Gerade in Arbeit: BIONIC wird auf Emerald portiert

Ich bau die Sachen, die ich selbst benutzen will.

Eigene Programmiersprache, eigenes Hosting, eigene Minecraft Cloud und Forschung an einer bioneuralen AI-Architektur. Alles selbst gebaut, alles selbst gehostet.

Code Style

Pureline

Code ohne Rauschen.

Pureline ist mein eigener Code Style — und so ist alles hier geschrieben. Guard Clauses statt verschachtelter Ifs, kleine Einheiten, klare Zuständigkeiten.

  • Linear Flow
  • Explicit Intent
  • Minimal Noise
  • Small Units
  • Clear Ownership
Spezifikation lesen Spec 1.1 · 47 Regeln
Avoid java
if (request != null) {
    if (request.valid()) {
        var session = sessions.create(request.user());
        return executor.execute(session, request);
    } else {
        return Result.invalid();
    }
}

return Result.empty();
Preferred java
if (request == null) {
    return Result.empty();
}

if (!request.valid()) {
    return Result.invalid();
}

var session = sessions.create(request.user());
return executor.execute(session, request);
Skills

Womit ich arbeite

Der Stack, mit dem ich tagtäglich baue — von der Sprache bis runter zur Infrastruktur.

Sprachen
Emerald
Java
TypeScript
Python
Crystal
Lua
PHP
Frontend
Astro
Angular
Vue
Tailwind
HTML5
Backend
Netty
MariaDB
SQLite
Pulsar
Maven
Spigot
DevOps
Docker
Linux
Nginx
Git
Proxmox
WireGuard
Programmiersprache

Emerald

Meine eigene Sprache auf LLVM-Basis — kompiliert zu nativen Binaries für jedes Betriebssystem, das LLVM unterstützt, mit Geschwindigkeiten von knapp an C bis auf C-Niveau. Und der Compiler minimiert RAM nicht per GC: Er eliminiert ihn. So viel wie möglich wandert in CPU-Register, der Rest wird in sechs Stufen einsortiert.

Syntax Java-basiert
Compiler self-hosting
Backend LLVM
Output Native Binaries
Performance nahe C bis C
Memory RAM-Eliminierung
emerald-lang.eu →
flow_point.ems emeraldc — flow pass
public class FlowPoint {
    private Int x;
    private Int y;
    public FlowPoint(Int x, Int y) {
        this.x = x;
        this.y = y;
    }
    public Int sum() {
        return this.x + this.y;
    }
}
 
main() {
    FlowPoint point = FlowPoint(10, 20);→ folded
    Int total = point.sum();→ folded
    String label = "sum: " + total.toString();→ inline
    println(label);
}
0 heap allocations 0 gc pauses llvm backend
1
Folded CPU / Register / SSA statt Objekt
2
Inline Daten direkt dort, wo sie gebraucht werden
3
Local Kleine Objekte lokal & stacknah
4
Shard / Pool RAM, aber kontrolliert und billig
5
Root Heap — owned und deterministisch
6
Bond Shared Heap mit ARC-artigem Overhead
Register Shared Heap
AI Research

BIONIC

Bio-Inspired Organic Network for Intelligent Computing

In Entwicklung crystal → emerald

Meine eigene bioneurale AI-Architektur — und aktuell die einzige, die allein auf CPU und RAM läuft, mit guter Performance. Kein GPU-Cluster, kein Token-Sampling, kein Brute-Force.

BIONIC arbeitet nicht mit Tokens und Wahrscheinlichkeiten, sondern mit States. Pro Anfrage werden nur die Neuronen aktiviert, die für die bestmögliche Antwort gebraucht werden — der Rest des Netzes bleibt still. Dadurch versteht das Netz Konzepte, statt nur die nächste wahrscheinlichste Fortsetzung zu raten.

Die ersten Test-AIs liefen bereits erfolgreich durch. Aktuell ist BIONIC in Crystal geschrieben — der Port auf Emerald ist der nächste Schritt, damit Architektur und Sprache aus einer Hand kommen.

Selektive Aktivierung: nur die Pfade zur Antwort feuern
Eine Einheit Eigenschaften pro Verarbeitungseinheit
AktivierungAktivierungsschwelleStabilitätErmüdungRelevanzVertrauenZeitliche GewichtungSemantische ZuordnungLokale Lernparameter
Mechanismen wie BIONIC denkt

Sparse Activation

Nur relevante Einstiegspunkte feuern, der Rest des Netzes bleibt komplett inaktiv. Der Rechenaufwand skaliert mit der aktiven Struktur — nicht mit der Gesamtgröße des Wissens.

Event-Driven

Verarbeitung läuft ereignisgesteuert über priorisierte Signale, hart begrenzt durch Aktivierungsbudget, Ausbreitungstiefe und Zeitlimit. Jeder Denkzyklus bleibt deterministisch begrenzbar.

Persistent State

Kein leerer Kontext pro Anfrage. Themen, Erinnerungen, Beziehungen und interne Modulatoren bleiben über Interaktionen hinweg Teil der aktiven Netzwerkstruktur.

Organic Memory

Gedächtnis als verbundene semantische Strukturen mit Entitäten, Kausalität und Gewichtung — assoziativer Abruf nach Bedeutung statt reiner Textähnlichkeit.

Excitation & Inhibition

Aktivierende und hemmende Signale stehen im Wettbewerb. Entscheidungen entstehen aus kontrollierter Konkurrenz, nicht nur aus der stärksten Aktivierung.

Adaptive Learning

Lokale Plastizität statt globalem Retraining: Pfade verstärken, unzuverlässige Verbindungen kappen, wiederkehrende Muster konsolidieren — im laufenden Betrieb.

Dynamic Clustering

Verwandte Einheiten gruppieren sich dynamisch zu Clustern, die aktivieren, verschmelzen, sich aufteilen oder bei Nichtnutzung an Relevanz verlieren.

Internal Modulation

Modulatoren wie Aufmerksamkeit, Unsicherheit, Dringlichkeit oder Vertrauen steuern, welche Strukturen feuern und wie lange ein Denkzyklus läuft.

Verarbeitungszyklus ein Denkzyklus, Schritt für Schritt
  1. 1 Eingangssignale werden in interne Reize übersetzt.
  2. 2 Relevante Einstiegseinheiten und Cluster werden aktiviert.
  3. 3 Aktivität breitet sich über gewichtete Verbindungen aus.
  4. 4 Hemmende und modulierende Signale begrenzen und priorisieren.
  5. 5 Relevante Erinnerungen und Zustände kommen ins Arbeitsgedächtnis.
  6. 6 Mehrere Interpretationen und Reaktionen konkurrieren miteinander.
  7. 7 Ein stabiler interner Zustand oder eine Entscheidung entsteht.
  8. 8 Das Ergebnis geht an die Aktions-, Sprach- oder Steuerschicht.
  9. 9 Erfolgreiche oder fehlerhafte Pfade werden lokal angepasst.
  10. 10 Der aktualisierte Zustand bleibt für den nächsten Zyklus erhalten.
Im Vergleich Transformer vs. BIONIC
Klassische Transformer BIONIC
Dichte Matrixberechnung Selektive Aktivierung
Linearer Tokenkontext Persistentes Zustandsnetz
Vollständiger Forward-Pass Ereignisgesteuerte Verarbeitung
Statische Parameterstruktur Adaptive Netzwerkstruktur
Kontext als Sequenz Kontext als aktiver Zustand
Erinnerungen als Text oder Vektoren Erinnerungen als semantische Strukturen
Aktivierung ohne explizite Hemmung Aktive Konkurrenz und Inhibition
GPU-zentrierte Verarbeitung CPU- und RAM-first
Globales Training Lokale und strukturelle Anpassung
Antwortgenerierung als Hauptfunktion Kognition und Ausdruck getrennt
AI Cloud

BIONIC, direkt nutzbar

Die AI Cloud ist der Zugang zu BIONIC — gehostet auf meiner eigenen Infrastruktur bei BlueNet-Hosting. Sie ist gerade im Aufbau.

  • Läuft auf CPU & RAM

    Keine GPU-Farm im Hintergrund. BIONIC braucht nur normale Server-Hardware.

  • Zustand bleibt erhalten

    Kein leerer Kontext pro Anfrage. Themen und Erinnerungen bleiben über Interaktionen hinweg aktiv.

  • Selbst gehostet

    Läuft auf BlueNet-Hardware, nicht bei einem großen Cloud-Anbieter.

Zum Login
BIONIC Im Aufbau
Sparse Activation: pro Anfrage feuern nur die Einheiten, die gebraucht werden
Ökosystem

Alles greift ineinander

Die Projekte sind kein loses Portfolio — jedes baut auf dem anderen auf.

  1. 1

    BlueNet-Hosting stellt die Hardware

    Eigene Server, eigenes Netz, eigenes Panel — die Basis, auf der alles andere läuft.

  2. 2

    KryoCloud orchestriert die Server

    Das Node-System verteilt und skaliert Minecraft-Server über die BlueNet-Infrastruktur.

  3. 3

    Kryonox läuft auf KryoCloud

    Das Netzwerk ist der Praxistest der eigenen Cloud — mit eigenen Plugins und Systemen.

  4. 4

    Emerald wird das Fundament

    BIONIC wird von Crystal auf Emerald portiert — eigene Architektur auf eigener Sprache.