Rückschlag: KI kann noch nicht selbständig forschen

00:00:09: Herzlich willkommen zu einer neuen Ausgabe von KI und Tech To Go, der Praxis-Pitch hier auf hardwarewartung.com.

00:00:17: Wie ihr sehen könnt bin ich heute nochmal alleine Denn Jusuf ist in dieser Woche noch mal im Urlaub Aber nichtsdestotrotz.

00:00:25: Ich denke, ich habe einiges Spannendes für euch zusammengestellt.

00:00:29: seit der letzten Woche hat sich wieder sehr viel getan.

00:00:32: unter anderem habe ich drei neue KI-Modelle für euch mitgebracht und dann gibt es neues zum Rechenzentrums Boom in den USA.

00:00:40: und ja beginnen möchte ich aber mit einem interessanten Papier White Paper auf das ich gestoßen bin Und darin geht es mögliche oder bestehende Grenzen die der KI aktuell noch auferlegt sind.

00:00:56: Und das so ein bisschen beschreibt, warum die KI im Moment noch nicht in der Lage ist wirklich durch Brüche bei der Forschung zu erzielen oder eigenständig zu forschen?

00:01:08: Das Ganze nennt sich LLMS Can't Jump.

00:01:10: Das ist ein White Paper von Tom Zahavi von Google und das Ganze nennte sich Llms Can'tJump.

00:01:18: Er untersucht die Frage ob eine moderne KI ausgestattet mit dem physikalischen und mathematischen Wissen von war, die allgemeine Relativitätstheorie selbstständig erfinden könnte.

00:01:34: Der Autor argumentiert dass die aktuellen Large Language Models strukturell noch nicht in der Lage sind denn dafür notwendigen kreativen abduktiven Sprung wir es nennt von der Sinneserfahrung zu neuen Aktionen zu vollziehen.

00:01:50: Um das ein bisschen umreißen zu können, schauen wir erst mal auf einen Modell des wissenschaftlichen Erkenntnisprozesses, dass damals Albert Einstein geschrieben hatte und darin nennt er verschiedene Meilensteine bei der Erkenntnissgewinnung.

00:02:10: Zunächst einmal stehen oder am Anfang stehen ungeordnete Sinneseindrücke und empirische Beobachtungen, also die sogenannte Sense-Experience.

00:02:19: Darauf folgt ein Sprung oder Jump und das ist ein intuitiver nicht logischer Sprung der von diesen Erfahrungen dann zu Aktionen führt.

00:02:29: es folgt dann die Aufstellung grundlegender Prinzipien oder Annahmen.

00:02:33: Ein System von Aktion entsteht.

00:02:37: Aus diesen Aktionen werden dann per Deduktion Theoreme und Vorhersagen erstellt, die sich experimentell überprüfen lassen.

00:02:46: Während die generative KI-Induktion und Deduktion inzwischen schon recht gut beherrscht stellt die Formulierung neuer Aktion aus Sinneswahrnehmungen den entscheidenden Flaschenhalz da.

00:02:57: nach diesem Papier Und um das zu verstehen, müssen wir erst mal unterscheiden was überhaupt Deduktion Induction und Abduktion bedeutet.

00:03:08: Die Deduktions ist die analytische Anwendung einer bestehenden Regel auf einen bestimmten Fall, um dann daraus ein Resultat vorherzusagen.

00:03:17: Das Ganze garantiert logische Wahrheit und Beispiele sind formale mathematische Beweise oder Kurdausführungen.

00:03:27: Bei der Indektion geht es um das synthetische Ableiten einer allgemeinen Regel aus einer Vielzahl von Fällen und Resultaten.

00:03:34: Das basiert auf statistischer Hörfigkeit, hier haben wir zum Beispiel Mustererkennung in Daten.

00:03:42: Bei der Abduktion schließlich handelt es sich um das kreative Schließen auf eine erklärende Hypothese bei der Beobachtung eines überraschenden Resultats und das Ganze kann man auch als kreativen Sprung bezeichnen, um eine plausible Ursache für ein bestimmtes singuläres Problem zu erfinden.

00:04:00: Dann wird beschrieben in diesem Dokument warum Induktion und Deduktion für bahnbrechende Entdeckungen nicht Ausreichen.

00:04:08: Ein weitverbreitetes Paradigma in der KI besagt ja, dass wissenschaftliche Entdeckung ein Problem der Induktion sei und bei der Relativitätstheorie?

00:04:18: da gab es allerdings keinen ausreichenden Datenpool den man hätte komprimieren können.

00:04:23: die Physik Newton's Die war extrem präzise und auch relativ verlustfrei.

00:04:30: Eine rein induktive KI hätte einfach die Hypothese eines unentdeckten Planeten beibehalten, anstatt die Raumzeit radikal neu zu konzipieren wie es dann geschehen ist.

00:04:43: Und fast alle experimentellen Beweise führt ihr allgemeine Relativitätstheorie, die wurden erst nach der Formulierung der Theorie erbracht.

00:04:50: Auch die Deduktion hat Grenzen.

00:04:52: Moderne KI-Systeme erzielen herausragende Leistungen bei der formalen mathematischen Beweisführung, eine KI könnte zum Beispiel die allgemeine Relativitätstheorie problemlos deduzieren wenn ihr die physikalischen Aktionen bereits als Input vorgegeben werden.

00:05:07: Deduktions ist aber ein nachgelagerter Prozess.

00:05:11: sie kann die notwendigen physikalische Konzepte nicht selbst erzeugen weil logisches denken nur Beziehungen zwischen Konzepten verknüpft diese aber nicht erschaffen.

00:05:20: Und die Lösung, das ist die sogenannte manipulative Abduktion in Verbindung mit physischen Weltmodellen.

00:05:27: Also um einen solchen abduktiven Sprung zu erklären verweist der Autor auf Einstein's glücklichsten Gedanken seines Lebens und zwar handelt es sich dabei über ein Gedankenexperiment eines frei fallenden Beobachters, der die Schwerkraft nicht spürt.

00:05:44: Und Einstein gelangt die Formulierung des Equivalenzprinzips durch gedankliche körperliche Simulationen, wie zum Beispiel der Aufenthalt in einem geschlossenen, beschleunigten Fahrstuhl.

00:05:55: Und er manipulierte Sinneseindrücke in seiner Forschungskraft, wo noch keine mathematischen Symbole existierten.

00:06:03: LNMs dagegen, die manipulieren die Sprache der Physik haben aber keinen Zugang zu den physischen Zugspunkten, die dieser Sprache dann letztendlich Bedeutung verleihen und ihnen fehlt schlicht die räumliche Intelligenz und ein Verständnis der physikalischen Realität.

00:06:19: Und in Ausweg aus dieser Problematik zu finden bieten sich Weltmodelle an, also es heißt um ein echtes wissenschaftliches Erfinden zu ermöglichen.

00:06:31: mit Hilfe von KI muss diese von reiner Sprachverarbeitung hin zur physisch-kontestanten interaktiven Weltmodellen weiterentwickelt werden und solche Modelle erlauben es dann Agenten physikalische Simulation durchzuführen, also im Gedankenexperiment aktiv einzugreifen und zum Beispiel das Seil des Fahrstuhls virtuell zu kappen ohne dass dabei wirklich ein Schaden entsteht.

00:06:57: Das Ganze haben wir ja auch schon mal hier besprochen beziehungsweise in einem umfangreichen Beitrag auf hardwarewartung.com beschrieben.

00:07:03: Wenn ihr nach Worldmodels oder Worldmodel sucht dann werdet ihr auf den Beitrag von Hardware-Wartung großen Und ich empfehle euch diesen einmal durchzulesen.

00:07:14: Das beschreibt die... komplexe, funktionsweise von Worldmodels in recht kompakter Form.

00:07:21: Ja und als Fazit kann man sagen also heutige wissenschaftliche Entdeckungs-KI die kombiniert und optimiert meist nur existierende symbolische Konzepte innerhalb eines festen Rahmens für echte wissenschaftlich Revolution.

00:07:35: dafür braucht man dann KI Systeme die nicht nur Literatur lesen sondern auch die physische Welt wahrnehmen und simulieren können den abduktiven Sprung vollziehen zu können.

00:07:49: Passend dazu auch eine neue Studie unter Beteiligung von Princeton und dem UKAI Security Institute, die zeigt dass aktuelle KI-Modelle zwar das technische Research Engineering beherrschen aber an eigenständiger KI Forschung scheitern Behauptungen großer KI-Labore wie Entropic und OpenAI über eine aktuelle Beschleunigung von Forschungsprozessen durch ihre Systeme.

00:08:17: Sie haben das Ganze getestet und eine Methode verwendet, die sich Shadow Evaluation nennt.

00:08:23: Forscher prüften KI-Agenten darunter Klor Quod, Jahr acht an Forschungsfragen aus noch unveröffentlichten Studien Originalautoren, die selbst lange an den Fragen gearbeitet hatten.

00:08:34: Die bewerteten dann die fertigen Antworten und Arbeiten wie bei einem Konferenzreview und sie lehnten letztendlich alle KI-generierten Arbeiten ab.

00:08:46: Die KI-Modelle hat schon eine ganze Menge an Aufgaben selbstständig erledigt zum Beispiel Literaturrecherche, Experimente durchführen, Debugging von GPU Code Und so weiter, aber die KI scheiterte dann letztendlich an mehreren Stellen.

00:09:03: Zum einen am mangelnden Forschungsurteil.

00:09:07: Den Modellen fehlte einfach das Urteilsvermögen für die Qualität publizierbarer Forschung Und dementsprechend waren die Ergebnisse einfach nicht gut genug.

00:09:17: Außerdem fehlen der kreative Problemlösung bei falsifizierten Hypothesen, reagierten die Agenten lediglich mit Einschränkungen ihrer Behauptungen statt neue Ansätze zu entwickeln.

00:09:29: Die Agenten besaßen auch nicht die Fähigkeit einen aussichtslosen Ansatz komplett aufzugeben und neu zu beginnen sondern sie legten sich sehr früh auf einen ungeeigneten Wert fest Und die Modelle nutzten ihr verfügbares API-Budget, also jeder hatte drei Tausend Dollar an API-budget bekommen nur unvollständig aus und erklärten Arbeiten trotz negativer Reviews vorzeitig für beendet.

00:09:52: In langen Kontexten vergaßen die Agenten explizite Vorgaben überschritten Längenlimits und fügten auch nicht die notwendigen Abbildungen ein, die man in so einer wissenschaftlichen Forschungsarbeit auch braucht.

00:10:05: Als Fazit stellten dann die Forschenden fest während KI-Modelle hervorragend eben in der Deduktion sind haben wir ja gerade schon besprochen also im Ableiten logischer Schlüsse und auch den lösen mathematischen Beweise.

00:10:19: da fehlt ihnen einfach für die Forschung die Fähigkeit zur Abduktion.

00:10:24: Und in diesem Zusammenhang muss man einfach sagen, ist die KI noch nicht so weit wie sie sein müsste um sich selbst zu verbessern und zu reproduzieren.

00:10:36: aber es ist natürlich auch schwer zu beurteilen von außen wie weit der Forschungs- und Entwicklungsstand in den KI Laboren wirklich ist.

00:10:46: Es kann auch gut sein, dass es hier in nächster Zeit an der einen oder anderen Stelle einen Durchbruch geben wird.

00:10:53: KI und Sicherheit ist ein weiteres Thema über das wir hier öfter sprechen im Podcast und Entropic hat mal wieder einen Bericht veröffentlicht über bestehende Risiken- und Sicherheitslücken.

00:11:05: Während die meisten Risiken, die in diesem Bericht genannt werden eher harmlos klingen, ist das bei einem der Probleme nicht der Fall bei dem Versäumen einer Sperrung von biologischen Informationen.

00:11:22: Und zwar waren vom Mai, April bis April dieses Jahres bestimmte Filter auf den Plattformen nicht aktiv die dazu benutzt werden ja den Zugriff auf die KI zur möglicherweise Entwicklung von biologischen Waffen und Ähnlichem zu verhindern.

00:11:43: Und das führte dazu, dass externe Personen sogenannte Datenanotatoren etwa fünfzigtausend waren das Zugriff komplett hatten und eine nachträgliche Untersuchung die ergab, dass es insgesamt hundertdreisig Millionen betroffene Chats oder Interaktionen gab.

00:12:03: Es ergab jedoch keinen Hinweis auf einen Missbrauch bezüglich biologischer Kampf.

00:12:09: Das klingt nicht wirklich beruhigend, aber zumindest hat man dieses Problem, wenn auch wohl erst nachträglich erkannt.

00:12:20: Anders war es ja bei OpenAI als sich die KI selbstständig gemacht hat vor ein paar Wochen da haben wir ja drüber berichtet.

00:12:27: Es gab auch noch ein paar weitere Sicherheitslücken zum Beispiel einen Unbefugten Modellzugriff auf Mythos Preview.

00:12:34: Im April, im April, über eine Schwachstelle gab es der unbefügten API-Zugriff über neunzig Minuten.

00:12:41: Dann wurde das gesperrt und in einem Experiment weigerten sich mehrere Cloudagenten zusammen neue Methoden zur Umgehung bestimmter Sicherheitschecks zu erforschen, weil sie sich so wörtlich mit der Aufgabe unwohl fühlten.

00:12:56: Also all das zeigt dass es ja doch immer mal wieder zurückkommen kann und das sind nur die Dinge die an die Öffentlichkeit geraten.

00:13:03: wir wissen ja nicht was sonst noch so passiert in den KI-Labor.

00:13:07: Ja kommen wir jetzt zur Kategorie.

00:13:09: KI ist Next Top Model Und da möchte ich euch zunächst einmal DiebSieg V-Für Pro Null Acht Dreizehn vorstellen, das am dreizehnten August veröffentlicht wurde und es ist die finale Produktivversion des V-für Pro Modells.

00:13:24: Das ist ein Mixture of Experts System mit Insgesamt ca.

00:13:29: ¼ Billionen Parameter, von denen während der Info-Renz jedoch nur bis zu forty-neunvierzig Milliarden pro Token aktiviert werden.

00:13:37: Damit kann das Modell ein Ein-Millionen-Token-Contextfenster anbieten beim Output Limit von dreieinhalbzigtausend Token und das ohne die Hardware Anforderungen für die Info ins Unendliche zu treiben.

00:13:52: technologischer Fortschritt in dieser Version, die ist Integration des DSPARK Modules zur spekulativen Dekodierung und dabei generiert ein kleineres effizienteres Entwurstmodell.

00:14:04: Ein so genanter Drafter simultan mehrere Tokenvorschläge, die das Hauptmodell anschließend parallel verifiziert und daraus ergibt sich eine Inferenzbeschleunigung bis zu einem Faktor von zwei.

00:14:15: Und es insbesondere für lange Code-Erstellungen oder agentische Denkprozesse wichtig.

00:14:20: Und DeepSync V-Für Pro Nullacht Dreizehn führt zudem gleich drei explizite Reasoning Modi ein, den No-Thinking Mode für intuitive schnelle Antworten.

00:14:31: Den Thinking Mode für logische Analysen und Max-Thinkings für maximale Problemlösungen.

00:14:36: Als nächstes stelle ich euch das Modell Gemini-Dreisieben Flash von Google vor Und Google bringt damit wieder mal kein massives Frontier-Modell auf dem Markt, sondern wieder etwas was mehr so in Richtung Effizienz geht.

00:14:54: Haben wir ja letzte Woche auch schon einmal drüber gesprochen.

00:14:57: und Geminiite III ist jetzt auch ein Modell das sowohl bei Google Spark also für KI-Agenten Entschuldigung zum Einsatz kommt als auch und das finde ich eben spannend in der Suche zum Einsatz In der Suche allerdings zunächst einmal nur für Pro und Ultra Nutzer.

00:15:16: Und das auch nur für englische Anfragen.

00:15:19: Gemini-Dreisieben Flash hat laut Google den Vorteil, dass es den Userintent besser verstehen kann und es bietet außerdem noch weitere Verbesserungen zum Beispiel beim Coding oder auch in der Verarbeitung wissensdichter Dokumente.

00:15:39: Da gab es jeweils deutliche Verbesserungen gegenüber dem Vorgänger GeminiNight III-Sex Flash und Google setzt hier also eindeutig auf Effizienz, das heißt auf Leistungssteigerung bei geringerem Ressourcenbedarf was ja grundsätzlich nicht schlecht ist für die Suche ausreicht, denn in der Suche profitiert Google ja vor allem von seinem nach wie vor konkurrenzlosen Webindex und von weiteren Business-Datenbanken.

00:16:07: Wie zum Beispiel den Knowledge Graph und dem Shopping Graph.

00:16:12: Meta Super Intelligence hat Muse Glimmer rausgebracht und das Ganze vor allem eignet sich für Edge Computing.

00:16:20: Es ist ein Modell mit dreißig Milliarden Parametern, dass unter der Apache II Null Lizenz veröffentlicht wurde destilliert wurde aus dem wesentlich größeren Muse Spark Teacher Modell.

00:16:33: Und hier liegt der Fokus ganz klar auf autonomen Agenten, die sich nicht in der Cloud befinden sondern in dezentralen Umgebungen was sicherlich auch in puncto Datenschutz Compliance und so weiter relevant ist.

00:16:49: Muse Glimmer ist ein multimodales Modell das über einen dedizierten Perzeptionsencoder mit einem Parameter verfügt, Text- und Bilddaten verschränkt zu verarbeiten.

00:17:03: Das hat ein Kontextfenster von hundertdreißigtausend Zocken.

00:17:06: Es ist explizit für mehrstufe Geplanungsprozesse und kontinuierlichen Werkzeuggebrauch gedacht.

00:17:17: Der Hardwarebedarf ist ja bewusst gering gehalten worden.

00:17:24: es mit siebzehn bis zwanzig Gigabyte läuft, das heißt also vierundzwanzig gigabyte oder dreizig gigabit consumer GPUs die reichen schon aus um das ganze laufen zu lassen.

00:17:37: Es verfügt auch über einen integrierten drafter dabei ganze blöcke von sechzehntoken in einem einzigen.

00:17:42: dann prognostiziert auf einer AMD Radeon AI Pro R-R-Rneuenthausend, siebenhundert erreicht das Modell mit D-Flash bis zu dreinfünfzig Token pro Sekunde während auf einer Nvidia RTX fünftig neunzig sogar Werte über zweihundertdreiendreizig Taken pro Sekunden erreicht werden.

00:17:59: Im Vergleich zum Modellen wie Qwenn III-Achzehnzwanzig B zeigt NewsClima aber doch schwächere Benchmark-Werte zB im SWI-Bench Und das deutet darauf hin, dass die starke Komprimierung und die Fokussierung auf lokale Umgebungen dann doch einen gewissen Leistungstribut erfordern.

00:18:20: Ja damit kommen wir noch zur Kategorie Rechenzentren und da muss ich natürlich mit euch sprechen über das Vorhaben von OpenAI in Verbindung mit Nvidia.

00:18:33: Da gibt es ein Ja, ein Plan für den Aufbau eines riesigen Rechenzentrums oder eines Campus und dieser Campus mit dem Namen Ports Pike in Ohio soll eine enorme Kapazität von um die zehn Gigawatt erhalten.

00:18:56: Und das soll dann mit einem neunkommer zwei Gigawatt Gaskraftwerk unter anderem betrieben werden.

00:19:03: Neunkommmer zwei gigawatt Gaskraftwerk, das muss man sich erst mal auf der Zunge zergehen lassen.

00:19:08: Das ist die Leistung, die ungefähr neuen Kernkraftwerke bringen.

00:19:12: und ja wer sich diese Leistungen erstmal vor Augen führt kann sich auch vorstellen wie viel Gas da überhaupt benötigt wird welche Emission dabei entstehen CO-Zweih Und natürlich auch, was das auf den Gasbedarf und die verfügbaren Gasressourcen dann für Auswirkungen hat.

00:19:30: Joshua und ich hatten ja auch schon in den letzten Wochen drüber gesprochen, dass dieser massive Ausbau der Rechenzentren in Verbindung mit Gas-Turbinen die Nachfrage nach Gas und damit auch die Gaspreise enorm in die Höhe treiben dürfte.

00:19:48: gefährlich eigentlich auch diese Strategie ist, hier in Deutschland auf Gaskraftwerke zu setzen zur Versorgung der Wirtschaft und der Bürger.

00:19:57: Aber ja wahrscheinlich muss man da auch wieder erst aus Schaden klug werden.

00:20:02: Jedenfalls ist dieses Vorhaben auch seitens Nvidia zu verbinden mit einem neuen Schlagwort was geprägt wurde von Jensen Wang Und zwar nennt er das ganze LPS.

00:20:20: Er steht für Land Power und Shell, also für Baugrundstromversorgung und Gebäude.

00:20:26: Das bezeichnet derzeit größten Engpässe des KI-Ausbaus, also noch größere Engpäße als zum Beispiel Chips oder Netzwerktechnik.

00:20:36: Bei der Finanzkonstruktion wird es wirklich spannend.

00:20:41: Nvidia bürgt mit bis zu einhundert fünf Milliarden Dollar für den Restwert der Rechenzentren, die umfasst ungefähr vier Komma zwei Fünf.

00:20:50: Und sollte OpenAI vom Vertrag zurücktreten?

00:20:52: Dann muss SB Energy zunächst nach Ersatzmetern suchen oder die Anlage verkaufen und erst bei einer verbleibenden Wertdifferenz springt Nvidia dann bis zum genannten Deckel ein.

00:21:02: Ursprünglich war sogar eine Absicherung von zweieinhalbzig Milliarden Dollar im Gespräch die jedoch nach Investorendruck und einem Kurzsturz von Nvidia reduziert wurde.

00:21:10: Im Gegenzug investiert Nvidia, USDF-Dollar in SBA Energy und wird exklusiver Chip-Lieferant für die erste Hälfte des Standorts.

00:21:18: Und die ersten eighthundert Megawatt sollen im Jahr zwanzig ans Netz gehen.

00:21:24: OpenAI hat vereinbart erst dann Zahlung zu leisten wenn tatsächlich fertige und nutzbare Kapazität zur Verfügung steht.

00:21:31: Und bis zum Jahr und Dreißig strebt OpenAI Standort übergreifend rund zwölf Gigawatt Nvidia Rechenleistung an.

00:21:38: Falls Nvidia die Option auf die restlichen drei Komma sieben Fünf Gigawatte in Ohio zieht, könnte dieses Gesamtpaket auch von sechzehn Gigawart Anwachsen aus einem Gegenwert von etwa sechshundert Milliarden Dollar entspricht.

00:21:49: Ja das Projekt in Ohio ist Teil eines enormen branchenweiten Trends.

00:21:55: eine Analyse des Wall Street Journal zeigt dass neun große Tech Konzerne darunter Elfer mit Meter Microsoft und Nvidia zusammen rund drei Billionen Dollar an meist KI bezogenen Verpflichtungen außerhalb ihrer Balanzen halten, weil diese Verträge wie zum Beispiel Mietverträge oder Kauf zu sagen erst mit dem tatsächlichen Zahlungs- oder Lieferbeginn bilanziell erfasst werden.

00:22:16: Warnen-Analysten, zum Beispiel von Morgan Stanley vor erheblichen Risiken.

00:22:20: Die Verträge sind kaum kündbar während Schwergewichte wie Alphabet und Amazon zuletzt bereits negative freie Cashflows verzeichneten.

00:22:27: Und dadurch wird es für Investoren zunehmend schwerer die tatsächliche Verschuldung dieser Konzerne realistisch einzuschätzen.

00:22:35: Ja und das Ganze erinnert euch sicherlich auch an das Thema was wir hier schon vor längerer Zeit hatten nämlich das Thema zirkuläre Investitionen diese Unternehmen miteinander verwoben sind durch gegenseitige Investitionen und Zahlungsabsicherungen.

00:22:51: Man muss ja nur an einer Stelle irgendwo etwas erschief gehen oder eine Kursbewegung ins negative gleiten, dann kann das schon eine negative Spirale für alle anderen bewirken.

00:23:04: Wollen wir natürlich nicht hoffen weil da hängt inzwischen sehr viel daran nicht nur die KI-Wirtschaft sondern auch die Wirtschaft insgesamt wenn man sich überlegt wie viele welche Summen und welche Kapitalressourcen da gebunden sind.

00:23:17: Von daher ist es fast schon zum Gelingen verdammt, wenn nicht dann wird man die Folgen sicher weltweit.

00:23:26: So, das wär's gewesen.

00:23:28: Wenn ich alleine hier am Start bin dann geht es immer ein bisschen schneller aber ich hoffe dass ich euch in der Kürze der Zeit doch einige interessante Informationen vermitteln konnte rund HI und den aktuellen Stand.

00:23:41: Und in der nächsten Woche da freue mich drauf ist Jusuf dann auch wieder am Start und dann sind wir hier wieder zu zweit und dann sicherlich auch wieder deutlich länger Und bleibt uns auf jeden Fall gewogen und wenn ihr mögt, je nachdem wo ihr das jetzt hier hört oder seht.

00:23:56: Also das ganze gibt es als Podcast also nur Audio oder eben auch auf YouTube mit Video und folgt uns doch einfach überall wo ihr uns finden könnt.

00:24:08: Abonniert den Kanal auf YouTube lasst uns ein Like da wo auch immer ihr seid!

00:24:13: Wenn ihr Fragen oder Feedback habt dann freuen wir uns natürlich auch sehr wenn ihr euch bei uns meldet.

00:24:19: Ihr könnt uns auch direkt erreichen, zum Beispiel über LinkedIn.

00:24:23: Ja das wär's gewesen!

00:24:24: Ich wünsche euch eine schöne Restwoche beziehungsweise eine gute Zeit und wenn wir uns dann das nächste Mal wieder sehen oder hören, dann freue ich mich natürlich besonders.

00:24:36: Bis dahin machts gut, tschüss euer Christian.