Titel-Idee:
FARA, PAN, Gemini & Co.: 5 AI‑Durchbrüche, die unseren Alltag in den nächsten 12 Monaten verändern werden
Einleitung: Fünf AI‑News, ein roter Faden
Wenn du das Gefühl hast, dass die AI‑Welt im Moment jede Woche einen Gang höher schaltet – du bildest dir das nicht ein.
Innerhalb weniger Tage sind gleich mehrere große Updates rausgekommen:
- Microsoft bringt mit FARA‑7B ein kompaktes „Computer‑Use‑Modell“, das deinen Rechner selbstständig bedienen kann – und zwar lokal.
- MBZUAI veröffentlicht mit PAN ein offenes World Model, das eine fortlaufende Welt im Kopf behält und Aktionen darin simuliert.
- Google macht mit interaktiven Bildern in Gemini klassische Lernmaterialien plötzlich lebendig.
- Perplexity startet eine AI Shopping Assistant, der dich wie ein guter Verkäufer kennt – nur ohne Verkaufsdruck.
- Alibaba launcht in China die Qwen‑basierten Cork AI‑Brillen, die AI direkt in deinen Alltag projizieren.
Vielleicht fragst du dich:
- Welche dieser Entwicklungen ist wirklich relevant für mich?
- Was ist Hype – und was wird unseren Umgang mit Technik langfristig prägen?
- Und wie hängt das alles zusammen?
In diesem Artikel schauen wir uns alle fünf Innovationen im Detail an – aber immer mit einer Frage im Hinterkopf:
> Was bedeutet das ganz praktisch für dich – als Entwickler:in, Unternehmen oder einfach als Power‑User?
Am Ende hast du einen klaren Überblick, was jetzt möglich wird, wo die Reise hingeht – und worauf du dich in den nächsten 12–18 Monaten vorbereiten solltest.
1. Microsoft FARA‑7B: Wenn der Agent endlich wirklich deinen Computer bedient
Stell dir vor, du sagst einfach:
> „Bewirb dich auf diese fünf Stellenanzeigen mit meinem Standard‑Lebenslauf, fülle alle Formulare aus und speichere die Bestätigungen als PDF in meinem Bewerbungsordner.“
Und statt komplizierter Tools, Browser‑Plugins und Script‑Gerüste öffnet ein einziges Modell deinen Browser, klickt sich durch Formulare, tippt Daten ein, scrollt, korrigiert Eingaben – fast wie ein Mensch.
Genau dahin zielt Microsoft FARA‑7B.
1.1 Was ist FARA‑7B eigentlich?
FARA‑7B ist ein kompaktes „Computer‑Use‑Modell“ mit rund 7 Milliarden Parametern. Das Besondere:
- Es nutzt Screenshots als Eingabe.
- Es gibt Maus‑Klicks, Tastatureingaben und Scrolls als Ausgaben zurück.
- Es ist ein einzelnes Modell, kein komplexer Agenten‑Zoo.
- Es ist klein genug, um lokal auf Consumer‑Hardware zu laufen.
Damit unterscheidet es sich deutlich von vielen aktuellen „AI‑Agents“, die:
- riesige Cloud‑Modelle (GPT‑4o, o3, GPT‑5‑Style) im Hintergrund benötigen,
- mehrere Hilfsagenten, Tools und Accessibility‑APIs koordinieren,
- und entsprechend teuer, träge und schwer auszurollen sind.
FARA‑7B versucht, diese Komplexität zu reduzieren:
Ein Modell, das direkt von Pixeln zu Aktionen geht.
1.2 FARAgen: Wie Microsoft seine Trainingsdaten erzeugt hat
Viele fragen sich bei solchen Modellen zu Recht: Wovon lernt so ein System das alles?
Klar ist: Microsoft kann nicht einfach Nutzer:innen ausspionieren – schon aus Compliance‑Gründen.
Statt auf menschliche Logs setzt Microsoft daher auf eine synthetische Datenpipeline namens FARAgen:
-
AI‑Agenten besuchen reale Webseiten
– über 70.000 Domains, also eine sehr breite Vielfalt: E‑Commerce, Jobportale, Foren, Reiseportale, Web‑Apps etc. -
Sie führen mehrstufige Sessions durch, die menschliches Verhalten imitieren:
- manchmal klicken sie falsch und korrigieren sich,
- scrollen, suchen, füllen Formulare aus,
- brechen ab und versuchen es noch einmal.
-
Am Ende entstehen detaillierte Interaktions‑Trajektorien:
- Screenshot → Aktion (Klick, Scroll, Tastatureingabe) → neuer Screenshot → nächste Aktion…
-
Dann kommt das Entscheidende: Qualitätskontrolle durch drei AI‑„Richter“
– jedes Session‑Protokoll wird geprüft auf:- logische Abfolge der Schritte,
- Korrektheit des Endergebnisses im Vergleich zum sichtbaren Inhalt.
Nach der Filterung bleiben übrig:
- 145.000+ verifizierte Sessions
- über 1 Million einzelne Aktionen
Auf dieser Basis lernt FARA‑7B nicht nur was es tun soll, sondern auch wie echte Web‑Interaktionen aussehen – inklusive Fehlern, Umwegen und Korrekturen.
1.3 Was das Modell wirklich lernt
FARA‑7B lernt nicht einfach nur: „Wenn Button rot ist, klicke“.
Es lernt komplette Sequenzen:
- Kontext aus Screenshots lesen:
- wo sind Buttons, Formulare, Dropdowns,
- welche Texte stehen wo,
- wie verändert sich die Seite nach jedem Schritt?
- Aktionen planen:
- Was ist der nächste sinnvolle Klick?
- Muss ich erst scrollen, bevor ein Element sichtbar wird?
- Muss ich Text markieren, löschen, neu eingeben?
- Am User‑Ziel ausrichten:
- nicht einfach „irgendwas tun“,
- sondern durchgehend auf das angegebene Ziel hinarbeiten.
- Halluzinierte Aktionen vermeiden:
- also kein „Klick auf Button, der gar nicht da ist“,
- keine Eingaben in nicht vorhandene Felder.
Gerade der letzte Punkt ist wichtiger, als es klingt.
Viele frühe Agenten wirkten beeindruckend, aber:
- Sie „klickten“ auf Elemente, die nicht existierten,
- verwechselten Buttons,
- reagierten schlecht auf unerwartete Pop‑ups.
FARA‑7B versucht, diese Lücke mit Pixel‑genauer Grounding zu schließen:
es prediziert konkrete Koordinaten für Klicks basierend auf dem Screenshot – nicht auf einem abstrakten DOM‑Baum.
1.4 Geschwindigkeit, Kosten – und warum das für dich wichtig ist
Auf dem WebVoyager‑Benchmark nutzt FARA‑7B pro Aufgabe:
- ca. 124.000 Eingabe‑Tokens (z. B. Beschreibungen, Kontext),
- nur etwa 1.100 Ausgabe‑Tokens (Aktionen, Antworten).
Und jetzt wird es spannend:
- Kosten für eine komplette Aufgabe: ca. 0,025 $ (2,5 Cent).
- Vergleichbare Agenten auf Basis großer Reasoning‑Modelle: ca. 0,30 $ (30 Cent).
Also:
> Rund Faktor 10 günstiger – bei ähnlicher oder sogar besserer Leistung in mehreren Testszenarien.
Was bedeutet das in der Praxis?
- Für Endnutzer:innen:
- schnelles, lokales Arbeiten möglich,
- weniger Wartezeit, mehr Privatsphäre.
- Für Unternehmen:
- Skalierung von Agenten plötzlich wirtschaftlich:
- hunderte interne Prozesse automatisieren,
- ohne Token‑Rechnungen zu sprengen.
- Für Entwickler:innen:
- neue Klasse von leichter deploybaren Agenten,
- ohne schwergewichtige Orchestrierung.
1.5 Benchmarks: Wie gut ist FARA‑7B wirklich?
Auf verschiedenen Benchmarks für „Web‑Agenten“ schneidet FARA‑7B so ab:
- WebVoyager: 73,5 %
- OnlineMine2Web: 34,1 %
- DeepShop: 26,2 %
- WebTableBench: 38,4 %
Das sind keine akademischen Spielwiesen, sondern realistische, „messy“ Aufgaben wie:
- Jobs recherchieren und sich bewerben,
- Immobilien vergleichen,
- Produkte auf mehreren Seiten vergleichen,
- Tabellen mit Inhalten aus dem Web füllen.
Auf diesen Benchmarks:
- übertrifft FARA‑7B die bisherigen besten 7B‑Modelle,
- kommt dicht an viel größere Systeme heran, die deutlich teurer im Betrieb sind.
1.6 Warum FARA‑7B OpenAI & Co. unter Druck setzt
Wenn du bis jetzt gedacht hast: „Richtige Computer‑Agenten brauchen zwangsläufig Monster‑Modelle in der Cloud“ – FARA zeigt, dass das nicht mehr stimmt.
Die Kombination aus:
- synthetischer, geprüfter Trainingspipeline (FARAgen),
- Pixel‑basiertem Grounding,
- Single‑Model‑Design,
- lokaler Ausführbarkeit,
- und sehr geringen Kosten pro Aufgabe
stellt ein Stück weit den bisherigen Standard in Frage:
> Brauchen wir wirklich immer die allergrößten Modelle – oder eher spezialisierte, kleinere Agenten, die ihre Domäne perfekt beherrschen?
Für dich heißt das:
- Als Unternehmen
kannst du mittel‑ bis langfristig echte „AI‑Mitarbeiter:innen“ auf Desktop‑Ebene denken – nicht nur Chatbots. - Als Developer:in
kannst du Computer‑Use‑Cases in Apps integrieren, ohne jedes Mal einen halben Cloud‑Rechenzentrums‑Vertrag zu brauchen. - Als Power‑User
rücken persönliche Assistenten, die wirklich deine Klickarbeit übernehmen, in greifbare Nähe.
2. MBZUAI PAN: Der Schritt vom Video‑Generator zum echten „World Model“
Wenn dich Video‑Generatoren bisher eher kalt gelassen haben, weil sie „nur schöne Clips“ produzieren, wird PAN für dich spannender sein.
MBZUAI positioniert PAN nicht als bloßes Text‑zu‑Video‑Modell, sondern als:
> World Model – also ein Modell, das eine interne Welt im Kopf behält und aktualisiert, wenn du neue Anweisungen gibst.
2.1 Was unterscheidet PAN von klassischen Video‑Modellen?
Normale Video‑Modelle funktionieren so:
- Du gibst einen Prompt ein → Modell generiert einen Clip → fertig.
- Beim nächsten Clip hat das Modell keine Ahnung mehr, was vorher passiert ist.
PAN dagegen:
- behält einen fortlaufenden Weltzustand intern,
- jede neue Anweisung modifiziert diesen Zustand,
- und erzeugt dann ein Video, das auf dem bestehenden Zustand aufbaut.
Beispiel:
-
Prompt: „Fahre mit dem Auto eine Straße entlang und biege an der nächsten Kreuzung links ab.“
→ PAN erzeugt eine Fahrt‑Szene und „merkt“ sich: Auto, Position, Richtung, Umgebung. -
Nächster Prompt: „Beschleunige und wechsle auf die rechte Spur.“
→ PAN setzt genau da an, wo die Welt gerade steht – nicht bei null. -
Nächster Prompt: „Halte am roten Haus und parke ein.“
→ Die Welt bleibt konsistent: das rote Haus existiert weiter, das Auto hat eine plausible Position.
Statt hübscher Einzelclips geht es um:
- Kausalität: Wenn X passiert, folgt Y.
- Persistenz: Objekte bleiben erhalten.
- Konsistenz über lange Zeiträume.
2.2 Architektur: Gehirn und Auge – getrennt, aber synchron
PAN besteht im Kern aus zwei großen Komponenten:
-
Reasoning‑„Gehirn“
– basiert auf Qwen 2.5‑VL‑7B (ein multimodales, relativ leichtgewichtiges Modell).
Aufgabe:- Verstehen der Anweisungen,
- Aktualisieren des internen Weltzustands,
- Planen der nächsten „Welt‑Schritte“.
-
Video‑Generator („Auge“) – adaptiert von Qwen 2.1‑T2V‑14B, einem leistungsfähigen Text‑zu‑Video‑Modell.
Aufgabe:- den internen Weltzustand in ein konsistentes Video übersetzen.
Wichtig ist die Trennung der Räume:
- Das „Gehirn“ arbeitet in einem stabilen, abstrakten Raum (Objekte, Positionen, Zustände).
- Der Video‑Teil sorgt nur für die visuelle Darstellung.
So bleibt der Weltzustand auch dann sauber, wenn die Optik leichte Abweichungen hat – das Modell „weiß“ weiterhin, wo welches Objekt ist und wohin es sich bewegt.
2.3 Wie PAN lange Videos stabil hält: Causal SwiND‑DPM
Wer schon mit längeren AI‑Videos experimentiert hat, kennt die typischen Probleme:
- Objekte „driften“ weg,
- Farben verändern sich,
- Charaktere sehen nach 20 Sekunden plötzlich anders aus,
- Übergänge zwischen generierten Segmenten wirken hart und unnatürlich.
PAN adressiert das mit Causal SwiND‑DPM, einem speziellen Denoising‑Verfahren:
- Das Video wird in Chunks (Abschnitte) generiert.
- Chunk N wird komplett aus dem Rauschen heraus denoised.
- Chunk N+1 startet wieder rauschelastig – aber:
- er sieht nur die Vergangenheit (Frames bis Ende Chunk N),
- niemals zukünftige Frames (daher „causal“).
Zusätzlich wird dem letzten Frame des vorherigen Chunks kontrolliert Rauschen hinzugefügt:
- Das zwingt das Modell, sich nicht an winzigen Pixel‑Details festzuklammern,
- sondern auf Struktur und Dynamik zu achten:
- Wer ist wo?
- Wer bewegt sich wohin?
- Welche Objekte interagieren?
Das Ergebnis:
längere Sequenzen mit deutlich besserer Übergangsstabilität – bei gleichzeitig erhaltener Bewegungslogik.
2.4 Training: Massive Compute, saubere Tricks
Für den Video‑Teil des Modells wurden:
- 960 NVIDIA H200 GPUs eingesetzt – ein fast schon absurd großes Setup.
Technisch interessant (für alle, die tief im Thema sind):
- Der Decoder verwendet ein Flow‑Matching‑Objective:
- Ziel: besonders sanfte, realistisch wirkende Bewegungen.
- Eingesetzte Skalierungs‑Tricks:
- FlashAttention‑3,
- Sharded/Distributed Training,
- Optimierung für riesige Sequenzen.
Nach dem Training:
- Der große Qwen‑Backbone wurde eingefroren,
- anschließend wurde das gesamte GLP‑System (Gehirn ↔ Video) so fein‑getuned, dass:
- interne Weltzustände,
- und generierte Videos
- sauber synchron bleiben.
2.5 Datenauswahl: Fokus auf Dynamik, nicht nur auf „schön“
Beim Datensatz legte MBZUAI Wert auf echte Dynamik:
- Quellmaterial aus öffentlich zugänglichen Videos.
- Herausgefiltert:
- statische Szenen (z. B. nur Landschaft ohne Bewegung),
- extrem chaotische Clips (z. B. wackelige Handyvideos),
- Material mit großen, störenden Text‑Overlays (z. B. TikTok‑Beschriftungen).
Zusätzlich wurden die Captions neu geschrieben:
- Fokus auf Bewegung, Ursache‑Wirkung:
- „Die Person hebt die Tasse, trinkt, stellt sie wieder ab“,
- statt nur: „Eine Person sitzt am Tisch“.
Damit lernt PAN nicht bloß, wie ein Frame „aussieht“, sondern:
> Wie sich die Welt entwickelt, wenn bestimmte Aktionen stattfinden.
2.6 Wie gut ist PAN? Die Kennzahlen
PAN wird auf zwei zentrale Bereiche getestet:
-
Action Simulation
- Wie gut folgt das Modell Anweisungen bei gleichzeitiger Wahrung der Weltkonsistenz?
- Ergebnisse:
- Agent actions: 70,3 %
- Environment changes: 47,0 %
- Overall: 58,6 %
- Laut Paper: aktuell Bestwert unter Open‑Source‑World‑Models,
und auf Augenhöhe bzw. besser als mehrere kommerzielle Systeme.
-
Long‑Horizon Stability
- Wie stabil ist die Simulation über lange Sequenzen?
- Ergebnisse:
- Transition smoothness: 53,6 %
- Simulation consistency: 64,1 %
- Vergleich: schlägt u. a.
- Clling
- Miniax
- Hiluo
- Cosmos
- VJeppa 2
Kurz gesagt:
PAN ist nicht das „schönste“ Video‑Modell auf dem Markt.
Aber unter den offenen Modellen, die eine kohärente Welt simulieren, ist es derzeit eines der überzeugendsten.
2.7 PAN als „Was passiert, wenn…?“-Modul
Ein besonders spannender Aspekt:
Die Forschenden haben PAN an einen OpenAI‑o3‑Reasoning‑Loop angeschlossen und damit:
- 56,1 % Genauigkeit auf schrittweisen Simulationsaufgaben erreicht.
Praktisch bedeutet das:
> PAN kann als Simulations‑Backend für Planungs‑Agenten dienen.
Stell dir Anwendungsfälle vor wie:
- Roboter‑Planung:
- „Wenn ich den Arm erst nach links und dann nach oben bewege, stoße ich gegen irgendetwas?“
- Logistik‑Simulation:
- „Was passiert, wenn ich das Regallayout ändere?“ (visuelle Simulation der Laufwege).
- Training von Reinforcement‑Learning‑Agenten:
- synthetische Umgebungen, in denen der Agent zuerst „im Film“ lernt, dann in der Realität.
2.8 Warum PAN wichtig ist – auch wenn du keine Videos rendern willst
Viele Entwickler:innen winken bei Video‑Modellen schnell ab: „Für Social Media ganz nett, aber sonst?“
World‑Models wie PAN sind etwas anderes:
- Sie verschieben AI von statischer Mustererkennung hin zu dynamischer Weltmodellierung.
- Das ist die Grundlage für:
- bessere Planer,
- realistischere Simulationen,
- sicherere Roboter,
- und langfristig: Agenten, die wirklich in einer Welt „leben“, nicht nur in Text.
Für dich heißt das:
- Wenn du im Bereich Robotics, Simulation, Games oder Industrieplanung arbeitest, solltest du World‑Models sehr genau beobachten.
- Wenn du AI‑Agenten baust, kannst du mittel‑ bis langfristig ein visuelles „Was‑wenn?“-Modul andocken – und so bessere Entscheidungen ermöglichen.
3. Google Gemini: Interaktive Bilder als Lern‑Booster
Wechseln wir von hochkomplexen World‑Models zu etwas scheinbar Kleinem – das aber im Alltag riesig wirken kann:
Interaktive Bilder in Google Gemini.
3.1 Was sind „Interactive Images“ in Gemini?
Du kennst das vermutlich:
Du schaust dir eine Anatomie‑Grafik an und denkst:
- Wie hieß dieses Organ nochmal genau?
- Was macht das?
- Mit welchen anderen Strukturen hängt das zusammen?
Mit den neuen interaktiven Bildern in der Gemini‑App kannst du:
- auf einzelne Teile eines Bildes tippen (z. B. Organe, Pflanzenteile, chemische Gruppen, technische Bauteile),
- und Gemini zeigt dir direkt im Bild kurze Erklärungen, Definitionen und Kontext an.
Beispiele:
- Biologie:
- du tippst auf den „Hippocampus“ und bekommst:
- Funktion,
- Zusammenhang mit Gedächtnis,
- typische Erkrankungen.
- Chemie:
- du tippst auf eine funktionelle Gruppe in einer Molekülzeichnung,
- Gemini erklärt ihre Reaktivität und Rolle im Molekül.
- Mechanik:
- du tippst auf ein Bauteil in einem Motor‑Diagramm,
- bekommst Namen, Funktion und typische Defekte.
3.2 Warum das mehr ist als nur „Tooltip 2.0“
Auf den ersten Blick wirkt das wie eine kleine UI‑Spielerei.
Aber didaktisch ist das ziemlich clever:
- Kontinuierlicher Lernfluss:
- Du musst das Bild nicht verlassen, keine neuen Tabs öffnen,
- du bleibst visuell und inhaltlich im selben Kontext.
- Selbstgesteuertes Lernen:
- Du entscheidest, worauf du tippst, was dich interessiert,
- du gehst im eigenen Tempo.
- Verknüpfung von Bild & Sprache:
- visuelles Lernen wird direkt mit erklärendem Text verknüpft,
- dein Gehirn speichert Inhalte besser.
Gerade für Schüler:innen, Studierende und autodidaktisch Lernende kann das ein echter Produktivitäts‑Booster sein.
3.3 Für wen ist das relevant – und wo läuft es?
Aktuell:
- Rollout nur in Regionen, in denen die Gemini‑App bereits verfügbar ist.
- Funktioniert sowohl auf Mobile als auch im Web.
Zielgruppen:
- Schüler:innen (Biologie, Chemie, Geographie, etc.),
- Studierende (Medizin, Ingenieurwesen, Naturwissenschaften),
- Lehrkräfte, die Material vorbereiten und mit interaktiven Grafiken arbeiten,
- Lebenslange Lerner, die sich komplexe Themen bildbasiert erschließen.
Strategisch für Google ist klar:
> Gemini soll nicht nur Chat‑Bot sein, sondern Lernumgebung – interaktiv, visuell, eingebettet in deinen Alltag.
Wenn du Content produzierst (z. B. eLearning, Tutorials, Fachblogs), ist das langfristig auch für dich spannend:
- Du kannst dir überlegen, wie deine Bilder gestaltet sein müssen, damit AI‑Assistenten sie maximal gut „annotieren“ können.
- Mittelfristig könnte es Standard werden, dass jeder Fachartikel mit interaktiven Visuals ausgestattet ist – automatisch durch Systeme wie Gemini.
4. Perplexity AI Shopping Assistant: Vom Keyword‑Suche zur Einkaufsberatung
Produktsuche im Jahr 2024 fühlt sich oft so an:
- du tippst etwas in eine Suchleiste,
- bekommst 500 Treffer mit gesponserten Listings,
- klickst dich durch endlose Produktseiten,
- und bist am Ende… nur bedingt schlauer.
Perplexity versucht, das mit einem AI Shopping Assistant deutlich zu verbessern.
4.1 Wie funktioniert „Conversational Shopping“?
Statt Keywords wie „Winterjacke Damen wasserdicht“ gibst du in natürlicher Sprache ein:
> „Ich pendle im Winter jeden Tag mit der Fähre über die Bucht von San Francisco, brauche eine warme, winddichte Jacke, aber sie soll trotzdem businesstauglich aussehen.“
Der Assistent:
- versteht den Kontext (klimatische Bedingungen, Fähre = Wind, Business‑Setting),
- berücksichtigt deine bisherigen Suchmuster und Präferenzen,
- schlägt dir konkrete Produkte vor – mit Begründungen.
Wenn du dann sagst:
> „Okay, und welche passenden Schuhe würdest du dazu empfehlen, wenn ich viel laufe und nicht rutschen will?“
…führt der Assistent das Gespräch im selben Kontext weiter:
- er weiß, wo du wohnst (Klima),
- er kennt schon deinen Stil,
- er kennt dein Budget (aus bisherigen Interaktionen),
- und baut Empfehlungen logisch aufeinander auf.
4.2 Wo läuft das – und wie ist es integriert?
Aktueller Stand:
- Start in den USA,
- zunächst auf Desktop, dann auf iOS und Android.
Zahlungen & Checkout:
- Abwicklung über PayPal,
- Perplexity selbst ist nicht Händler, sondern:
- empfiehlt Produkte,
- steuert die Konversation,
- leitet zu den tatsächlichen Händlern weiter.
Für dich als Nutzer:in bedeutet das:
- du bleibst in einer konversationalen Oberfläche,
- hast aber trotzdem klare Bezahlintegration,
- ohne dass Perplexity selbst zum Shop wird.
4.3 Warum Nutzer:innen hier eher kaufen – und was das bedeutet
Perplexity berichtet, dass Nutzer:innen im neuen Shopping‑Interface eine höhere Kaufabsicht zeigen.
Woran könnte das liegen?
- Weniger „Werbegefühl“:
- statt gesponserter Ergebnisse gibt es:
- begründete Vorschläge,
- Vergleiche,
- Vor‑ und Nachteile.
- Mehr Transparenz:
- du kannst nachhaken:
- „Warum dieses Produkt und nicht das andere?“
- „Was sagen unabhängige Reviews?“
- Kontext‑Kontinuität:
- statt jedes Mal neu zu suchen, entwickelt sich das Gespräch weiter,
- du fühlst dich beraten, nicht zugeschüttet.
Für den E‑Commerce‑Markt ist das ein potenzieller Wendepunkt:
> Suchmaschinen‑SEO und Marktplatz‑Ranking sind nicht mehr die einzigen Hebel –
> Conversational Interfaces gewinnen an Bedeutung.
Wenn du im E‑Commerce unterwegs bist, solltest du dir Fragen stellen wie:
- Wie können meine Produktdaten AI‑freundlich aufbereitet werden?
- strukturierte Daten,
- klare Beschreibungen,
- offene Schnittstellen.
- Wie integriere ich mich in solche Assistenten?
- Partnerprogramme,
- API‑Anbindungen,
- eigene conversational Interfaces.
Langfristig könnten wir von:
- „Ich google nach Produkt X“
hin zu - „Ich frage meinen Shopping‑Assistenten, was zu mir passt“
wechseln – und das ist für Händler:innen und Marken sowohl Chance als auch Risiko.
5. Alibaba Cork AI‑Brillen: Everyday‑Wearables mit integriertem Qwen‑Kosmos
Während im Westen viel über Apple Vision Pro & Co. diskutiert wird, baut China ganz eigene Ökosysteme rund um AI‑Wearables.
Ein spannendes Beispiel:
Alibabas Cork AI‑Brillen, tief integriert mit dem hauseigenen Qwen‑Modell.
5.1 Was sind die Cork‑Brillen?
Alibaba stellt zwei Hauptmodelle vor:
- Cork S1 – das Flaggschiff,
- Cork G1 – die schlankere, günstigere Variante.
Beide kommen in mehreren Stilvarianten und richten sich klar an den Massenmarkt, nicht nur an Nerds oder Entwickler:innen.
Aktiviert werden sie per:
- Sprachbefehl „Hello Qwen“,
- oder über Touch‑Gesten am Brillengestell.
5.2 Was können die Brillen im Alltag?
Die Cork‑Brillen kombinieren Computer Vision + Sprach‑AI und sind tief mit Alibabas Ökosystem verschaltet.
Funktionen:
- Preis‑Erkennung in Echtzeit
– z. B. du schaust im Supermarkt auf ein Produkt,
die Brille erkennt es und zeigt dir Preis‑Infos, Rabatte, Online‑Alternativen. - Übersetzung unterwegs
– du liest ein Schild, ein Menü oder ein Dokument in einer Fremdsprache,
bekommst direkte Übersetzung eingeblendet oder vorgelesen. - Visuelle Fragenbeantwortung
– „Was ist das für ein Gebäude?“
„Welche Pflanze ist das?“
„Ist dieses Logo echt oder eine Fälschung?“ - Navigation
– Weg‑Hinweise direkt im Sichtfeld,
– Integration mit AMap (Chinas großer Kartendienst). - Meetings & Produktivität
– Meeting‑Zusammenfassungen,
– Erinnerungen direkt im Sichtfeld,
– Teleprompter‑Funktion für Präsentationen. - Medien & Alltag
– Musiksteuerung (über QQ Music, NetEase Cloud Music),
– Reiseplanung mit Fliggy,
– Shopping mit Taobao & Bezahlen via Alipay.
Kurz:
Die Brille ist nicht nur ein Gimmick – sondern ein Frontend für das gesamte Alibaba‑/Qwen‑Ökosystem.
5.3 Hardware & Preise im Überblick
Cork S1 (Flaggschiff)
- Preis: 3.799 Yuan (ca. 525 USD).
- Features:
- Duale Micro‑OLED Displays (AR‑Overlay),
- Dual‑Chips für Verarbeitung,
- verbesserte Mikrofone mit Knochen‑Schallübertragung,
- Wechselbare Dual‑Akkus:
- bis zu 24 Stunden Nutzung,
- Kamera:
- Fotos in 0,6 Sekunden,
- Videoaufzeichnung in 3K,
- Ausgabe in 4K via AI‑Enhancement,
- gute Low‑Light‑Performance durch „Super RAW“‑Pipeline.
Cork G1 (ohne Displays)
- Preis: 1.899 Yuan (ca. 260 USD).
- Gewicht: etwa 40 g.
- Keine Displays, aber:
- ähnlicher Sensor‑ und AI‑Funktionsumfang,
- Audio & Sprache wie beim S1.
Damit deckt Alibaba sowohl:
- Power‑User mit AR‑Needs (S1),
- als auch Mainstream‑Nutzer:innen, für die Audio‑/Voice‑Assistent plus Kamera reichen (G1),
ab.
5.4 Entwickler‑Ökosystem & Vertrieb
Technisch spannend:
- Die Brillen unterstützen das MCP‑Protokoll,
- darüber können Drittanbieter eigene Anwendungen entwickeln,
- sich in das Qwen‑Ökosystem einklinken.
Vertrieb:
- Online:
- Tmall
- JD
- Douyin (TikTok China)
- Offline:
- über 600 Partner‑Stores in China.
Das ist keine Nischen‑Beta, sondern ein ernsthafter Markteintritt.
5.5 Marktumfeld: Warum gerade jetzt?
Die Zahlen von IDC zeigen:
- 136,5 Mio. Wearables in Q2 2025 weltweit ausgeliefert,
- 9,6 % Wachstum gegenüber Vorjahr,
- China: fast 50 Mio. Einheiten allein.
Alibabas Strategie ist klar:
> Qwen soll der „AI‑Motor“ für Smartphones, Brillen, Browser und mehr werden –
> also ein vollständiges Consumer‑AI‑Ökosystem.
Für den Rest der Welt heißt das:
- AI‑Wearables werden nicht nur von US‑Big‑Tech definiert,
- sondern auch von chinesischen Plattformen mit eigener, massiver Nutzerbasis.
- Das Rennen darum, wer den „AI‑Layer“ unseres Alltags kontrolliert, ist offen.
6. Wie alles zusammenhängt: Von lokalen Agenten bis zu AI‑Wearables
Schauen wir auf die fünf Updates gemeinsam:
-
Microsoft FARA‑7B
– lokale, kompakte Computer‑Use‑Agenten
→ AI klickt, tippt und navigiert auf deinem Gerät. -
MBZUAI PAN
– offenes World‑Model mit persistenter Welt
→ AI versteht und simuliert „Was passiert als Nächstes?“. -
Google Gemini Interactive Images
– eingebettetes Lernen in Bildern
→ AI begleitet dich beim Verstehen visueller Inhalte. -
Perplexity Shopping Assistant
– konversationaler Commerce
→ AI führt dich durch Kaufentscheidungen, statt nur Trefferlisten zu zeigen. -
Alibaba Cork AI‑Brillen
– AI‑Wearables im Alltag
→ AI sitzt auf deiner Nase – mit Kamera, Mikrofon und Ökosystemanbindung.
Trotz aller Unterschiede lässt sich ein roter Faden erkennen:
> Wir bewegen uns weg vom „Chatbot in einem Browser‑Tab“
> hin zu pervasiven, kontextbewussten AI‑Agenten,
> die:
> – unsere Geräte bedienen,
> – unsere Umwelt sehen,
> – unsere Welt simulieren,
> – unsere Entscheidungen begleiten,
> – und dabei in immer mehr Interfaces präsent sind.
6.1 Was heißt das für dich – nach Rollen betrachtet?
Wenn du Developer:in bist:
- Schau dir FARA‑ähnliche Modelle an, wenn du:
- wiederkehrende Desktop‑/Web‑Prozesse automatisieren willst,
- User‑Flows testen möchtest (UI‑Testing),
- interne Tools smarter machen willst.
- Behalte World‑Models wie PAN im Auge:
- für Games, Simulation, Robotics,
- aber auch für neuartige Visualisierung von Planungs‑Problemen.
- Denke bei UX nicht mehr nur in „Prompt + Antwort“,
sondern in:- interaktiven Medien (Bilder, Videos),
- konversationalen Interfaces (Shopping, Support),
- Wearables‑Kontexten (AR/Brillen).
Wenn du in einem Unternehmen Verantwortung trägst (Produkt, IT, Management):
- Stelle dir strategische Fragen wie:
- Welche Prozesse könnten Computer‑Use‑Agenten übernehmen?
- Wo könnten konversationale Assistenten (à la Perplexity) unsere Kund:innen besser beraten?
- Wie können wir unsere Daten so strukturieren, dass:
- AI‑Agenten sie sinnvoll nutzen,
- wir aber trotzdem Kontrolle & Compliance behalten?
- Bereite dich darauf vor, dass:
- Nutzende in Zukunft über AI‑Assistenten zu dir kommen,
- nicht mehr direkt über Suchmaschinen oder App‑Stores.
Wenn du Power‑User oder einfach neugierig auf AI bist:
- Halte Ausschau nach:
- Tools, die echte Computer‑Automatisierung bieten (lokale Agenten),
- Lernfunktionen wie Geminis interaktive Bilder,
- AI‑gestützten Shopping‑Interfaces,
- ersten Wearables, die für deinen Use Case sinnvoll sind (Sprachen, Navigation, Produktivität).
- Fang klein an:
- ein Formular‑Prozess automatisieren,
- ein Fachthema mit interaktiven Bildern vertiefen,
- ein komplexes Produkt mit einem AI‑Shopping‑Assistenten recherchieren.
7. Fazit: Welcher dieser 5 Durchbrüche wird in einem Jahr am meisten zählen?
Alle fünf Updates zeigen unterschiedliche Richtungen:
- FARA‑7B:
Lokale, bezahlbare Computer‑Agenten – ein Riesenhebel für Produktivität und Automatisierung. - PAN:
Persistente World‑Models – Basis für bessere Planung, Simulation und Robotics. - Gemini Interactive Images:
Embedded Learning – AI nicht als separates Tool, sondern als Schicht über deinen Lernmaterialien. - Perplexity Shopping Assistant:
Conversational Commerce – Einkauf nicht mehr über Suchleiste, sondern über Beratungsgespräch. - Alibaba Cork AI‑Brillen:
Everyday‑Wearables – AI direkt im Sichtfeld, eng gekoppelt mit einem Ökosystem.
Welche dieser Entwicklungen wird in 12 Monaten die größte Wirkung haben?
-
Kurzfristig dürften:
- FARA‑ähnliche Computer‑Agenten in Unternehmen,
- und konversationale Shopping‑Assistenten im E‑Commerce am deutlichsten spürbar sein – schlicht, weil sie sehr konkrete Pain Points adressieren:
- manuelle Klickarbeit,
- und unübersichtliche Produktsuche.
-
Mittelfristig werden:
- World‑Models wie PAN
- und AI‑Wearables wie Cork unser Verständnis dessen verändern, was AI „versteht“:
- nicht nur Texte, sondern auch Räume, Körper, Handlungen und real‑weltliche Kontexte.
-
Im Bildungsbereich werden Features wie Geminis interaktive Bilder Schritt für Schritt den Standard anheben:
- Lernmaterialien, die nicht interaktiv sind, werden zunehmend „altmodisch“ wirken.
Am Ende ist es weniger eine Frage von entweder–oder, sondern von:
> Wie schnell wir als Nutzer:innen, Unternehmen und Entwickler:innen anfangen, diese neuen Bausteine sinnvoll zu kombinieren.
Wenn du also überlegst, wo du anfangen sollst:
- Identifiziere einen konkreten Prozess (z. B. Formular‑Workflows, Produktsuche, Schulungsunterlagen).
- Prüfe, welcher der hier beschriebenen Ansätze dafür am besten passt:
- Computer‑Use‑Agent,
- konversationaler Assistent,
- interaktives Lernmaterial,
- Simulation/World‑Model.
- Starte klein, aber echt – mit einem realen Use Case, der sofort Mehrwert bringt.
Die nächste Welle von AI‑Innovationen ist weniger „noch größer, noch smarter“ –
sondern: noch näher an deinem Alltag, deinem Bildschirm und deinem Sichtfeld.
Und genau das macht sie so spannend.
Du willst tiefer in eines der Themen einsteigen – z. B. Computer‑Use‑Agents, World‑Models oder AI‑Wearables? Sag einfach Bescheid, welches davon dich am meisten interessiert, dann können wir dazu auf DiekAI einen detaillierten Deep‑Dive veröffentlichen.
