Der Burggraben aus Daten – Warum das beste Modell nicht mehr genügt

Titelsong

Kapitel 1 von 2 · gesamt 0:00 / 5:49

Stellen Sie sich einen Raum vor, in dem es nach warmem Metall und Maschinenöl riecht. In der Mitte steht ein Roboterarm, mattgrau, gelenkig, mit einer Greifhand aus drei Fingern. Vor ihm auf dem Tisch ein ganz gewöhnliches Trinkglas. Die Aufgabe klingt lächerlich einfach, so einfach, dass wir sie einem Kleinkind zutrauen: Nimm das Glas. Heb es an. Stell es wieder ab.

Und dann geschieht etwas, das man kaum glauben würde, wenn man es nicht selbst sähe. Der Arm greift daneben. Er stößt das Glas um. Er packt zu fest und drückt, oder er packt zu locker, und das Glas gleitet ihm aus den Fingern und kippt zur Seite. Wieder und wieder. Nicht zehnmal, nicht fünfzigmal. Hunderte Male. Ein Beobachter, der zum ersten Mal hier steht, empfindet fast Mitleid. Es sieht aus wie ein sinnloses Scheitern in Endlosschleife.

Aber genau das ist es nicht. [pauses] Denn jeder einzelne dieser Fehlgriffe ist kein verlorener Moment, sondern ein gewonnener. Jeder Sturz des Glases wird aufgezeichnet, vermessen, gespeichert. Wie stand die Hand, in welchem Winkel, mit welcher Kraft, in welcher Millisekunde begann der Griff zu misslingen? Was für uns wie Versagen aussieht, ist für die Maschine ein Datenpunkt. Und noch einer. Und noch einer. Das Scheitern ist hier nicht der Feind des Lernens. Das Scheitern ist der Rohstoff.

Zwei Unternehmen machen das gerade auf beeindruckende Weise vor. Das eine heißt Physical Intelligence, das andere Figure AI. Beide bauen Roboter, die sich in der wirklichen, unordentlichen, physischen Welt bewegen sollen — nicht in einer sauberen Simulation, sondern dort, wo Gläser rutschen, Türklinken klemmen und Wäsche sich unberechenbar faltet. Und wenn man genau hinschaut, wie sie diese Roboter besser machen, stößt man auf eine überraschende Antwort. Sie erfinden nicht in erster Linie eine neue, geniale Modellarchitektur, ein völlig neues mathematisches Gehirn. Sie sammeln vor allem eines: Bewegung. Millionen und Abermillionen realer Bewegungssequenzen. Greifen, Drehen, Heben, Fallenlassen, Nachfassen. Aus diesen unzähligen realen Versuchen entsteht das, was die Maschine am Ende wirklich klug macht.

Und hier liegt die erste Irritation, der wir in dieser Geschichte begegnen. Wir alle glauben instinktiv, der Roboter sei das Wertvolle. Das glänzende Gerät, die Hardware, das sichtbare Wunder. Doch das stimmt nicht. Der Roboter selbst ist vergleichsweise austauschbar. Der eigentliche Schatz sind die beobachteten Bewegungen — dieser riesige, mühsam gesammelte Erfahrungsschatz aus tausend kleinen Fehlgriffen. Man könnte den Arm über Nacht durch ein anderes Modell ersetzen. Aber die Erfahrung, die in diesen Daten steckt, kann man nicht einfach nachbauen. Sie musste erlebt werden, Sturz für Sturz. [sighs]

Und jetzt tritt eine Stimme auf, die uns in dieser ganzen Geschichte begleiten wird, laut und schillernd und verführerisch. Nennen wir sie den KI-Hype. Sie ist der Trickster in unserem Stück, die grelle Euphorie, die uns ununterbrochen zuruft: Habt ihr das neueste Modell schon gesehen? Habt ihr die neuen Benchmark-Werte gelesen? Der Trickster liebt Namen und Zahlen, er liebt die große Bühne der Modelle, und er will unbedingt, dass wir genau dorthin schauen. Auf das nächste, noch größere, noch schnellere künstliche Gehirn.

Was der Trickster aber geschickt verdeckt, ist dies: Während wir gebannt über Modelle reden, entsteht der eigentliche Wert längst leise woanders. [whispers] Nicht im Rampenlicht der Architektur, sondern im Halbdunkel des Labors, bei jedem einzelnen umgefallenen Glas.

Und damit steht die Frage im Raum, die uns durch dieses ganze Buch tragen wird. Wenn die Modelle selbst immer ähnlicher, immer verfügbarer, immer austauschbarer werden — wenn also jeder Zugriff auf ein starkes künstliches Gehirn hat —, was bleibt dann überhaupt noch als echter Vorsprung? Was unterscheidet den Gewinner vom Verlierer, wenn das Werkzeug für alle dasselbe ist?

Um das zu verstehen, müssen wir den Roboterarm für einen Moment verlassen und dorthin gehen, wo dieser Wettlauf am lautesten tobt: mitten hinein in den großen Kampf der Sprachmodelle.

… weiterlesen und weiterhören nach der kostenlosen Registrierung.