Demis Hassabis: Agenten, AGI und der nächste große wissenschaftliche Durchbruch

Als Demis Hassabis AlphaFold allen Wissenschaftlern der Welt zur Verfügung stellte, ließ er es nicht patentieren. Für ein führendes KI-Unternehmen ist das ein fast unerklärlicher Schritt. Doch heute durchläuft jedes neue Medikament AlphaFold – und seine freie Verbreitung hat die Wissenschaft mehr als tausend wissenschaftliche Artikel vorangetrieben. Die eigentliche Revolution besteht hier nicht nur in der Leistungsfähigkeit der KI, sondern auch in der Art und Weise, wie sie verbreitet und eingesetzt wird. Alle denken, dass die künstliche Intelligenz ein Wettlauf darum ist, wer das größte Gehirn baut. Hassabis denkt jedoch genau andersherum: Die Herausforderung besteht nicht nur darin, größere Modelle zu entwickeln, sondern sie auch wirklich nützlich, zugänglich und in der Lage zu machen, so zu lernen, wie wir es tun, d. h. kontinuierlich, ohne jedes Mal von vorne anzufangen. Heutzutage arbeiten die meisten Modelle „stateless“, d. h. sie vergessen zwischen den Sitzungen alles: Jeder Prompt ist ein Neuanfang, als hätten sie nie etwas aus der Vergangenheit gelernt. Das menschliche Gehirn funktioniert jedoch anders: Während des Schlafs verarbeitet und festigt es wichtige Erfahrungen – ein Detail, das Hassabis während seiner Doktorarbeit über die Funktionsweise des Hippocampus untersucht hat. Als DeepMind 2013 das erste Programm entwickelte, das Atari-Videospiele besiegte, war der eigentliche Durchbruch, sich von dieser biologischen Idee inspirieren zu lassen: Das Modell „spielte“ die besten Partien in sich selbst nach und lernte aus den Gewinnsequenzen. Aber selbst mit gigantischen Speicherfenstern – Millionen von Tokens – speichern die meisten KI-Systeme heute Daten auf grobe Weise, ohne zwischen dem, was wirklich zählt, und dem Hintergrundrauschen zu unterscheiden. Und jedes Mal, wenn das Modell nach den richtigen Informationen suchen muss, um eine Entscheidung zu treffen, ist damit ein konkreter Preis verbunden. An dieser Stelle zieht Hassabis einen verblüffenden Vergleich: Die aktuellen Modelle verfügen zwar über ein enormes „Gedächtnis“, sind aber in Wirklichkeit weniger effizient und selektiv als ein Mensch mit einem begrenzten, aber gut organisierten Gedächtnis. Und hier kommt die Kehrtwende: Es reicht nicht aus, die Leistung oder die Datenmenge zu erhöhen. Es bedarf einer neuen Lernqualität – der Fähigkeit, sich an den Kontext anzupassen, langfristig zu denken und ein persönliches und selektives Gedächtnis aufzubauen. Ein praktisches Beispiel? Trotz der Fortschritte hat noch kein KI-Agent ein Spiel entwickelt, das in der Lage ist, die Weltrangliste anzuführen, obwohl heute jeder in einer halben Stunde einen Prototyp erstellen kann, für den der 17-jährige Hassabis sechs Monate brauchte. Es fehlen noch die „Seele“ und die tiefe Kreativität, die einem Werk Sinn und Wert verleihen: der menschliche Antrieb, der ein Werkzeug in ein Meisterwerk verwandelt. Und doch wird die Grenze immer dünner. Hassabis prognostiziert, dass wir in den nächsten 6 bis 12 Monaten Teams sehen werden, die in der Lage sind, ihre Produktivität mithilfe von KI-Agents um das Tausendfache zu steigern, bevor die vollständige Autonomie tatsächlich eintritt. Und die Frage, die sich stellt, lautet: Was passiert, wenn diese Fähigkeiten nicht nur in den Händen einiger weniger Labore liegen, sondern in Open-Source-Modellen verbreitet sind, die klein genug sind, um auf einem Smartphone zu laufen, und leistungsstark genug, um echte Probleme zu lösen? Hier ist das Modell Gemma, das in zwei Wochen 40 Millionen Mal geöffnet und heruntergeladen wurde, nur der Anfang. Für diejenigen, die den nächsten wissenschaftlichen Durchbruch erzielen wollen, gibt Hassabis zwei Regeln vor: Suchen Sie nach Problemen, die einen enorm großen Forschungsbereich haben – wie z. B. Proteinkonfigurationen oder Züge im Go, wo es keinen Brute-Force-Algorithmus gibt, der mithalten kann – und definieren Sie ein klares Ziel, eine „Zielfunktion“, auf die Sie sich konzentrieren können. Dann braucht man entweder viel echtes Experimentieren oder genügend Daten, um das Universum zu simulieren, das man erforschen möchte. In diesem Zusammenhang werden die neuen KIs nicht nur „Problemlöser“ sein, sondern auch Co-Wissenschaftler werden können: Sie werden nicht nur in der Lage sein, Antworten zu finden, sondern auch radikal neue Fragen zu stellen, wie z. B. die nächsten Probleme des Millenniums zu „erfinden“, die es wert sind, gelöst zu werden. Hassabis schlägt sogar einen Test vor: Eine KI mit Daten aus der Zeit vor 1901 zu trainieren und zu beobachten, ob sie, wie Einstein 1905, die Spezielle Relativitätstheorie selbst „entdecken“ kann. Das ultimative Ziel besteht nicht nur darin, schwierige Probleme zu lösen, sondern auch neue Wissensgrenzen zu erschließen. Und dieser Ansatz birgt eine Überraschung: Hassabis glaubt nicht an das „einzige Supergehirn“, das alles enthält. Stattdessen denkt er an allgemeine Systeme, die spezialisierte Tools verwenden – eine Art KI-Orchester, in dem jedes Modell eine Sache gut kann, aber mit den anderen zusammenarbeitet. Die Idee, die für die Zukunft benötigt wird, ist nicht nur mehr Leistung, sondern auch mehr Koordination und mehr „Handfertigkeit“ beim Einsatz der Tools. Wenn Sie sich fragen, was der Unterschied zwischen einem Start-up ist, das mit KI wirklich Wissenschaft betreibt, und einem, das lediglich eine API verpackt, lautet die Antwort: Echte Wirkung erzielen diejenigen, die fundiertes Fachwissen aus mehreren Bereichen kombinieren, nicht nur aus der Informatik, sondern auch aus der Physik, der Biologie und der Materialwissenschaft. Hassabis schließt mit einem Ratschlag, der wie eine Herausforderung klingt: „Schwierige Probleme sind nicht komplizierter als einfache. Sie sind nur auf eine andere Art und Weise schwierig. Wenn du nur ein Leben hast, widme es etwas, das die Welt verändern würde, wenn du nicht da wärst.“ Die allgemeine Intelligenz wird vielleicht kommen, während wir noch unterwegs sind. Aber die eigentliche Frage lautet: Was würdest du heute entwickeln, wenn du wüsstest, dass dein Werkzeug morgen die Spielregeln ändern könnte, während du noch spielst? Die wahre Innovation liegt nicht in der Größe des Modells, sondern in der Qualität der Fragen, die wir dank ihm stellen können. Wenn diese Vision Ihnen eine neue Perspektive auf KI und Wissenschaft eröffnet hat, können Sie auf Lara Notes auf „I'm In“ klicken – so erklären Sie, dass diese Idee jetzt auch Ihre Idee ist. Und wenn du morgen mit jemandem über AlphaFold oder über Modelle, die Fragen erfinden, diskutierst, kannst du dieses Gespräch mit Shared Offline taggen: Denn wirklich gute Ideen entstehen immer zuerst in einem persönlichen Gespräch. Diese Notiz basiert auf einem Interview von Y Combinator mit Demis Hassabis und hat Ihnen 37 Minuten erspart.