Zusammenfassung

Exponentielles Wachstum und der Wendepunkt AlphaGo

Christian Bauckhage bezeichnet den Sieg von AlphaGo über einen führenden Go-Spieler im Jahr 2016 als persönlichen Wendepunkt. Zuvor habe er selbst gelehrt, dass sich die Verfahren klassischer Schachcomputer nicht auf das wesentlich komplexere Go-Spiel übertragen ließen. AlphaGo habe das Problem jedoch mit neuronalen Netzen und anderen Lernverfahren gelöst. Für Bauckhage zeigte dies, dass Aufgaben, die bisher als praktisch unlösbar galten, durch neue KI-Methoden doch bewältigt werden könnten.

Daraufhin habe er die damalige Größe neuronaler Netze unter der Annahme einer jährlichen Verdopplung fortgeschrieben. Diese Entwicklung sei bis 2026 weitgehend eingetreten. Er erwartet, dass künstliche neuronale Netze gegen Ende des Jahrzehnts eine Komplexität erreichen könnten, die mit der Zahl der Verbindungen im menschlichen Gehirn vergleichbar sei. Daniel Jung verdeutlicht exponentielles Wachstum mit einer Schrittfolge, bei der sich die zurückgelegte Strecke jeweils verdoppelt: Nach 30 Verdopplungen reiche sie nicht nur bis in die Nachbarstadt, sondern mehrfach bis zum Mond und zurück. (00:04:54–00:09:56)

AlphaFold und mathematische Problemlösung

Als Beispiel für die wissenschaftliche Wirkung von KI nennt Bauckhage AlphaFold. Seiner Darstellung zufolge seien zwischen den 1950er-Jahren und 2018 ungefähr 200.000 dreidimensionale Molekülstrukturen bestimmt worden. AlphaFold habe innerhalb von etwa fünf Jahren rund 200 Millionen weitere Strukturen erschlossen. Für Forschung in Molekularbiologie, Genetik und Pharmazie sei das System deshalb inzwischen kaum noch wegzudenken. Bauckhage sieht darin ein Beispiel dafür, dass große neuronale Netze sehr hochdimensionale Strukturen erfassen können, die für Menschen kaum überschaubar sind. (00:10:03–00:17:00)

Eine ähnliche Entwicklung beschreibt er in der Mathematik. Anfang 2024 hätten KI-Systeme zunächst geometrische Beweise geführt. Wenig später hätten Systeme von Google DeepMind und OpenAI bei Aufgaben der Mathematikolympiade erst Silber- und anschließend Goldmedaillenniveau erreicht. Bauckhage verweist außerdem auf eine im Gespräch als „Erdős-Vermutung“ bezeichnete mathematische Fragestellung, die ein OpenAI-System nach rund 80 Jahren ohne menschliche Lösung widerlegt haben soll. Für ihn sei entscheidend, dass eine Lösung überhaupt gefunden worden sei – unabhängig davon, wie viele maschinelle Versuche dafür nötig waren. (00:17:12–00:21:37)

Beim eigenen wissenschaftlichen Arbeiten nutzt Bauckhage große KI-Modelle als Gesprächspartner für Ideen und Literaturhinweise. Zugleich schildert er eine Grenze: Bei einem mathematischen Beweis habe Gemini mehrfach einen verbreiteten Spezialfall reproduziert, obwohl Bauckhage einen allgemeinen Beweis gesucht habe. Erst durch sehr präzise Nachfragen habe das Modell die gewünschte Lösung geliefert. Daraus leitet er ab, dass Fachwissen weiterhin benötigt werde, um typische, aber unvollständige Antworten zu erkennen und bessere Ergebnisse aus einem Modell herauszuarbeiten. (00:21:43–00:26:14)

Von Stunden menschlicher Arbeit zu jahrelangen Aufgaben

Bauckhage erläutert Untersuchungen eines im Transkript nicht eindeutig bezeichneten Forschungsinstituts, das misst, wie lange menschliche Fachleute für Aufgaben benötigen, die KI-Systeme selbstständig lösen können. Vor einigen Jahren habe dieser Zeitraum nur Sekunden betragen. Ende 2025 seien es etwa zwei Stunden gewesen; ein neueres Claude-Modell habe bereits Aufgaben bewältigt, für die menschliche Fachleute laut Benchmark ungefähr 78 Stunden benötigen würden.

Setze sich die beobachtete exponentielle Entwicklung fort, könnten KI-Systeme gegen Ende des Jahrzehnts nach einem einzigen Auftrag Arbeit erledigen, die einen Menschen mehrere Jahre koste. Bauckhage fragt deshalb, was es für Unternehmen, Beschäftigung und wirtschaftliche Wertschöpfung bedeute, wenn ein System in Minuten Ergebnisse erzeuge, für die ein Team bislang Monate oder Jahre benötige. Die möglichen Folgen dieser Entwicklung seien die Frage, die ihn derzeit am stärksten beschäftige. (00:26:27–00:32:03)

Als Orientierung empfiehlt Bauckhage Science-Fiction, insbesondere den Roman „Accelerando“ von Charles Stross. Er hält es für möglich, dass KI-Agenten künftig über eigene, besonders effiziente Protokolle kommunizieren, wissenschaftliche Erkenntnisse austauschen oder neuartige Finanzinstrumente entwickeln, deren Funktionsweise Menschen kaum noch nachvollziehen könnten. (00:34:21–00:38:05)

Effizientere Spezialmodelle statt immer größerer Systeme

Ein Schwerpunkt von Bauckhages Forschung ist die Frage, ob leistungsfähige KI zwingend so energie- und ressourcenintensiv sein müsse wie heutige große Basismodelle. Das Training eines besonders großen Modells könne nach seinen Angaben etwa 100 Millionen Dollar kosten, wobei ein wesentlicher Teil auf Rechenleistung, Strom und Kühlung entfalle. Dem stellt er den Energiebedarf des menschlichen Gehirns von ungefähr 24 Watt gegenüber.

Bauckhage schlägt deshalb vor, statt eines universellen Modells für jeden Zweck kleinere Spezialmodelle zu entwickeln. Ein Buchhaltungssystem müsse beispielsweise nicht zugleich über Weinbau oder Kunstgeschichte informiert sein. Bereits vortrainierte mittelgroße Modelle könnten mit internen Unternehmensdaten, Expertenwissen und spezialisierten Schlussfolgerungsverfahren weiterentwickelt werden. Ein solches Modell könne möglicherweise auf einem eigenen Serverschrank oder einem leistungsfähigen Computer betrieben werden. (00:38:12–00:45:39)

Darin sieht Bauckhage auch eine Chance für Europa. Europäische Unternehmen verfügten über umfangreiches Fach- und Produktionswissen, das nicht öffentlich im Internet zugänglich und daher auch nicht vollständig in amerikanischen oder chinesischen Modellen enthalten sei. Aus diesen Daten könnten vertikale KI-Systeme für einzelne Branchen und Arbeitsprozesse entstehen. Beim Quantencomputing sieht er bis 2030 dagegen noch keinen vergleichbaren Durchbruch, betont aber, dass Europa wegen des offenen Rennens weiterhin eigene Ansätze entwickeln könne. (00:46:32–00:50:28)

Empfehlungen für Unternehmen

Mittelständischen Unternehmen empfiehlt Bauckhage, nicht mit der Technologie, sondern mit einem konkreten betrieblichen Problem zu beginnen. Erst müsse geklärt werden, an welcher Stelle Kosten, Materialverbrauch oder Abläufe verbessert werden sollten. Anschließend könne geprüft werden, ob und wie KI dabei helfe.

Besonders wertvoll seien die internen Daten eines Unternehmens. Für ein eigenes Spezialmodell schlägt er ein bereits funktionierendes mittelgroßes Modell vor, das mit den Unternehmensdaten weitertrainiert werde. Lokal betriebene Modelle könnten außerdem verhindern, dass sensibles Wissen durch die Nutzung externer Dienste auf amerikanischen oder chinesischen Servern lande. Sehr große Modelle seien für einzelne Mittelständler wegen ihres Ressourcenbedarfs hingegen nicht realistisch. (00:51:16–00:58:12)

Bauckhage bezeichnet die öffentliche Debatte über KI zwar als überhitzt, die technischen Fortschritte selbst aber nicht als vorübergehenden Hype. Wiederkehrende Einwände gegen Rechenfehler oder Halluzinationen seien häufig durch neuere Systeme oder den Einsatz von Werkzeugen überholt worden. Unternehmen, die KI grundsätzlich ignorierten, könnten gegenüber Wettbewerbern ins Hintertreffen geraten. Als Beispiele nennt er die chinesische Autoindustrie, KI-gestützte Material- und Batterieentwicklung sowie mögliche weitgehend automatisierte Unternehmen. (00:58:47–01:04:57)

Unternehmen sollten sich deshalb kurzfristig erreichbare KI-Expertise sichern. Diese müsse nicht zwingend intern aufgebaut werden, erfordere aber ein festes Budget und verlässliche externe Ansprechpartner. (01:19:32–01:21:51)

Robotik und Weltmodelle

Bei humanoiden Robotern erwartet Bauckhage eine schnelle Entwicklung. Besonders beeindruckt habe ihn eine chinesische Vorführung mit mehreren Robotern, die gleichzeitig komplexe Bewegungen ausführten. Selbst wenn diese choreografiert gewesen seien, zeige bereits ihre Stabilität einen erheblichen technischen Fortschritt.

Für das Training physischer Systeme seien neben Sprache und Bildern auch sensorische Erfahrungen und physikalische Zusammenhänge nötig. Als Beispiel nennt Bauckhage Nvidias Simulationsumgebung „Isaac Gym“, in der Millionen virtuelle Roboter mit unterschiedlichen Körpermerkmalen und Umweltbedingungen trainiert werden könnten. Die dabei erzeugten physikalisch plausiblen Daten ließen sich anschließend auf reale Roboter übertragen. Er geht davon aus, dass KI auch Konstruktion, Motoren und Produktionskosten von Robotern verbessern und damit ihre Verbreitung beschleunigen werde. (01:05:03–01:19:18)

Hochschulen, Lernen und künftige Fähigkeiten

An den Hochschulen sieht Bauckhage einen grundlegenden Umbruch. Ein Doktorand habe ein vollständiges Übungsblatt aus einer Masterveranstaltung mit einem sehr allgemeinen Auftrag an GPT und Codex übergeben. Nach 17 Minuten habe das System eine vollständige, fehlerfreie und den Abgabevorgaben entsprechende PDF-Lösung geliefert. Die Aufgaben seien zuvor für Gruppen von vier bis fünf Studierenden und ein bis zwei Arbeitstage ausgelegt gewesen.

Im letzten Semester hätten alle eingereichten Lösungen seiner Studierenden fehlerfrei ausgesehen, während die Klausurergebnisse schlechter ausgefallen seien als zuvor. Bauckhage verweist ergänzend auf eine chinesische Untersuchung mit 20.000 Schülern: Mit KI seien die Hausaufgaben nach seiner Wiedergabe 20 Prozent schneller und richtiger gelöst worden, die spätere Prüfungsleistung sei jedoch um 20 Prozent schlechter ausgefallen. Dadurch verlören klassische Übungszettel ihre bisherige Funktion als Lern- und Zulassungsnachweis. (01:21:56–01:28:48)

Menschen müssten nach Bauckhages Einschätzung künftig vor allem beurteilen können, ob ein KI-Ergebnis zur gestellten Aufgabe passt, zuverlässig ist und auch unter veränderten Bedingungen funktioniert. Gefragt seien breites Grundlagenwissen, Analogien, Assoziationen und die Fähigkeit, unterschiedliche Fachbereiche miteinander zu verbinden. Reine Detailarbeit könne zunehmend an Maschinen übertragen werden; ein fachliches Verständnis bleibe jedoch nötig, um unvollständige oder nur scheinbar überzeugende Ergebnisse zu erkennen. (01:29:28–01:36:49)

Ein Informatikstudium empfiehlt Bauckhage nur noch Menschen mit echtem Interesse. Die frühere Aussicht auf einen nahezu sicheren, gut bezahlten Arbeitsplatz sei aus seiner Sicht vorbei. Gute Chancen hätten Personen, die kontinuierlich mit neuen Systemen experimentierten, deren Grenzen untersuchten und lernten, verschiedene KI-Werkzeuge sinnvoll miteinander zu verbinden. (01:36:55–01:40:11)

Das Lamarr-Institut und Quantencomputing

Bauckhage beschreibt das Lamarr-Institut als eines von sechs deutschen Kompetenzzentren für künstliche Intelligenz. Es arbeite sowohl an theoretischen Fragen als auch an Anwendungen in Robotik, Logistik, Sprachverarbeitung und industrieller Produktion. Das Institut sei unter anderem an einem deutschen beziehungsweise europäischen Modell beteiligt; nach einem mittelgroßen Modell werde nun an einer Variante mit 120 Milliarden Parametern gearbeitet. Ein weiteres Ziel seien spezialisierte Modelle, die mit weniger Energie auskommen und gezielt Expertenwissen aufnehmen. (01:45:39–01:51:12)

Zum Abschluss erläutert Bauckhage Hopfield-Netze als rekurrente neuronale Netze, deren Ausgaben wieder als Eingaben in das System zurückfließen können. Zwischen diesen Netzen und physikalischen Modellen bestünden enge Zusammenhänge. Gemeinsam mit einem Kollegen habe er deshalb ein Buch verfasst, das Menschen mit Kenntnissen im maschinellen Lernen einen Zugang zum Quantencomputing vermitteln solle. (01:51:19–01:54:28)

Zentrale Aussagen

• Bauckhage betrachtet den Erfolg von AlphaGo 2016 als Wendepunkt, weil eine zuvor für ungeeignet gehaltene Methode ein als praktisch unlösbar angesehenes Problem bewältigte. (00:04:54)
• Die Größe neuronaler Netze habe sich seit 2016 ungefähr entsprechend seiner damaligen exponentiellen Prognose entwickelt. (00:07:06)
• AlphaFold habe innerhalb weniger Jahre rund 200 Millionen zusätzliche Molekülstrukturen erschlossen. (00:13:08)
• KI-Systeme hätten innerhalb kurzer Zeit Silber- und Goldmedaillenniveau bei der Mathematikolympiade erreicht. (00:20:17)
• Fachwissen bleibe nötig, um verbreitete, aber unvollständige KI-Antworten zu erkennen und gezielt nachzubessern. (00:24:18)
• Aktuelle Systeme könnten Aufgaben lösen, für die menschliche Fachleute laut Benchmarks etwa 78 Stunden benötigten. (00:29:57)
• Bei fortgesetztem exponentiellem Wachstum könnten Systeme gegen Ende des Jahrzehnts mit einem Auftrag jahrelange menschliche Arbeitsleistung erbringen. (00:30:47)
• Kleinere spezialisierte Modelle könnten für Unternehmen effizienter sein als universelle Großmodelle. (00:42:23)
• Europas industrielle Daten und sein nicht öffentlich verfügbares Fachwissen könnten eine Grundlage für eigene vertikale KI-Systeme bilden. (00:48:27)
• Unternehmen sollten zunächst ihr konkretes Problem bestimmen und erst danach eine passende KI-Lösung entwickeln. (00:51:27)
• Mittelständler könnten spezialisierte Modelle lokal auf eigener Hardware betreiben. (00:54:17)
• Unternehmen sollten erreichbare KI-Expertise und ein eigenes Budget für entsprechende Projekte einplanen. (01:20:29)
• Bauckhage erwartet, dass humanoide Roboter durch KI, Simulation und wachsenden Wettbewerb schnell leistungsfähiger und günstiger werden. (01:17:47)
• Ein KI-System habe Masteraufgaben, die für mehrere Studierende auf ein bis zwei Arbeitstage ausgelegt waren, in 17 Minuten gelöst. (01:24:14)
• Die Nutzung von KI habe bei seinen Studierenden zu perfekten Übungsabgaben, aber schlechteren Klausurergebnissen geführt. (01:26:16)
• Künftig seien breites Verständnis, Ergebnisprüfung und fachübergreifende Verknüpfungen wichtiger als die manuelle Ausführung jeder Detailaufgabe. (01:30:36)
• Ein Informatikstudium verspreche nicht mehr automatisch einen gut bezahlten Arbeitsplatz; entscheidend seien Interesse und kontinuierliche praktische Beschäftigung mit KI. (01:37:45)
• Das Lamarr-Institut erforsche unter anderem kleinere, spezialisierte und energieeffizientere KI-Modelle. (01:48:53)

Genannte Personen und Organisationen

• Prof. Dr. Christian Bauckhage
• Daniel Jung
• Demis Hassabis
• Charles Stross
• Yann LeCun
• John Hopfield
• Elon Musk
• Jeff Bezos
• Fraunhofer IAIS
• Lamarr-Institut
• Google DeepMind
• OpenAI
• Anthropic
• Microsoft
• GitHub
• Nvidia
• Alibaba
• IBM
• Goldman Sachs
• KI.NRW
• OpenGPT-X
• SOFI-Projekt beziehungsweise -Konsortium
• Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)
• Harvard Law School

Genannte Zahlen und konkrete Angaben

• 1997: Sieg von IBM Deep Blue über Garri Kasparow
• 2016: Sieg von AlphaGo und Bauckhages persönlicher Wendepunkt
• 2017: Veröffentlichung von „Attention Is All You Need“
• 2022: Veröffentlichung von ChatGPT
• Rund 200.000 entschlüsselte Molekülstrukturen bis 2018
• Rund 200 Millionen zusätzliche Strukturen durch AlphaFold bis 2024
• Rund 80 Jahre ohne Lösung bei der angesprochenen mathematischen Vermutung
• Etwa 78 Stunden menschliche Arbeitszeit als Leistungswert eines aktuellen KI-Systems
• Angeblich rund 100 Millionen Dollar Trainingskosten für ein sehr großes Modell
• Etwa 24 Watt Leistungsaufnahme des menschlichen Gehirns
• Kleine Modelle: unter 10 Milliarden Parameter
• Mittelgroße Modelle: 10 bis 100 Milliarden Parameter
• Rund 120 Milliarden Parameter beim genannten europäischen Modell
• 10 Millionen virtuelle Roboter in einer Nvidia-Simulation
• 17 Minuten zur Lösung eines vollständigen Master-Übungsblatts
• Vier bis fünf Studierende und ein bis zwei Arbeitstage als ursprünglicher Arbeitsaufwand
• 20.000 Schüler in der genannten chinesischen Untersuchung
• 20 Prozent schnellere und bessere Hausaufgaben, aber 20 Prozent schlechtere Prüfungsleistung
• Sechs deutsche KI-Kompetenzzentren

Genannte Quellen, Bücher, Studien oder Dokumente

• „Attention Is All You Need“
• „Accelerando“ von Charles Stross
• „The Last Economy“
• „AI First Company“
• Untersuchung zur autonomen Arbeitsleistung von KI-Systemen; Name des Instituts im Transkript nicht eindeutig verständlich
• Chinesische Untersuchung zur KI-Nutzung bei Hausaufgaben mit 20.000 Schülern
• Bauckhages Buch über Reinforcement Learning, Titel nicht genannt
• Buch über Hopfield-Netze und Quantencomputing, Titel und Mitautor im Transkript nicht sicher verständlich

Unklare oder nicht sicher zuordenbare Stellen

• Der Name des Instituts, das die autonome Arbeitsleistung von KI-Systemen misst, wird im Transkript lautmalerisch als „Mieter Institut“ wiedergegeben.
• Die genaue Bezeichnung der mathematischen Vermutung, die ein OpenAI-System widerlegt haben soll, ist nicht sicher verständlich.
• Mehrere Modell- und Projektnamen werden im Transkript uneindeutig wiedergegeben, darunter „Mythos“, „Claude Opus 4.6“, „SOFI“ und einzelne GPT-Versionen.
• Der Name von Bauckhages Mitautor beim Buch über Hopfield-Netze und Quantencomputing ist nicht sicher verständlich.