Was haben wir alle verpasst?

Als OpenAI eine Lösung für das Navier-Stokes-Millennium-Problem ankündigte, drehte sich ein Großteil der Diskussionen, die ich mitbekommen habe, darum, Rechenleistung im Wert von rund zweiundzwanzig Millionen Dollar ausgegeben zu haben, um einen Preis von einer Million Dollar zu gewinnen. Schön und gut, der Vergleich ist witzig. Mich hat eher interessiert, wie die Arbeit tatsächlich erledigt wurde.

Berichten zufolge haben rund zehntausend koordinierte Agenten einen Beweis und eine Formalisierung in Lean erstellt. OpenAI hat das Preisgeld abgelehnt. Ein maschinell überprüfter Beweis auf diesem Niveau wäre ein beachtliches Forschungsergebnis, noch bevor irgendjemand einen praktischen Nutzen dafür findet.

Das behauptete Ergebnis ist eine Finite-Time-Singularität: Glatte Lösungen können zusammenbrechen. Das liefert uns zwar keine neue Methode zum Bau von Raketen oder zur Modellierung von Turbulenzen. Aber der Teil, den ich verstehen will, ist, wie die Agenten die Mathematik bewältigt haben und wie viel von diesem Prozess sich auf andere Probleme übertragen lässt.

Am 6. September erklärte Jensen Huang, dass AGI da ist, und schrieb das GPT-6 Astra zu, trainiert auf mehr als 100.000 Nvidia Grace Blackwell GPUs. Zwei Tage später wurde der Beweis veröffentlicht. Bereits im März hatte er Lex Fridman erzählt „Ich glaube, wir haben AGI erreicht“, als es darum ging, ob KI ein Milliarden-Dollar-Unternehmen aufbauen und leiten könnte. Im Earnings Call im August fiel die Behauptung schon vorsichtiger aus: Für viele Aufgaben könne man sagen, dass wir AGI erreicht hätten.

Auch Sam Altmans Aussagen ließen sich nur schwer unter einen Hut bringen: Einerseits würden aktuelle Systeme die Definition von OpenAI erfüllen, andererseits rechne er für später in diesem Jahr noch mit einem internen System, das er persönlich als AGI bezeichnen würde.

Ich finde das anstrengend. Jemand liest eine dieser Schlagzeilen, bittet die App, seine Arbeit zu erledigen, und sieht zu, wie sie an etwas scheitert, das ein kompetenter Kollege problemlos hinbekommen würde. Eine Definition, die für ein Interview zurechtgelegt wurde, hilft niemandem zu verstehen, was das System tatsächlich kann.

Und ja, dass Huang AGI hunderttausend seiner eigenen GPUs zuschreibt, ist schon ziemlich witzig.

KI steckt in Produktankündigungen, Werbung, LinkedIn-Posts, Nachrichtensendungen und Tools, die ich ohnehin schon genutzt habe und die jetzt plötzlich ein Glitzer-Icon haben. Es ist verdammt noch mal überall. Ich will immer noch darüber lesen, aber Freunde außerhalb der Tech-Branche wollen das Gespräch oft schon beenden, bevor es überhaupt angefangen hat.

Ein Teil davon erinnert an die Tendenz zur Lagerbildung: Alles ist eine Blase, alles ist Slop, oder wir stehen kurz davor, einen Gott zu erschaffen. Aber bei Freunden, die BWL studieren oder in anderen Bereichen arbeiten, merke ich vor allem Müdigkeit. Sie haben zu viele Behauptungen gehört und wollen nicht noch etwas bewerten müssen.

Das ist nur eine Beobachtung über Leute, die ich kenne. Ich selbst teile dieses Gefühl selten; meistens höre ich auf zu lesen, weil ich einfach körperlich müde bin. Ich finde also nicht, dass es mir zusteht, sie darüber zu belehren, besser aufzupassen.

Thiels „0 → 1“-Konzept beschreibt ziemlich gut, wie ich darüber denke: Manche Unternehmen bauen etwas, das vorher nicht möglich war, während andere den Zugang zu etwas verkaufen, das bereits existiert.

Etwas Nützliches weiterzuverkaufen, ist völlig in Ordnung. Was mich nervt, ist ein Abo um einen Prompt herum, das als technologischer Durchbruch vermarktet wird. Nach genug solchen Ankündigungen fällt es schwerer, die nächste ernst zu nehmen.

Größere Sorgen mache ich mir über Produkte, die gut funktionieren und Schaden anrichten: Überwachungstools zum Beispiel oder militärische Anwendungen, deren ziviler Nutzen in der Broschüre im Vordergrund steht. Mein Einwand richtet sich hier dagegen, was gebaut wird und wer es nutzen darf.

Robotik ist ein Bereich, über den ich gerne mehr hören würde.

AMI Labs hat in einer Seed-Runde 1,03 Milliarden Dollar eingesammelt, mit Yann LeCun als Chairman, um an Weltmodellen mit dem JEPA-Ansatz zu arbeiten. Generalist AI hat im Juni 400 Millionen Dollar geraised und im August Berichten zufolge über eine Bewertung von 3 Milliarden Dollar verhandelt. Das GEN-1.5-Modell wird dabei gezeigt, wie es eine physische Aufgabe anhand einer einzigen Demonstration lernt, ganz ohne Gradient-Updates oder Fine-Tuning.

Diese Unternehmen haben ganz offensichtlich Zugang zu Kapital. Trotzdem höre ich viel weniger über ihre Arbeit als über das nächste Sprachmodell-Release. Das liegt vielleicht zum Teil daran, was ich selbst verfolge. Robotik fällt mir schwerer einzuschätzen, und selbst mit nur einem Teilbereich dieses Feldes Schritt zu halten, kostet Zeit.

Wenn es deutlich einfacher wird, Robotern Dinge beizubringen, will ich wissen, wie wir mit den Veränderungen bei physischer Arbeit umgehen. Sollten manche Berufe Menschen vorbehalten bleiben, etwa in der Therapie, Medizin oder in bestimmten Handwerken? Ich habe darauf noch keine endgültige Antwort. Bei der Frage geht es um Einkommen, Verantwortung und darum, was Menschen von der Person erwarten, die die Arbeit verrichtet, genauso wie darum, ob eine Maschine sie überhaupt erledigen kann.

Impervas Bericht für 2026 beziffert den automatisierten Datenverkehr auf über 53 % des gemessenen Web-Traffics, wobei bösartige Bots 40 % des Gesamtaufkommens ausmachen und KI-gestützte Bot-Angriffe im Jahresvergleich um das 12,5-Fache gestiegen sind. Das sind Messungen des Datenverkehrs. Sie sagen uns nicht, welcher Anteil an Posts oder Unterhaltungen generiert ist.

Es gibt gesonderte Belege dafür, wie überzeugend generierte Konversationen sein können. In der Turing-Test-Studie von Jones und Bergen sprachen die Teilnehmenden fünf Minuten lang mit einem Menschen und einem Modell und entschieden dann, wer der Mensch war. GPT-4.5, gepromptet mit einer menschenähnlichen Persona, wurde in 73 % der Fälle gewählt. LLaMA-3.1 erreichte 56 %; die Baselines ELIZA und GPT-4o kamen auf 23 % bzw. 21 %.

Manchmal bilde ich mir ein, generierte Texte zu erkennen. Verlassen möchte ich mich auf dieses Urteil aber nicht, besonders nicht, wenn ich müde bin oder etwas außerhalb meines Fachgebiets lese.

Ich habe immer noch Spaß daran, Dinge auszuprobieren, ohne zu wissen, ob dabei irgendwas herauskommt. Schreib irgendeine absurde Software, um deinen Uni-Professor zu ärgern, oder verfolge eine dämliche Idee einfach mal, um zu sehen, was passiert. Es muss nicht gleich ein Unternehmen daraus werden.

Mir ist aufgefallen, dass fähige Leute in der Tech-Welt es gar nicht erst versuchen, weil sie vorab kein nützliches Ergebnis sehen. Ich frage mich, ob der Druck, zu jeder Technologie sofort eine Meinung haben zu müssen, dazu beiträgt. Kurzformat-Medien spielen vielleicht auch eine Rolle, aber das ist nur geraten.

Ich will den Freiraum haben, mich für die Technologie zu interessieren, während ich gleichzeitig ablehne, wie sie verkauft und eingesetzt wird. Ich kann ein Überwachungsprodukt ablehnen oder eine AGI-Behauptung, die mir so gut wie nichts sagt, und trotzdem ein neues Modell oder Experiment verstehen wollen.

Die Forschung interessiert mich genug, um weiterzulesen. Das Marketing macht es einem schwerer, und Freunde, die nicht in der Tech-Branche arbeiten, haben viel weniger Gründe, sich das anzutun.

Ich fände es schön, wenn es in den Gesprächen öfter darum ginge, konkrete Dinge auszuprobieren, und weniger darum, ob KI als Ganzes nun gut oder schlecht ist. Robotik ist eines der Themen, die ich mir dabei wünschen würde.

~ A.