Woher die KI kommt, wo sie steht — und was sich über ihre Zukunft sagen lässt

Wie schätzt man eine Technologie ein, die sich schneller verändert, als man Einschätzungen schreiben kann? Ein knapp zweistündiges Gespräch zwischen dem Mathematik-YouTuber Daniel Jung und Christian Bauckhage — Informatikprofessor an der Universität Bonn, Lead Scientist für Maschinelles Lernen am Fraunhofer IAIS und Co-Direktor des Lamarr-Instituts — liefert dafür einen bemerkenswert klaren Dreischritt: woher die KI kommt, wo sie steht, und was sich über ihre weitere Entwicklung seriös sagen lässt. Dieser Beitrag geht die drei Fragen entlang des Gesprächs durch.

Woher wir kommen: Als Go noch unmöglich war

Die Geschichte, die Bauckhage erzählt, beginnt mit einer eigenen Fehlprognose — und gerade deshalb lohnt sie sich.

Jahrzehntelang war Computerschach das Maß der Dinge in der KI-Forschung. Von den ersten Programmen der 1950er bis zu IBMs Deep Blue, der 1997 Weltmeister Garri Kasparow schlug, vergingen rund fünfzig Jahre algorithmischer Feinarbeit. Auf das ostasiatische Brettspiel Go ließ sich diese Methodik nicht übertragen: Go ist kombinatorisch so viel komplexer als Schach, dass die Schach-Rezepte dort ins Leere liefen. Bauckhage, der selbst zu Spiele-KI forschte, brachte seinen Studierenden noch 2014 in der Vorlesung bei, warum das so ist — und sagte dazu, er werde es in seinem Leben nicht mehr erleben, dass eine Maschine einen Go-Weltklassespieler schlägt.

Zwei Jahre später schlug AlphaGo Lee Sedol, einen der besten Spieler der Welt.

Entscheidend ist, wie das gelang: nicht mit einer verbesserten Version der Schach-Algorithmik, sondern mit einem völlig anderen Ansatz — neuronalen Netzen, bestärkendem Lernen und Monte-Carlo-Baumsuche (einem Verfahren, das Spielverläufe stichprobenartig zu Ende simuliert, statt alle Züge durchzurechnen). Eine Lösung, die, wie Bauckhage sagt, „quasi aus dem Nichts kam": Kaum jemand hatte auf dem Schirm, dass es auch so gehen könnte.

Seine Konsequenz daraus ist der eigentliche Kern der Geschichte. Er lautet nicht „Experten irren eben manchmal", sondern: Wenn etwas fällt, das die Fachwelt für unmöglich hielt, muss man das ganze Feld neu vermessen — dann ist mit weiteren „unmöglichen" Dingen zu rechnen. Die Jahre danach gaben dieser Haltung recht: 2017 erschien die Transformer-Architektur, auf der die heutigen Sprachmodelle beruhen; Ende 2022 machte ChatGPT die Fähigkeiten dieser Modelle schlagartig öffentlich sichtbar. Seither, so Bauckhage, sehen wir Leistungszuwächse „von Halbjahr zu Halbjahr, von Vierteljahr zu Vierteljahr".

Wo wir stehen: kognitive Maschinen — real und überhitzt zugleich

Den heutigen Zustand fasst Bauckhage in einem Begriff: kognitive Maschinen. Systeme, die sehen, hören, sprechen, Texte schreiben, Bilder erzeugen und beschreiben, Code schreiben — die also einen erheblichen Teil dessen abdecken, was biologische Gehirne leisten. Und die sehr schnell besser werden.

Wie sich das konkret anfühlt, illustriert die eindrücklichste Anekdote des Gesprächs. Ein Tutor seiner Vorlesung „Principles of Machine Learning" zeigte ihm, wie er die Übungsaufgaben löst: mit einem einzigen Prompt an ein aktuelles Sprachmodell samt Coding-Werkzeug — lies Übungsblatt 4, löse alle Aufgaben, liefere wo nötig Python-Code und mathematische Beweise, setze alles in LaTeX und kompiliere ein abgabefertiges PDF. Bemerkenswert daran: Der Prompt ist problem-agnostisch. Er erwähnt mit keinem Wort, worum es fachlich geht. Nach 17 Minuten lag das fertige, fehlerfreie PDF vor — für ein Übungsblatt, das Bauckhage über Jahre so ausgelegt hatte, dass Teams von vier bis fünf Studierenden ein bis zwei Tage daran arbeiten.

Zugleich hält Bauckhage die öffentliche Darstellung für „absolut überhitzt" — beides zusammen ist kein Widerspruch, sondern die präziseste Kurzbeschreibung des Jahres 2026: Der Hype ist übertrieben, die Fortschritte darunter sind real. Zu den üblichen Einwänden hat er eine Beobachtung, die sich mit der Faktenlage deckt, die wir im Beitrag zum stochastischen Papagei nachgezeichnet haben:

Ob „aber es halluziniert doch" oder „aber es kann nicht rechnen" — die Einwände beschreiben regelmäßig den Stand von vor einigen Monaten. Das heißt nicht, dass alle Schwächen verschwunden wären: Halluzinationen existieren weiterhin, und wer KI-Ausgaben ungeprüft übernimmt, handelt fahrlässig. Aber wer seine Gesamteinschätzung der Technologie auf einen einzelnen Einwand baut, sollte prüfen, ob dieser Einwand noch gilt.

Eine offene Flanke benennt Bauckhage deutlich: die Ressourcenfrage. Ein Hochleistungsrechenzentrum, wie es für Training und Betrieb der großen Modelle gebraucht wird, setzt er mit rund 10 Megawatt an — ein menschliches Gehirn arbeitet mit gut 20 Watt. Drei Größenordnungen Unterschied. Für Bauckhage ist das kein Grund zur Entwarnung, sondern ein Forschungsauftrag: Das Gehirn ist der Existenzbeweis, dass Kognition auch sparsam geht; seine eigene Arbeit gilt entsprechend hybriden, effizienteren KI-Ansätzen.

Was sich über die Entwicklung sagen lässt

Kann man die Zukunft einer solchen Technologie überhaupt prognostizieren? Bauckhages eigenes Experiment dazu läuft seit zehn Jahren. 2016, unter dem frischen Eindruck von AlphaGo, nahm er das damals größte künstliche neuronale Netz und schrieb dessen Größe mit einer einfachen Annahme fort: Verdopplung pro Jahr. Das Ergebnis dieser Rechnung: Um das Jahr 2029/30 erreichen künstliche Netze eine Komplexität in der Größenordnung des menschlichen Gehirns.

Zehn Jahre später liegt die Prognose im Plan. Die größten aktuellen Modelle bewegen sich im Bereich von Billionen Parametern — noch etwa eine Größenordnung unter den geschätzt rund 100 Billionen Synapsen eines menschlichen Gehirns. Die jährliche Verdopplung ist bislang, so Bauckhage, „voll eingetreten".

Dazu gehören zwei ehrliche Einschränkungen. Erstens: Eine Trendfortschreibung ist kein Naturgesetz. Niemand kann ausschließen, dass die Kurve morgen abknickt — wegen physikalischer, ökonomischer oder regulatorischer Grenzen. Zweitens: Parameterzahl ist nicht dasselbe wie Fähigkeit, und künstliche Synapsen sind biologischen nur entfernt ähnlich; der Vergleich taugt als Größenordnung, nicht als Gleichsetzung. Nur: Die Gegenwette — „jetzt ist aber Schluss, gleich flacht es ab" — wird seit Jahren regelmäßig abgeschlossen und hat bislang jedes Jahr verloren. Und die Fähigkeiten der Modelle sind mit ihrer Größe mitgewachsen, von den Erdős-Beweisen bis zur 17-Minuten-Hausaufgabe. Wer prognostizieren will, hat also die Wahl zwischen einer Annahme, die zehnmal in Folge bestätigt wurde, und einer, die zehnmal in Folge widerlegt wurde — im Wissen, dass auch Serien reißen.

Was exponentielles Wachstum für die Einordnung der Gegenwart bedeutet, bringt Bauckhage auf eine Formel, die auch den Titel des Gesprächs erklärt:

Selbst wenn heute Dinge funktionieren, die vor drei Jahren Science-Fiction waren: Gemessen an dem, was bei anhaltendem Wachstum nächstes Jahr kommt, ist der heutige Stand immer der Anfang. „Wir haben noch gar nichts gesehen" ist in dieser Lesart keine Prophetie, sondern eine Arbeitshypothese — die im Moment am seltensten widerlegte, die verfügbar ist.

Nimmt man sie ernst, folgen daraus Konsequenzen, die Bauckhage bemerkenswert unaufgeregt buchstabiert. Für Unternehmen: erst den eigenen Painpoint identifizieren („KI nur wegen KI ist sinnlos"), dann Zugang zu Expertise sichern und ein Budget einplanen — und sensible Daten nicht bedenkenlos in fremde Cloud-Systeme geben, deren Betreiber daraus lernen. Für Europa sieht er die realistische Chance nicht im Wettrennen um die größten Modelle, sondern in „Verticals": mittelgroße Modelle, mit nicht-öffentlichem Industrie-Know-how nachtrainiert, betrieben auf eigener Hardware. Für Ausbildung und Beruf: Die Tiefenexpertise, in der Maschinen davonziehen, verliert relativ an Wert; wichtiger wird die Urteilskraft, zu erkennen, ob ein Ergebnis „gut aussieht, aber nicht ganz richtig ist" — und die Breite, Analogien zwischen Feldern zu ziehen. Prüfungsverbote für KI hält er dagegen für so sinnvoll wie das Taschenrechnerverbot der 1980er.

Bleibt die Frage, wie belastbar das alles ist. Die redlichste Antwort gibt das Gespräch selbst: Der Mann, der die Verdopplungskurve seit zehn Jahren richtig fortschreibt, ist derselbe, der 2014 Go für unlösbar erklärte. Seriöse Technologieprognose besteht offenbar aus genau dieser Kombination — einem Trend, den man diszipliniert fortschreibt, und der Demut, die eigene letzte Fehlprognose nicht zu vergessen. Bauckhage erinnert daran, dass man 2016 in deutschen Expertenrunden über die Vorstellung gelacht hätte, China könnte die deutsche Autoindustrie bei Elektroautos überholen. Wer heute über Szenarien lacht, die auf der aktuellen Kurve liegen, sollte kurz innehalten — und nachsehen, worüber vor zehn Jahren gelacht wurde.

Quelle

Das vollständige Gespräch (1 h 55 min):

Prof. Dr. Christian Bauckhage (Fraunhofer IAIS): KI — Wir haben noch gar nichts gesehen! (Mathe by Daniel Jung, 2026) Klick lädt das Video von YouTube (youtube-nocookie.com)

Weiterführend auf pyground: Abschied vom stochastischen Papagei — zur Frage, was die jüngsten mathematischen Resultate über die Fähigkeiten von Sprachmodellen aussagen.