KI-Infos

Google, Cisco, GitHub, Hugging Face, Microsoft, Nvidia und Snowflake stellten am 2026-06-17 die Agentic Resource Discovery (ARD) vor, mit welcher KI-Agenten Tools und Dienste organisationsübergreifend und unabhängig vom dahinterstehenden Framework, Protokoll oder Anbieter. Dazu definiert die ARD öffentlich zugängliche Verzeichnisse, basierend auf Katalogen und Registries.
URLs:

• Agentic Resource Discovery (ARD)
  • ARD Homepage: https://agenticresourcediscovery.org/
  • ARD Spezifikation: https://agenticresou … ediscovery.org/spec/
  • AI Catalog Standard: https://agenticresou … org/ai_catalog_spec/
  • github: https://github.com/ards-project/
• Ankündigung:
  • Google: https://developers.g … overy-specification/
  • Microsoft: https://commandline. … y-specification-ard/
  • Hugging Face: https://huggingface. … rce-discovery-launch
  • Cisco: https://outshift.cis … ents-find-each-other
• Berichte
  • IETF: https://www.ietf.org … ood-agtp-ard-00.html
  • InfoWorld: https://www.infoworl … ource-discovery.html
  • heise online (deutsch): https://www.heise.de … genten-11338422.html

AMD und Intel kooperieren in der x86 Ecosystem Advisory Group (https://x86ecosystem.org/), zu deren Mitglieder ebenso dir großen PC-Hersteller gehören (https://x86ecosystem.org/members/).
Speziell für KI wurde eine neue Spezifikation für neue x86-Prozessorbefehle erarbeitet, welche am 2026-06-15 veröffentlicht wurde: Die „AI Compute Extensions“ (ACE).
Die Spezifikation definiert x86-Erweiterungen zur Beschleunigung von Rechenoperationen, wobei der Schwerpunkt zunächst auf Matrix-Multiplikationen mit KI-Datenformaten liegt, die für Machine-Learning-Workloads von Bedeutung sind. Zusätzlich zur Beschleunigung von Matrixoperationen stehen unter dem AVX10-Framework eine Reihe dedizierter Formatkonvertierungsoperationen zur Verfügung.
URLs:

• AI Compute Extensions (ACE) Specification: https://x86ecosystem … s-ace-specification/
• ACE Whitepaper: https://x86ecosystem … rce/ace-white-paper/

Presseberichte:

• overclock 3d: https://overclock3d. … -extensions-for-x86/
• hardwareLUXX (deutsch): https://www.hardware … el-spezifiziert.html
• heise online (deutsch): https://www.heise.de … rkerne-11338878.html

Das Erfassen von Diagrammen erfordert Modelle, die geometrische visuelle Muster, strukturierte numerische Daten und natürliche Sprache gemeinsam auswerten können. dabei stoßen aktuelle Vision-Language-Modelle (VLMs) immer noch an ihre Grenzen. Forscher des MIT und IBM Research adressieren dieses Problem mit ChartNet: ein multimodaler Datensatz, welcher darauf ausgelegt ist, die Interpretation und Auswertung von Diagrammen voranzutreiben. ChartNet nutzt eine code-gesteuerte Synthese-Pipeline, um 1,5 Millionen vielfältige Diagrammbeispiele zu generieren, die 24 Diagrammtypen und 6 Plotting-Bibliotheken abdecken. Dabei besteht jedes Beispiel aus fünf aufeinander abgestimmten Komponenten: Plotting-Code, gerendertes Diagrammbild, Datentabelle, Zusammenfassung in natürlicher Sprache und Frage-Antwort-Funktion mit Schlussfolgerungen.
Das Fine-Tuning mit ChartNet verbesserte die Ergebnisse über alle Benchmarks hinweg konsistent und demonstriert damit seinen Nutzen als groß angelegte Supervision für multimodale Modelle.
URLs:

• Forschungsbericht auf arXiv: https://arxiv.org/abs/2603.27064
• CharNet-Datensatz Huggingface: https://huggingface. … ibm-granite/ChartNet
• github: https://github.com/h … lob/master/README.md

Presseberichte:

• MIT Presseerklärung: https://news.mit.edu … nterpret-charts-0603
• All-AI (deutsch): https://www.all-ai.d … it-diagramme-analyse

Ein Forschungsteam von Microsoft Research und der Universität Linköping veröffentlichten einen Ansatz zum Verständnis, wie aktuelle LLM arbeiten. Die Basis von LLM sind demnach die in der menschlichen Sprache enthaltenen Strukturen, die sich aufgrund der menschlichen Erfahrungen bildeten. Diese Strukturen bzw. die darin enthaltenen Muster nutzen LLM, aber sie erleben im Gegensatz zu Menschen keine Geschehnisse im physischen Raum, können mit ihm nicht interagieren.
D.h., moderne KI-Systeme sind nicht deshalb so leistungsfähig, weil sie menschliche Intelligenz nachbilden, sondern weil sie diese menschliche Intelligenz voraussetzen, indem sie die von Menschen gebildeten Strukturen, die bereits in der menschlichen Wahrnehmung und Sprache vorhanden sind, nutzen.
Während der Mensch seine Annahmen jedoch kontinuierlich durch reale Erfahrungen korrigiert, fehlt den Modellen dieser Abgleich mit der Realität. Sie konstruieren überzeugende Antworten, welche statistisch richtig, aber faktisch völlig falsch sein können; die KI-Modelle können nur die Berechnungen durchführen, aber nicht die Ergebnisse gegen die Realität prüfen.
Diese Betrachtungsweise hilft dabei, sowohl die bemerkenswerten Fähigkeiten der KI als auch ihre immer wiederkehrenden Grenzen zu erklären. KI-Modelle bewältigen bekannte Aufgaben problemlos, scheitern aber häufig an unbekannten Situationen. Diese Begrenzung ist laut den Forschern ein strukturelles Problem und keine bloße technische Hürde, die durch mehr Rechenleistung verschwindet.
URL: Microsoft Research B … lligence-through-ai/

Bartłomiej Strama gründete die “Halupedia”. Wie der Name schon sagt: die Halupedia besteht vollständig aus halluzinierten Geschichten.
Auf jede Anfrage erzeugt, wenn nich nicht vorhanden, eine KI einen entsprechenden Artikel, inklusive zahlreicher Verweise auf weitere, stets erfundene Inhalte. Dabei wird darauf geachtet, dass die Gesamtaussage von vernetzten Artikel stimmig bleibt.

Abgesehen von Unterhaltung soll der komplett halluzinierte Inhalt dazu beitragen, die Trainingsdaten von KI zukünftig zu verschlechtern: Bartłomiej Strama will damit dem Wohl der Gesellschaft dienen.
URLs:

• Webseite: https://halupedia.com/
• Code auf GitHub: https://github.com/BaderBC/halupedia