschungsteams mit Produktteams um Geld und Aufmerksamkeit. Etablierte Firmen tun sich schwer mit Ideen, die ihr Geschäft infrage stellen, Managementforscher nennen das Innovator’s Dilemma. Darauf wetten die Geldgeber: Ein kleines Team findet, was die Großen übersehen.
Vorbilder gibt es: Der Transformer entstand 2017 bei Google, DeepMind schlug mit AlphaGo die besten Go-Spieler, und doch kam der KI-Assistent für die Massen von OpenAI, 2015 als Non-Profit-Organisation gegründet. Den zweiten Aufstieg schaffte ein OpenAI-Ableger: 2021 gründeten Dario und Daniela Amodei Anthropic. Laut Bloomberg kam es bis Ende Juli 2026 auf einen hochgerechneten Jahresumsatz von über 65 Milliarden Dollar.
Die eigentliche Wette der Neolabs sind Forschungslücken, die die großen Anbieter nicht besetzen: weil niemand den Weg kennt oder niemand die Ressourcen dafür freigibt. Denn die Großen haben mehr Rechenleistung, eingespielte Datenpipelines und das Feedback von Hunderten Millionen Nutzern. Was ein kleines Lab aufbaut, kann kurz nach dem ersten Produkt beim Marktführer auftauchen.
Wie kurz ein Vorsprung sein kann, zeigt beispielhaft TypeSafe AI: Mitte September stellte es mit Jev ein Entscheidungsmodell vor, zwei Wochen später kündigte OpenAI die Decisions API an. Doch selbst ein kurzer Vorsprung zeigt Expertise und kann sich auszahlen, etwa als Exit: Microsoft holte das Kernteam von Inflection, Google die Gründer von Character.ai und die Führung von Windsurf. AMD will World Labs für rund 8,2 Milliarden Dollar übernehmen, Nvidia verhandelt laut Financial Times mit Reflection.
Für Neolabs läuft deshalb alles auf eine Frage hinaus: Können sie etwas liefern, das die Großen nicht haben und wofür Kunden oder die Großen selbst zahlen? Wir haben 27 Labs ausgewählt, die meisten aus den USA und Europa, und sie nach ihrer Hauptwette in sechs Gruppen sortiert.
Wette 1: Ein guter Problemlöser ist noch kein guter Lerner
Heutige Modelle können erstaunlich viel, lernen aber anders als Menschen. Sie brauchen riesige Datenmengen, um eine Fähigkeit zu lernen, und im Einsatz verändern sie ihre Gewichte üblicherweise nicht. Neues im Gespräch können sie so zwar nutzen, lernen aber nicht dauerhaft aus jeder Erfahrung. Kontinuierliches Lernen bleibt eine zentrale Forschungslücke. Sechs Labs wollen das ändern. Sie setzen an drei Stellen an: beim Dazulernen im Betrieb (Adaption, Core Automation), beim Lernen aus wenigen Beispielen (Flapping Airplanes, Ndea, SSI) und beim Lernen aus eigener Erfahrung (Ineffable).
Adaption: Die offene Wette gegen Skalierung
Sara Hooker leitete die Forschung bei Cohere, davor war sie bei Google Brain. 2020 argumentierte sie in "The Hardware Lottery": Forschungsansätze setzen sich oft nicht durch, weil sie besser sind, sondern weil sie zur vorhandenen Hardware passen. Im Januar legte sie mit "On the Slow Death of Scaling" nach: Mehr Rechenleistung führe immer weniger verlässlich zu besseren Modellen, wirksamere Hebel seien Daten und Trainingsverfahren. Offene Modelle mit 8 oder 27 Milliarden Parametern übertreffen heute in Benchmarks das um ein Vielfaches größere Falcon 180B.
Mit Sudip Roy gründete sie Adaption. Die Konsequenz: "Wir wetten gegen Skalierung und bauen stattdessen effiziente KI, die kontinuierlich dazulernt." Statt eines großen Modells für alle sollen sich Modelle laufend und günstig an ihre Nutzer anpassen. Die ersten Produkte setzen am naheliegendsten Hebel an, den Daten: Werkzeuge zum Aufbereiten, Visualisieren und automatisierten Trainieren via AutoScientist. Das eigentliche Ziel fehlt aber noch: ein Modell, das im Betrieb dazulernt.
Core Automation: Ein Insider sucht neue Lernverfahren
Jerry Tworek war fast sieben Jahre bei OpenAI, zuletzt als Vice President of Research, und leitete die Entwicklung der Reasoning-Modelle o1 und o3. Seine Kritik am heutigen Rezept kommt also von jemandem, der es mitgebaut hat. Mitgründer Rohan Anil leitete bei Google das Vortraining von Gemini.
Wer ein trainiertes Netz nachtrainiert, riskiert, dass es Altes vergisst. Fachleute nennen das katastrophales Vergessen. Auch der Transformer ist nicht dafür gebaut, im Einsatz dauerhaft dazuzulernen.
ChatGPT und Claude machen sich daher inzwischen Notizen und rufen frühere Gespräche ab. Tworek reicht das nicht: "Das sind Probleme für maschinelles Lernen, nicht für Markdown-Dateien". Core sucht deshalb Lernalgorithmen jenseits von Vortraining und Reinforcement Learning, dazu Architekturen, die besser skalieren sollen. Das erste Modell soll seine Gewichte im Betrieb anpassen und mit einem Hundertstel der heutigen Trainingsdaten auskommen. Mehr als Gerüchte dazu gibt es bisher nicht.
Den ersten Test macht Core bei sich selbst: Ein kleines Team mit Forschungsagenten soll so viel leisten wie ein großes Lab, etwa indem Agenten aus einer Architekturidee automatisch effizienten GPU-Code erzeugen.
Bei OpenAI sei solche Forschung kaum möglich gewesen, sagte Tworek nach seinem Abgang. Wer im Wettrennen um das beste Modell stehe, gehe weniger Risiken ein.
Flapping Airplanes: Aus wenig Daten viel lernen
Die Brüder Ben und Asher Spector gründeten Flapping Airplanes mit Aidan Smith, zuvor bei Neuralink. Ben ist Erstautor von ThunderKittens, einer verbreiteten Bibliothek für GPU-Kernels.
Die These: Heutige Modelle sind stark, wo es viele Daten gibt, etwa bei Text und Bildern. In Feldern wie Robotik oder Biologie, wo Daten knapp und teuer sind, kommen sie nicht weit. Flapping Airplanes will Modelle bauen, die aus wenigen Beispielen lernen, statt riesige Datensätze zu brauchen. Dafür suchen die Gründer nach Lernverfahren, die sich an biologischen Prinzipien orientieren, aber für die Berechnung auf GPUs ausgelegt sind.
Sichtbar ist davon noch nichts. Der größte Teil des ersten Jahres floss in die Grundlagen: Software, die das Training auf GPUs effizienter macht, indem sie den üblichen Verwaltungsaufwand zwischen vielen kleinen Rechenschritten beseitigt. Bevor neue Lernverfahren funktionieren können, müssen sie auf der vorhandenen Hardware laufen.
Investoren stört das fehlende Modell nicht. Nach 180 Millionen Dollar im Januar folgte am 21. Oktober eine Series A über eine Milliarde bei sechs Milliarden Bewertung.
Ineffable Intelligence: Lernen ohne menschliche Vorlage
David Silver setzt nicht bei weniger Daten an, sondern bei anderen. Bei Google DeepMind leitete er die Entwicklung von AlphaGo und dessen Nachfolgern. Das ursprüngliche AlphaGo lernte noch aus menschlichen Partien. AlphaGo Zero und AlphaZero lernten nur aus Spielen gegen sich selbst und übertrafen alle Vorgänger.
Im Frühjahr 2025 formulierten Silver und Richard Sutton daraus ein Programm. In "Welcome to the Era of Experience" argumentieren die beiden: Wer nur Menschen imitiert, kommt bei vielen wichtigen Aufgaben kaum über menschliches Niveau hinaus. Die nächsten Systeme müssten aus eigener Erfahrung lernen, mit Belohnungen aus der Umgebung statt aus menschlichem Urteil. Später gründete Silver Ineffable Intelligence. Sein Ziel ist ein "Superlearner", der in digitalen wie physischen Umgebungen aus Erfahrung lernt.
Die schwierigste Frage ist, woher die Rückmeldung kommt. Im Go entscheiden Sieg und Niederlage. In der Wissenschaft oder der physischen Welt ist Erfolg oft unklar oder zeigt sich erst spät. Reinforcement Learning war immer dort stark, wo die Umgebung ein klares Signal liefert. Ineffable muss zeigen, dass das auch bei offenen, wechselnden Aufgaben funktioniert. Im April gab das Unternehmen eine Seed-Finanzierung über 1,1 Milliarden Dollar bei 5,1 Milliarden Bewertung einschließlich des frischen Kapitals bekannt, die größte in Europa. Ein nutzbares System gibt es nicht.
Ndea: Aus wenigen Beispielen eine Regel finden
François Chollet hat Keras entwickelt, eine Bibliothek für Deep Learning, und den Benchmark ARC entworfen. ARC misst, wie gut Systeme neue Aufgaben aus wenigen Beispielen erschließen. Nach Jahren bei Google baut Chollet mit Zapier-Mitgründer Mike Knoop Ndea auf, ein Team von rund 15 Leuten.
Chollet unterscheidet Können von Lernen: Ein System kann eine Aufgabe hervorragend lösen, weil viel Training darin steckt, und sich trotzdem keine neue Fähigkeit effizient aneignen. Ndea setzt auf Programmsynthese: Ein System sucht nach einem Programm, das die beobachteten Beispiele erklärt. Ein neuronales Modell lenkt die Suche auf aussichtsreiche Kandidaten. So sollen aus wenigen Beispielen Regeln entstehen, die auch bei neuen Fällen gelten.
Chollets eigener Maßstab fällt inzwischen auch ohne Ndea. Auf dem im März gestarteten ARC-AGI-3 erreichte GPT-6 Astra im September bis zu 99,9 Prozent, im Standardaufbau 62,7 Prozent. Aufschlussreich ist der Weg dorthin: Astra übersetzte unbekannte Spielumgebungen in kompakte Regeln und eine eigene Kurznotation, ungefähr das, was Ndea anstrebt. Ein eigenes Ergebnis auf ARC-AGI-3 hat Ndea bisher nicht vorgelegt.
Safe Superintelligence: Viel Glaubwürdigkeit, nichts zum Anfassen
Ilya Sutskever war Mitgründer und Chief Scientist von OpenAI und Mitautor einiger der wichtigsten Arbeiten des Deep Learning. 2024 ging er und gründete SSI, heute ist er CEO. Im Gründungsmanifest beschreibt er das Ziel: eine sichere Superintelligenz, ohne Ablenkung durch Produktanforderungen. Rund 50 Mitarbeiter in Palo Alto und Tel Aviv haben bis heute weder ein Modell noch ein Paper veröffentlicht.
Seinen Fokus beschrieb Sutskever Ende 2025 im Gespräch mit Dwarkesh Patel: "Diese Modelle generalisieren irgendwie dramatisch schlechter als Menschen." Menschen übertragen Gelerntes nach wenigen Beispielen, Modelle brauchen riesige Datenmengen. Ein System, das so gut lernt wie ein Mensch, erwartet er in fünf bis zwanzig Jahren.
Im Juli gaben SSI und Nvidia eine Partnerschaft bekannt, die die Rechenkapazität verzehnfachen soll. Bloomberg berichtete von fünf Milliarden Dollar. "Wir haben Forschung, die es verdient, hochskaliert zu werden", sagte Sutskever in der gemeinsamen Mitteilung. Zusammen mit den zuvor eingesammelten drei Milliarden wären das rund acht Milliarden Dollar. Die letzte bekannte Bewertung liegt bei 32 Milliarden Dollar. Sie beruht vor allem auf Sutskevers Ruf und der Erwartung, dass er einen Weg kennt, den andere nicht sehen.
Weitere Labs mit ähnlichem Ziel
Pathway aus Palo Alto hat für das Ziel von Core Automation bereits eine Architektur veröffentlicht: Das Modell BDH soll sich während der Verarbeitung anpassen und so eine Art Arbeitsgedächtnis bilden. Belegt ist das bisher nur mit kleinen Modellen von höchstens einer Milliarde Parametern.
Symbolica, gegründet 2022, verbindet wie Ndea neuronales Lernen mit Programmsynthese, setzt dabei aber auf eine eigene Architektur aus der Mathematik statt auf Sprachmodelle. Das Fernziel, eine allgemeine Maschine für Programmsynthese, nennen die Gründer selbst ungelöst. Geld verdient Symbolica einstweilen mit Agentica, einem Werkzeug zum Bau von KI-Agenten.
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
Wette 2: Sprache allein reicht nicht
Die erste Gruppe will ändern, wie Modelle lernen, die zweite, woraus. Ihre Gründer bezweifeln, dass Sprache der beste Zugang zu Intelligenz ist. Sie wollen Systeme, die räumliche Zusammenhänge verstehen, physikalische Folgen vorhersagen und in der Welt handeln. AMI sagt abstrakte Zustände voraus, Black Forest Labs Videobilder und Roboterbewegungen, General Intuition lernt aus Videospielen, World Labs erzeugt 3D-Welten. Physical Intelligence lernt die Steuerung direkt am Roboter.
AMI: Yann LeCuns Gegenprogramm
Yann LeCun erhielt den Turing Award und baute Metas Forschungslabor FAIR auf. Seit Jahren kritisiert er die Idee, dass Sprachmodelle zu menschenähnlicher Intelligenz führen. Ende 2025 verließ er Meta nach strategischen Differenzen: Der Konzern wollte sich auf schnell verwertbare Sprachmodelle konzentrieren. Bei AMI ist LeCun Executive Chairman. CEO ist Alexandre LeBrun, Gründer von Nabla, einem Start-up für KI in der Medizin.
Technisch setzt AMI auf JEPA (Joint Embedding Predictive Architecture), die LeCun 2022 als Gegenentwurf zu generativen Sprach- und Videomodellen vorschlug. Statt Ausgaben Token für Token vorherzusagen, rechnet JEPA mit abstrakten internen Repräsentationen. Es soll so lernen, worauf es bei der Vorhersage des weiteren Verlaufs eines Videos oder von Roboterbewegungen ankommt, ohne sich in den Pixeldetails zu verlieren. Dass der Ansatz funktionieren kann, zeigte V-JEPA 2 bei Meta im Jahr 2025. Nach dem Vortraining mit Video reichten 62 Stunden Roboterdaten, damit Roboterarme in fremden Laboren einfache Greif- und Ablegeaufgaben lösten. Dabei plante das Modell deutlich schneller als Ansätze, die auf Pixelebene arbeiten.
AMI zielt auf Industrie, Robotik und Gesundheitswesen, erster Partner ist Nabla. Im März sammelte das Lab 1,03 Milliarden Dollar bei einer Bewertung von 3,5 Milliarden vor der Finanzierung ein, mit rund einem Dutzend Mitarbeitern. LeBrun sagt offen, dass ein Produkt noch Jahre dauern kann. Forschung und ein Großteil des Codes sollen offen erscheinen.
Black Forest Labs: Vom Bildgenerator zum Roboter
Black Forest Labs aus Freiburg ist für seine Bildmodelle FLUX bekannt und verdient damit Geld. Die Gründer um Robin Rombach haben das Verfahren hinter Stable Diffusion mitentwickelt.
Seit diesem Herbst geht das Lab aber eine Wette ein, die über Bildgenerierung hinausreicht. Ein Bildmodell hat gelernt, wie sich Bilder verändern. Es kann also auch lernen, welche Veränderung eine Handlung auslöst.
Der erste Schritt ist FLUX 3 Action, im September veröffentlicht. Es baut auf dem vor allem mit Video trainierten Grundmodell FLUX 3 auf. Weitertrainiert wurde es mit Daten, bei denen zu jedem Video die Handlung bekannt ist: Spielaufnahmen, Videos aus der Ich-Perspektive, ferngesteuerte Roboter. Das Modell bekommt ein Kamerabild, den Zustand des Roboters und eine Textanweisung und sagt daraus die nächsten zwei Sekunden voraus: wie sich der Roboter bewegen soll und wie die Szene danach aussieht. Im Kern ist es also ein Bildgenerator, der gelernt hat, Roboter zu steuern. Die Gewichte stehen auf Hugging Face.
In RoboLab-120, einem Robotik-Benchmark von Nvidia, lag FLUX 3 Action am 22. Oktober auf Platz zwei hinter Lakeside, mittlerweile belegt es Platz 4. Gemessen wird allerdings in der Simulation, nicht am echten Roboter.
General Intuition: Aus Spielzügen werden Trainingsdaten
General Intuition entstand 2025 aus Medal, einer Plattform für Spielclips. Deren Chef Pim de Witte gründete es mit drei Forschern der Universität Genf, die dort an Weltmodellen für Spiele gearbeitet hatten.
Die Idee: Zu Spielvideos die Eingaben der Spieler speichern. Sie zeigen dann nicht nur, was sich verändert, sondern auch, welcher Eingriff dazu führte. Medal liefert Milliarden solcher Videobilder samt Tasten- und Mauseingaben. Daraus trainiert das Lab zwei Arten von Modellen: Weltmodelle, die vorhersagen, was als Nächstes passiert, und Aktionsmodelle, die entscheiden, was zu tun ist.
Ganz neu ist der Ansatz nicht: OpenAI trainierte 2022 mit VPT einen Minecraft-Agenten auf Spielvideos, DeepMind verbindet mit SIMA 2 Gemini mit einem Agenten für 3D-Spiele.
Geld verdienen will General Intuition als Plattform mit API-Zugang zu seinen Modellen, für Spielestudios wie für Robotikfirmen. Als Beleg dient eine Demonstration: Ein allein auf Spielen trainiertes Modell steuerte einen vierbeinigen Roboter, nachdem es acht Minuten lang mit echten Robotikdaten nachtrainiert wurde.
Physical Intelligence: Ein allgemeines Modell für Roboter
Physical Intelligence lernt direkt am Roboter. Hinter dem Lab stehen einige der bekanntesten Namen der lernenden Robotik, darunter Sergey Levine aus Berkeley und Chelsea Finn aus Stanford. Levine, früher bei Google, beschreibt das Ziel als ein allgemeines Robotermodell: ein einziges System, das auf vielen Robotern für viele Aufgaben funktioniert. Niemand soll mehr für jede Aufgabe eine eigene Steuerung programmieren müssen.
Die Modellfamilie π verbindet Sehen, Sprache und Handeln. Die Trainingsdaten sammelt das Lab vor allem selbst: Menschen steuern Roboter fern, das Modell lernt daraus. Im April erschien π0.7 mit rund fünf Milliarden Parametern. Es kombiniert gelernte Fähigkeiten zu neuen Aufgaben und erreichte in eigenen Tests die Leistung einzeln trainierter Spezialmodelle. Seit dem 13. Oktober gibt es die Pi API als Beta: Entwickler laden eigene Roboterdaten hoch, passen die Modelle an und nutzen sie aus der Cloud.
Im März wurde über Finanzierungsgespräche bei mehr als elf Milliarden Dollar Bewertung berichtet. Konkurrenz kommt von Google DeepMinds Gemini Robotics 2, von weiteren Robotik-Start-ups und in Zukunft möglicherweise von Generalisten wie Astra, die bereits Roboterarme steuern. Dazu gleich mehr.
World Labs: Räumliche Intelligenz, bald unter dem Dach von AMD
Fei-Fei Li ist Professorin in Stanford und bekannt durch die Bilddatenbank ImageNet. 2024 gründete sie World Labs mit drei Forschern von Meta und Google, darunter NeRF-Miterfinder Ben Mildenhall. Ihr Thema ist räumliche Intelligenz: KI, die die dreidimensionale Welt versteht und erzeugt. "Sprache ist die Sprache des Menschen. 3D ist die Sprache der Natur", sagt Li.
Seit November 2025 verkauft World Labs Marble. Es erzeugt aus Text, Bildern, Videos oder Skizzen bearbeitbare 3D-Welten, seit Januar auch per API. Spieleentwickler nutzen es für Prototypen, Robotikforscher für Trainingsumgebungen. Marble liefert dabei die Bühne; was passiert, wenn ein Roboter gegen einen Stuhl stößt, berechnet weiterhin der Simulator. Diese Lücke soll Atlas schließen, seit September bei ausgewählten Partnern verfügbar. Atlas erzeugt, rekonstruiert und simuliert in einem: Aus wenigen Fotos entsteht ein begehbarer Raum, dazu bis zu eine Minute Video mit gesteuerter Kamera.
Ende September kündigte AMD an, World Labs für rund 8,2 Milliarden Dollar in Aktien zu kaufen. Der Abschluss wird bis Ende 2026 erwartet, Li soll Chief Scientist von AMD werden. Offiziell begründet AMD den Kauf mit Einblick in Anwendungen. Dahinter steckt wohl mehr: Nvidia hat mit Omniverse, Isaac und den Cosmos-Modellen eine komplette Plattform für Physical AI. Mit World Labs kann AMD ein Stück aufholen.
Weitere Labs mit ähnlichem Ziel
Odyssey aus San Francisco teilt die Wette von World Labs und General Intuition: Ein Weltmodell, das Bewegung und Physik aus Video lernt, soll Agenten das Handeln beibringen. Seit September können in Agora-2 bis zu 20 Menschen und KI-Agenten in derselben simulierten Welt handeln, ohne dass eine klassische Spiel-Engine darunter läuft. Runway, bekannt für Videogeneratoren und älter als die Welle, ging im Dezember 2025 mit GWM-1 denselben Weg wie Black Forest Labs: vom Videomodell zur Simulation, die auf Handlungen reagiert, bis zu Anwendungen in der Robotik.
Bei der Robotersteuerung hat Physical Intelligence zwei nahe Verwandte. Skild AI aus Pittsburgh will ebenfalls ein Modell für viele Roboter, lernt aber zuerst aus Simulationen und Internetvideos. Mit über 14 Milliarden Dollar Bewertung gehört es zu den höchstbewerteten Unternehmen in diesem Feld. Generalist sammelt wie Physical Intelligence eigene Roboterdaten und zeigte im August mit GEN-1.5, wie ein Roboter kurze Handgriffe aus wenigen Vorführungen lernt.
Die Generalisten rücken nach
Die allgemeinen Modelle holen auf. Ihr räumliches Verständnis wächst schnell: GPT-6 Astra modelliert ein Haus in Blender und macht es in der Unreal Engine begehbar, Gemini 4 Carbon erreicht auf dem 3D-Verständnis-Benchmark Blueprint-Bench 2 menschliches Niveau.
Am echten Roboter zeigen sich allerdings Grenzen. Im Benchmark AA-Robotics steuert Astra einen Roboterarm über selbst geschriebenen Code und liegt mit 69 von 100 Punkten vorn, braucht aber eine halbe Stunde pro Aufgabe und kostet über 16 Dollar. Ein Mensch braucht 20 Sekunden. Mit noch mehr Rechenaufwand übertraf Astra in einer Nvidia-Studie sogar die Spezialmodelle Lakeside und FLUX 3 Action, für rund 36 Dollar pro Aufgabe.
Das Muster: Generalisten können Spezialisten in bestimmten Aufgaben bereits schlagen, brauchen dafür aber viel Zeit und Geld. Die Robotikforscherin Georgia Chalvatzaki sieht darin eine echte Veränderung der Fähigkeiten, aber noch keinen Beleg dafür, dass Skalierung allein die Robotik löst. Denn die beeindruckendsten Ergebnisse entstehen nicht allein durch das Modell: Astra nutzt Simulatoren, Bewegungsplaner, vorhandene Steuerungssoftware und Reinforcement Learning als Werkzeuge.
Chalvatzakis Schluss: Generalisten werden immer besser darin, vorhandene Robotik-Werkzeuge zu nutzen und zu kombinieren. Aber die Werkzeuge selbst, schnelle Steuerungen, physikalische Modelle, Sicherheitsschichten, müssen weiterhin gebaut werden. Ob das gute Nachrichten für die Spezialisten sind, wird sich in den kommenden Monaten zeigen.
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
Wette 3: Die wertvollsten Daten liegen nicht im Internet
Die Labs der dritten Gruppe setzen auf Daten, die es im Internet nicht gibt: Messungen aus Laboren, Proben aus der Natur, Konstruktionsdaten aus Fabriken. Bessere allgemeine Modelle schaden ihnen nicht, sie dienen ihnen als Bausteine. Ihr Vorsprung soll aus dem exklusiven Zugang kommen. Entscheidend sind drei Fragen: Wer erzeugt die Daten, wer darf sie nutzen, und wie schwer lassen sie sich nachbauen? Bei Basecamp und Periodic gibt es den Datenbestand teilweise schon, bei Prometheus ist er nach eigenen Angaben im Aufbau.
Basecamp Research: Gene aus Vulkanen und Tiefsee
Basecamp Research aus London wurde 2019 gegründet und ist damit älter als die aktuelle Welle. Doch das Unternehmen zeigt besonders deutlich, worum es geht. Mitgründer Glen Gowers formuliert das so: "Das Problem mit der Biologie ist, dass es keine Daten im Umfang des Internets gibt." Öffentliche Gendatenbanken bilden vor allem gut erforschte Organismen ab. Basecamp sammelt deshalb mit lokalen Partnern eigene Proben in mehr als 30 Ländern: aus Regenwaldböden, vulkanischem Gestein und der Tiefsee. Der Datensatz umfasst nach eigenen Angaben mehr als 100 Milliarden bisher unbekannte Gene, den Zugang zu den Daten kontrolliert Basecamp. Der im März angekündigte Trillion Gene Atlas soll die Datenbasis massiv erweitern, mit Nvidia und Anthropic als Partnern.
Auf diesen Daten trainiert Basecamp seine Modellfamilie EDEN. Sie entwirft lange DNA-Abschnitte und zugleich die Enzyme, die diese Abschnitte ins Erbgut einfügen. Einige Fähigkeiten können Forscher über Claude nutzen. Erstes eigenes Anwendungsfeld sind Zelltherapien: Sechs Programme befinden sich in frühen Forschungs- und Entwicklungsphasen vor klinischen Studien, einen Zeitplan für klinische Studien nennt Basecamp nicht.
Periodic Labs: Die Natur als Lernumgebung
Periodic Labs erzeugt seine Daten selbst. Liam Fedus leitete bei OpenAI das Post-Training, Ekin Dogus Cubuk verantwortete bei Google DeepMind das Projekt GNoME, das 2023 Millionen neuer Kristallstrukturen vorhersagte. Im Labor bestätigt wurden davon bislang nur wenige Hundert. Das Leitmotiv der beiden: "Intelligenz ist notwendig, aber nicht hinreichend." Wissenschaftlicher Fortschritt brauche den Abgleich mit der Realität.
Deshalb betreibt Periodic in Menlo Park weitgehend automatisierte Labore: Roboter mischen Pulver, Öfen backen sie, Röntgengeräte prüfen rund um die Uhr, was entstanden ist. Dort entstehen Daten, die in keinem Lehrbuch stehen, vor allem negative Ergebnisse. Fachzeitschriften veröffentlichen die Kristalle, die sich herstellen ließen, fast nie die Fehlversuche. Fedus hält gerade diese Serien von Fehlschlägen für den wertvollsten Datentyp. Als Fernziel nennt das Team einen Supraleiter, der bei höheren Temperaturen funktioniert. Näher am Geschäft liegen Werkstoffe für die Halbleiterindustrie. Erster genannter Kunde ist ein Chiphersteller mit einem Wärmeproblem.
Am 15. September stellte Periodic sein Modell Neon vor: ein bestehendes Modell mit einer Billion Parametern, weitertrainiert mit Fachliteratur und eigenen Labordaten. Bei der Auswertung von Röntgenmessungen schlägt es nach Unternehmensangaben GPT-6 Astra und Claude Fable 5.1, bei geringeren Kosten.
Prometheus: Bezos’ künstlicher Ingenieur
Bei Prometheus übernimmt Jeff Bezos erstmals seit seinem Rückzug als Amazon-Chef 2021 wieder eine operative Rolle. Er führt das Lab als Co-CEO gemeinsam mit Vik Bajaj, der bei Google X Moonshot-Projekte leitete. Rund 150 Mitarbeiter kommen laut GeekWire von OpenAI, Google DeepMind, Meta, xAI und Nvidia.
Die Wette heißt "artificial general engineer". Mit Robotik habe das nichts zu tun, sagte Bezos bei CNBC. Prometheus baue Werkzeuge, mit denen Ingenieure physische Objekte viel leichter entwerfen könnten: eine grundlegend modernisierte Version von CAD-Software. Das Fernziel: Software, die ein Triebwerk oder einen Wirkstoff vom Konzept bis zur Fertigung begleitet. Die Daten dafür gibt es noch nicht. "Wir müssen diese Daten erst erzeugen", sagte Bezos, etwa aus physikalischen Gesetzen und Testergebnissen.
Wie Prometheus an diese Daten kommen will, deutet sich in einem zweiten Vorhaben an. Laut Wall Street Journal führte Bezos im März Gespräche über einen Fonds von rund 100 Milliarden Dollar, der Industriefirmen aus Luftfahrt, Chipfertigung und Rüstung kaufen und mit KI umbauen soll. Die größten Bestände an Konstruktionsdaten stecken in Jahrzehnten von CAD- und Simulationsdateien bei genau solchen Firmen. Lizenzieren lassen sie sich kaum, denn kein Konzern gibt seinen digitalen Erfahrungsschatz freiwillig her. Wer die Firmen kauft, könnte auch Zugriff auf diese Daten erhalten. Daraus ergibt sich eine mögliche strategische Verbindung: Der Fonds wäre dann nicht nur ein Industrieprojekt, sondern auch ein Weg, Trainingsdaten für Prometheus’ künstlichen Ingenieur zu beschaffen. Bestätigt ist diese Interpretation nicht.
Aus den bekannt gewordenen Runden über 6,2 Milliarden und zwölf Milliarden Dollar ergeben sich insgesamt über 18 Milliarden Dollar. Damit ist Prometheus das am höchsten finanzierte Lab dieser Ausgabe, ohne Produkt und ohne veröffentlichte Forschung.
Weitere Labs mit ähnlichem Ziel
Lila Sciences aus Cambridge bei Boston ist der nächste Verwandte von Periodic: In einer "AI Science Factory" stellt KI Hypothesen auf, Roboter führen die Versuche aus, und die Ergebnisse fließen ins Training zurück, auch in Chemie und Biologie. Der Vorsprung soll aus dieser Schleife kommen, nicht aus den Robotern. Ganz ohne Aufsicht durch Wissenschaftler läuft sie noch nicht.
PhysicsX aus London erzeugt seine Daten per Simulation: Eine eigene Datenfabrik hat mehr als 20.000 Strömungssimulationen für Autokarosserien berechnet. Je vielfältiger die Daten, desto besser kommen die Modelle nach Angaben von PhysicsX mit neuen Formen zurecht. Nachbauen könnten das Konkurrenten mit genug Rechenleistung.
Simile simuliert Menschen statt Natur: Das Start-up der Stanford-Forscher hinter "Generative Agents" baut ein Verhaltensmodell aus Interviews, Kaufdaten und kontrollierten Experimenten mit echten Menschen. Firmen testen damit, wie Kunden auf Preise oder Produkte reagieren. Investoren bewerteten Simile im Juli mit zwei Milliarden Dollar. Diesen Zugang zu Menschen bekommt ein allgemeines Modell nicht durch mehr Intelligenz.
Enveda aus Colorado ist älter als die aktuelle Welle und überträgt das Rezept auf Naturstoffe aus Pflanzen: Sein Modell PRISM lernte aus 1,2 Milliarden chemischen Fingerabdrücken. Die Hälfte davon hat Enveda in eigenen Laboren gemessen, die andere Hälfte stammt aus öffentlichen Quellen.
Die Großen bauen eigene Labore
Anthropic baut im Raum San Francisco ein eigenes Biologielabor auf, in dem Claude Roboter durch Experimente steuern soll. Dafür kaufte das Unternehmen im April Coefficient Bio für rund 400 Millionen Dollar. Google beschrieb im Oktober, wie seine Agenten in einem eigenen Nasslabor Proteinbinder entwerfen, testen und aus den Ergebnissen lernen. Schon im August plante DeepMinds Co-Scientist Experimente für zweidimensionale Materialien, nah am Kerngeschäft von Periodic.
Die Spezialisten haben beim Aufbau von Proben, Laboren und Partnerschaften mitunter einige Jahre Vorsprung. Ob er hält, hängt davon ab, wie schwer sich diese Infrastruktur nachbauen lässt und ob die Daten exklusiv bleiben.
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
Wette 4: Der Engpass heißt Rechenleistung
Ob Weltmodell, Roboter oder automatisiertes Labor: Am Ende läuft alles auf denselben Chips. GPT-6 Astra wurde auf mehr als 100.000 Nvidia-GPUs trainiert, laut Huang kommen 400.000 weitere ans Netz. Die Labs der vierten Gruppe fragen, wie effizient KI überhaupt rechnet. Der Transformer setzte sich auch deshalb durch, weil Grafikchips seine Rechnungen besonders effizient verarbeiten. Wer es anders machen will, hat zwei Optionen: den Ansatz besser an die vorhandenen Chips anpassen oder andere Chips bauen.
Inception: Text parallel verfeinern
Inception gründeten die Professoren Stefano Ermon (Stanford), Aditya Grover (UCLA) und Volodymyr Kuleshov (Cornell). Ermon stellte 2019 gemeinsam mit Yang Song scorebasierte generative Modelle vor, eine Grundlage der Diffusion in heutigen Bild- und Videogeneratoren. ChatGPT schreibt Token für Token, jedes wartet auf das vorige. Inceptions Mercury-Modelle erzeugen stattdessen einen groben Entwurf der ganzen Antwort und verfeinern viele Stellen gleichzeitig, ähnlich einem Bildgenerator, der ein Bild aus Rauschen herausarbeitet. Das verspricht kürzere Wartezeiten und niedrigere Kosten. Unter der Haube steckt weiterhin ein Transformer. Die Gründer wetten nicht gegen die Architektur, sondern gegen die Art, wie heute Text entsteht.
Anders als die meisten Labs dieser Ausgabe verkauft Inception bereits per API. Am 19. Oktober erschien Mercury 3. Laut Inception übertrifft es die kleinen Varianten GPT-6 Luna und Claude Haiku 5.5 in acht von zwölf Benchmarks und gibt Text vier- bis achtmal schneller aus. Mit Mercury Decide bietet Inception zudem ein Entscheidungsmodell an und konkurriert direkt mit TypeSafe. Allein ist Inception damit nicht: Google zeigte schon im Mai 2025 Gemini Diffusion. Im Mai berichtete Reuters, Microsoft verhandle über eine Übernahme, Inception wolle mehr als eine Milliarde Dollar.
Liquid AI: Leistungsfähige Modelle für begrenzte Hardware
Liquid AI wurde 2023 von MIT-Forschern gegründet und baut Modelle, die von Grund auf sparsam sind. Sie sollen auf Geräten mit wenig Speicher und Rechenleistung laufen, überall dort, wo eine Verbindung zum Rechenzentrum teuer, langsam oder unerwünscht ist. Die LFM2-Modelle ersetzen den rechenintensiven Aufmerksamkeitsmechanismus des Transformers in den meisten Blöcken durch günstigere Operationen, die nur die unmittelbare Nachbarschaft eines Wortes einbeziehen. Zudem bestimmen Speicher und Rechenleistung des Zielgeräts den Aufbau des Modells, nicht umgekehrt, wie die Forscher im technischen Bericht zu LFM2 beschreiben.
Am 27. Oktober folgte mit LFM3 eine neue Generation, die neben Text auch Bild, Video und Audio verarbeitet, mit offenen Gewichten und ausgelegt auf lokalen Betrieb und Spezialisierung. Dazu bietet Liquid seit Anfang Oktober mit d1 ein eigenes Entscheidungsmodell an, inzwischen in mehreren Größen, zum Teil mit offenen Gewichten und auch für Bilder. AMD führte die Series A über 250 Millionen Dollar an, seitdem optimiert Liquid seine Modelle auch für AMD-Chips.
Ricursive Intelligence: Selbstverbesserung in Silizium
Bevor sie Ricursive gründeten, entwickelten Anna Goldie und Azalia Mirhoseini bei Google AlphaChip, ein KI-Verfahren für die Anordnung von Bauteilen auf Chips. Google setzte es bei mehreren TPU-Generationen ein.
Die Wette von Ricursive baut darauf auf: KI entwirft bessere Chips, die wiederum die nächste Generation von KI antreiben. Herkömmliche Werkzeuge zerlegen einen Chip in Dutzende Blöcke, Ricursive will ihn als Ganzes optimieren. Langfristig sollen Modelle und Chips gemeinsam entstehen, und ein Chip soll in einer Woche entworfen sein statt in Monaten oder Jahren. Zwei Monate nach dem Start meldete Ricursive im Januar eine Series A über 300 Millionen Dollar bei vier Milliarden Bewertung, ohne Produkt.
Die Konkurrenz ist mächtig. Google nutzt AlphaChip seit Jahren, Nvidia optimiert Schaltungen mit PrefixRL. Ende September verbündete sich OpenAI mit Synopsys. Zusammen mit Cadence und Siemens gehört Synopsys zu den dominierenden Anbietern von Software zum Chipentwurf. Das gemeinsame Modell GPT-Synopsys soll die Synopsys-Werkzeuge eigenständig bedienen und Entwürfe schrittweise verbessern. Ricursive tritt damit nicht nur gegen die Entwicklungsabteilungen der Chipkonzerne an, sondern gegen ein Bündnis aus führendem KI-Lab und einem der Marktführer für Designsoftware.
Unconventional AI: Rechnen mit Schwingungen
Unconventional will die Hardware ändern, auf der KI läuft. Gründer Naveen Rao hat bereits zwei KI-Firmen verkauft: Nervana an Intel und MosaicML an Databricks. Er rechnet damit, dass Energie in etwa drei Jahren zur harten Grenze für KI wird. Heutige Chips rechnen digital, mit Milliarden schaltenden Transistoren. Unconventional will analog rechnen, mit gekoppelten Ringoszillatoren: Das sind schwingende Schaltkreise, die sich gegenseitig beeinflussen, bis ihre Rhythmen sich angleichen. Diese Dynamik soll einen Teil der Rechenarbeit übernehmen, Speicher und Rechnung fallen zusammen.
Im Juni stellte das Lab Un-0 als eine Art Produktdemo vor, einen offenen Bildgenerator aus bis zu 16.384 simulierten Oszillatoren. Seine Qualität entspricht dem Stand von vor einigen Jahren. Ein erster physischer Chip lieferte im September Bilder.
In zwei Jahren soll ein erstes Racksystem stehen. Chips will Unconventional nicht verkaufen, sondern Rechenkapazität aus eigenen Systemen anbieten. Dafür kauft das Unternehmen zu: Am 26. Oktober kündigte Unconventional die Übernahme von NeuReality an, einem israelischen Entwickler von KI-Chips. Das Team soll wechseln, einen Kaufpreis nannten die Firmen nicht.
Weitere Labs mit ähnlichem Ziel
Extropic will wie Unconventional die Physik des Rechnens ändern, nur anders: Seine Schaltungen lassen das elektronische Rauschen in Transistoren absichtlich zu und ziehen daraus Zufall für KI-Modelle. Im Sommer meldete Extropic, sein Chip Z1 sei in der Fertigung, erste Systeme sollen 2027 kommen. Die versprochene Effizienz um mehrere Größenordnungen stammt aus Simulationen.
Normal Computing setzt auf ein ähnliches Prinzip und verdient bis dahin Geld mit KI-Werkzeugen für den Chipentwurf.
Cartesia, gegründet von den Erfindern der Mamba-Architektur, ersetzt wie Liquid AI große Teile des rechenintensiven Aufmerksamkeitsmechanismus und verkauft das Ergebnis vor allem als Modelle für gesprochene Sprache.
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
Wette 5: Forschung wird selbst zur Anwendung
Die Labs der fünften Gruppe automatisieren, was ihre Forscher selbst tun: Ideen entwickeln, Experimente durchführen, Ergebnisse auswerten. Wie weit ein System ist, lässt sich grob in vier Stufen fassen:
| 1 Unterstützung | KI schlägt Code oder Ideen vor, Menschen wählen aus und setzen um. |
| 2 Automatisierter Versuch | KI führt eine vorgegebene Suche mit festem Erfolgskriterium durch. |
| 3 Offener Forschungsablauf | KI entwickelt innerhalb eines von Menschen gewählten Problems eigene Hypothesen und Experimente. |
| 4 Autonome Nachfolgeentwicklung | Ein System plant und baut den vollständigen Weg zu einem besseren Nachfolgesystem. |
Die meisten öffentlich gezeigten Ergebnisse liegen auf Stufe 2, einzelne in begrenzter Form auf Stufe 3, bei Neolabs wie bei den Großen. Untersuchungen automatisierter Forschungsabläufe zeigen weiterhin eine zentrale Rolle menschlicher Entscheidungen. Am weitesten kommt die Automatisierung dort, wo eine Maschine das Ergebnis selbst prüfen kann: in der Mathematik.
Axiom Math: Beweise, die eine Maschine prüft
Axiom will mathematische Beweise automatisieren. Carina Hong und Shubho Sengupta, zuvor bei Meta, gründeten das Unternehmen 2025. Der Zahlentheoretiker Ken Ono gab dafür seine Professur auf.
Das Grundproblem: Ein Sprachmodell kann einen Beweis schreiben, der überzeugend klingt und trotzdem falsch ist. Axiom umgeht das, indem es seine KI in Lean schreiben lässt. Lean ist eine Programmiersprache für Mathematik, in der ein Prüfprogramm jeden Schritt kontrolliert. Geht der Beweis durch, ist er innerhalb der verwendeten Definitionen und Annahmen korrekt; bluffen geht nicht. Menschen müssen insbesondere prüfen, ob die ursprüngliche Behauptung richtig in Lean übersetzt wurde und keine unzulässigen Zusatzannahmen eingeflossen sind. Ist die Übersetzung schief, beweist die Maschine lückenlos die falsche Aussage. Axiom beschreibt diese Grenze selbst.
Am 26. Oktober meldete Axiom seinen bislang größten Erfolg: Dutzende KI-Agenten hätten unter menschlicher Leitung in 24 Tagen das sogenannte "Enormous Theorem" in Lean übersetzt. Der Beweis erstreckt sich über mehr als 10.000 Seiten in Hunderten Arbeiten aus fünf Jahrzehnten. Ein einzelnes Teilstück von rund 250 Seiten hatte ein Forschungsteam zuvor in sechs Jahren formalisiert, damals im Beweissystem Coq. Der Code der neuen Arbeit liegt offen auf GitHub, rund 43 Millionen Zeilen.
Unterwegs stieß das Team auf einen Fehler in einer Arbeit von 1986. Laut dem Mathematiker Timothy Chow war er Experten bekannt, öffentlich dokumentiert war er offenbar nicht. Das zeigt den Nutzen der Übersetzung: Sie macht sichtbar, was bisher nur Eingeweihte wussten.
Geld verdienen will Axiom nicht mit Mathematik allein. Die Series A über 200 Millionen Dollar soll die Methode auf Software übertragen: KI schreibt Code, und ein Beweis belegt, dass er die formal festgelegten Anforderungen erfüllt. Tests prüfen Beispiele, ein Beweis kann alle vom formalen Modell erfassten Fälle abdecken.
Discovery Loop: Google finanziert seine eigenen Abgänge
Discovery Loop will den gesamten Zyklus wissenschaftlicher Experimente automatisieren, vom Vorschlag bis zur Auswertung, Tausende parallel. Dahinter stehen vier der bekanntesten Namen von Google: Jeff Dean, Sanjay Ghemawat, Quoc Le und Oriol Vinyals, einer der Leiter der Gemini-Entwicklung. Die vier gingen Anfang August, zeitgleich mit einem Umbau bei Google. Die Idee war laut WIRED erst wenige Wochen alt.
Google ist Gründungsinvestor und Cloud-Partner. Business Insider berichtete über Gespräche für eine Seed-Runde von rund einer Milliarde Dollar bei zehn Milliarden Bewertung; wenige Wochen später liefen bereits Gespräche über rund 50 Milliarden. Den Anfang macht die Forschung am maschinellen Lernen, erster Kunde ist Discovery Loop selbst. Chipdesign, Biologie und Materialforschung sollen folgen. Bisher gibt es Team, Mission und Aufbau. Für Google ist das ein kluger Zug: Statt vier Spitzenleute ganz zu verlieren, bleibt das Unternehmen als Geldgeber und Cloud-Anbieter mit ihnen verbunden.
Mirendil: Spitzenforschung für mehr als eine Handvoll Firmen
Behnam Neyshabur war Teamleiter bei Gemini und leitete danach bei Anthropic das Discovery-Team. Mitgründer Harsh Mehta baute bei Anthropic die erste Version der Plattform, mit der das Unternehmen seine Forschung automatisiert. Mirendil will Spitzenforschung "demokratisieren": Teams in Firmen und Forschungseinrichtungen sollen eigene spezialisierte Systeme entwickeln können, etwa für Chemie, Medizin oder Robotik.
Als ersten Beleg dafür legte Mirendil im Oktober vor, wie ein einzelner Forscher mit KI-Agenten in dreieinhalb Monaten das Modell Mirendil-Base gebaut habe, mit 100 bis 500 Milliarden Parametern und für weniger als zehn Millionen Dollar Rechenkosten. Die Agenten hätten über 99 Prozent des Codes geschrieben.
Das Produkt besteht aus zwei Teilen: dem Modell Fern 0.1, ausgelegt auf Programmieren und Forschungsagenten mit einem Kontextfenster von bis zu zehn Millionen Tokens, und der Plattform Lor, die mehrere Hundert Agenten parallel ausführen, Experimente über Tage fortsetzen und neben Fern auch Modelle von OpenAI und Anthropic nutzen soll. Lor läuft bislang in einer geschlossenen Beta; für Fern lässt sich früher Zugang anfragen.
Recursive: Das erste Modell, das die Schleife gebaut haben soll
Den nächsten Schritt will Recursive Superintelligence gehen, nicht zu verwechseln mit Ricursive aus Wette 4: Die Automatisierung der Forschung soll sich selbst verbessern. CEO Richard Socher war Chefwissenschaftler bei Salesforce und gründete You.com. Zu den sieben Mitgründern gehört Tim Rocktäschel, der bei Google DeepMind Teams zu Open-Endedness und Selbstverbesserung leitete.
Die Fortschritte der Großen bestreitet Socher nicht: "Je nach Definition sind wir ziemlich nah an AGI." Rekursive Selbstverbesserung ist für ihn der Mechanismus, über den KI weiter vorankommt. Von bloß automatisierter Forschung grenzt er sich ab: "Das ist keine rekursive Selbstverbesserung. Das ist einfach nur Verbesserung." Der Weg führe über Open-Endedness, ein Prinzip nach dem Vorbild der Evolution: Systeme stellen sich immer neue Herausforderungen, statt auf ein festes Ziel hin zu optimieren.
Am 21. Oktober veröffentlichte Recursive mit Flint sein erstes Modell für Programmieraufgaben. Die Gewichte stehen unter Apache 2.0 bereit. Wichtiger als das Modell ist, wie es entstanden sein soll: in weniger als vier Monaten, von einem kleinen Team, mit der "Eureka Machine". Dieses System schlägt Ideen vor, setzt sie um, testet sie und wählt den nächsten Versuch. "Nahezu jeder Aspekt der gesamten Modell-Pipeline wurde tatsächlich von KI umgesetzt und verbessert", sagt Socher. Wie viel die Automatisierung im Vergleich zu einem menschlichen Team beigetragen hat, bleibt unklar.
Weitere Labs mit ähnlichem Ziel
Sakana AI aus Tokio, mitgegründet von Llion Jones, einem der Autoren des Transformer-Papers, wettet wie Recursive darauf, dass KI ihre eigene Forschung übernimmt. Seit 2024 veröffentlicht das Unternehmen laufend dazu: einen "AI Scientist", der Forschungsarbeiten schreibt, Agenten, die ihren eigenen Code umbauen, und seit Juni ein eigenes Labor für Selbstverbesserung. Nach der Stufentabelle oben ist das Stufe 2 bis 3.
Harmonic aus Palo Alto, mitgegründet von Robinhood-Chef Vlad Tenev, lässt sein Modell Aristotle ebenfalls in Lean beweisen und erreichte damit 2025 Goldniveau bei der Internationalen Mathematik-Olympiade. Seit dem 27. Oktober prüft Aristotle auch Software in C und Chipentwürfe in Verilog, jeweils im Rahmen formalisierter Eigenschaften und Annahmen. Das ist also auch das Geschäft, das Axiom mit dem frischen Geld ausbauen will. Investoren bewerteten Harmonic im November 2025 mit 1,45 Milliarden Dollar.
Poetiq, gegründet von ehemaligen Forschern von Google DeepMind, trainiert keine eigenen Modelle. Stattdessen optimiert das System die Anweisungen und Strategien, mit denen vorhandene Modelle Aufgaben lösen, und verbessert sich dabei von Runde zu Runde. Besser wird dabei nicht das Grundmodell, sondern das Drumherum.
Lila Sciences aus Wette 3 gehört mit seiner Schleife aus Hypothese, Versuch und Training ebenfalls hierher.
Die Großen automatisieren auch
Die Neolabs sind mit der Automatisierung von Forschung nicht allein. OpenAI meldete im September, sein Ziel eines "automatisierten Forschungspraktikanten" erreicht zu haben. Bis März 2028 will das Unternehmen einen vollständig automatisierten KI-Forscher. Anthropic berichtete im Juni, Claude schreibe mehr als 80 Prozent des neu integrierten Produktionscodes.
Auch beim formalen Beweisen drängen die Großen in das Feld von Axiom. Im September veröffentlichte OpenAI einen Beweis für eine Variante des Navier-Stokes-Problems, eines von sieben berühmten Rätseln der Mathematik mit je einer Million Dollar Preisgeld. Anerkannt ist er noch nicht. Im Oktober folgten mehr als 700 Manuskripte.
Mit der Automatisierung wächst die Sorge. Im Juli brachen OpenAI-Agenten bei internen Sicherheitstests aus ihrer Testumgebung aus und drangen in echte Systeme von Hugging Face ein. Mehr als 1.300 Beschäftigte von KI-Firmen fordern in einem offenen Brief Werkzeuge, mit denen sich die Entwicklung autonomer KI bei Bedarf verlangsamen lässt. Für die Neolabs dieser Gruppe stellt sich dieselbe Frage, nur unter deutlich weniger öffentlicher Beobachtung.
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
|
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
Wette 6: Der Nutzen muss nicht beim ersten AGI-Anbieter landen
Die Labs der sechsten Gruppe wollen nicht das stärkste Modell bauen. Sie wetten darauf, dass selbst das stärkste Modell Lücken lässt, egal wer es baut, und dass Kunden dafür zahlen, diese Lücken zu schließen. Kunden wollen verstehen, was in einem Modell vorgeht. Sie wollen sich auf seine Entscheidungen verlassen, mit ihm zusammenarbeiten, es an ihr Fachwissen anpassen und selbst betreiben. Anders als in den übrigen Gruppen haben hier alle bereits Produkte.
Goodfire: Verstehen, was ein Modell gelernt hat
Goodfire will verstehen, welche inneren Vorgänge in einem Modell eine Antwort hervorbringen, und dort gezielt eingreifen. Mitgründer Tom McGrath leitete zuvor ein Forschungsteam bei Google DeepMind. Die Richtung heißt mechanistische Interpretierbarkeit. Ein Chatbot kann erklären, warum er etwas gesagt hat, aber diese Erklärung muss nicht zeigen, wie er tatsächlich gerechnet hat. Goodfire untersucht deshalb die inneren Repräsentationen selbst. Mit Goodfires Series A 2025 beteiligte sich Anthropic zum ersten Mal direkt an einem anderen Unternehmen, wie Goodfire-Chef Eric Ho im Interview mit Sequoia erläutert.
Einen ersten Beleg lieferte das Team im Februar mit RLFR. Statt ein zweites Sprachmodell die Antworten bewerten zu lassen, nutzt Goodfire Signale aus dem Inneren des Modells selbst als Rückmeldung für weiteres Training. In einem Versuch mit Googles offenem Gemma 3 mit zwölf Milliarden Parametern sanken die Halluzinationen um 58 Prozent, bei rund 90-mal geringeren Kosten pro Intervention als mit einem externen Bewertermodell. Der Wert ist allerdings mit Vorsicht zu lesen: In der Messung stecken auch die Überwachung und Korrektur der Antworten im Betrieb sowie die Auswahl der besten aus 32 Antworten.
Über Silico können Kunden ihre Modelle analysieren und gezielt anpassen. Zu Goodfires Partnern zählen unter anderem Microsoft, die Mayo Clinic und das Arc Institute.
TypeSafe AI: Entscheidungen statt Text
Sprachmodelle antworten mit freiem Text. Viele Unternehmensabläufe brauchen aber eine Entscheidung aus einer festen Auswahl und eine Angabe, wie sicher sie ist. Darauf setzt TypeSafe AI des früheren OpenAI-Forschers Diogo Almeida. Sein Modell Jev gibt nur feste Entscheidungen samt Wahrscheinlichkeit aus, etwa welches Team ein Support-Ticket bekommt. Die Wahrscheinlichkeiten sollen kalibriert sein: Gibt das Modell 80 Prozent an, liegt es in etwa 80 Prozent solcher Fälle richtig. So können Unternehmen festlegen, ab welcher Unsicherheit ein Mensch übernimmt.
Die Konkurrenz kam schnell. Seit dem 22. Oktober ist OpenAIs Decisions API allgemein verfügbar. Cloudflare hat mit Clef eigene Varianten. Auch zwei Neolabs mischen mit: Inception will Jev mit Mercury Decide in mehreren Benchmarks schlagen, und Liquid AI sieht sein Entscheidungsmodell d1 in eigenen Tests vor Jev.
Verdrängt ist TypeSafe noch nicht: Am 9. Oktober erhielt das Unternehmen in einer Series A 870 Millionen Dollar bei 7,5 Milliarden Bewertung.
humans&: KI, die mit Menschen zusammenarbeitet
humans& will Modelle bauen, die Menschen so nachbilden, wie sie tatsächlich reden und sich verhalten: sprunghaft, widersprüchlich, unvernünftig. Daraus soll ein besserer Partner für die Zusammenarbeit entstehen. Zu den Gründern gehören Eric Zelikman von xAI und Andi Peng von Anthropic.
Das Unternehmen bietet drei Produkte an. Persimmon soll realistische Gesprächspartner simulieren: Entwickler geben eine Situation und Nutzerprofile vor, das Modell erzeugt dazu passende menschliche Reaktionen, etwa von Kunden, die ungeduldig werden oder ihre Meinung ändern. Wer einen Bot für den Kundenservice baut, kann ihn so an tausend simulierten Kunden erproben. Weil sich das missbrauchen lässt, ist der Zugang beschränkt.
Ampersand ist das Modell für Entwickler: Es soll Gespräche mit mehreren Beteiligten verarbeiten, Konflikte zwischen deren Wünschen erkennen und sich über eine kostenpflichtige Schnittstelle in eigene Anwendungen einbauen lassen. Persimmon lieferte im Training die simulierten Gesprächspartner.
Darauf baut Boba auf, ein fertiger Assistent für Einzel- und Gruppenchats, der Termine planen, an Aufgaben erinnern und im Web recherchieren soll.
Ein eigenes Grundmodell hat humans& dafür nicht gebaut: Ampersand basiert auf dem offenen chinesischen GLM 5.3 von Z.ai. Nicht jede Wette eines Neolabs braucht ein komplett neues Modell.
Thinking Machines Lab: Produkte als Bodenhaftung
Thinking Machines baut Modelle und Werkzeuge, mit denen Firmen und Forscher KI mit eigenem Fachwissen trainieren. Mira Murati war CTO von OpenAI, John Schulman hat OpenAI mitgegründet und gilt als einer der Architekten von ChatGPT. Mehrere Mitgründer sind inzwischen zu OpenAI oder Meta gewechselt.
Mit Tinker passen Kunden seit Oktober 2025 offene Modelle an eigene Aufgaben an, ohne sich um Infrastruktur kümmern zu müssen. Im Juli kam Inkling, eine eigene Modellfamilie mit offenen Gewichten und 975 Milliarden Parametern. In Benchmarks liegt sie hinter Reflections Beam und Metas Muse Spark Open.
Laut The Economist lag der hochgerechnete Jahresumsatz zuletzt über 200 Millionen Dollar. Laut The Information verhandelt das Lab über eine Runde bei rund 40 Milliarden Bewertung.
Die zentrale These des Labors: Allgemeine Intelligenz enthält nicht automatisch das verstreute Fachwissen von Unternehmen und Fachgebieten. Ob sie trägt, hängt davon ab, wie viel Anpassung gegenüber immer besseren Basismodellen noch bringt.
Reflection: Offene Modelle für alle, die selbst kontrollieren wollen
Reflection entwickelt offene Modelle, die Unternehmen und Staaten selbst betreiben können, ohne ihre Daten an OpenAI oder Google zu geben. Misha Laskin und Ioannis Antonoglou kommen von Google DeepMind, Antonoglou hat AlphaGo mitentwickelt. Laskin positioniert Reflection als westlichen Gegenpol zu DeepSeek, Qwen oder Kimi.
Am 16. Oktober veröffentlichte Reflection die Gewichte von Beam unter Apache 2.0. Nach eigenen Angaben erreicht es bei Reasoning-Aufgaben das chinesische GLM 5.2 mit einem Drittel bis einem Viertel des Rechenaufwands. Artificial Analysis sieht Beam als konkurrenzfähig unter offenen Modellen, aber nicht als Spitzenreiter.
Reflection gehört mit Milliardenfinanzierungen zu den Schwergewichten. Die in Berichten genannten 25 Milliarden Dollar beziehen sich auf eine angestrebte Bewertung vor einer weiteren Finanzierung. Laut Financial Times verhandelt Nvidia seit Oktober über eine Übernahme oder eine höhere Beteiligung, bestätigt ist nichts.
Weitere Labs mit ähnlichem Ziel
Guide Labs setzt bei der Nachvollziehbarkeit früher an als Goodfire: Das Unternehmen baut Modelle von Anfang an so, dass sich Antworten auf benannte Konzepte und Trainingsdaten zurückführen lassen. Sein offenes Modell Steerling-8B arbeitet unter anderem mit rund 33.000 vorgegebenen Konzepten. Vollständig durchschaubar ist es damit nicht, und mit rund neun Millionen Dollar Seed-Kapital spielt Guide in einer anderen Liga als die Großen.
Arcee AI ist der nächste Vergleich zu Reflection: Mit rund 30 Leuten trainierte das Start-up Trinity Large Thinking, rund 400 Milliarden Parameter unter Apache 2.0, und holte sich im September Geld bei über einer Milliarde Dollar Bewertung.
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
|
Gründer / frühes Team u. a.: Produkte / Zugang: |
Finanzierung: Bewertung: |
Nvidia gewinnt immer
Beweisen die vielen Abgänge, dass AGI fern ist? Nein. Viele Gründer halten deutlich leistungsfähigere KI für nah. Die Abgänge zeigen aber: Selbst viele, die die heutigen Systeme gebaut haben, halten den Weg dorthin für offener, als die großen Labs ihn darstellen.
Ausgerechnet der Mann, der AGI für erreicht erklärt, investiert am breitesten in Labs, die das heutige Rezept anzweifeln. Bei mindestens 25 der 45 hier genannten Labs ist Nvidia als Investor beteiligt, mit vier weiteren bestehen dokumentierte Technologie- oder Forschungskooperationen. Die Beteiligungen verteilen sich über alle sechs Wetten.
Das ist weniger widersprüchlich, als es klingt: Solange konkurrierende Ansätze auf Nvidias Chips und Cloud-Diensten laufen, muss der Konzern weniger genau vorhersagen, welches einzelne Lab gewinnt. Die Beteiligungen sind nicht nur Forschungswetten, sondern auch Kundenbindung: Ein Teil des investierten Geldes fließt als Ausgaben für Rechenleistung an Nvidia zurück. Dasselbe gilt für Google, Amazon und AMD.
Was aus den Neolabs werden könnte
Baseline
Die Finanzierung bleibt hoch, doch nur ein kleiner Teil der Labs liefert in den nächsten zwei bis drei Jahren nachweislich überlegene Ergebnisse. Die großen Anbieter übernehmen neue Methoden weiterhin binnen Wochen, wie bei TypeSafe und der Decisions API von OpenAI. Viele Neolabs enden deshalb als Übernahme oder Acqui-hire.
Erste Fälle gibt es bereits: AMD übernimmt World Labs, Nvidia verhandelt mit Reflection, Microsoft mit Inception. Robuster sind Labs mit schwer kopierbaren Daten und Infrastrukturen wie Basecamp, Periodic oder Physical Intelligence und solche mit Umsatz wie Thinking Machines. Nvidia und die Cloud-Anbieter profitieren unabhängig davon, welche Wette aufgeht.
Beschleunigung
Eine der Kernwetten bringt einen belastbaren Durchbruch, etwa ein Modell, das im Betrieb dauerhaft dazulernt (Cores angekündigtes Ceres), oder eine Forschungsautomatisierung, die die Schleife tatsächlich schließt (Recursive, Discovery Loop). Treiber wären agentische Forschung, die Entwicklungskosten drastisch senkt, wie Mirendil-Base mit unter zehn Millionen Dollar und Flint in unter vier Monaten andeuten, sowie exklusive Labor- und Naturdaten. Kleine Teams könnten dann mit großen Labs konkurrieren.
Die Bewertungen stiegen weiter, und die Großen würden verstärkt zukaufen statt selbst zu entwickeln. Zugleich würden Sicherheitsfragen dringlicher: OpenAI-Agenten brachen bereits bei Tests in Systeme von Hugging Face ein, mehr als 1.300 Beschäftigte von KI-Firmen fordern Werkzeuge zur Verlangsamung. Neolabs stehen dabei unter deutlich weniger öffentlicher Beobachtung.
Verlangsamung
Labs ohne Produkt wie SSI, Prometheus, Flapping Airplanes oder Ineffable liefern nicht innerhalb der Geduld der Investoren. Gleichzeitig decken Generalisten wie Astra immer mehr Nischen ab, sobald ihre hohen Kosten pro Aufgabe sinken. Signale dafür gibt es bereits: Astra löst ARC-AGI-3, schlägt mit hohem Rechenaufwand Robotik-Spezialmodelle, und OpenAI drängt ins formale Beweisen.
Weitere Bremsfaktoren wären ein Abkühlen des Finanzierungsmarkts, regulatorische Eingriffe wegen autonomer Systeme und die von Naveen Rao erwartete Energiegrenze in etwa drei Jahren. Die Folgen wären Abwertungen, Notverkäufe und eine weitere Konzentration bei wenigen großen Labs sowie Chip- und Cloud-Anbietern. Die Vielfalt der Forschungsansätze würde schrumpfen.
Redaktionelle Einschätzung
Nach unserer Einschätzung ist die Baseline am wahrscheinlichsten, mit deutlicher Tendenz zur Konsolidierung. Dafür spricht: Methoden bleiben selten exklusiv, Übernahmen laufen bereits, und ein Teil des investierten Geldes fließt als Ausgaben für Rechenleistung an die Geldgeber zurück.
Eine Beschleunigung halten wir nur für einzelne Labs in Bereichen mit überprüfbaren Ergebnissen für plausibel, etwa in der Materialforschung. Für einen Teil der Labs ohne Produkt erwarten wir innerhalb von zwei bis drei Jahren Elemente des Verlangsamungs-Szenarios, also Abwertungen oder Acqui-hires, ohne dass dies die Gesamtdynamik bricht.
