Ein Softwareentwickler hat die Beschränkungen von Apples M4 Neural Engine überwunden und ermöglicht damit KI-Training direkt auf dem Chip. Der Durchbruch erlaubt Backpropagation – einen grundlegenden Prozess des maschinellen Lernens, den Apple bislang blockierte.
Reverse Engineering öffnet neue Möglichkeiten
Der Entwickler @0x0SojalSec nutzte Reverse Engineering, um die Softwaresperren des M4 Neural Engine zu umgehen. Das Ergebnis: beeindruckende 15,8 TFLOPS Rechenleistung für KI-Training. Entscheidend: Die Methode kommt ohne Apples offizielle Frameworks wie CoreML oder Metal aus und nutzt nicht die GPU. Stattdessen arbeitet eine eigens entwickelte Model Intermediate Language (MIL) direkt im Arbeitsspeicher – nicht auf dem NAND-Flash-Speicher.
Anzeige: Möchten Sie KI-Modelle lokal auf Ihrem M4-Chip trainieren – ohne Cloud-Kosten und Apples Beschränkungen? Dieser Report zeigt Ihnen den genauen Hack, den der Entwickler @0x0SojalSec eingesetzt hat. M4 Neural Engine Hack-Report jetzt anfordern
Der Zeitpunkt ist bemerkenswert. Erst vor gut einer Woche, auf der WWDC am 8. Juni 2026, hatte Apple seine KI-Strategie präsentiert – mit Fokus auf reine Inferenz und agentenbasierte Aufgaben. On-Chip-Training war nicht vorgesehen. Der Hack markiert eine klare Abkehr von Apples geplanter Nutzung der Hardware.
Cloud-Partnerschaften bleiben zentral
Trotz der neuen lokalen Möglichkeiten setzt Apple weiter auf externe Partner für komplexe KI-Aufgaben. Auf der WWDC stellte der Konzern Apple Intelligence 2.0 und eine neue Siri-Generation vor. Der Sprachassistent nutzt ein maßgeschneidertes Gemini-Modell mit rund 1,2 Billionen Parametern – entwickelt mit Google.
Branchenkreisen zufolge zahlt Apple für diese Partnerschaft schätzungsweise eine Milliarde Euro pro Jahr. Einfache Anfragen bearbeitet Siri weiterhin lokal – Datenschutz first. Komplexe Aufgaben wandern in die Google Cloud, wo sie auf Spezialhardware laufen. Für Sicherheitsbedenken führte Apple Private Cloud Compute und AgentKit ein, ein Framework für KI-Agenten direkt auf dem Gerät. Öffentliche Beta startet im Juli, der vollständige Release ist für September 2026 zusammen mit iOS 20 und macOS 16 geplant.
Hardware wird zum Gatekeeper
KI-Modelle werden komplexer – und Apple reagiert mit hardwarebasierten Hürden. Für das kommende iOS 27 zeichnet sich ab: Die leistungsfähigsten KI-Funktionen bleiben Geräten mit viel Arbeitsspeicher vorbehalten.
Das iPhone 17 Pro, Pro Max und Air sowie iPads mit M4-Chip und M3-Macs benötigen mindestens 12 GB RAM für die Spitzenfeatures. Standardmodelle wie das iPhone 17 mit 8 GB könnten leer ausgehen. Für Profis bleibt das Mac Studio aus dem Frühjahr 2025 die erste Wahl: Der M3 Ultra stemmt mit seinen 512 GB Unified Memory große Sprachmodelle mit über 600 Milliarden Parametern.
Wettlauf der KI-Chip-Hersteller
Der M4-Hack kommt in einer Phase des Umbruchs. Analysten beobachten das Aufkommen einer neuen Gruppe von Tech-Giganten, die unter dem Akronym MANGOS firmieren: Meta, Anthropic, Nvidia, Google, OpenAI und SpaceX. Ihr gemeinsamer Börsenwert: rund 14 Billionen Euro.
Anzeige: Sie zahlen jährlich eine Milliarde Euro für Cloud-KI? Mit dem M4-Hack trainieren Sie selbst große Modelle lokal – sicher und kosteneffizient. Erfahren Sie, wie Sie die 15,8 TFLOPS Ihres Chips nutzen. Lokales KI-Training – Report sichern
Der Wettbewerb um KI-Silizium verschärft sich rasant:
- Nvidia bringt optimierte Mixture-of-Experts-Kerne, die GPT-Training um bis zu 93 Prozent beschleunigen sollen.
- Huawei präsentierte in Shanghai seine „LogicFolding“-Architektur und das „Tau Scaling Law“ – das Ziel: Transistordichte auf 1,4-Nanometer-Niveau bis 2031, ohne EUV-Lithografie.
- Tensordyne meldete den Tape-Out seines 3-nm-Napier-KI-Chips mit deutlich höherem Tokendurchsatz und besserer Energieeffizienz.
- AMD zielt mit dem Ryzen AI Max+ 395 auf lokale Ausführung großer Modelle – Llama 3.3 70B auf Hardware für rund 1.500 Euro.
Die Botschaft ist klar: Lokales und cloudbasiertes KI-Training werden effizienter. Die Hersteller liefern sich ein Wettrennen um die nächste Generation trillionenparametriger Modelle.
