0920 | KI-Siege, Zensur-Zahlen und der Schwarzmarkt für Zwiebeln

Lena Vogel: Herzlich willkommen zum Hacker News Podcast – ich bin Lena Vogel.

Felix Hartmann: Und ich Felix Hartmann. Und heute ist wieder so ein Tag, an dem man denkt: Die Welt dreht sich gerade um drei Dinge – KI, die Grenzen von Regeln und die Frage, wie viel Ingenieurskunst in kleinen Dingen steckt.

Lena Vogel: Genau. Wir haben Siege von KI-Agenten in Spielen und bei Chiffren, neue Modellarchitekturen, einen großen Rechtsstreit um Trainingsdaten, und dann eine ganze Reihe von Geschichten, die zeigen, wie Menschen Regeln ausreizen – ob im Z80-Assembler oder bei der Frage "a" oder "an".

Felix Hartmann: Und am Ende sogar zwei Gehirne in einem Kopf und Zwiebel-Futures. Aber beginnen wir mit dem, was wohl am meisten Aufsehen gemacht hat: dem Brood War Bench.

Lena Vogel: Also, für alle, die StarCraft: Brood War nicht kennen – das ist das klassische Echtzeit-Strategiespiel von 1998, und es gilt bis heute als eine der härtesten Umgebungen für KI überhaupt. Was man da jetzt aufgebaut hat, ist eine Benchmark, die KI-Agenten direkt ins Spiel wirft.

Felix Hartmann: Und da gab es ein Ergebnis, das wirklich beeindruckt: Ein Agent namens Codex Astra hat 18 Partien gegen menschliche Gegner gespielt – und alle 18 gewonnen. 18 zu 0. Und das bei Kosten von umgerechnet etwa zehn Dollar und fünfzig Cent pro Partie.

Lena Vogel: Das ist der Headline-Teil. Aber der eigentlich interessantere Teil der Diskussion ist die zweite Hälfte der Nachricht: Kein anderes Modell ist jemals über das Niveau eines Anfängers hinausgekommen. Das heißt, wir haben hier eine extrem ungleiche Verteilung – ein Agent, der alles schlägt, und der Rest, der quasi gar nicht spielen kann.

Felix Hartmann: Und das ist der Punkt, an dem die Diskussion richtig interessant wird. Denn man kann das auf zwei Arten lesen. Die eine ist: Schau, KI hat wieder ein "unlösbares" Problem geknackt, wie schon Schach, wie Go. Die andere ist skeptischer: Moment mal, wenn nur ein einziges System es kann, ist das dann ein Fortschritt der Technik – oder einfach ein einzelnes, sehr teures, sehr spezialisiertes Artefakt?

Lena Vogel: Genau diese Frage ist ja nicht neu. Bei Go haben wir jahrelang gehört, das sei noch Jahrzehnte entfernt, und dann war es plötzlich vorbei. Aber Brood War ist etwas anderes als Go. Go ist ein perfektes Informationsspiel mit endlichen Regeln. Brood War ist Echtzeit, unvollständige Information, Makro- und Mikromanagement gleichzeitig, und die Schnittstelle ist brutal – man muss in einer rauen, undokumentierten Umgebung mit einer-API arbeiten, die nie dafür gebaut wurde, dass KI sie benutzt.

Felix Hartmann: Das erklärt ja vielleicht auch, warum der Sprung so steil ist. Wenn die Schnittstelle so unfreundlich ist, dann braucht man eben nicht nur gutes Modellieren, sondern auch jede Menge Engineering drumherum. Und dann gewinnt nicht unbedingt der intelligenteste Agent, sondern der mit der besten Pipeline.

Lena Vogel: Und da drängt sich die Frage auf, die wir auch am Ende der Diskussion stehen lassen müssen: Wie generalisierbar ist so ein Sieg? Das heißt, wenn Codex Astra in Brood War unschlagbar ist – was sagt uns das über seine Fähigkeit, andere komplexe Aufgaben zu lösen? Sehr wenig, vermuten die Skeptiker. Sehr viel, sagen die Optimisten, weil Brood War ja gerade deshalb ein guter Test ist, weil es so chaotisch und menschenähnlich schwierig ist.

Felix Hartmann: Ich finde, die ehrlichste Position ist: Es ist ein Datenpunkt, kein Trend. Ein Agent, der 18-0 spielt, beweist, dass es geht. Was wir nicht wissen, ist, ob das ein Weg ist oder ein Ausreißer. Und die zehn Dollar pro Partie – manche sehen das als prohibitiv, ich sehe das eher als erstaunlich günstig für ein Ergebnis dieser Größenordnung.

Lena Vogel: Aber was sagt uns das über die aktuelle KI-Entwicklung generell? Und genau da schließt sich ein Kreis zu einer anderen Geschichte aus den letzten Stunden, denn es gab auch außerhalb des Spiel-Felds einen bemerkenswerten KI-Erfolg.

Felix Hartmann: Ja – GPT-6 Astra hat eine deutsche Chiffre aus dem Ersten Weltkrieg entschlüsselt, die ADFGVX-Chiffre, und zwar eine, die bis dahin als ungelöst galt.

Lena Vogel: Kurz zur Einordnung: ADFGVX war eine Feldchiffre des deutschen Militärs im Ersten Weltkrieg, berühmt, weil sie Buchstaben und Ziffern mischte und über zwei Stufen verschlüsselte. Und was das Modell jetzt angeblich geschafft hat: Es hat die Chiffre gebrochen und dabei ein Schlüsselwort verwendet – "TRUPPENVERSCHIEBUNG", also Truppenverlagerungen.

Felix Hartmann: Und das eigentlich Wichtigste: Das Ergebnis wurde nicht einfach behauptet, sondern verifiziert. Man hat es gegen die Logs des HMS Canterbury geprüft, eines britischen Kriegsschiffs, dessen Aufzeichnungen die Entschlüsselung bestätigen.

Lena Vogel: Das ist der entscheidende Punkt. Denn bei historischen Krypto-Erfolgen mit KI gibt es immer das Misstrauen: Hat das Modell wirklich gebrochen, oder hat es irgendwo Rauschen produziert, das zufällig wie ein Ergebnis aussieht? Die Verifizierung über ein unabhängiges, historisches Dokument ist der Unterschied zwischen "beeindruckende Demo" und "tatsächlich gelöst".

Felix Hartmann: Und es passt zu dem, was wir vorhin beim Brood War Bench gesehen haben. Beides sind Fälle, wo ein KI-System in einer sehr eng umrissenen, sehr schwierigen Domäne ein Ergebnis erzielt, das lange als unerreichbar galt. Und in beiden Fällen ist die spannende Frage dieselbe: War das ein Durchbruch in "Verstehen" – oder war das Brute Force mit unerhörter Rechenpower und einem geschickten Suchraum?

Lena Vogel: Man kann ja argumentieren: Eine Chiffre zu brechen ist ein Problem mit eindeutiger Lösung. Wenn das Schlüsselwort stimmt und die Logs es bestätigen, dann ist das ein Beweis. Da gibt es weniger Interpretationsspielraum als bei "der Agent spielt gut StarCraft".

Felix Hartmann: Das stimmt. Aber es bleibt die Generalisierungsfrage: Bedeutet das, dass KI jetzt Krypto-Historie revolutioniert? Oder war das ein einzelner, spektakulärer Fall, wo die Struktur des Problems der KI genau in die Karten gepasst hat? Ich vermute, die Community wird sich die nächsten Wochen genau damit beschäftigen, welche Art von Suche das Modell da tatsächlich gemacht hat.

Lena Vogel: Und das leitet direkt über zu der dritten KI-Geschichte, die eine ganz andere Richtung nimmt – nach unten in der Größe. Denn parallel zu diesen großen Siegen gab es zwei Neuheiten, die fast das Gegenteil behaupten: Man braucht gar keine riesigen Modelle.

Felix Hartmann: Die erste ist Laya. Ein offenes, quelloffenes System – Apache-2.0-Lizenz – das als sogenanntes "Sistema 1"-Modell daherkommt, also ein Modell für schnelle, intuitive Entscheidungen statt für langsame, schrittweise Schlussfolgerungen. Der technische Kniff: Es ist nicht-autoregressiv.

Lena Vogel: Erklär das kurz für unsere Hörer, Felix.

Felix Hartmann: Also, die meisten großen Sprachmodelle sind autoregressiv – sie erzeugen Text Token für Token, jedes hängt am vorherigen. Das ist mächtig, aber es kostet Zeit. Ein nicht-autoregressives Modell erzeugt seine Ausgabe eher auf einmal, in einem Durchgang. Das macht es für bestimmte Aufgaben sehr schnell – Laya gibt eine Inferenzzeit von etwa 33 Millisekunden an. Und es unterstützt über 100 Sprachen. Und die behauptete Leistung: Es soll das nicht-autoregressive Modell Jev von TypeSafe übertrumpfen.

Lena Vogel: Also die Behauptung ist, man kann schnelle, intuitive Entscheidungen treffen, in offener Software, mit über hundert Sprachen, und trotzdem an der Spitze liegen.

Felix Hartmann: Genau. Und dann kommt die zweite Geschichte, die die Sache zuspitzt: CUA-S1. Das ist ein Modell mit 706.000 Parametern – das ist, glaub mir, winzig. Aktuelle Modelle haben Billionen. CUA-S1 hat 706.000 und ist gerade mal 2,8 Megabyte groß.

Lena Vogel: Das ist kleiner als ein einziges Foto.

Felix Hartmann: Genau. Und es ist trainiert für eine einzige Aufgabe: Entscheidungen bei Formularen. Also im Grunde: In einem Formular-Fluss, was passiert als Nächstes? Und da erreicht es 99,7 Prozent Genauigkeit – zum Vergleich, das Jev-Modell kommt auf 83,6 Prozent. Und das Training hat unter 30 Minuten gedauert.

Lena Vogel: Das ist die eigentliche Pointe: Spezialisierung schlägt Größe. Ein Modell, das nur eine Sache kann und die extrem gut kann, schlägt ein riesiges Allzweckmodell bei genau dieser einen Sache – und das bei einem Bruchteil der Kosten.

Felix Hartmann: Und die 30 Minuten Training sind fast noch beeindruckender als die Genauigkeit. Das heißt, man kann so ein Modell quasi an einem Nachmittag auf ein konkretes Problem zuspitzen. Das ist keine Forschungs futuristic-Fantasie, das ist Engineering, das man morgen einsetzen könnte.

Lena Vogel: Und ich glaube, genau da liegt der Diskussionsstoff. Auf der einen Seite die großen Siege – Brood War, die Chiffre. Auf der anderen Seite: kleine spezialisierte Modelle, die für eine Aufgabe fast perfekt sind. Manche sehen das als zwei getrennte Welten. Andere sagen: Nein, das ist die Zukunft – große Modelle als Generalisten oben, spezialisierte winzige Modelle als Werkzeuge unten, und die Architektur der Zukunft ist die Kombination.

Felix Hartmann: Und die offene Frage, die wir vorhin schon angetippt haben, stellt sich hier erneut: Wie generalisierbar sind diese Siege? Codex Astra kann StarCraft. GPT-6 Astra kann ADFGVX. CUA-S1 kann Formulare. Keiner von denen ist ein Beweis, dass derselbe Ansatz überall funktioniert. Es sind drei Beispiele dafür, dass man mit dem richtigen Werkzeug für das richtige Problem verblüffend weit kommt. Ob das ein Muster ist oder ein Zufallshäuflein, das wissen wir noch nicht.

Lena Vogel: Aber es ist ein Muster, das man ernst nehmen muss, denn es verändert die Frage "Was kann KI?" zu einer ökonomischen Frage: Was kostet es, KI für genau mein Problem zu bekommen? Und da sind 706.000 Parameter und 30 Minuten Training eine sehr andere Antwort als ein Rechenzentrum.

Felix Hartmann: Und das führt uns dann zum nächsten Thema, das fast zeitgleich aufgeschlagen ist – und das ist weniger technisch, sondern rechtlich. Der Streit zwischen der New York Times und OpenAI.

Lena Vogel: Kurz der Stand: Aus dem Gerichtsverfahren sind sogenannte Briefs – also Schriftsätze – öffentlich geworden, und die enthalten ziemlich harte Worte. Da wird zitiert, dass ein Direktor von Microsoft das KI-Scraping als "den größten Arbeitsdiebstahl der Geschichte" bezeichnet hat.

Felix Hartmann: Das ist ein starker Ausdruck. "Größter Arbeitsdiebstahl der Geschichte" – das ist keine Formulierung, die man nebenbei in einem Memo fallen lässt. Das ist ein juristisches Framing, und zwar ein bewusstes: Es sagt, hier wurde nicht nur Material kopiert, sondern Arbeit entwertet.

Lena Vogel: Und die zweite Vorwürfs-Linie, die in diesen Briefs auftaucht: OpenAI soll Daten der New York Times verwendet haben, für die die Times eigentlich bezahlt wurde – also bezahlte Inhalte, die dann ins Modell flossen.

Felix Hartmann: Das ist der Kern der Kontroverse. Es geht nicht nur um "hast du meine Webseite gescraped", sondern um die Frage: Wenn ich als Verlag bezahlte Lizenzverträge habe, und ein KI-System saugt meine Inhalte trotzdem auf – was ist das dann? Und wer haftet?

Lena Vogel: Warum das wichtig ist, habe ich vorhin schon angedeutet: Dieser Prozess könnte klären, was das Training mit geschützten Inhalten künftig kostet. Nicht nur in Dollar – ob es überhaupt erlaubt ist, und wenn ja, unter welchen Bedingungen. Das ist der Fall, auf den die ganze Branche schaut.

Felix Hartmann: Und was mir an den Briefs besonders gefällt: Sie geben uns ein Bild davon, wie die Parteien selbst argumentieren. "Größter Arbeitsdiebstahl der Geschichte" ist eine Alternative, die die ganze Diskussion moralisch auflädt. Es geht nicht mehr nur um Urheberrecht im technischen Sinn, sondern um Gerechtigkeit – um die Frage, wem der Wert gehört, der durch Modelle entsteht, wenn die Trainingsbasis fremdes geistiges Eigentum war.

Lena Vogel: Und ich denke, man muss beide Perspektiven ernst nehmen. Die Verlagsperspektive: Es ist unser Material, ohne das gäbe es keine Modelle dieser Qualität. Die Tech-Perspektive: Scraping ist historisch how the Web funktioniert hat, Suchmaschinen, Archive, alles beruht darauf. Wo genau die Grenze liegt, ist genau das, was dieses Verfahren klären soll.

Felix Hartmann: Und das Unbequeme ist: Es gibt keine gute Vergleichbarkeit. Das Internet wurde nie dafür gebaut, dass jemand alles davon in ein Modell hineinpresst und dann daraus Texte erzeugt, die mit dem Original konkurrieren können. Die Rechtslage hinkt der Technik hoffnungslos hinterher.

Lena Vogel: Genau. Und was als Nächstes passiert, ist offen. Aber die Richtung ist klar: Der Ausgang dieses Streits wird den Preis für Trainingsdaten massiv beeinflussen – und damit auch, welche Modelle es geben wird und wer sie bauen darf.

Felix Hartmann: Und genau da schließt sich der Kreis zur nächsten Geschichte, denn die Frage ist ja: Wenn Texte potenziell zur Beute werden – lohnt es sich überhaupt noch, selbst zu schreiben? Und das ist genau das Thema eines Beitrags, der diese Woche für ziemliche Diskussionen gesorgt hat.

Lena Vogel: Der Autor heißt Erich Grunewald, und seine These ist ungewöhnlich klar geschnitten: Nutze niemals KI, um substantielle Texte zu schreiben.

Felix Hartmann: Und er begründet das auf zwei Ebenen. Die erste ist philosophisch: Das Schreiben ist nicht nur das Mittel, um Gedanken auszudrücken – das Schreiben ist Teil des Denkens. Wenn ich versuche, einen komplexen Gedanken zu formulieren und scheitere, dann scheitere ich nicht an der Formulierung, dann scheitere ich am Denken selbst. Der Prozess des Formulierens zwingt mich, mein Denken zu klären.

Lena Vogel: Das ist ein klassisches Argument, aber in der aktuellen Debatte hat es neue Schärfe bekommen, weil es genau gegen die Produktivitätsversprechen der KI gerichtet ist: "Schreib schneller, delegiere das Schreiben" – und Grunewald sagt: Wenn du das delegierst, delegierst du das Denken mit.

Felix Hartmann: Und die zweite Ebene ist technischer: KI-Fehler sind oft unerkennbar. Das ist der Punkt, der mich am meisten überzeugt hat. Bei einem Codefehler sehe ich das Ergebnis nicht kompilieren. Bei einem Textfehler – einer falschen Prämissen, einem subtilen Missverständnis – sehe ich nichts. Der Text liest sich glatt. Und dann sitzt da ein Fehler drin, den weder ich noch der Leser bemerkt.

Lena Vogel: Und genau das macht es gefährlicher als klassische Tippfehler. Ein Tippfehler ist sichtbar. Ein plausibel klingender, aber falscher Gedanke ist unsichtbar. Und wenn man den Text nicht selbst geschrieben hat, kennt man auch nicht die Stellen, an denen man misstrauen müsste.

Felix Hartmann: Und die Gegenbewegung dazu ist auch schon da, und die ist fast schon charmant: Ein Blogger hat gezeigt, dass man die ästhetische Uniformität von KI-Bildern durchbrechen kann, wenn man nicht "mach ein Poster" sagt, sondern ganz gezielt nach Ästhetiken fragt – Bauhaus, Risograph, Brutalismus und so weiter.

Lena Vogel: Also statt das generische KI-Poster zu bekommen – das mit dem sanften Gradientenhintergrund und dem pastelligen Look – bekommt man etwas, das nach einem konkreten Design-Stil aussieht, weil man den Stil explizit benannt hat.

Felix Hartmann: Und das ist eine interessante Verschiebung der Debatte. Der eine Beitrag, Grunewald, sagt: KI nimmt uns das Denken weg. Der andere sagt: KI kann uns auch etwas geben, wenn wir präziser werden in dem, was wir wollen. Der Blogger beweist, dass die "Einheitsästhetik" der KI kein Naturgesetz ist, sondern eine Frage der Prompt-Qualität.

Lena Vogel: Und diese zwei Beiträge zusammen verschieben die Diskussion von "Was kann KI?" zu "Was verlieren wir?" – und "Was können wir aktiv tun, um nicht im Mittelmaß zu versinken?"

Felix Hartmann: Und die offene Frage, die ich am spannendsten finde: Wie unterscheidet die Leserschaft in Zukunft KI-Texte von menschlichen? Wenn beide glatt, angenehm, plausibel sind – und die KI-Fehler unsichtbar – was ist dann noch das Signal für "da hat ein Mensch nachgedacht"?

Lena Vogel: Und ich vermute, dass die Antwort nicht "die Fehler" sein wird, sondern etwas anderes – vielleicht eine Art erkennbares Risiko, eine personelle Stimme, eine Tätigkeit, von der man merkt, dass da jemand eine Position vertritt, die sich nicht glatt weg Zitat-Training ableiten lässt.

Felix Hartmann: Das wäre die optimistische Lesart. Die pessimistische ist: Der Mittelmaß-Text dominiert, weil er billiger ist, und die menschliche Stimme wird ein Luxusgut.

Lena Vogel: Und genau in diese Richtung geht auch die nächste Geschichte, denn die handelt von Sichtbarkeit – und davon, wie Algorithmen unsichtbar steuern, was wir überhaupt zu sehen bekommen. Konkret: ein Tool namens OONI Probe.

Felix Hartmann: OONI Probe misst Zensur im Internet. Das heißt, es prüft, ob Websites erreichbar sind, ob Apps funktionieren, ob die Geschwindigkeit künstlich gedrosselt wird. Und – das ist der Clou – die Ergebnisse werden offen veröffentlicht, in nahezu Echtzeit.

Lena Vogel: Und das Tool läuft auf allem: Android, Windows, macOS, Linux, iOS. Das heißt, jeder kann es installieren und selbst messen. Transparenz, die von den Nutzern selbst produziert wird, nicht von einer Instanz oben.

Felix Hartmann: Warum das wichtig ist: In Ländern, wo Zensur offiziell abgestritten wird, gibt es plötzlich Daten von unten. Nicht die Behauptung "da wird zensiert", sondern "hier sind die Messungen von 50.000 Geräten, die zeigen, dass diese 300 Websites von 14 Uhr bis 18 Uhr nicht erreichbar waren". Das ist eine andere Kategorie von Beweis.

Lena Vogel: Und jetzt die parallele Geschichte, die weniger dramatisch klingt, aber das gleiche Prinzip beleuchtet: eine Studie von 2013, die die Formel von Hacker News selbst aufgedeckt hat. Und Felix, du wirst die Formel vielleicht besser erklären als ich.

Felix Hartmann: Also, die Formel ist im Kern: Das Ranking eines Posts ergibt sich aus den Stimmen hoch 0,8, geteilt durch das Alter hoch 1,8. Plus ein paar Abwertungen – Strafen.

Lena Vogel: Und die Strafen sind das Interessante. Denn die Studie hat gezeigt, dass etwa 20 Prozent der Posts auf der Titelseite abgewertet wurden. Und es gab auch thematische Strafen: Wenn im Titel etwa "NSA" stand, kostete das 0,4 Punkte.

Felix Hartmann: Das ist ein wunderbares Beispiel dafür, wie ein Algorithmus, der scheinbar neutral rechnet – Stimmen, Alter – in Wahrheit inhaltliche Präferenzen codiert. 20 Prozent Abwertung klingt nicht nach "die Community entscheidet", das klingt nach "der Algorithmus entscheidet mit".

Lena Vogel: Und die Parallele zu OONI ist: Beides zeigt, wie unsichtbare Mechanismen die öffentliche Sichtbarkeit steuern. Bei OONI ist es Zensur von Staaten. Bei der HN-Formel ist es die subtile Redaktion durch einen Algorithmus. In beiden Fällen sieht der Nutzer nur das Ergebnis – und nie die Mechanik.

Felix Hartmann: Und die offene Frage ist dieselbe in beiden Fällen: Wie viel algorithmische Verzerrung bleibt unbemerkt? Bei der HN-Formel hatten wir 2013 eine Reverse-Engineering-Studie. Aber wie viele andere Plattformen haben ähnliche Formeln, die nie jemand ausgegraben hat? Und bei OONI: Wie viel Zensur passiert in Formen, die ein einfacher Erreichbarkeitstest gar nicht fängt?

Lena Vogel: Das ist ein schönes Thema, weil es zeigt, dass das Werkzeug für Transparenz oft einfach ein gemessener Blick von unten ist. Und genau diese Art von Blick – in eine ganz andere Richtung – führt uns zum nächsten Thema. Es geht um Engineering an den Grenzen. Und da gibt es zwei Geschichten, die sich ergänzen wie die zwei Enden eines Spektrums.

Felix Hartmann: Die erste endet ganz unten bei den Ressourcen: ZX Desk. Das ist ein komplettes Desktop-GUI für den ZX Spectrum 48K – also einen Computer von 1982 mit 48 Kilobyte RAM.

Lena Vogel: 48 Kilobyte. Zur Erinnerung: Ein einzelnes heutiges Icon ist größer.

Felix Hartmann: Genau. Und trotzdem: ZX Desk implementiert überlappende Fenster, Menüs und einen Heap-Speichermanager – in Z80-Assembler. Und es läuft auf echter Hardware, nicht nur im Emulator.

Lena Vogel: Das ist fast schon absurd. Überlappende Fenster in 48K, auf einem Rechner, der ursprünglich für BASIC-Spiele gedacht war.

Felix Hartmann: Und die zweite Geschichte ist das Gegenstück: TIN, der Volltextsuch-Index von PlanetScale für Postgres. Der ist jetzt allgemein verfügbar – GA – und unterstützt BM25-Score, fuzzy Matching, Phrasensuche und Regex.

Lena Vogel: Also die volle klassische Suchmaschinen-Ausstattung, direkt in Postgres integriert. Und der Benchmark ist nicht irgendein Spielzeugdatensatz, sondern 85 Gigabyte mit 150 Millionen Dokumenten vom Stack Exchange.

Felix Hartmann: Und die zwei Geschichten zusammen zeigen dasselbe Prinzip von zwei Seiten: Wie weit kommt man mit klaren Abstraktionen? ZX Desk kommt mit 48K und purer Assembler-Arbeit weit, weil die Abstraktion – Fenster, Menüs, Heap – sauber definiert ist und man jede Menge avoided waste hat. TIN kommt mit 150 Millionen Dokumenten weit, weil die Abstraktion – BM25, Fuzzy, Phrasen, Regex – sauber in die bestehende Postgres-Welt integriert ist.

Lena Vogel: Das ist ein wirklich schönes Muster. Beide sind Beispiele dafür, dass die Begrenzung – ob 48K oder die Datenbank-Abstraktion – nicht das Hindernis ist, sondern der Rahmen, der das Gute möglich macht.

Felix Hartmann: Und ich glaube, die Community liebt genau solche Geschichten, weil sie ein bisschen Gegenmittel sind gegen die aktuelle Tendenz, alles mit mehr Rechenpower und mehr Parametern zu lösen. Hier wird gezeigt: Manchmal löst man es, indem man schärfer denkt.

Lena Vogel: Und das bringt uns auch zum nächsten Thema, das wieder in diese Richtung geht: Werkzeuge und Regeln, und wie weit man kommt, wenn man kleine Regeln konsequent befolgt. Da gibt es zwei Geschichten, die auf den ersten Blick nichts miteinander zu tun haben.

Felix Hartmann: Die erste: Ein Rust-Entwickler hat JSONPath nach Zig portiert. JSONPath ist der Standard RFC 9535 für das Abfragen von JSON-Strukturen. Und er hat seine Erfahrung aufgeschrieben, und das ist ein wirklich ehrliches Porträt einer jungen Programmiersprache.

Lena Vogel: Also auf der einen Seite: Er lobt die Einfachheit und die Geschwindigkeit von Zig. Auf der anderen Seite kritisiert er die fehlende IDE-Unterstützung und die allgemeine Unreife der Sprache.

Felix Hartmann: Genau, und das ist die Balance, die man selten so klar sieht. Normalerweise liest man entweder "Zig ist die Zukunft, alles ist besser" oder "Zig ist nicht produktionsreif". Und hier hat jemand beides gesagt, weil er beides erlebt hat: Die Sprache macht die Sache einfach und schnell – aber der Alltag drumherum, das Tooling, ist mühsam.

Lena Vogel: Und die zweite Geschichte ist eine kleine, aber wunderbare: Die Website Red Blob Games hat die englische a/an-Regel untersucht. Also die Frage: Wann sagt man "a" und wann "an"?

Felix Hartmann: Und die Regel, die die meisten in der Schule gelernt haben – "a vor Konsonanten, an vor Vokalen" – stimmt so nicht. Die Regel hängt vom Laut ab, nicht vom Buchstaben. Deshalb sagt man "a unicorn" – ausgesprochen "ju" – und "an hour" – das h wird nicht gesprochen.

Lena Vogel: Und Red Blob Games hat das jetzt nicht theoretisch diskutiert, sondern empirisch: 32.455 Wörter durchprobiert. Ergebnis: Nur 129 brauchten eine Ausnahme.

Felix Hartmann: 129 von 32.455. Das ist 0,4 Prozent. Die "Sound nicht Buchstabe"-Regel funktioniert also in 99,6 Prozent der Fälle.

Lena Vogel: Und genau das ist die Pointe beider Geschichten: Kleine Regeln, konsequent befolgt, funktionieren erstaunlich gut. Ein Entwickler nimmt eine klare Sprachregel – die JSONPath-Spezifikation – und implementiert sie sauber in einer neuen Sprache. Red Blob Games nimmt eine klare Sprachregel – Sound statt Buchstabe – und prüft sie empirisch. In beiden Fällen gewinnt man viel, wenn man die Regel wirklich versteht, statt sie zu approximieren.

Felix Hartmann: Und die Gegenseite, die auch gezeigt wird: Wenn die Werkzeuge drumherum fehlen – keine IDE, unreife Sprache – dann kostet die Konsequenz eben auch etwas. Perfekte Regeln reichen nicht, wenn die Umgebung nicht mitwächst.

Lena Vogel: Und das ist ein guter Übergang zum letzten Themenblock, denn der handelt von überraschenden Erkenntnissen, die Normen und Märkte herausfordern. Da gibt es drei Geschichten, und die erste ist vielleicht die verblüffendste.

Felix Hartmann: Also, eine Studie aus Stanford, veröffentlicht in Nature Neuroscience, hat argumentiert, dass das menschliche Gehirn zwei unterschiedliche ektodermale Ursprünge hat – gekennzeichnet durch die Gene Otx2 und Gbx2.

Lena Vogel: Das heißt, Teile unseres Gehirns stammen entwicklungsgeschichtlich von unterschiedlichen Vorläufergeweben ab. Und die Schlussfolgerung der Autoren ist ziemlich radikal formuliert: Unser Gehirn wäre evolutionär gesehen nicht ein Organ, sondern zwei, die parallel evolviert sind.

Felix Hartmann: Das wirft natürlich eine ganze Kette von Fragen auf. Wenn das stimmt, was bedeutet das für die evolutionäre Erzählung "Gehirn als einheitliches Organ"? Und was bedeutet es für die funktionale Organisation – sind die Bereiche mit unterschiedlichen Ursprüngen auch anders organisiert?

Lena Vogel: Die Studie selbst bleibt da natürlich vorsichtig. Aber die Vorstellung, dass in unserem Kopf quasi zwei evolutionäre Linien zusammengekommen sind, ist schon ein ziemlicher Perspektivwechsel.

Felix Hartmann: Und die zweite Geschichte ist fast ein Spiegelbild dazu – nur auf kultureller statt biologischer Ebene. Terry Tao, einer der bedeutendsten lebenden Mathematiker, hat in einem Gastbeitrag – geschrieben von Grant Sanderson, dem Mann hinter 3Blue1Brown – vorgeschlagen, dass die Mathematik auch "motivierende Erklärungen" akademisch anerkennen sollte.

Lena Vogel: Also nicht nur formale Beweise, sondern die Texte, die erklären, warum ein Beweis so aussieht, wie er aussieht – warum man diesen Ansatz wählt, was die Intuition dahinter ist.

Felix Hartmann: Und seine Begründung ist scharf: Beweise sind heute kein vollständiger Proxy für Verstehen mehr. Man kann einen Beweis formal korrekt haben, ohne wirklich zu verstehen, was da passiert. Umgekehrt kann eine motivierende Erklärung mehr Verständnis vermitteln als der Beweis selbst.

Lena Vogel: Das klingt erst mal unspektakulär, aber es ist eine echte Herausforderung für die akademische Kultur. Denn aktuell zählt in der Mathematik der Beweis. Alles andere ist "Anschauung", "Pädagogik", schön, aber nicht karriererelevant.

Felix Hartmann: Und die Verbindung zu unserem ersten Thema heute ist eigentlich ziemlich direkt: Wenn KI formal korrekte Beweise produzieren kann – was ist dann noch der Mehrwert eines Menschen? Die Antwort könnte genau das sein, was Tao vorschlägt: die motivierende Erklärung, das Warum, die Intuition. Also die Dinge, die schwer zu automatisieren sind.

Lena Vogel: Das ist eine schöne Brücke, und ich glaube, da hat die Community in den letzten Stunden viel Zustimmung, aber auch Widerstand geäußert – manche sagen, das würde zu viel Tiefgründiges belohnen, das nicht geprüft wird. Wie man das genau institutionalisiert, ist völlig offen.

Felix Hartmann: Und dann kommt die dritte Geschichte, die komplett in eine andere Richtung geht, aber dieselbe Struktur hat: Es geht um die San Francisco Onion Futures Company, die private Zwiebel-Futures verkauft – und damit einen US-Gesetz von 1958 umgeht, der Zwiebel-Futures an Börsen verbietet.

Lena Vogel: Zur Geschichte: 1958 hat der US-Kongress Zwiebel-Futures verboten, weil es damals zu extremer Marktmanipulation gekommen war – ein Händler hatte mit einer riesigen physischen Zwiebelmenge den Markt gedrückt. Der Gesetz hat daraufhin einfach den Markt für Zwiebel-Derivate abgeschafft.

Felix Hartmann: Und seit 1958 gilt dieses Verbot. Und jetzt kommt eine Firma und sagt: Gut, dann verkaufen wir eben keine Zwiebel-Futures an einer Börse – sondern privat. Und private Verträge fallen nicht unter das Gesetz.

Lena Vogel: Das ist ein wunderschönes Beispiel dafür, wie Regulierung, die auf eine bestimmte Form abzielt, durch eine andere Form umgangen werden kann. Der Gesetz hat "an Börsen" verboten, und die Antwort ist: "Okay, wir sind keine Börse."

Felix Hartmann: Und die drei Geschichten zusammen – zwei Gehirne, motivierende Erklärungen, Zwiebel-Futures – zeigen alle dasselbe Muster: Eine überraschende Erkenntnis oder ein überraschender Trick stellt bestehende Normen infrage. Biologische Normen, wie wir über das Gehirn denken. Akademische Normen, was in der Mathematik zählt. Juristische Normen, was ein Börsenprodukt ist.

Lena Vogel: Und die offene Frage am Ende ist: Wie passen sich Zitation und Gesetzgebung an? Bei Terry Tao: Wird die akademische Welt die Bewertungsregeln ändern? Bei den Zwiebel-Futures: Wird der Gesetzgeber nachziehen und private Derivate regeln? Bei der Hirn-Studie: Wird sich die evolutionäre Erzählung anpassen? In allen drei Fällen ist die Erkenntnis da, aber die Institutionen hinken hinterher.

Felix Hartmann: Und damit sind wir fast am Ende. Was ich heute mitnehme: Es geht viel um Grenzen – Grenzen von Formularen, die ein 706k-Parameter-Modell knackt, Grenzen von Chiffren, die seit 100 Jahren halten, Grenzen von Gesetzen aus 1958, Grenzen von 48 Kilobyte.

Lena Vogel: Und in allen Fällen zeigt sich: Die Grenze ist selten da, wo man denkt. Sie ist da, wo jemand aufhört, genauer hinzuschauen – oder wo ein Werkzeug fehlt, um hinzuschauen.

Felix Hartmann: Genau. Damit danke ich dir, Lena, und unseren Hörern. Wir hören uns beim nächsten Mal.

Lena Vogel: Bis dahin – bleibt neugierig, und messt selbst nach.