YAAHA: Dä AI Podcast us de Region

In dieser Folge sprechen Vlad und Gabriel über die aktuelle Lage in der AI-Welt: von Anthropic, Fable und der US-Regierung bis zur Frage, wie stark Politik, Sicherheit und technologische Entwicklung inzwischen miteinander verflochten sind. Ausserdem geht es um die WM und darum, was AI im Sport alles verändern könnte: Taktik, Analyse, Training, und vielleicht auch, wie wir Spiele in Zukunft erleben. Mit DiffusionGemma werfen die beiden einen Blick auf neue Wege der Textgenerierung, während Google Flow zeigt, wie stark AI gerade auch kreative Workflows verändert. Und mit dem Health-AI-Teaser von Midjourney stellt sich einmal mehr die Frage: Wann ist eine Vision spannend – und wann sollte man genauer hinschauen? Eine Folge über grosse Versprechen, echte Möglichkeiten und die vielen offenen Fragen dazwischen. ⸻ Weiteres zum Thema: Anthropic – Claude Fable 5 & Mythos 5: https://www.anthropic.com/news/claude-fable-5-mythos-5 Anthropic – Statement zur US-Regierungsdirektive: https://www.anthropic.com/news/fable-mythos-access DiffusionGemma: https://deepmind.google/blog/diffusiongemma-4x-faster-text-generation/

Midjourney Medical: https://www.midjourney.com/medical/blogpost Google Flow: https://blog.google/innovation-and-ai/products/google-flow-veo-ai-filmmaking-tool/

In dieser Folge sprechen Vlad und Gabriel über die grossen Ankündigungen von Google I/O und darüber, wie Google AI nicht mehr nur als einzelnes Tool denkt, sondern direkt in bestehende Produkte einbaut. Im Fokus steht Gemini 3.5 Flash: schnell, agentisch und gemacht für Aufgaben, die nicht nur beantwortet, sondern ausgeführt werden sollen. Von Search über Apps bis hin zu Tools wie Maps stellt sich die Frage: Wird AI langsam zur unsichtbaren Schicht über allem, was wir digital benutzen? Dabei sprechen die beiden auch über die Singularität: die Idee eines Moments, in dem künstliche Intelligenz sich so schnell weiterentwickelt, dass Menschen kaum noch vorhersagen können, was danach passiert. Klingt nach Science-Fiction, ist aber genau deshalb spannend zu diskutieren. Eine Folge über schnelle Modelle, smarte Produkte und die Frage, wie nah Zukunft und Science-Fiction inzwischen beieinanderliegen. ⸻ Weiteres zum Thema: Google I/O – alle Ankündigungen: https://blog.google/innovation-and-ai/technology/ai/google-io-2026-all-our-announcements/

Gemini 3.5: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5/

Google Maps mit Gemini / Ask Maps: https://blog.google/products-and-platforms/products/maps/ask-maps-immersive-navigation/

In dieser Folge sprechen Vlad und Gabriel über Mythos, Anthropic’s neues Modell für Coding, Agentic Tasks und Cybersecurity. Ein Modell, das Sicherheitslücken finden und Software verstehen soll – beeindruckend, aber auch ziemlich beunruhigend. Ausserdem geht’s um GPT-Image-2 und darum, wie vielseitig Bildgeneratoren inzwischen geworden sind: von Prozessdiagrammen bis hin zu Comics. Wie unterschiedlich, detailreich und gezielt solche Outputs mittlerweile sein können, zeigt, dass es längst nicht mehr nur um „schöne Bilder“ geht – sondern um visuelle Werkzeuge für Ideen, Erklärungen und ganze Formate. Dazu passt Anthropic’s Forschung zu Natural Language Autoencoders: ein Ansatz, der Modellaktivierungen in lesbare Sprache übersetzen soll. Also ein kleiner Blick in den Kopf der AI – oder zumindest der Versuch davon. Und natürlich sprechen die beiden auch über Vibe Coding: Software bauen mit Gefühl, Prompts und viel Vertrauen ins Modell. Klingt nach Zukunft – kann aber auch sehr schnell nach Chaos aussehen. Eine Folge über AI, die Bilder erzeugt, Code schreibt, Schwachstellen findet – und vielleicht langsam anfängt, uns zu zeigen, was in ihr passiert. ⸻ Weiteres zum Thema: Mythos / Project Glasswing: https://www.anthropic.com/glasswing GPT-Image-2: https://developers.openai.com/api/docs/models/gpt-image-2 Natural Language Autoencoders: https://www.anthropic.com/research/natural-language-autoencoders

In der dreizehnten Folge sprechen Vlad und Gabriel über V-JEPA 2.1, AMI Labs und die provokante Frage, ob heutige AI-Systeme überhaupt so lernen, wie wir es ihnen oft zuschreiben. V-JEPA 2.1 setzt auf selbstüberwachtes Lernen für Bilder und Videos und soll dabei starke, dichte Repräsentationen für visuelles Verständnis und World Modeling liefern.


Dazu passt auch AMI Labs: Das Team beschreibt seine Vision von AI-Systemen, die die reale Welt verstehen, über persistentes Gedächtnis verfügen, planen können und dabei kontrollierbar und sicher bleiben sollen.


Ein weiterer Schwerpunkt ist das Paper “Why AI systems don’t learn”. Darin argumentieren die Autoren, dass aktuelle Modelle beim autonomen Lernen klare Grenzen haben und schlagen stattdessen eine Architektur vor, die Beobachtung, aktives Verhalten und eine Art Meta-Kontrolle miteinander verbindet.





Weiteres zum Thema: V-JEPA 2.1: https://arxiv.org/abs/2603.14482


AMI Labs: https://amilabs.xyz/


Why AI systems don't learn: https://arxiv.org/abs/2603.15381