AGI ist da: Warum spricht niemand drüber?

Wir haben die Schwelle zur AGI überschritten. Allgemeine künstliche Intelligenz. Nicht in Form eines Terminators, sondern leise. Und das verrückteste daran ist, wir merken es nicht einmal, weil wir nach den falschen Kriterien suchen. Als Anthropic letzte Woche einziges Tool angekündigt hat, sind die Aktien von Cyburity Giganten abgestürzt. Nicht wegen einem neuen Produkt, wegen einer Fähigkeit. Es geht hier nicht um meine persönliche Definition, sondern um die von Google. Auch wenn Google euch noch nicht offiziell sagt, dass wir AGI haben. Ich bin alles durchgegangen, habe zusammengetragen und noch stehe ich mit meiner Erkenntnis ziemlich alleine da, aber das ändert sich gerade auch in der Forschung. Aber lasst mich erklären, denn das wird unser aller Leben drastisch verändern. Leider nicht unausweichlich zum Guten, muss ich dazu sagen.

AGI ist die wohl bedeutendste Revolution seit der industriellen Revolution. Eine Herstellung von Intelligenz via Chip. So wie die Dampfmaschine Muskelkraft herstellt via Dampf. KI kann jetzt alles, wofür ich studiert habe, nur billiger und schneller. Und das mit einem System, das eigentlich eine bessere Autokorrektur ist. AGI ist durchaus mehr als ein Tool. Es übernimmt Aufgaben und zerbricht manche Branchen völlig. Und genau das erlebe ich am allermeisten von euch, aber auch von mir. Warum sollte man überhaupt programmieren lernen, wenn KI es schon jetzt besser kann? Software entwickeln, Jura, BWL. Warum sollte ich Mühe in etwas reinstecken, wo ich einfach nur mal kurz nachfragen kann? Wofür braucht man überhaupt hier in Deutschland und Europa noch unser klassisches Bildungssystem? Ich habe 13 Jahre Schule hinter mir und danach 6 Jahre Informatikstudium. Die ganze Erfahrung als Dozent und Freelancer ist da noch nicht mal mit eingerechnet und genau das spucken nun KI-Modelle aus den USA und China als billige Massenware aus.

Keine Sorge, ihr seid definitiv nicht alleine mit diesen oder mit solchen Gedanken, denn mit KI zu konkurrieren ist ziemlich aussichtslos. Aber wie kann das sein? Unsere jetzigen KIs sind doch eigentlich nur bessere Autovervollständigung. Sie sagen nichts weiter als das nächste Token, das nächste Teilwort vorher. Wie kann so ein einfaches System AGI sein? Das ist nicht nur die Position von Jan Le Kun, der viele Jahre Chef der KI-Forschung bei Meta war. Das war sogar meine Position und die von vielen von euch. Und die Argumente sind sowas von valide. Wichtig ist, künstliche Intelligenz ist nicht menschliche Intelligenz und auch allgemeine künstliche Intelligenz ist nicht menschliche Intelligenz. Um das zu verstehen, müssen wir erstmal klarstellen, was AGI genau ist, damit wir überhaupt von derselben Sache sprechen. Das Lustige ist auch, wenn OpenAI, Google, Meta und Intopic und noch wahnsinnig viele mehr darauf hinarbeiten, man ist sich immer noch nicht einig. OpenAI hat sich vertraglich mit Microsoft darauf geeinigt, dass AGI eine KI ist, die 100 Milliarden Dollar einnimmt. Dass diese Definition ziemlich quatschig ist, werden wir noch sehen. Google hat hingegen ein ganzes Paper veröffentlicht und immer wieder auch aktualisiert, und das da sehr viel mehr Nuance in die Diskussion reinbringt. Und dieses Paper ist goldwert. Hier nicht einfach AGI oder keine AGI, sondern fünf Level in zwei Spalten. Lasst mich das kurz erklären. Unterteilt wird in enge KI und allgemeine KI. Ja, ich weiß, die Übersetzung ist ein bisschen seltsam, aber sie ist dennoch treffend.

Wenn wir ehrlich sind, aktuell kommen wir im Techbereich zumindest kaum an den USA vorbei. Fast alle Daten zentralisieren sich eben genau dort. Und das schafft nicht nur enorme Abhängigkeiten, sondern bedeutet für uns oft auch einen echten Kontrollverlust. Wo landen meine Mails? Wer liest den Code oder potenziell sehr sensible Daten mit? Und genau hier ist unser Partner Infomaniac, eine echte Ausnahme, ein europäischer Player aus der Schweiz, der wirklich seine komplette Wertschöpfungskette von A bis Z selbst kontrolliert über Infrastruktur, über Rechenzentren und über die Mitarbeiter. Vor, die sitzen alle in der Schweiz. Kein Offshoring und eben auch keine Blackbox dadurch. Und deren KI-Lösung Euria setzt genau da an. Ihr könnt Euria euch vorstellen als eine Art Ersatz für ChatGPT, trotzdem natürlich ein bisschen anders, aber egal, ob ihr Mails schreibt oder Code generiert oder von mir aus Brainstorming oder Businesspläne entwerft, all das könnt ihr damit natürlich tun mit einem großen Unterschied. Sie sitzen ja nicht in den USA, die Daten bleiben privat, die bleiben in der Schweiz, die werden auch nicht mal kurz auf andere Server geschickt. Sie werden nicht verwendet, um irgendwelche Modelle zu trainieren. Das tut Infomaniac an sich nicht. Euer Geschäftsgeheimnis fließt also nicht in irgendeine globale KI. Technisch ist das aber anders gelöst. Infomaniac ist ein Hoster. Das heißt, sie entwickeln keine eigenen KI-Modelle, sondern sie betreiben welche und stellen die Infrastruktur zur Verfügung. Euria nutzt unter der Haube verschiedene Open-Source-Modelle, wie z.B. Mistral oder Llama, je nachdem eben, was ihr gerade braucht. Aber die komplette Inferenz läuft eben lokal bei Infomaniac. Ich war ja persönlich in einem dieser Rechenzentren. Ich weiß nicht, ob ihr das Video kennt, aber die Abwärme, die bei der Berechnung entsteht, was eine ganze Menge ist, beheizt in Genf sogar Wohnungen und das ist Hammer. So sieht für mich souveräne und sogar nachhaltige KI aus. Wenn ihr also die Möglichkeiten von LLMs weiter nutzen wollt, ohne eure Datenhoheit abzugeben, dann haben wir da was für euch. Es gibt aktuell 80% Rabatt auf Caseuit Plus. Damit bekommt ihr Zugriff auf die erweiterten Fähigkeiten von Euria und satte 6 TB Speicher on top. Link ist unten in der Beschreibung.

Die Schach-KI Stockfisch beispielsweise ist eine Super-KI, aber eine enge Super-KI. Stockfisch schlägt jeden Menschen im Schach, auch jeden Weltmeister. Sie ist damit besser als 100% aller Menschen, aber eben nur in genau dieser einen Aufgabe. Also ist sie eng, weil sie nur eine Aufgabe kann und ich nicht mit dir chatten kann, aber super ist sie trotzdem, weil sie besser ist in dieser einen Aufgabe als wirklich jeder Mensch. Google definiert allgemeine KI als eine breite Palette an nicht-physischen Aufgaben. Das heißt, der Test, ob ein Roboter euch Kaffee machen kann, hat nichts mit AGI zu tun, ist nicht physisch. Und ehrlicherweise finde ich das absolut sinnvoll, sonst können wir das, was gerade passiert, einfach nicht benennen. Das sind zwei verschiedene Dinge. Ich muss dazu aber sagen, dass viele Ökonomen AGI erst als erreicht definieren, wenn wir auch humanoide Roboter haben. Wir machen das aus folgenden Gründen nicht. Durch nicht-physische Aufgaben lassen sich physische Aufgaben lernen. Roboter trainieren via Software, wie wir im Video von Genie 3 gesehen haben. Der wahre Tsunami beginnt also digital durch geschriebenen Code. Gleichzeitig ist aber auch nicht die Anforderung wie bei Stockfisch, dass die KI jeden Menschen in einer breiteren Aufgaben schlagen muss. Das wäre ASI, Artificial Super Intelligence, also künstliche Superintelligenz. Google unterteilt AGI in fünf Bereiche. Besser als jeder Mensch, ASI. Besser als 99% der Menschen, die diese Aufgabe gelernt haben. Besser als 90%. Besser als 50%. Und ungefähr so gut wie ein ungelernter Mensch. Das Level 1 ist die sogenannte Emerging AGI, eigentlich noch nicht wirklich da. Und hier sieht Google z.B. ChatGPT bei Release. Es konnte eine Antwort auf vieles geben, aber die war halt einfach auf einem Amateurlevel. Also ähnlich wie wenn ich euch eine Finanzberatung geben würde, habe ich nie gelernt und deswegen kann ich es nicht. Mein Take ist jetzt, dass wir kompetente AGI erreicht haben. Eine allgemeine KI, die bei einer breiten Palette an Aufgaben so kompetent ist wie ein durchschnittlicher Mensch, der diese Aufgabe erlernt hat. Nicht besser als jeder, aber eben halt auch nicht mehr auf einem Amateurlevel. Selbstverständlich ist das wahnsinnig schwer zu messen, denn wie testet man das, wo wir Menschen selbst daran scheitern?

Lasst mich das auch einmal anschaulich darstellen. Wir nehmen dafür normalerweise Benchmarks. Für Softwareentwicklung z.B. gibt es den SWE Bench Verified. Hier schaffen die modernen Flaggschiff-KIs dreiviertel aller Aufgaben so ganz grob. Der Witz ist, dass etwa die Hälfte der Aufgaben falsche Tests hatte und dadurch sehr viele korrekte Lösungen abgelehnt werden, obwohl sie eigentlich richtig wären. Die KIs sind also vermutlich besser als die Leute, die den Test geschrieben haben. Frisch rausgekommen ist deswegen jetzt als Addon sozusagen der SWE Bench Pro. Eine härtere Version von genau diesem Benchmark mit Aufgaben, für die ein Mensch mehrere Tage brauchen würde. Leider fehlen hier noch die Zahlen für die ganz neuen Modelle, aber die eigentliche Schwierigkeit hierbei ist jetzt für die KI nicht mehr unbedingt die Softwareentwicklung, sondern die schiere Dauer der Aufgabe. Das schauen wir uns gleich noch mal an. Auch bei anderen Bereichen schneidet KI mittlerweile erstaunlich gut ab. 90,2% im Big Lawch, also Recht. Menschliche Anwälte landen hier natürlich nicht bei 50%, sondern ungefähr im selben Bereich. Die letzten 10% sind aber meist die Fragen, wo Ungenauigkeiten das Problem waren. Also, was ist eigentlich jetzt hier genau das Ziel oder was genau ist die Aufgabenstellung? Oder hier Vertragsreview. KI schafft 94%, Mensch schafft 85%. Dasselbe Bild zeigt sich bei Life Sciences, Mathe, Sprachen, Finanzen, enzyklopädisches Expertenwissen, Gesundheitswesen. Das würde ich als breite Palette definieren. Wenn ich das alles lernen wollen würde, dann wäre ich da mehr als ein Menschenleben dran. Es war auch bei weitem nicht so, dass die KI plötzlich alles davon konnte. Ganz im Gegenteil. Nach und nach wurde ein Bereich besser, dann der nächste, dann noch einer und so weiter und so fort. Für mich als externer Beobachter wirkt das aber extrem bedrohlich, oder nicht? ChatGPT kam vor 3,5 Jahren raus. Ich habe für mein Informatikstudium 6 Jahre gebraucht und mittlerweile sind wir in gleich einer Vielzahl an Bereichen an dem Level, das KI in etwa so viel richtig macht wie ein Mensch. Außer natürlich, wenn die Aufgaben extrem lang sind in der Softwareentwicklung beispielsweise.

Was schätzt ihr, wie lange eine Aufgabe für einen Menschen sein darf, dass man sie an KI abgeben darf? Ich beantworte die Frage mal ein bisschen anders. Wie geht ihr eine Aufgabe in eurem Leben an? Sagen wir, ihr wollt jetzt YouTuber werden. Ist eure Aufgabe dann über 1000 Videos zu veröffentlichen? So wie ich? Ja, schon, aber die einzelne Aufgabe ist erstmal ein Video zu veröffentlichen und diese Aufgabe teilen wir dann wieder in Recherche, Script, Thumbnail, Titel, Schnitt und so weiter. Im Normalfall ist keine einzelne Aufgabe, die ich mir setze, länger als ein voller Tag an Arbeit. Im Gegenteil, meist ist sie sehr, sehr viel kleiner. Manche Teilaufgaben bekomme ich locker in der Stunde hin. Dieses Extrahieren von Aufgaben habe ich so noch nie gemessen in einem Benchmark, aber ich nutze KI selbst genauso. Und im Stream haben wir das genauso zusammengemacht. Wir extrahieren von der Software Aufgaben raus, die dann isoliert gelöst werden sollen, so lange wie die KI das eben kann. Aber wie lange kann KI denn jetzt? Na ja, genau dazu gibt es durchaus Studien und Meta ist eine der ausführlichsten dazu. Meta testet den Horizont einer KI. Das heißt, gegeben eine Aufgabe, für die ein Mensch so und so lange braucht, z.B. eine Stunde, wie erfolgreich ist eine KI dabei? Und jetzt nehmen wir einfach mal die Erfolgswahrscheinlichkeit von 50%. Dann konnte man einer KI von vor 3 Jahren, also GPT-4, eine Aufgabe geben, für die man selbst 4 Minuten braucht. Es ist jetzt nicht viel. Einen kleinen Fakt recherchieren, eine E-Mail schreiben und mehr war dann halt nicht drin. Die Länge der Aufgabe steigt aber jetzt nicht mehr linear, sondern exponentiell oder sogar schneller. Claude Opus 4.6 kann man heute eine Aufgabe geben, für die ein Mensch 14 Stunden und 30 Minuten benötigt. Das heißt nicht, dass Claude dann 14 Stunden und 30 Minuten daran hockt. Ganz im Gegenteil. Meist ist KI sehr viel schneller damit als ein Mensch. Es geht darum, wie lange würden wir brauchen. Seit KI in etwa diesen Horizont schafft, schätzen wir die Fähigkeiten plötzlich als deutlich deutlich mächtiger ein.

Um aber die exponentielle Steigung mal in ein Verhältnis zu setzen, wenn der Trend so weitergeht, wie er es gerade tut, dann können wir KI Ende diesen Jahres Aufgaben geben, die knapp vier volle Tage für uns wären, bzw. Da wir auch schlafen müssen und nur 8 Stunden pro Tag arbeiten und nicht 24, sind das 12 volle Arbeitstage, die die KI in einer Anfrage erledigt. Das sind mehr als zwei Wochen Arbeit. Das setzt voraus natürlich, dass wir nicht dieses Jahr an ein Limit stoßen, aber bisher sehen wir eher das Gegenteil. Wir sind schneller als exponentiell. Wenn wir also die KI-Aufgaben unterteilen lassen und dann die kleineren Aufgaben mit KI lösen lassen, fällt diese Limitierung aber ohnehin schon jetzt fast komplett weg. Das haben viele Coding-KIs auch schon eingebaut. Ein Agent macht dann z.B. Aufgabe A, ein anderer macht Aufgabe B und so weiter und so fort. Welche das sind, entscheidet aber nicht unbedingt ihr, müsst ihr gar nicht, sondern der Chefagent selbst. Dann darf jede dieser Unteraufgaben 14,5 Stunden Arbeit sein. Ihr habt selbst in einem Stream gesehen, ich starte drei Agents, die gehen los und sammeln Infos und dann kommen fünf zum Lösen der Aufgabe. Jeder davon kann 14,5 Stunden. Und dann kommen noch Kontrollsysteme dazu, die reduzieren die Halluzination. Das heißt, wenn die Aufgabe fertig ist, eine oder wie in meinem Fall dann vier andere KI-Systeme schauen drüber und sammeln Feedback bzw. versuchen Fehler zu finden und sollen die dann auch reparieren. Und so arbeite ich seit Monaten, wenn ich Software entwickle und die Fehlerrate fällt z.B. für Übersetzung von über 70% auf unter 1%. Nicht wundern, ich habe hier bewusst ein kleineres Modell im Einsatz. Die ganzen großen Modelle sind natürlich deutlich akkurater, aber eben auch sehr viel teurer. Das Lustige ist, dass ich das System zwar erstmal für mich entdeckt habe, als KI noch sehr viel mehr Fehler gemacht hat, die KI aber beim Softwareentwickeln sich von selbst gemerkt hat, dass ich diesen Prozess immer haben möchte und sich den von selbst ins Gedächtnis geschrieben hat.

An der Stelle können wir auch sehen, warum OpenAI-Definition von AGI, dass sie 100 Milliarden verdienen muss, irgendwie nicht hilft. Sie konzentriert sich nicht auf das, was KI eigentlich kann. Noch schlimmer, wenn ich Software entwickle von Hand, ohne KI kostet das Geld, ziemlich viel sogar, weil ich in der Zeit nichts anderes machen kann. Wenn ich jetzt auf meine das Geld eins zu eins bezahlen müsste, dann würde ich 99% der Projekte, die ich gerade mache, gar nicht machen. Der Prozess selbst muss also selbst drastisch günstiger werden, was wiederum den Gewinn eines LLMs drückt und zwar in die Richtung der Ausgaben, die Sie hatten für die Erstellung von dem LM und Strom und Hardware. Wenn Sie es zu viel drüber ansetzen, dann kommt ganz einfach ein fast so gutes chinesisches Modell, das nur einen Bruchteil kostet und man nimmt halt das. Die Zahl sagt also noch weniger über die eigentlichen Kompetenzen der KI selbst aus. 100 Milliarden ist keine gute Definition. Dennoch gibt es berechtigte Kritik, dass wir noch keine AGI erreicht haben. Ihr erinnert euch an Jan Le Kun. Er lehnt den Begriff der AGI sogar insgesamt ab, als ungenau, da auch der Mensch nicht alle Aufgaben schaffen kann. Er bevorzugt den Begriff Human Level AI, also KI, die alle Aufgaben eines Menschen machen kann, inklusive dem so häufig zitierten Verständnis von drei Dimensionen. Aber die Frage ist, ob das nicht vielleicht wirklich zwei verschiedene Dinge sind. Eine KI, die kompetent in vielen praktisch nützlichen Bereichen ist, wie Jura oder Softwareentwicklung und eine KI, die alles machen kann, was ein Mensch kann. Wir wollten hierzu über AGI und nicht HL, also Human Level AI sprechen. Das sind eigentlich zwei so unterschiedliche Debatten wie Roboter und AGI. Daher bleiben wir hier erstmal bei Googles Definition.

Aber was ist denn eigentlich damit? KI ist doch nur eine statistische Vorhersage des nächsten Tokens, aka des nächsten Teilworts. Und damit habt ihr vollständig recht. Tatsächlich habe ich vorhin gesagt, das war meine Position genauso. Und das Lustige ist, das ist immer noch meine Definition. KI hat nicht plötzlich ein Bewusstsein entwickelt, aber das ist eben auch nicht die Frage. Niemand, der einigermaßen seriös würde euch sagen, dass Gemini, ChatGPT oder Claude eine Seele, eine Persönlichkeit oder gar ein Bewusstsein haben. Also abgesehen natürlich vom Marketing. Aber es ist auch einfach nicht relevant, ob jetzt eine Karen oder ein Chad die Aufgabe löst, um die Performance zu messen. Es geht in der Definition von Google über AGI nur um die Fähigkeiten und die Kompetenzen, nicht um das Wie. Es geht außerdem nicht um das Deployment, sondern um die Möglichkeit. Heißt, nur weil heutige Systeme anfällig dafür sind, wenn man Müll reinsteckt, dass man dann auch Müll rausbekommt, heißt das nicht, dass sie nicht auch in der Lage sind, in der Programmierolympiade Gold zu holen. Der letzte Punkt ist aber der wichtigste und genau das war bis vor kurzem das stärkste Argument gegen AGI, bis jemand eine Lösung gefunden hat. Tatsächlich dazu die Saxophonanalogie, die ich zur Gitarrenanalogie umgebaut habe. Wir bringen einem Schüler bei Gitarre zu spielen. Dazu soll besagter Schüler Master of Puppets von Metallica vom Blatt spielen. Das erste Mal, wo er die Gitarre in der Hand hält. Direkt in der ersten Sekunde. Er versagt natürlich. Klar, wir sagen einem zweiten Schüler, er soll das Ganze beobachten und uns ein Buch darüber schreiben, was schief gegangen ist. Beide gehen und wir sehen sie nie wieder. Dann kommt ein komplett neuer Schüler, den wir noch nie gesehen haben. Der liest sich das Buch durch und muss jetzt Master of Puppets vom Blatt spielen beim ersten Versuch. Und wenn er versagt, lassen wir einen vierten Schüler das Buch so anpassen, dass die Fehler wieder ausgemerzt sind und so weiter und so fort. Das ist natürlich kein kontinuierliches Lernen, sondern sogenanntes In-Context Learning. Die KI verändert ihre Parameter nicht, sondern lernt on the fly. Deshalb argumentieren hier viele Kritiker, dass KI ja nicht wirklich neue Aufgaben lernt. Sie lernt ja nicht dauerhaft. Das wäre In-Weight Learning. Und ich gebe natürlich zu, KI, wie wir sie heute haben, lernt nicht dauerhaft. Aber das muss ja auch nicht. Google definiert nicht, dass AGI dauerhaft neu lernen muss. Es reicht, wenn KI-Systeme gut genug aus ihrem Kontext lernen, um neue Aufgaben, neue Logik, die sie so noch nicht kennen, lösen zu können. Und genau dafür gibt es einen Benchmark. ARC AGI Version 1 und 2, übrigens beide haben KI-Systeme mit über 90% bzw. über 70% quasi durchgespielt. Diesen Monat soll übrigens sogar noch da die dritte Version rauskommen, wo man sich dann um die dritte Dimension, also das Raumverständnis sozusagen kümmern möchte und Videos.

Für mich aber ausschlaggebend ist das, was OpenCL gemacht hat und was ich seither mit den Coding Agents mache. Eine oder mehrere Dateien, die ein permanenter Speicher, eine Art Gedächtnis darstellen, auf den die KI immer zugreift und dafür aus meinem System eine dauerhafte Lernumgebung macht. Ich bin ehrlich mit euch, das Nitty-Gritty, dass wir uns ständig neue Aufgaben raussuchen, die KI noch nicht kann, neue Benchmarks, wo KI noch möglichst schlecht abschneidet, ja, das ist alles relevant, weil wir das noch ausbessern müssen, aber nicht unbedingt in der Praxis. In der Praxis haben wir bereits Large Language Models, die eine breite Menge an Aufgaben effizienter lösen können, als wären sie in dieser Aufgabe geschult worden. Klar, wir können den System kein Scheiß an Müll geben und erwarten, dass was Gutes rauskommt, aber das würden wir auch nicht bei einem Mitarbeiter und da habe ich leider sogar Erfahrung mit. Das, was also tatsächlich noch fehlt, ist der Einsatz der kompetenten AGI, dass wir sie tatsächlich in unsere Arbeit integrieren. Und viele tun schon genau das, aber viele auch eben nicht. Die einzige Frage, die man sich hier stellen muss, ist: Wann ist der Mensch günstiger? Wann ist es KI mit ihren Rahmenbedingungen und Kosten für die Ausführung? Als Anthropic ein Tool veröffentlicht hat, das sich um Recht kümmert, sind Aktien von renommierten Rechtsunternehmen abgestürzt. Als sie ein Tool für Cyburity angekündigt haben, sind die von renommierten Cyburity-Unternehmen abgestürzt. Das ist genau diese Disruption von vielen Branchen, die eigentlich wenig miteinander zu tun haben. Ja, die AGI, die wir heute haben, kann nicht alle Aufgaben auf dem Level eines Menschen, aber eine breite Palette reicht völlig aus, um die Ausmaße zu haben, die wir schon sehen. Denn von dieser Palette aus Text, Code und Logik lassen sich sehr viele mehr Domänen erschließen. Aus Code kommt 3D-Umgebung. In Blender könnt ihr mit Code ganze virtuelle Welten erschaffen, die 3D sind. Forschung, Physik, Hardware, für Robotik, all das basiert auf Daten, textuellen Plänen und Formeln. Es ist eigentlich nur eine Frage der Schnittstelle. Ich weiß, dass viele Forscher das durchaus noch anders sehen, da sie mehr Aufgabenfelder oder längere Aufgaben oder sogar ein Bewusstsein fordern. Aber für mich ist diese breite Palette erreicht. Der Tipping Point, dass KI sich selbst weiterentwickeln kann. Softwareentwickler bei OpenAI sagen schon, dass Codex, also die Software, mit der wir Code schreiben, schon jetzt zu 100% mit Codex entwickelt wird, also mit der KI. Claude Code genau dasselbe und selbst Agenten wie OpenCL werden mit einem Großteil KI-generierten Code veröffentlicht und lösen danach Probleme, die sie davor noch nicht kannten. Klar, KI ist nicht zuverlässig in der Lage, einen Browser zu bedienen. KI sieht anders. KI ist zu 100% in der Lage, jede Website zu bedienen, die eine Programmierschnittstelle hat. Auch das ist nur ein Problem der Darstellung. Und auch für das Training und die Optimierung von KI selbst kommt KI schon jetzt zum Einsatz. Die aktuelle KI-Generation erstellt Trainingsdaten für die nächste KI-Generation. Synthetische Daten, da die sogar oftmals bessere Qualität haben, als das, was man beispielsweise aus dem Internet oder von Reddit bekommt. Das aktuelle Claude wurde z.B. auch von Chinas KI-Modellen für Trainingsdatenerstellung genutzt. Es wird genutzt, um Daten zu sortieren und zu ordnen. Es wird genutzt, um niedrigqualitative Daten rauszuschmeißen und zu bewerten, ob eine Antwort gut oder schlecht war.

Ich fasse also noch mal zusammen. KI wird genutzt, um bessere KI zu erstellen. Den Code dafür kann sie auch selbst schreiben, nicht auf Expertenniveau, aber doch schon so gut, dass sie mit den durchschnittlichen Mitarbeitern mithalten kann. Nur eben sehr viel schneller, viel schneller. Tags, nachts, am Wochenende. Ich konnte jetzt selber dieses Video sehr lange nicht aufnehmen, weil ich krank war. KI wird nicht krank und sie ist nicht auf eine Ausführung limitiert, sondern so oft wie die Rechenkapazitäten eines Servers eben mitmachen. Und genau hier schließt sich der Kreis zu uns. Das war bislang der harmlose Teil, den wir hatten. Wenn kognitive Arbeit, also das Programmieren, das Prüfen von Verträgen, das Planen nahezu kostenlos und sofort verfügbar wird, dann verschiebt sich der Wert der geleisteten Arbeit. Während das eigentlich Grund für Freude wäre, ich meine, löst das Problem in der Forschung, Gesundheit und so vielen weiteren Gebieten, die sonst jahrelang gebraucht hätten, löst genau das in den meisten von uns existenzielle Angst aus. Angst, wie es weitergehen soll, wenn KI plötzlich überall alles machen soll. Angst, was mit unseren Existenzgrundlagen passiert, werden wir einfach nicht mehr mithalten können und Angst, was passiert, wenn sogar vollautonome Waffensysteme und Massenüberwachung plötzlich okay sind und mit KI gemacht werden. Und genau deshalb stelle ich mal die Frage an euch: Sollten wir aufhören? Sollten wir aufhören, KI noch weiter zu entwickeln? Die Katze ist zwar erstmal aus dem Sack, aber noch ist sie uns nicht komplett überlegen, sondern meine Meinung inklusive der Probleme, die wir uns einkaufen, wenn wir das nicht tun, die bekommt ihr in den nächsten Videos mit ausführlicher Erklärung. Ihr kennt mich, denn dieses Video ist das erste von mehreren zu diesem Thema, weil es so unfassbar wichtig ist und es trotzdem einfach noch kaum jemand weiß. Bis zum nächsten Mal im Cyberspace. Ciao.