Das Unternehmen Safe Superintelligence hat mehr als zwei Jahre lang kaum etwas über das preisgegeben, was es baut. Diese Zurückhaltung könnt...
Safe Superintelligence Inc. hat mehr als zwei Jahre lang striktes Stillschweigen über seine Forschungsinhalte bewahrt.
Diese Stille könnte sich nun ändern.
Gavin Baker, Managing Partner und Chief Investment Officer bei Atreides Management, erklärte kürzlich in einem Gespräch mit dem Investor und Podcaster Patrick O'Shaughnessy, dass SSI angekündigt habe, im August ein Modell zu veröffentlichen.
Diese Aussage erregte sofort Aufmerksamkeit, da SSI zuvor nie ein konkretes Datum für eine Modellveröffentlichung öffentlich bekannt gegeben hatte.
SSI wurde 2024 von Ilja Sutskewi, dem ehemaligen Chefwissenschaftler von OpenAI, zusammen mit Daniel Gross und Daniel Levy gegründet und ist um eine ungewöhnlich fokussierte Mission herum aufgebaut. Die offizielle Website beschreibt das Unternehmen bis heute als ein Labor im „Sprint", mit einem Ziel und einem Produkt: sichere Superintelligenz.
Das macht jede Diskussion über das erste Modell besonders bedeutsam.
Von Anfang an muss jedoch ein entscheidender Unterschied klargestellt werden:
Stand 7. August 2026 hat SSI selbst auf seiner offiziellen Website keine offizielle Ankündigung veröffentlicht, die die Einführung eines Modells im August bestätigt.
Die August-Zeitlinie stammt aus Bakers Aussage, nicht aus einer offiziellen Bekanntmachung von SSI.
Wenn Bakers Informationen korrekt sind, wäre dies der erste Einblick von außen in die technischen Ergebnisse eines der geheimnisvollsten und meistbeachteten führenden KI-Labore.
Diese entscheidende Aussage fiel beiläufig im Rahmen einer breiteren Diskussion über KI-Infrastruktur, Halbleiterbedarf, kontinuierliches Lernen und dateneffizientes Lernen.
Baker vertritt die Ansicht, dass sich die wirtschaftliche Landschaft der Spitzen-KI erheblich verändern könnte, wenn Modelle nach der Bereitstellung effizient lernen können, statt sich hauptsächlich auf massive Vorabtrainings zu stützen.
Bei der Ausführung dieser Möglichkeit erklärte er, dass SSI angekündigt habe, im August ein Modell „herauszubringen".
Diese Formulierung lässt viele Fragen offen.
Sie verrät uns nicht:
unverändert bleibt
Der Originalartikel interpretiert diese Ankündigung als die erste Modellveröffentlichung von SSI.
Dies ist eine plausible Interpretation, aber die konkrete Form der Veröffentlichung bleibt unbekannt.
Die offizielle Missionserklärung von SSI ist ungewöhnlich direkt.
Das Unternehmen erklärt, es sei gegründet worden, um sichere Superintelligenz zu verfolgen – ungestört von:
Sein öffentlicher Fahrplan besteht nicht aus einer Reihe von Chatbots, Programmiertools, Suchprodukten oder Unternehmensdiensten.
Sein erklärter Fahrplan ist die sichere Superintelligenz selbst.
Genau deshalb hat die August-Behauptung so viele Spekulationen ausgelöst.
Wenn SSI vor dem Erreichen der Superintelligenz ein traditionelles Spitzenmodell veröffentlicht, könnte dies auf eine Veränderung der Produktstrategie des Unternehmens hindeuten.
Wenn das Modell lediglich eine Präsentation der von SSI entwickelten Forschungsergebnisse ist, könnte diese Veröffentlichung darauf abzielen, Fortschritte zu zeigen, statt eine breite kommerzielle Plattform einzuführen.
Derzeit bleiben beide Interpretationen Spekulation.
Der Satz über die Modellveröffentlichung fiel, als Baker über kontinuierliches Lernen und dateneffizientes Lernen sprach.
Diese beiden Forschungsgebiete könnten für die KI-Wirtschaft wichtiger sein als jedes einzelne Benchmark-Ergebnis.
Typische Basismodelle werden in großen Phasen trainiert.
Der vereinfachte Ablauf:
Bereitgestellte Modelle können Informationen aus ihrem Kontextfenster oder externem Speicher nutzen, aber ihre zugrunde liegenden Gewichte werden in der Regel nicht kontinuierlich aus jeder Interaktion aktualisiert.
Kontinuierliches Lernen verfolgt ein ehrgeizigeres Ziel.
Ein System für kontinuierliches Lernen erwirbt im Laufe der Zeit kontinuierlich nützliche Fähigkeiten oder Wissen, ohne von Grund auf neu aufgebaut zu werden und ohne katastrophales Vergessen bereits vorhandenen Wissens.
Dies erfordert die Lösung mehrerer Herausforderungen:
Ein Modell, das in der realen Welt kontinuierlich lernen kann, wäre also weit mehr als nur ein Chatbot mit Langzeitgedächtnis.
Daten-effizienz bezeichnet die Fähigkeit, aus weniger Beispielen zu lernen.
Menschen verstehen in der Regel eine neue Regel nach ein oder zwei Demonstrationen.
Aktuelle Spitzenmodelle benötigen oft extrem große Mengen an Trainingsdaten und Rechenleistung, um breite Fähigkeitssteigerungen zu erreichen.
Ein dateneffizienteres Modell könnte aus jeder einzelnen Erfahrung mehr Lernwert ziehen:
Wenn
kontinuierliches Lernen und Dateneffizienz gemeinsam verbessert werden, könnte sich die Rolle des Vortrainings verändern.
Statt nahezu alle Fähigkeiten vor der Bereitstellung aufzubauen, könnten Labore ein leistungsfähiges Basismodell trainieren und es dann durch Erfahrungen kontinuierlich verbessern lassen.
Baker bringt diese Forschungsrichtung mit dem Halbleiterbedarf in Verbindung.
Seine Grundidee ist:
Massives einmaliges Vortraining
↓
Bereitstellung des Modells
↓
Das Modell lernt effizient aus realen Erfahrungen
↓
Reduzierung des Bedarfs an wiederholten massiven Nachtrainings
In diesem Szenario könnte traditionelles Spitzen-Vortraining zu einem kleineren Teil der gesamten KI-Rechenleistung werden.
Inferenz und kontinuierliches Lernen könnten an Bedeutung gewinnen.
![Das Bild zeigt eine Diskussion über den KI-Trainingsbedarf. Dabei wird in gelber Hervorhebung erwähnt: „Diese Entwicklung des Trainingsbedarfs ist am interessantesten. Wer weiß, ob sie langfristig oder kurzfristig ist. SSI sagt, sie werden im August ein Modell veröffentlichen. Es gibt eine neue Generation von Laboren, die sich darauf konzentriert." Dieser Inhalt steht in engem Zusammenhang mit dem Kontext, in dem eine mögliche temporäre Lücke im KI-Trainingsbedarf sowie die Tatsache erörtert werden, dass der Trainingsbedarf tendenziell einen verschwindend geringen Anteil am gesamten Halbleiter-Rechenbedarf ausmacht. Dieses Bild unterstreicht diesen Standpunkt weiter und deutet darauf hin, dass einige Labore sich mit diesem Thema befassen.](https://we0-cms.oss-cn-beijing.aliyuncs.
贝克 beschreibt dies als mögliche Diskontinuität im Trainingsbedarf.
Dies ist eine Investment-These, keine etablierte technische Schlussfolgerung.
Damit dieses Szenario Realität wird, müssen mehrere Bedingungen erfüllt sein:
Selbst dann müsste der Gesamtbedarf an Rechenleistung nicht zwangsläufig sinken.
Ein Modell, das nach der Bereitstellung deutlich nützlicher wird, könnte mehr Inferenzanfragen, Agentenaktivitäten, Simulationen, Datengenerierung und Reinforcement-Learning-Workloads erzeugen.
Die Struktur der Rechenleistung könnte sich verändern, aber der Gesamtmarkt muss nicht schrumpfen.
Der Quellartikel wiederholt einen auffälligen Zahlenvergleich aus der Diskussion mit Beck: Frühere Modellbeispiele lagen bei etwa dutzenden Milliarden Token, während moderne Trainingsumfänge bereits in den hunderten Billionen liegen.
Dieser Vergleich sollte nicht als verifizierte historische Daten für das Llama-Training betrachtet werden.
Die offiziellen Dokumente von Meta zeigen:
Beck selbst bezeichnete die kleineren Zahlen als gehörte Informationen, nicht als formelle Modellkarten-Statistiken.
Ebenso haben die Frontlaboratorien nicht die vollständige Anzahl der Trainingstoken für jedes aktuelle proprietäre Modell offengelegt.
Selbst ohne den präzisen Vergleich von "20 Milliarden gegenüber 300 Billionen" bleibt der Kernpunkt gültig:
Die Entwicklung von Frontmodellen hängt zunehmend von riesigen Datensätzen und erheblicher Rechenleistung ab. Wenn ein Durchbruch es bereitgestellten Systemen ermöglichen würde, effizient aus einer kleineren Menge neuer Erfahrungen zu lernen, könnte dies die wirtschaftliche Landschaft der KI-Infrastruktur grundlegend verändern.
NVIDIA profitiert von verschiedenen KI-Workloads:
Ein Rückgang in einer Kategorie bedeutet nicht automatisch einen Rückgang der Gesamtnachfrage nach Beschleunigern.
Genau das ist der Grund, warum Beck kontinuierliches Lernen als ein Szenario beschreibt, das einem Stresstest wert ist, und nicht als eine Prognose, die er für sicher hält.
Beck nahm das Gespräch in einer Phase erheblicher Schwäche bei KI-bezogenen Aktien auf.
In seinem Social-Media-Beitrag, mit dem er das Interview bewarb, sagte er, dass der "KI-Sektor" zum Zeitpunkt der Aufnahme etwa 35 bis 40 Prozent unter seinem Hoch vom Juni gelegen habe.
BAAI-Kreise verglichen das Tempo dieser Korrektur mit einer Komprimierung des Bärenmarktes von 2022 in einen kürzeren Zeitraum.
Becks Ziel im Gespräch war es, nach Beweisen zu suchen, um zu beurteilen, ob sich die zugrunde liegende Investitionslogik der KI verschlechtert hat.
Er diskutierte die folgenden Indikatoren:
Sein Argument ist nicht, dass der Markt nicht weiter fallen könnte.
Es besagt vielmehr, dass echte technologische Diskontinuitäten – wie effizientes kontinuierliches Lernen – für die langfristige Rechenlogik wichtiger sein könnten als kurzfristige Aktienkursschwankungen.
Die Quellen verbrachten viel Zeit damit zu erklären, warum Becks Kommentare zu SSI Aufmerksamkeit erregten.
Beck ist weder Mitarbeiter noch offizieller Sprecher von SSI.
Er ist ein Investor des öffentlichen Marktes.
Er ist derzeit geschäftsführender Gesellschafter und Chief Investment Officer von Atreides Management, das er 2019 gegründet hat.
Zuvor arbeitete er von 1999 bis 2017 bei Fidelity Investments.
Seine Positionen dort umfassten:
Sein langjähriger Hintergrund im Halbleiterbereich ist für diese Diskussion besonders relevant, da Beck NVIDIA über mehrere Computerepochen hinweg verfolgt hat.
Diese Epochen umfassen:
Auf der NVIDIA GTC-Konferenz 2026 stellte Jensen Huang Beck öffentlich als ersten großen institutionellen Investor von NVIDIA vor.
Diese Aussage lässt sich unabhängig über NVIDIAs eigene GTC-Keynote-Aufzeichnungen verifizieren.
Die Quellen betonten auch Becks breites Netzwerk an Kontakten in Technologieunternehmen, zu Gründern, Investoren und im Halbleiter-Ökosystem.
Diese Kanäle könnten erklären, warum Marktteilnehmer eine beiläufige Bemerkung zu SSI ernst nehmen.
Dies bedeutet jedoch nicht, dass die Aussage einer Unternehmensankündigung gleichkommt.
Die richtige Evidenzstufe ist:
Ja:
| Quelle | Zuverlässigkeit bezüglich SSI-Veröffentlichungsdatum |
|---|---|
| Offizielle SSI-Ankündigung | Am höchsten |
| Direkte Aussagen von Ilya Sutskever oder der SSI-Führung | Sehr hoch |
| NVIDIAs gemeinsame Ankündigung mit Veröffentlichungserwähnung | Hoch, wenn spezifisch |
| Gavin Beck beschreibt, was SSI gesagt hat | Glaubwürdige Sekundär-Aussage |
| Social-Media-Weiterverbreitung von Becks Kommentar | Sekundär |
| Anonyme Spekulation | Niedrig |
Bis zum 7. August bleibt die Evidenz auf der Ebene "glaubwürdige Sekundär-Aussage".
Die Geheimniskrämerei von SSI ist einer der Gründe für die ungewöhnlich hohen externen Erwartungen.
Das Unternehmen wurde im Juni 2024 von folgenden Personen gegründet:
Sutskever hatte zuvor OpenAI mitgegründet und als Chief Scientist gedient.
SSI sammelte zunächst etwa 1 Milliarde US-Dollar ein.
Berichten zufolge brachte eine spätere Finanzierungsrunde Ende 2025 weitere 2 Milliarden US-Dollar ein, mit einer Unternehmensbewertung von etwa 32 Milliarden US-Dollar.
Im Juli 2026 gaben NVIDIA und SSI eine neue strategische Partnerschaft bekannt.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Reuters berichtete anschließend unter Berufung auf Quellen, dass NVIDIAs Investition etwa 5 Milliarden US-Dollar betrage, obwohl beide Unternehmen lediglich von einer substanziellen Investition sprachen und keine konkreten finanziellen Details in der offiziellen Ankündigung offenlegten.
Diese Kombination ist in der Branche ungewöhnlich:
Das Ergebnis ist, dass der wahrgenommene Wert des Unternehmens weitgehend vom Vertrauen in sein Forschungsteam und der Möglichkeit abhängt, dass sein Ansatz sich substanziell von den gängigen Frontmodell-Pfaden unterscheiden könnte.
Die NVIDIA–SSI-Ankündigung vom 27. Juli lieferte eines der stärksten öffentlichen Signale, dass SSI glaubt, in eine neue Phase eingetreten zu sein.
NVIDIA gab an, dass es nach Erhalt seltenen Zugangs zu SSIs streng geheimer Forschung in diese Partnerschaft eingetreten sei.
Die beiden Unternehmen kündigten an:
Sutskever sagte, SSI habe Forschung, die "eine Skalierung wert" sei.
Die Ankündigung offenbarte weiterhin nicht:
Es bestätigt jedoch, dass SSI den Schritt von reiner Erkundung hin zur Skalierung eines Forschungsansatzes vollzogen hat, den das Unternehmen als vielversprechend erachtet.
Die Vera-Rubin-Plattform von NVIDIA ist die nächste Generation der KI-Computing-Architektur des Unternehmens.
NVIDIA gibt an, dass Rubin Folgendes verbessert:
Speziell für SSI heißt es in der offiziellen Partnerschaftsankündigung, dass die Kombination aus Investition und Zugang zu Vera Rubin die Rechenkapazität des Unternehmens um eine Größenordnung erhöhen werde.
Hier liegt der Ursprung der weit verbreiteten Behauptung von der „10-fachen Rechenleistung“.
Die Wortwahl ist entscheidend.
NVIDIA hat nicht gesagt, dass SSI genau die 10-fache Anzahl an GPUs erhalten wird.
Es hieß, die Partnerschaft werde
die Gesamtrechenleistung von SSI um eine Größenordnung steigern.
Der Zeitpunkt lädt natürlich zu Spekulationen ein.
Die Zeitleiste sieht wie folgt aus:
| Datum | Ereignis |
|---|---|
| Juni 2024 | Gründung von SSI |
| 2024–2025 | SSI sammelt Milliarden von Dollar ein |
| 27. Juli 2026 | SSI und NVIDIA kündigen eine langfristige strategische Partnerschaft an |
| 27. Juli 2026 | NVIDIA erklärt, SSI erhalte Zugang zu Vera Rubin und etwa die 10-fache Rechenleistung |
| 4. August 2026 | Gavins Bakers Kommentare zu einem August-Modell verbreiten sich weit |
| 7. August 2026 | Noch keine öffentliche Ankündigung eines SSI-Modellrelease |
Die NVIDIA-Partnerschaft könnte eine bevorstehende Modellveröffentlichung oder eine zukünftige Expansionsphase unterstützen.
Derzeit gibt es keine öffentlichen Belege dafür, dass das Hardware-Abkommen speziell zur Unterstützung einer August-Veröffentlichung geschlossen wurde.
Die tragfähigere Schlussfolgerung ist:
Die Partnerschaft verschafft SSI eine deutlich erhöhte Infrastruktur, während ein einflussreicher Investor zugleich andeutet, dass das Unternehmen ein Modell veröffentlichen könnte – ein offizieller Zusammenhang zwischen diesen Ereignissen wurde jedoch nicht hergestellt.
Anschließend verlagerte sich die Quelle von SSI zu Bakers breiterer Betrachtung über KI und Finanzmärkte.
Er verglich Claude mit Walter Cronkite – dem einflussreichen US-amerikanischen Fernsehjournalisten, der im Zeitalter des Rundfunks mit hohem öffentlichem Vertrauen assoziiert wurde.
Bakers Punkt war nicht, dass Claude tatsächlich die Marktwahrheit bestimmt.
Er beschrieb einen möglichen Verlust an Vielfalt in der Finanzanalyse.
Ein komplexer Gewinnbericht, ein Halbleiter-Politikdokument oder eine Regulierungsankündigung könnte unabhängig interpretiert werden von:
Diese würden zu unterschiedlichen Ansichten gelangen.
Unterschiedliche Annahmen erzeugen unterschiedliche Marktperspektiven.
Viele Marktteilnehmer senden dasselbe Dokument nun möglicherweise an dieselbe kleine Gruppe von Spitzenmodellen.
Sie stellen ähnliche Fragen:
Was bedeutet das?
Ist das bullisch oder bärisch?
Welche Unternehmen profitieren?
Was sind die Zweitordnungseffekte?
Was hat sich im Vergleich zu den Erwartungen geändert?
Wenn viele Menschen stark vom selben Modell abhängig sind, könnten sie ähnliche Analyseframeworks und ähnliche Schlussfolgerungen erhalten.
Das könnte einen modellvermittelten Konsens bilden.
Finanzmärkte sind auf Divergenz angewiesen.
Käufer und Verkäufer haben unterschiedliche:
Wenn ein großer Teil der Analyse durch dasselbe KI-System standardisiert wird, könnte Folgendes eintreten:
Baker beschreibt dies als eine Art Rückgang der analytischen Vielfalt.
Dies ist eine interessante Hypothese, keine empirisch belegte Regel für moderne Märkte.
Es gibt eine andere Möglichkeit.
KI-Tools können
einem Analysten ermöglichen, mehr Szenarien zu testen, mehr Dokumente zu prüfen, mehr Quellen zu übersetzen und Konsens schneller zu hinterfragen.
Nutzer können auch Ausgaben von Modellen oder Tools vergleichen, etwa:
Ob KI die Marktvielfalt erhöht oder verringert, hängt davon ab, wie Menschen sie nutzen.
Die Gefahr liegt darin, Urteilsvermögen ohne unabhängige Verifikation an dasselbe Modell auszulagern.
Wenn SSI tatsächlich im August ein Modell veröffentlicht, sind die interessantesten Fragen möglicherweise nicht die üblichen Benchmark-Fragen.
Natürlich wird man es vergleichen im Hinblick auf:
Aber die erklärte Mission von SSI macht einige tiefergehende Fragen wichtiger.
Bakers Kommentare fielen im Rahmen einer Diskussion über kontinuierliches Lernen.
Das beweist nicht, dass das SSI-Modell kontinuierliches Lernen zeigen wird.
Falls doch, wollen Forscher wissen:
Wenn SSI einen Weg gefunden hat, aus weniger Beispielen mehr zu lernen, könnte das die Trainingsökonomie beeinflussen.
Starke Belege erfordern transparente Evaluierungen, keine Anekdoten.
SSI sagt, dass Sicherheit und Fähigkeiten gemeinsam voranschreiten sollten.
Ein Release würde eine Gelegenheit schaffen, zu zeigen, was das in der Praxis bedeutet.
Mögliche Bereiche umfassen:
SSI hat öffentlich noch nicht offengelegt, welche dieser Mechanismen seinen Ansatz definieren.
Eine öffentliche API würde auf eine Produktrichtung hindeuten.
Ein Paper, eine Demo, Benchmarks oder eine begrenzte Forschungsveröffentlichung bedeuten etwas anderes.
Bevor SSI selbst spricht, ist der Begriff „Modellveröffentlichung“ zu vage, um diese Frage zu beantworten.
SSI ist eines der wenigen Frontier-Labore, dessen Gründungsprämisse ausdrücklich darin besteht, den gewöhnlichen Produktwettbewerb zu vermeiden, bis das zentrale Forschungsziel bereit ist.
Das macht ein Release zu mehr als einem Test der Modellqualität.
Es wird mehrere Überzeugungen testen, die seit 2024 um das Unternehmen kursieren:
Die NVIDIA-Partnerschaft erhöht die Erwartungen, denn NVIDIA sagt, es habe vor erheblichem Kapitaleinsatz und der Bereitstellung von Next-Gen-Rechenleistung Einblick in SSIs Forschungsergebnisse erhalten.
Bakers Kommentare fügen einen möglichen Zeitpunkt hinzu.
Beides sagt uns nicht, was das Modell tatsächlich ist.
Sutskever, Daniel Gross und Daniel Levy im Jahr 2024 gegründet.
Wird Safe Superintelligence Inc. im August 2026 ein Modell veröffentlichen?
Gavin Baker gab kürzlich in einem Interview an, dass SSI angekündigt habe, im August ein Modell herauszubringen. Bis zum 7. August 2026 hat SSI auf seiner offiziellen Website jedoch keine öffentliche Ankündigung veröffentlicht, die dieses Datum bestätigt.
Falls ein Modell veröffentlicht wird, wäre dies das erste öffentlich präsentierte Modell oder produktionsreife System von SSI. Das Unternehmen ist seit seiner Gründung weitgehend geheimnisvoll aufgetreten und hat keine reguläre Modellreihe veröffentlicht.
Nein. Die offizielle Mission von SSI ist die Entwicklung sicherer Superintelligenz, doch es gibt keine öffentlichen Informationen, die bestätigen, dass das gemunkelte August-Modell dieses Niveau erreicht hat. Die Fähigkeiten, Architektur, Benchmarks und Veröffentlichungsform des Modells bleiben unbekannt.
Kontinuierliches Lernen bezeichnet die Fähigkeit eines Systems, im Laufe der Zeit fortlaufend aus neuen Erfahrungen zu lernen, ohne von Grund auf neu trainiert zu werden und ohne frühere Fähigkeiten zu verlieren. Zuverlässiges kontinuierliches Lernen ist weiterhin ein aktives Forschungsgebiet, insbesondere für große, bereits bereitgestellte Modelle.
Wenn Modelle nach der Bereitstellung letztendlich effizient lernen können, könnte sich ein Teil der Rechenleistung von großen, periodischen Pre-Training-Zyklen hin zu Inferenz, Online-Lernen, Simulation und Post-Training verlagern. Dies würde die Zusammensetzung der Nachfrage nach Beschleunigern verändern, aber nicht zwangsläufig den Gesamtbedarf an KI-Rechenleistung reduzieren.
Ja. NVIDIA und SSI gaben im Juli 2026 offiziell eine bedeutende Investition und langfristige Partnerschaft bekannt. Reuters berichtete, dass die Investition etwa 5 Milliarden US-Dollar beträgt, doch beide Unternehmen nannten in der offiziellen Ankündigung keine finanziellen Details.
NVIDIA erklärte, dass SSI Zugang zu seiner nächsten Generation der Vera-Rubin-Plattform erhalten wird und dass die Partnerschaft die Rechenleistung von SSI um etwa eine Größenordnung steigern wird. Beide Unternehmen werden zudem an zukünftigen Rechenplattformen zusammenarbeiten.
Gavin Baker ist Managing Partner und Chief Investment Officer bei Atreides Management.
Zuvor arbeitete er fast zwei Jahrzehnte bei Fidelity Investments. Auf der NVIDIA GTC-Konferenz 2026 beschrieb Jensen Huang ihn als den ersten bedeutenden institutionellen Investor von NVIDIA.
Gavin Baker gab erstmals einen glaubwürdigen öffentlichen Hinweis auf den Veröffentlichungszeitpunkt von Safe Superintelligence, indem er sagte, dass SSI plane, im August 2026 ein Modell herauszubringen. Stand 7. August hat SSI selbst diesen Zeitplan nicht öffentlich bestätigt, daher sollte dieses Datum weiterhin als Medienbericht und nicht als offizielle Veröffentlichungsankündigung betrachtet werden.
Diese Bemerkung ist teilweise wegen ihres Kontexts bedeutsam. Baker sprach damals über kontinuierliches Lernen und sample-effizientes Lernen – Forschungsrichtungen, die KI-Rechenleistung von großen Pre-Training-Umgebungen hin zu Systemen verschieben könnten, die nach der Bereitstellung weiter lernen.
Heutzutage wird der Modellbereich von immer größeren Pre-Training-Läufen dominiert und bewegt sich in Richtung Systeme, die nach ihrer Bereitstellung kontinuierlich lernen können.
SSI hat außerdem gerade eine bedeutende strategische Partnerschaft mit NVIDIA geschlossen. Diese formelle Vereinbarung verschafft dem Unternehmen Zugang zu den Vera-Rubin-Systemen, wobei eine Steigerung der Rechenleistung um etwa eine Größenordnung erwartet wird, und NVIDIA erklärte, dass es sich nach Erhalt eines speziellen Zugriffs auf die privaten Forschungsergebnisse von SSI für diese Partnerschaft entschieden habe.
Die entscheidende Tatsache von heute ist nicht, dass SSI bereits Superintelligenz fertiggestellt hat, sondern dass ein besonders gut vernetzter Investor erklärt hat, dass ihr erstes Modell möglicherweise endlich kurz vor der Veröffentlichung steht – und dass das Unternehmen nun über deutlich erhöhte Rechenressourcen verfügt, um das, was es gebaut hat, zu skalieren.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
