Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch21. März 2025 · Q000003

GATE: an integrated assessment model for AI automation

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt GATE vor, ein Modell, das den Kreislauf aus KI-Investitionen, wachsender Rechenleistung, Aufgabenautomatisierung und wirtschaftlicher Produktion abbildet. Die Autoren verstehen seine Ergebnisse als annahmenabhängige Szenarien, nicht als Prognosen von Epoch AI; quantitative Aussagen seien besonders unsicher und teils anfällig für Optimierungsprobleme.

Mittel

Der Bericht erläutert GATE, ein integriertes Modell dafür, wie KI-Investitionen, Automatisierung und wirtschaftliche Produktion zusammenwirken könnten. Eine Rückkopplung bildet den Kern: Investitionen erhöhen die effektive Rechenleistung, KI automatisiert mehr Aufgaben, und höhere Produktion kann weitere Investitionen ermöglichen.

Das Modell umfasst drei Module. Im Rechenmodul wirken Chipausbau, Hardware- und Software-F&E sowie Kosten, Abschreibung und technische Grenzen zusammen. Das Automatisierungsmodul verknüpft Trainings- und Laufzeit-Rechenleistung mit dem Anteil automatisierbarer Aufgaben und der Zahl digitaler Arbeitskräfte. Im Produktionsmodul werden menschliche und digitale Arbeit mit Kapital kombiniert. Ein sozialer Planer verteilt die Produktion auf Konsum, Kapitalbildung und KI-Investitionen, um den langfristigen Nutzen eines repräsentativen Haushalts zu maximieren; die Lösung erfolgt numerisch.

Ergänzungen bilden unter anderem Unsicherheit über erreichbare Automatisierung und mögliche Arbeitsmarktfriktionen ab. Viele Parameter sind unsicher oder spekulativ. Die Autoren betonen, dass die Ergebnisse bedingte Modellprognosen und keine Epoch-AI-Prognosen sind. GATE soll vor allem qualitative Dynamiken untersuchen; quantitative Vorhersagen gelten als deutlich unsicherer und können durch Optimierungsfehler beeinträchtigt sein.

Ausführlich lesen

Der Bericht beschreibt GATE („Growth and AI Transition Endogenous“), ein integriertes Bewertungsmodell dafür, wie KI-Entwicklung, Automatisierung und Wirtschaftswachstum zusammenwirken könnten. Er erläutert Aufbau, Berechnung, Deutung und Standardannahmen des Modells; konkrete Simulationsergebnisse oder eine einzelne Zukunftsprognose stellt dieser Text nicht vor.

Im Zentrum steht eine Rückkopplung: Investitionen erweitern die Rechenkapazität und verbessern Hardware und Software. Leistungsfähigere KI kann dadurch mehr wirtschaftlich nützliche Aufgaben übernehmen. Automatisierung erhöht die Produktion und kann zusätzliche Mittel für weitere KI-Investitionen bereitstellen. GATE bildet diese Dynamik in drei miteinander verbundenen Modulen ab:

- **Rechenkapazität:** „Effektive Rechenleistung“ verbindet physische Rechenleistung mit Softwareeffizienz. Investitionen können mehr Chips und Infrastruktur schaffen oder Forschung und Entwicklung (F&E) finanzieren. Das Modell berücksichtigt dabei unter anderem steigende Kosten bei raschem Ausbau, Abschreibung, begrenzte Produktionskapazitäten und angenommene physikalische Grenzen. Für Hardware- und Software-F&E werden abnehmende Erträge und mögliche technologische Obergrenzen angesetzt. - **Automatisierung:** Die verfügbare Rechenleistung wird auf das Training von KI und deren Betrieb verteilt. Mehr Trainingsleistung erhöht nach einer festgelegten, stückweise linearen Beziehung den Anteil automatisierbarer Aufgaben. Mehr Laufzeit-Rechenleistung kann die Leistung auf bereits automatisierten Aufgaben vertiefen und zusätzliche KI-Arbeitskräfte ermöglichen. Aufgaben unterscheiden sich im Modell sowohl hinsichtlich der nötigen Trainings- als auch der Laufzeit-Rechenleistung. Das Modell ordnet jedoch nicht konkret zu, welche realen Aufgaben zuerst automatisiert würden. - **Produktion:** Menschliche Arbeitskraft und digitale KI-Arbeitskräfte werden mit konventionellem Kapital und gegebenenfalls nicht ausweitbaren Produktionsfaktoren kombiniert. Aufgabeninputs gelten als komplementär, sodass Engpässe bei einzelnen Tätigkeiten die Gesamtproduktion begrenzen können. Die weltweite Produktion wird auf Konsum, herkömmliche Kapitalbildung und KI-Investitionen verteilt. Ein rechnerischer sozialer Planer wählt diese Größen, um den über die Zeit aufsummierten Nutzen eines repräsentativen Haushalts zu maximieren; das komplexe Problem wird numerisch mit einem gradientenbasierten Optimierer gelöst.

Ergänzungen des Modells erlauben Szenarien mit Unsicherheit darüber, welcher Anteil der Aufgaben überhaupt automatisierbar ist, mit unterschiedlichen Annahmen zur Umschulung und Verlagerung menschlicher Arbeit sowie mit einem F&E-„Keil“, der externe Effekte abbilden soll. Die Autoren merken an, dass die gewählte Umsetzung des F&E-Keils auch die sozialen Erträge senkt und deshalb konservativ wirkt. Die beiden Annahmen zur Neuverteilung menschlicher Arbeit – perfekte Verlagerung oder gar keine – werden ausdrücklich als Extreme und nicht als realistische Beschreibungen eingeordnet.

Der Bericht listet zahlreiche Standardparameter und erläutert ihre Herleitung anhand von Literatur, Datenankern und plausiblen Bandbreiten. Zugleich sind viele Werte ausdrücklich unsicher oder spekulativ, darunter der Rechenbedarf für eine allgemeine KI, die Automatisierungsschwelle, die maximal erreichbare Softwareeffizienz und physische Rechengrenzen. Die Darstellung legt daher Wert darauf, Ergebnisse bedingt zu lesen: GATE-Prognosen gelten nur unter den jeweiligen Modell- und Parameterannahmen und sind laut Bericht **keine Prognosen von Epoch AI**. Das Modell eigne sich eher zur Untersuchung qualitativer Dynamiken, sofern Fähigkeitszuwächse vor allem aus mehr physischer Rechenleistung und besseren Algorithmen stammen. Quantitative Vorhersagen seien wesentlich unsicherer und könnten in bestimmten Parameterbereichen wegen Optimierungsproblemen unzuverlässig sein. Zudem setzt das Standardmodell vollständige spätere Automatisierung voraus; die Unsicherheits-Erweiterung verändert zunächst die Erwartungen und Investitionsentscheidungen, während der tatsächliche Automatisierungsgrad im deterministischen Modell dem höchsten angenommenen Szenario folgt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Beide Zusammenfassungen Lunas sind inhaltlich treu; bewertet wurde die mittlere Fassung, die auch den Hinweis auf Optimierungsfehler und die bedingten Prognosen enthält. Die Einordnung stützt sich auf den Bericht, der ein ökonomisches Modell beschreibt und keine Fragen zu Governance, Modellherkunft oder Teilhabe beantwortet.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 24 %Hintergrund, keine Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 25 %Hintergrund, keine Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 40 %gleiches Oberthema, hilft nicht

    • SF-P4-T01 Würden Regierungen Messdaten aus der Lieferkette von Chips (Telemetrie), den Stromverbrauch, gemeldete Verzeichnisse von Trainingsläufen und eine unabhängig überwachte Abrechnung von Strom, Hardware und Rechenaufwand als vertragstauglichen Nachweis für die Größe der Trainingsläufe eines anderen Staates anerkennen, ohne Modellgewichte (die gelernten Parameter) oder Code anzurühren? Und wie sähe eine Prüfordnung für Rechenschwellen aus, die nichts über das Innere der Modelle verrät? Luna: Stufe 3 · 54 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 70 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht

  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 30 %Hintergrund, keine Belege
    • Luna 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 21 %Hintergrund, keine Belege
    • Luna 36 %einzelne zitierbare Belege
    • JEV 40 %Hintergrund, keine Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 65 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-T3-T03 Welche Teile von Training, Prüfung und Einsatz laufen schon heute weitgehend durch KI, und welche Rollen sagt jedes Labor zu, bei Menschen zu lassen, in einer veröffentlichten Liste statt als bloßer Grundsatz? Wenn KI nachfolgende Modelle selbst entwirft, trainiert und prüft: Welcher Mindestanteil der Forschung muss unter direkter menschlicher Prüfung bleiben, und wie belegt man, dass ein Durchbruch mit menschlicher Beteiligung und nicht vollautomatisch entstanden ist? Luna: Stufe 3 · 27 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 37 %beantwortet teilweise oder widerspricht
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 65 %Hintergrund, keine Belege
    • JEV 36 %Hintergrund, keine Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 50 %gleiches Oberthema, hilft nicht
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 46 %umfangreiche Belege
    • JEV 91 %beantwortet direkt und ausführlich
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
  2. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 82 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 86 %Hintergrund, keine Belege
    • JEV 37 %gleiches Oberthema, hilft nicht
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht

  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 36 %einzelne zitierbare Belege
    • JEV 37 %Hintergrund, keine Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →