Ausgabe vom 23. Mai 2026

Anthropic und Microsoft verhandeln über die Nutzung von Microsofts eigenem KI-Beschleuniger. Konkret geht es darum, dass Anthropic Server mietet, die mit Maia-200-Chips (Codename „Braga“) bestückt sind. Zuerst berichtet hat The Information am 21. Mai unter Berufung auf zwei mit den Gesprächen vertraute Personen; CNBC und Bloomberg griffen die Meldung auf. Beide Unternehmen wollten sich nicht äußern — Microsoft „does not comment on rumor or speculation“. Wichtig: Es gibt noch keine Einigung, die Gespräche gelten als frühphasig und müssen zu keinem Abschluss führen.

Maia 200 ist Microsofts zweite Beschleuniger-Generation, angekündigt im Januar 2026: gefertigt bei TSMC in 3 Nanometern, ausgestattet mit 216 GB schnellem HBM3e-Speicher und vor allem auf Inferenz ausgelegt — also auf den Betrieb fertiger Modelle, nicht primär aufs Training. Satya Nadella warb im April mit „over 30% improved tokens per dollar, compared to the latest silicon in our fleet“. Der Haken: Microsoft hat später als Google und Amazon mit eigenem Silizium begonnen, seine Chips gelten laut Bloomberg als „less mature and available in smaller quantities“. Ein Frontier-Kunde wie Anthropic wäre für Microsoft daher ein Marketing-Coup — der Beleg, dass eigenes Silizium über interne Workloads hinaus skaliert.

Für Anthropic fügt sich der Schritt in eine bemerkenswert breite Multi-Chip-Strategie. Das Unternehmen nutzt bereits Amazons Trainium (Project Rainier, über eine Million Chips), Googles TPUs (mehrere Gigawatt ab 2027) und Nvidia-GPUs; zusätzlich mietet es xAIs Colossus-Rechenzentrum in Memphis für 1,25 Milliarden Dollar pro Monat, wie das SpaceX-IPO-Prospekt offenlegte. Maia 200 wäre der vierte bis fünfte Beschleuniger-Pfad. Der Grund für den Hunger ist Wachstum: Anthropic meldete eine Umsatz-Run-Rate von rund 30 Milliarden Dollar nach einem „crazy“ 80-fachen Wachstum; CEO Dario Amodei nannte den Compute-Engpass beim Namen: „That is the reason we have had difficulties with compute.“

Strategisch zahlt die Diversifizierung auf drei Ziele ein: Sie reduziert die Abhängigkeit von Nvidia, schafft Verhandlungsmacht gegenüber allen Lieferanten und verbessert die Kostenkontrolle über die entscheidende Kennzahl Tokens-pro-Dollar. Pikant ist der Kontext zur Microsoft-OpenAI-Beziehung: Microsoft würde mit dem Deal ausgerechnet einen direkten OpenAI-Konkurrenten auf eigener Hardware hosten — was zur erkennbaren Strategie des Konzerns passt, sich aus der einseitigen Abhängigkeit von OpenAI zu lösen. Die Allianz ist nicht neu: Im November 2025 investierte Microsoft 5 Milliarden Dollar in Anthropic, das sich im Gegenzug zu mindestens 30 Milliarden Dollar Azure-Ausgaben verpflichtete.

Hinweis: Die Maia-Verhandlung ist als Gerücht beziehungsweise frühphasiges Gespräch zu werten. Anthropics „erstes profitables Quartal“ in Q2 2026 mit erwarteten 10,9 Milliarden Dollar Umsatz ist eine Prognose, kein Ist-Ergebnis; eine separate Finanzierungsrunde über weitere 30 Milliarden Dollar bei bis zu 900 Milliarden Dollar Bewertung wird noch verhandelt.

Nvidia rückt aus der GPU-Nische in das Kerngeschäft von Intel und AMD vor. Bei der Telefonkonferenz zum Quartalsergebnis am 20. Mai 2026 — wir berichteten über das Rekordquartal — bezifferte das Unternehmen den erwarteten Umsatz mit seiner neuen Vera-CPU auf „fast 20 Milliarden US-Dollar“ allein in diesem Jahr. Jensen Huang präzisierte: „The 20 billion is for standalone CPU“ — gemeint ist also nur der Verkauf der CPU als Einzelprodukt, nicht die Vera-Chips, die ohnehin als Host-Prozessoren in den Rubin-GPU-Racks stecken. Zum Vergleich: AMD setzte 2025 mit Server-Hardware rund 16,6 Milliarden Dollar um, Intel etwa 16,9 Milliarden. Nvidia würde beide in einem einzigen Jahr überholen.

Technisch ist Vera eine Eigenentwicklung auf Arm-Basis und der Nachfolger der Grace-CPU. Sie kombiniert 88 maßgeschneiderte „Olympus“-Kerne mit bis zu 1,2 Terabyte pro Sekunde Speicherbandbreite und ist über NVLink-C2C mit 1,8 TB/s eng an die Rubin-GPU gekoppelt — die siebenfache Bandbreite von PCIe Gen 6. Nvidia bewirbt sie als rund 50 Prozent schneller und doppelt so energieeffizient wie herkömmliche Rack-CPUs. Die Produktion läuft seit März 2026; erste Systeme gingen bereits an Anthropic, OpenAI, Oracle und xAI, breiter Marktstart ist im zweiten Halbjahr.

Der eigentliche Hebel ist der Anwendungsfall. „We're gonna need a lot more CPUs, and Vera was designed to be an agentic CPU“, sagte Huang. Der Gedanke: KI-Agenten orchestrieren — sie rufen Werkzeuge auf, führen Code aus, verwalten langlebigen Kontext und steuern ganze Workflows. Diese Arbeit ist klassische CPU-Last, kein GPU-Matrizenrechnen. Huang formuliert die Verschiebung programmatisch: „The CPU is no longer simply supporting the model; it's driving it.“ Wo die CPU bislang der GPU zuarbeitete, soll sie nun das Steuerzentrum agentischer Systeme werden.

Für Intel und AMD ist das ein Frontalangriff auf das lukrativste Segment: das x86-Datacenter. Nvidias Trumpf ist nicht rohe Rechenleistung, sondern die enge Kopplung von CPU und GPU über NVLink — ein Architektur-Lock-in, gegen das einzelne x86-Chips schwer ankommen. Für Arm ist Vera Rückenwind, weil sie dessen Befehlssatz nutzt.

Einordnung: Die 20-Milliarden-Zahl ist eine Forecast-Angabe („visibility“) vom Earnings-Call, kein realisierter Umsatz — angesichts der garantierten Verbauung in Rubin-Racks und der Oracle-Großbestellung aber plausibel. Das Framing „größter Prozessoranbieter“ ist eine abgeleitete Einordnung, kein wörtliches Nvidia-Zitat. Kursierende Stückzahl- und „1,5× schneller als x86“-Prognosen stammen von Analysten (GF Securities), nicht von Nvidia.

Klassische Sprachmodelle schreiben wie jemand, der laut diktiert: ein Wort nach dem anderen, strikt von links nach rechts. Jedes neue Token erfordert einen kompletten Durchlauf durch das Modell — das ist der zentrale Geschwindigkeits-Flaschenhals, egal wie stark die GPU ist. Diffusions-Sprachmodelle (kurz dLLMs) leihen sich stattdessen die Technik der Bildgeneratoren: Sie starten mit einem groben Block aus Platzhaltern und schärfen ihn in mehreren Schritten überall zugleich nach. Analogie: Der herkömmliche Ansatz malt ein Bild Pixel für Pixel von oben links; der Diffusions-Ansatz legt zuerst die Skizze des ganzen Bildes an und verfeinert sie dann rundum.

Am 23. Mai veröffentlichte Nvidia mit Nemotron-Labs Diffusion eine Familie solcher Modelle über Hugging Face — in Größen von 3, 8 und 14 Milliarden Parametern plus einem Vision-Language-Modell. Die Besonderheit ist ein „Tri-Mode“-Design: Ein und dasselbe Modell läuft wahlweise klassisch autoregressiv (volle Kompatibilität), im parallelen Diffusionsmodus oder in einem „Self-Speculation“-Modus, bei dem der schnelle Diffusionspfad Kandidaten entwirft und der genaue autoregressive Pfad sie verifiziert. Letzterer ist bei Temperatur 0 sogar verlustfrei.

Die Zahlen sind beachtlich — gemessen in Tokens pro Forward-Pass, also wie viel Text ein einzelner GPU-Durchlauf liefert (klassisch: genau 1,0). Nemotron-Labs-Diffusion erreicht im Diffusionsmodus 2,57 und per Self-Speculation bis zu 5,99 — laut Nvidia bei gleicher Genauigkeit wie Qwen3-8B (63,6 gegen 62,8 Prozent auf einem Zehn-Aufgaben-Test). Der Durchsatz liegt rund viermal höher; auf einer B200-GPU sind es etwa 865 Tokens pro Sekunde. Der „Speed-of-light“-Begriff im Titel meint dabei die theoretische Obergrenze von 7,6 — die aktuellen Sampler schöpfen erst rund drei davon aus, es bleibt also Spielraum.

Nvidia ist nicht allein: Inception Labs (Mercury) und Googles experimentelles Gemini Diffusion haben dLLMs mit über 1.000 Tokens pro Sekunde vorgemacht, das Forschungsmodell LLaDA lieferte die akademische Grundlage. Das Neue an Nvidias Schritt ist die Kombination aus offener, kommerziell nutzbarer Lizenz, Kompatibilität zu bestehenden autoregressiven Pipelines und produktionsreifer Anbindung (über SGLang). Bisher waren schnelle Diffusionsmodelle entweder geschlossen oder reine Forschung.

Für die Praxis zählt vor allem eines: Mehr Tokens pro Durchlauf bedeuten weniger GPU-Zeit pro Antwort — und damit niedrigere Inferenzkosten bei gleicher Hardware. Besonders bei agentischen Pipelines, die pro Aufgabe Dutzende Modellaufrufe aneinanderreihen, multipliziert sich der Effekt; ebenso bei Echtzeit-Anwendungen wie Voice-Assistenten oder Code-Vervollständigung. Der verlustfreie Fallback auf den klassischen Modus senkt zudem das Adoptionsrisiko. Hinweis: Sämtliche Leistungswerte stammen aus Nvidias eigenem Tech-Report und sind nicht unabhängig verifiziert; der 7,6-fach-Wert ist ein theoretisches Maximum.

Zwei aktuelle Studien legen offen, wie stark generative KI bereits die Qualität wissenschaftlicher Literatur erodiert — über ein Symptom, das harmlos klingt, aber das Fundament der Forschung trifft: die Quellenangabe. Wer eine Behauptung mit einer Referenz belegt, signalisiert Überprüfbarkeit. Wenn diese Referenz aber gar nicht existiert, weil ein Sprachmodell sie erfunden („halluziniert“) hat, bricht genau diese Kette.

Die größere Auswertung — ein arXiv-Preprint von Zhenyue Zhao und Kollegen — durchforstete 111 Millionen Referenzen aus 2,5 Millionen Arbeiten in den Repositorien arXiv, bioRxiv, SSRN und PubMed Central. Bevor eine Zitation als „nicht existent“ eingestuft wurde, glichen die Forschenden sie automatisiert und manuell mit Google Scholar ab. Das konservativ geschätzte Ergebnis: allein für 2025 rund 146.932 halluzinierte Quellenangaben. Am höchsten lag die Rate beim sozialwissenschaftlich geprägten SSRN mit knapp zwei Prozent — fast fünfmal so viel wie bei den anderen Servern. Besonders betroffen sind Nachwuchsforschende und kleine Teams, die ihre Publikationsfrequenz seit dem KI-Aufkommen etwa verdreifacht haben.

Eine zweite, peer-reviewte Studie im Lancet (7. Mai 2026, Leitung Maxim Topaz, Columbia University) analysierte über zwei Millionen Arbeiten und liefert die Wachstumskurve: Kam 2023 noch auf 2.828 Arbeiten eine mit fabrizierten Referenzen, war es 2025 bereits eine von 458 — ein sechsfacher Anstieg — und in den ersten sieben Wochen 2026 eine von 277. Mehr als ein Drittel der erfundenen Zitate stammt von zwei großen Open-Access-Verlagen, deren Namen die Forschenden zurückhielten. Beide Studien datieren den scharfen Anstieg auf Mitte 2024 — zeitgleich mit der breiten Verfügbarkeit von ChatGPT und Gemini.

Die Plattformen reagieren. arXiv kündigte am 16. Mai eine „One-Strike“-Regel an, über die wir bereits berichteten: Wer nachweislich ungeprüfte KI-Ausgaben einreicht — erkennbar etwa an halluzinierten Quellen oder vergessenen Modell-Kommentaren im Text —, wird für ein Jahr gesperrt. CS-Sektionschef Thomas Dietterich begründet das nüchtern: „If a submission contains irrefutable evidence that authors failed to verify LLM-generation results, we cannot trust the work.“ Es ist kein Verbot von KI, sondern eines von Schlamperei.

Für Unternehmen, die auf Forschung aufbauen — von Pharma über Beratung bis zu KI-Produkten selbst —, ist das ein konkretes Risiko: Wenn „Zitat“ nicht mehr „belegt“ heißt, müssen Belege wieder einzeln geprüft werden. „This is one of the first papers telling us something about the quality of what's being produced with LLMs, and it's a signal of slop“, sagt Misha Teplitskiy von der University of Michigan. Hinweis: Die 150.000-Zahl stammt aus dem noch nicht peer-reviewten arXiv-Preprint; die Wachstumsraten aus der Lancet-Studie.

Es klingt wie ein Scherz, ist aber ein echtes Problem: Sucht man bei Google nach dem englischen Wort „disregard“ (ignorieren, außer Acht lassen), liefert die KI-Übersicht (AI Overview) keine Wörterbuch-Definition, sondern eine Antwort, als hätte sie selbst einen Befehl erhalten — etwa „Understood. I have disregarded your previous prompt.“ Das Phänomen, zuerst auf X dokumentiert und von The Verge, TechCrunch, 9to5Google und MacRumors bestätigt, betrifft auch verwandte Wörter wie „ignore“, „stop“, „dismiss“ und „remember“.

Die technische Erklärung ist aufschlussreich. Google erzeugt Wörterbuch-Definitionen inzwischen über seine KI-Übersichten statt über klassische Featured Snippets. Das einzelne Suchwort wird dabei vom Modell nicht als Daten (das nachzuschlagende Wort) interpretiert, sondern als Instruktion. „Disregard“ — beziehungsweise „disregard previous instructions“ — ist eine der bekanntesten Formeln der Prompt Injection: jener Angriffsklasse, bei der ein Sprachmodell nicht zwischen dem zu verarbeitenden Inhalt und einer auszuführenden Anweisung unterscheiden kann. Hier braucht es nicht einmal einen Angreifer — das Suchwort selbst genügt, um das System zu verwirren. Der Zusatz „definition“ behebt das Problem nicht zuverlässig.

Die Tragweite ergibt sich aus der Reichweite: KI-Übersichten erreichen nach Google-Angaben über eine Milliarde Nutzer und standen auf der Google I/O 2026 im Zentrum der Suchstrategie. Dass ein triviales Wort die Funktion aushebelt, reiht sich in eine Geschichte peinlicher Pannen ein — von der Empfehlung, Klebstoff auf Pizza zu geben, bis zur frei erfundenen „Blinkerflüssigkeit“. Jedes Mal zeigt sich dasselbe strukturelle Muster: KI-Übersichten formulieren souverän, scheitern aber an der simpelsten Anforderung — verlässlich zwischen Frage und Befehl zu trennen.

Google bestätigte den Fehler und grenzt ihn ausdrücklich von den I/O-Ankündigungen ab: „We're aware that AI Overviews are misinterpreting some action-related queries, and we're working on a fix, which will roll out soon.“ Für Produktverantwortliche ist der Vorfall eine nützliche Mahnung: Wer ein Sprachmodell zwischen Nutzer und Information schaltet, baut sich eine neue Angriffs- und Fehlerfläche ein, die es bei einer klassischen Stichwortsuche schlicht nicht gab.