Kleine AI-Modelle lösen Probleme, die ChatGPT in armen Regionen kaum erreicht
TL;DR
RxAlls RxScanner prüft Tabletten per Infrarot-Spektrometer und AI-Modell. In Kapstadt scheiterte 2019 eine Demo, weil der Server 14.000 Kilometer entfernt in den USA stand und ein Scan über 5 Minuten dauerte. Das Team schrumpfte das Modell binnen 2 Stunden auf eine Version, die lokal auf einem Android-Phone lief. Daraus wurde ein Offline-Ansatz für Apotheken in Ländern mit schwacher Verbindung, Stromproblemen oder wenig Computer-Infrastruktur.
Nauti's Take
Das ist die nüchterne Gegenstory zum AI-Größenwahn: Ein kleineres Modell kann wertvoller sein, wenn es dort läuft, wo der Schaden entsteht. RxScanner ist kein PR-Spielzeug, sondern ein gutes Beispiel für die harte Realität außerhalb perfekter Netze.
Der Haken bleibt: Auch Edge-AI braucht Updates, Wartung, Strom, Lieferketten und Leute, die sie betreiben können. Small AI löst digitale Ungleichheit nicht, aber sie macht AI dort praktikabel, wo Cloud-AI nur Demo bleibt.
Einordnunganzeigen
Der AI-Hype schaut oft auf Rechenzentren, Frontier-Modelle und Milliardenbudgets. Für viele reale Use Cases ist aber entscheidend, ob ein Modell ohne stabile Cloud, ohne dicke Stromleitung und ohne Expertenteam funktioniert. Small AI verschiebt den Nutzen näher an das Problem: in die Apotheke, aufs Feld, ins Labor oder direkt aufs Handy.
Quellen