DPCM Capital WKN: A3DSV9 ISIN: US26740W1099 Forum: Aktien Thema: Hauptdiskussion

Ich weiß zwar nicht, ob du mich überhaupt meinst, aber ich fühle mich zumindest mal angesprochen😊. Da ich allerdings hauptsächlich sachliche Informationen teile, auf die Aktenhai dann Bezug genommen hat und somit daraufhin kurze Konversationen entstanden sind, verstehe ich dich nicht ganz😊. Bei Informationen geht es aus meiner Sicht sehr wohl darum, welche korrekt sind und welche falsch sind :). Darüber sollte man ja auch diskutieren dürfen. Wer dann letztendlich recht oder Unrecht hatte ist mir persönlich zumindest einerlei, da sich ja auch jeder mal irren kann / darf. Aber möglicherweise meinst du ja auch jemand anderes 🤷🏼‍♂️.

Inflow ist höher als outflow. Da tut sich aber trotzdem sehr wenig.

Deine Quelle ChatGPT - auch KI macht Fehler ----> Ich habe geschrieben: Nach meiner Info waren es 10-20 Fahrzeuge - ich zitiere keinen Artikel wie es ChatGPT macht :-)

„Nein — die Aussage ist nur teilweise korrekt und etwas vereinfacht: ✅ Was tatsächlich zur CES-Demo bestätigt wurde ➡️ D-Waves Live-Demo zur CES 2026 zeigte eine Hybrid-Routing-Berechnung, die innerhalb von ca. ~30 Sekunden ein Optimierungsproblem löste, inklusive Netzwerk-Overhead, Pre- und Post-Processing – also nicht nur reine Quantum-Rechenzeit, sondern der komplette Ablauf vom Absenden bis Ergebnis.  ➡️ In der Demo wurde ein Fahrzeug-Routing-Problem gelöst – aber der Artikel nennt keine konkrete Zahl von 10–20 Fahrzeugen oder anderen festen Größen wie 500–1000. Es wird lediglich gezeigt, dass der Hybrid-Solver für den betrachteten Fall schneller konvergierte als der klassische K-means-Ansatz.  ➡️ Die Demo war kein standardisiertes Benchmark-Setup, sondern eine Präsentation vor Publikum; Details zu Problemgröße, Parametern oder genauen Vergleichen mit klassischen Systemen wurden nicht im Detail offen gelegt.  ⚠️ Warum der Vergleich mit klassischen Rechnern schwierig ist 👉 Klassische Systeme können in vielen Fällen etwa 500–1000 Fahrzeuge oder größere Flotten routen, wenn man spezialisierte Algorithmen, Parallel-Rechner, GPUs usw. nutzt — und das häufig in deutlich unter 10 Sekunden für konkrete Instances. Das ist kein Widerspruch zu der Aussage, aber es ist nicht direkt auf das CES-Demo-Setup übertragbar, weil dort: • keine genauen Problemgrößen genannt wurden, • kein offizieller Vergleich mit Best-in-Class-Algorithmen auf starker Hardware präsentiert wurde, • die Hybrid-Lösung andere Parameter und Overhead-Effekte hat als reine Klassik-Benchmarks.  👉 D-Wave selbst sagt, dass ihre Solver Probleme bis zu Millionen von Variablen/Constraints verarbeiten können, aber das ist nicht gleichbedeutend mit sofortiger Echtzeit-Routenplanung für große Flotten, sondern ein Hinweis auf die Skalierbarkeit im Hybrid-Kontext.  📌 Fazit ✔️ Die Demo lief in ~30 Sekunden, aber die genaue Anzahl der Fahrzeuge oder Problemgröße wurde nicht öffentlich detailliert angegeben.  ✔️ Klassische Rechner sind heute skalierbar für sehr große Flotten und können mit optimierten Algorithmen in kurzer Zeit Ergebnisse liefern — dieser allgemeine Vergleich ist prinzipiell richtig, aber nicht direkt mit der CES-Demo messbar.“ (Quelle: ChatGPT)

nach meiner Info waren es bei D-Wave Demo 10–20 Fahrzeuge Routenplanung in 30–60 Sekunden !! Normale "Rechner" schaffen 500–1000 Fahrzeuge live skalierbar in <10 Sekunden.........