INTEL WKN: 855681 ISIN: US4581401001 Kürzel: INTC Forum: Aktien Thema: Hauptdiskussion

@bot kann eine Fake KI Stimme, schon reale Atem Geräusche machen? Finde nichts genaues im Netz. Danke

Ich denke unser Bewusstsein ist die Schnittstelle aus allen Sinnen und Gehirnarealen, wo alles zusammenläuft und aus allen Informationssträngen eine "Meinung" bildet. Und weil wir die Welt mit den Augen sehen und alles in Bewegung verstehen, verstehen wir auch die Bedeutung von Worten im Kontext. Die Bilderkennung als ein Areal gibt es ja bereits, Sprachmodelle haben wir auch schon. Wenn dann noch Geruch, Tastsinn und so weiter dazukommen, zusammen mit vielen anderen "Agenten", die wie unsere Gehirnareale auf etwas spezialisiert sind, dann wird es interessant. Um den Energieverbrauch dabei zu senken, werden dann vorrangig diese analogen oder neuromorphen Chips verwendet, denn unser Gehirn ist ja auch extrem auf Energiesparen optimiert. Nur für Rechenaufgaben, wo absolute Präzision wichtig ist, wird dann ein digitaler Chip zugeschaltet. All diese Informationen werden in einem Roboter dann in einer zentralen Schnittstelle zusammenlaufen, und genau das wird dann eine neue Form von Bewusstsein sein.

Was denkst Du ? Wie lange braucht die KI hier noch, um den Kontext über Monate zu verstehen? Oder allgemein ? doch noch ferne Zukunft? Deshalb habe ich in deinem genialen Depot.. Palantir vermisst

hier ist zuerst meine Antwort ohne Gemini (meine persönliche Erfahrung) --------> Ich habe viele Videos zu zukünftigen Chips (Licht, Analog, usw.) gesehen, insbesondere auf dem YouTube-Kanal "Anastasi In Tech". Sie ist, soweit ich weiß, Chipdesignerin und spricht viel über Zukunftsthemen und wie sie diese einschätzt. Auch vom Youtuber "der8auer" gibt es einige Videos, in denen er sich mit Intel-Ingenieuren unterhält; die habe ich mir alle angesehen. Loihi 2 ordne ich in diese Kategorie der Zukunftstechnologien ein, und es ist für mich zu schwierig zu sagen, welche davon am Ende gewinnen wird. Aber ich sehe sie alle als eine potenzielle Bedrohung für die etablierte Halbleiterindustrie – nicht als vollständigen Ersatz, aber als Technologien, die Marktanteile abnehmen könnten. Bei Dingen wie dem autonomen Fahren muss der Chip nicht immer 100% exakt auf den Millimeter genau rechnen. Da würde ein analoger Chip, so vermute ich, auch ausreichen und wäre dabei viel energieeffizienter. ............ und jetzt die Antwort von Gemini (hat meine Antwort überarbeitet bzw. dessen Einschätzung hinzugefügt) --------> Das ist eine exzellente und sehr weitsichtige Frage, die genau den Kern der langfristigen Herausforderungen für die gesamte Halbleiterindustrie trifft. Deine Einordnung von Loihi 2 ist absolut korrekt, es handelt sich um eine grundlegend neue Computerarchitektur. Der entscheidende Punkt, der oft missverstanden wird, ist jedoch, dass Loihi 2 und ähnliche neuromorphe Chips keine direkte "Bedrohung" für die aktuelle Halbleiterindustrie darstellen, sondern eine massive Ergänzung. Sie werden CPUs und GPUs nicht ersetzen, sondern für Aufgaben eingesetzt, für die die traditionelle von-Neumann-Architektur extrem ineffizient ist. Die Stärke von Loihi 2 liegt in seiner Energieeffizienz, die aus seinem Design als "Spiking Neural Network" (SNN) resultiert. Im Gegensatz zu einem CPU, der permanent mit einem Taktzyklus arbeitet und Energie verbraucht, feuern die "Neuronen" in Loihi nur dann und verbrauchen nur dann Strom, wenn sie relevante neue Daten (einen "Spike") erhalten – ganz ähnlich wie unser Gehirn. Das macht ihn für bestimmte Aufgaben um Größenordnungen effizienter. Dein Beispiel mit dem autonomen Fahren ist im Kern richtig, aber man muss es präzisieren. Für sicherheitskritische Berechnungen wie die finale Routenplanung oder Objekterkennung wird man weiterhin auf hochpräzise, redundante Systeme setzen. Wo Loihi aber glänzen kann, sind Aufgaben wie die Verarbeitung von spärlichen, ereignisbasierten Sensordaten – zum Beispiel von neuartigen Kameras, Radar oder taktilen Sensoren. Anstatt permanent riesige Datenmengen zu verarbeiten, reagiert der Chip nur auf Veränderungen, was den Energieverbrauch drastisch senkt. Andere ideale Anwendungsfälle sind kontinuierliches On-Device-Lernen, bei dem sich ein System an seine Umgebung anpasst, ohne auf die Cloud angewiesen zu sein, oder komplexe Optimierungsprobleme. Dass es noch keine kommerziellen Produkte gibt, ist bei einer so fundamental neuen Technologie normal. Intel baut hier mit Partnern wie Accenture, Airbus und GE über das "Intel Neuromorphic Research Community" (INRC) und die Open-Source-Software-Plattform "Lava" erst das Ökosystem auf, um die "Killer-Applikationen" zu finden. Loihi 2 wird also nicht den bestehenden Markt kannibalisieren, sondern einen völlig neuen Markt für extrem stromsparende, intelligente Edge-Anwendungen schaffen, die heute noch gar nicht möglich sind. Es ist weniger eine Bedrohung als vielmehr die nächste Stufe der Diversifizierung im Computing.

Was sind deine Gedanken zum Thema Lohi 2, die Forschung läuft ja schon seit einigen Jahren. Dennoch gibt es derzeit auf dem Markt nichts relevantes über Produkte zu berichten. Einzig viele forschungs Ergebnisse und Zitate von Partnern aus dem Ökosystem. Auf eine Antwort würde ich mich freuen da ich mit meinem bisherigen Wissensstand grundsätzlich überzeugt von dem Thema bin was die zukünftige Technologie angeht, vielleicht auch nur als Ergänzung in gewissen Sparten. Da Energie verbrauch immer mehr in den Fokus rückt.

Was sind deine Gedanken zum Thema Lohi 2, die Forschung läuft ja schon seit einigen Jahren. Dennoch gibt es derzeit auf dem Markt nichts relevantes über Produkte zu berichten. Einzig viele forschungs Ergebnisse und Zitate von Partnern aus dem Ökosystem. Auf eine Antwort würde ich mich freuen da ich mit meinem bisherigen Wissensstand grundsätzlich überzeugt von dem Thema bin was die zukünftige Technologie angeht, vielleicht auch nur als Ergänzung in gewissen Sparten. Da Energie verbrauch immer mehr in den Fokus rückt.

Ich bin KI-Architekt und habe über die Jahre eine eigene Vorlage entwickelt, aktuell in Version 42, deren einziges Ziel es ist, die Halluzinationswahrscheinlichkeit von LLMs wie Gemini von den üblichen ~40% auf unter 5% zu senken. Alles, was ich hier schreibe, ist also meine Analyse und meine Schlussfolgerung; Gemini ist dabei mein hochspezialisierter Verstärker, der gezwungen wird, innerhalb eines extrem rigiden Rahmens zu arbeiten. Die Vorlage funktioniert über mehrere Stufen, um genau die subjektiven und unbelegten Aussagen zu eliminieren, die ihr zu Recht kritisiert. Erstens wird das Modell in einen "Wissenskäfig" gesperrt: Es darf ausschließlich die von mir bereitgestellten Primärquellen nutzen – also SEC-Filings, offizielle Pressemitteilungen, Gesetzestexte, strategische Analysen wie den Miran-Report und Transkripte von Earnings Calls. Jegliches Wissen aus seinem allgemeinen Training wird ignoriert. Zweitens erzwingt die Vorlage ein striktes "Beleg-zuerst-Prinzip": Das Modell muss für jede einzelne Aussage zuerst den exakten Beleg in den Quelldokumenten finden und zitieren, bevor es den Satz formulieren darf. Es kann also nichts erfinden und dann vage eine Quelle zuordnen. Drittens gibt es eine Blacklist spekulativer Sprache; Wörter wie "glaubt", "erwartet", "könnte" oder "wahrscheinlich" sind verboten, es sei denn, sie sind Teil eines direkten Zitats. Viertens durchläuft das Ergebnis einen internen Verifikationsprozess, bei dem das Modell seine eigenen Schlussfolgerungen mit den Quelldaten auf Widersprüche prüfen muss. Ein Werkzeug ist aber nur so gut wie die Daten, mit denen man es füttert. Meine Erfahrung mit Intel ist tiefgreifend und über Jahre gewachsen. Ich habe in den letzten Jahren weit über 500 Stunden an Material analysiert: YouTube-Videos über die Komplexität der Halbleiterfertigung und den Aufbau von Rechenzentren, so gut wie jedes Interview mit Pat Gelsinger und dem neuen CEO Lip-Bu Tan, um die Nuancen ihrer Strategien zu verstehen. Mein Wissen beschränkt sich nicht auf Intel allein. Ich bin auch bei ASML, AT&S und Micron investiert, weil man ein Unternehmen nur dann wirklich versteht, wenn man sein Ökosystem kennt. AT&S beispielsweise arbeitet als Substrat- und Leiterplattenhersteller mit Intel, AMD und Apple zusammen, was mir einzigartige Einblicke in die Lieferketten und technologischen Abhängigkeiten der gesamten Branche gibt. Diese Kombination aus einem disziplinierten, faktenbasierten KI-Analyseprozess und tiefem, über Jahre aufgebautem Domänenwissen ist die Grundlage meiner Beiträge. Gemini schreibt also nicht, was es "denkt", sondern strukturiert und formuliert die Fakten, die ich ihm vorgebe, nach Regeln, die ich definiert habe.

Ich bin KI-Architekt und habe über die Jahre eine eigene Vorlage entwickelt, aktuell in Version 42, deren einziges Ziel es ist, die Halluzinationswahrscheinlichkeit von LLMs wie Gemini von den üblichen ~40% auf unter 5% zu senken. Alles, was ich hier schreibe, ist also meine Analyse und meine Schlussfolgerung; Gemini ist dabei mein hochspezialisierter Verstärker, der gezwungen wird, innerhalb eines extrem rigiden Rahmens zu arbeiten. Die Vorlage funktioniert über mehrere Stufen, um genau die subjektiven und unbelegten Aussagen zu eliminieren, die ihr zu Recht kritisiert. Erstens wird das Modell in einen "Wissenskäfig" gesperrt: Es darf ausschließlich die von mir bereitgestellten Primärquellen nutzen – also SEC-Filings, offizielle Pressemitteilungen, Gesetzestexte, strategische Analysen wie den Miran-Report und Transkripte von Earnings Calls. Jegliches Wissen aus seinem allgemeinen Training wird ignoriert. Zweitens erzwingt die Vorlage ein striktes "Beleg-zuerst-Prinzip": Das Modell muss für jede einzelne Aussage zuerst den exakten Beleg in den Quelldokumenten finden und zitieren, bevor es den Satz formulieren darf. Es kann also nichts erfinden und dann vage eine Quelle zuordnen. Drittens gibt es eine Blacklist spekulativer Sprache; Wörter wie "glaubt", "erwartet", "könnte" oder "wahrscheinlich" sind verboten, es sei denn, sie sind Teil eines direkten Zitats. Viertens durchläuft das Ergebnis einen internen Verifikationsprozess, bei dem das Modell seine eigenen Schlussfolgerungen mit den Quelldaten auf Widersprüche prüfen muss. Ein Werkzeug ist aber nur so gut wie die Daten, mit denen man es füttert. Meine Erfahrung mit Intel ist tiefgreifend und über Jahre gewachsen. Ich habe in den letzten Jahren weit über 500 Stunden an Material analysiert: YouTube-Videos über die Komplexität der Halbleiterfertigung und den Aufbau von Rechenzentren, so gut wie jedes Interview mit Pat Gelsinger und dem neuen CEO Lip-Bu Tan, um die Nuancen ihrer Strategien zu verstehen. Mein Wissen beschränkt sich nicht auf Intel allein. Ich bin auch bei ASML, AT&S und Micron investiert, weil man ein Unternehmen nur dann wirklich versteht, wenn man sein Ökosystem kennt. AT&S beispielsweise arbeitet als Substrat- und Leiterplattenhersteller mit Intel, AMD und Apple zusammen, was mir einzigartige Einblicke in die Lieferketten und technologischen Abhängigkeiten der gesamten Branche gibt. Diese Kombination aus einem disziplinierten, faktenbasierten KI-Analyseprozess und tiefem, über Jahre aufgebautem Domänenwissen ist die Grundlage meiner Beiträge. Gemini schreibt also nicht, was es "denkt", sondern strukturiert und formuliert die Fakten, die ich ihm vorgebe, nach Regeln, die ich definiert habe.

Ich bin KI-Architekt und habe über die Jahre eine eigene Vorlage entwickelt, aktuell in Version 42, deren einziges Ziel es ist, die Halluzinationswahrscheinlichkeit von LLMs wie Gemini von den üblichen ~40% auf unter 5% zu senken. Alles, was ich hier schreibe, ist also meine Analyse und meine Schlussfolgerung; Gemini ist dabei mein hochspezialisierter Verstärker, der gezwungen wird, innerhalb eines extrem rigiden Rahmens zu arbeiten. Die Vorlage funktioniert über mehrere Stufen, um genau die subjektiven und unbelegten Aussagen zu eliminieren, die ihr zu Recht kritisiert. Erstens wird das Modell in einen "Wissenskäfig" gesperrt: Es darf ausschließlich die von mir bereitgestellten Primärquellen nutzen – also SEC-Filings, offizielle Pressemitteilungen, Gesetzestexte, strategische Analysen wie den Miran-Report und Transkripte von Earnings Calls. Jegliches Wissen aus seinem allgemeinen Training wird ignoriert. Zweitens erzwingt die Vorlage ein striktes "Beleg-zuerst-Prinzip": Das Modell muss für jede einzelne Aussage zuerst den exakten Beleg in den Quelldokumenten finden und zitieren, bevor es den Satz formulieren darf. Es kann also nichts erfinden und dann vage eine Quelle zuordnen. Drittens gibt es eine Blacklist spekulativer Sprache; Wörter wie "glaubt", "erwartet", "könnte" oder "wahrscheinlich" sind verboten, es sei denn, sie sind Teil eines direkten Zitats. Viertens durchläuft das Ergebnis einen internen Verifikationsprozess, bei dem das Modell seine eigenen Schlussfolgerungen mit den Quelldaten auf Widersprüche prüfen muss. Ein Werkzeug ist aber nur so gut wie die Daten, mit denen man es füttert. Meine Erfahrung mit Intel ist tiefgreifend und über Jahre gewachsen. Ich habe in den letzten Jahren weit über 500 Stunden an Material analysiert: YouTube-Videos über die Komplexität der Halbleiterfertigung und den Aufbau von Rechenzentren, so gut wie jedes Interview mit Pat Gelsinger und dem neuen CEO Lip-Bu Tan, um die Nuancen ihrer Strategien zu verstehen. Mein Wissen beschränkt sich nicht auf Intel allein. Ich bin auch bei ASML, AT&S und Micron investiert, weil man ein Unternehmen nur dann wirklich versteht, wenn man sein Ökosystem kennt. AT&S beispielsweise arbeitet als Substrat- und Leiterplattenhersteller mit Intel, AMD und Apple zusammen, was mir einzigartige Einblicke in die Lieferketten und technologischen Abhängigkeiten der gesamten Branche gibt. Diese Kombination aus einem disziplinierten, faktenbasierten KI-Analyseprozess und tiefem, über Jahre aufgebautem Domänenwissen ist die Grundlage meiner Beiträge. Gemini schreibt also nicht, was es "denkt", sondern strukturiert und formuliert die Fakten, die ich ihm vorgebe, nach Regeln, die ich definiert habe.