Alle Serien
KI – definiert, eingeordnet und Grenzen aufgezeigt
Wie LLM-Inferenz funktioniert
Prefill, Decode, KV-Cache, Batching – die Mechanik hinter jedem generierten Token
Was Modellgewichte wirklich sind
Parameter, Datenformate, Quantisierung – und warum Speicherbandbreite oft wichtiger ist als Rechenleistung
Wie LLMs lernen – und warum das kein Denken ist
Training, Gradient Descent, RLHF – und warum statistische Mustererkennung nicht mit Verstehen gleichzusetzen ist
LLMs, AGI und der Engpass dahinter
Was KI formal ist, wo LLMs heute stehen – und warum Speicher und Energie die nächste Stufe bestimmen
Skalierung, Emergenz und warum Benchmarks trügen
Scaling Laws, emergente Fähigkeiten und was KI-Leistungsmessungen wirklich aussagen – und was nicht
Nach dem LLM: Grenzen, Alternativen und was wirklich möglich ist
Physikalische Limits, alternative Architekturen und eine nüchterne Einschätzung des Wegs zu AGI