Wissensexplosion

Eine Forscherin und ihr Assistent

Maria ist Strukturbiologin. Ihre Arbeit dreht sich darum, die dreidimensionale Form von Proteinen zu verstehen – die mikroskopischen Maschinen, aus denen alles Leben aufgebaut ist. Zwanzig Jahre lang hat sie Roentgenstrahlen, Kryomikroskope und endlose Geduld eingesetzt, um zu enthüllen, wie sich diese Moleküle falten.

Im Jahr 2021 passierte etwas, das alles veränderte.

Ein KI-System namens AlphaFold konnte plötzlich in Sekunden das tun, wofür sie zuvor Monate brauchte. Nicht durch Raten, sondern durch Vorhersage von Proteinstrukturen mit fast der gleichen Präzision wie ihre Laborgeräte. Als sie die Ergebnisse zum ersten Mal sah, dachte sie, es handele sich um einen Fehler. Das war es nicht.

Jetzt, vier Jahre später, sitzt Maria in ihrem Büro und grübelt darüber, was aus ihrem Fach eigentlich geworden ist. Sie benutzt immer noch das Labor – es gibt Dinge, die AlphaFold nicht sehen kann, Nuancen, die es übersieht. Aber ihre Rolle hat sich verändert. Sie ist nicht mehr primär diejenige, die Strukturen findet. Sie ist diejenige, die Fragen stellt, von denen die Maschine nicht weiss, dass sie sie stellen sollte.

Ihre jüngeren Kollegen erleben das anders. Sie haben nie eine Welt gekannt, in der Proteinstrukturbestimmung ein Lebensprojekt war. Für sie ist AlphaFold einfach ein weiteres Werkzeug – wie die PCR-Maschine oder der Sequenzierroboter. Sie wundern sich, dass Maria das jemals auf die langsame Art gemacht hat.

Marias Geschichte ist nicht einzigartig. Variationen davon spielen sich gerade in Laboren, in Büros, in Kreativstudios auf der ganzen Welt ab. Etwas ist dabei, sich an der Art zu verändern, wie wir Wissen produzieren. Die Frage ist, was das bedeutet.

Worum es in dieser Analyse geht

Du hältst ein Dokument in der Hand, das versucht, diese Veränderung zu verstehen – nicht indem es vorhersagt, was genau passieren wird, sondern indem es dir ein Begriffsapparat gibt, um über die Möglichkeiten nachzudenken.

Die Kernbeobachtung ist einfach: Wissen erzeugt Wissen. Je mehr wir wissen, desto mehr neue Fragen können wir stellen, und desto mehr neue Antworten können wir finden. Das war schon immer so. Das Neue ist, dass wir jetzt Systeme haben, die an diesem Prozess auf Weisen teilnehmen können, die wir vorher nicht hatten.

Wir werden eine überraschende Analogie verwenden, um dies zu erkunden: Epidemiologie, die Lehre davon, wie sich Krankheiten ausbreiten. Nicht weil Wissen eine Krankheit ist – das ist es definitiv nicht – sondern weil die mathematischen Modelle, die Epidemiologen über ein Jahrhundert entwickelt haben, etwas Wichtiges über selbstverstärkende Prozesse einfangen. Und Wissen ist in hohem Masse ein selbstverstärkender Prozess.

Die Analogie hat einen unbequemen Punkt: Epidemien hören normalerweise auf, weil Menschen immun werden. Wenn genügend Menschen die Krankheit hatten, kann sie sich nicht weiter ausbreiten. Aber Wissen hat keine Herdenimmunität. Wir werden nicht satt davon, Dinge zu wissen. Im Gegenteil – je mehr wir wissen, desto mehr können wir lernen.

Das wirft eine Frage auf, um die diese Analyse kreisen wird: Wenn es keine natürliche Bremse gibt, was stoppt dann das Wachstum?

Was dies nicht ist

Bevor wir weitermachen, sollten wir ehrlich sein darüber, was dieses Dokument nicht ist.

Es ist keine Prophezeiung. Wir werden dir nicht sagen, wann KI die menschliche Intelligenz übertrifft, ob die Singularität 2035 oder 2050 kommt, oder ob dein Beruf sicher ist. Wir wissen es nicht, und wir würden niemandem glauben, der behauptet, es zu wissen.

Es ist auch kein mathematischer Beweis. Wir benutzen unterwegs Gleichungen – sie helfen, unsere Annahmen deutlich zu machen – aber wir lösen sie nicht genau, und wir kalibrieren sie nicht anhand von Daten. Das ist kein Fehler in der Analyse; es ist eine Anerkennung dessen, dass wir die Daten nicht haben, die dafür nötig wären.

Was wir anbieten, ist ein Begriffsapparat. Eine Weise, Gedanken über ein komplexes Thema zu organisieren. Ein Rahmen, der dir helfen kann, bessere Fragen zu stellen, auch wenn er keine endgültigen Antworten gibt.

Wir glauben, dass das Wert hat. Aber wir bitten dich, kritisch zu lesen. Frag dich unterwegs: Hält diese Analogie? Ist diese Annahme vernünftig? Was übersehen die Autoren?

Viel Vergnügen beim Lesen.

---

Wissen als Ansteckung

Um zu verstehen, wohin wir unterwegs sind, müssen wir zunächst einen Umweg durch die Epidemiologie nehmen – den Zweig der Medizin, der untersucht, wie sich Krankheiten in Bevölkerungen ausbreiten.

Du denkst vielleicht: Was haben ansteckende Krankheiten mit künstlicher Intelligenz zu tun? Die Antwort ist: mehr als du denkst. Nicht weil Wissen buchstäblich eine Krankheit ist, sondern weil die mathematischen Modelle, die Epidemiologen über ein Jahrhundert entwickelt haben, etwas Tiefes über selbstverstärkende Prozesse einfangen. Und Wissensverbreitung ist genau so ein Prozess.

Grippe im Büro

Stell dir ein offenes Grossraumbüro mit hundert Menschen vor. An einem Montagmorgen kommt eine Person krank zur Arbeit – nennen wir ihn Erik. Erik hat Grippe, aber er weiss es noch nicht. Er fühlt sich nur etwas müde.

Im Laufe des Tages niest Erik ein paar Mal, fasst Türklinken an, isst in der Kantine zu Mittag. Ohne es zu wissen, steckt er drei seiner Kollegen an. Am Dienstag sind vier Menschen krank. Am Mittwoch sind elf krank. Am Donnerstag häufen sich die Krankmeldungen.

Aber dann passiert etwas Interessantes. Die Ausbreitung verlangsamt sich. Nicht weil das Virus schwächer geworden ist, sondern weil immer mehr der Menschen, die Erik und die anderen Kranken treffen, bereits krank waren. Sie sind immun geworden. Wenn die Hälfte des Büros die Grippe hatte, ist es schwer für das Virus, neue Opfer zu finden. Die Epidemie stirbt aus.

Dieses Muster – schnelles Wachstum, das sich allmählich verlangsamt und schliesslich stoppt – hat eine präzise mathematische Beschreibung. 1927 formulierten die schottischen Forscher Kermack und McKendrick das Modell, das wir noch heute verwenden.

Das SIR-Modell

Das Modell teilt die Bevölkerung in drei Gruppen:

S steht für susceptible – empfänglich. Das sind alle, die noch nicht krank waren und daher angesteckt werden können.

I steht für infected – infiziert. Das sind die, die die Krankheit gerade haben und andere anstecken können.

R steht für recovered – genesen. Das sind die, die die Krankheit überstanden haben und jetzt immun sind.

Das Schöne am Modell ist, dass es erklärt, warum Epidemien aufhören. Jeden Tag stecken die Infizierten einige der Empfänglichen an, die dann selbst infiziert werden. Aber jeden Tag werden auch einige der Infizierten gesund und wechseln in die Gruppe der Immunen. Mit der Zeit schrumpft der Pool der empfänglichen Menschen, weil sie entweder krank geworden sind oder Glück gehabt und es vermieden haben.

Wenn der Pool der Empfänglichen klein genug wird, kann jede kranke Person im Durchschnitt nicht mehr mehr als eine andere anstecken. Dann beginnt die Zahl der Kranken zu fallen. Die Epidemie brennt aus.

Das ist Herdenimmunität. Es ist der Grund, warum nicht alle an der Pest sterben, warum Grippe saisonal ist, warum Masern verschwanden, als wir genug Kinder impften. Epidemien haben eine natürliche Bremse.

Jetzt denk an Ideen

Lass uns das auf Wissen übertragen.

Stell dir vor, eine Forscherin hat eine neue Idee – sagen wir, eine neue Art, eine bestimmte Krebsform zu behandeln. Sie veröffentlicht ein Paper. Andere Forscher lesen es, werden inspiriert, bauen darauf auf. Jemand kombiniert ihre Idee mit etwas aus einem ganz anderen Feld. Neue Papers werden geschrieben. Die Idee breitet sich aus.

Bis hierhin sieht es aus wie eine Epidemie. Aber hier kommt der entscheidende Unterschied.

Wenn du über die neue Behandlungsmethode gelesen hast, wirst du nicht immun gegen weitere Ideen. Du wirst tatsächlich das Gegenteil: empfänglicher. Jetzt weisst du etwas, was du vorher nicht wusstest. Jetzt kannst du Papers verstehen, die auf diesem Wissen aufbauen. Jetzt kannst du es mit Dingen kombinieren, die du schon vorher wusstest, und vielleicht etwas ganz Neues schaffen.

In epidemiologischen Begriffen: Im Wissenssystem werden Menschen nicht recovered. Sie bleiben susceptible – nein, sie werden empfänglicher. Je mehr du weisst, desto mehr neue Ideen kannst du aufnehmen.

Es ist, als würde Grippe dich besser darin machen, andere Krankheiten zu fangen.

Rekombination: Wenn Wissen auf Wissen trifft

Es gibt noch einen weiteren Effekt, der Wissen fundamental anders macht als Ansteckung.

Denk an einen Biochemiker, der Programmieren lernt. Oder eine Linguistin, die Statistik lernt. Oder einen Architekten, der von neuen Materialien erfährt. In jedem Fall passiert etwas Interessantes: Die beiden Wissensfelder kollidieren, und aus der Kollision kann etwas entstehen, das keines der Felder allein hätte schaffen können.

Bioinformatik entstand, als Biologie auf Informatik traf. Verhaltensökonomie entstand, als Ökonomie auf Psychologie traf. Materialphysik wurde revolutioniert, als Quantenphysik auf Chemie traf.

Mathematiker nennen das kombinatorische Explosion. Wenn du zehn Ideen hast, kannst du sie im Prinzip auf 45 verschiedene Arten kombinieren (jedes Paar). Wenn du hundert Ideen hast, gibt es 4.950 mögliche Paare. Wenn du tausend Ideen hast, gibt es fast eine halbe Million Paare.

Je mehr wir wissen, desto mehr Kombinationen sind möglich. Und viele Durchbrüche kommen genau von unerwarteten Kombinationen – von Menschen, die etwas über zwei Felder wussten, die normalerweise nicht miteinander sprachen.

Warum das jetzt relevant ist

Tausende von Jahren lang wuchs das gesamte Wissen der Menschheit langsam. Ein Philosoph im antiken Athen konnte realistischerweise das meiste von dem kennen, was wissenswert war. Ein Wissenschaftler im 17. Jahrhundert konnte noch mehreren Feldern folgen. Heute ist Spezialisierung unvermeidlich – es gibt einfach zu viel zu wissen.

Aber unsere Gehirne haben sich nicht verändert. Wir lesen immer noch mit der gleichen Geschwindigkeit, erinnern immer noch etwa das Gleiche, haben immer noch nur 24 Stunden am Tag.

Diese menschlichen Begrenzungen haben als unsichtbare Bremse des Wissenswachstums funktioniert. Keine Herdenimmunität – die gibt es wie gesagt nicht für Wissen – aber ein praktischer Flaschenhals. Es gab Grenzen dafür, wie schnell Menschen neue Ideen generieren, verbreiten und aufnehmen konnten.

Jetzt haben wir Systeme, die nicht die gleichen Begrenzungen haben.

Sie lesen schneller als wir. Sie erinnern mehr als wir. Sie können Wissen aus Feldern kombinieren, die kein Mensch jemals gleichzeitig beherrscht hat. Sie schlafen nicht.

Die Frage ist nicht mehr, ob Wissen sich schnell verbreiten kann. Das konnte es immer, im Prinzip. Die Frage ist, was passiert, wenn die praktischen Bremsen – die menschlichen Begrenzungen – anfangen, sich zu lösen.

Das ist das Thema für den Rest dieser Analyse.

---

Zwei Arten von Wissen

Bevor wir weitergehen, müssen wir innehalten und zwischen zwei Dingen unterscheiden, die oft vermischt werden. Es ist vielleicht die wichtigste Unterscheidung in dieser gesamten Analyse.

Gerüchte und Nachrichten

Du kennst den Unterschied aus dem Alltag.

Jemand sagt: “Ich habe gehört, dass der Laden an der Ecke schliesst.” Das ist ein Gerücht. Vielleicht stimmt es, vielleicht nicht. Du hast keine Ahnung, woher die Information kommt oder wie zuverlässig sie ist.

Aber wenn du in der Lokalzeitung liest, dass der Laden Insolvenz angemeldet hat, ist das anders. Ein Journalist hat es überprüft. Es gibt eine Quelle – eine öffentliche Registrierung, eine Aussage des Eigentümers. Die Information ist validiert worden.

Beides ist Information. Nur eines davon ist bestätigtes Wissen.

Hypothesen und validiertes Wissen

In der Wissenschaft haben wir genau die gleiche Unterscheidung, nur mit formaleren Regeln.

Eine Hypothese ist eine Idee, die wahr sein könnte. Es ist ein Vorschlag, ein Entwurf, eine Vermutung. “Vielleicht wirkt dieser Stoff gegen Krebs.” “Vielleicht faltet sich das Protein auf diese Weise.” “Vielleicht gibt es einen Zusammenhang zwischen diesen beiden Phänomenen.”

Hypothesen sind billig zu produzieren. Eine kluge Person mit einem guten Nachmittag kann zehn Hypothesen generieren. Deshalb sagte Einstein, dass Phantasie wichtiger ist als Wissen – weil Phantasie die Hypothesen schafft, die das Wissen dann testen muss.

Aber Hypothesen sind kein Wissen. Sie sind Kandidaten für Wissen.

Validiertes Wissen ist etwas anderes. Es sind Hypothesen, die Tests überstanden haben. Der Stoff wirkte tatsächlich gegen Krebs – in Zellkulturen, in Mäusen, in klinischen Studien mit Tausenden von Patienten. Das Protein faltet sich tatsächlich auf diese Weise – bestätigt durch Röntgenkristallographie, durch Kryomikroskopie, durch unabhängige Labore. Der Zusammenhang hält tatsächlich – repliziert von anderen Forschern, mit anderen Daten, in anderen Ländern.

Validierung ist teuer, langsam und mühsam. Deshalb braucht Wissenschaft Zeit.

H und K

Lass uns den beiden Dingen Namen geben, damit wir präzise über sie sprechen können.

Wir nennen den Pool unvalidierter Hypothesen H. Das sind alle Ideen, die im System herumschwirren – Papers, die noch nicht peer-reviewed sind, Theorien, die noch nicht getestet sind, Vermutungen, die noch nicht bestätigt sind. H wächst jedes Mal, wenn jemand eine Idee hat.

Wir nennen den Pool validierten Wissens K. Das ist, was wir tatsächlich wissen – die Ergebnisse, die getestet wurden und gehalten haben, die Theorien, die Falsifikationsversuche überstanden haben, die Medikamente, die tatsächlich wirken. K wächst nur, wenn eine Hypothese die Validierung überlebt.

Das Verhältnis zwischen H und K ist zentral, um zu verstehen, was mit dem Wissenssystem passiert.

Der Flaschenhals der Validierung

Historisch war Validierung ein Flaschenhals. Es dauert einfach lange, Dinge ordentlich zu testen.

Nimm Fermats letzten Satz. 1637 schrieb der Mathematiker Pierre de Fermat eine Notiz an den Rand eines Buches: Er hatte einen “wunderbaren Beweis” gefunden, dass die Gleichung x^n + y^n = z^n keine ganzzahligen Lösungen für n > 2 hat. Er starb, ohne den Beweis aufzuschreiben.

358 Jahre lang war es eine Hypothese. Mathematiker auf der ganzen Welt versuchten, sie zu beweisen. Erst 1995 gelang es Andrew Wiles – nach sieben Jahren intensiver Arbeit.

Das ist ein extremes Beispiel, aber das Muster ist allgemein. Validierung braucht Zeit.

Ein neues Medikament braucht typischerweise 10-15 Jahre von der ersten Idee bis zur Zulassung. Zuerst muss es in Zellkulturen getestet werden. Dann in Tieren. Dann in kleinen Gruppen von Menschen. Dann in grossen Gruppen. Jeder Schritt dauert Jahre und kostet Millionen.

Diese Langsamkeit hat als natürliche Regulierung des Verhältnisses zwischen H und K funktioniert. Hypothesen konnten schnell generiert werden, aber sie stauten sich vor dem Flaschenhals der Validierung. Das System konnte nicht ausser Kontrolle geraten, weil die Validierung es zurückhielt.

AlphaFold und die Validierung der Zukunft

Jetzt passiert etwas Interessantes.

Wir erwähnten AlphaFold in der Einleitung. Schauen wir genauer hin, was das eigentlich bedeutet.

Vor AlphaFold war Proteinstrukturbestimmung eine Form der Validierung. Du hattest eine Hypothese darüber, wie sich ein Protein faltet. Um sie zu validieren, musstest du das Protein kristallisieren, es mit Röntgenstrahlen bombardieren, das Beugungsmuster analysieren. Das dauerte Monate oder Jahre, erforderte spezialisierte Ausrüstung und Expertise, und funktionierte nicht immer.

AlphaFold änderte die Gleichung. Plötzlich konntest du eine Strukturvorhersage in Sekunden bekommen – mit einer Genauigkeit, die in vielen Fällen experimentellen Methoden entsprach. Es ist nicht perfekt. Es gibt immer noch Dinge, die Laborarbeit erfordern. Aber für einen grossen Teil des Proteinuniversums hat KI die Validierung schneller gemacht.

Das gleiche Muster wiederholt sich anderswo. Wettermodelle, die früher Tage Supercomputer-Zeit brauchten, können jetzt in Stunden laufen. Materialsimulationen, die früher unpraktisch waren, sind jetzt Routine. Mathematische Vermutungen, die früher menschliches Genie erforderten, werden jetzt von symbolischen Systemen gelöst.

Der Flaschenhals wird breiter.

Was passiert dann?

Hier ist die zentrale Frage: Wenn Validierung schneller wird, was passiert dann mit dem Verhältnis zwischen H und K?

Im alten Regime war H gross und wachsend, während K langsam wuchs. Es gab eine wachsende “Schuld” von unvalidierten Hypothesen.

Im neuen Regime – falls es kommt – kann K anfangen, schneller zu wachsen. Hypothesen können fast so schnell validiert werden, wie sie generiert werden.

Aber warte. Erinnere dich, was wir über Wissen sagten: Es schafft mehr Wissen. Wenn K schneller wächst, werden auch mehr neue Hypothesen generiert. Und wenn die schneller validiert werden können…

Du siehst, wohin das führt. Wir beginnen, die Umrisse eines selbstverstärkenden Prozesses zu erkennen.

Aber bevor wir das erforschen, müssen wir über noch eine Zutat sprechen: Rechenleistung.

---

Die Rolle der Rechenleistung

Alles, worüber wir bisher gesprochen haben – KI-Systeme, die Proteinstrukturen vorhersagen, Modelle, die Wetter simulieren, Maschinen, die Hypothesen generieren und validieren – hat eines gemeinsam. Sie brauchen Rechenleistung. Enorme Mengen an Rechenleistung.

Also müssen wir, bevor wir verstehen können, wohin das Wissenssystem unterwegs ist, verstehen, was mit den Computern passiert.

Was ist Rechenleistung?

Lass uns ganz am Anfang beginnen. Ein Computer ist im Wesentlichen eine Maschine, die einfache Rechenoperationen ausführen kann – Addition, Subtraktion, Vergleich von Zahlen – unglaublich schnell. Wenn wir von “Rechenleistung” oder “Compute” sprechen, meinen wir, wie viele dieser Operationen eine Maschine pro Sekunde ausführen kann.

Dein Handy kann Milliarden von Operationen pro Sekunde ausführen. Ein modernes Rechenzentrum kann Billionen. Die grössten Supercomputer der Welt erreichen Trillionen – das ist eine Zahl mit achtzehn Nullen.

Diese Zahlen sind so gross, dass sie schwer zu begreifen sind. Aber hier ist, was wichtig ist: Sie wachsen. Und sie wachsen seit Jahrzehnten.

Moores Gesetz und seine Freunde

1965 bemerkte Gordon Moore, einer der Gründer von Intel, ein interessantes Muster. Die Anzahl der Transistoren – die mikroskopischen Schalter, aus denen ein Computerchip besteht – verdoppelte sich etwa alle zwei Jahre. Und weil mehr Transistoren mehr Rechenleistung bedeuten, bedeutete das, dass Computer mit dem gleichen Intervall doppelt so leistungsfähig wurden.

Dieses Muster hielt über fünfzig Jahre. Dein Smartphone heute ist Millionen Mal leistungsfähiger als die Computer, die Menschen zum Mond schickten.

Aber Moores Gesetz handelt von Transistoren, und Transistoren haben eine physische Grösse. Wir sind jetzt bei Grössen, wo quantenmechanische Effekte anfangen zu stören. Ein Transistor ist nur noch wenige Atome breit. Es gibt eine Grenze dafür, wie klein sie werden können.

Das hat viele fragen lassen: Stossen wir an die Mauer? Stoppt das Wachstum der Rechenleistung?

Die Antwort ist: Vielleicht für klassische Silizium-Chips. Aber es gibt andere Wege.

Vier neue Paradigmen

Stell dir vor, dir geht auf der Landstrasse der Sprit aus. Du kannst versuchen, die letzten Tropfen aus dem Tank zu pressen. Oder du kannst auf eine andere Art Treibstoff umsteigen.

Etwas Ähnliches passiert gerade in der Computerindustrie. Während die klassischen Chips ihre Grenzen erreichen, reifen mehrere alternative Technologien heran.

Quantencomputer nutzen die seltsamen Eigenschaften der Quantenmechanik, um bestimmte Probleme exponentiell schneller zu lösen als klassische Computer. Googles Willow-Chip und IBMs Roadmap zu 100.000 Qubits bis 2033 sind Meilensteine. Wir sind weit davon entfernt, dass Quantencomputer deinen Laptop ersetzen – aber für bestimmte Aufgaben werden sie nutzbar.

Neuromorphe Chips ahmen die Architektur des Gehirns nach. Anstatt Speicher und Berechnung zu trennen, wie traditionelle Computer es tun, integrieren sie sie – wie deine Neuronen. Das Ergebnis sind Systeme, die einen Bruchteil der Energie für bestimmte Aufgaben verbrauchen, besonders Mustererkennung.

Photonische Computer benutzen Licht statt Elektronen. Licht bewegt sich schneller und erzeugt weniger Wärme. Wir sind noch in den frühen Stadien, aber das Potenzial ist enorm.

Thermodynamische Computer sind vielleicht die exotischste Alternative. Anstatt thermisches Rauschen zu bekämpfen – die zufällige Bewegung von Atomen, die normalerweise der Feind ist – nutzen sie es aus. Es klingt wie Science Fiction, aber es gibt Startups, die daran arbeiten.

Der Punkt ist nicht vorherzusagen, welche dieser Technologien erfolgreich sein werden. Der Punkt ist, dass es mehrere Wege nach vorne gibt. Wenn auch nur eine von ihnen deutliche Verbesserungen liefert, setzt sich das Wachstum der Rechenleistung fort. Wenn mehrere erfolgreich sind, beschleunigt es sich.

Die doppelte Spirale

Jetzt kommen wir zu etwas Wichtigem. Denn Rechenleistung und Wissen sind keine unabhängigen Grössen. Sie beeinflussen sich gegenseitig.

Denk von der einen Seite darüber nach: Mehr Rechenleistung gibt mehr Wissen. AlphaFold brauchte enorme Mengen Compute zum Trainieren. Jede neue Generation von KI-Modellen ist grösser und braucht mehr Ressourcen. Wenn wir mehr Rechenleistung haben, können wir mehr Experimente durchführen, grössere Modelle trainieren, komplexere Systeme simulieren. Compute produziert Wissen.

Aber es funktioniert auch andersherum: Mehr Wissen gibt mehr Rechenleistung. Besseres Verständnis von Materialien gibt bessere Chips. Bessere Algorithmen machen unsere Berechnungen effizienter. Bessere KI-Systeme helfen dabei, die nächste Generation von Hardware zu entwerfen.

AlphaChip ist ein konkretes Beispiel. Googles KI-System entwirft jetzt Chip-Layouts schneller und oft besser als menschliche Ingenieure. KI hilft dabei, die Hardware zu bauen, auf der KI läuft.

Wenn zwei Dinge sich auf diese Weise gegenseitig verstärken, nennen wir das einen Feedback-Loop. Es ist wie Zinseszins: Je mehr du hast, desto schneller wächst es, und desto mehr bekommst du, sodass es noch schneller wächst.

Zinseszins für Wissen

Lass uns einen Moment bei dieser Analogie verweilen, denn Feedback-Loops sind zentral, um zu verstehen, was möglicherweise passiert.

Stell dir vor, du legst 1.000 Euro bei 5% Zinsen auf die Bank. Nach einem Jahr hast du 1.050 Euro. Im nächsten Jahr bekommst du 5% von 1.050 – also 52,50 Euro. Im Jahr danach bekommst du 5% von 1.102,50 Euro. Und so weiter.

Am Anfang ist der Unterschied kaum merkbar. Aber mit der Zeit beschleunigt sich das Wachstum. Nach 50 Jahren hast du nicht 3.500 Euro (1.000 plus 50 mal 50 Euro), sondern über 11.000 Euro. Nach 100 Jahren hast du über 130.000 Euro.

Das ist exponentielles Wachstum: Die Wachstumsrate ist proportional dazu, wie viel du schon hast.

Jetzt stell dir einen noch stärkeren Effekt vor: Was wäre, wenn der Zinssatz selbst stiege, je mehr Geld du hast? Was wäre, wenn 10.000 Euro zu haben dir nicht nur 5% Zinsen gäbe, sondern 6%? Und 100.000 Euro gäben 7%?

Das wäre schneller als exponentielles Wachstum. Mathematiker nennen es super-exponentielles oder sogar hyperbolisches Wachstum.

Unsere These – und es ist eine These, kein Beweis – ist, dass das Wissenssystem diese Struktur haben könnte. Mehr Wissen gibt mehr Rechenleistung, was mehr Wissen gibt, was bessere Methoden zur Wissenserzeugung gibt, was alles beschleunigt.

Ob es tatsächlich passiert, wissen wir nicht. Aber die Struktur ist da.

---

Grenzen, die sich bewegen

Jetzt müssen wir über etwas sprechen, das kontraintuitiv erscheinen mag. Es ist auch das kontroverseste Argument in dieser Analyse, also bitten wir dich, es mit kritischem Blick zu lesen.

Wenn Experten die Zukunft von KI und Wissenserstellung diskutieren, weisen sie oft auf Begrenzungen hin. Manche sagen: “Validierung erfordert physische Experimente, und die kann man nicht beschleunigen.” Andere sagen: “Infrastruktur braucht Jahrzehnte zum Aufbau.” Wieder andere: “Der Energieverbrauch ist nicht tragbar.”

Wir bestreiten nicht, dass diese Begrenzungen existieren. Das tun sie. Die Frage ist, ob sie dauerhaft sind.

Zwei Arten von Begrenzungen

Denk über den Unterschied zwischen diesen beiden Aussagen nach:

“Man kann nicht schneller als das Licht reisen.”

“Man kann nicht in weniger als einer Stunde von Kopenhagen nach New York fliegen.”

Das erste ist ein fundamentales physikalisches Gesetz. Soweit wir wissen, gilt es überall im Universum, zu allen Zeiten. Keine Menge technologischer Entwicklung wird das ändern.

Das zweite war 1950 wahr, ist aber nicht notwendigerweise dauerhaft. Die Concorde schaffte es in drei Stunden. Zukünftige Hyperschallflugzeuge können es vielleicht schneller schaffen. Die Begrenzung war nicht Physik – sie war Technologie.

Wir benutzen zwei Wörter, um zwischen diesen Typen zu unterscheiden:

Exogene Begrenzungen sind solche, die nicht davon abhängen, wie viel wir wissen. Die Lichtgeschwindigkeit ist exogen. Die Gesetze der Thermodynamik sind exogen. Die Regeln der Mathematik sind exogen. Sie sind äussere Grenzen, die die Realität setzt.

Endogene Begrenzungen sind solche, die selbst von Wissen abhängen. “Wir können X nicht tun” bedeutet oft “wir wissen noch nicht, wie man X macht.” Diese Grenzen können sich verschieben, während wir mehr lernen.

Hier ist der zentrale Punkt: Viele der Begrenzungen, auf die Experten hinweisen, sind nicht exogen. Sie sind endogen. Sie sehen aus wie feste Mauern, aber sie sind eher Nebelwände, die sich lichten können.

Drei Geschichten über “Unmöglichkeiten”

Schauen wir uns einige Beispiele aus der Geschichte an.

Fliegen (1895)

Ende des 19. Jahrhunderts waren sich die meisten Experten einig, dass Flugmaschinen schwerer als Luft unmöglich waren. Lord Kelvin – einer der angesehensten Physiker der Zeit – sagte es direkt. Die Argumente waren scheinbar überzeugend: Vögel sind leicht für ihre Grösse, haben perfektionierte Flügel und kämpfen trotzdem mit dem Fliegen. Wie sollte eine schwere Maschine mit einem Menschen an Bord jemals abheben?

Acht Jahre später flogen die Gebrüder Wright.

Die Begrenzung war nicht Physik. Es war unser Verständnis von Aerodynamik. Als wir mehr wussten, konnten wir mehr.

Computer (1943)

Thomas Watson, der Direktor von IBM, sagte angeblich 1943: “Ich glaube, es gibt einen Weltmarkt für vielleicht fünf Computer.”

Das klingt heute lächerlich. Aber denk daran, wie ein Computer 1943 aussah: Er füllte einen ganzen Raum, kostete ein Vermögen, brauchte Spezialisten zur Bedienung und ging ständig kaputt. Sich einen in jedem Zuhause vorzustellen – oder in jeder Tasche – war absurd.

Die Begrenzung war nicht Nachfrage oder Physik. Es war unsere Fähigkeit, kleine, billige, zuverlässige Computer zu bauen. Als wir mehr wussten, konnten wir mehr.

Das Internet (1995)

Robert Metcalfe, der Erfinder von Ethernet, sagte 1995 voraus, dass das Internet im folgenden Jahr katastrophal zusammenbrechen würde. Er war kein zufälliger Skeptiker – er war einer der Menschen, die die Technologie am besten verstanden.

Seine Argumente waren technisch und scheinbar solide: Die Infrastruktur konnte das Wachstum nicht bewältigen, die Protokolle waren nicht robust genug, das System war zu zerbrechlich.

Er irrte sich. Nicht weil seine Analyse dumm war, sondern weil er unterschätzte, wie schnell wir die Probleme lösen würden. Die Begrenzung war nicht Infrastruktur. Es war unser Wissen darüber, wie man skalierbare Infrastruktur baut.

Das Muster

Diese Geschichten sind nicht zufällig. Es gibt ein Muster.

Immer wieder haben Experten auf Begrenzungen hingewiesen, die absolut schienen, sich aber als relativ erwiesen. “Unmöglich” bedeutete “wir wissen nicht wie.” Und als wir lernten wie, verschob sich die Grenze.

Das bedeutet nicht, dass alle Begrenzungen endogen sind. Manche sind wirklich fundamental. Aber es bedeutet, dass wir vorsichtig sein sollten anzunehmen, dass die Begrenzungen von heute dauerhaft sind.

Was wirklich exogen ist

Um zu vermeiden, dass dieses Argument zu einem Freifahrtschein wird, alle Kritik abzulehnen, lass uns präzise sein darüber, was wir als echte exogene Begrenzungen betrachten:

Der zweite Hauptsatz der Thermodynamik: Entropie – Unordnung – wächst immer in geschlossenen Systemen. Man kann keine Perpetuum-Mobile bauen. Keine Menge Wissen ändert das.

Die Lichtgeschwindigkeit: Information kann sich nicht schneller als Licht bewegen. Das setzt fundamentale Grenzen für Kommunikation und Koordination.

Die Landauer-Grenze: Es gibt eine Mindestmenge Energie, die zum Löschen eines Bits Information nötig ist. Computer können nicht unendlich effizient werden.

Quantenmechanische Unschärfe: Es gibt eine Grenze dafür, wie genau wir bestimmte Dinge gleichzeitig messen können. Heisenbergs Unschärferelation ist kein technisches Problem, das wir lösen können.

Logische Konsistenz: Mathematik kann sich nicht selbst widersprechen. Ein Beweis ist ein Beweis.

Wenn jemand unsere Analyse kritisiert, indem er sich auf diese Grenzen beruft, sollten wir zuhören. Das sind echte Grenzen.

Aber wenn die Kritik ist “Infrastruktur braucht Jahrzehnte zum Aufbau” oder “Validierung erfordert physische Experimente” oder “wir haben nicht genug Energie”, dann sollten wir fragen: Ist das wirklich exogen? Oder ist es etwas, das neues Wissen ändern könnte?

Die unbequeme Implikation

Hier ist, warum das wichtig ist.

Vieles von der seriösen Kritik an beschleunigender KI-Entwicklung hat die Form: “Das kann nicht so schnell passieren, weil X bremst.”

Wenn X wirklich exogen ist, ist die Kritik gültig. Wenn X endogen ist, ist die Kritik potenziell zirkulär. Sie nimmt an, dass die Begrenzungen von heute halten werden – aber wenn Wissen schnell wächst, ändern sich die Begrenzungen vielleicht auch.

Wir sagen nicht, dass die Kritiker falsch liegen. Wir sagen, dass ihre Argumente oft auf einer versteckten Annahme aufbauen, die sie nicht begründet haben: dass die Welt von heute dauerhaft ist.

Das ist genauso eine Annahme wie unsere Analyse. Keiner von uns weiss, was die Zukunft bringt.

---

Fünf Zukünfte

Wir haben jetzt alle Teile zusammen: Wissen, das sich selbst verstärkt. Validierung, die schneller wird. Rechenleistung, die wächst. Begrenzungen, die vielleicht endogen sind.

Wie setzen wir das zusammen? Was kann passieren?

In diesem Kapitel werden wir fünf qualitativ verschiedene Szenarien beschreiben – fünf mögliche Zukünfte. Nicht weil wir glauben, dass eines davon richtig ist, sondern weil sie helfen, über das Spektrum der Möglichkeiten nachzudenken.

Denk an sie als Karten eines Geländes, das wir noch nicht besucht haben.

Zukunft 1: Sättigung

Stell dir vor, wir schreiben das Jahr 2040. Die Welt sieht in groben Zügen aus wie 2025, nur etwas besser.

KI ist allgegenwärtig und nützlich. Sie schreibt deine E-Mails, plant deine Meetings, hilft Ärzten bei Diagnosen. Aber sie hat nicht fundamental verändert, wie Wissenschaft funktioniert. Labore sehen immer noch ungefähr aus wie vorher. Artikel werden immer noch von Menschen geschrieben. Fortschritt kommt immer noch langsam.

Was ist passiert? Die Begrenzungen, auf die die Experten hinwiesen, erwiesen sich als haltbar. Der Energieverbrauch setzte eine Obergrenze. Der Algorithmusfortschritt stagnierte. Quantencomputer blieben eine Nische. KI wurde ein mächtiges Werkzeug, aber kein Mitforscher.

In diesem Szenario hatten die Skeptiker recht. Das Ende von Moores Gesetz markierte eine neue Ära langsameren Fortschritts. Die S-Kurve flachte ab, wie sie es für so viele frühere Technologien getan hat.

Es gibt eine historische Parallele: Atomkraft. In den 1950er Jahren glaubten viele, dass Kernkraft alles revolutionieren würde – billige, saubere, unbegrenzte Energie. Das passierte nicht. Nicht weil die Physik falsch war, sondern weil sich die praktischen, wirtschaftlichen und politischen Begrenzungen als härter erwiesen als erwartet.

Vielleicht ist KI in der gleichen Situation. Vielleicht sind wir mitten auf dem Höhepunkt des Hype-Zyklus, und der Abstieg wartet.

Wie würdest du dieses Szenario erleben? Veränderungen würden sich graduell anfühlen. Deine Karriere würde in zehn Jahren noch Sinn ergeben. Deine Kinder würden Fähigkeiten lernen, die noch relevant wären, wenn sie erwachsen sind. Die Zukunft würde sich wie eine Verlängerung der Gegenwart anfühlen.

Zukunft 2: Kontrollierte Beschleunigung

Jetzt stell dir eine andere Welt im Jahr 2040 vor. Die Dinge haben sich merklich verändert, aber die Gesellschaft ist mitgekommen.

KI hat viele Branchen transformiert. Die Hälfte der Jobs, die es 2025 gab, gibt es nicht mehr – aber neue sind an ihrer Stelle entstanden. Das Bildungssystem hat sich angepasst. Die Gesetzgebung ist mitgekommen. Es gibt Probleme und Konflikte, aber die Institutionen funktionieren.

Die Wissenschaft ist beschleunigt. Neue Medikamente werden in Jahren entwickelt statt in Jahrzehnten. Klimatechnologie hat Fortschritte gemacht, die 2025 unwahrscheinlich schienen. Wir wissen Dinge, von denen wir nicht wussten, dass wir sie nicht wussten.

Aber Menschen sitzen immer noch am Steuer. KI ist ein Werkzeug – ein extrem mächtiges Werkzeug – aber Entscheidungen werden immer noch von Menschen getroffen. Es gibt Checks and Balances. Das System ist unter Kontrolle.

Die historische Parallele hier ist das Internet von 1995 bis 2020. Eine tiefgreifende Transformation, die fast alles veränderte – wie wir arbeiten, kommunizieren, handeln, uns unterhalten. Aber eine Transformation, die schnell genug passierte, um merkbar zu sein, langsam genug, um handhabbar zu sein.

Wie würdest du das erleben? Deine Karriere würde sich wahrscheinlich mindestens einmal dramatisch ändern. Du müsstest dein ganzes Leben lang neue Dinge lernen. Manche Dinge würden sich fremd anfühlen, aber du könntest dich anpassen. Deine Kinder würden Möglichkeiten haben, die du nicht hattest – und Herausforderungen, die du dir nicht vorstellen kannst.

Zukunft 3: Schnelle Transformation

In diesem Szenario überholt die Veränderung unsere Fähigkeit mitzukommen.

Stell dir 2040 vor, aber ein 2040, das 2025 weniger ähnelt, als 2025 1990 ähnelt. Technologien, die vor fünf Jahren Science Fiction waren, sind jetzt alltäglich. Wissenschaftliche Felder entstehen und veralten in Monaten, nicht Jahrzehnten. Expertise hat eine Halbwertszeit.

Die Institutionen kämpfen. Gesetzgebung hinkt ständig hinterher. Bildung fühlt sich an, als würde man mit verbundenen Augen auf ein bewegliches Ziel zielen. Internationale Vereinbarungen sind veraltet, bevor die Tinte trocken ist.

Es ist nicht Chaos – die Dinge funktionieren – aber es ist desorientierend. Das Gefühl, dass sich die Welt schneller bewegt, als du folgen kannst, das manche heute schon haben, ist zum permanenten Zustand geworden.

Die historische Parallele ist die industrielle Revolution, aber komprimiert. Was damals ein Jahrhundert dauerte, dauert jetzt vielleicht ein oder zwei Jahrzehnte. Und damals gab es soziale Umwälzungen, Kriege, Revolutionen. Der Übergang war nicht glatt.

Wie würdest du das erleben? Ständige Anpassung. Strategien, die letztes Jahr funktionierten, funktionieren dieses Jahr nicht. Karrieren, die sicher aussahen, verschwinden. Neue Möglichkeiten entstehen schneller, als du sie bewerten kannst. Die Zukunft fühlt sich nicht wie eine Verlängerung der Gegenwart an – sie fühlt sich wie ein fremdes Land an.

Zukunft 4: Singularität

Jetzt bewegen wir uns in Territorium, das schwerer zu beschreiben ist. Nicht weil es unrealistisch ist, sondern weil es per Definition unvorhersagbar ist.

Stell dir einen Punkt vor, wo KI-Systeme in der Lage werden, sich selbst schneller zu verbessern, als Menschen folgen können. Jede neue Generation des Systems ist schlauer als die vorherige. Und weil sie schlauer ist, kann sie die nächste Generation noch schneller entwerfen.

In der Mathematik nennen wir das hyperbolisches Wachstum: Eine Kurve, die nicht nur steigt, sondern mit beschleunigender Geschwindigkeit steigt, bis sie im Prinzip zu einem bestimmten Zeitpunkt gegen unendlich geht.

In der Praxis geht nichts gegen unendlich. Es wird Begrenzungen geben – die Gesetze der Physik, Ressourcen, irgendetwas. Aber der Punkt ist, dass wir nicht unbedingt vorhersagen können, was diese Begrenzungen sind oder wann sie greifen.

Die Singularität – wie der Science-Fiction-Autor Vernor Vinge es nannte – ist kein spezifisches Szenario. Es ist der Name für unser Unwissen. Es ist die Erkenntnis, dass wir, wenn die Dinge schnell genug beschleunigen, nicht mehr vorhersagen können, was kommt.

Hier ist es wichtig zu sagen, was die Singularität nicht ist.

Sie ist nicht notwendigerweise Weltuntergang. Hollywood hat uns gelehrt, superintelligente Maschinen zu fürchten, die die Menschheit auslöschen. Das ist eine Möglichkeit, aber bei weitem nicht die einzige.

Sie ist auch nicht notwendigerweise Utopie. Techno-Optimisten stellen sich eine Zukunft vor, in der KI alle Probleme löst und wir im Überfluss leben. Das ist auch eine Möglichkeit, aber nicht garantiert.

Was die Singularität ist, ist ein Erkenntnisbegriff. Es ist der Punkt, wo unsere Fähigkeit vorherzusagen zusammenbricht – nicht weil uns Daten fehlen, sondern weil das System sich schneller entwickelt, als wir es modellieren können.

Wir wissen nicht, ob dieses Szenario möglich ist. Wir wissen nicht, ob die Feedback-Loops, die wir beschrieben haben, stark genug sind, um es auszulösen. Wir wissen nicht, ob es exogene Begrenzungen gibt, an die wir nicht gedacht haben.

Aber wir können es nicht ausschliessen.

Zukunft 5: Erosion

Es gibt noch ein Szenario, über das wir sprechen müssen. Eines, das nicht von Beschleunigung handelt, sondern von Qualität.

Stell dir eine Welt vor, in der KI enorme Mengen von Text, Bildern, Code, Daten produziert. Mehr als irgendein Mensch überblicken kann. Mehr als irgendein System validieren kann.

Am Anfang scheint es fantastisch. So viele Informationen! So viele Ideen! Aber allmählich beginnst du, etwas zu bemerken. Die Qualität schwankt. Dinge, die überzeugend klingen, erweisen sich als falsch. Quellen, die du für zuverlässig hieltest, sind kontaminiert worden.

Es ist keine plötzliche Katastrophe. Es ist eine langsame Erosion. Der Unterschied zwischen Hypothese und Wissen – zwischen H und K – wird schwerer zu erkennen. Unvalidierte Information wird als Input für Entscheidungen und für das Training neuer Systeme verwendet. Rauschen akkumuliert.

Das ist kein unvermeidliches Szenario. Es ist ein Szenario, das erfordert, dass mehrere Dinge gleichzeitig schiefgehen.

Es erfordert, dass KI-Generierung schneller skaliert als KI-Validierung. Aber KI kann auch validieren – Fakten prüfen, Konsistenz prüfen, Fehler erkennen. Wenn die Validierung mit der Generierung Schritt hält, wachsen H und K zusammen, und das Verhältnis bleibt stabil.

Es erfordert auch, dass wir unvalidierte Information verwenden, als wäre sie validiert. Aber wir können wählen, das nicht zu tun. Wir können auf Provenienz bestehen – darauf zu wissen, woher Information kommt. Wir können unterscheiden zwischen “KI hat das generiert” und “das wurde getestet.”

Und es erfordert, dass verteilte Validierung versagt. Heute funktioniert etwas wie Wikipedia trotz Millionen von Bearbeitungen, weil Fehler von Nutzern entdeckt und korrigiert werden. Der gleiche Mechanismus kann für KI-generierte Information funktionieren: Wenn sie verwendet wird und sich als falsch erweist, wird es entdeckt.

Also ist das Erosionsszenario nicht strukturell unvermeidlich. Es ist ein Risikoszenario, das davon abhängt, welche Entscheidungen wir treffen. Manche Bereiche sind anfälliger als andere: Die allgemeine öffentliche Debatte ist stärker gefährdet als die Medizin, wo Fehler sichtbare Konsequenzen haben.

Der Punkt ist: Das ist nicht etwas, das uns passiert. Es ist etwas, das wir verhindern können – oder es unterlassen zu verhindern.

Wo sind wir?

Wir haben jetzt fünf Zukünfte beschrieben: Sättigung, kontrollierte Beschleunigung, schnelle Transformation, Singularität, Erosion.

Auf welche sind wir unterwegs?

Die ehrliche Antwort ist: Wir wissen es nicht.

Es gibt Anzeichen, die in mehrere Richtungen weisen. Die Fähigkeiten von KI steigen schnell – das spricht für Beschleunigung. Aber die praktische Implementierung ist langsamer als Laborergebnisse – das spricht für Sättigung. Mehrere Compute-Paradigmen reifen gleichzeitig – das spricht für fortgesetztes Wachstum. Das Hype-Niveau ist extrem hoch – das spricht dafür, dass wir vielleicht überschätzen.

Jeder, der dir mit Sicherheit sagt, welche Zukunft wir bekommen, lügt – oder lügt sich selbst an.

Was wir tun können, ist die Strukturen zu verstehen, die zu jeder Zukunft führen. Wir können frühe Anzeichen identifizieren. Wir können uns auf mehrere Szenarien vorbereiten, statt alles auf eines zu setzen.

Das ist keine befriedigende Schlussfolgerung. Aber es ist eine ehrliche.

---

Unsere eigenen blinden Flecken

Wir haben viel über Wissenssysteme, Feedback-Loops und Zukunftsszenarien gesprochen. Jetzt müssen wir über uns selbst sprechen – die Autoren dieser Analyse, aber auch über dich als Leser.

Denn es gibt ein Problem, dem wir nicht entkommen können: Wir sind alle gefangen in unserer eigenen Zeit.

Das Wasser des Fisches

Es gibt einen alten Witz über zwei junge Fische, die an einem älteren Fisch vorbeischwimmen. Der ältere Fisch nickt und sagt: “Morgen, Jungs. Wie ist das Wasser?” Die beiden jungen Fische schwimmen weiter, und schliesslich schaut der eine den anderen an und fragt: “Was zum Teufel ist Wasser?”

Wir leben in einer Welt, die unsere Intuitionen formt, ohne dass wir es bemerken.

Unser Gefühl dafür, was “normal” ist, basiert auf den Jahrzehnten, die wir gelebt haben. Unser Gefühl dafür, was “möglich” ist, ist geformt von dem, was wir gesehen und gehört haben. Unser Gefühl dafür, was “schnell” oder “langsam” ist, ist kalibriert auf die Welt, die wir kennen.

Wenn sich die Welt schnell genug ändert, werden unsere Intuitionen irreführend sein.

Die Erfolgsbilanz der Experten

Schau auf die Geschichte. Immer wieder haben die klügsten Menschen der Welt sich über die Zukunft geirrt – nicht weil sie dumm waren, sondern weil sie von ihrer eigenen Zeit extrapolierten.

1900 gab es Experten, die sagten, dass alles, was erfunden werden kann, erfunden ist. 1930 gab es Ökonomen, die vorhersagten, dass wir im Jahr 2000 15-Stunden-Wochen arbeiten würden. 1970 gab es Demographen, die globale Hungersnot bis 1990 vorhersagten. 1995 gab es Technologen, die den Zusammenbruch des Internets vorhersagten.

Das Muster ist nicht, dass Experten immer falsch liegen. Das Muster ist, dass Experten systematisch unterschätzen, wie schnell sich Dinge ändern können – weil sie von Begrenzungen extrapolieren, die sich als vorübergehend erweisen.

Aber es gibt auch das entgegengesetzte Muster.

Der symmetrische Fehler

Denn wir müssen fair sein. Es gibt auch Beispiele für das Gegenteil: Überschätzung von Veränderung.

“Fusion in zehn Jahren” ist seit fünfzig Jahren ein Witz. Fliegende Autos sollten längst hier sein. Das papierlose Büro wurde jahrzehntelang zu mehr Papier. Virtual Reality sollte die Realität in den 1990ern ersetzen. Selbstfahrende Autos sollten 2020 allgegenwärtig sein.

Enthusiasten unterschätzen systematisch, wie schwer es ist, technologische Möglichkeit in praktische Realität zu übersetzen. Sie vergessen Infrastruktur, Regulierung, Nutzerakzeptanz, kulturelle Barrieren.

Beide Fehler sind real. Experten unterschätzen oft Veränderung. Enthusiasten überschätzen sie oft. Die Frage ist nicht, wer generell recht hat, sondern wer gerade jetzt recht hat, über dieses spezifische Thema.

Und das wissen wir nicht.

Ein Test für Kritik

Wenn jemand diese Analyse kritisiert – und Kritik ist willkommen – schlagen wir einen einfachen Test vor.

Frag dich: Baut die Kritik auf einer Annahme auf, dass die Begrenzungen von heute dauerhaft sind?

Wenn die Kritik ist “KI kann Menschen in X niemals übertreffen, weil X Y erfordert” – dann frag: Ist Y wirklich unmöglich? Oder ist es nur etwas, von dem wir noch nicht wissen, wie man es macht?

Wenn die Kritik ist “das wird Jahrzehnte dauern, weil Infrastruktur langsam ist” – dann frag: Ist Infrastruktur immer langsam? Oder ist sie langsam, weil wir nicht wussten, wie man sie schnell macht?

Das ist keine Art, Kritik abzulehnen. Manche Kritik ist berechtigt. Die Gesetze der Physik sind echte Begrenzungen. Logik ist eine echte Begrenzung.

Aber viel Kritik nimmt implizit an, dass die Welt 2025 – oder 2030 oder 2040 – der Welt von heute ähneln wird. Das ist nicht sicher.

Unsere eigenen blinden Flecken

Wir müssen ehrlich sein über unsere eigenen Begrenzungen.

Diese Analyse ist geschrieben von Wesen, die in 2025 gefangen sind. Unsere Intuitionen sind geformt von einer Welt, in der Infrastruktur Jahrzehnte braucht, in der Validierung langsam ist, in der Computer gross und heiss sind.

Wenn unser Modell korrekt ist – wenn die Welt wirklich auf schnelle Beschleunigung zusteuert – dann werden unsere eigenen Annahmen irreführend sein. Es wird Dinge geben, die wir uns nicht vorstellen können. Möglichkeiten, die wir ablehnen, weil sie unrealistisch erscheinen. Begrenzungen, die wir für gegeben halten, weil wir sie nie haben brechen sehen.

Umgekehrt: Wenn die Skeptiker recht haben – wenn die Welt auf Sättigung zusteuert – dann überschätzen wir vielleicht die Geschwindigkeit der Veränderung. Wir sehen Muster, die nicht da sind. Wir extrapolieren von kurzfristigen Trends zu langfristigen Schlussfolgerungen.

Wir wissen nicht, welchen Fehler wir machen.

Die Position der Demut

Angesichts all dessen, was ist die ehrliche Position?

Es ist nicht zu sagen “wir wissen, was passieren wird.” Das wissen wir nicht.

Es ist auch nicht zu sagen “die Experten wissen es am besten.” Sie haben sich schon geirrt.

Es ist auch nicht zu sagen “alles ist möglich.” Es gibt echte Begrenzungen.

Die ehrliche Position ist Unsicherheit. Nicht die faule Unsicherheit, die sagt “wer weiss?” und mit den Schultern zuckt. Sondern die aktive Unsicherheit, die die Möglichkeiten kartiert, die kritischen Annahmen identifiziert, nach frühen Anzeichen Ausschau hält.

Wir haben eine Analyse präsentiert. Wir haben Strukturen identifiziert, die Beschleunigung antreiben könnten. Wir haben auf Begrenzungen hingewiesen, die vielleicht endogen sind. Wir haben Szenarien beschrieben, die möglicherweise warten.

Wir haben nichts bewiesen. Wir haben dir ein Begriffsapparat gegeben.

Der Rest ist Sache der Realität – und der Entscheidungen, die wir treffen.

---

Was jetzt?

Wir sind am Ende der Analyse angekommen. Was sollst du damit anfangen?

Was das Modell dir nicht gibt

Lass uns damit beginnen, was diese Analyse dir nicht gibt.

Sie gibt dir keine Vorhersage. Wir wissen nicht, ob wir auf Sättigung, Beschleunigung, Singularität oder Erosion zusteuern. Niemand weiss es.

Sie gibt dir keinen Aktionsplan. Wir sagen dir nicht, ob du die Karriere wechseln, in Tech-Aktien investieren oder einen Bunker bauen sollst. Das wissen wir auch nicht.

Sie gibt dir keine Garantie. Unsere Analyse kann falsch sein. Die Analogie kann irreführend sein. Die Annahmen können fehlerhaft sein. Wir haben unser Bestes getan, aber wir sind keine Propheten.

Was das Modell dir gibt

Was sie dir gibt, ist ein Begriffsapparat – eine Art zu denken.

Wenn du Nachrichten über KI-Fortschritte liest, kannst du jetzt fragen: Ist das etwas, das primär H (Hypothesen) oder K (validiertes Wissen) erhöht?

Wenn jemand sagt “das wird nie passieren, weil X”, kannst du fragen: Ist X wirklich exogen, oder ist es etwas, das neues Wissen ändern kann?

Wenn jemand sagt “das wird innerhalb von fünf Jahren passieren”, kannst du fragen: Was nehmen sie über Feedback-Loops an? Über Begrenzungen? Über Validierung?

Du hast jetzt eine Sprache, um über diese Dinge zu sprechen. Das ist wertvoll, auch wenn es keine Antworten gibt.

Leben mit Unsicherheit

Wie handelt man unter tiefer Unsicherheit?

Ein Ansatz ist, ein Szenario zu wählen und darauf zu setzen. “Ich glaube, wir gehen Richtung Sättigung, also plane ich, als ob die Welt 2040 der Welt von heute ähnelt.” Oder: “Ich glaube, die Singularität kommt, also plane ich, als ob sich alles ändert.”

Das ist ein verständlicher Ansatz, aber riskant. Wenn du dich irrst, stehst du schlecht da.

Ein besserer Ansatz ist Robustheit. Statt für ein Szenario zu optimieren, kannst du danach streben, in mehreren einigermassen gut abzuschneiden.

Das bedeutet: Baue Fähigkeiten auf, die in vielen Zukünften wertvoll sind. Halte Ausschau nach frühen Anzeichen. Sei bereit, den Kurs zu ändern. Triff keine irreversiblen Entscheidungen, es sei denn, du musst.

Das ist keine Antwort auf “was wird passieren?” Es ist eine Strategie für “was tue ich, wenn ich nicht weiss, was passieren wird?”

Ein abschliessender Gedanke

Wir begannen mit Maria, der Strukturbiologin, die sah, wie sich ihr Fach veränderte. Ihre Geschichte ist nicht zu Ende. Keine unserer Geschichten ist das.

Was wir wissen, ist, dass Wissen Wissen erzeugt. Dass Begrenzungen nicht immer das sind, was sie zu sein scheinen. Dass Systeme mit Feedback-Loops sich überraschend verhalten können.

Was wir nicht wissen, ist, was das für die nächsten zehn, zwanzig, fünfzig Jahre bedeutet.

Diese Analyse ist nicht das letzte Wort. Es ist ein Versuch, klar über etwas nachzudenken, über das es sehr schwer ist, klar nachzudenken.

Wir hoffen, es war nützlich.

---

Anhang: Für die Neugierigen

Für Leser, die die mathematische Struktur hinter der Analyse sehen möchten, präsentieren wir hier die Gleichungen. Beachte, dass dies konzeptionelle Notation ist – die Parameter sind nicht kalibriert, und wir haben das System nicht präzise gelöst.

Die drei Variablen

Wir arbeiten mit drei Hauptgrössen:

H(t) ist die Menge unvalidierter Hypothesen zum Zeitpunkt t.

K(t) ist die Menge validierten Wissens zum Zeitpunkt t.

C(t) ist die Rechenkapazität zum Zeitpunkt t.

Wie Hypothesen entstehen

Hypothesen werden aus bestehendem Wissen generiert:

dH/dt = αK + βK² - μH

Hier ist αK die inkrementellen Ideen – mehr Dinge, die wir wissen, geben mehr neue Fragen. βK² ist die Rekombination – Ideen, die durch Kombination von Wissen aus verschiedenen Feldern entstehen. μH sind Hypothesen, die veralten oder aufgegeben werden.

Das quadratische Glied ist wichtig. Es fängt die kombinatorische Explosion ein, über die wir sprachen: Je mehr wir wissen, desto mehr Kombinationen sind möglich.

Wie Wissen validiert wird

Validiertes Wissen wächst, wenn Hypothesen Tests überstehen:

dK/dt = ν(K) * p(K,H) * V(H,C) - δK

Hier ist ν die Validierungsgeschwindigkeit – wie schnell Hypothesen getestet werden können. p ist die Qualität der Hypothesen – welcher Anteil Tests übersteht. V ist die Validierungskapazität – wie viele Hypothesen gleichzeitig getestet werden können. δK ist Wissen, das veraltet.

Das Zentrale ist, dass ν von K abhängen kann. Bessere Simulationswerkzeuge (eine Form von Wissen) machen Validierung schneller. Das ist die endogene Begrenzung, über die wir sprachen.

Wie Compute wächst

Compute entwickelt sich durch mehrere Kanäle:

dC/dt = Σᵢ rᵢCᵢ(1 - Cᵢ/Cᵢ,max) + ηC + γK_comp

Das erste Glied beschreibt Wachstum innerhalb jedes Compute-Paradigmas (klassisches Silizium, Quanten, neuromorph, usw.) – logistisches Wachstum, das bei einer Obergrenze sättigt.

Das zweite Glied (ηC) beschreibt Compute, das sich selbst verbessert – Algorithmen, die Hardware-Nutzung optimieren.

Das dritte Glied (γK_comp) beschreibt, wie Wissen über Computing (ein Teil von K) Compute verbessert. AlphaChip ist ein Beispiel dafür.

Die Feedback-Struktur

Der zentrale Punkt ist, dass K und C sich gegenseitig beeinflussen:

• Mehr C gibt schnellere Validierung, also wächst K schneller
• Mehr K (besonders K_comp und K_materialien) gibt mehr C
• Mehr K gibt mehr Hypothesen H, die mit mehr C schneller validiert werden können

Das ist der Feedback-Loop. Und wenn der Loop stark genug ist, kann sich das System anders verhalten, als einfache lineare Fortschreibungen vorhersagen würden.

Was wir nicht getan haben

Um ehrlich über die Begrenzungen zu sein:

Wir haben die Parameter (α, β, ν, usw.) nicht anhand von Daten kalibriert. Das würde empirische Arbeit erfordern, die wir nicht gemacht haben.

Wir haben die Gleichungen nicht analytisch oder numerisch gelöst. Das würde uns mehr über das Verhalten des Systems sagen.

Wir haben keine Zeitverzögerungen modelliert – die Zeit, die vergeht, von der Entstehung von Wissen bis zu seiner Wirkung auf das System.

Wir haben keine sozialen Dynamiken modelliert – Regulierung, Wirtschaft, Geopolitik.

Diese Begrenzungen bedeuten, dass das Modell ein Gedankenexperiment ist, kein prädiktives Werkzeug.

Aber wir glauben, dass es etwas Richtiges über die Struktur einfängt. Feedback-Loops existieren. Begrenzungen können endogen sein. Das System kann sich überraschend verhalten.

Der Rest ist Sache der Realität zu entscheiden.

---

Dieses Dokument ist eine theoretische Analyse, entwickelt im Dialog zwischen Mensch und KI.

Es ist keine Prophezeiung. Es ist kein Beweis.

Es ist eine Art zu denken.

Dezember 2025

---

Verwandte Artikel

• Die letzte Kränkung — KI ist die vierte narzisstische Kränkung der Menschheit
• Der Lügner im Maschinenraum — Warum deine KI die Wahrheit verbirgt
• Der Sommer, den KI meinem Vater schenkte — Wie KI den Unterschied zwischen Leben und Tod machte
• Wenn die Arbeit verschwindet — Was soll ein Mensch mit sich selbst anfangen?