Latest / Handelsblatt Disrupt - Der Podcast über die Zukunft der Wirtschaft / Was steckt hinter dem Hype um World Models, Matthias Nießner?

Transcript

Was steckt hinter dem Hype um World Models, Matthias Nießner? · Handelsblatt Disrupt - Der Podcast über die Zukunft der Wirtschaft

• 0:02
  Speaker 0: KI-Modelle, die die Welt nachbilden und verstehen können.
• 0:06
  Speaker 0: Das ist die Idee hinter sogenannten Worldmodels – und sie fasziniert Forscher, Gründerinnen und Investoren überall!
• 0:12
  Speaker 0: Mit der US-Amerikanerin Fay-Fay Lee und dem Franzosen Jan LeCun haben zwei der renommiertesten KI-Wissenschaftler überhaupt Startups gegründet, die genau solche Modelle entwickeln.
• 0:23
  Speaker 0: Und warum das wichtig ist?
• 0:24
  Speaker 0: Weltmodelle können aus zweidimensionalem Abbildung wie zum Beispiel einem Grundriss ein ganzes dreiD-Model produzieren.
• 0:31
  Speaker 0: Sie können virtuelle Welten erzeugen, zum Beispiel für Computerspiele und Hollywood-Filme.
• 0:36
  Speaker 0: Und sie könnten künftig auch in so eine Art Robotergehirn eingebaut werden mit dem autonome Systeme dann in der Lage sind sich frei in ihrer Umgebung zu bewegen.
• 0:46
  Speaker 0: In diesem Podcast habe ich Matthias Miesner zu Gast.
• 0:49
  Speaker 0: Er ist Professor an der Technischen Universität in München und Startupgründer.
• 0:53
  Speaker 0: Mit seiner Firma Special AI will er das ahnen sie jetzt schon im Wettbewerb um die Entwicklung von Weltmodellen mitmischen.
• 0:59
  Speaker 0: Mit ihm habe ich darüber gesprochen, warum es in Europa immer mehr Startups gibt die direkt aus den Unis kommen.
• 1:05
  Speaker 0: Mit welchen Daten Weltmodelle eigentlich trainiert werden und warum er glaubt dass diese Modelle das Potenzial haben, die Industrie zu revolutionieren?
• 1:13
  Speaker 0: Und damit herzlich willkommen bei Handelsblatt Disrupt!
• 1:16
  Speaker 0: Ich bin Larissa Holzki und ich freue mich, dass Sie zuhören.
• 1:28
  Speaker 0: Ob Märkte, Unternehmen oder technologische Entwicklung – wir liefern Ihnen fundierte Einordnungen sprechen mit Entscheidenden und Entscheidern.
• 1:35
  Speaker 0: Und recherchieren die Zusammenhänge!
• 1:37
  Speaker 0: Mit einem Probe-Abo bekommen Sie vollen Zugriff auf alle digitalen Inhalte im Test vier Wochen lang für nur ein Euro.
• 1:43
  Speaker 0: Mehr Infos unter handelsblatt.com slash mehr Wirtschaft.
• 1:47
  Speaker 0: Und damit geht es jetzt direkt zu meinem Gespräch mit dem Münchner AI-Professor und CEO von SpecialAI Matthias Niesner.
• 1:54
  Speaker 0: Hallo Matthias!
• 1:58
  Speaker 0: Matthias, wir wollen heute über eine ganz besondere Form von KI-Modellen sprechen.
• 2:02
  Speaker 0: Unsere Hörer und Hörerin kennen inzwischen natürlich alle Sprachmodelle die zum Beispiel Chatbots wie ChatGBT und Claude zugrunde liegen.
• 2:09
  Speaker 0: Sie wissen dass man mit KI Bildmodellen wie Nano Banana oder Google oder Flux von Black Forest Labs Bilder erzeugen kann.
• 2:16
  Speaker 0: Vielleicht haben sie auch schon mal Musik gehört Die mit einem Audiumodell erzeugt wurde.
• 2:20
  Speaker 0: Allerdings gibt es eine Art von KI Modellen die noch nicht so verbreitet sind Und die in der KI Welt trotzdem für mehr Begeisterung Sorgen, sogenannte Worldmodels.
• 2:30
  Speaker 0: Worum genau geht es da?
• 2:32
  Speaker 0: Und zuerst mal in aller Kürze warum sind diese Modelle so interessant?
• 2:36
  Speaker 1: Ja also das ist natürlich sehr interessant.
• 2:38
  Speaker 1: die können die Welt modelieren.
• 2:39
  Speaker 1: alles was in der realen Welt passiert kann ein Weltmodell sozusagen mit der KI modellieren und kann alle Sachen die wir in der Realenwelt tun machen empfinden.
• 2:49
  Speaker 1: im Prinzip können wir simulieren können wir alles in den Aufbau und Synthetisch ja.
• 2:54
  Speaker 1: und was sind die Sachen?
• 2:54
  Speaker 1: da gibt's ganz verschiedene eigentlich.
• 2:56
  Speaker 1: Es gibt verschiedene Ansätze, wie ich sozusagen die Welt simulieren kann.
• 3:00
  Speaker 1: Wie ich ja verschiedene Eindrücke erwecken kann.
• 3:03
  Speaker 1: Ich kann visuelle Sachen machen und ich kann Bilder so darstellen, die sind echt sinnvolle, die Physik auch da stellen können.
• 3:10
  Speaker 1: Und ja, die große Idee an den Weltmodellen ist dass sie sozusagen eine Brücke zwischen der realen und der digitalen Welt haben.
• 3:16
  Speaker 1: Ich kannst sagen, ich kann Sachen simulierend.
• 3:19
  Speaker 1: Und ich kann die Sachen, die ich simuliere wieder zurück in die reale Welt bringen.
• 3:23
  Speaker 1: oder ich kann die reale Welt nehmen und kann den digitalen Kloner stellen, man kann dann Sachen editieren usw.
• 3:28
  Speaker 1: Und ja da kann ich danach ein bisschen noch mehr erzählen dazu.
• 3:31
  Speaker 0: Das machen wir!
• 3:32
  Speaker 0: Du hast mit Spatial AI eine Firma gegründet, die solche Worldmodels entwickeln will?
• 3:37
  Speaker 0: Ihr sitzt in München und London.
• 3:38
  Speaker 0: Erzähl uns mal kurz wer sind deine Mitgründer?
• 3:40
  Speaker 0: wie groß ist die Firma aktuell?
• 3:43
  Speaker 1: Wir sind insgesamt sechzehn Leute mittlerweile halt im München, halt in London.
• 3:48
  Speaker 1: also starkes europäische Start-up.
• 3:51
  Speaker 1: Mein Mitgründer David Norgney war vorbei bei Meta.
• 3:55
  Speaker 1: Er hat viele so HD-Generierungen gemacht, so viele Videospiele und er hat da schon sehr große Erfahrungen gesammelt mit, wie kann man große KI-Modelle trainieren?
• 4:06
  Speaker 1: Ricardo Martin Braula der war davor bei Google, der war Project Starline die haben auch HD Welten generiert für für Produktlesnern, also so viele E-Kommersachen wo ich künstliche Objekte erstellen kann.
• 4:18
  Speaker 1: Die Ausstrahlen wie echte und dann eben online digital vermarkten.
• 4:22
  Speaker 1: Luke Rogers war aber vorbei bei Kasu und McKinsey.
• 4:25
  Speaker 1: der ist jemanden der unser Business am Laufen hält.
• 4:27
  Speaker 1: und ja wir haben auch ansonsten noch ein sehr starkes Team.
• 4:30
  Speaker 1: Wir haben ganz viele Forscherinnen die alle Peaches dies haben.
• 4:34
  Speaker 1: Die haben alles sehr starke Paperpublikierung.
• 4:36
  Speaker 1: Wir sind ungefähr eines der Top Teens der Welt
• 4:39
  Speaker 0: Und ihr steht trotzdem noch ganz am Anfang.
• 4:41
  Speaker 0: Ihr seid erst vor knapp einem Jahr an die Öffentlichkeit gegangen, zum Start-up-Tier direkt dreizehn Millionen Euro eingesammelt – das ist in der heutigen KI-Welt gar nicht so viel wenn man auf Wettbewerber blickt!
• 4:53
  Speaker 0: Das gelingt trotzdem nur Gründern, die schon einen Namen in der KI Szene und der Start-Up-Weld haben.
• 4:58
  Speaker 0: Du hast ja schon ein bisschen jetzt was hören lassen zu deinen Mitgründern.
• 5:01
  Speaker 0: aber lass uns auch nochmal über deinen Werdegang sprechen.
• 5:05
  Speaker 0: Du bist sozusagen im Erstjobjahr-Professor an der Technischen Universität München mit einer Professur für Visual Computing und Artificial Intelligence.
• 5:13
  Speaker 0: Die Professor hast du mit Anfang dreißig bekommen vor etwa acht oder ein halb Jahren, was reizt dich eigentlich mehr Forschung oder Lehre?
• 5:20
  Speaker 1: Ich reize es vor allem um die Verbindung etwas Neues zu machen.
• 5:23
  Speaker 1: Und ich denke das Forschung und Entrepreneurship, dass diese Sachen einfach zusammengehören.
• 5:28
  Speaker 1: Ich will Sachen entwickeln, dass ist die Forschung, die es da vorne noch nicht gab.
• 5:31
  Speaker 1: aber ich möchte ja auch einen Produkte bringen.
• 5:35
  Speaker 1: die Sachen benutzen können.
• 5:37
  Speaker 1: Und ich möchte auch der Gesellschaft am Schluss etwas zurückgeben im Sinne von Ökonomierstellen, dass leute Arbeitsplätze haben und das Feld
• 5:44
  Speaker 1: weiterbringt.".
• 5:45
  Speaker 0: Du hast wissenschaftliche Paper mitgeschrieben, die zum Teil mehrere Tausendmal zitiert wurden – in dem meistzitierten geht es unter anderem um einen Datensatz, mit dem Computer lernen können drei D-Räume zu verstehen also
• 5:57
  Speaker 0: z.B.,
• 5:57
  Speaker 0: wie weit entfernt steht?
• 5:59
  Speaker 0: Der Stuhl vom Tisch, Türen gehen immer bis zum Boden und so weiter.
• 6:02
  Speaker 0: Wie bist du denn überhaupt in diesem Feld gelandet?
• 6:05
  Speaker 1: Das ist ganz spannend.
• 6:08
  Speaker 1: Ich war natürlich sehr begeistert von Computern vor dem Computerspiele haben es mir sehr angetan aber ich wollte immer selber Computerspiele machen.
• 6:16
  Speaker 1: und was sich sehr schnell mitbekommen habe die Schwierigkeit an Computerspielung ist um den Welten zu erstellen also um einen Level, ein D-Level für ein Spiel zu erstellen, das kostet eigentlich den meisten Aufwand beim Computerspinning Assen Content zu kreieren.
• 6:30
  Speaker 1: Und da haben wir... Ja irgendwann haben wir gedacht ja gut vielleicht können wir einfach reale Welten einscannen.
• 6:35
  Speaker 1: also wir können einen Radiescanner nehmen, können eine Welt sozusagen erfassen, können einen künstlichen digitalen Klon davon erstellen und dann haben wir uns so ein Radie Content.
• 6:44
  Speaker 1: Und es war damals, er hat im Jahr two-thausend elf wo die Microsoft Kinect rauskram gab's auf einmal so einen tiefen Sensor mit dem er eben solche drei DScans machen hat können.
• 6:53
  Speaker 1: Und der war sehr günstig, den konnte man für hundert Dollar damals kaufen und das war super spannend für die Forschung.
• 6:58
  Speaker 1: Da gab es ganz viele verschiedene Ansätze.
• 7:00
  Speaker 1: wie kann ich gute Dreidere-Konstruktionen von echten Welten hinbekommen?
• 7:03
  Speaker 1: Und so sind wir in diesen Scannet-Daten, sagts du, den du vorhin erwähnt hast gekommen und es hat sich dann herausgestellt ja ist nicht nur für Computerspiele interessant, aber auch super spannend Lernen lassen, wie können die in drei D-Welten umgehen?
• 7:20
  Speaker 1: Also ich kann dann synthetisch sozusagen lernen.
• 7:24
  Speaker 1: Wie kann Roboter navigieren, wie kann Robotter Objekte anfassen und deswegen ist dieser Scanodata so wichtig und deswegen hat es da ganz viele verschiedene Forschungsarbeiten gegeben, die ihn verwenden.
• 7:35
  Speaker 0: Und ich heb deine wissenschaftliche Laufbahn auch deshalb hervor, weil sie zunehmend wichtig ist in der Startup-Welt.
• 7:40
  Speaker 0: Früher waren wissenschaftlich Situationen die wichtigste Währung in der Forschung aber in einer Startupszene war ein abgebrochenes Studium ja vielen Investoren geradezu mehr wert.
• 7:49
  Speaker 0: Gerade bei Waggernskapitalgeber in Deutschland gab es vor wenigen Jahren noch Zurückhaltung wenn's darum ging in Gründer zu investieren die aus der Forschungen kommen.
• 7:58
  Speaker 0: Ja, vereinfacht gesagt immer das Gefühl gehabt es geht alles zu langsam.
• 8:01
  Speaker 0: Zu kompliziert, zu wenig unternehmerisch und es gab auch praktisch kaum Doktoranden und Professoren hier die überhaupt gegründet haben und das ändert sich gerade dramatisch.
• 8:10
  Speaker 0: Das ist auch getrieben von Erfolgen zum Beispiel durch den Erfolg von Synthesia, die Firma die du zuerst mitgegründete hast.
• 8:17
  Speaker 0: Die sind zwischen vier Milliarden wert.
• 8:19
  Speaker 0: dann gibt's das Beispiel Michael Black einer der Gründungsdirektoren des Max Planck Instituts für intelligente Systeme in Tübingen.
• 8:25
  Speaker 0: Der hat Meshcapade mitgegründet und gerade an die Computerspielefirma Epic Games verkauft.
• 8:30
  Speaker 0: Und dann ist da natürlich auch Black Forest Labs, die Firma der Erfinder des ersten Buildmodels, Stable Diffusion.
• 8:35
  Speaker 0: Ich hab gehört du sollst sogar der Zweit-Correct Bloor von Robin Rombachs Doktorarbeit sein wenn er neben der Führung von seinem Milliarden Startup irgendwann dazu kommen sollte seinen PhD fertig zu machen.
• 8:45
  Speaker 0: stimmt das?
• 8:47
  Speaker 1: Ja, offiziell bin ich das wahrscheinlich.
• 8:48
  Speaker 1: Aber ich muss natürlich erst mal die Arbeit einreichen.
• 8:51
  Speaker 1: aber es ist natürlich nur eine Formsache für mich mein erster Bekannt und hat so viele erfolgreiche Sachen gemacht dass das natürlich kein Problem ist.
• 8:57
  Speaker 1: Das ist eher sage ich meine administrative Aufgabe in dem Fall.
• 9:01
  Speaker 0: was daran aber spannend ist und deswegen erwähne ich das der Grund... das ist zumindest meine Wahrnehmung.
• 9:06
  Speaker 0: der Grund warum die deutschen europäische Start-up Szene lange nicht so erfolgreich war wie die amerikanische ist das Forschung und Finanzierung hier in zwei völlig verschiedenen Welten stattgefunden hat.
• 9:16
  Speaker 0: denn wie funktioniert das ganze?
• 9:18
  Speaker 0: Das ist ja oft so, dass es über persönliche Kontakte läuft.
• 9:21
  Speaker 0: Über warme Intros.
• 9:23
  Speaker 0: der ein Investor fragt den anderen kennst du X der macht jetzt mit Y eine neue Firma und Z hat schon investiert.
• 9:29
  Speaker 0: willst du da auch mitmachen?
• 9:30
  Speaker 0: Und genau deshalb gibt es gerade einen riesen Effekt wenn Leute wie Robin Rombach jetzt ihr Geld zum Beispiel in deine Firma investieren alle denken oha Da müssen wir mit machen.
• 9:39
  Speaker 0: wenn die sich kennen Einer der erfolgreichen KI-Gründer sagt, da könnte was Spannendes rauskommen.
• 9:45
  Speaker 0: Dann stimmt das vielleicht!
• 9:46
  Speaker 0: Wie erlebst du denn diesen Wandel?
• 9:48
  Speaker 0: aus der wissenschaftlichen Welt kommt?
• 9:51
  Speaker 1: Ja also zunächst mal, warum sind vor allem KI-Vorscher sozusagen auch dann die Gründe für die Startups?
• 9:57
  Speaker 1: Das ist sehr einfach weil es technisch mittlerweile so kompliziert ist und man braucht sehr viel Erfahrung.
• 10:01
  Speaker 1: Ich formuliere es glaube ich umgekehrt.
• 10:03
  Speaker 1: Ich glaube nicht dass ich ein gutes KI-Startup machen kann oder eine gute KI-Firma entwickeln kann, ohne dass ich den Forschungshintergrund habe.
• 10:10
  Speaker 1: Das ist der eine Punkt.
• 10:11
  Speaker 1: und der zweite Punkt die Grenze zwischen Forschung und Entwicklung von dem KI-Modell, das ich dann in der Praxis als Produkt einsetzen kann.
• 10:19
  Speaker 1: Die ist mittlerweile sehr klein.
• 10:20
  Speaker 1: also ich glaube es gab in der Menschheit, in der Historie noch nie ne Phase wo der Übergang vom Forschung zur Kommerzialisierung so schnell und auch relativ einfach ging wie aktuell.
• 10:30
  Speaker 1: Das sind teilweise Wochen vielleicht Monate um wirklich Ja, im Produkt einfach online zum Beispiel.
• 10:35
  Speaker 1: Ich kann modelend wirklich nicht trainiert sein, ich stelle es online und Leute können es direkt verwenden.
• 10:39
  Speaker 1: Und deswegen sieht man auch das die Wagenskapitalgeber, dass sie halt sehr stark auf die Forschung schauen und die sehen auch wie gute Forschung macht, die sehen wer da gut ist in den jeweiligen Feldern und jetzt muss man nur noch tief hin in Anführungszeichen, von der unternehmerischen Tätigkeit auch das Interesse haben und die Fähigkeiten haben, das Ganze praktisch umzusetzen.
• 10:57
  Speaker 0: Und die Netzwerke müssen erst mal entstehen, die Beziehungen müssen geknüpft werden?
• 11:02
  Speaker 0: Ich weiß das so gut aus schmerzhafter eigener Erfahrung weil ich sagen würde, ich hatte am Anfang da einen blinden Fleck als jemand, der aus der Start-up Berichterstattung kam, als da in der ganze KI Hype losging.
• 11:13
  Speaker 0: dann habe ich die Kontakte von früher wieder angerufen und hab Investoren gefragt was passiert gerade Spannendes in Deutschland mit denen man an der Businesshochschule war und nicht unbedingt zu den Leuten die visuelle Computermodelle zum Beispiel, an der TU entwickeln.
• 11:30
  Speaker 0: Wie gut ist denn die Vernetzung aus deiner Sicht?
• 11:33
  Speaker 0: Wie entwickelt sich das weiter?
• 11:34
  Speaker 0: Gibt es da auch ein Interesse aus der Forschungswelt in diese andere zu gehen oder wartet man einfach bis die Wagniskapitalgeber diese Welt für sich entdeckt haben?
• 11:42
  Speaker 1: da kennen sich eigentlich jeder.
• 11:45
  Speaker 1: Da gibt es auch keine langen Grenzen, sage ich mal das ist international sehr bekannt wer da gut ist und wer gute Forschung macht.
• 11:52
  Speaker 1: Und jetzt zum Beispiel Robin war ein gutes Beispiel.
• 11:55
  Speaker 1: die kennt man weil sie einfach sehr, sehr gute Forschungen bevor gemacht haben.
• 11:57
  Speaker 1: Die hatten damals das latent diffusion paper was jeder was jeder kannte.
• 12:01
  Speaker 1: Genauso hatten wir auch einige gute Forschungs über die Zeit hinweg und da trifft man sich in der Regel auf internationalen Konferenzen.
• 12:06
  Speaker 1: In wem verratet sich?
• 12:07
  Speaker 1: CDPA z.B.
• 12:08
  Speaker 1: eine computerwischen Konferenz oder nur für den machine learning konferencen?
• 12:12
  Speaker 1: Und da treffen sich eigentlich immer die Leute, die aktuell halt sehr, sehr starke Forschung machen.
• 12:18
  Speaker 1: In den letzten Jahren hat man eben auch gemerkt, dass es halt kommerziell sehr spannend ist und das mit diesen Sachen auch immer gut vermarkten und im Club einbauen kann.
• 12:26
  Speaker 1: Deswegen hat sich das Ganze schon ziemlich verwoben mit der Visit-Szene – also mein Kapital geht an Szenen.
• 12:34
  Speaker 1: Das ist auch super gut.
• 12:35
  Speaker 1: Ich finde es sehr, sehr wichtig und die Grenzen sind da sehr fließend mittlerweile.
• 12:39
  Speaker 1: Also das ist eine sehr starke Entwicklung, das ist auch in Deutschland mittlerweile schon ziemlich weit.
• 12:43
  Speaker 1: von daher ist das eine super positive Entwicklung.
• 12:44
  Speaker 1: ich denke nach wie vor die Forschung muss sozusagen eigentlich für ein Land der zukünftigen Wirtschaft sein.
• 12:51
  Speaker 1: also das ist mir sehr wichtig als ich glaube dass der Staat will ja auch was von den Investitionen wieder zurück haben.
• 12:56
  Speaker 1: Wir machen gute Forschungen aber wir wollen auch irgendwie die den Standort ja weiter planieren und ich denke das ist schon wichtig, dass man deswegen diese Verknüpfung und so weiter weiter fördert.
• 13:06
  Speaker 1: Und da wird auch wirklich viel getan.
• 13:07
  Speaker 1: also das sieht man auch und es zeigt ja auch schon Früchte.
• 13:13
  Speaker 0: gibt regelbasierte KI und es gibt regel basierte Podcasts, darüber muss ich dich noch aufklären.
• 13:18
  Speaker 0: Und zwar gilt nämlich hier die Regel wir sprechen über Technologien und Themen von den Experten noch was lernen in Worten, die jeder versteht.
• 13:26
  Speaker 0: Und meine Erfahrung ist wenn ich das einmal vorher so klar gesagt habe dann klappt das auch in den meisten Fällen ganz gut.
• 13:31
  Speaker 0: zur Sicherheit hab' ich hier aber so eine kleine Hupe Und wenn du die hörst, dann heißt das, dass du hast gerade einen Begriff gesagt, den wir noch mal erklären müssen.
• 13:38
  Speaker 0: Alles klar soweit?
• 13:39
  Speaker 0: Ja,
• 13:39
  Speaker 1: alles klar!
• 13:39
  Speaker 1: Ich gehe mir sehr viel mit.
• 13:40
  Speaker 1: Ich glaube, die KI ist mittlerweile sehr verständlich und ich glaube da kann man schon ganz gut erklären.
• 13:46
  Speaker 0: Wunderbar, dann fangen wir kurz noch einmal bei Synthesia an.
• 13:49
  Speaker 0: Sag ein paar Worte dazu.
• 13:50
  Speaker 0: Worum geht es bei S synthesia?
• 13:52
  Speaker 0: und wer die Firma noch nicht kennt was machen die?
• 13:55
  Speaker 1: Ja Synthésia, das ist ein Start-up.
• 13:56
  Speaker 1: Das haben wir hier in dem Jahr zweiundseventeen gegründet.
• 13:58
  Speaker 1: Wir waren vier Gründer.
• 14:00
  Speaker 1: Lodis, Victor, Stefan und ich.
• 14:02
  Speaker 1: Die Idee ist, wir wollten... Ja, wir wollten künstliche Videos machen von Leuten.
• 14:06
  Speaker 1: Also wir wollten ein Video z.B.
• 14:07
  Speaker 1: von dir nehmen und wollten das dann synthetisch animieren.
• 14:10
  Speaker 1: natürlich kannst du schon dein Video kontrollieren und das Ganze nennt sich dann ein KI-Avatar.
• 14:15
  Speaker 1: Und ja ich denke du bist auch ziemlich busy, ne?
• 14:18
  Speaker 1: Du hast sehr viele Sachen, du hast sehr viel Interviews, du musst viele Sachen produzieren und wir wollten das halt erleichtern für dich.
• 14:23
  Speaker 1: Das heißt du kannst danach hingehen und kannst dich sozusagen ja vervielfältigen.
• 14:27
  Speaker 1: Du hast dann deinen virtuellen Avatar, der kann ganz ganz viele Interviews gleichzeitig geben.
• 14:32
  Speaker 1: Ja, Synthesia hat es am Anfang mit sehr vielen traditionellen Grafikbasierentechniken gemacht und da hat sich jetzt auch immer mehr die KI-Weile entwickelt.
• 14:40
  Speaker 1: Und ja produktmäßig ist Synthesea mittlerweile der Industrial Leader im Sinne von wie kannst du Education in Firmen machen?
• 14:51
  Speaker 1: Also wenn Du eine Firma bist und blockst irgendwelchen Erklärungsvideo das ist genau das was Synthesen macht.
• 14:54
  Speaker 1: wir können diese Abattare erstellen.
• 14:57
  Speaker 1: Ja und die langfristige Zukunft ist, dass du halt immer mehr synthetische Medien quasi sehr sehr einfach erstellen kannst.
• 15:02
  Speaker 1: Und das man ja die Produktionskosten halt rundherum bringen und dass man halt das viel mehr anmenden kann in der Praxis.
• 15:07
  Speaker 0: Tatsächlich habe ich mit Synthesia auch schon so einen Avatar mal entwickelt und als ich dann als Speakerin für eine Konferenz absagen musste, kam die Frage ob ich nicht den Avatar schicken kann?
• 15:16
  Speaker 0: Ich hab es mich ehrlich gesagt noch nicht getraut weil ich mich nicht so drauf verlasse, alles am Ende.
• 15:24
  Speaker 0: Ja, tatsächlich.
• 15:25
  Speaker 0: Weil ich dachte naja... Ich kann am Ende nicht darauf vertrauen dass der Avatar alles so sagt wie ich es sagen würde und es steht dann ja doch so als hätte ich selber gesagt.
• 15:34
  Speaker 0: Ich glaube solange man das nicht so ganz kontrollieren kann ist in dem Bereich schwierig.
• 15:38
  Speaker 1: Ja aber kann man ja markieren, da kann er es sein.
• 15:40
  Speaker 1: Das ist dann künstliche Avatar und direkt zur Wissensbereicherung bei und dann erzählt auch spannende Sachen.
• 15:46
  Speaker 0: Ich denke nochmal rüber
• 15:47
  Speaker 1: nach!
• 15:48
  Speaker 0: Warum hast du nun gedacht, es braucht noch eine neue Firma?
• 15:52
  Speaker 1: Synthesie hat das Hoh gelöst.
• 15:55
  Speaker 1: Wie kann ich einen Avatar bauen und wie kann ich mit Menschen die Produktivität im Sinne vom Content von Menschen verfielfältigen?
• 16:03
  Speaker 1: Und bei Special geht's darum um den Rest der Welt zu bauen.
• 16:07
  Speaker 1: Also Synthese sind für die Menschen und Special ist jetzt der Rest der Welten.
• 16:11
  Speaker 1: wir wollen... Nicht nur Bilder oder Videos, wie andere Kli-Modelle bauen.
• 16:15
  Speaker 1: Wir wollen ganze drei D-Welten erstellen.
• 16:17
  Speaker 1: also das sind diese Weltmodelle die wir am Anfang schon gehört haben und wir verfolgen einen generativen Ansatz.
• 16:22
  Speaker 1: Ein Generativ heißt gibt es da ein Bild oder ein Text rein eine Beschreibung und dann kriegst du daraus eine drei D Welt raus.
• 16:29
  Speaker 1: Stellen dir vor du willst dein eigenes Spiel machen, ein Videospiel?
• 16:32
  Speaker 1: Und das schreibt jemand rein.
• 16:33
  Speaker 1: ich möchte gerne eine dreiD Welt haben.
• 16:35
  Speaker 1: die schaut aus in meinem Zimmer aber dies wie von fünfhundert Jahren, wenn das eingerichtet wäre.
• 16:40
  Speaker 1: Und unser Modell geht dann hin und baut hier den Tragi-Modell von deinem Zimmer, von einem Haus in der ganzen Stadt vielleicht sogar irgendwann und bauert diesen Tragilevel die ich dann virtuell anschauen kann.
• 16:52
  Speaker 1: Ja und idealerweise ist er eben dann von einem realen Welt nicht mehr unterscheidbar und ich kann mit meinen virtuellen Charakter oder mit meiner Kamera quasi durchgehen, virtuell durch die Szene und kann von jeder Seite die drei D-Welden anschauen und kann Videospielen bauen.
• 17:08
  Speaker 1: Aber ich kann auch andere Sachen machen, ich kann hingehen und kann.
• 17:11
  Speaker 1: zum Beispiel wenn ich ein Haus bauen will gehe ich immer zum Architekten.
• 17:14
  Speaker 1: Ich habe immer so einen Designer.
• 17:16
  Speaker 1: der gibt mir dann zu einem Floorplan.
• 17:17
  Speaker 1: das ist um zwei D eine Abstraktion.
• 17:20
  Speaker 1: aber ich möchte ganz gerne virtuell die Tour schon durch mein Haus bevor es überhaupt gebaut wurde Und wir können das in drei D einfach erstellen und du kannst dann durch dein Haus durchgehen.
• 17:28
  Speaker 1: Du kannst sie schon mal virtuell einrichten Du kannst schon mal deine genauen Möbel reinstellen und da kannst du sagen zum Architekten naja gut Das haben wir jetzt nicht so gut gefahren, da möchte ich noch was ändern.
• 17:37
  Speaker 1: Und das kannst du halt mit der KI ganz schnell iterieren und du kannst dann auch als Hausverkäufer schon verkaufen und kann es visualisieren bevor es überhaupt... gebaut wurde.
• 17:47
  Speaker 0: Und jetzt gibt es verschiedene Wege, wie man da hinkommen kann solche Modelle zu entwickeln.
• 17:52
  Speaker 0: und Firmen ja die zum Beispiel an Bildmodellen sind wir haben Black Forest Labs besprochen Wir haben Google besprochen oder die im Autonomenfahren unterwegs sind wie zb Wave aus London Die reden auch über solche Modälle und denken dass sie irgendwann Ja von den Modellen die sich jetzt schon entwickeln dahin weiterkommen können.
• 18:08
  Speaker 0: Warum denkst du denn wenn solche Firmen schon gibt?
• 18:12
  Speaker 0: Anwendungen fürs Autonome fahren für Bilder entwickeln können nochmal von Grund auf neu zu starten?
• 18:18
  Speaker 1: Ja, die machen natürlich spannende Sachen.
• 18:19
  Speaker 1: Also Wave zum Beispiel, die bauen sowas das heißt VLAS, Virtual Language Action Models, da sind Modelle, da kriege ich quasi ein Video rein und das Modell sagt mir wo muss das Auto hinfahren?
• 18:32
  Speaker 1: also sagt mir in Prinzip wie muss ihr sein Gerad betätigen, wie muss sich Gaspreis kapital machen und das Idee was Wave damals gemacht hat, die haben das Ganze als Black Box gemacht ist einfach nur im Norden alles Netz, das ist eine große Architektur Ganz, ganz viele Daten rein trainiert.
• 18:45
  Speaker 1: Aber man kann das nicht interpretieren.
• 18:47
  Speaker 1: und wir vorgeben einen anderen Ansatz wie.
• 18:50
  Speaker 1: wir bauen so.
• 18:50
  Speaker 1: es heißt Physically Based World Models und die Idee ist dass eben die Physik explizit modellieren können.
• 18:58
  Speaker 1: Das heißt, wir kriegen nicht nur einen Norden als Netz was halt irgendwie dann sagt am Schluss du musst links oder rechts fahren sondern wir geben dir erst die komplette drei D-Welt als Output.
• 19:06
  Speaker 1: also du hast dann eine virtuelle Kopie von der echten Welt und da drauf kann ich dann eine Simulation starten und das weiß ich dann genau was meine Autor oder Roboter oder was auch immer was es für Entscheidungen treffen wird.
• 19:21
  Speaker 1: Und das Argument was wir haben ist Wir sagen, man kann eben die Realität nur dann verstehen wenn ich in der Lage bin digital zu replizieren.
• 19:28
  Speaker 1: Und das ist eben ein neuer Ansatz und wir denken dass es sehr viel versprechen.
• 19:31
  Speaker 1: da gibt schon ja es gibt schon sehr große Erfolge jetzt mittlerweile was wir gemacht haben und ja ich glaube da wird noch mehr kommen und deswegen ist das ein bisschen anderer ansatz und ja da hoffen wir natürlich sehr viele davon.
• 19:43
  Speaker 0: Im Grunde wenn ich das richtig verstehe ist aber der Ansatz immer ähnlich.
• 19:48
  Speaker 0: Man braucht erst mal eine große Anzahl von Daten, mit denen man eine KI trainiert und dann ist die KI in der Lage aus diesen Daten etwas herauszureproduzieren und neu zu kombinieren.
• 20:00
  Speaker 0: Was für Daten braucht man denn jetzt wenn man KI-Weltmodelle wie ihr bauen möchte?
• 20:06
  Speaker 1: Der Ansatz ist schon ein bisschen unterschiedlich.
• 20:08
  Speaker 1: also klar die die normalen Netzarchitekturen das heißt ist Transformer es ist ein Typ von Architektur Und das man jetzt schon öfters gehört hat, die sind vielleicht ähnlich.
• 20:18
  Speaker 1: Aber die Sachen was sie generieren sind sehr unterschiedlich.
• 20:20
  Speaker 1: Also zum Beispiel der Output was Wave macht.
• 20:23
  Speaker 1: Das sind einfach nur Entscheidungen.
• 20:24
  Speaker 1: Da fahre ich links oder rechts und unser Output ist die ganze TrID-Welt.
• 20:28
  Speaker 1: Darauf kannst du dann interpretierbare Entscheidungen sozusagen treffen.
• 20:32
  Speaker 1: Und da haben wir es natürlich super wichtig!
• 20:34
  Speaker 1: Das spezielle... also ich glaube zu wissenschaftlichen will eigentlich jeder das machen, was wir machen.
• 20:39
  Speaker 1: aber es ist algorithmisch ein bisschen schwieriger weil du eben nicht so viele drei D Daten hast.
• 20:43
  Speaker 1: Du hast halt sehr, sehr viel Text und kannst im Internet sehr viel Texturen beladen.
• 20:47
  Speaker 1: Du kannst auch viele Bilder- und Videos mitladen aufs drei D-Daten.
• 20:50
  Speaker 1: Da gibt es noch nicht soviel davon!
• 20:52
  Speaker 1: Und die wird's wahrscheinlich nie geben.
• 20:54
  Speaker 1: Das heißt wir müssen sozusagen unser Modell so entwickeln dass das auf anderen Daten trainieren kann.
• 21:01
  Speaker 1: Wir wollen, dass das Modell drei D generiert aber es ist nicht Fd redet.
• 21:04
  Speaker 1: Und das ist technisch ein bisschen schwieriger und deswegen ist das was neu.
• 21:07
  Speaker 1: Und wir haben da ganz gute Möglichkeiten wie wir das eben technisch realisieren können und darauf können wir eben interpretibare Entscheidungen treffen.
• 21:15
  Speaker 1: Wir haben dieses, ja dieses Physics Ground Wing also wir haben wirklich die Physik innerhalb des Modells dann Und deswegen können wir damit eben bessere Sachen machen.
• 21:24
  Speaker 0: Es gibt aber ja tatsächlich die Hoffnung, wenn Roboter immer besser werden dass sie bald alle mit Kameras durch unsere Gebäude laufen.
• 21:31
  Speaker 0: bei den Autos haben wir es schon auf der Straße das die ganzen Straßenverkehr-Film.
• 21:35
  Speaker 0: wird der Weg dann zuverlässiger?
• 21:37
  Speaker 0: solche Daten doch wieder zum Nutzen zum Training oder hat das seine Grenzen?
• 21:41
  Speaker 1: Absolut ich kann auch ein Beispiel sagen warum es das schon gibt.
• 21:43
  Speaker 1: also das klassische Beispiel ist Vamo.
• 21:45
  Speaker 1: Vamo ist eine Tochterfirma von Google.
• 21:48
  Speaker 1: Die bauern schon seit sehr langen eigentlich, also die forschen daran im Bezieh wie sie autonome Autos hinbekommen.
• 21:54
  Speaker 1: Und die sind auch sehr erfolgreich.
• 21:55
  Speaker 1: Die sind allerdings nur erfolgreich in ein paar Städten.
• 21:58
  Speaker 1: De facto ist es Phoenix und San Francisco, das sind die zwei Großen.
• 22:02
  Speaker 1: Was die effektiv machen ist, die machen effektiven kompletten Tradescans von San Francisco.
• 22:07
  Speaker 1: Den machen die näher oder weniger Manuellen an.
• 22:08
  Speaker 1: Die haben diese Lasersensoren auf dem Auto Dach drauf, die sieht man irgendwann, die drehen sich so... eine Tradierekonstruktion eigentlich von der kompletten Stadt fast in Echtzeit, weil wir halt so viele Autos haben die Parallel hin und her fahren.
• 22:23
  Speaker 1: Und deswegen sind es eigentlich fast die einzigen wo es richtig gut funktioniert.
• 22:28
  Speaker 1: Weil sie eben diese Daten in live rekonstruieren.
• 22:30
  Speaker 1: Wir sagen mit unseren Modellen ja wir machen das gleiche aber wir scannen die Daten nicht sondern wir generieren die eben synthetisch.
• 22:36
  Speaker 1: Wenn wir die Daten synthetische generieren können dann kannst du doch heim hingehen und kannst sagen hey ich mache fünf Fotos vor meinem Haus Ich gebe diesen digitalen Klon von meinem Haus und jetzt kann ich den Roboter genau auf deinem Haus trainieren.
• 22:47
  Speaker 1: Und der kann dann genau in deinen Hausten richtigen Aufgaben machen.
• 22:50
  Speaker 0: Und synthetische Daten, lasst mich einmal kurz einhacken heißt dann... ich habe fünf Fotos und ihr macht daraus hundert Fotos die es braucht einen Modell für mein Haus zu trainieren oder zu erstellen?
• 23:00
  Speaker 1: Ja wir machen gar keine Fotos draus sondern bauen ein D-Modell eben draus und dort kannst du unendlich viele Fotos rendern also neu genervieren.
• 23:07
  Speaker 1: Aber die Idee ist wirklich, dass du ... Die Welt ist ja dreidimensional.
• 23:11
  Speaker 1: Ich kann erst mal, wenn ich hier mein Glas anfasse, dann hab' ich sozusagen den drei D-Raum im Glück und der Mensch, der kann das ganz gut verstehen.
• 23:18
  Speaker 1: Wir haben auch zwei Augen, dass es gut funktioniert Und für Bilder ist es immer nur eine Zwei D-Projektion von drei D Raum.
• 23:25
  Speaker 1: Und die Idee is', wenn ich einmal diese drei D Generierung habe Dann verstehe ich den Raum viel besser.
• 23:30
  Speaker 1: Weiß ich genau wie weit ist mein Glas von mir entfernt?
• 23:33
  Speaker 1: Wie groß ist das Glas?
• 23:34
  Speaker 1: Wie kann ich's anfassen?
• 23:36
  Speaker 1: Ja, wie kann ich aufmachen?
• 23:36
  Speaker 1: Wie kann ich das einfüllen und so weiter.
• 23:39
  Speaker 1: Und deswegen sagen wir, dass unsere, ja unsere Physi-D-Based Worldmodels eben die bessern sind.
• 23:44
  Speaker 1: weil wir eigentlich so quasi das was Vamo mit ganz viel Geld macht können wir dann sehr billig machen.
• 23:49
  Speaker 1: Ich muss da nur noch ein paar Fotos machen von deinem Haus und kriegst einen Tridimodell davon und dann können wir deinen Aufräumen... Wäsche, Waschroboter und so weiter.
• 23:57
  Speaker 1: Dann steht dir nichts mehr im Wege, das darf
• 23:58
  Speaker 1: funktioniert.".
• 23:59
  Speaker 0: Ich kann es kaum erwarten!
• 24:01
  Speaker 0: Wo steht ihr denn dann jetzt zwischen Forschung, Entwicklung?
• 24:04
  Speaker 0: Und ihr räumt bei mir zu Hause auf?
• 24:06
  Speaker 1: Ja wir sind aktuell was wir schon können.
• 24:09
  Speaker 1: Wir können eine Textbeschreibung von Radiewelden hernehmen oder ein Bild kannst du hernehmen und kriegst ne Radiewelt raus.
• 24:16
  Speaker 1: Aktuell sind diese Welten noch statisch.
• 24:17
  Speaker 1: also du kannst dich, du kannst da interagieren.
• 24:20
  Speaker 1: Du kannst da schon Sachen damit machen weil in dem dass die ja neu Also von anderen Richtungen das ganze anschaust.
• 24:26
  Speaker 1: Das schaut auch visuell mittlerweile super gut aus, also auf unsere Website des Special AI kann man die mal anschauen und es ist doch online, dass können wir selber ausprobieren.
• 24:34
  Speaker 1: Und so viele Statische Szenen funktionieren schon ziemlich gut und teilweise sind die Szene eigentlich vom echten Welten nicht mehr unterscheidbar.
• 24:41
  Speaker 1: Was hat jetzt noch fehlt?
• 24:42
  Speaker 1: Wie kann ich ganz, ganz detaillierte Physik einbauen?
• 24:45
  Speaker 1: Zum Beispiel will ich mein Glas hernehmen und lasse das fallen und das splittet in tausend Stücke.
• 24:50
  Speaker 1: Der Teil ist noch nicht drin.
• 24:51
  Speaker 1: Aber das ist sozusagen als unser nächster Schlitt, dass wir hingehen und diese ganz detaillierte Füße, die immer einbauen.
• 24:57
  Speaker 0: Eine der bekanntesten Forscher in dem Bereich ist auch Jan LeCun hat unter anderem den Touringpreis gewonnen war Chefwissenschaftler von Meter und kritisiert immer wieder an dem Ansatz der Transformer-Modelle
• 25:09
  Speaker 0: usw.,
• 25:10
  Speaker 0: dass die KI die Welt nicht wirklich versteht sie erzeugen kann aber zum Beispiel kein Verständnis der physischen Weltheit Und nicht vorher sagen könnte, wenn ich dieses Glas jetzt fallen lasse dann geht es kaputt und das Wasser wird über den Boden laufen.
• 25:23
  Speaker 0: Wie genau können denn Euro-Modelle so was lernen?
• 25:26
  Speaker 1: Die Idee ist, du lernst das schon mit über Daten.
• 25:28
  Speaker 1: Also du gehst hin und hast halt also die Trainingsarten effektiv.
• 25:31
  Speaker 1: zu den Videos.
• 25:32
  Speaker 1: Das sind auch ja verschiedenste Arten von Videos wo du ganz verschiedene Beobachtungen von Menschen hast oder von Objekten hast.
• 25:39
  Speaker 1: und die Idee sozusagen Wenn ich ganz, wenn ich in einem Video verschiedene Blickwinkel von einer Szene sehen kann dann kann ich sozusagen schätzen wie die Treadewelt drum ausschaut.
• 25:50
  Speaker 1: Das funktioniert mit den Treadesachen und funktioniert mittlerweile sehr gut.
• 25:52
  Speaker 1: Ich kriege aus dem Papel eine Treadiewelt raus was jetzt spannend ist quasi die Physik.
• 25:57
  Speaker 1: also wenn ich sozusagen Wenn ich mein Glas jetzt fallen lassen würde und ich sehe quasi den Anfang, dann fällt es langsam runter.
• 26:03
  Speaker 1: Und wenn ich da ganz viele Videos anschaue, verstehe ich irgendwann wie die Schwerkraft funktioniert.
• 26:07
  Speaker 1: Irgendwann versteh' ich, das Glas kommt irgendwann auf dem Boden auf, dann wird's zu springen vermutlich.
• 26:12
  Speaker 1: Und dass du mehr Daten hat, desto genauer kann man in diese Korrelationen lernen, wenn man sieht... Wie sozusagen die einzelnen Pixel aus den Videofrains?
• 26:21
  Speaker 1: Wie geht er denn nach?
• 26:22
  Speaker 1: im Prinzip in drei Däden?
• 26:24
  Speaker 1: Ja, korrelieren und dort was kann man eben dann mit der AD-Weltin rekonstruieren.
• 26:28
  Speaker 0: Und wie weit geht das?
• 26:29
  Speaker 0: Also ich meine gerade bei dem Beispiel Wasser da könnte Papier bei dir liegen oder da könnten Bücher drum rumliegen
• 26:34
  Speaker 0: usw.,
• 26:34
  Speaker 0: die weichen dann auf verändern ihre Konsistenz.
• 26:37
  Speaker 0: ist all das lernbar über Videos?
• 26:40
  Speaker 1: Wir hoffen natürlich schon!
• 26:41
  Speaker 1: Wir haben natürlich schon ganz gute Ansätze jetzt, und die ersten Ansätze sieht man auch auf die Tragenfrüchte.
• 26:46
  Speaker 1: Jeder Salviere, der versägt natürlich wird das zu schwierig über das Ganze.
• 26:49
  Speaker 1: Und man muss auch ehrlicherweise dazu sagen wir machen es ganze sehr viel mit visuellen Lernen.
• 26:54
  Speaker 1: aber das Ganze wird natürlich noch weitergehen irgendwann.
• 26:56
  Speaker 1: Ich habe natürlich nicht mehr Videos von denen ich das lernen kann.
• 26:58
  Speaker 1: Ich kann das Ganze vom Audio auch lernen.
• 27:00
  Speaker 1: also Schall wie sich Schall weiter verbreitet in dem Raum ist ganz spannend.
• 27:04
  Speaker 1: da gibt's noch gar nicht soviel.
• 27:06
  Speaker 1: oder ich kann auch ganz andere Sensoren noch mit reinnehmen.
• 27:08
  Speaker 1: ich kann Radersensoren reinnehmen Infrarot-Sensoren Ich könnte da ganz, ganz viele Sachen reinnehmen, die man zum Beispiel einen Mensch gar nicht sehen kann.
• 27:15
  Speaker 1: Aber da ist natürlich immer eine spannende Frage, wie viele Daten gibt es davon überhaupt und wo kann ich es langen?
• 27:20
  Speaker 1: Und ja genau deswegen beschränken wir sich in der Regel auf Videos.
• 27:23
  Speaker 1: Da gibt's ganz viele.
• 27:23
  Speaker 1: Da können wir selber auch viele aufnehmen.
• 27:25
  Speaker 1: Das ist relativ pragmatisch.
• 27:26
  Speaker 1: Und das denke ich, dass was die Kali sage ich mal in den nächsten ein zwei Jahren viel vorantreiben wird.
• 27:31
  Speaker 0: Na, ich stelle mir gerade vor dass wir jeden Soundcheck in Zukunft hier aufnehmen und sagen okay wenn das Video im Hintergrund so und so aussieht dann wird es in dem Raum Hallen.
• 27:40
  Speaker 0: Und dann braucht man folgendes Mikrofon um das Ganze zu beheben.
• 27:43
  Speaker 0: also vielleicht können wir da die Daten liefern um solche Modelle zu entwickeln?
• 27:46
  Speaker 0: Ja,
• 27:47
  Speaker 1: das wäre super!
• 27:47
  Speaker 1: Das ist genau so.
• 27:48
  Speaker 1: ein Weltmodell macht.
• 27:49
  Speaker 1: Ein Weltmodel will alle diese Sensoren eigentlich zusammenfügen und will halt eben vorher sagen von einem wie es andere ausschaut Zum Beispiel von deinem Schall kannst du dann auch geträgliche Szene vorhersagen umgekehrt.
• 27:59
  Speaker 0: Jetzt gibt es viele junge Firmen wie euch und zum Teil sehr, sehr renommierte die Versuchend-Welchmodelle zu entwickeln.
• 28:06
  Speaker 0: Eine der bekanntesten kommen von der Stanford-Professorin Feifei Li, die Firma Worldlabs.
• 28:11
  Speaker 0: Und sie hat gerade eine Milliarde Dollar eingesammelt.
• 28:14
  Speaker 0: Man kann sich vorstellen dass die Entwicklung von drei D-Modellen noch viel mehr Computingpower braucht als z.B.
• 28:21
  Speaker 0: die Entwicklung vom Bildmodell von Sprachmodellen Und das ist ja immer einer der teuersten Posten bei KI Firmen.
• 28:28
  Speaker 0: Werdet ihr auch so viel Geld brauchen oder gibt es einen Weg, dass deutlich, deutlich kostengünstiger zu machen?
• 28:34
  Speaker 1: Naja also zunächst mal wir sind ungefähr auf dem gleichen Level was die gemacht haben und wir können uns am benchmarks mittlerweile zeigen und wir haben das Ganze mit dreizehn Millionen gemacht.
• 28:42
  Speaker 1: Ist natürlich auch nicht billig, also schon auch einiges was wir angesammelt haben.
• 28:45
  Speaker 1: Also ich glaube man kann schon durch viel Fokus und soweit an sowas sehr effizient machen.
• 28:49
  Speaker 1: Ich glaube, man braucht auch viel Fokus.
• 28:51
  Speaker 1: Irgendwann muss man natürlich auch mal einen Druck bauen und was man verkaufen kann.
• 28:54
  Speaker 1: Man kann ja nicht immer nur Kapital einsammeln, dann muss er irgendwann mal Geld verdienen.
• 28:59
  Speaker 1: Ich denke schon dass wir noch ein bisschen mehr Geld brauchen werden.
• 29:01
  Speaker 1: also wir werden natürlich auch weiter zumindest ein-zwei Mal wenn wir den nicht schon noch raisen müssen.
• 29:06
  Speaker 1: das ist okay für so eine Firma jetzt weil die Möglichkeiten sind halt so groß.
• 29:10
  Speaker 1: da rentiert sich das Investment natürlich und ich glaube die sind einfach in der Pfandlingrunde ein zweiter.
• 29:16
  Speaker 1: Das heißt, wir sind glaube ich ganz zufrieden mit uns in den Ergebnissen und waren auch sehr effizient mit dem was wir bisher hatten.
• 29:22
  Speaker 1: Und ich glaube wenn wir die nächsten Stunden machen dann können wir noch viel mehr machen.
• 29:26
  Speaker 0: Nur eins weiter.
• 29:27
  Speaker 0: das klingt sehr sehr viel versprechend.
• 29:28
  Speaker 0: da sind wir gespannt was bei euch als nächstes für Zahlen genannt werden.
• 29:32
  Speaker 0: Worldlabs ist jetzt zwei Jahre alt Die Firma von Jan Le Car Amy Labs die es gerade auch erst gestartet.
• 29:38
  Speaker 0: Die sind fünf Milliarden Dollar wert Wenn's um Worldlaps geht.
• 29:42
  Speaker 0: zwei Milliarden Bewertung bei Amy Labs.
• 29:45
  Speaker 0: Das gibt ein Hinweis darauf, Stichwort Geld verdienen wie Großinvestoren diesen Markt einschätzen.
• 29:52
  Speaker 0: An welche Anwendung sollten wir denn als erstes denken und welche Geschäftsmodelle könnte das zukünftig betreffen?
• 29:59
  Speaker 1: Ja, das ist das Schöne an diesen Modellen.
• 30:01
  Speaker 1: Die sind halt sehr, sehr vielfältig einsetzbar.
• 30:02
  Speaker 1: Also ich könnte wahrscheinlich... Ich kann mir jetzt eine ganze Stunde nur über verschiedene Heimsetzer reden und habe mich versuchen ein paar herauszubecken.
• 30:08
  Speaker 1: aber das Schönere ist man muss sich eben nicht auf einen Markt beschränken sondern wenn die KI mal funktioniert dann funktioniert es eben richtig gut super skalierbar und kann ganz, ganz verschiedenen Einsätzen gleichzeitig eben sein.
• 30:19
  Speaker 1: Ich sage mal also die Weltmodelle die wir jetzt bauen das ist sozusagen eben diese Brücke zwischen der realen und digitalen Welt.
• 30:24
  Speaker 1: Also alles was du in der reale Welt hast kannst du digital replizieren Und dann kannst du das editieren, kannst es neu einrichten.
• 30:31
  Speaker 1: Du kannst das signen machen und du kannst Gebäude managen... ...und das ganze gibt's auch schon viele Leute machen, drei Bauen, drei DScanner.
• 30:38
  Speaker 1: Also diese ganze Branche kannst du damit eigentlich völlig neu definieren.
• 30:41
  Speaker 1: Das ist einen riesengroßen Markt!
• 30:42
  Speaker 1: Und dann die Big Price des Großes.
• 30:45
  Speaker 1: eben diese neue Art von Intelligenz zu bauen ist wirklich das Wissen von der virtuellen Welt wieder zurück in die reale Welt.
• 30:52
  Speaker 1: So kann ich sozusagen mit einem Weltmodell eine Simulation machen.
• 30:55
  Speaker 1: Eine sogenannte Weltsimulation Und kann ich dadurch eben einen Roboter jetzt beibringen, wie er dein Haus aufräumt?
• 31:01
  Speaker 1: Wie ein Haus sogar baut vielleicht irgendwann.
• 31:02
  Speaker 1: Er macht alles dann irgendwann.
• 31:04
  Speaker 1: Also die Robotics, also das embodied AI ist natürlich der Big Price, der am Schluss kommt.
• 31:09
  Speaker 1: und wir definieren es eben dadurch, dass du den virtuellen Welten extrahierst aus unserem Modell und dem Roboter sozusagen mitgibst, damit sich der realen Welt zurechtfinden kann.
• 31:20
  Speaker 1: Unser Argument was wir haben ist, da kannst du sie nur machen, dadurch, Nur dadurch wirst du jemals so viel Intelligenz zusammengekommen, dass der reale Welt wirklich gut verstehen kannst.
• 31:32
  Speaker 0: Das klingt alles total fantastisch.
• 31:34
  Speaker 0: Jetzt hatten wir in einer der jüngsten Folgen von Disrupt Roman Hölzel da, das ist der Chef von Robco und er hat uns nochmal sehr eindrücklich gesteht.
• 31:41
  Speaker 0: Naja nur weil wir jetzt alle humanoid Roboter sehen die einen Halbmarathon gewinnen und die sehr beeindruckenden Tanzshows hinlegen heißt es noch lange nicht dass sie in der Lage sind Kisten zu schleppen was eine vermeintlich sehr einfache Aufgabe ist und in vielen Fabriken zum Beispiel Wichtiger wäre, wo liegen denn bei Worldmodellen sozusagen die Anwendungsfälle, die erstaunlich schwierig sind wenn wir über die Anwendungen in der Robotik denken?
• 32:07
  Speaker 1: Also ich kann Ihnen nur zustimmen aus einer Kiste zu bewegen.
• 32:09
  Speaker 1: Für einen Roboter ist vor allem für einen humaniden Roboter extrem schwierig.
• 32:13
  Speaker 1: das hat ja sehr lange gedauert bis überhaupt mal ein Roboter laufen hat können.
• 32:18
  Speaker 1: Ja, und dann noch eine Kiste dazu zu tragen für einen humanidenroboter ist sehr schwierig.
• 32:23
  Speaker 1: Wenn nicht Robotik sagt, meine ich nicht nur den humaniden Roboter Ich denke zum Beispiel in Deutschland sind wir allgemein sehr stark mit Robotern die in Fabrikanen angesetzt werden.
• 32:30
  Speaker 1: Da haben wir schon immer sehr viele Unternehmen gehabt Und es ist auch ein gewisser Rückgrat immer gewesen von unserer Autoindustrie und so weiter.
• 32:35
  Speaker 1: da haben wir eigentlich das sind wir sehr erfolgreich gewesen.
• 32:38
  Speaker 1: Weltmodelle ist halt die Idee, dass das sehr versatile einsetzbar ist.
• 32:41
  Speaker 1: Also ich muss nicht mehr einen speziellen Roboter entwickeln, sondern ich kann es auf ganz vielen Robotern gleichzeitig machen.
• 32:46
  Speaker 1: und das heißt klar, die Robotik wird sich auch nachentwickeln, welche das da wirklich gut funktionieren.
• 32:51
  Speaker 1: Aber die ganz einfachen Roboter sind ein Roboter der jetzt zum Beispiel eine Wäsche einfach nur falten kann.
• 32:56
  Speaker 1: Da kriegen wir aus der Waschmaschine raus, baut das Ding auf und lebt die alle vergefallen dahin.
• 32:59
  Speaker 1: Das ist natürlich noch meilenweit davon entfernt, dass ihr jetzt ein Robotter habt, der irgendwie als Humanoide-Roboter rumläuft in den Haus baut.
• 33:07
  Speaker 1: Das Schöne aber an den Weltmodellen ist die Intelligenz, die man damit entwickeln kann.
• 33:10
  Speaker 1: Die ist im Prinzip einsetzbar auf allen diesen ganzen Bereichen weil dadurch dass ich die Welt simulieren kann, kann ich das Wissen von der virtuellen Welt extrahieren und kann es die Niederlingenrobotern beibringen.
• 33:21
  Speaker 1: Und das ist natürlich schon noch ziemlich am Anfang.
• 33:23
  Speaker 1: Also da fehlt schon noch einiges, weil es jetzt nicht so dass morgen überall Roboter rumlaufen werden die zu irgendwie Häuser bauen.
• 33:29
  Speaker 1: So weit sind wir natürlich noch nicht aber das wird schritt für schritt kommen und es ist aber schon klar der Markt ist halt so irre groß.
• 33:34
  Speaker 1: wenn ich mir belegen kann die ganz langweiligen Aufgaben wie ich als Mensch selber eigentlich nicht machen will wie die irgendwann die Roboter übernehmen können im Haus sag' ich mal das ist wahrscheinlich das was am schwierigsten ist ab in Fabrik halten und so das sehe ich schon ewig viel.
• 33:46
  Speaker 1: ich seh schwitzelle Roboter die Kisten schleppen können.
• 33:49
  Speaker 1: Wenn ich die Amazon Logistik-Zentren anschaue, das ist schon super mit Robotik eigentlich gefüllt und das funktioniert auch in der Praxis.
• 33:56
  Speaker 1: Und es wird halt noch mehr kommen über die Produktivitäten auch steigern.
• 33:58
  Speaker 1: Es gibt verschiedene Rokorder geben.
• 34:01
  Speaker 1: Ja und da sehen wir halt genau, Weltmodelle sind halt perfekt passioniert.
• 34:04
  Speaker 1: Die können die Intelligenz eben nur zu liefern.
• 34:06
  Speaker 0: Insofern kann es ja auch ein Vorteil sein, wenn es viele Firmen gibt die sich auf den Bereich stürzen weil sich jeder dann spezialisieren kann.
• 34:12
  Speaker 0: Wenn's jetzt eingebe wo du sagen würdest das findest du persönlich am spannendsten da den Unterschied zu machen?
• 34:17
  Speaker 0: Auf welchen Bereich würde dir euch dann konzentrieren?
• 34:21
  Speaker 1: Ja das ist eine schwierige Frage und zwar die Antwort ist wir können uns nicht nur von einem Bereich konzentrieren und zwar deswegen wie du vorhin schon gesagt hast weil die Kapital-Antforderungen sind so hoch per Definition müssen diese Modelle auf ganz ganz vielen verschiedenen Lappen.
• 34:35
  Speaker 1: Wie wir angefangen haben, war natürlich was immer cool für ein H-Bauen Videospiel.
• 34:39
  Speaker 1: Das war das einfache Szenar.
• 34:40
  Speaker 1: Gibt's da irgendwie einen Bild rein?
• 34:41
  Speaker 1: Magst du einen Videospielspiel aus deinem eigenen Haus oder so?
• 34:44
  Speaker 1: Der mag es auch groß, aber der ist im Verhältnis zum Beispiel zu der Robotik und dem Body of the Ice Sachen ist ja gar nicht so groß.
• 34:50
  Speaker 1: also ich denke schon dass die Robotik die Intelligenz... Also wie ich wirklich Intelligenze quasi mit virtuellen Welten generieren kann und dann auf reale Welten übertragen kann.
• 34:59
  Speaker 1: dieses ist eigentlich das spannendste, was es gibt aktuell Und da wirds natürlich sehr viel geben.
• 35:04
  Speaker 1: Unser Ziel ist es gar nicht, dass wir die Änderungen bauen.
• 35:06
  Speaker 1: Wir wollen die Modelle bauen.
• 35:07
  Speaker 1: Die können dann andere, zum Beispiel ein Hardware-Hersteller von Robotern, kann das lizenzieren oder kann man diese Ligenz runterladen und unser Modell verwenden.
• 35:15
  Speaker 1: Und wir schauen, was dann so ein Roboter gut funktioniert.
• 35:18
  Speaker 0: Es hören uns ja ganz viele Führungskräfte aus unterschiedlichen Branchen zu, auch Berater.
• 35:23
  Speaker 0: Leute in Aufsichtsratspositionen und so die sich fragen müssen okay welche Technologie muss jetzt ganz oben auf die Agenda wenn es darum geht den nächsten Jahre strategisch zu planen?
• 35:33
  Speaker 0: wo?
• 35:33
  Speaker 0: du hast gerade gesagt das kommt nicht alles morgen aber in welchen Bereichen wird so sagen ist der Bedarf am größten sich jetzt schon mit Weltmodellen auseinanderzusetzen und sich zu überlegen wie betrifft uns dass und wie können wir uns darauf vorbereiten?
• 35:45
  Speaker 1: Ja also diese Sachen die wir jetzt aktuell wirklich schon können.
• 35:48
  Speaker 1: was auch funktioniert ist wenn ich eine ideale Welt habe Gebäude managen, ich will Gebäuden neu designen.
• 35:53
  Speaker 1: Ich will Gebärde bauen die ganze Architektur und so weiter.
• 35:56
  Speaker 1: Ich für Gebäudevermarkten.
• 35:58
  Speaker 1: Für Fabrikale neue Designs.
• 36:00
  Speaker 1: Und dieses Ganze wie kann ich reale Welten mit digitalen Kopien managen?
• 36:06
  Speaker 1: Das ist das was eigentlich funktioniert, dass es das was sehr schnell kommen wird und die ganzen Robotik-Themen
• 36:11
  Speaker 1: usw.,
• 36:11
  Speaker 1: die werden jetzt Stück für Stück kommen in den nächsten ein zwei drei Jahren oder so weiter.
• 36:14
  Speaker 1: aber da muss man schon ein gutes Auge offen haben weil es wird glaube ich vor allem in Deutschland wird es schon die ja wir sind halt trotzdem Eigentlich von den westlichen Ländern noch relativ industrialisiert.
• 36:25
  Speaker 1: Deswegen wird uns das sehr, sehr stark betreffen und ich sehe eigentlich nur die Zukunft dass du halt genau auf dem Bereich selbst was uns produzierst in Deutschland nichts mehr.
• 36:33
  Speaker 0: Man kann wenn man dir so zuhört sich vorstellen dass du allein als Start-up CEO jetzt einiges zu tun hast?
• 36:38
  Speaker 0: Ich habe vorhin aber gesagt du bist im Erstjob noch Professor wie lassen sie sich jetzt eigentlich beide Aufgaben miteinander verbinden?
• 36:45
  Speaker 0: ist dein Lehrstuhl einfach der Weg neues Talent zu rekrutieren?
• 36:49
  Speaker 0: Und wenn ja, würde mich interessieren, würdest du deinen Studis noch raten eine Doktorarbeit zu schreiben oder direkt bei dir anzufangen?
• 36:57
  Speaker 1: Also zunächst mal muss ich der Tiermündchen hier danken.
• 36:59
  Speaker 1: Das war im Präsident Hoffmann und unterstützt das Start-up.
• 37:03
  Speaker 1: also TUM ist die Interpenarie Universität in Deutschland und ich glaube die Uni tut auch wirklich viel dafür dass wir als Professor noch erfolgreich sein können.
• 37:12
  Speaker 1: und klar es gibt natürlich immer verschiedenste pyrotechnische Hürden und so weiter.
• 37:15
  Speaker 1: aber ich sehe jetzt eigentlich von dekran bis zu Präsident, die komplette Uniführung ist wirklich extrem unterstützend und deswegen ist es auch sehr einfach zu kombinieren eigentlich.
• 37:26
  Speaker 1: Ich habe das bisher hat mir dann niemanden entstanden wie ich einen Gegenteil wieder zum Beispiel dass ein neues Firma eine neue Firma gründen hab sondern war sogar Präsident hat mir mal gesagt ja Synthesie er war super erfolgreich.
• 37:35
  Speaker 1: willst du nicht mehr was Neues machen?
• 37:38
  Speaker 1: wir haben da ein paar coole Ideen wie das kombiniert kann sonst weiter und ich denke das ist schon einzigartig wenn man das angeblichen kann.
• 37:43
  Speaker 1: und das ist auch wichtig dass man das macht weil ich denke, dass die Forschung auch irgendwann einen ökonomischen Wert an die Gesellschaft zurückliefern muss.
• 37:50
  Speaker 1: Und genau und deswegen bei mir glaubt es auch ganz gut.
• 37:54
  Speaker 1: Bei mir ist das eigentlich wenige.
• 37:55
  Speaker 1: also klar rekrutieren muss immer spannend.
• 37:57
  Speaker 1: aber ich denke was eigentlich wichtiger ist du musst die aktuellste Forschung, musst du wissen, dass du in diesem KI-Bereich irgendwelche Chancen hast?
• 38:05
  Speaker 1: Wir haben Doktorarbeiten, um Paper und Publikationen geht und so weiter.
• 38:10
  Speaker 1: Ich muss die neuesten Publikationsen kennen, sonst habe ich in dem Feld eigentlich gar keine Chance.
• 38:14
  Speaker 1: Deswegen hat es halt geniale Synergien.
• 38:16
  Speaker 1: Als Prof muss ich wissen welche Paper gibt's?
• 38:18
  Speaker 1: Und dann weiß ich welche das wie gut funktioniert.
• 38:20
  Speaker 1: Dann weiß ich auf welche Techniken kann ich oder welche Algorithmen kann ich im Start-up auch setzen.
• 38:25
  Speaker 1: Und deswegen ist diese super Synergie.
• 38:28
  Speaker 1: Und zur Frage ob die Leute noch eine Doktorarbeit machen sollen Die ehrliche Antwort ist, wenn ich eine Führungsrolle in der KI übernimmt habe, dann habe ich anders gar keine Chance.
• 38:40
  Speaker 1: Wie lange muss ich was studieren?
• 38:42
  Speaker 1: Dass ich es wirklich so gut verstehen kann, dass ich selber dazu beitragen kann.
• 38:45
  Speaker 1: Ich bin im KI über euch erstaunlich hoch!
• 38:47
  Speaker 1: Es gibt zwar viele Leute die ChatGPT und so weiter verwenden können, das ist super einfach.
• 38:51
  Speaker 1: aber bis ich ChatGPD selber bauen kann und verstehe wie das genau funktioniert und auf was muss ich achten... Das dauert immer länger.
• 38:57
  Speaker 1: also die Bildungswege sind immer länger.
• 39:01
  Speaker 1: Die Leute, die quasi das bis zum Schluss machen, haben im Schluss eigentlich die großen Karrieren.
• 39:04
  Speaker 1: Also dieser, sag ich mal College Dropout macht Startup ist eigentlich im Karrierbereich sehr selten der Fall.
• 39:11
  Speaker 1: Es gibt zwar ab und zu für die Business-Leute und so aber für die Leute, wie wirklich die Algorithmen entwickeln, die haben eigentlich fast alle promoviert und auch bei uns im Start up und die meisten promovieren eigentlich.
• 39:19
  Speaker 0: Und
• 39:19
  Speaker 0: d.h.,
• 39:20
  Speaker 0: du würdest den Leuten auch immer anbieten über euch noch die Doktorarbeit fertigzumachen?
• 39:25
  Speaker 0: Also in der Firma...
• 39:26
  Speaker 1: Genau!
• 39:27
  Speaker 1: Ich habe prinzipiell Als Prof habe ich immer versucht, die Firma und die Uni zu trennen.
• 39:33
  Speaker 1: Es ist auch wichtig, du kannst nicht deine Doktoranden irgendwo in der Firma verbinden.
• 39:36
  Speaker 1: Das geht einfach nicht!
• 39:37
  Speaker 1: Das ist so ein Konflikt auf Interesse.
• 39:38
  Speaker 1: Das kann man nicht machen, denn ich ... In Deutschland war es sehr üblich, dass es einen externen Doktor arbeiten gibt oder sowas.
• 39:45
  Speaker 1: Ich finde das immer sehr schade.
• 39:46
  Speaker 1: Das ist glaube ich nicht durch die Gewege.
• 39:48
  Speaker 1: Ich glaube erst mal für die Doktorandung ist es wichtig, dass sich neue Forschungen machen können.
• 39:52
  Speaker 1: Und wenn sie dann mit einer Doktorarbeit fertig sind, dann können sie ins Start-up, dann könnten sie da was machen.
• 39:56
  Speaker 1: also... Ich glaube, damals mussten wir natürlich sicherstellen auch als öffentliche Einrichtung dass man da auch genügend finanzielle Mittel hat.
• 40:03
  Speaker 1: Die gibt es auch in Deutschland.
• 40:04
  Speaker 1: Wir sind glaube ich in Deutschland gut aufgestellt in der Hinsicht.
• 40:06
  Speaker 1: Wir haben auch Topforschungen in Deutschland und wir sind international mitführen.
• 40:10
  Speaker 1: Da gibt's viele große Gruppen die echt Superforschung machen.
• 40:13
  Speaker 1: Aber ich glaube das ist wichtig, dass man das nicht verbindet.
• 40:17
  Speaker 1: Bei mir zum Beispiel meine Doktorampen wissen, dass sie einen Start-up haben aber die wissen nicht was ich im Start up genau mache.
• 40:22
  Speaker 1: Das ist völlig utrobisch, dass ich das verbinden kann.
• 40:24
  Speaker 1: Ich kann nicht mit öffentlichen Mitteln irgendwie man Start-up Cross finanzieren.
• 40:28
  Speaker 1: Das ist absolut no go, jeder Investor würde mir da ein bisschen... Ja, aber ich möchte sagen es wurden wohl nicht so viel gemacht.
• 40:35
  Speaker 0: Und dann ist ja auch immer eine Frage wo liegt die IP?
• 40:38
  Speaker 0: Du hast jetzt gerade gesagt die TUM unterstützt das sehr dass du dein nächstes Startup gegründet hast.
• 40:42
  Speaker 0: Es ist aber grade in Deutschland immer wieder schwierig weil Universitäten dann sagen hey was ihr da macht das gehört doch zum Teil uns.
• 40:49
  Speaker 0: Das ist auf der Basis von Forschungsarbeiten entstanden die hier in der Universität entwickelt wurden.
• 40:54
  Speaker 0: Wie löst dir das an der TUM?
• 40:55
  Speaker 1: Genau, da bleibt TUM, das ist ein Konzept.
• 40:57
  Speaker 1: das heißt jetzt gründungsfrei.
• 40:59
  Speaker 1: Ich habe offiziell, muss ich eigentlich gar nichts für die Uni machen.
• 41:02
  Speaker 1: In der Praxis natürlich schon.
• 41:04
  Speaker 1: Also de facto stellt mich quasi die Uni von einer gewissen Zeit frei, dass sich alles da machen kann und das ist so.
• 41:10
  Speaker 1: Das probieren wir halt jetzt mal aus, wie es funktioniert.
• 41:12
  Speaker 1: Deswegen haben wir auch eine gute... gute Mordifikation, dass das auch funktionieren muss.
• 41:15
  Speaker 1: Weil ich auch will, dass es in Zukunft wieder so geht.
• 41:18
  Speaker 1: Das ist noch ein bisschen eine Experimentierphase aber in der Praxis hat es immer gut funktioniert und ist auch api-technisch.
• 41:22
  Speaker 1: Da muss man halt klar trennen.
• 41:23
  Speaker 1: Ist ja logischer als ein neues Firma oder anderes Uni.
• 41:25
  Speaker 1: Das kannst du nicht verbinden.
• 41:27
  Speaker 1: Wir machen ja auch an der Uni mit ganz vielen Firmen was und so weiter.
• 41:30
  Speaker 1: Das wäre utopisch wenn wir es irgendwie vermischt haben weil da muss man einfach klarktrennen.
• 41:34
  Speaker 1: Es geht in der praxis schon gut.
• 41:35
  Speaker 1: Dann muss mal einfach Konsequenz sein.
• 41:38
  Speaker 1: Ich glaube, man muss sich nochmal ein bisschen weiter überlegen wie das in die Zukunft ausschauen soll.
• 41:42
  Speaker 1: also Meine Meinung nach müssen die Profs, also wenn die Prof's nicht hingehen und gründen KI-Formen werden dann.
• 41:48
  Speaker 1: Also das ist eigentlich eine Pflichtaufgabe für jeden der sich da engagieren müsste eigentlich.
• 41:52
  Speaker 1: Und ich sehe es auch so dass das extrem wichtig für die Wirtschaft und für die deutsche Wirtschaft sein muss.
• 41:59
  Speaker 1: Das heißt die Investitionen, die ich dann in Forschung zu fördern an der Uni, was ja den Staat viel Geld kostet, das muss ich irgendwann auch ekonomisch wieder rentieren.
• 42:11
  Speaker 1: diesen Gedanken weiterhin hat.
• 42:12
  Speaker 1: Das heißt, ich muss auch den Prof-Skin um Freiraum geben und in der Praxis sehe ich dir so, dass wir mal halt rennen.
• 42:17
  Speaker 1: Man hat ohne Aufgaben
• 42:18
  Speaker 1: z.B.,
• 42:18
  Speaker 1: ich mache jetzt aktuell auch meine Volllistung und es macht Spaß!
• 42:20
  Speaker 1: Ich mach keine Volllistungen und finde das super.
• 42:23
  Speaker 1: Und ich glaube, den Studiengefeld ist auch ganz gut, dass die ein bisschen sehen was so KI-technisch alles Neues geht.
• 42:27
  Speaker 1: Die wollen jetzt nicht jemanden, der mit der KI keine Ahnung hat.
• 42:29
  Speaker 1: Die will ja jemandem, der neue Forschungsmodelle bauen kann.
• 42:33
  Speaker 1: Und deswegen funktioniert die Synergie eigentlich ganz gut.
• 42:35
  Speaker 1: Und die Zukunft von dem Modell, wie Uni-Startups händelt und so weiter muss sein.
• 42:42
  Speaker 1: Die Uni wird sich direkt an einem Startup nie was verdienen.
• 42:45
  Speaker 1: Es gab immer so Transfers, selbst in Stanford und so, wo ich eine Zeit lang war.
• 42:54
  Speaker 1: Das waren so Transferoffice, die versucht haben irgendwie Appizien zu sich hin und so... Bei unserem Fall ZL ist nix, einfach am Schluss willst du die gute große Modelle bauen.
• 43:00
  Speaker 1: Patente und so weiter sind völlig irrelevant geworden mittlerweile.
• 43:03
  Speaker 1: Du willst einfach coole Sachen machen und das glaube ich kann man der Uni schon ganz gut realisieren dass man sagt es ist erletzte Starter, das ist die Uni und das eine hat einen anderen nichts zu tun.
• 43:12
  Speaker 1: aber ich nutze natürlich die Synergien aus da sich sozusagen ein Wissen austauschen kann.
• 43:16
  Speaker 0: Matthias, als wir diesen Podcast angefangen haben habe ich gedacht na es wird den einen oder anderen gründungswilligen Zuhörer geben die den Eltern schreibt so hört euch mit diesem Podcast an.
• 43:26
  Speaker 0: man hört da man soll ganz viel Computerspiele machen dann kann man Karriere als Professor machen und groß werden in der KI wenn die Mütter und Väter jetzt bis zu Ende zugehört haben.
• 43:34
  Speaker 0: Dann haben sie auch gehört dass der Weg zum Erfolg über Doktorarbeit und Professur führt.
• 43:40
  Speaker 0: Ich weiß nicht.
• 43:41
  Speaker 0: ich würde sagen Wir haben an dieser Stelle unseren Bildungsauftrag erfüllt.
• 43:45
  Speaker 0: Herzlichen Dank, dass du bei uns warst und wir sind sehr gespannt wie es mit Special weitergeht.
• 43:50
  Speaker 1: Vielen Dank!
• 43:50
  Speaker 1: Wir hoffen, wir können noch ganz coole Sachen zeigen.
• 43:52
  Speaker 0: Wir schauen drauf – bis dann!
• 43:53
  Speaker 1: Danke schön!
• 43:56
  Speaker 0: Und das wars auch schon wieder mit Handelsblatt Disrupt?
• 43:58
  Speaker 0: In den nächsten Wochen, Sie haben's gehört, sprechen wir hier unter anderem mit dem Chef- und Gründer von Synthesia Viktor Reparbelli.
• 44:04
  Speaker 0: Außerdem haben wir eine Podcastfolge geplant mit Mike Schöllhorn, dem CEO von Airbus Space & Defense.
• 44:10
  Speaker 0: Bleiben sie also dran!
• 44:11
  Speaker 0: Ich sage tschüss und bis hoffentlich nächste Woche!
• 44:14
  Speaker 0: Redaktion Larissa Holzkie, Produktion Niko Fecke.