AI News

Amazon: Nachrichten

4 Meldungen über Amazon.

BerichtetPolitik und Regulierung ·

Trump-Regierung will Hardware aus China in US-Rechenzentren beschränken

Die Regierung will in China hergestellte Geräte in US-Rechenzentren einschränken und verweist auf Sicherheitsrisiken. Sie hält trotz Lobbyarbeit von Amazon, Google und Meta an dem Vorhaben fest.

Warum es wichtig ist: Unternehmen, die Hardware für US-Rechenzentren beschaffen, müssen womöglich mit Einschränkungen bei Geräten aus chinesischer Produktion rechnen und sollten sich auf strengere Sicherheitsprüfungen einstellen.

1 Quelle
OffiziellWirtschaft und Finanzierung · · Aktualisiert

Anthropic-Börsengang soll am Donnerstag starten, mit 900 Mrd. Dollar an Ausgabenzusagen

Der Börsengang von Anthropic ist für Donnerstag angesetzt, mit Ausgabenzusagen über 900 Milliarden Dollar und 26 Milliarden Dollar von Tech-Konzernen zum Ausgabepreis.

Warum es wichtig ist: Die hohen Zusagen von Anthropic für Rechenkapazität zeigen, in welchem Umfang die Kunden des Unternehmens auf diese Kapazitäten angewiesen sein könnten. Mit der Börsennotierung muss Anthropic zudem mehr Finanzdaten offenlegen.

3 Quellen
BerichtetProdukte ·

Amazon lädt ausgewählte US-Kunden ein, per Textnachricht mit Alexa einzukaufen

Amazon lädt eine kleine Gruppe von Kundinnen und Kunden in den USA ein, per Textnachricht über Alexa einzukaufen. Alexa kann dabei Produkte vergleichen, den Warenkorb füllen und Bestellungen direkt im Gespräch aufgeben.

Warum es wichtig ist: Händler und Marken brauchen womöglich Produktdaten, die in dialogbasierten Shopping-Assistenten funktionieren, denn Einkäufe können nun direkt in einem Chat stattfinden.

1 Quelle
OffiziellForschung ·

EMMA schlägt Multi-Agenten-Baselines auf drei Benchmarks mit gezielten Gedächtnisänderungen

Forschende der UC San Diego und von Amazon berichten, dass EMMA auf KramaBench, AppWorld und BBEH über fünf Backbones hinweg insgesamt am besten abschneidet.

Warum es wichtig ist: Baselines, die auf Frontier-Modellen gut abschneiden, können bei Open-Weight-Modellen deutlich einbrechen. Methoden zum Tuning von Agenten müssen daher über verschiedene Backbones hinweg getestet werden. Die Autoren weisen darauf hin, dass akzeptierte Änderungen auch dann bestehen bleiben, wenn eine Aufgabe ungelöst bleibt.

1 Quelle