Beobachtetes Signal · 14. Juni 2026 · Technical Release · Quelle: DEV Community · Relevanz: 1/5 · Sentiment: Neutral
Ingenieur kündigt Genesis 2 an: CPU-basiertes Cascade MoE AI-System
Aleksandr Larionov, ein Industrieautomatisierungsingenieur mit über 20 Jahren Erfahrung, schildert seinen Werdegang von der Programmierung auf einem ZX Spectrum bis hin zur Entwicklung von Genesis 2 – einem KI-System auf Basis einer patentierten Cascade Mixture-of-Experts-Architektur. Er gibt an, dass Genesis 2 über 10.800 Experten umfasst, eine Genauigkeit von 100 % in seinen Domänen erreicht, eine Inferenz von 18 ms liefert, vollständig auf CPUs (ohne GPU) läuft und Aufgaben wie Codeausführung und Serververwaltung bewältigen kann. Der Artikel ist ein persönlicher Rückblick, der seine Motivation erläutert, Künstliche Intelligenz von Grund auf neu zu entwickeln, und verweist auf das GitHub-Repository des Projekts.
Es handelt sich um ein persönliches Projekt und eine technische Ankündigung zu einer proprietären KI-Architektur mit begrenzten, sehr frühen Auswirkungen auf die breitere AdTech- und MarTech-Branche.
Marktsignale zu GitHub in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Autor Aleksandr Larionov ist Industrieautomatisierungsingenieur mit über 20 Jahren Berufserfahrung.
- Larionov war 12 Jahre bei Rosneft tätig und leitete zuletzt kommissarisch die Produktionsautomatisierung mit 105 Mitarbeitern an 14 Ölfeldern.
- Er entwickelt Genesis 2, ein KI-System auf Basis einer neuartigen Cascade Mixture-of-Experts-Architektur, die laut seinen Angaben patentiert ist.
- Genesis 2 verfügt angeblich über 10.800 Experten, 100 % Genauigkeit, 18 ms Inferenzlatenz und läuft rein auf CPUs ohne GPUs.
- Der Beitrag verlinkt auf den Quellcode und das Projekt von Genesis 2 auf GitHub.
Verknüpfte Unternehmen
1 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Entwickler baut privates, selbstgehostetes KI-Gehirn lokal auf
Ein Entwickler hat eine detaillierte Anleitung zur Erstellung eines privaten, selbstgehosteten KI-Gehirns namens NEXUS auf einem Windows-Laptop (Intel i7, 16 GB RAM, ohne GPU) veröffentlicht. Das System verarbeitet Dateien und Web-Feeds, speichert semantisches Gedächtnis als Vector Embeddings und beantwortet Fragen auf Basis persönlicher Daten. Der gesamte Open-Source-Tech-Stack läuft lokal und umfasst Ollama (Llama 3.2 3B und Mistral 7B), Open WebUI, Qdrant als Vector Store, n8n für Automatisierung, SearXNG für private Suche, PostgreSQL, Redis, MinIO, Neo4j sowie Docker/WSL2. Der Autor verzeichnet abgesehen vom Stromverbrauch keinerlei Software- oder API-Kosten und dokumentiert den gesamten Build öffentlich, inklusive Automatisierungen und Telegram-Benachrichtigungen. Die Veröffentlichung erfolgte am 14. Juni 2026.
Autarker KI-Assistent: Privates lokales RAG-System auf Standard-Hardware realisiert
Nach Kündigung eines ChatGPT-Plus-Abonnements (240 USD/Jahr) entwickelte der Autor einen vollständig privaten KI-Assistenten namens NEXUS, der autark auf einem Intel-i7-Laptop von 2018 ohne dedizierte GPU läuft. Das Setup nutzt Ollama zum Hosten lokaler LLMs (llama3.2:3b und mistral:7b), ein nomic-embed-text-Modell (274 MB) für 768-dimensionale Embeddings sowie Qdrant als lokale Vektordatenbank in Docker-Containern. Über eine vierstufige Pipeline (Parse, Chunk, Embed, Store) wird persistentes semantisches Gedächtnis mittels Retrieval-Augmented Generation (RAG) bereitgestellt. Ergänzt durch LangGraph-basierte autonome Agenten, automatisierte Ingestion-Watcher und strikte Sicherheitsvorgaben (rein lokale Embeddings, Timeouts, Human-in-the-Loop) demonstriert das Projekt, wie First-Party-Data und sensibles Wissen ohne Cloud-Abhängigkeit auf Standard-Hardware geschützt und verarbeitet werden können.
Zustellfahrer entwickelt Multi-Expert-KI-Agenten-MVP
Ein autodidaktischer Entwickler und Nachtschicht-Zustellfahrer hat einen detaillierten Bericht über den Aufbau eines MVP-KI-Systems veröffentlicht, das parallele Experten-Agenten ausführt und deren Antworten aggregiert. Der Autor begann am 24. Mai 2026 mit dem Programmieren und implementierte eine parallele Multi-Experten-Ausführung für Medizin, Recht, Strategie und einen allgemeinen Fallback über LLM-APIs von Zhipu, Aliyun und OpenRouter. Zu den Kernkomponenten gehören ein persistentes Gedächtnismodul für die letzten 20 Turns, ein Sicherheitsfilter mit Protokollen sowie ein Director Brain zur Aggregation der Ausgaben. Das System unterstützt eine mehrungsrundige Debatte, bei der jeder Experte den vollständigen Verlauf sieht; als aktuelle Einschränkungen werden hoher Token-Verbrauch und langsame Antwortzeiten genannt. Quellcode und Designdokumente stehen auf GitHub bereit, während der Autor Feedback zur Architektur und zum Lernfortschritt erbittet.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.