Steuert die KI-Entwicklung auf eine Sackgasse zu?

Die Mehrheit der KI-Forscher: Die Technologiebranche investiert Milliarden in eine Sackgasse

Eine kürzlich von der Association for the Advancement of Artificial Intelligence (AAAI) unter 475 KI-Forschern durchgeführte Umfrage offenbart eine überraschende Übereinstimmung: Die Mehrheit der Experten ist der Ansicht, dass die dominante Strategie der Technologiebranche – Investitionen in Milliardenhöhe in die Skalierung bestehender KI-Modelle und -Infrastruktur – wahrscheinlich nicht zur Erreichung einer künstlichen allgemeinen Intelligenz (AGI) führen wird.

Ergebnisse der Umfrage

Erstaunliche 76 % der befragten Forscher gaben an, dass es „unwahrscheinlich“ oder „sehr unwahrscheinlich“ sei, dass die bloße Skalierung bestehender generativer Modelle und Rechenzentren zu einer AGI führen würde, die weithin als ultimatives Ziel vieler Akteure in diesem Bereich angesehen wird. „Umfangreiche Investitionen in die Skalierung, die nicht von vergleichbaren Bemühungen begleitet wurden, zu verstehen, was eigentlich vor sich geht, erschienen mir schon immer fehlgeleitet“, sagte Stuart Russell von der University of California, Berkeley. 

Experten wie Stuart Russell weisen darauf hin, dass vielen Menschen in der Branche vor etwa einem Jahr klar wurde, dass die Gewinne durch die konventionelle Skalierung ihren Höhepunkt erreicht hatten. Trotz massiver Investitionen bringt eine weitere Vergrößerung der Modelle und der Rechenleistung sinkende Erträge. Die Industrie investierte im Jahr 2024 mehr als 56 Milliarden Dollar in die Finanzierung generativer KI, während Unternehmen wie Microsoft allein für das Jahr 2025 planen, 80 Milliarden Dollar in KI-Infrastruktur zu investieren. Dennoch weisen die neuesten Versionen großer Sprachmodelle deutlich geringere Verbesserungen auf als die vorherigen Iterationen.

Notwendigkeit alternativer Ansätze

Einige Unternehmen erforschen effizientere Methoden – beispielsweise nutzt OpenAI „test-time compute“, bei dem die KI vor einer Entscheidung mehr Zeit mit dem Nachdenken verbringt –, doch diese gelten nicht als Allheilmittel. Für einen echten Durchbruch werden wahrscheinlich grundlegende Innovationen erforderlich sein, die über die auf Skalierung basierende Brute-Force-Methode hinausgehen. Auch die Besorgnis über den Energieverbrauch und die Auswirkungen auf die Umwelt wächst, da Technologiegiganten Verträge über eigene Kernkraftwerke unterzeichnen, nur um ihre wachsenden Flotten von Rechenzentren betreiben zu können.

Die jüngsten Entwicklungen bestätigen diese skeptische Einschätzung. Berichten zufolge zeigte das neueste OpenAI-GPT-Modell nur geringe oder gar keine Verbesserungen gegenüber seinem Vorgänger. Der CEO von Google, Sundar Pichai, erklärte öffentlich, dass die einfachen Gewinne durch schlichte Skalierung „vorbei“ seien, obwohl einige Führungskräfte weiterhin unabhängig von den Ergebnissen größere Modelle vorantreiben. Microsoft begann angesichts wirtschaftlicher Unsicherheit und Zweifeln an der anhaltenden Rentabilität solcher Investitionen, geplante Erweiterungen von Rechenzentren einzuschränken.

Notwendigkeit neuer Ansätze

Das AAAI-Präsidentengremium zur Zukunft der KI-Forschung betont, dass grundlegende Innovationen in der Grundlagenforschung erforderlich sein werden, um bedeutende Fortschritte zu erzielen. Die Podiumsdiskussion der AAAI identifizierte mehrere Schlüsselbereiche, die größere Aufmerksamkeit erfordern, darunter:

• Neue Ansätze zum Lernen und Schlussfolgern, die über das derzeitige Paradigma des statistischen Lernens hinausgehen.
• Effizientere und energieärmere KI-Architekturen.
• Ein tieferes Verständnis dafür, wie aktuelle Modelle funktionieren und wie wir sie verbessern können.

Unter führenden Forschern herrscht inzwischen weitgehend Einigkeit darüber, dass das bloße Investieren weiterer Gelder in größere Hardware und umfangreichere Datensätze weder AGI noch nachhaltigen transformativen Fortschritt hervorbringen wird. Die Industrie steht zunehmend unter Druck – und zugleich vor der Chance –, neue algorithmische Innovationen voranzutreiben, anstatt sich ausschließlich auf skalierungsbasierte Ansätze zu verlassen. Wie einer der in der AAAI-Umfrage zitierten Forscher bemerkte: „Wir müssen zu den Grundlagen zurückkehren und darüber nachdenken, was Intelligenz wirklich ist und wie wir sie auf eine Weise modellieren können, die nicht ausschließlich auf der Anhäufung von Daten und Rechenleistung beruht.“