Warum weinen Mathematiker gerade wegen KI?

0:00 Wir leben in einer Zeit, in der Mathematiker zum Weinen beginnen, wegen KI. Und damit herzlich willkommen zurück zu Was KI kann. Mein Name ist Florian Zifkowitz. Ich bin Tech-Journalist und habe heute den wahrscheinlich schnellstwachsenden und meiner Meinung nach besten Social Media Content Creator und Erklärer zum Thema KI an meiner Seite.

0:22 Das ist der Max Fröhlich, Mathematikstudent, Doktorand, um genauer zu sein. Lieber Max, herzlich willkommen bei Was KI kann. Es freut mich sehr.

0:32 Dankeschön, Oj, was für ein Intro ey. Jetzt da aber die Latte hochgesetzt. Das muss ich liefern. Ja, freut mich sehr hier zu sein heute und die Hook fand ich sehr gut mit dem Mathematiker Weinen. Ich kenne niemanden persönlich, der geweint hat, aber ich habe gelesen, dass das tatsächlich passiert ist.

0:48 Du sprichst ja an auf diese Mathe-Paper-Releases von OpenAI von vor ein paar Wochen, ne? Genau. Da ist viel passiert, oder? Ja, es ist absurd, was da gerade geht. Also ich mache, ich habe Mathe angefangen zu studieren an der TU in Berlin 2016, also noch weit vor GPT-Release und so weiter. Und ja, damals war das wirklich noch eine ganz andere Sache, als es jetzt ist.

1:12 Also wie es sich da getan hat, ist völlig absurd, ja. Ich weiß nicht.

1:17 Aber zuerst mal zu dir. Max, wer bist du, wie ist es überhaupt passiert, dass du auf Social Media fast jetzt mittlerweile 100.000 Leuten täglich KI erklärst, gleichzeitig von Erz, also von der Kirche eingeladen wirst, von OpenAir nach London eingeflogen wirst. Erzähl mal kurz deinen Weg durch in die.

1:42 Ja, ich habe vor einem Jahr ungefähr gestartet mit Social Media. Also ich mache eben, ich promoviere gerade in Mathe in Berlin an der Humboldt-Uni und am Weiherstraße Institut und hatte vorher, also bevor ich mit dem Social Media mit KI angefangen hatte, schon einen anderen Account, mit dem ich mit einem Kumpel so Comedy-Videos und so weiter gemacht habe.

2:03 Und es hat dann irgendwann gemerkt, oh, so zu Corona hat das gut funktioniert mit den Klicks und der Reichweite, aber irgendwann hat es ein bisschen nachgelassen, ich habe auch ein bisschen die Lust verloren. Und dann habe ich aber gemerkt, mir fehlt das Social Media-Ding. Ich finde das irgendwie cool, Videos zu machen, mit Leuten zu teilen, darüber zu sprechen.

2:18 Und dachte mir, vielleicht ist es cool, wenn ich einfach meine Forschung, also so diese KI- und Quantencomputing-Sache da, die ich an der Uni mache, zusammenbringe mit Social Media. Das war so die Grundidee. Und das habe ich dann so letzten, also im August 2025 angefangen und habe dann irgendwie Glück gehabt, dass es doch mehr Leute interessiert hat als gedacht.

2:35 Und ja, genau.

2:38 Eins deiner ersten Videos war ja Alexander Wang. Also der ist ja gerade in aller Munde wegen Meta und News. Da hast du recht früh auch erkannt, wo das Talent oder welche Macht in dieser Person eigentlich steckt. Weil der hat Meta zurück auf den Plan gerufen beim Großen Race.

2:56 Total, auf jeden Fall. Alexander Wang ist ja der Gründer von Scale AI gewesen. Ich weiß nicht genau wann, das war auch auf jeden Fall, ich glaube, 2016, 2014, irgendwie sowas. Der hat ja da dann, ist ja, glaube ich, aus dem MIT oder aus Stanford ist er raus, um dieses Unternehmen zu gründen. Und der hat natürlich gemerkt, was möglich ist oder was nötig ist.

3:14 Und es waren ja vor allem Daten, Big Scale Datasets. Und der hat dann daraufhin eben Daten gelabelt vor allem und so. Ich glaube, meine Hook war damals, wie wird man mit Ziegenbildern Milliardär? Und im Prinzip, was er gemacht hat, der ist ja wirklich, der hat ja random Daten von Reddit aus dem Internet überall hergezogen und das so ein bisschen, und das halt gelabelt und so weiter, sodass diese Daten halt wirklich sinnvoll waren oder sinnvoll nutzbar waren, um große Large-Scale-KI-Models zu trainieren.

3:43 Genau.

3:44 Ja. Und jetzt mittlerweile, wie viele Follower hast du jetzt gerade?

3:48 Ich knacke, glaube ich, diesen Monat noch die 100.000. Das ist mein Plan. Das wäre so das Ziel. Schauen wir mal. Hier meine Ex-Mitbewohner, ich bin gerade umgezogen aus einer WG in eine eigene Wohnung. Meine Ex-Mitbewohner haben gesagt, sie backen mir einen 100K-Cake, sobald ich die habe. Vielleicht drei Stück muss der sein.

4:10 Genau. Und aber wie ist denn das jetzt, wenn du sagst, du hast 2016 zu Mathe-Studieren angefangen, jetzt sind OpenAI hat irgendwie untätige Probleme in kürzester Zeit gelöst, das Millennium-Problem Navio-Stokes wurde gelöst. Was denkst du dir darin, wenn du das liest?

4:28 Das ist irgendwie fing das ja so langsam irgendwie an mit so kleineren Breakthroughs und so weiter. Dann hat man irgendwann mal, und dann gab es so die erste größere Sache, die ich so gemerkt habe, war diese Jacobian Conjecture. Das ist eine Sache, die quasi während des WM-Finals, da habe ich ein Video zu gemacht, das ist quasi so ein Mathe-Theorem.

4:46 Und dann hat ein Mitarbeiter von Entropic hat getwittert, by the way, the Jacobian Conjecture is wrong. Und dann einfach so einen kurzen Beweis in den, der in den Tweet passt. Das war vor, das war im Sommer und da dachte ich mir, oh wow, okay, alles klar. Wie hat er das gemacht? Und dann ist rausgekommen, dass der es quasi, während er selbst das WM-Finale geschaut hat, hat er einfach damals das Fable gepromptet.

5:10 Und der hatte natürlich auch Zugang zu anderen Models, weil der bei Entropic direkt arbeitet. Und da, das war für mich so der Tippingpoint, wo ich gemerkt habe, okay, jetzt kann KI nicht mehr nur schlau matte Dinge, die es kennt, zusammenfassen und gut erklären, sondern kann wirklich, ist so stark, dass es sogar ungeprüfte Theoreme oder Aussagen oder Probleme lösen kann.

5:31 Und das war für mich schon beeindruckend, klar, auf jeden Fall. Da habe ich, glaube ich, irgendwie gesagt, wir sind jetzt in einem Zeitalter angekommen, in dem man quasi wirklich ungelöste Probleme, an denen sich die Menschheit Jahrzehnte den Kopf zerbricht, mit einem Satz in einem Chatbot lösen kann und den Beweis dann in einem Tweet einfach zusammenfassen kann.

5:52 Und das ist ja schon absurd.

5:53 Ja, was mich da wundert oder so irgendwie verwirrt, würde ich fast schon sagen. Das sind ja Probleme, also diese Erderspurteprobleme beispielsweise, die ja auch teilweise gelöst worden sind, die bestehen ja seit Jahrzehnten. Und was macht eigentlich die KI genau? Nimmt die menschliche Vorleistung schon und arbeitet dann der weiter oder erfindet sie einfach komplett neue Lösungswege?

6:19 Das ist ziemlich unterschiedlich, je nachdem, was für Probleme das sind. Und worin die KI natürlich extrem gut ist, ist einfach viele verschiedene Möglichkeiten schnell auszuprobieren. Das ist so eine Sache, die in der KI halt viel, viel schneller und stärker ist als Menschen. Und es gibt eine Beweistechnik in der Mathematik, die klingt sehr einfach.

6:38 Wenn du quasi ein Problem hast, das ist eine Aussage, die willst du entweder beweisen oder willst du zeigen, dass sie falsch ist. Um zu zeigen, dass sie falsch ist, reicht es ja, ein Gegenbeispiel zu finden. Und das ist quasi ein Beweis durch ein Gegenbeispiel. Und viele, viele dieser Early Proofs von KI, die KI generiert waren, die waren eben genau solche Gegenbeispiele.

6:58 Das heißt, bei dieser Jacobian Conjecture haben die einfach eine Funktion gefunden, die bestimmte Eigenschaften erfüllt, die laut diesem Theorem quasi unmöglich sein sollten. Und deswegen war klar, okay, das ist falsch. Das ist jetzt, wenn man sich diesen Proof anschaut, das versteht jeder Zehntklässler.

7:15 Das ist wirklich, also für dieses Ding, ne? Für die anderen Proofs teilweise nicht, aber bei diesem konkreten Beispiel, das kannst du einem Abiturienten hinlegen und der wird verstehen, ah ja, ja, macht Sinn. Aber auf genau diese Funktion zu kommen, das hat bisher einfach kein Mensch geschafft, weil es einfach, es gibt ja unendlich viele Möglichkeiten und die KI hat einfach sehr, sehr viele Möglichkeiten in sehr kurzer Zeit durchprobiert und dann eine gefunden.

7:38 Das war dieser konkrete Fall. Bei Navier Stokes ist es ein bisschen ähnlich. Es gibt natürlich immer so diesen Vorwurf, dass verschiedene, bei Navier Stokes, wenn wir darauf ein bisschen eingehen wollen, kurz, was ist das überhaupt? Navier Stokes sind Gleichungen, die quasi so Strömungen und so weiter von verschiedenen Materialien.

7:58 Wenn du zum Beispiel, du machst dir einen Kaffee und kippst Hafermilch rein in einem Glas, dann siehst du ja, dass da so diese Wolken und wie die Hafermilch sich in einem Kaffee verteilt. Das kannst du berechnen, diese Strömungen, mit der Navier-Stokes-Gleichung. Aber nicht nur Kaffee und Hafermilch, sondern eben natürlich auch, wie verteilen sich Medikamente im Blut, wie Strömungen, das ist ganz wichtig auch in der Industrie.

8:19 Mischtechniken für chemische Prozesse und so weiter. Und damit kann man eben, also Navy Stokes kann das voraussagen, kann sagen, so wird sich die Strömung verhalten. Und das Navy-Stokes Problem das Ungelöste war eben, ob diese Gleichungen wirklich in allen möglichen Fällen so glatt bleiben, heißt das in dem Fall, dass es quasi nicht so ein Blowup gibt.

8:43 Wie erkläre ich das am besten? Also Blowup heißt quasi, dass die Funktion unendlich hohe Werte annimmt oder so. Und auch da war das so, dass das dann der, zwei Mathematiker waren, das, wieder derselbe, der auch diese Jacobian Conjecture gelöst hat, Levant Alpöge und Tristan Backmaster, die haben in ihrer Freizeit ganz viel versucht zu lösen und so weiter und da voranzukommen bei diesem Problem und haben dann Methoden verwendet, die nicht von ihnen waren, sondern von spanischen Mathematikern, aber die haben die natürlich extrem krass weiterentwickelt und so.

9:22 Problem ist aber, die haben dafür Codex und Claude Code verwendet. Würde ich auch machen, an deren Stelle, ganz klar, damit kommst du viel schneller voran. Allerdings war das so, dass die, dass er dann irgendwie OpenAI-Spitze bekommen hat, oh, die arbeiten da dran und die machen da richtig Fortschritte und dann hat OpenAI quasi so ein bisschen den Turbo angeworfen und versucht es selbst zu lösen und haben es gelöst.

9:48 Und da ist es halt immer die Frage, haben die jetzt die Daten, die der Tristan, Bugmaster oder der Levant Al-Pöge, haben die, die da benutzt, die die in den Codex reingehauen haben oder nicht oder sind sie selbst drauf gekommen und am Ende weiß niemand so wirklich, was da richtig ist. Aber ehrlich gesagt, Chat-GPT und Codex hat ja Milliarden von Nutzern, die da täglich ihre Daten reinhauen und so weiter.

10:12 Sie haben gesagt, sie haben sich die Daten nicht angeschaut, sie können aber nicht ausschließen, dass interne Models auf diesen Daten trainiert wurden. Das kann natürlich sein, aber die Datenmengen sind so, so groß, die die da verwenden, dass die Wahrscheinlichkeit, dass das jetzt wirklich einen direkten Zusammenhang hat, nicht null ist, aber auch nicht sehr hoch ist.

10:29 Das muss man so ein bisschen, wenn man das objektiv betrachtet. Auf der anderen Seite ist es natürlich so, dass die beiden Mathematiker in ihrer Freizeit ja extrem viel Fortschritt gemacht haben an diesen Problemen. Und deswegen wäre es eigentlich wichtig, dass die ja auch den Credit dafür kriegen. Und da war halt so ein bisschen die Sache, was ich jetzt so mitbekommen habe, ist eben, dass sie ja den Tristan Backmaster angeboten haben, auf das Paper dann draufzukommen, dem Levant Alpöge aber nicht, weil der bei Anthropic arbeitet beim Konkurrenten.

10:58 Ja, dazu kann man natürlich, da kam man jetzt verschiedene Meinungen zu haben. Ich finde es total cool, dass solche Probleme jetzt gelöst werden, mit Hilfe von KI und auch von den Frontier Labs, aber es ist total wichtig, dass natürlich die Wissenschaftscommunity da mitgenommen wird. Aus meiner Erfahrung, sorry, für den riesigen Monolog hier, aus meiner Erfahrung wird es aber getan von diesen AI-Labs.

11:19 Also ich habe ja eben, wie du schon gesagt hast, auch viel Kontakt mit Google oder mit OpenAI direkt. Und in jedem Moment, in dem ich über Forschung mit denen spreche, bieten die ihre Hilfe an. Und zwar von sich aus, ohne dass ich das fordere. Und das finde ich halt total cool. Das heißt, man muss halt immer sagen, das sind ja im Prinzip sind ja Startups, wo noch wenige Leute arbeiten.

11:38 OpenAI habe ich nicht wie viele Mitarbeiter. Unter 10.000 Mitarbeiter haben die noch. Und alle wollen was von denen. Natürlich ist es so, dass die nicht alle Anfragen annehmen können und so weiter. Aber aus meiner Erfahrung habe ich gemerkt, die Leute, mit denen ich da bisher zu tun hatte, sind total offen dafür, mit und für die Wissenschaftscommunity zu arbeiten.

11:57 Ja, das ist, glaube ich, das wissen, glaube ich, die wenigsten und es wird selten kommuniziert. Man redet gerne darüber, wie böse oder gemein diese Unternehmen sind, aber wenn man mit ihnen zu tun hat, sind die total hilfsbereit. Also das ist auch meine Erfahrung, wenn ich was von Kugel brauche oder mit Kugel in Kontakt stehe, sind super nett.

12:16 Nur ist halt natürlich die Frage, wenn wir von diesem Navier-Stokes-Problem sprechen, wie du es gerade genannt hast. Es ist halt semi-optimal, wenn das zwei Menschen machen und irgendwie taucht dann plötzlich die Lösung auf und eine von den zwei Personen sollen dann verschwinden.

12:34 Total. Sehe ich genauso. Also ich meine, das ist wichtig, dass man einfach da, da gab es jetzt auch so einen Vorfall bei Anthropic, die haben ja, glaube ich, so ein, ich bin jetzt, ich bin kein Biologe, aber die haben, das hieß, dass sie irgendwie ein biologisches neues System entdeckt haben, quasi in DNA-Sequenzen, sich wiederholende Basen quasi.

12:51 Da gibt es ja immer diese, keine Ahnung, ich habe Bio-Abi gemacht, aber das schon ewig her, dieses Adenin, Thymin, ne, diese ganzen, die dann da, die Bestandteile von DNA. Und da haben sie gesehen, dass sich irgendwie ein Muster sehr, sehr oft wiederholt und das wohl irgendwie sehr, da ging es um irgendein Enzym.

13:10 Bevor ich jetzt irgendwas.

13:11 Es geht, glaube ich, um Proteine, oder? Dass ein Protein aufs andere sich anschieben kann.

13:17 Irgendwie so, es war wohl ähnlich wie diese Genschere CRISPR, dieser Fund, den die da gemacht haben. Und da war halt auch so die Sache, dass Anthropic das sehr schnell released hat und gesagt hat, schaut mal hier, Durchbruch und so weiter und so fort. Dabei gab es halt eine Forschungsgruppe, ich glaube, das war auch aus Spanien, die daran schon ewig geforscht haben und da auch schon sehr, sehr große Fortschritte gemacht haben.

13:40 Und da war halt auch die Frage, wer kriegt jetzt die Credits und wer nicht und so. Und ich glaube, da müssen einfach so die Wissenschaftscommunity plus die AI-Labs wirklich zusammenarbeiten. Wenn die schon diese internen Models haben, die viel, viel stärker sind als das, was wir kennen, dann ist es natürlich wichtig, dass die trotzdem sagen, okay, wer hat dann in dem Bereich jetzt gerade die Vorarbeit geleistet, durch die unsere Models auf die Ergebnisse kommen.

14:04 Und dann sollten natürlich die AI-Labs denen die Möglichkeit geben, da mit auf den Papern zu stehen oder auch ihre Credits und so weiter kriegen, die sie verdient haben.

14:12 Ja, geht's halt, ich habe manchmal den Eindruck, aber das ist ein sehr ferner Eindruck, dass die Leute ein bisschen enttäuscht sind. Also dass es manchmal doch um Ego auch geht. Weil am Ende des Tages ist es ja ein Erkenntnisgewinn. Und ob der Erkenntnisgewinn von der KI kommt oder vom Menschen, ist zumindest aus meiner bescheidenen Meinung egal.

14:34 Ja, ja, ja. Also ich genau, darum streitet sich, darüber streitet sich halt die Mathe-Welt tatsächlich. Das ist guter Aufhänger. Denn viele Mathematiker sagen halt, vor allem nach diesen, also vor, ich weiß, wann war das am 6. Oktober oder sowas, vor zwei, drei Wochen, hat ja OpenAI 722 Mathe-Paper veröffentlicht auf einen Schlag und da wurden über 300, ich glaube 372 Probleme waren das angegangen und eventuell gelöst.

15:02 Das Problem ist, die sind ja AI-produziert und die sind teilweise, nur teilweise lean-verifiziert gewesen. Lean-verifiziert heißt, dass man eine Mathe-Aufgabe in einen Computercode namens Lean übersetzt und der übersetzt quasi diesen Beweis zurück bis zu den Grundaxiomen. Also es gibt in der Mathematik gibt es so Grundaxiome, die man annimmt und aus denen kann man alles herleiten.

15:27 Das ist zum Beispiel ganz einfach, das sind die Körperaxiome, gibt es da. Das sind irgendwie, ich will jetzt da gar nicht zu weit aufschweifen.

15:35 Nee, ich mag das, wenn ich nichts verstehe.

15:37 Okay, alles klar.

15:39 Das ist manchmal spannend.

15:42 Also im Prinzip steht da sowas drin, wenn man das jetzt auf die Zahlen, auf die reellen Zahlen, mit denen wir so zu tun haben, 1, 2, 3, 1,5, 1 Siebte und so, wenn man das jetzt darauf überträgt, steht in diesem Körperaxiom zum Beispiel sowas wie, es existiert eine Null und wenn eine 1 existiert, dann muss auch eine Minus 1 existieren.

16:00 Oder wenn eine 3 existiert, muss auch ein Drittel existieren. Und es gibt ein neutrales Element, die 1 und so weiter. Also das sind irgendwie solche, da gibt es verschiedene Verknüpfungen, nennt man das dann. Wenn wir das auf unsere Welt übertragen, heißt es eben zum Beispiel Addition und Multiplikation.

16:17 Und das sind also wirklich so richtige Basic-Regeln und aus denen wird eben alles Mögliche hergeleitet, was wir kennen. Und verschiedenen anderen Axiomen noch, von denen man einfach annimmt, dass die wahr sind. Und man nimmt an, dass die wahr sind, weil man die selbst in sich nicht zum Widerspruch führen kann.

16:33 Das ist so ein bisschen die Idee dahinter. Und diese Lean-Verification heißt jetzt, wir haben jetzt ein extrem schweres Mathe-Problem gelöst und wollen wissen, ob man diese Lösung wirklich herleiten kann aus diesem Grundaxiomen. Und das ist das, was quasi Lean macht. Wir haben quasi einen Rückwärts- oder Vorwärts wird es dann eben in Lean geschrieben, sodass wir quasi sagen können, es gibt die Null, es gibt die 1 und am Ende können wir daraus dann folgern, Navier Stokes ist falsch.

17:00 Also es ist ganz vereinfacht gesprochen. Aber das ist im Prinzip die Idee dahinter. Dass man quasi jetzt mit Lean mit dem Computer verifizieren kann, ist ein Mathe-Beweis wirklich richtig? Genau. Und bei diesen 722 Papern ist es jetzt so, dass die noch nicht alle Lean verifiziert sind. Und teilweise, ich glaube, drei wurden Stand vor einer Woche schon wieder zurückgezogen, wegen Fehlern tatsächlich, und verschiedene Inkonsistenzen.

17:27 Aber das ist jetzt genau das Problem. KI kommt jetzt auf Lösungen, die nicht nur auf Gegenbeispiele beruhen. Inzwischen sind wir schon so weit, dass es wirklich jetzt auch viel, viel komplexere Beweisführungen sind. Und die muss ja der Mensch erstmal verstehen können, irgendwie, ne? Und genau das, was du eben angesprochen hast, ist ja dieser Erkenntnisgewinn.

17:49 Also Mathe besteht ja vor allem auch daraus, dass der Mensch irgendwie neue Erkenntnisse gewinnt über die Mathematik und so weiter und über die Theorie davon, um das natürlich dann übertragen zu können auf andere Bereiche. Physik, Medizin, Biologie, Klimaforschung. Ich meine, das basiert ja am Ende alles auf Mathe.

18:06 Und dieser Erkenntnisgewinn, der lief jetzt halt über, seit es Mathe gibt, liegt ja darüber, dass sich Professoren und schlaue Leute und Doktorandinnen und so weiter zusammengesetzt haben und sich das Hirn zerbrochen haben, wie etwas funktionieren könnte und selbst auf Ideen gekommen sind. Jetzt ist es plötzlich so, die KI kommt auf die Ideen und die Menschen müssen einfach nur nacharbeiten.

18:29 Und das ist halt gerade dieser Riesenwechsel, der passiert. Und deswegen dieser Jobshift ist halt dann einfach so für einen Mathematiker, der früher immer in seinem Kämmerchen saß und sich Sachen ausgedacht hat mit seinen Kollegen an der Tafel oder so. Und die hatten ja daran Spaß, ne? Und wie gesagt, das so könnte das funktionieren und oh Gott, das funktioniert so.

18:45 Und dann ist man so mega, ja, cool, super, wir haben was Neues rausgefunden. Und jetzt ist es halt so, man tippt was in den Chatbot, der findet was Neues raus und du überprüfst, ob es richtig ist. Das ist halt, damit kommen viele nicht klar, was ich völlig verstehen kann.

18:58 Ja, es ist ja auch unter anderem Le Mont hat das, glaube ich, vor ein, zwei Wochen einen Mathematiker interviewt, der meinte, dass sein Lebenswerk sei kaputt, eben wegen der KI.

19:09 Ja, also vielleicht war das ein Mathematiker, der an einem dieser Probleme gearbeitet hat, der OpenAI jetzt gelöst hat. Weil das ist wirklich so, durch diese 722 Paper wurden ganze Research-Programme einfach ausgewiped. Das ist genau die Leute, die da angefangen haben zu weinen, du hast es ja auch gesagt und gelesen.

19:25 Das sind dann teilweise Leute, die einfach Jahrzehnte an Problemen geforscht haben, die jetzt einfach auf einen Schlag über Nacht gelöst sind.

19:31 Ja, das ist halt, ich meine, was das menschlich bedeuten muss, das ist ja wirklich irre. Voll, das stimmt, ja. Aber du arbeitest ja auch gerade wissenschaftlich, oder? Ja, genau. Um diese anzunehmen. Wie geht es dir damit?

19:49 Dadurch, dass ich halt relativ neu wirklich in dieser Akademia-Mathe-Bubble bin und so weiter, ne, und jetzt nicht die Jahrzehnte mir den Kopf über Probleme zerbrochen habe und so weiter, ist für mich, glaube ich, dieser Shift viel, viel einfacher als für Leute, die das jetzt schon seit 30 Jahren machen.

20:04 Ich habe Chat-GPT-Kam raus, während ich meinen Master, meine Masterarbeit geschrieben habe. Damals war das natürlich einfach nur ein etwas besserer Textvervollständiger und nicht zu gebrauchen für Research. Und für mich war der Tippingpoint letzten August 2025 mit GPT-5. Weil ab dann war das halt wirklich so eine Sache, dass man gemerkt hat, okay, Halluzinationen sind weniger, mathematisches Verständnis wird immer besser.

20:30 Jetzt ist dieses Tool wirklich nutzbar, um damit auch Research zu machen und das irgendwie als Co-Researcher zu sehen. Und wir alle am Institut, nicht alle, aber die meisten, sind wirklich dabei, das natürlich auch zu maximieren, um zu sagen, ja, wir sind damit viel schneller, wir kommen damit viel schneller voran und können damit auch bessere und schnellere Ergebnisse produzieren.

20:52 Der erste Bottleneck, der im Mathe-Research immer war, ist, dass du dir halt verschiedene komplexe Algorithmen ausdenkst. In unserem Fall, wir machen Applied Mathematics, das heißt, es ist wirklich sehr angewandte Mathematik. In meinem Bereich ist es quasi, also ich bin an der Schnittstelle von Quantencomputing und Machine Learning.

21:10 Das heißt, wie kann man so KI-Algorithmen auf dem Quantencomputer vielleicht laufen lassen, was könnte es für Vorteile bringen und so weiter. Und jetzt neuerdings eben auch vor allem in Large Language Model Forschung und so weiter. Und das ist natürlich sehr, sehr angewandt. Und die Sache ist, was man da macht, man überlegt sich, was funktionieren könnte.

21:27 Und der erste Schritt, um zu schauen, ob es wirklich funktioniert, ist noch nicht ein Beweis zu finden dafür, sondern erstmal diesen Algorithmus zu implementieren, also Software dafür zu schreiben und es laufen zu lassen. Und dann an den Plots zu sehen, okay, das könnte Sinn machen, das macht keinen Sinn, funktioniert das überhaupt, was ich mir ausgedacht habe.

21:44 Und das war früher die Hauptarbeit. Das heißt, wir haben uns das ausgedacht und saßen dann wochenlang dran und haben da einen Python-Code oder einen Julia-Code geschrieben und das dann ausgeführt. Und das dauert jetzt halt statt Wochen einfach nur noch ein paar Stunden und es läuft nebenher. Und ich kann halt, während dessen weiterhin an anderen Fahrestellungen arbeiten und so weiter oder Kaffee trinken.

22:04 Und das ist halt wirklich krass, dass halt diese eine Sache, die uns extrem viel Zeit gekostet hat, plötzlich automatisiert wird. Und das macht uns natürlich viel, viel schneller. Und seit den Updates mit 5.5 und 5.6 und GPT 6 jetzt vor allem selbe Sache mit Claude und Gemini, jetzt kann man damit auch wirklich Beweisführungen machen, als Co-Researcher.

22:26 Du hast jetzt wirklich jemanden auf Augenhör oder sogar darüber, mit dem du über alles sprechen kannst und sagen kannst, guck mal, das ist meine Idee, da will ich landen, das sind die Konditionen, die ich gegeben habe. Meinst du, das ist irgendwie möglich? Kriegen wir das hin? Ich habe von dem und dem Lemma gehört, in dem und dem Theorem, versuch das doch mal zu kombinieren.

22:42 Das heißt, am Steuer sitzt immer noch ich. Aber Ausführung, also die Execution, ist halt extrem viel schneller durch AI-Models.

22:52 Aber hast du die Angst, dass von heute auf morgen dir das Gleiche passieren kann, halt wie die weinenden Mathe, ohne das jetzt wirklich überstrapazieren zu wollen.

23:04 Es waren in den 722 PayPal auch zwei dabei, die mich direkt betroffen haben tatsächlich, weil die auch Richtung Quantum Noise und so weiter gingen und Quantum Models und so. Aber für mich war das jetzt nicht schlimm, weil es jetzt nicht exakt die Fragestellung war, an der ich forsche. Man kann es aber benutzen.

23:23 Ich meine, das ist ja teilweise, ich sehe das grundlegend, ehrlich gesagt, diese Entwicklung eher positiv. Ich glaube, viele Mathematiker, ich hoffe, dass ich jetzt da kein, nicht mich aus der Community ausschließe, indem ich das sage. Aber wir sehen ja quasi so eine Industrialisierung der Mathematik, was wir gerade sehen.

23:38 Früher war das eben, weil man muss schon sagen, dieses Mathe-Ding, wie das bisher lief, es ging nicht anders, als es bisher lief, aber es ist natürlich schon sehr ineffizient. Und wenn man jetzt plötzlich viele Probleme extrem schnell lösen kann, dann ist es für, so, wenn man jetzt so an die gesamte Menschheit denkt, eigentlich, finde ich, eher positiver als negativer, solange es möglich ist, dass die Menschen noch nachvollziehen, was passiert.

24:03 Und das ist, glaube ich, der eigentliche Bottleneck, weil jetzt rennt man der KI hinterher und versucht, diese Sachen zu erklären, um zu schauen, ob die wirklich wichtig sind, richtig sind, meine ich. Aber allgemein, Mathe ist ja wirklich so ein bisschen Grundbaustein für eben Ingenieurskunst, Medizin, Biologie, Physik, Chemie und so weiter, Klimaforschung.

24:21 Und wenn wir da große, große Probleme lösen, können wir das ja übertragen auf andere Dinge, von denen wir extrem profitieren. Und wenn das schneller geht als vorher, dann ist das ja grundlegend erstmal positiv. Man merkt schon, also wie im Eingangs gesagt, dass diese, dass die Leute, die Researcher von OpenAI, von Entropic und so weiter, dass die offen sind, mit Leuten zusammenzuarbeiten.

24:42 Ja, aber ich meine, Forscher gibt es Millionen, Dutzende Millionen und in diesen Labs arbeiten halt genau wie gesagt diese wenigen tausend Leute. Und natürlich ist das halt so eine komische Imbalance, die halt schwer ausgeglichen werden kann, ohne dass diese starken internen Models veröffentlicht werden können.

24:59 Aber das ist natürlich viel zu gefährlich.

25:02 Also du meinst auch, wenn man jetzt exklusiv der Wissenschaftscommunity einfach diese stärksten Modelle, das noch immer zu gefährlich.

25:10 Ja, es ist halt die Frage, wie exklusiv ist es dann am Ende, ne? Weil es gibt dann schon, also welche Unis dürfen das dann und wer darf die dann wirklich dann auch benutzen und so weiter. Das ist ja vor allem in Sachen wie so Biowaffen und so weiter oder auch Cyberattacken und so. Natürlich kann es da auch mal Leute geben, die sich in die Uni einschreiben und dann sich auf eine PhD-Stelle bewerben, mit dem Hintergedanken, in meiner Freizeit entwerfe ich dann Biowaffen mit diesem internen Modus.

25:36 Wenn man das jetzt so weiterspinnt und die veröffentlicht werden würden. Deswegen, nee, ich denke, das ist aktuell schwierig, das so zu machen, ja.

25:48 Also das heißt aber, um meine Eingangsfrage zu beantworten, auch eigentlich hast du da noch weniger Sorge darum, dass deine Dissertation jetzt irgendwie von ChatGPT oder so gelöst wird, bevor du sie gelöst hast.

26:01 Ja, nee, genau bei mir. Ich habe das bisschen das Glück, ich mache eine kumulative Dissertation. Das heißt, in dem Fall, ich schreibe quasi für das Institut und mit meinen Professoren Paper, die ich veröffentliche und dann fasse ich die quasi in meiner Dissertation in einer Story mit einem roten Faden zusammen.

26:20 Und diese Ergebnisse, die stehen schon. Und deswegen habe ich jetzt zum Glück nicht mehr die Gefahr, dass da plötzlich Entropic um die Ecke kommt und sagt, guck mal hier, so geht es noch besser. Deswegen bin ich da so ein bisschen beruhigt, aber ich glaube, das betrifft vor allem die Leute, die halt wirklich über Jahre an einer gewissen Fragestellung arbeiten und die plötzlich gelöst wird.

26:44 Und bei mir ist es, ist es eher ein anderes Arbeiten.

26:48 Also das heißt eigentlich, du bist safe, weil du schreibst?

26:54 Ich würde sagen, also ich bin, man ist, glaube ich, einfach safe, wenn man selbst diese Tools benutzt, die einem zur Verfügung stehen. Es gibt schon immer noch Leute in der Forschung, die sich da so ein bisschen wehren und sagen, nee, nee, das ist mit der KI, das geht mir alles zu schnell, das mache ich nicht und so weiter.

27:11 Und man merkt dann im Austausch, dass diese Kollegen natürlich wesentlich weniger schnell vorankommen. Und ich merke das wirklich selbst bei mir. Für mein erstes Paper habe ich ein Jahr gebraucht mit Kollegen. Man schreibt diese Paper nicht allein. Man macht da wirklich, das war ein Jahr lang harte Arbeit und dann kam das raus.

27:31 Im zweiten Paper saß ich ein halbes Jahr und gerade schreibe ich vier gleichzeitig. Und es ist von der Qualität her kein Unterschied. Und es liegt einfach an den Tools, die ich benutzen kann, weil ich einfach jetzt nicht mehr selbst programmieren muss. Ich kann mir bei Beweisführungen Hilfestellungen geben.

27:48 Und das machen die meisten Wissenschaftler, mit denen ich arbeite, in der Mathematik und Physik und so weiter so. Und man merkt halt einfach, man kommt viel, viel schneller auf seine Ergebnisse. Weil, weißt du, wenn du tief in der Materie steckst, dann hast du ja super viele Ideen und denkst dir, das könnte man probieren, das könnte man probieren.

28:04 Jedes Probieren hat dir früher vier Wochen gekostet und jetzt kostet es mich einen ausführlichen Prompt und vielleicht ein paar Codecs und Entropic Tokens, weißt du? Und so kommt man natürlich viel, viel schneller auf Ergebnisse und kann dann genau sagen, okay, die Idee macht wirklich Sinn, da schreibe ich einen Paper draus, die da nicht, schade, dass nicht funktioniert hat, vielleicht kann man es nochmal irgendwie anders probieren.

28:23 Und ich finde es total cool. Also mir macht es so noch mehr Spaß zu arbeiten, ehrlich gesagt. Deswegen, ja, also bisher sehe ich keine Gefahr. Aber klar, wenn es irgendwelche vollautomatisierten Research Agents gibt, von denen Dario Amodi ja öfter immer spricht, hier von Anthropic, die Geniuses in Data Centers, dann wird das vielleicht was anderes, aber dann muss ich eben Fulltime Content Creator sein, ist auch okay.

28:48 Absolut. Naja, es ist eine total spannende Entwicklung und aber hast du oft das Gefühl, dass das eine Altersfrage oftmals ist bei dir?

28:57 Ja, ich glaube schon, ja. Das also natürlich ist es so, dass wenn man jetzt in meinem Alter ist oder jünger ist oder so und einfach auch mit, keine Ahnung, mit Technik und Handy und allem aufgewachsen ist und einfach gewohnt ist, alle neuen Tech-Trends jetzt erstmal so ein bisschen auszuprobieren und mitzumachen.

29:14 Ich glaube, das hört ja irgendwann in irgendeinem Alter hört das auf. Bei mir bei Social Media habe ich es bei Snapchat gemerkt, das war das erste, wo ich nicht mehr dabei war. Aber ich weiß nicht, wie ist das bei dir? Also hast du, bei dir ist ja wahrscheinlich auch so, in deinem Fall.

29:28 Lustigerweise, lustigerweise ist es bei mir auch Snapchat. Also Snapchat habe ich noch nie installiert gehabt. Also TikTok liebe ich. Also ich finde TikTok einfach hilarious, weil man viel mehr alle Gesellschaftsschichten irgendwie mitbekommt, habe ich einen Eindruck. Ich sehe einen Abdu, der mich über Galatasagai anschreit, dann habe ich irgendwie auf einmal einen englischen Banker aus Genf, der mir erklärt, warum die AI-Bubble bald platzt.

29:56 Also ich finde das irgendwie, das ist mehr random als die Instagram-Album.

30:01 Das stimmt. Das stimmt, du hast recht, ja. Ja, aber also ich glaube, da sieht man halt auch an den Userzahlen von TikTok und so weiter, das sind ja vor allem jüngere, jetzt wird es aber langsam ein bisschen älter und so. Und bei KI ist das ja ähnlich. Ich meine, wir haben das jetzt seit vier Jahren haben wir diese Tools.

30:15 Und ich gebe ja öfter mal Workshops, lustigerweise hast du ja gerade auch erzählt, ich war vorgestern in München für das Erzbischofstum München. Völlig absurd, das war richtig lustig. Coole Leute, ich bin selbst, muss ich sagen, ich bin ausgetreten aus der Kirche, ich bin nicht Teil der Kirche, aber da habe ich dann an der Nonne erklärt, wie man Deepseat promptet, wo ich mir denke, Alter, was mache ich hier gerade?

30:37 Das ist aber wirklich, ja. Aber die Kirche ist schon sehr down. Also man sieht ja auch beim Papst, dass er sich sehr intensive Gedanken macht, dann laden die dich zu einem Workshop ein, das ist ja vorbildhaft.

30:51 Ja, die sind teilweise, die sind näher an AI First, also manche deutsche Unternehmen. Das ist schon absurd. Aber ja, die haben da einfach, die waren in dem Fall jetzt für Sozialarbeiter, weißt du, in der Jugendarbeit, wie kann man quasi administrativ oder auch für Ideenfindungen, für kreative Arbeiten, AI-Tools einsetzen und sowas.

31:06 Und das habe ich da ein bisschen erklärt und so. Und das war super cool, das mache ich schon gern. Und da merke ich halt auch immer, also um auf eine Frage nochmal einzugehen, dass natürlich ältere Menschen auch in der Sozialarbeit oder in allen möglichen, auch in der Wissenschaft und so weiter, da natürlich weniger affin sind.

31:21 Und dann habe ich denen gezeigt, wie ich quasi von meinem Handy aus meinen Laptop steuern kann und habe dann quasi irgendwie, jetzt ist ein einfaches Beispiel, Claude und Codex haben ja diesen Computer-Use, wo du quasi auch deinen Computer steuern kannst. Und du kannst es ja auch übers Handy aktivieren.

31:36 Und dann stand ich halt an der anderen Stelle des Raums und hab dann gesagt, ja, schreib mal bitte eine Mail von meinem GMX-Account an den, an einen Typen, der da halt quasi saß im Workshop. Und dann haben die halt gesehen, wie meine Maus sich von selbst bewegt hat, das Mail-Programm geführt. Und das war für die absolut Mindblowung.

31:51 Und natürlich, ich meine, für uns ist das, für mich war das im Sommer auch Mindblowing, als ich es das erste Mal gesehen habe. Aber klar, wenn man damit nicht täglich konfrontiert ist wie du und ich, ist das plötzlich Sci-Fi.

32:03 Ja, ich habe das immer mit dieser Gamma-Präsentation, also mit dem Gamma-Tool, was es gibt, oder die Website besser gesagt, wo man zusehen kann, wie man die Präsentation auto, die einfach generiert wird mit einem Prompt. Das ist völlig absurd, ja. Ja, wobei dein Tritt ja noch cooler ist.

32:22 Ja, das macht Spaß, aber wenn man einfach sieht, den Laptop zu steuern, das ist für viele natürlich auch so ein bisschen so, oh Gott, also was passiert ist, wenn dir irgendwie aus Versehene Mail an meinen Chef oder meine Kündigung schreibt oder so. Klar, man muss immer ein bisschen aufpassen, wie viel Access gibt man da, diesen Models gibt, aber da muss jeder für sich entscheiden, wie viel man da macht.

32:42 Glaubst du, dass es mehr solche Use Cases braucht in der Öffentlichkeit, weil mein Eindruck ist, dass die Stimmung immer mehr an die KI wird.

32:52 Ja, ja, ich meine, natürlich haben viele halt auch Angst. Es trifft es halt auch immer mehr Branchen. Am Anfang war es jetzt irgendwie vor allem Softwareentwicklung, dann gab es ja auch mal irgendwie so dieses kreative Schreiben, was so ein bisschen, dann natürlich auch diese ganze Frage, woher kommen die Trainingsdaten, verschiedene GEMA und bildende Künstler oder so, Illustratoren, die dann da irgendwie, oder auch wie heißt es, Synchronsprecher.

33:18 Und man merkt es, es wird halt immer weiter und natürlich kann ich verstehen, dass wenn du selbst dich bedroht von der Technik fühlst, dass dann die Stimmung jetzt ein bisschen kippt, ne, klar. Und ja, deswegen glaube ich schon, dass das auf jeden Fall in vielen Augen negativ zu sehen ist. Aber es ist halt immer so, also du hast jetzt auch diese Möglichkeiten, du hast ja ganz neue Möglichkeiten, plötzlich irgendwas zu machen.

33:43 Kleines Beispiel, ein Kumpel von mir, der ist Regisseur und Kameramann und so weiter. Wirklich auf allerhöchstem Niveau, da hat er fürs deutsche Fernsehen gearbeitet, bei einer ganz bekannten Fernsehshow, hat er Regie gemacht und so weiter und so fort. Und der hat halt auch gemerkt, oh, jetzt kann ich mit AI richtig krasse Videos machen.

34:06 Und der hat dann nicht gesagt, okay, ich resigniere jetzt, scheiße, ich bin in zwei Jahren arbeitslos. Der hat gesagt, cool, diese ganzen weirden Ideen, die sonst viel zu teuer sind, die in meinem Kopf rumschwirren, kann ich jetzt selbst machen. Und jetzt ist er einer der erfolgreichsten AI-Video-Creator der Welt, mit Riesenfollowerschaft auf Social Media, auf LinkedIn, überall.

34:24 Und das liegt einfach daran, dass er quasi als Early Adopter in der Branche gesehen hat, das ist eine Chance und kein Risiko und hat die genommen. Und ich glaube, das ist so ein bisschen dieses Mindset, wenn ich jetzt da so reden darf, das man haben sollte, finde ich. Auch wenn man in einer Branche ist, die eventuell von KI bedroht wird.

34:42 Ja, ja. Es ist halt klar, ich meine, ich komme aus dem Journalismus, da ist ja irgendwie eine sehr, sehr negative Stimmung, weil man Angst hat, dass die Jobs wegfallen, etc. pp. Aber ja, es hilft ja nichts. Also KI wird ja nicht weggehen. Also es wird ja nicht so morgen Sam Altman sagen, ja, hey, das waren jetzt vier tolle Jahre.

35:05 Ja, stimmt. Wir sperren OpenI zu und die Chips verbrennen, wir passt schon.

35:11 Wir schalten jetzt ab, ja genau.

35:13 Das wäre sehr lustig, ja. Oh man eben. Du hast so viele tolle Use Cases schon genannt, aber lass uns noch einmal konkret kurz darüber plaudern, wo nutzt du sonst noch KI oder wo, wenn das jetzt wer hört, wo du sagst, hey, versucht's das mal.

35:30 Ja, also ich bin, ich bin wirklich von diesem Computer-Use-Ding beeindruckt. Das ist immer so die Sache, wie viel Zugriff gibt man seinen KI-Tools bezüglich Daten und so weiter und so fort. Deshalb muss glaube ich jeder für sich, ich habe halt, ich benutze ChatGPT, sei es das gibt, also wirklich seit vier Jahren.

35:48 Und man beginnt ja irgendwie dann diesen Models immer weiter zu vertrauen, je schwerer die Probleme sind, die sie für einen lösen. Jetzt würde ich mal würde ich mal sagen. Und wo ich das natürlich sehr, sehr viel einsetze, ist wirklich einfach im Job, zum Programmieren, zum für Tools, fürs Writing und so weiter, für Überprüfungen von Sachen, die ich mir ausgedacht habe, auch textlich, weil unsere Paper sind ja alle in Englisch, aber ich bin jetzt auch kein Muttersprachler.

36:13 Dafür ist das natürlich perfekt. Aber auch privat, so einfache praktische Tipps und Hacks. Ein KI-Tipp zum Beispiel, den ich immer auch in meinen Workshops gebe, ist Speech-to-Text-Models, lokale Speech-to-Text-Models. Ich habe eins auf dem Rechner bei mir, die kannst du ja immer frei downloaden. Und seitdem labere ich einfach nur noch mit meinem Laptop.

36:32 Ich schreibe eigentlich fast nichts mehr. Ich weiß nicht, wie du das machst, aber ich habe so einen Tastenkürzel, bei mir ist es, glaube ich, Optionen und Leertaste und dann öffnet sich so ein, das heißt Handy, kann jeder downloaden, ist ein Open Source Ding. Und dann labere ich da einfach ein, multilingual, weil ich rede manchmal vor allem im Research-Kontext so halb Englisch, halb Deutsch, und dann muss ich nie wieder tippen.

36:53 Das ist völlig, völlig krass. Das ist eine Sache, die ich auf jeden Fall cool finde, die jeder mal probieren kann. Was ich letztens gemacht habe, diese Konnektoren, da hast du auch gerade drüber gesprochen mit Gamma, ne? Du kannst quasi mit Claude und Gemini und Open ARI, du kannst ja alle verbinden, zum Beispiel mit deinem Google-Konto.

37:10 Und wenn ich jetzt zum Beispiel Google-Kalendereinträge mache, ich habe so drei, vier Google-Konten und mit Kalendern auch, die halt unterschiedliche Sachen verantwortlich sind, kann ich einfach gerade sagen, ey, trag mir in meinem privaten Kalender ein, heute 11 Uhr Aufnahme mit Flo oder sowas. Und natürlich kannst du das auch händisch machen, aber ich habe gemerkt, es geht viel schneller, wenn ich das einfach über ChatGPT oder Claude mache.

37:32 Ja, voll. Solche alltäglichen Dinge halt, ne? Oder AI-Agents, die irgendwelche Mails rausschicken, sei es Akquise oder Angebote beantworten. Da bin ich schon total hinterher, weil es einfach, ich merke, mir nimmt das so viel Zeit. Aber was ist denn dein bester Use Case?

37:48 Ich habe gestern, also beste, ich glaube auch der Kalender. Also ich bin nicht wirklich the organiseste Person, aber ich habe mir gestern wirklich ein cooles Dashboard gebaut, weil ich come aus Österreich, obviously. I in Deutschland diskutiert ja über Kriegsausgaben. And irgendwann is mir dann im Hinterkopf eingefallen, dass die USA seit 10 Jahren beschweren darüber beschweren, dass alle NATO-Länder nicht genug einzahlen.

38:15 Also they sollten 2% des Pips. And then habe ich mir angeschaut, die Ausgaben von Deutschland bei Kriegsmaterialien etc. die letzten 20 Jahre und dann hatten wir einfach klar ein Dashboard gebaut, was interaktiv war. Und summa summarum hat Deutschland laut den NATO-Verträgen noch immer zu wenig Geld ausgegeben.

38:34 Das kann man moralisch davon halten, was man will, aber irgendwie ist dieses Narrativ, was ich auf Social Media gehört habe, Deutschland will seine Jugend in den Tod schicken. Es ist jetzt selbst spitzt, aber es ist nicht ganz richtig, weil es eigentlich part of the Verträge sind, dass man eigentlich Geld einzahlen muss.

38:52 Aber das ist jetzt zu politisch. Ich will ja gar nicht politisch werden, nur es zeigt halt, es gibt Datenmengel, du willst sie verstehen, du sagst es deiner KI oder deiner LLM und es baut dir total übersichtliche und verständliche Dashboards.

39:09 Okay, ja, also das heißt für dich Use Case ist quasi auch im Journalismus einfach, so Daten, Recherche, Kontrolle und so weiter. Und ich benutze das auch ähnlich, einfach nur um neue Sachen zu lernen, weil es ist ja einfach im Prinzip ein Nachhilfebuddy, der jedes Fach erklären kann, auf Doktor- oder sogar Professorniveau.

39:26 Und zwar in jedem, also in jeder Sprache. Manchmal sage ich einfach, ich bin Zehntklässler, das und das verstehe ich nicht, erklär mir das doch mal. Und dann kriege ich halt zum Beispiel für irgendwelche biologischen Prozesse oder Chemie, chemikalische Reaktionen oder sowas, Erklärung auf einem Minivot von einem Zehntklässler zum Beispiel, die ich dann wirklich nachvollziehen kann.

39:46 Also auch obwohl ich völlig fachfremd bin. Und das ist halt auch so eine Anwendung, die finde ich super cool, mache ich voll oft in der U-Bahn, denke ich mir, hä, warte mal, wie funktioniert das eigentlich? Und dann kann man sich was erklären lassen, ist doch super.

39:57 Ja, ja, ja, absolut, absolut. Und das ist, glaube ich, das müsste man viel mehr in den Vordergrund stellen, dass es einfach helfen kann. Wir reden jetzt natürlich, das muss man dazu sagen, ich glaube, du verwendest nur pro Versionen, auch ich habe H5KI-Abos. Es ist, glaube ich, da noch einmal ein Unterschied, weil man nur die KIS macht.

40:17 Das ist, glaube ich, das muss man immer dazu sagen, dass man irgendwie diese Modelle, über die wir jetzt gesprochen haben, die wir auch in Research verwenden, sind natürlich da schon die teureren. Aber es gibt ja auch gute Angebote von Google, von OpenAI, da gibt es ja teilweise diese Abos, ab, ich glaube, 8 Euro teilweise, neun Euro.

40:32 7 Euro, glaube ich. 7 Euro bei Chat-GBT.

40:35 Okay. Und wenn man dann auch mal 20 zahlt für Claude oder OpenAI oder die bessere Version von Google, also ich will jetzt da auch keine Werbung machen, aber es lohnt sich einfach. Also ich merke das total. Egal welche Anbieter. Es ist völlig, völlig egal.

40:49 Und ich bin jetzt ganz frech und behaupte, dass jede Person in der westlichen Welt 20 Euro übrig hat, weil man eh irgendwelchen Schwachsinn kauft, den man eigentlich nicht braucht. Dann ist er besser in ein Abo investiert. Das ist wahrscheinlich so, ja.

41:04 Ich denke auch, genau. Ohne dass jetzt irgendwie du hast völlig recht. Ich meine, man kann ja auch mit den For-Free-Versionen anfangen. Oder man benutzt halt einfach auch die chinesischen Models. Da muss man immer überlegen, ob man das will oder nicht. Ich bin auch ein Freund von DeepSeek, finde ich auch cool.

41:19 Das ist umsonst. Das ist, soweit ich weiß, einfach umsonst, ja.

41:23 Und Nvidia hat ja auch unfassbare Open Source und freie Software.

41:29 Ja. Achso, natürlich, um die europäische Flagge auch hochzuhalten. Es gibt natürlich auch Misstrei, dafür auch nicht vergessen aus Frankreich, wenn es jetzt um wirklich so Frontier-Aufgaben geht, die super komplex sind, dann nein, dann lieber nicht benutzen. Aber wenn es jetzt um Sachen geht wie Recherche, Zusammenfassen und so weiter, Mails entwerfen und so, ne, da kann man auch mit Misstrei arbeiten.

41:48 Das ist auch möglich.

41:50 Vor allem die sind vorrangig mit deutschen und französischen Daten trainiert worden, wenn ich das richtig im Kopf habe. Dementsprechend sind auch die Ergebnisse da teilweise qualitativer.

42:03 Das weiß ich gar nicht, aber ja, also sie wurden auf jeden Fall in Europa trainiert auf Nvidia Chips. Was der Training Data war, weiß ich nicht. Am Ende müssen die natürlich, wenn die überhaupt mithalten wollen in Richtung OpenAI Anthropic, sind die gezwungen, das gesamte Internet zu scrapen, muss ich ehrlich sagen.

42:21 Was sie da wirklich gemacht haben, weiß ich nicht, keine Ahnung. Aber am Ende, da gibt es ja sehr viele, auch diese Scaling-Laws und so wissen wir, je mehr Trainingsdaten, desto besser. Deswegen, also ja, aber sicherlich vielleicht auch mit Fokus auf deutschen und französischen Daten, das kann sein, aber am Ende muss es eigentlich so viel wie möglich sein.

42:38 Das ist immer die Regel.

42:40 Das ist ein schönes Schlusswort, außerdem Leute, dein Handy schon. Du wirst wahrscheinlich woanders gebraucht. Lieber Maxi, vielen, vielen lieben Dank für deine Zeit. Danke dir für die Einladung. Wenn ich mal in Berlin bin, hoffentlich gehen wir da gemeinsam auf ein Bier. Es würde mich sehr freuen. Gerne.

42:56 Oder wenn ich in Wien bin, komme ich auch vorbei. Anytime, any time. Dann treffen wir uns auch im Studio im Zweifel und machen einen Podcast und dann trinken wir gutes bayerisches Bier. Job ist dabei. So machen wir das. Ja, und ihr da draußen gerne dem Max folgen, mir folgen und wir hören uns nächsten Dienstag.

43:18 Ciao. Mach's gut. Ciao, ciao.