Lass mich über die jüngsten Gedanken zur KI sprechen. Gestern hat Google seine Quartalszahlen veröffentlicht: Die erwarteten Umsätze lagen bei 117 Milliarden, tatsächlich waren es 119,8 Milliarden – also über den Erwartungen. Trotzdem fiel die Aktie. Hauptgrund ist, dass die KI-Ausgaben zu hoch sind und der Cashflow ins Minus gerutscht ist.
Also könnte der weitere Verlauf des KI-Rüstungswettlaufs danach möglicherweise langsamer werden. Der Kursrückgang erfolgt, weil die Aktionäre nicht damit einverstanden sind, die KI-Ausgaben zu erhöhen – schließlich muss ein börsennotiertes Unternehmen eine Rendite auf das eingesetzte Kapital (ROI) erzielen.
Daher könnte es in Zukunft bei diesem KI-Rüstungswettlauf zu einer Veränderung kommen: Es geht nicht darum, die Investitionen einzustellen, sondern von grenzenlosem Verbrennen von Geld hin zu einer Phase, in der man stärker auf Effizienz und Rendite achtet.
Und warum will man aktuell so verzweifelt Rechenleistung berechnen und hochrechnen?
Denn in der KI-Branche gibt es eine sehr wichtige Theorie: Scaling Law (Skalierungsgesetz).
Eigentlich wurde schon lange erforscht: Aktuell gilt—je mehr Rechenleistung man einsetzt, je größer die KI-Parameter und je größer die Trainingsdatenmenge, desto „intelligenter“ ist die KI. Das ist ein linearer Zusammenhang!
Deshalb fangen die großen KI-Hersteller erst an, so verzweifelt Rechenleistung aufzustapeln: Wer mehr Geld hineinsteckt, dessen KI ist intelligenter und kann in der Branche die Führung übernehmen.
Aber aktuell steckt die KI eigentlich noch ganz am Anfang—sie hat den Schritt zu einer Phase, in der sie sich selbst weiterentwickeln kann, noch nicht erreicht. Das heißt: Wenn sie auf ein Problem stößt, es merkt, dass sie es nicht kann, dann aktiv Wissen sucht, ihre Fähigkeiten anpasst—damit sie es das nächste Mal dauerhaft gelernt hat.
Keines der heutigen großen Modelle kann das. Aktuell kann man höchstens „begrenzte Selbstverbesserung“ erreichen!
Zum Beispiel lässt der Mensch das Modell 1000 Code-Dateien schreiben, dann laufen lassen und Probleme entdecken, die fehlgeschlagenen Gründe analysieren, dann neue Trainingsdaten nachlegen und die Fähigkeiten verbessern. Aber diese Art begrenzter Selbstverbesserung findet derzeit noch im Labor statt. Dafür muss der Mensch laufend das Modell aktualisieren und neue Versionen veröffentlichen. Das heißt: Aktuell treiben Menschen die Weiterentwicklung der KI.
Eine wirklich „rein online“ stattfindende Selbstentwicklung ist bei Weitem noch nicht erreicht. Darum sieht man, dass große Hersteller in regelmäßigen Abständen neue Versionen veröffentlichen. Diese neue Version ist das KI-Modell, das nach der Optimierung und Evolution durch den Menschen entstanden ist.
Warum geht das jetzt nicht?
Erstens: Das Wesen der aktuellen Modelle ist im Grunde eine riesige Menge an Parametern. Diese Parameter heißen Modellgewichte. Das Modell kann seine Gewichte nicht selbst ändern—es kann sich nur den Kontext merken. Dann gibt es anhand der vorgegebenen Gewichte und der Trainingsdaten deine Antwort.
Zweitens: KI kann derzeit nicht beurteilen, was „wahres Wissen“ ist. Zum Beispiel sind in Philosophie, Medizin und Wirtschaft viele Dinge scheinbar völlig richtig, wenn sie so gesagt werden, und ebenso scheinbar völlig richtig, wenn man das Gegenteil sagt. Nehmen wir klassische Streitfragen: „Ein Mensch kann nicht zweimal in denselben Fluss steigen.“ Was sollte die KI denn dazu sagen? Sogar Menschen haben keine Standardantwort. Wenn du die KI bittest, dir eine Standardantwort zu geben,
Und ich habe gesagt, Xiaomi ist gut, also kann man Aktien kaufen. Andere sagen, Xiaomi ist Müll—wer welche Aktien kauft, steckt fest. Auch das kann diese KI nicht beurteilen.
Drittens: Je mehr Fehler die KI lernt, desto mehr könnte sie sich darin verfestigen. Wenn die KI ihre Gewichte selbst anpassen könnte: Wenn etwas falsch ist, sie aber dabei beharrt, dass es richtig ist, dann würde sie immer weiter auf dem falschen Weg gehen—bis das Modell schließlich zusammenbricht.
Viertens: Die Kosten sind zu hoch. KI-Lernen braucht viele GPUs und Strom. Man tauscht ständig Modelle aus, ändert Parameter—das hält die wirtschaftliche Belastung nicht aus.
Daher ist das derzeit auch der Engpass. Deshalb erforschen im KI-Topbereich aktuell viele Unternehmen ein Team-up- und Kooperationsmodell. Zum Beispiel bildet man ein Team: ein Teil arbeitet am Forschungsmodell, ein Teil am Lese-/Understanding-Modell, ein Teil am Experimentiermodell, ein Teil am Programmiermodell, ein Teil am Bewertungsmodell—und so entsteht ein geschlossener Kreislauf.
Deshalb dachte ich zuvor, dass die KI-Zukunft vielleicht von einem einzigen Anbieter dominiert wird—„der Sieger nimmt alles“ könnte aber nicht unbedingt stimmen. Sehr wahrscheinlich kommt es eher zu einer Vielfalt: viele Anbieter nebeneinander. Und wenn es gelingt, die KI-Modelle der verschiedenen Hersteller miteinander zu verbinden, könnte daraus ein Super-KI-Intelligenzagent entstehen. Denn auch wenn die Trainingsdaten je Anbieter unterschiedlich sind, könnten alle Daten miteinander verknüpft werden. Dann könnten die Fähigkeiten der KI exponentiell steigen.
Denn während sich die Parameter von KI-Modellen ständig vergrößern, steigen die Fähigkeiten der KI, die Parameter und die Menge an Trainingsdaten proportional. Aber möglicherweise entsteht mit der Veränderung der Modellparameter plötzlich eine neue Fähigkeit—wie ein „Erwecken“ oder „Plötzlicher Durchbruch“. Zum Beispiel: Du lernst lange Mathematik, und eines Tages lassen sich plötzlich fortgeschrittene Differentialgleichungen lösen.
Und aktuell hat jedes KI-Modell seine eigenen Stärken. Zum Beispiel: Claude ist besser im Programmieren, GPT hat stärkere Mathematikfähigkeiten, Gemini ist besonders stark bei Video. Wenn es am Ende einen Frontend-Dispatcher gibt, oder die Fähigkeiten der Modelle miteinander verbunden werden, dann haben die Modelle jedes Anbieters eine Chance, zu überleben.
Wenn man jede KI wie einen Menschen betrachtet, sieht man klar: Die Fähigkeit zur Zusammenarbeit im Team ist viel größer—nicht dass man nur eine einzige Person braucht, die alles kann.
Auf Grundlage der obigen Überlegungen denke ich, dass man jetzt im Grunde vor allem die Unternehmen mit großen KI-Modellen in den Fokus rücken sollte. In der Zukunft haben diese Firmen gute Chancen. Und weil die KI-Infrastruktur schon weitgehend aufgebaut ist, sollte man vor allem darauf achten, welche großen Modelle im Bereich der Unterbewertung (niedrige Preis-/Werte-Spanne) liegen—und dann entschlossen zuschlagen.
Denn der nächste Wettlauf in der KI-Konkurenz ist sehr wahrscheinlich kein Krieg zwischen einzelnen Modellen.
Es ist eher ein: Krieg des KI-Ökosystems.
Der echte Gewinner ist vielleicht nicht eine einzelne KI, sondern ein Superintelligenz-Netzwerk aus mehreren KIs.$ZHIPU
