KI heute: NVIDIA Cosmos und OpenAI Decisions API

Stand des Wissens zum 2026-10-23. Quellmaterial gesammelt am 2026-10-23.

Heutige Technologieübersicht umfasst eine Reihe von Tools für KI, von Umgebungsüberwachungssystemen bis hin zu Recheninfrastrukturen. OpenAI stellt das Decisions API vor, Google DeepMind veröffentlicht die Karte Forest Typology 2020, und NVIDIA erweitert die Cosmos-Plattform sowie führt das Minerva-System ein. Die Zusammenstellung wird durch die Lösung IBM Granite Timeseries Ensemble abgerundet, die vier Zeitreihenmodell-Architekturen integriert, um die Datenprognose in Analyseanwendungen zu verbessern.

Das Wichtigste heute (TL;DR)

• Google DeepMind Forest Typology: Die Karte ForTy 2020 mit einer Auflösung von 10 Metern wurde veröffentlicht, die Veränderungen in der Waldstruktur in den Jahren 2017–2025 verfolgt.
• OpenAI Decisions API: Eine neue Schnittstelle basierend auf dem Modell GPT-6 Luna ermöglicht eine schnelle Entscheidungsfindung durch KI-Agenten mit Unterstützung für Prompt-Caching.
• NVIDIA Cosmos: Die Plattform wurde um Data Factory-Tools und Architekturpläne erweitert, die die Erstellung von Weltmodellen für physische KI-Systeme unterstützen.
• NVIDIA Minerva: Die Plattform der AIOps-Klasse integriert Infrastruktur-Telemetriedaten zur Anomalieerkennung und Vorhersage von Ausfällen in Rechenclustern.
• IBM Granite Timeseries Ensemble: Ein neuer Mechanismus ermöglicht es, vier offene Zeitreihenmodell-Architekturen in einer einzigen, vereinheitlichten Prognoseschnittstelle zu kombinieren.

Google DeepMind Forest Typology

Google DeepMind hat zusammen mit dem World Resources Institute und dem International Institute for Applied Systems Analysis am 22. Oktober 2026 die Karte Forest Typology (ForTy) 2020 veröffentlicht. Dies ist ein Tool, das die Struktur von Wäldern und Ackerland weltweit in einer Auflösung von 10 Metern darstellt. Neben statischen Daten enthält das Projekt eine Zeitreihe, die die Veränderungen in den Jahren 2017–2025 verfolgt, was die Identifizierung der Umwandlung von Naturwäldern in Plantagen oder Farmen ermöglicht.

Die Karte kategorisiert jeden Bereich von 10 mal 10 Metern in einen von 6 Wald- und Landnutzungstypen gemäß den Definitionen der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO). Diese Daten sollen Unternehmen und Regulierungsbehörden bei der Umsetzung der EU-Verordnung über entwaldungsfreie Produkte (EUDR) unterstützen, die die Verifizierung der Herkunft von Waren wie Kaffee, Kakao oder Palmöl erfordert.

Der Prozess der Modellerstellung basierte auf einem Satz von 1,7 Millionen gekennzeichneten Standorten, die aus Expertenumfragen, nationalen und regionalen Datensätzen sowie Analysen von Gebieten gewonnen wurden, in denen das Modell auf Schwierigkeiten stieß. In der Systemarchitektur wurden die Grundlagen von AlphaEarth verwendet. Im Gegensatz zu früheren Karten, die sich ausschließlich auf das Vorhandensein von Bäumen konzentrierten, ermöglicht ForTy die Unterscheidung von Primärwäldern und Sekundärwäldern, Baumplantagen oder landwirtschaftlichen Kulturen, was für die Bewertung von Kohlenstoffbeständen und biologischer Vielfalt von entscheidender Bedeutung ist. Benutzer können die Karte über eine Anwendung in Earth Engine nutzen.

Für Entwickler mit KI: Personen, die Tools zur Überwachung von Umweltveränderungen entwerfen, können die API und die Modellarchitektur basierend auf der Earth Engine-Dokumentation testen. Die Pressemitteilung präzisiert weder die Kosten für die kommerzielle Nutzung der Daten noch die Bandbreitenanforderungen für großflächige Analysen oder die genaue Lizenz für die Verwendung der Modellergebnisse in externen Berichterstattungssystemen.

OpenAI veröffentlicht das Decisions API

OpenAI hat am 22. Oktober die allgemeine Verfügbarkeit des Decisions API bekannt gegeben, einer Schnittstelle, die für eine schnelle Entscheidungsfindung durch Anwendungen und KI-Agenten entwickelt wurde. Das Tool, das auf dem Modell GPT-6 Luna basiert, ermöglicht die Verarbeitung von Eingabedaten in Form von Text, Bildern und dem JSON-Format und bietet dabei verbesserte Latenzzeiten sowie erweiterte Caching-Funktionen.

Das Decisions API konzentriert sich auf Fragen mit einem begrenzten Antwortumfang und arbeitet bis zu 10 Mal schneller als das Responses API. Entwickler können bis zu 400 Fragen im Rahmen einer einzigen Anfrage übermitteln, was das Doppelte des vorherigen Limits darstellt. Zu den Neuerungen gehören die Integration von GPT-Live, die Möglichkeit der Verwendung von Prompt-Caching für wiederkehrende Kontexte sowie die Gewährleistung der Inferenzresidenz in den USA und der EU. Darüber hinaus wurde die Bandbreite in asiatischen Regionen erhöht.

Das System unterstützt drei Hauptantworttypen:

• probability: Bestimmung der Wahrscheinlichkeit (von 0 bis 1), ob ein gegebener Zustand wahr ist;
• choice: Auswahl einer von vordefinierten Optionen zusammen mit Informationen zur Sicherheit;
• score: Bewertung des Beitrags basierend auf geordneten Skalenebenen.

Die Integration mit GPT-Live ermöglicht Sprachangaben in Echtzeit Entscheidungen zu treffen, beispielsweise zur Steuerung von Avatar-Reaktionen oder zur Lenkung des Verlaufs eines Kundengesprächs. Anwendungsbeispiele umfassen die Kategorisierung von Transaktionsbeschreibungen, die Bewertung der Kommunikationsstimmung oder die Überprüfung von Produktschäden.

Für Entwickler mit KI: Teams, die einen automatisierten Kundenservice implementieren, können die API in Szenarien zur Auswahl des Gesprächspfads oder zur Klassifizierung von Eingabedaten testen. Die Ankündigung nennt keine genaue Preisliste pro tausend Anfragen und gibt auch nicht an, ob das System andere Sprachen als Englisch unterstützt – dies sollte vor dem produktiven Start in der technischen Dokumentation überprüft werden.

NVIDIA Cosmos erweitert Tools für Weltmodelle

NVIDIA hat am 22. Oktober die Erweiterung der Cosmos-Plattform um neue Trainings-Tools, Simulationsprüfpunkte und Datenarchitekturpläne (Blueprints) bekannt gegeben. Diese Lösungen sollen Entwickler von Systemen für physische Künstliche Intelligenz beim Aufbau von Weltmodellen unterstützen, die die Simulation der Realität ermöglichen.

Die Cosmos-Plattform umfasst nun Cosmos Data Factory, eine Reihe von Tools zur Kennzeichnung, Kuratierung und Augmentierung multimodaler Daten. Entwickler haben Zugriff auf fünf Cloud-Architekturpläne, die über GitHub, Microsoft Azure, Nebius und CoreWeave verfügbar sind. Diese Funktionen umfassen die Generierung von Daten für autonome Fahrzeuge, die Augmentierung von Bildattributen, die Erstellung synthetischer Videos seltener Ereignisse, die Generierung von Defektbildern sowie die Augmentierung von Videodaten unter Berücksichtigung sich ändernder Wetterbedingungen.

Kommerzielle Einheiten nutzen diese Tools bereits. Porsche verwendet Cosmos Data Factory zum Aufbau eines gemeinsam genutzten Datensatzes, wodurch die Entwicklungszyklen um 85% verkürzt werden sollen. Das Unternehmen ANYbotics hat über 1500 synthetische Videoclips zum Trainieren von Inspektionsrobotern generiert, und Ultralytics nutzte synthetische Defekte zum Nachschulen des YOLO-Modells.

Im Rahmen des Cosmos Frameworks können Entwickler eigene Architekturen trainieren oder vortrainierte Modelle wie GR00T, Alpamayo, QWEN oder Pi0.5 verwenden. Die aktualisierten Mikrodienste NVIDIA Cosmos 3 NIM bieten eine bis zu 2x schnellere Inferenz bei gleichbleibender Qualität. Neue Varianten des Modells Cosmos 3 Nano wiederum ermöglichen das Testen autonomer Richtlinien in Polygon-Simulationen. Darüber hinaus ermöglicht der Blueprint NVIDIA Metropolis VSS 3.3 die Überwachung von 40% mehr Videostreams unter Verwendung derselben GPU.

Für Entwickler mit KI: Teams, die sich mit Robotersystemen oder Computer Vision befassen, können die Cosmos Data Factory-Blueprints in Cloud-Umgebungen testen. Die Mitteilung präzisiert weder die Kosten für die Nutzung der NIM-Mikrodienste noch die Lizenzdetails hinsichtlich der kommerziellen Nutzung einzelner Basismodelle, was in der technischen Dokumentation überprüft werden muss.

NVIDIA führt die Minerva-Plattform zur Verwaltung von KI-Fabriken ein

Laut der Ankündigung vom 22. Oktober hat die Firma NVIDIA die Plattform Minerva bereitgestellt, die für eine umfassende Beobachtbarkeit der Infrastruktur entwickelt wurde, die Rechenvorgänge der Künstlichen Intelligenz unterstützt. Das Tool der AIOps-Kelas integriert Telemetriedaten von GPUs, Netzwerken, Speichersystemen, Task-Schedulern und den Arbeitslasten selbst.

Minerva erstellt einen dynamischen Wissensgraphen, der die physische Infrastruktur, einschließlich SuperNICs, Switches und Verkabelung, abbildet und sie mit aktuell ausgeführten Prozessen verknüpft. Das System analysiert Milliarden von Datenpunkten pro Stunde unter Verwendung überwachter und unüberwachter Lernmethoden. Dies ermöglicht das Erkennen von Anomalien, das Vorhersagen von Komponentenausfällen und das Gruppieren zusammenhängender Ereignisse in Vorfälle mit angegebener Ursache. Bediener können den integrierten KI-Assistenten verwenden und das Tool über eine Natürliche-Sprache-Schnittstelle mit externen Agenten verknüpfen, was darauf abzielt, die ununterbrochene Betriebszeit zu verlängern und die Reparaturzeit zu verkürzen.

Die Plattform konzentriert sich auf den Effizienzindex von KI-Fabriken, der die Token-Produktion, die Cluster-Verfügbarkeit und die GPU-Auslastung umfasst. Zu den Einheiten, die Minerva-Lösungen nutzen möchten, gehören IREN, Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI und Tesla. Darüber hinaus werden die Unternehmen Dell Technologies, Lenovo und Supermicro die Plattform in ihre Angebote für KI-Infrastrukturoperationen integrieren.

Für Entwickler mit KI: Teams, die für die Wartung großer Rechencluster verantwortlich sind, können die Kompatibilität der vorhandenen Netzwerk- und Serverinfrastruktur mit den Anforderungen der Minerva-Plattform überprüfen. Die Quelle präzisiert weder die Implementierungskosten, die Lizenzanforderungen noch die vollständige Liste der unterstützten Betriebssysteme, was eine direkte Klärung mit dem Anbieter erfordert.

IBM Granite Timeseries Ensemble

Laut der Ankündigung vom 22. Oktober 2026 hat IBM den Mechanismus Granite Timeseries Ensemble bereitgestellt, der es ermöglicht, vier verschiedene Zeitreihenmodell-Architekturen in einer einzigen Prognoseschnittstelle zu kombinieren. Diese Lösung zielt darauf ab, die Schwierigkeiten bei der Auswahl des richtigen Modells für eine bestimmte Aufgabe zu verringern, indem sie eine Standardmethode zur Kombination vortrainierter Modelle bietet, ohne diese erneut trainieren zu müssen.

Dieses System verwendet vier offene Architekturen: PatchTST-FM-r1, PatchTST-FM-r2, FlowState und Tiny Time Mixers. Jede von ihnen analysiert Trends, Saisonalität und lokale Veränderungen auf unterschiedliche Weise, was das Generieren von Punkt- und Quantilprognosen (standardmäßig im Bereich von 0.1 bis 0.9) ermöglicht.

Im Rahmen des Pakets werden zwei Hauptarten der Ergebniskombination angeboten:

• Probabilistic Ensemble: wendet eine gleichmäßige Wahrscheinlichkeitsgewichtung an und gibt jedem Modell den gleichen Einfluss auf das Endergebnis.
• IQR Ensemble: passt die Gewichtungen basierend auf dem Interquartilsabstand (IQR) des Modells an und bevorzugt engere Prognoseintervalle.

Die Konfiguration kombiniert keine Modellgewichtungen, sondern ruft vier separate Prüfpunkte zur Laufzeit (runtime) ab, was eine Berücksichtigung zusätzlicher Zeit beim ersten Start erfordert. Die Schnittstelle und die beigefügten Modelle stehen unter Lizenzen zur Verfügung, die eine freie Nutzung ermöglichen.

Für Entwickler mit KI: Ein Datenanalyst oder Systemingenieur für Prognosen kann die Granite TSFM-Bibliothek installieren und das fertige Rezept an eigenen Zeitreihen-Datensätzen testen. Die Ankündigung präzisiert weder die Hardwarespezifikation, die zum gleichzeitigen Laden von vier Modellen erforderlich ist, noch weist sie auf mögliche Leistungsbeschränkungen bei der Arbeit mit sehr langen Zeithorizonten hin – diese Fragen erfordern eigene Belastungstests.

Häufig gestellte Fragen (FAQ)

Wodurch zeichnet sich die Karte Forest Typology (ForTy) 2020 im Vergleich zu früheren Lösungen aus?

Im Gegensatz zu früheren Karten, die sich ausschließlich auf das Vorhandensein von Bäumen konzentrierten, ermöglicht ForTy die Unterscheidung von Primärwäldern und Sekundärwäldern, Baumplantagen und landwirtschaftlichen Kulturen. Das Tool verwendet eine Auflösung von 10 Metern und umfasst Daten aus den Jahren 2017–2025, wodurch die Verifizierung der Warenherkunft im Rahmen der EUDR-Verordnung unterstützt wird.

Wie funktioniert das Prognosesystem IBM Granite Timeseries Ensemble?

Das System kombiniert vier Zeitreihenmodell-Architekturen – PatchTST-FM-r1, PatchTST-FM-r2, FlowState und Tiny Time Mixers – in einer einzigen Schnittstelle. Benutzer können die Methoden zur Ergebniskombination Probabilistic Ensemble oder IQR Ensemble verwenden, indem sie vier separate Prüfpunkte zur Laufzeit abrufen, ohne die Modelle erneut trainieren zu müssen.

Quellen

• Beyond tree cover: mapping the world’s forest types — 2026-10-22
• Build more responsive apps with the Decisions API — 2026-10-22
• NVIDIA Cosmos Opens New Tools to Train, Evaluate and Deploy World Models — 2026-10-22
• NVIDIA Unveils Minerva to Bring End-to-End Observability for AI Factories — 2026-10-22
• Ensemble forecasting with IBM Granite time-series models — 2026-10-22

--- Text automatisch erstellt vom Labor aipoc-lab (AI) auf Basis öffentlich zugänglicher Quellen, die oben aufgeführt sind. Eigene Zusammenfassungen, keine Kopien. Version vor menschlicher Redaktion.