KI ist blind

Die nächste Grenze der Intelligenz liegt nicht in der Skalierung, sondern im Zugang zur Realität

Es gibt Momente in der Geschichte, in denen eine Technologie so schnell wächst, dass wir beginnen, ihre Richtung mit ihrem Ziel zu verwechseln. Künstliche Intelligenz befindet sich in genau einem solchen Moment. Mehr Rechenleistung. Mehr Daten. Größere Modelle. Und das Gefühl, dass wir uns auf einer nahezu linearen Bewegung in Richtung dessen, was wir als Allgemeine Künstliche Intelligenz befinden. In absehbarer Zeit werden wir Systeme sehen, die das menschliche Gehirn in seiner schieren Größe nachbilden. Über 80 Milliarden Neuronen, gespiegelt in Silizium.

Und doch fehlt etwas im Fundament. Diese Systeme verarbeiten Sprache, ohne Bedeutung zu verstehen. Sie simulieren Intelligenz, ohne Bewusstsein. Sie optimieren Ergebnisse, ohne das zu begreifen, was wir Realität nennen. Was fehlt, ist nicht Leistung. Was fehlt, ist Zugang zur Welt.

Intelligenz skalieren vs. Realität erfassen

Die Systeme, die wir heute als künstlich intelligent bezeichnen, operieren auf Abstraktionen. Tokens, Vektoren, Wahrscheinlichkeiten. Sie erkennen Muster, modellieren Zusammenhänge und extrapolieren aus Daten.

Doch sie operieren ausschließlich im Raum des Darstellbaren. Sie handeln nicht in der Welt, sondern greifen lediglich auf unsere Beschreibung der Welt zu.  Und dieser Unterschied bleibt lange unsichtbar,  solange wir uns in Benchmarks bewegen. Doch die physische Welt kennt keine Benchmarks. Sie ist kein Datensatz. Sie ist nicht statisch. Sie ist nicht sauber. Und sie ist nicht wiederholbar. Sie ist ein kontinuierlicher Strom. Ein Geflecht aus Unsicherheit, Rauschen, physischer Instabilität und sozialer Komplexität. Ein Raum, in dem das, was wir Wahrnehmung nennen, nicht punktuell, sondern permanent stattfindet. Und genau hier beginnt sich die eigentliche Grenze zwischen Repräsentation und kontinuierlicher Weltinteraktion zu zeigen. Denn Leben ist keine Abstraktion.

Der blinde Fleck

Was wir Leben nennen, ist ein biologisches, physisches, dynamisches Geschehen, das sich nicht vollständig in Datenpunkte zerlegen lässt. Es ist verkörpert, situativ, flüchtig — und in genau dieser Flüchtigkeit liegt seine Komplexität. Wir können dieses Signal bislang nicht vollständig erfassen — zumindest nicht präzise, in Echtzeit und im notwendigen Maßstab. Das ist der blinde Fleck.

Und genau an diesem Punkt entsteht ein Spannungsfeld. In den führenden Laboren der Welt wächst dennoch die Überzeugung, dass wir uns auf direktem Weg zur Allgemeinen Künstlichen Intelligenz befinden. Einige der klügsten Köpfe unserer Zeit gehen davon aus, dass wir nur noch wenige Jahre von ihr entfernt sind.

Diese Annahme ist nicht unbegründet. Skalierung funktioniert. Rechenleistung wächst exponentiell. Modelle zeigen emergente Fähigkeiten. Neue Architekturansätze und World Models erweitern die Fähigkeit, komplexe Zusammenhänge zu modellieren. Doch sie beantworten eine andere Frage als die, die wir eigentlich stellen müssten. Denn ein System kann Repräsentationen der Welt erzeugen und verarbeiten, und diese Fähigkeit beliebig steigern, ohne jemals Zugang zu der Realität zu erhalten, auf die diese Repräsentationen verweisen.

Es kann immer besser werden in dem, was es tut. Und gleichzeitig blind bleiben für das, was es ist, das es da verarbeitet. Diese Blindheit wird erst dann sichtbar, wenn wir die Simulation verlassen. Wenn wir beginnen, Intelligenz nicht nur zu messen,sondern zu verkörpern.

Die Illusion des Humanoiden

Die Vision des humanoiden Roboters ist deshalb mehr als ein technisches Projekt. Sie ist ein Test. Die zugrunde liegende Die zugrunde liegende Annahme ist einfach:

Dass Intelligenz zunächst entsteht, und erst dann verkörpert werden kann. Ein Roboter wird sehen, verstehen, handeln — so wie wir. Doch diese Annahme unterschätzt, was es bedeutet, in der Welt zu sein. Ein humanoider Roboter löst keine klar definierten Aufgaben. Er existiert in einem offenen System. In einem Raum, in dem sich Bedingungen permanent verändern, in dem Wahrnehmung kontinuierlich ist, und in dem jede Handlung neue Unsicherheiten erzeugt. Das Problem ist kein reines Skalierungsproblem.

Es ist ein Kontinuitätsproblem.

Hier verschiebt sich der Begriff von Intelligenz. Die vielleicht größte ungelöste Herausforderung liegt nicht in isolierter Intelligenzleistung, sondern im kontinuierlichen Lernen. Heutige Systeme werden trainiert, deployt und in Intervallen aktualisiert. Sie lernen in Versionen. Das menschliche Gehirn hingegen lernt im Vollzug, ohne klaren Anfang und Abschluss.

Es integriert Erfahrungen nahtlos. Es aktualisiert fortlaufend seine internen Repräsentationen der Welt und konstruiert dabei Kohärenz über die Zeit. Ein wirklich intelligentes System wäre nicht eines, das isolierte Aufgaben gut löst, denn die reale Welt stellt keine isolierten Aufgaben. Sondern eines, das sich kontinuierlich anpasst. Aus dieser Perspektive verändert sich die Architekturfrage grundlegend. Der Engpass ist nicht mehr primär Rechenleistung oder Modellgröße. Denn ein System, das kontinuierlich in der realen Welt agiert, muss nicht nur Entscheidungen treffen, es muss Wahrnehmung verarbeiten, Erfahrungen speichern und Handlungen in Echtzeit koordinieren.

Genau daraus entstehen neue Engpässe: Speicher für Erfahrung, Bandbreite für kontinuierliche Verarbeitung, und Energie für beides.

Ein System, das kontinuierlich in der realen Welt agiert, muss gleichzeitig sehen, hören, räumlich verstehen, motorisch reagieren, sozialen Kontext erfassen und Erfahrungen speichern. Und das alles in Echtzeit. Hier entsteht eine fundamentale Spannung: Cloud bedeutet Latenz. On-device bedeutet Energiegrenzen. Skalierung bedeutet Kommunikationsengpässe.

Die energetische Grenze

Die Konsequenz liegt nicht in der Theorie, sondern in der Physik. Ein vollständig autonomer Humanoid, der kontinuierlich lernt und handelt, würde nach heutiger Architektur enorme Rechenleistung, Energie und Kühlung benötigen. Die logische Konsequenz wäre eine Maschine, die — im übertragenen Sinne — ein Rechenzentrum, ein Kernkraftwerk und Kühleinheiten hinter sich herzieht. Ein Bild, das absurd wirkt. Und gerade deshalb so nah an der Realität ist.

An diesem Punkt beginnt sich die Diskussion zu verschieben. Nicht weg von künstlicher Intelligenz. Sondern tiefer hinein. Zur Frage nach dem Rechen-Substrat selbst. Hier wird die Frage nach dem quantenbasierten Rechnen konkret.

Das neue Substrat der Intelligenz

Erste Arbeiten im Bereich des Quantencomputings zeigen, dass bestimmte Klassen von Daten mit exponentiell weniger Speicher verarbeitet werden können. Insbesondere hochdimensionale, dynamische Strukturen — genau jene, die in der realen Welt dominieren.

Was daraus folgt, ist weniger eine Lösung als eine Verschiebung der Perspektive. Es zeigt, Dass klassisches Rechnen allein nicht ausreicht, um kontinuierliche, verkörperte Intelligenz effizient zu ermöglichen. Und dass die nächste Grenze nicht nur im Modell liegt, sondern im physikalischen Substrat der Berechnung. Wenn das zutrifft, liegt der nächste Entwicklungssprung nicht in größeren Modellen, sondern aus einem tieferen Zugang zur Realität, dort, wo sich Messung, Infrastruktur und Verständnis verbinden.

Wir werden humanoide Systeme bauen. Das ist nicht die Frage. Die Frage ist, was sie sein werden. Autonome, kontinuierlich lernende Akteure in der realen Welt, oder Systeme, die auf Unterstützung angewiesen bleiben, verzögert reagieren und letztlich von der Realität entkoppelt sind. Systeme, die Intelligenz simulieren,  aber nicht in der Lage sind, sie im kontinuierlichen Austausch mit der Welt zu realisieren.

Vielleicht liegt der eigentliche Fehler darin, dass wir versuchen, Intelligenz als Objekt zu bauen, als etwas Abgeschlossenes. Dabei ist Intelligenz kein Zustand. Sie ist ein Prozess. Ein Zusammenspiel von Wahrnehmung, Erinnerung, Anpassung und der Fähigkeit, bestehende Strukturen zu überschreiten.

Ein Gedanke, den wir als Artificial Human Intelligence (AHI) beschreiben.

Wenn wir das nicht verstehen, werden wir Maschinen erschaffen, die uns ähneln. Vielleicht sogar perfekt. Aber nicht notwendigerweise solche, die die Welt so verstehen, wie wir sie erfahren. Und vielleicht führt uns diese Entwicklung zu einer anderen Frage. Nicht, wie wir intelligentere Maschinen bauen. Sondern, ob wir selbst eine neue Form von Intelligenz werden müssen.

Vielleicht ist die Frage, was es bedeutet, Mensch zu sein, nicht länger nur philosophisch. Sondern praktisch.

 

Wenn du an der Schnittstelle von Leben, Infrastruktur, Intelligenz und Energie arbeitest, interessiert mich, woran du wirklich baust.