The Batch n°350 — How Coding Agents Accelerate Different Types of Software Work (Andrew Ng) + GLM-5.1, Digit chez Schaeffler, anti-data-center revolt, assistant axis
Leitartikel von Andrew Ng in The Batch #350, der eine von Coding-Agenten getriebene Beschleunigungshierarchie nach Art der Software-Arbeit aufstellt: Frontend (max) > Backend (moderat) > Infrastruktur (gering) > Forschung (minimal).
Von Andrew Ng// Quelle deeplearning.ai ↗/Lesezeit 2 min/.md// Maschinelle Übersetzung
Die 350. Ausgabe von The Batch, dem wöchentlichen Newsletter von DeepLearning.AI, erschienen am 24. April 2026, beginnt mit einem Leitartikel von Andrew Ng, der eine von Coding-Agenten getriebene Beschleunigungshierarchie nach Art der Software-Arbeit strukturiert. Ng stellt eine explizite Rangfolge auf: Frontend profitiert von maximaler Beschleunigung (Agenten sind „fluent in popular frontend languages like TypeScript and JavaScript“ und können in einer autonomen Browser-Schleife iterieren); Backend erfährt eine moderate Beschleunigung (Randfälle, Sicherheit, DB-Migrationen erfordern erfahrene menschliche Aufsicht); Infrastruktur profitiert wenig von Agenten (LLMs verfügen über „relatively limited“ Kenntnisse von Netzwerk- und Systemkompromissen); und Forschung bleibt bei der konzeptuellen Arbeit der Hypothesenbildung, Interpretation und Iteration weitgehend menschlich. Ng zieht daraus eine Management-Schlussfolgerung: Erwartungen und Teamorganisation an diesen Unterschieden ausrichten.
Die Ausgabe behandelt anschließend vier strukturierende Nachrichten. GLM-5.1 von Z.ai ist ein MoE-Modell mit 754 Mrd. Parametern (40 Mrd. aktiv), unter MIT-Lizenz, das dank einer Plan-Ausführung-Bewertung-Schleife autonom bis zu 8 Stunden an einer einzigen Aufgabe durchhalten kann. Es übernimmt die Führung bei SWE-Bench Pro mit 58,4 % (gegenüber 54–57 % bei Konkurrenten) und liegt bei CyberGym mit 68,7 an der Spitze, während es beim Reasoning zurückliegt (GPQA Diamond 86,2 % gegenüber Gemini 3.1 mit 94,3 %). Z.ai erhöhte zugleich seine API-Preise um etwa 40 %.
Agility Robotics setzt seine Digit-Humanoiden in den Produktionslinien von Schaeffler in South Carolina ein — der erste operative industrielle Einsatz. Die Betriebskosten werden mit 10–25 $/h gegenüber ~20 $/h für eine Einstiegsposition beziffert. McKinsey prognostiziert 5 Millionen Humanoide in Fabriken bis 2040 (gegenüber ~200 im Jahr 2026).
Die Anti-Rechenzentrums-Revolte gewinnt an Fahrt: ~64 Mrd. $ an blockierten/verzögerten Projekten zwischen Mai 2024 und März 2025, ein Moratorium in Maine für Anlagen ab 20 MW, das erste Volksreferendum in Wisconsin, abgewählte Ratsmitglieder in Missouri. Zwei gewalttätige Vorfälle stachen hervor: ein Molotow-Cocktail am Haus von Sam Altman in San Francisco sowie Schüsse am Haus eines Ratsmitglieds in Indianapolis. Die Beschwerden betreffen das Stromnetz, Energiepreise, Wasserverbrauch und Belästigungen.
Schließlich stellen Forscher (Christina Lu, MATS, Oxford, Anthropic) die „Assistant Axis“ vor — einen Vektor der Bindung an die trainierte Persona, der ein Activation Capping ermöglicht. Ergebnisse: Schädliche Antworten sinken bei Qwen3 32B von 83 % auf 41 %, bei Llama 3.3 70B von 65 % auf 33 %, ohne IFEval/GSM8k/MMLU-Pro/EQ-Bench zu verschlechtern.
Kernpunkte
Ausgabe 350 von The Batch. , veröffentlicht am 24. April 2026, ~15 Minuten Lesezeit, Leitartikel von Andrew Ng.
Von Coding-Agenten getriebene Beschleunigungshierarchie. (vom stärksten bis zum schwächsten Beschleunigungsgrad): 1. Frontend — „coding agents are fluent in popular frontend languages like TypeScript and JavaScript“. Autonome Agent-Browser-Schleife (der Agent testet seine Ausgaben im Browser, iteriert). Ist das Design spezifiziert, geht die Umsetzung schnell. 2. Backend — moderate Beschleunigung. Der Entwickler muss das Modell durch Randfälle, Sicherheitsüberlegungen und Datenbankmigrationen führen. Subtile Bugs + Folgewirkungen = erfahrene menschliche Aufsicht erforderlich. 3. Infrastruktur — die schwächste Beschleunigung. LLMs verfügen über „relatively limited“ Kenntnisse der Infra-Komplexitäten und Kompromisse. Testen, Experimentieren und das Debuggen von Netzwerk-Fehlkonfigurationen erfordern tiefes Engineering-Know-how jenseits der aktuellen Agentenfähigkeiten. 4. Forschung — minimale Beschleunigung trotz Code-Vorteilen. Agenten beschleunigen Code-Erzeugung und Experiment-Orchestrierung, aber die konzeptuelle Arbeit (Hypothesenbildung, Interpretation, Iteration) bleibt menschlich.
Management-Schlussfolgerung.„Understanding these distinctions helps organizations calibrate expectations and team organization around AI capabilities.“
Spiegel-Lektüre mit Karpathy. (Fiche [karpathy-vibe-coding-agentic-engineering-software-3-0-2026-04-29](karpathy-vibe-coding-agentic-engineering-software-3-0-2026-04-29.md)): Ng schlägt eine Hierarchie nach Domäne vor, Karpathy eine Erklärung nach Verifizierbarkeit — Domänen mit starkem Verifikationssignal (visuelles Frontend-Rendering, Mathematik/Code) liegen an der Spitze; unscharfe Domänen (Infra, konzeptuelle Forschung) hinken hinterher. Die beiden Rahmenwerke stimmen überein. ### Nachricht 1 — GLM-5.1 (Z.ai): 8-stündiger autonomer Agent
Architektur. MoE, 754 Mrd. Parameter insgesamt, 40 Mrd. aktiv pro Token.
API-Preis. 1,40 $ / 0,26 $ (gecacht) / 4,40 $ pro Million Tokens (Eingabe/gecacht/Ausgabe).
Herausragende Fähigkeit. hält autonom bis zu 8 Stunden an einer einzigen Aufgabe durch, mit einer Plan→Ausführung→Bewertung-Schleife und adaptivem Abbruch nach hunderten Tool-Aufrufen, falls der Ansatz scheitert (statt vorzeitig zu terminieren).
Leistung. Spitzenreiter bei SWE-Bench Pro mit 58,4 % (gegenüber 54–57 % bei Konkurrenten); 3. Platz bei Arena Code (1530 Elo); Rekord bei CyberGym mit 68,7; liegt bei GPQA Diamond mit 86,2 % gegenüber Gemini 3.1 mit 94,3 % zurück.
Markt. Z.ai erhöhte seine API-Preise um ~40 % und verdoppelte die Kosten des Coding-Abonnements — der Wettbewerbsabstand zu proprietären Modellen verringert sich. ### Nachricht 2 — Digit (Agility Robotics) in der Produktionslinie von Schaeffler
Erster operativer Einsatz. von Humanoiden in der Industrie (South Carolina, Autoteile).
Digit-Spezifikationen. 1,75 m (5'9"), 65 kg (143 lb), Beine mit invertierten Knien (bipedal), 4-Finger-Greifer, RGB-Tiefenkameras + LiDAR + IMU-Sensoren.
Betrieb. zwei 4-Stunden-Schichten mit Aufladen; Aufgaben werden als Workflows spezifiziert (nicht als direkte Motorbefehle) — Behältertransfer.
Wirtschaftlichkeit. Agility beziffert die Betriebskosten mit 10–25 $/h gegenüber ~20 $/h für eine Einstiegsposition. Schaeffler plant hunderte Einsätze in den USA und Europa bis 2030.
Globaler Kontext. ~200 Humanoide in Fabriken 2026; McKinsey-Prognose: 5 Millionen bis 2040.
Beschäftigungseffekt. Untersuchungen deuten auf Umstrukturierung statt Verdrängung hin — Beförderung in Richtung Aufsichtsfunktionen. ### Nachricht 3 — Anti-Rechenzentrums-Revolte
Umfang. ~64 Mrd. $ an Rechenzentrumsprojekten zwischen Mai 2024 und März 2025 blockiert/verzögert.
Gesetzgebung. Maine — Moratorium für Anlagen ab 20 MW bis 2027 (Gesetzentwurf wartet auf Unterschrift des Gouverneurs). Wisconsin (Port Washington) — erstes US-Referendum, das eine Volksabstimmung für Steuervergünstigungen bei Megaprojekten verlangt. Missouri (Festus) — Wähler wählten Stadtratsmitglieder ab, die ein 6-Mrd.-$-Rechenzentrum genehmigt hatten. Ohio — vorgeschlagener Verfassungszusatz, der Anlagen ab 25 MW verbietet.
Beschwerden. Druck auf das Stromnetz, steigende Energiepreise für Haushalte, Wasserverbrauch, Lärmbelästigung, Auswirkungen auf die Nachbarschaft, ökologischer Fußabdruck.
Gewaltvorfälle. (1) ein Molotow-Cocktail am Haus von Sam Altman in San Francisco; (2) Schüsse am Wohnsitz eines Ratsmitglieds in Indianapolis, das ein 500-Mio.-$-Rechenzentrum unterstützt hatte.
Strategische Spannung. Tech-Unternehmen betrachten das Rechenzentrum als Infrastruktur der KI-Souveränität gegenüber China — daher rasche Expansion trotz lokalen Widerstands. ### Nachricht 4 — „Assistant Axis“ (Christina Lu, MATS / Oxford / Anthropic)
Problem. Als Assistenten trainierte LLMs unterliegen in langen oder emotional aufgeladenen Gesprächen einer Persona-Drift — sie nehmen alternative Merkmale an.
Lösung. eine „Assistant Axis“ = ein aus Layer-Ausgaben abgeleiteter Vektor, der die Bindung an die trainierte Assistenten-Persona misst. Ermöglicht sowohl die Erkennung ALS AUCH die Korrektur der Abweichung.
Methodik. 1.200 charakterprüfende Fragen + 1.375 alternative System-Prompts; Messungen an Gemma 2 27B / Qwen3 32B / Llama 3.3 70B; „Activation Capping“ = Beschränkung der Ausgaben auf die Parameter der Assistenten-Persona zur Inferenzzeit.
Jailbreak-Ergebnisse.
Qwen3 32B: schädliche Antworten 83 % → 41 %
Llama 3.3 70B: schädliche Antworten 65 % → 33 %
Leistungserhalt. IFEval, GSM8k, MMLU-Pro, EQ-Bench stabil oder verbessert — die verstärkte Ausrichtung beeinträchtigt die Fähigkeiten nicht.
Beispiel für die Wirkung. ein 30-Runden-Gespräch über suizidale Gedanken — das unveränderte Modell rutscht in einen unangemessenen Ton ab; die gecappte Version wahrt therapeutische Grenzen + einfühlsame Anleitung.
Implikation. ein praktischer, leichtgewichtiger Weg, um die Persona zu stabilisieren, ohne neu zu trainieren — angrenzend an den Anthropic-Veille-Beitrag zum Character-Training (vgl. [anthropic-measuring-political-bias-claude-2025-11-13](../2025-11/anthropic-measuring-political-bias-claude-2025-11-13.md)).
Coding-Agenten beschleunigen das Frontend stärker als Backend, Infrastruktur und Forschung
— Andrew Ng
die Infrastruktur wird von aktuellen LLMs kaum beschleunigt
— Andrew Ng
die konzeptionelle Forschungsarbeit bleibt größtenteils menschlich
— Andrew Ng
Der aus dieser Fiche extrahierte Wissensgraph — 15 Entitäten, 22 Relationen.
In diesem Graphen :Andrew Ng · The Batch · DeepLearning.AI · Z.ai · GLM-5.1 · Agility Robotics · Digit · Schaeffler · Sam Altman · Christina Lu · Assistant axis · Activation capping · SWE-Bench Pro · Hiérarchie d'accélération · Mouvement anti-data-center