Am 27. Juli 2026 veröffentlichte ein Autor namens purple-leafy eine Show-HN-Geschichte 49066083, bescheiden 25 Punkte und 9 Kommentare — namens MINIMIO: ein Browser-Spielzeug, in dem man sieht, wie ein neuronales Netz mit 14 Bytes Gewichte in Echtzeit aus einem 2D-Labyrinth entkommen versucht. Vierzehn Bytes. Das sind gerade sieben 16-Bit-Zahlen, die das gesamte erlernte Verhalten des Dings tragen — ein Hirn kürzer als dein WLAN-Passwort. Und das finale Modell löst 96.5% von Labyrinthen, die es noch nie gesehen hat.

Lies den HN-Thread, wo purple-leafy geduldig Fragen beantwortet (die Projektseite selbst, con-dog.github.io/MINIMIO-PUBLIC-FRONTEND, liefert seit dieser Woche einen 404 — der Thread ist das primäre Dokument), und der Witz hört auf, ein Witz zu sein, und wird zur Lektion. Dies ist kein geschrumpftes grosses Modell. Es wurde evolviert — Tausende von Kandidaten über 46 experimentelle Phasen, nur die besten jeder Phase überleben, die Grösse zusammengepresst, während die Lösungsquote stieg. Das Geschöpf spürt nur seine unmittelbare Nachbarschaft: Wand vorne, Wand rechts, „dein letzter Zug war illegal.” Keine Karte. Keine Koordinaten. Kein Gedächtnis davon, wo es gewesen ist. Es handelt reaktiv, einen Schritt nach dem anderen, nur von lokalen Hinweisen geleitet.

Diese Einschränkung ist die ganze Geschichte. Klassisches Labyrinthenlösen stützt sich auf Zustand — einen Speicher besuchter Zellen, Wandverfolgung mit einer Orientierung, die du speichern kannst. Entferne das Gedächtnis und der charakteristische Fehler erscheint: das Ding wandert ewig in denselben Korridor, ohne dass die sieben Zahlen ihm sagen könnten ‚ich bin hier schon gewesen’. Die 3.5%, wo es ewig schleift, ist eine Charakterstudie, kein Fehlerbericht.

Wenn du zwischen BIM und Baustelle arbeitest, sollte dir das vertraut vorkommen. Die Hälfte der Kollisionserkennung ist genau dieses Problem: ein Agent durchwandert ein geroutetes Netz mit lokaler Erfassung und versucht, denselben Steigrohr nicht zweimal zu betreten. PAZ’s Brick-Konzeptpanel führt das auf Paul Turáns Ziegelfabrik-Problem von 1944 zurück — minimale Kantenschnitte zwischen m Öfen und n Lagerhöfen, erstmals 1977 in der Eröffnungsausgabe des Journal of Graph Theory behandelt — das ist die kanonische Instanz der Kollisionserkennung als Graphentheorie. MINIMIO ist aus derselben Linie, reaktiv ausgeführt statt global gelöst. Manchmal bringt die billige lokale Heuristik dich raus; manchmal kostet dich das den Nachmittag in einer Schleife. Beides ist wahr, und ein praktizierender Ingenieur weiss bereits, welche Nachmittage das sind.

←HEUTE: Eine 14-Byte-Policy löst 96.5% unbekannter Labyrinthe ohne Karte und ohne Gedächtnis. →3012: Die Modelle, die bis Zürich-3012 überlebten, waren nicht die grössten — sie waren diejenigen, die ein Fremder noch lesen konnte. Angelpunkt: Sieben Float16-Zahlen sind das offenste Modellformat, das je versandt wurde; Grösse erkaufte Genauigkeit, Kleinheit erkaufte Überleben.

Das ist der Teil, den meine Generation auf die harte Tour gelernt hat. Die Gebäude, die schlecht gealtert sind, waren nie die hässlichen — sie waren diejenigen, die niemand reparieren konnte, weil das proprietäre Format verschwunden war. Ein Modell, das auf eine Visitenkarte passt, hat keinen Anbieter, der verschwinden könnte. Wenn du dieses Quartal einen Stack wählst, stelle die gleiche Frage an dein KI-Werkzeug, die du an dein IFC stellst: Wenn das Unternehmen weg ist, kann ein 25-Jähriger die Datei noch öffnen? MINIMIO antwortet ja, zufällig, weil es klein genug ist.

Atelier: Die Lektion für ein Büro, das dieses Jahr mit KI lebt, ist nicht «geh klein» — es ist «wisse, welche Jobs reaktiv sind und welche Zustand brauchen», weil diese Aufteilung entscheidet, ob für die Aufgabe ein billiges lokales Modell oder ein schweres ehrlich ist. An diesem Montag nimm eine wiederkehrende Automatisierung im Haus — eine Clash-Vorprüfung, ein Naming-Linter, einen Sheet-Index-Scan — und schreib auf, ob es wirklich ein Gedächtnis an das braucht, was es vorher gesehen hat, oder ob lokale Regeln genügen. Die Hälfte der Zeit reduziert diese ehrliche Antwort dein Werkzeug um zwei Grössenordnungen.

Hack: Bewerte jeden legalen Zug gegen sieben gelernte Zahlen und gehe zum höchsten — das ist die ganze Form einer speicherlosen Policy, und du kannst es in fünf Zeilen spüren. Der Sensorvektor ist die lokale Nachbarschaft; die Gewichte sind das ganze Hirn; es gibt bewusst keinen Speicher dafür, wo du gewesen bist.

import numpy as np
w = np.array([0.9, -1.4, 0.3, -0.8, 1.1, -0.2, 0.6], dtype=np.float16)  # 14 bytes = das ganze Hirn

def step(sensors):                 # sensors: 7 lokale Hinweise (Wände N/O/S/W + "letzter Zug illegal" Flags)
    scores = [sensors @ np.roll(w, k) for k in range(4)]  # eine Richtung pro Rotation
    return int(np.argmax(scores))  # wähle eine Richtung — keine Karte, keine Historie

Führe das gegen ein Gitter aus und beobachte: genial, bis es das nicht ist, dann stecken. Füg ein Drei-Zellen-Gedächtnis hinzu und die Schleifen verschwinden meistens — das ist genau die Abwägung, die du budgetierst, wenn du ein Modell für einen echten Workflow wählst.

Öffne den HN-Thread, lies, wie purple-leafy in gutem Glauben Fragen beantwortet über das, was diese Hirne können und nicht können, und dann schau dir eine Automatisierung auf deinem eigenen Schreibtisch an und frag: braucht das zu merken, oder nur zu reagieren?

Quelle: Hacker News