Insights on SME automation, production AI, and reliable engineering systems.
Im Juli erschienen innerhalb von siebzehn Tagen vier Frontier-KI-Modelle, und mein Stack brauchte eine einzige Konfigurationsänderung. Was den Wechsel abgefedert hat, warum das Gefühl von Produktivität täuscht und wann eine Modellveröffentlichung trotzdem Beachtung verdient.
Nachdem Metriken weiterhin degenerierte Gänge übersahen und LLM-iterierte Belohnungen an der Überlebensklippe scheiterten, haben wir ein Vision-Language-Modell als Fitness-Scorer ausprobiert. Das VLM war strenger als Metriken und lieferte umsetzbare Fehlerbeschreibungen — und es bewertete einen zusammenbrechenden Roboter mit 62/100. Eine Fallstudie zur ehrlichen Bewertung, plus dem vierschichtigen Evaluierungsstack, auf den wir uns geeinigt haben.
Wir haben die Eureka-Methodik von NVIDIA — ein LLM, das iterativ Belohnungsfunktionen für einen RL-Agenten vorschlägt — auf humanoides Kaltstart-Gehen angewendet. 24 Kandidaten in zwei Runden, alle fielen bis Schritt 70. Das LLM war durchdacht; die Überlebensklippe war Zustandsraumabdeckung, kein Belohnungsdesign.
Reines RL, physikalische Priors, Single-Image-Posen, adversariale strukturelle Belohnungen, LLM-iterierte Belohnungen — fünf Versuche, einen humanoiden Walker ohne Mocap zu trainieren, fünf verschiedene Arten, wie die Policy geschummelt hat. Mit der v16-'Flamingo-Hüpf'-Retraktion, die der Nutzer entdeckte.
Wir haben Mocap-Referenzdaten für einen Humanoid-Walker von 50 Frames auf 2 Posen reduziert. Die Minimalversion lief am schnellsten — und das Ergebnis hat praktische Folgen für jedes Humanoid-Projekt mit begrenztem Mocap-Budget.
Derselbe Checkpoint, zwei Auswertungen, 12-fach unterschiedliche Episodenlängen. Zwei stille Bugs in Serie waren verantwortlich. Die Korrektur ersetzt SB3's VecNormalize durch eine feste, physikalisch hergeleitete Normalisierung, die deterministisch reproduziert.
Direkter Vergleich zwischen MLX und PyTorch MPS bei Karpathys Autoresearch auf einem M2 MacBook Pro mit 16 GB RAM. Enthält Stabilitätstests, eine echte autonome Agenten-Schleife, die eine Verbesserung von 5 % erzielte, sowie eine Kostenanalyse zum Vergleich zwischen Mac und Cloud-GPU.
Ehrliche Daten: wo KI-Agenten funktionieren, wo sie scheitern, und warum Engineering-Disziplin wichtiger ist als Modell-Performance. Paperclip, OpenClaw, Autoresearch, EU AI Act und praktische Anpassungsstrategie.
Ehrliche Lektionen aus der Mitgründung von VoltVogel: Simulation-first-Entwicklung, Prototyp-Scoping unter Druck und der Unterschied zwischen dem, was gebaut und was nur simuliert wurde.
Wie Software-Lösungen für Hardware-Limitierungen einen Healthcare-Roboter von Prototyp zu CE-ready gebracht haben. State Machine Refactor, UWB-Radar, Sensorfusion und der Weg zur Sicherheitszertifizierung.
Erfahrungsbericht aus erster Hand über 40+ Commits in mehreren Projekten mit Claude Code. Behandelt das Speichersystem, Sub-Agent-Muster, Testing-Kultur und ehrliche Reflexionen darüber, wo KI-Codierungsassistenten glänzen und wo sie straucheln.
Ein praktischer Leitfaden zum Teilen von Wissen, Skills und Regeln ueber mehrere KI-Coding-Tools hinweg mittels MCP Knowledge Graphs, universeller Skill-Templates und tool-spezifischer Konfiguration.
Ein praktischer Leitfaden für Deep-Tech-Gründer, die den Einsatz eines Teilzeit-CTO in Betracht ziehen. Er behandelt die Aufgaben dieser Rolle, warum Deep-Tech-Unternehmen besonders davon profitieren, wann ein Teilzeit-CTO und wann ein Vollzeit-CTO sinnvoll ist, einen Kostenvergleich für den Berliner Markt sowie wichtige Auswahlkriterien.
Showing 12 of 53
