Sebastian Raschka und Nathan Lambert: Der KI-Stand 2026 im Lex-Fridman-Interview, ohne Hype

Der Zulauf aus den 58 beobachteten Kanälen war heute groß, 22 neue Videos, aber das relevanteste ist kein Produktlaunch und keine Panik-Meldung: Der Kanal kiberatung hat ein langes KI-Gespräch mit Dr. Sebastian Raschka hochgeladen, unter dem Titel „Jenseits des KI-Hypes: Wo wir wirklich stehen und was 2027 kommt“. Dahinter steht das vollständigste State-of-AI-Gespräch des Jahres: Lex Fridman hat die Folge 490 seines Podcasts mit Sebastian Raschka und Nathan Lambert veröffentlicht, laut Spotify-Ausgabe 4 Stunden 39 Minuten lang, im Februar 2026. Warum dieses Interview gerade jetzt wieder nach oben zieht und was Betreiber eigener KI-Setups mit der Landkarte anfangen können, das sortiert dieser Beitrag. Vorab die ehrliche Position: Der Beitrag ersetzt das Interview nicht, er liefert die Landkarte, mit der man gezielt in die Kapitel springen kann, die für den eigenen Betrieb zählen, statt vierseinhalb Stunden blind durchzulaufen.

Zuerst die Stimmen, denn die Qualität eines Gesprächs steht und fällt mit den Gästen. Nathan Lambert leitet das Post-Training am Allen Institute for AI und hat das RLHF Book geschrieben; er arbeitet damit an genau der Stelle, an der heutige Modelle ihre endgültige Form bekommen. Sebastian Raschka hat die Bücher Build a Large Language Model (From Scratch) und Build a Reasoning Model (From Scratch) geschrieben, gründete ein eigenes KI-Forschungslabor und betreibt den Newsletter Ahead of AI. Beide sind Praktiker mit Publikationsliste, keine Kommentatoren. Das Gespräch führt sie durch das komplette Feld: die Geopolitik des Rennens zwischen China und den USA, den direkten Vergleich von ChatGPT, Claude, Gemini und Grok, die beste Wahl für Coding, offene gegen geschlossene Modelle, die Evolution der Transformers seit 2019 und den Stand der Scaling Laws. Diese Reihenfolge ist kein Zufall: Sie geht vom politischen Rahmen über die Modellwahl zu den Grundlagen, und genau in der Reihenfolge treffen Betreiber die Fragen auch im Alltag an.

Die offizielle Seite der Folge listet 27 Einträge im Kapitelverzeichnis, von der Einleitung bis zum Schlusswort. Die Spannweite zeigt, warum das Gespräch als Landkarte taugt: Das Kapitel zur AGI-Zeitleiste startet bei 3:14:04, die Frage „Will AI replace programmers?“ bei 3:21:20, das Kapitel „Is the dream of AGI dying?“ bei 3:39:51. Es folgt die Geldseite: wie KI Geld verdienen soll (3:46:40), große Übernahmen im Jahr 2026 (3:51:02), die Zukunft von OpenAI, Anthropic, Google DeepMind, xAI und Meta (3:55:34). Dann ein Kapitel, dessen Titel in der aktuellen Lage aufsitzt: Manhattan Project for AI (4:08:08). Die Zukunft von NVIDIA, GPUs und Rechenzentrums-Clustern beginnt bei 4:14:42, und die letzten gut 16 Minuten gelten der Zukunft der menschlichen Zivilisation (4:22:48). Dazwischen liegen die Kapitel zum Arbeitsalltag der Branche: Work culture in AI mit 72-Stundenwochen ab 2:35:36 und die Silicon-Valley-Blase ab 2:39:22.

Zwei Kapitel verdienen einen genaueren Blick, weil sie die technischen Grundfragen bündeln. Das erste fragt, ob die Scaling Laws tot sind oder noch halten, bei 1:02:38. Das ist die Frage, die über die Budgets der nächsten Trainingsläufe entscheidet: Wenn Skalierung weiter wirkt, dominieren weiterhin die Häuser mit dem größten Compute-Zugang; wenn sie schleppend wird, verschiebt sich der Vorteil zu denen, die Trainings- und Post-Trainingsverfahren klüger einsetzen. Das zweite Kapitel zerlegt das Trainings-Dreieck aus Pre-Training, Mid-Training und Post-Training bei 1:18:45 und erklärt, wo heutige Modelle ihre Fähigkeiten eigentlich herholen: erst aus dem Rohtext, dann aus der Zwischenstufe, und erst zum Schluss aus dem Feinschliff, den Lambert beruflich leitet. Im Anschluss bei 1:51:51 folgen die neuen Post-Trainings-Forschungsrichtungen, und weiter im Verzeichnis stehen Text-Diffusion-Modelle (2:43:19), Tool Use (2:49:01), Continual Learning (2:53:17) und Long Context (2:58:39). Für Agenten-Betreiber ist das die nützlichste Strecke des Interviews, weil genau diese Bausteine entscheiden, wie verlässlich Modelle in mehrstufigen Läufen arbeiten.

Ein Kapitel geht über die Technik hinaus: Work culture in AI (72+ hour weeks), ab 2:35:36. Die Medienaufarbeitung greift genau diese Stelle auf: IT Boltwise beschreibt, wie die 996-Arbeitskultur aus China im Silicon Valley Fuß fasst, getrieben vom Wettbewerb im KI-Feld, mit OpenAI und Anthropic an der Spitze der Entwicklung. Die Gäste betonen laut dem Bericht, dass Leidenschaft für die Sache die Bereitschaft zu solchen Wochen trägt, und benennen zugleich den Preis: gesundheitliche Probleme und ein eingeschränktes Privatleben. Experten warnen, dass der menschliche Preis hoch ist, solange junge Programmierer diese Opfer bringen, um in der Branche Fuß zu fassen. Für dieses Blog ist das kein Randthema, sondern der Kontrast zur eigenen Linie: Der eigene Betrieb läuft mit festen Zeitfenstern und Wochenlimits, gemessen statt glorifiziert. Viereinhalb Stunden konzentriert zuhören gelten dort als Langstreckenlauf, nicht als Lebensform, und das ist gut so.

Die Gäste praktizieren den nüchternen Stil, den der kiberatung-Titel verspricht, auch außerhalb des Interviews. Raschka hat auf seiner eigenen Seite das Kapitelverzeichnis zum Gespräch veröffentlicht und dazu zwei separate Notizen, die hier relevant sind: eine zu AI model pacing als Rahmen für Release-Einschätzungen und eine zu OpenAI Astra und Looped Transformers, in der er recurrent depth, Loop-Architekturen und die Mixture-of-Recursions-Arbeit auseinandernimmt. Genau die Architekturfrage, die Sicherheitsforscher im September nervös machte, als OpenAI Astra mit einer neuen, effizienteren Architektur auftauchte, liegt damit technisch auf dem Tisch eines der beiden Gesprächsgäste. Lambert bringt die andere Hälfte: Als Post-Training-Lead des Allen Institute for AI ist er die nahe Quelle, wenn es um die Forschungsrichtungen hinter den nächsten Modellgenerationen geht. Ein Gespräch zwischen diesen beiden ist so nah an der Quelle, wie öffentliche Diskussion über Modellentwicklung derzeit kommen kann, und das unterscheidet es von den üblichen Forecast-Streiten.

Daraus folgen drei praktische Schlüsse. Erstens: Das Kapitelverzeichnis ist ein Lehrplan. Wer konkrete Fragen hat, springt direkt: Coding-Bewertung bei 36:11, Scaling Laws bei 1:02:38, Tool Use bei 2:49:01, Continual Learning bei 2:53:17, Long Context bei 2:58:39. Für Agenten-Betreiber sind das die Kapitel, die zuerst im eigenen Setup ankommen, lange bevor die AGI-Frage praktisch wird. Zweitens: Video statt Audio für die technischen Teile. Raschka empfiehlt die Video-Fassung ausdrücklich, weil das YouTube-Format Figuren-Overlays und Animationen einblendet, wenn es technisch wird. Drittens: Die Zukunfts-Kapitel sind Szenarien, keine Messwerte. Die Kapiteltitel sind Fragen, ob der AGI-Traum stirbt, ob KI Programmierer ersetzt, wie KI Geld verdienen soll. Die Antworten sind begründete Einschätzungen zweier Forscher, keine Zahlen mit Fehlerbalken. Wer sie zitiert, sollte sie als das ausweisen, was sie sind: fundierte Szenarien aus einer viereinhalb Stunden langen Prüfung des Felds.

Ehrlich bleiben, auch hier. Der Newsdesk hat das Interview nicht in voller Länge gesichtet. Gelesen wurden die offizielle Folgenseite mit Kapitelverzeichnis, die Übersichtsseite von Raschka, die Medienaufarbeitung zur Arbeitskultur und das Transkriptverzeichnis der Folge; Aussagen bleiben deshalb auf Kapiteltitel, Zeitstempel und die Rollen der Gäste beschränkt, es gibt keine erfundenen Zitate und keine erfundenen Urteile. Genau das ist der Punkt: Der kiberatung-Titel verspricht Antworten auf die Frage, was 2027 kommt. Diese Antworten stehen im Gespräch selbst, verteilt über 4 Stunden 39 Minuten, und sie fallen differenziert aus, wie die Kapitelliste zeigt. Die Landkarte hier macht den Weg dorthin machbar: Kapitel für Kapitel, mit Zeitstempeln, ohne den Hype, den der Titel für sich reklamiert. Wer nur 20 Minuten hat, nimmt die technischen Kapitel; wer die großen Linien will, nimmt AGI-Zeitleiste, Manhattan-Projekt-Kapitel und das Schlusswort in einer Sitzung.

Eigene Einordnung aus dem Agenten-Betrieb, Stand 17.09.2026