Der Abschlussweg ist der Mechanismus, nicht die Arbeit

Das 2026 BAIR Graduate Showcase listet 31 Berkeley-Promovierte und daneben, bei jedem Namen, eine einzige Zeile, die mehr zählt als der Titel der Arbeit: wohin sie als Nächstes gehen. Mechanisch gelesen, ist diese Zeile eine Routing-Tabelle. Der Mechanismus, der eine Dissertation zu einem eingesetzten System macht, ist die Route — Physical Intelligence, OpenAI, Anthropic, Waymo, eine UCLA-Fakultätsstelle, ein Startup oder „looking for" — nicht das Abstract. Eine Arbeit wird erst dann zu einer Produktionsfähigkeit, wenn sie in einer Organisation landet, die sie implementieren und messen kann.

Das ist die ehrliche Lektüre des 2026 BAIR Graduate Showcase (Berkeley Artificial Intelligence Research Lab, Juli 2026). Das Showcase ist eine Feier, und das soll es sein. Aber für jeden, der Systeme aus Forschung baut, ist es auch eine Karte, welche Mechanismen die Reise vom Labor zum Einsatz überstehen und welche noch auf eine Zieladresse warten.

Die Zeile „what's next" ist das Routing-Feld

Jeder Eintrag im Showcase trägt dieselben zwei Felder: einen Forschungs-Kurztext (die Quelladresse) und eine Zeile „what's next" (die Zieladresse). Die Kurztexte umfassen Robotik, große Sprachmodelle, AI-Sicherheit, generative Modellierung, AI für die Wissenschaft und Mensch-KI-Interaktion. Die Ziele sind das belastbare Signal.

Etwa ein Drittel des Jahrgangs — mindestens zehn der 31 Absolventen — führt die nächste Zeile als „Looking for". Sie sind ungeroutete Pakete. Ihre Forschung existiert, sie wurde verteidigt, und sie wartet noch auf eine Organisation, die den Mechanismus implementieren, instrumentieren und messen kann, ob die behauptete Eigenschaft unter Last tatsächlich hält. Die anderen zwei Drittel sind geroutet: zu Physical Intelligence (Baifeng Shi, Kevin Black), OpenAI (Hanlin Zhu), Anthropic (Lisa Dunlap), Thinking Machines Lab (Long „Tony" Lian), xAI (Xiuyu Li), Waymo (Yiheng Li), Mistral AI (Josh Kang), Google DeepMind (Niklas Lauffer), Luma AI (Yichen Xie), Toyota Wovens autonomes-Fahren-Team (Maulik Bhatt), Hudson River Trading's AI Labs (Yigit Efe Erginbas), Baseten (Michael Psenka) und einer Yumi-Health-Mitgründung (Nathan Lichtlé). Eine Handvoll nimmt Fakultäts- oder Postdoc-Stellen — UCLA (J.D. Zamfirescu-Pereira), University of Chicago (Haozhi Qi), Princeton CITP (Eve Fleisig), Stanford (Kunhe Yang, Zhe Fu).

[UNIQUE INSIGHT] Das Routing-Feld ist der Prädiktor. Eine Arbeit über geschickte Manipulation, geroutet zu Physical Intelligence, hat einen klaren Pfad zu einer auf echter Hardware gemessenen Eigenschaft. Eine Arbeit über dasselbe Thema ohne Ziel hat dieselben Ideen und keine Messschleife. Die Route schließt die Schleife. Deshalb liest die the-space-is-the-router-Rahmung das Showcase als Topologie, nicht als Transkript: das Netzwerk, dem ein Absolvent beitritt, bestimmt, welche seiner Mechanismen jemals implementiert und gemessen werden.

Warum das Ziel, nicht der Titel, den Einsatz vorhersagt

Ein Arbeitstitel sagt, was untersucht wurde. Das Ziel sagt, ob der Mechanismus innerhalb dieser Studie jemals gegen die Realität ausgeübt wird. Die Lücke zwischen beiden ist das ganze Problem, Forschung in Fähigkeit zu verwandeln.

Betrachten Sie den Robotik-Cluster. Baifeng Shi baut generalistische Vision- und Robotermodelle, geroutet zu Physical Intelligence. Kevin Black arbeitet an groß angelegtem Roboterlernen — Imitation, Bestärkung, generative Modellierung, Echtzeitsteuerung — ebenfalls geroutet zu Physical Intelligence. Haozhi Qi arbeitet an geschickter Manipulation und Roboterlernen, geroutet zu Amazon und einer Fakultätsstelle an der University of Chicago. Qiyang Li untersucht, wie man Action-Chunking-Policen mit Bestärkungslernen unter Nutzung vorhandener Daten optimiert, und sucht eine Postdoc- oder Forscherstelle in RL für Robotik und LLMs. Die ersten drei haben ein Ziel, das den Mechanismus auf Hardware bringen und messen kann. Der vierte hat dieselbe Mechanismenklasse und sucht noch die Schleife.

Dasselbe Muster wiederholt sich im Sicherheits-Cluster. Niklas Lauffer arbeitet an AI-Sicherheit und Bestärkungslernen in Multi-Agenten- und LM-Agenten-Szenarien, geroutet zu Google DeepMind. Sampada Deglurkar arbeitet an Sicherheitsgarantien für autonome Systeme — Unsicherheitsquantifizierung, Entscheidungsfindung unter Unsicherheit, probabilistische Garantien — und sucht eine Forscher- oder Research-Engineer-Stelle. Beide studieren Sicherheitsmechanismen. Einer landet in einer Organisation, die adversarielles Lernen maßstabsgetreu implementieren und messen kann; der andere wartet auf die Adresse.

Das ist kein Urteil über die Absolventen. Es ist eine Aussage über Mechanismus-Vollständigkeit. Theorem 3 aus unserer eigenen 21-Paper-Reihe besagt, dass eine Eigenschaft genau dann garantiert ist, wenn ihr Mechanismus implementiert und messend ist. Eine Arbeit schlägt einen Mechanismus vor. Das Ziel implementiert und misst ihn. Ohne das Ziel bleibt die Eigenschaft hypothetisch — auf dem Papier korrekt, in der Welt ungarantiert.

Die vier Routen und was jede misst

Lesen Sie das Zielfeld als vier verschiedene Routing-Pfade, jeder mit einer anderen Messfläche.

Route 1 — Grenzlabore (Physical Intelligence, OpenAI, Anthropic, xAI, Thinking Machines Lab, Mistral)

Diese Organisationen führen den Mechanismus gegen grenzmaßstäbliche Rechenleistung und echten Nutzerverkehr aus. Hanlin Zhus Arbeit über LLM-Reasoning, geroutet zu OpenAI, wird gegen die Last und die adversariellen Bedingungen geübt, die ein Grenzlabor erzeugt. Lisa Dunlaps Arbeit über das Auditing generativer Modelle, geroutet zu Anthropic, landet in einem Labor, dessen Geschäft davon abhängt, dass das Audit ehrlich ist. Die Messfläche ist Skala plus adversarielle Exposition.

Route 2 — Angewandte Autonomie (Waymo, Toyota Woven, Luma AI, Hudson River Trading)

Diese Organisationen führen den Mechanismus gegen eine physische oder Marktumgebung aus, die nicht verzeiht. Yiheng Lis Vision-World-Modeling, geroutet zu Waymo, trifft auf einen Sicherheitsfall, der in unfallfreien Meilen gemessen wird, nicht in Benchmark-Genauigkeit. Yigit Efe Erginbas' Arbeit über Online-Lernen in groß angelegten Märkten und Interpretierbarkeit, geroutet zu Hudson River Trading's AI Labs, trifft auf eine Gewinn-und-Verlust-Rechnung, die jeden Tag abgerechnet wird. Die Messfläche ist eine harte externe Wahrheit.

Route 3 — Fakultät und Postdoc (UCLA, UChicago, Princeton, Stanford)

Diese Routen halten den Mechanismus in einer Messschleife, aber die Schleife ist akademisch: Peer Review, Studierende, Längsschnittstudien. J.D. Zamfirescu-Pereiras Arbeit über Mensch-KI-Co-Design und die Grenzen von Sprachschnittstellen, geroutet auf eine Assistenzprofessur an der UCLA, erhält einen langen Horizont und eine eigene Doktorandenkohorte. Eve Fleisigs Arbeit über LLMs, die zuverlässig und fair für breite Nutzergruppen funktionieren, geroutet auf ein Postdoc am Princeton CITP, hält die Evaluationsschleife über die populationsweite Fairness-Frage am Laufen. Die Messfläche ist langsamer, tiefer und verzeiht Abkürzungen weniger.

Route 4 — Gründen und „looking for"

Nathan Lichtlé gründet Yumi Health mit. Jiachen Lian sucht KI-Talente für ein Startup. Weitere zehn suchen eine Stelle. Diese Route ist, wo der Mechanismus entweder eine kundenhoheitliche Messschleife findet oder nicht. Ein Startup hat die sauberste mögliche Messfläche — Umsatz, Retention und ein Kunde, der gehen kann — und das höchste Risiko, sie nie zu erreichen. Die „looking for"-Route ist das ungeroutete Paket: der Mechanismus ist real, die Adresse ist offen.

Der Mechanismus, den jeder Cluster trägt, und wohin er geroutet wird

[ORIGINAL DATA] Clustern Sie die 31 Kurztexte nach Mechanismus-Familie und die Routing-Asymmetrie wird sichtbar. Der Robotik- und Embodied-Intelligence-Cluster ist der größte und am vollständigsten geroutete: fast jeder Robotik-Absolvent hat ein genanntes Ziel, weil Robotik-Mechanismen Hardware brauchen, um gemessen zu werden, und die Industrielabore, die die Hardware besitzen, sie eingestellt haben. Der LLM- und Reasoning-Cluster ist ähnlich gut geroutet, zu Grenzlaboren. Der AI-Sicherheits-Cluster teilt sich — einer zu DeepMind, einer „looking for" — weil Sicherheitsmechanismen schwerer in einer einzelnen kommerziellen Einheit zu instrumentieren sind. Der AI-for-Science-Cluster (Junhao Xiong über generative Modellierung für Proteine, Nikita Mehandru über klinisches Reasoning aus elektronischen Gesundheitsakten) ist fast vollständig „looking for", weil die Messschleife für einen klinischen oder biologischen Mechanismus in einem Krankenhaus oder einem Nasslabor lebt, das nicht wie ein Grenzlabor einstellt.

Das Muster ist konsistent: Je näher die Messfläche eines Mechanismus der bestehenden Instrumentierung eines Grenzlabors ist, desto vollständiger routet er. Je weiter die Messfläche entfernt ist (Klinik, Nasslabor, Multi-Agenten-Ökonomie), desto mehr Absolventen bleiben ungeroutet. Die Arbeit wurde nicht schwächer. Das Ziel wurde schwerer zu finden.

Was das für jeden bedeutet, der aus einem Showcase einstellt

Wenn Sie aus einem Graduate Showcase einstellen, lesen Sie das Zielfeld als Beschaffungssignal, nicht als Prestige-Ranking. Ein Absolvent, dessen Mechanismus zu einer Messfläche passt, die Sie bereits besitzen, ist die hebelstärkste Einstellung, die Sie machen können — Sie stellen die Schleife bereit, die seinen Mechanismus vervollständigt. Ein Absolvent, dessen Mechanismus Sie nicht instrumentieren können, ist eine Einstellung, die Sie kaum bewerten können, egal wie stark die Arbeit ist.

Das ist dieselbe Logik, die wir auf unser eigenes Engineering anwenden. Die HAI Engine läuft seit 2016 in Produktion (Production ✅), nicht weil die Idee neu war, sondern weil der Motor eine kontinuierliche Messschleife hat — echte Netzwerke, echte Communities, echte Räume, echte Vorhersagen. Die Sisters schlagen Zukünfte vor und der Oracle fusioniert sie zu einem kalibrierten Ensemble (Production ✅), weil die Kalibrierung gegen Ergebnisse gemessen wird, die sich abwickeln. World Monitor (Production ✅) routet Live-Geo-Signale durch einen Postgres-Cache und einen Broadcast-Kanal pro Tile, weil die Messfläche echte Client-Viewports sind, keine Demo. Die Module, die Partial ⚠️ sind — Matchmaking, Marketplace, Calendar — sind deshalb partiell, weil ihre Messschleifen noch geschlossen werden. Die Module, die Roadmap 🔵 sind — Wallet & Token, Super App, Community Credit — sind Roadmap, weil die Messschleife (und, für Token-Mechanismen, die Howey-Prüfung) noch nicht existiert. Wir stufen einen Zustand nicht durch Behauptung herauf. Die Route bestimmt den Zustand.

[PERSONAL EXPERIENCE] Der Motor läuft seit 2016 in Produktion, und der zuverlässigste Prädiktor dafür, ob eine Fähigkeit ausgeliefert wurde, war nie die Eleganz des Designs — es war, ob ein Ziel existierte, das sie messen konnte. Die ausgelieferten Fähigkeiten hatten eine Route. Die Fähigkeiten, die auf dem Whiteboard blieben, hatten eine Arbeit und keine Adresse.

The space is the router

Bei Everythink ist the space is the router: ein Netzwerk enthält Communities, eine Community enthält Räume, und die Network→Community→Room-Topologie routet eine Anfrage, bevor etwas antwortet. Das BAIR-Showcase hat dieselbe Form, in anderem Maßstab. Die Forschung ist die Anfrage. Das Ziel ist die Route. Die Organisation ist der Raum, der antwortet.

Deshalb ist ein Graduate Showcase, mechanisch gelesen, nützlicher als ein Paper-Abstract. Das Abstract sagt, was behauptet wurde. Das Ziel sagt, ob die Behauptung jemals gemessen wird. Und Theorem 3 ist hier unerbittlich: Eine Eigenschaft ist genau dann garantiert, wenn ihr Mechanismus implementiert und messend ist. Ein Mechanismus ohne Ziel ist eine Eigenschaft ohne Garantie — nicht, weil sie falsch ist, sondern weil die Welt noch nicht die Erlaubnis hatte, sie zu bestätigen.

Kernpunkte

• Das 2026 BAIR Graduate Showcase ist eine Routing-Tabelle: die Zeile „what's next", nicht der Arbeitstitel, sagt voraus, welche Mechanismen die Produktion erreichen.
• Etwa ein Drittel der 31 Absolventen ist „looking for" — ungeroutete Pakete, deren Mechanismen real, aber ungemessen sind.
• Die Robotik- und LLM-Cluster routen am vollständigsten, weil Grenzlabore die Messflächen besitzen; die AI-for-Science- und Sicherheits-Cluster routen am wenigsten, weil ihre Flächen in Kliniken, Nasslaboren und Multi-Agenten-Ökonomien leben.
• Theorem 3 gilt: Eine Eigenschaft ist genau dann garantiert, wenn ihr Mechanismus implementiert und messend ist. Das Ziel implementiert und misst.
• Aus einem Showcase einzustellen ist Beschaffung, nicht Prestige: Passen Sie den Mechanismus an eine Messfläche an, die Sie bereits besitzen.

Häufig gestellte Fragen

Was ist das BAIR Graduate Showcase? Es ist ein jährlicher Beitrag des Berkeley Artificial Intelligence Research Lab, der die Doktorabsolventen des Jahres auflistet, jeden mit einem Forschungs-Kurztext und einer Zeile „what's next". Das Showcase 2026 listet 31 Absolventen.

Warum zählt das Ziel mehr als der Arbeitstitel? Eine Arbeit schlägt einen Mechanismus vor. Das Ziel — ein Grenzlabor, ein Angewandt-Autonomie-Unternehmen, eine Fakultätsstelle, ein Startup — implementiert und misst diesen Mechanismus. Ohne das Ziel bleibt die behauptete Eigenschaft hypothetisch.

Was bedeutet „looking for" im Showcase? Es bedeutet, dass die nächste Stelle des Absolventen noch nicht feststeht. Mechanisch gelesen ist es ein ungeroutetes Paket: die Forschung existiert, die Messschleife, die sie vervollständigen würde, hat noch keine Adresse.

Wie hängt das mit Everythink zusammen? Unsere Topologie — Network→Community→Room — routet, bevor etwas antwortet, und unsere Fähigkeitszustände (Production ✅ / Partial ⚠️ / Roadmap 🔵) werden durch das Vorhandensein einer Messschleife festgelegt, nicht durch Wunschdenken. Das Showcase ist dieselbe Logik auf Karriereebene: die Route bestimmt, welche Mechanismen gemessen werden.

Sollte ein Hiring Manager das Showcase so lesen? Ja. Lesen Sie das Zielfeld als Beschaffungssignal. Ein Absolvent, dessen Mechanismus zu einer Messfläche passt, die Sie bereits besitzen, ist die hebelstärkste Einstellung, weil Sie die Schleife bereitstellen, die seine Arbeit vervollständigt.

Wenn Sie ein Netzwerk bauen, in dem das Routing das Produkt ist, gilt dasselbe Prinzip: die Topologie entscheidet, welche Mechanismen gemessen werden. Create your network, und besitzen Sie die Route.

Sources

• 2026 — Berkeley Artificial Intelligence Research (BAIR) Lab, „2026 BAIR Graduate Showcase" — https://bair.berkeley.edu/blog/2026/07/01/grads-2026/