Mein langjähriger Freund, die KI-Legende @AndrewYNg, hat sich diese Woche mit mir und @eladgil im @NoPriorsPod getroffen – er denkt, dass KI wirklich beim Investieren helfen kann, aber sie kann noch nicht das Urteilsvermögen oder die Transparenz von Beziehungen erfassen.

Am Samstag beim Buildathon, der von AI Fund und veranstaltet wurde, traten über 100 Entwickler an, um Softwareprodukte schnell mit KI-unterstütztem Codieren zu erstellen. Ich war inspiriert zu sehen, wie Entwickler in nur 1-2 Stunden funktionale Produkte entwickelten. Die besten Praktiken für schnelles Engineering ändern sich schnell zusammen mit den Werkzeugen, und ich liebte die Gespräche in den Fluren, in denen Tipps zum Einsatz von KI beim Codieren ausgetauscht wurden! Die Teilnehmer rasten, um Produktanforderungen wie diese zu erfüllen (die vollständige Liste finden Sie in unserem GitHub-Repo; Link in der Antwort): Projekt: Codebase Time Machine Beschreibung: Navigieren Sie durch jede Codebasis durch die Zeit und verstehen Sie die Entwicklung von Funktionen und architektonischen Entscheidungen. Anforderungen: - Klonen Sie das Repo und analysieren Sie die gesamte Git-Historie - Bauen Sie ein semantisches Verständnis der Codeänderungen im Laufe der Zeit auf - Beantworten Sie Fragen wie „Warum wurde dieses Muster eingeführt?“ oder „Zeigen Sie mir, wie sich die Authentifizierung entwickelt hat“ - Visualisieren Sie den Codebesitz und die Komplexitätstrends - Verknüpfen Sie Commits mit Geschäftsfunktionen/-entscheidungen Die Teams hatten 6½ Stunden Zeit, um 5 Produkte zu erstellen. Und viele von ihnen schafften genau das! Sie erstellten voll funktionsfähige Anwendungen mit guten UIs und manchmal Verzierungen. Was mich am meisten begeistert, ist nicht nur, was jetzt in wenigen Stunden gebaut werden kann. Vielmehr ist es, dass, wenn KI-Unterstützung es uns ermöglicht, grundlegende, aber voll funktionsfähige Produkte so schnell zu erstellen, man sich vorstellen kann, was jetzt in einer Woche, einem Monat oder sechs Monaten möglich ist. Wenn die Teams, die am Buildathon teilgenommen haben, diese Ausführungsgeschwindigkeit hatten und über mehrere Zyklen hinweg Kundenfeedback einholten und dieses zur Verbesserung des Produkts nutzten, kann man sich vorstellen, wie schnell es jetzt möglich ist, großartige Produkte zu entwickeln. Der Besitz von proprietärer Software war lange Zeit ein Schutzschild für Unternehmen, da es schwierig war, komplexe Software zu schreiben. Jetzt, da KI-Unterstützung schnelles Engineering ermöglicht, wird dieses Schutzschild schwächer. Während viele Mitglieder der Gewinnerteams einen Hintergrund in Informatik hatten – was einen Vorteil bietet – hatten nicht alle diesen. Zu den Teammitgliedern, die Preise mit nach Hause nahmen, gehörten ein Schüler der Oberstufe, ein Produktmanager und ein Gesundheitsunternehmer, der ursprünglich auf Discord gepostet hatte, dass er „über seine Verhältnisse“ sei, als jemand, der „kein Programmierer“ ist. Ich war begeistert, dass mehrere Teilnehmer mir sagten, sie hätten ihre eigenen Erwartungen übertroffen und entdeckt, dass sie jetzt schneller bauen können, als sie dachten. Wenn Sie sich noch nicht dazu gedrängt haben, schnell mit agentischen Codierungswerkzeugen zu bauen, könnten auch Sie überrascht sein, was Sie tun können! Bei AI Fund und sind wir stolz darauf, schnell zu bauen und zu iterieren. Beim Buildathon sah ich viele Teams, die schnell mit einer Vielzahl von Werkzeugen arbeiteten, darunter Claude Code, GPT-5, Replit, Cursor, Windsurf, Trae und viele andere. Ich gratuliere allen Gewinnern herzlich! - 1. Platz: Milind Pathak, Mukul Pathak und Sapna Sangmitra (Team Vibe-as-a-Service), ein Team aus drei Familienmitgliedern. Sie erhielten auch einen Preis für das beste Design. - 2. Platz: David Schuster, Massimiliano Viola und Manvik Pasula. (Team Zwei Programmierer und ein Finanzmann). - Solo-Teilnehmerpreis: Ivelina Dimova, die gerade aus Portugal nach San Francisco geflogen war und an den 5 Projekten nicht nacheinander, sondern parallel arbeitete! - Graph Thinking Award: Divya Mahajan, Terresa Pan und Achin Gupta (Team A-sync). - Ehrenvolle Erwähnungen gingen an die Finalisten Alec Hewitt, Juan Martinez, Mark Watson und Sophia Tang (Team Secret Agents) sowie Yuanyuan Pan, Jack Lin und Xi Huang (Team Can Kids). An alle, die teilgenommen haben, vielen Dank! Durch Veranstaltungen wie diese hoffe ich, dass wir alle voneinander lernen, uns gegenseitig ermutigen, neue Best Practices erfinden und das Wort verbreiten können, wohin agentisches Codieren die Softwareentwicklung führt.

Am Samstag beim Buildathon, der von AI Fund und veranstaltet wurde, traten über 100 Entwickler an, um Softwareprodukte schnell mit KI-unterstütztem Codieren zu erstellen. Ich war inspiriert zu sehen, wie Entwickler in nur 1-2 Stunden funktionale Produkte entwickelten. Die besten Praktiken für schnelles Engineering ändern sich schnell zusammen mit den Werkzeugen, und ich liebte die Gespräche in den Fluren, in denen Tipps zum Einsatz von KI beim Codieren ausgetauscht wurden! Die Teilnehmer rasten, um Produktanforderungen wie diese zu erfüllen (die vollständige Liste finden Sie in unserem GitHub-Repo; Link in der Antwort): Projekt: Codebase Time Machine Beschreibung: Navigieren Sie durch jede Codebasis durch die Zeit und verstehen Sie die Entwicklung von Funktionen und architektonischen Entscheidungen. Anforderungen: - Klonen Sie das Repo und analysieren Sie die gesamte Git-Historie - Bauen Sie ein semantisches Verständnis der Codeänderungen im Laufe der Zeit auf - Beantworten Sie Fragen wie „Warum wurde dieses Muster eingeführt?“ oder „Zeigen Sie mir, wie sich die Authentifizierung entwickelt hat“ - Visualisieren Sie den Codebesitz und die Komplexitätstrends - Verknüpfen Sie Commits mit Geschäftsfunktionen/-entscheidungen Die Teams hatten 6½ Stunden Zeit, um 5 Produkte zu erstellen. Und viele von ihnen schafften genau das! Sie erstellten voll funktionsfähige Anwendungen mit guten UIs und manchmal Verzierungen. Was mich am meisten begeistert, ist nicht nur, was jetzt in wenigen Stunden gebaut werden kann. Vielmehr ist es, dass, wenn KI-Unterstützung es uns ermöglicht, grundlegende, aber voll funktionsfähige Produkte so schnell zu erstellen, man sich vorstellen kann, was jetzt in einer Woche, einem Monat oder sechs Monaten möglich ist. Wenn die Teams, die am Buildathon teilgenommen haben, diese Ausführungsgeschwindigkeit hatten und über mehrere Zyklen hinweg Kundenfeedback einholten und dieses zur Verbesserung des Produkts nutzten, kann man sich vorstellen, wie schnell es jetzt möglich ist, großartige Produkte zu entwickeln. Der Besitz von proprietärer Software war lange Zeit ein Schutzschild für Unternehmen, da es schwierig war, komplexe Software zu schreiben. Jetzt, da KI-Unterstützung schnelles Engineering ermöglicht, wird dieses Schutzschild schwächer. Während viele Mitglieder der Gewinnerteams einen Hintergrund in Informatik hatten – was einen Vorteil bietet – hatten nicht alle diesen. Zu den Teammitgliedern, die Preise mit nach Hause nahmen, gehörten ein Schüler der Oberstufe, ein Produktmanager und ein Gesundheitsunternehmer, der ursprünglich auf Discord gepostet hatte, dass er „über seine Verhältnisse“ sei, als jemand, der „kein Programmierer“ ist. Ich war begeistert, dass mehrere Teilnehmer mir sagten, sie hätten ihre eigenen Erwartungen übertroffen und entdeckt, dass sie jetzt schneller bauen können, als sie dachten. Wenn Sie sich noch nicht dazu gedrängt haben, schnell mit agentischen Codierungswerkzeugen zu bauen, könnten auch Sie überrascht sein, was Sie tun können! Bei AI Fund und sind wir stolz darauf, schnell zu bauen und zu iterieren. Beim Buildathon sah ich viele Teams, die schnell mit einer Vielzahl von Werkzeugen arbeiteten, darunter Claude Code, GPT-5, Replit, Cursor, Windsurf, Trae und viele andere. Ich gratuliere allen Gewinnern herzlich! - 1. Platz: Milind Pathak, Mukul Pathak und Sapna Sangmitra (Team Vibe-as-a-Service), ein Team aus drei Familienmitgliedern. Sie erhielten auch einen Preis für das beste Design. - 2. Platz: David Schuster, Massimiliano Viola und Manvik Pasula. (Team Zwei Programmierer und ein Finanzmann). - Solo-Teilnehmerpreis: Ivelina Dimova, die gerade aus Portugal nach San Francisco geflogen war und an den 5 Projekten nicht nacheinander, sondern parallel arbeitete! - Graph Thinking Award: Divya Mahajan, Terresa Pan und Achin Gupta (Team A-sync). - Ehrenvolle Erwähnungen gingen an die Finalisten Alec Hewitt, Juan Martinez, Mark Watson und Sophia Tang (Team Secret Agents) sowie Yuanyuan Pan, Jack Lin und Xi Huang (Team Can Kids). An alle, die teilgenommen haben, vielen Dank! Durch Veranstaltungen wie diese hoffe ich, dass wir alle voneinander lernen, uns gegenseitig ermutigen, neue Best Practices erfinden und das Wort verbreiten können, wohin agentisches Codieren die Softwareentwicklung führt.

Hat das Gespräch mit @AndrewYNg genossen * An der Spitze der Agentic AI * Werden Modelle sich selbst bootstrappen? * Vibe-Coding vs. AI-unterstütztes Coding * Erfolgreiche Gründerprofile * Nächste Branchenveränderungen

So wie viele Unternehmen sich transformieren, um durch den Einsatz von KI leistungsfähiger zu werden, tun dies auch Universitäten. Kürzlich besuchte ich das Vereinigte Königreich, um eine Ehrendoktorwürde von der Fakultät für Umwelt, Wissenschaft und Wirtschaft der Universität Exeter zu erhalten. @UniofExeter Der Name dieser Fakultät fiel mir als besonders zukunftsorientierte Art auf, eine akademische Abteilung zu organisieren. Wenn Informatik neben Umweltwissenschaften und der Business School sitzt, entstehen natürliche Möglichkeiten zur Zusammenarbeit zwischen diesen Bereichen. Die Nutzung von KI führt dazu, dass eine Universität Dinge anders angeht. Im Gespräch mit Vizekanzlerin Lisa Roberts, stellvertretendem Vizekanzler Timothy Quine und dem Leiter der Informatikabteilung Andrew Howes war ich beeindruckt von der pragmatischen und enthusiastischen Annahme von KI durch die Universitätsleitung. Dies ist keine Gruppe, deren Hauptsorge darin besteht, ob die Studierenden KI zum Schummeln nutzen werden. Dies ist eine Gruppe, die darüber nachdenkt, wie man eine Studierendenschaft schafft, die durch KI gestärkt wird, sei es durch das Lehren von mehr Studierenden, wie man programmiert, durch die Unterstützung bei der effektiven Nutzung von KI-Tools oder durch das Aufzeigen dessen, was in ihren Disziplinen neu möglich ist. Exeter ist ein wunderbarer Ort, um Synergien zwischen KI, Umweltwissenschaften und Wirtschaft zu schaffen. Laut Reuters beherbergt es 5 der 21 einflussreichsten Klimawissenschaftler der Welt, und seine Wissenschaftler sind bedeutende Mitwirkende an Berichten des IPCC (Intergovernmental Panel on Climate Change) der UN sowie Pioniere in zahlreichen Bereichen der Klimaforschung, einschließlich Geoengineering, über das ich zuvor geschrieben habe. Das Zentrum für Umweltintelligenz, eine Partnerschaft mit dem Met Office (dem nationalen Wetterdienst des Vereinigten Königreichs), wendet KI auf massive Klimadatenmengen an. Mehr solcher Arbeiten sind erforderlich, um den Klimawandel und Strategien zur Minderung und Anpassung zu verstehen. Fügen Sie dazu die Business School hinzu — die von der Beratung Times Higher Education zur Business School des Jahres ernannt wurde — und Sie haben die Zutaten, um Anwendungen zu entwickeln und interdisziplinäre Studien zu verfolgen, die technologische, umweltbezogene und wirtschaftliche Realitäten umfassen. Da ich im Vereinigten Königreich geboren wurde und den Großteil meiner Karriere im Silicon Valley verbracht habe, finde ich es aufregend zu sehen, wie die Führung von Exeter KI mit einer Begeisterung annimmt, die ich eher mit Kalifornien assoziiere. Das Vereinigte Königreich hat in der Forschung immer überdurchschnittlich gut abgeschnitten, und es ist ermutigend zu sehen, dass diese Tradition im KI-Zeitalter fortgesetzt wird. So wie jedes Unternehmen ein KI-Unternehmen wird, muss jede Universität eine KI-Universität werden — nicht nur KI lehren, sondern sie nutzen, um jedes Studienfeld voranzubringen. Das bedeutet nicht, die disziplinäre Expertise aufzugeben. Es bedeutet, technische Exzellenz aufrechtzuerhalten, während sichergestellt wird, dass KI jedes Feld verbessert. Wie fast alle anderen Universitäten und Unternehmen weltweit steht auch die KI-Transformation von Exeter erst am Anfang. Aber die enthusiastische Annahme von KI durch ihre Führung wird ihr Schwung verleihen. Als jemand, der stolz darauf ist, ein ehrenamtlicher Absolvent der Universität zu sein, freue ich mich darauf, zu sehen, was als Nächstes kommt!

Ich freue mich, den endgültigen Kurs zu Claude Code anzukündigen, der in Zusammenarbeit mit @AnthropicAI erstellt und von Elie Schoppik @eschoppik unterrichtet wird. Wenn Sie hochgradig agentisches Codieren verwenden möchten - bei dem KI autonom für viele Minuten oder länger arbeitet und nicht nur Code-Snippets vervollständigt - dann ist dies der Kurs für Sie. Claude Code war ein Wendepunkt für viele Entwickler (mich eingeschlossen!), aber es gibt eine echte Tiefe, um es gut zu nutzen. Dieser umfassende Kurs deckt alles von den Grundlagen bis zu fortgeschrittenen Mustern ab. Nach diesem kurzen Kurs werden Sie in der Lage sein: - Mehrere Claude-Subagenten zu orchestrieren, die gleichzeitig an verschiedenen Teilen Ihres Codebases arbeiten - Claude in GitHub-Issues zu taggen und es autonom Pull-Requests erstellen, überprüfen und zusammenführen zu lassen - Unordentliche Jupyter-Notebooks in saubere, produktionsbereite Dashboards zu verwandeln - MCP-Tools wie Playwright zu verwenden, damit Claude sieht, was mit Ihrer UI nicht stimmt, und es autonom beheben kann Egal, ob Sie neu bei Claude Code sind oder es bereits verwenden, Sie werden leistungsstarke Fähigkeiten entdecken, die grundlegend verändern können, wie Sie Software entwickeln. Ich bin sehr aufgeregt über das, was agentisches Codieren jetzt jedem ermöglicht. Bitte nehmen Sie an diesem Kurs teil!

Ich bin begeistert, dass @OpenAI zwei Modelle mit offenem Gewicht herausgebracht hat. Vielen Dank an alle meine Freunde bei OpenAI für dieses Geschenk! Ich finde es auch ermutigend, dass gpt-oss-120b nach meinen Schnelltests stark aussieht (obwohl wir immer noch auf strenge 3rd-Party-Bewertungen warten sollten).

Ankündigung unseres neuen Events - Buildathon: Der schnelle Ingenieurwettbewerb. Siehe das Video für Details und bewerben Sie sich bitte zur Teilnahme!

Ankündigung eines neuen Coursera-Kurses: Retrieval Augmented Generation (RAG) Sie werden lernen, leistungsstarke, produktionsbereite RAG-Systeme in diesem praktischen, tiefgehenden Kurs zu erstellen, der von @ZainHasan6, einem erfahrenen KI- und ML-Ingenieur, Forscher und Pädagogen, erstellt und unterrichtet wird. RAG ist heute ein kritischer Bestandteil vieler LLM-basierter Anwendungen im Kundenservice, internen Unternehmens-Q&A-Systemen und sogar vieler führender Chatbots, die Websuche nutzen, um Ihre Fragen zu beantworten. Dieser Kurs lehrt Sie im Detail, wie Sie RAG effektiv einsetzen können. LLMs können generische oder veraltete Antworten produzieren, insbesondere wenn sie auf spezialisierte Fragen gestellt werden, die nicht in ihren Trainingsdaten abgedeckt sind. RAG ist die am weitesten verbreitete Technik zur Behebung dieses Problems. Es bezieht Daten aus neuen Datenquellen, wie internen Dokumenten oder aktuellen Nachrichten, um dem LLM den relevanten Kontext für private, aktuelle oder spezialisierte Informationen zu geben. Dadurch kann es fundiertere und genauere Antworten generieren. In diesem Kurs lernen Sie, jeden Teil eines RAG-Systems zu entwerfen und zu implementieren, von Retrievern über Vektordatenbanken bis hin zu Generierung und Auswertungen. Sie werden die grundlegenden Prinzipien hinter RAG kennenlernen und wie man es sowohl auf Komponenten- als auch auf Systemebene optimiert. Während sich KI weiterentwickelt, entwickelt sich auch RAG weiter. Neue Modelle können längere Kontextfenster verarbeiten, effektiver argumentieren und Teil komplexer agentischer Workflows sein. Ein spannendes Wachstumsfeld ist Agentic RAG, bei dem ein KI-Agent zur Laufzeit (anstatt dass es zur Entwicklungszeit fest codiert wird) autonom entscheidet, welche Daten abgerufen werden sollen und wann/wie tiefer eingetaucht werden soll. Selbst mit dieser Evolution ist der Zugang zu hochwertigen Daten zur Laufzeit entscheidend, weshalb RAG ein Schlüsselbestandteil so vieler Anwendungen ist. Sie werden durch praktische Erfahrungen lernen: - Ein RAG-System mit Retrieval- und Prompt-Augen zu erstellen - Retrieval-Methoden wie BM25, semantische Suche und Reciprocal Rank Fusion zu vergleichen - Dokumente mit einer Weaviate-Vektordatenbank und einem Nachrichten-Datensatz zu chunkieren, zu indizieren und abzurufen - Einen Chatbot zu entwickeln, der open-source LLMs nutzt, die von Together AI gehostet werden, für einen fiktiven Laden, der Produkt- und FAQ-Fragen beantwortet - Evals zu verwenden, um die Zuverlässigkeit zu verbessern und multimodale Daten zu integrieren RAG ist eine wichtige grundlegende Technik. Werden Sie darin gut durch diesen Kurs! Bitte melden Sie sich hier an:

Mein Vortrag auf der YC Startup School darüber, wie man KI-Startups aufbaut. Ich gebe Tipps von @AI_Fund, wie man KI nutzen kann, um schnell zu bauen. Lass mich wissen, was du denkst!