(Symbolbild)
Milliarden fließen in die Suche nach Alternativen zum Deep Learning
Die KI-Grundlagenforschung erlebt einen Paradigmenwechsel: Während aktuelle Large Language Models auf immer größere Datenmengen und Rechenleistung setzen, investieren Tech-Milliardäre und staatliche Förderer massiv in völlig neue Ansätze – darunter die Suche nach einem vermuteten “Kernalgorithmus” des menschlichen Gehirns. Für Unternehmen signalisiert dieser Trend, dass die heutige KI-Architektur möglicherweise eine Sackgasse darstellt.
Von der Skalierungshypothese zum biologischen Vorbild
Die dominierende Strategie der vergangenen Jahre – mehr Parameter, mehr Daten, mehr GPUs – zeigt erste Ermüdungserscheinungen. Jeff Bezos finanziert über seine Familienstiftung nun ein ambitioniertes Forschungsprojekt, das nach einem fundamental anderen Prinzip sucht: einem vermuteten universellen Lernalgorithmus, der im menschlichen Neocortex wirkt. Die Hypothese lautet, dass das Gehirn nicht aus hunderten spezialisierten Modulen besteht, sondern eine einzige, wiederholte Berechnung auf verschiedenen Ebenen ausführt. Sollte sich dies bestätigen, ließe sich ein derartiger Algorithmus potenziell effizienter implementieren als die ressourcenfressenden Transformer-Architekturen.
Neue Spieler, neue Methoden
Neben dem Bezos-Projekt gewinnen weitere alternative Ansätze an Dynamik. Neuromorphic Computing, das direkt die Struktur biologischer Neuronen nachbildet, sowie Ansätze aus der Active Inference und der Freien Energie-Minimierung – assoziiert mit dem Neuroscientist Karl Friston – erhalten ebenfalls erhebliche Mittelzuflüsse. Diese Methoden versprechen nicht nur effizienteres Lernen, sondern auch inhärente Fähigkeiten wie kausales Schlussfolgern und generalisierte Intelligenz, die aktuellen Systemen fehlen. Die Investitionssummen bleiben dabei zumeist undurchsichtig; Schätzungen zufolge fließen jedoch mehrere Milliarden Dollar jährlich in solche Hochrisiko-Forschung.
Die strategische Relevanz für Unternehmen
Für deutsche und europäische Unternehmen ergeben sich daraus mehrere Implikationen. Zum einen konzentriert sich die industrielle KI-Anwendung weiterhin auf bewährte Deep-Learning-Methoden – ein sinnvoller Fokus, solange die praktische Wirksamkeit gegeben ist. Zum anderem birgt die Abhängigkeit von US-amerikanischen Infrastrukturanbietern langfristige Risiken, sollte ein tatsächlicher Durchbruch bei alternativen Architekturen erfolgen. Die europäische KI-Förderung bleibt hierzulande überwiegend auf Anwendungsentwicklung und regulatorische Frameworks ausgerichtet, während grundlegende Architekturforschung unterfinanziert ist.
Die gegenwärtige Phase erinnert an frühe Tage des Deep Learning selbst: damals marginalisiert, später dominant. Unternehmen sollten die Entwicklung beobachten, ohne die aktuelle operative KI-Strategie zu gefährden – und gezielt Partnerschaften mit Universitäten prüfen, die an diesen Grenzbereichen arbeiten.