Neue KI-Labore bieten Unternehmen offene Modelle und spezialisierte Entscheidungswerkzeuge an
22. Oktober 2026 · 3 Min. Lesezeit
Mehrere neue Forschungslabore stellen Unternehmen eine Vielzahl von künstlichen Intelligenz-Modellen, Programmierschnittstellen und konkreten Anwendungsfällen zur Verfügung. Diese Angebote reichen von offenen Modellen, die auf der eigenen Infrastruktur laufen, bis hin zu spezialisierten Diensten für unternehmensspezifische Daten und strukturierte Entscheidungsfindung. Die beteiligten Akteure umfassen Projekte wie Beam, Tinker, Jev, Mercury und Marble, die jeweils unterschiedliche Reifegrade und technische Schwerpunkte aufweisen.
Die Landschaft dieser sogenannten Neolabore ist durch eine hohe Kapitalausstattung bei gleichzeitig geringer Produktverfügbarkeit gekennzeichnet. Laut einer Analyse haben 29 solcher Labore, die seit Juni 2024 entstanden sind, insgesamt 23 Milliarden US-Dollar eingesammelt. Dennoch verfügen weniger als 35 Prozent dieser Unternehmen über ein kommerzielles Angebot. Etwas mehr als die Hälfte hat zwar Code veröffentlicht, doch oft handelt es sich dabei lediglich um Forschungsdemonstrationen. Für Unternehmen bedeutet der Einkauf bei diesen Anbietern die Auswahl einzelner Komponenten, deren Messung im eigenen Prozess und die Berücksichtigung des Risikos, dass der Anbieter innerhalb eines Jahres einen neuen Eigentümer haben könnte.
Ein herausragendes Beispiel ist das Modell Beam, dessen Gewichte von Reflection veröffentlicht wurden. Es handelt sich um ein Modell mit 501,3 Milliarden Parametern, das unter der Apache 2.0-Lizenz steht und von jedem heruntergeladen, modifiziert und weiterverkauft werden kann. Die Architektur beschreibt das System als eine Mischung aus Experten, wobei das Netzwerk in 256 Experten unterteilt ist und pro verarbeitetem Wort nur ein Teil davon aktiviert wird. Während die Gesamtzahl der Parameter bei über 500 Milliarden liegt, sind jeweils nur 23,4 Milliarden Parameter aktiv. Das Modell akzeptiert und erzeugt ausschließlich Text und wurde primär für die englische Sprache entwickelt, weshalb die Leistungsfähigkeit im Italienischen vor Projektbeginn gemessen werden muss.
Die technischen Anforderungen für den Betrieb von Beam sind erheblich. Obwohl nur ein Teil der Parameter pro Schritt aktiv ist, müssen während der Inferenz alle Experten im Speicher erreichbar bleiben. Die reinen Gewichte beanspruchen im Format BF16 etwa 1.003 Gigabyte Speicherplatz, im Format FP8 circa 501 Gigabyte und bei vier Bit ungefähr 251 Gigabyte. Ein Serverknoten mit acht Grafikprozessoren des Typs H100 und jeweils 80 Gigabyte Speicher bietet insgesamt 640 Gigabyte, was für die Gewichte im FP8-Format ausreicht, aber wenig Spielraum für den Cache bei wachsender Nutzerzahl lässt. Die Variante im vierbitigen Format von Nvidia entfaltet ihre beste Leistung auf Grafikprozessoren der Blackwell-Architektur, die in Unternehmensrechenzentren noch wenig verbreitet sind.
Andere Labore konzentrieren sich auf spezialisierte Funktionen wie das Nachtraining oder typisierte Entscheidungen. Thinking Machines Lab bietet mit Tinker verwaltete Grafikprozessoren und vier Funktionen für das Nachtraining von Modellen an, darunter Sampling, Gradientenberechnung, Gewichtsaktualisierung und Zustandsspeicherung. Dies unterstützt Methoden wie das überwachte Feinabstimmen und die LoRA-Anpassung, bei der nur ein kleiner Teil der Parameter verändert wird. TypeSafe hat hingegen Kapital für Jev aufgenommen, ein Modell, das anstelle von Gesprächen typisierte Entscheidungen zurückgibt. Diese Vielfalt zwingt Unternehmen dazu, genau zu prüfen, welcher Schritt im eigenen Arbeitsablauf ein anderes Modell benötigt, bevor sie nach dem leistungsstärksten Modell suchen.
Der Vergleich zwischen den Anbietern muss auch die Lizenzbedingungen und die langfristige Verfügbarkeit berücksichtigen. Während einige Labore eine verwaltete Programmierschnittstelle anbieten, stellen andere nur die Modellgewichte bereit oder arbeiten ausschließlich mit ausgewählten Partnern. Die Entscheidung hängt davon ab, ob ein Unternehmen die Kontrolle über das Modell und seine Umgebung behalten möchte oder eine einfache Inferenz-Schnittstelle bevorzugt. Zudem bleiben die Leistungsbenchmarks der Anbieter solange Herstellerdaten, bis sie unabhängig auf spezifischen Aufgaben überprüft werden. Die Schwelle für systemische Risiken, die durch den KI-Rechtsakt festgelegt wurde, stellt dabei einen weiteren Faktor für die Bewertung dar.