Unser Lab: Hier probieren wir aus, bevor Kunden fragen
Das ist keine Kundenarbeit. Hier betreiben wir die neuesten offenen Modelle auf eigener Hardware, Ethereum-Validatoren und Forschungsprototypen, damit unsere Beratung auf eigener Erfahrung beruht.
- Hardware
- 4× RTX 3090 · 96 GB VRAM
- Modelle
- Qwen · DeepSeek · Liquid AI
- Forschung
- Vision · Peer-to-Peer-Daten
- Ethereum
- Validator seit Dez. 2020
KI-Workstation
Open-Weight-Modelle auf eigenen GPUs.
Wir betreiben Open-Weight-Modelle lokal, um zu sehen, was jede neue Version wirklich kann: für Text, Code, Bilder und Video. Nichts davon geht an einen externen KI-Anbieter. Fragt ein Kunde nach privater KI, empfehlen wir nur Setups, die wir selbst schon betrieben haben.
Die Maschine
- GPUs
- 4× NVIDIA RTX 3090, 96 GB VRAM
- CPU
- AMD Threadripper 3960X, 24 Kerne
- Arbeitsspeicher
- 256 GB DDR4
- Modelle
- Qwen, DeepSeek, Liquid AI und weitere
- Einsatz
- Text, Code, Bilder, Video
Dieselbe Art System richten wir für Kunden ein, im Büro oder in einem EU-Rechenzentrum. Zur privaten KI →
- Qwen
- DeepSeek
- Liquid AI
- llama.cpp
- CUDA
Ethereum-Node & Validatoren
Validator seit dem Start der Beacon Chain am 1. Dezember 2020.
Seit dem ersten Tag der Beacon Chain betreiben wir eigene Ethereum-Validatoren, dazu einen go-ethereum-Archivknoten auf eigener Hardware. Angefangen hat es mit unserem Beitrag zum ETH2 Staking Launchpad 2020, und es hält uns nah dran an Client-Releases, Hard Forks und dem Alltag, einen Validator online zu halten.
Was wir betreiben
- Ein go-ethereum-Archivknoten (geth) auf eigener Hardware: die komplette State-Historie von Ethereum, lokal abfragbar.
- Prysm Beacon Node und Validator Client auf der Beacon Chain, in Betrieb seit dem Start.
- Aktuell gehalten durch jedes Netzwerk-Upgrade seit 2020, einschließlich des Merge 2022.
- go-ethereum
- Prysm
- Archivknoten
- Beacon Chain
- Validatoren
Cortical Mirror
Ein vom visuellen Kortex des Gehirns inspiriertes Vision-Modell, entwickelt für einen Hackathon des California Institute for Machine Consciousness.
Cortical Mirror haben wir für einen Hackathon des California Institute for Machine Consciousness (CIMC) gebaut. Es lernt online aus einem Live-Webcam-Bild, nur mit lokalen Lernregeln, so wie Predictive-Coding-Theorien den visuellen Kortex beschreiben. Die Frage dahinter: Wie weit kommt gehirnähnliches Lernen ohne vortrainiertes Netz?
Was wir gebaut haben
- Lernt bewegungsempfindliche Zellen aus dem Live-Videostream.
- Erkennt Objekte und baut einen Szenengraphen dessen, was es sieht.
- Getestet auf dem Videodatensatz UCF101 zur Aktionserkennung.
- Python
- GPU
- Predictive Coding
- UCF101
ph-reactor
Ein experimenteller Peer-to-Peer-Dokumentenspeicher in Rust.
Eine native Rust-Umsetzung des Dokumentenmodells von Powerhouse: Jede Änderung ist ein Event, vom Autor signiert und ohne zentralen Server zwischen Peers synchronisiert.
Was wir gebaut haben
- Event-Sourcing-Speicher mit Write-Ahead-Log und Snapshots.
- Last-Writer-Wins-Merging pro Feld mit Vector Clocks.
- Mit ed25519 signierte Operationen.
- Peer-to-Peer-Sync über libp2p, mit Gossipsub und einem eigenen Request/Response-Protokoll.
- Rust
- libp2p
- ed25519
- Event Sourcing
Werkstatt
Ein 3D-Drucker mit Lasermodul für Hardware-Prototypen.
Nicht alles, was wir bauen, ist Software. Mit unserem 3D-Drucker Bambu Lab H2C und seinem Lasermodul entwickeln wir Hardware-Prototypen selbst: Gehäuse, Halterungen und Teile für eigene Projekte, gedruckt oder gelasert am selben Tag.
Wofür wir ihn nutzen
- Gehäuse und Halterungen für Server, Nodes und Geräte.
- Schnelle Hardware-Prototypen, um eine Idee zu testen, bevor Teile bestellt werden.
- Lasergravur und -schnitt für Kleinteile und Beschriftungen.
- Bambu Lab H2C
- 3D-Druck
- Lasermodul
- Prototyping
Private KI auf Ihren eigenen Servern?
Zur privaten KI →