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
epoch31. Mai 2023 · Q004196

Direct Approach interactive model

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AIs interaktives Modell schätzt, wann verfügbare effektive Rechenleistung den angenommenen Bedarf für transformative KI übersteigt; unter Standardannahmen liegt der Median bei 2029, mit 57 Prozent Wahrscheinlichkeit bis 2030 und 85 Prozent bis 2050. Die Autoren betonen, dass dies eine unsichere Extrapolation historischer Trends und keine allumfassende Prognose ist.

Mittel

Epoch AI beschreibt ein interaktives Modell, das abschätzt, wann genügend effektive Rechenleistung für einen Trainingslauf zu transformativer KI verfügbar sein könnte. Als TAI-Ankunft gilt im Modell das Jahr, in dem diese verfügbare Leistung den nach dem „Direct Approach“ geschätzten Rechenbedarf übersteigt. Dafür werden vier Bereiche kombiniert: Rechenbedarf, algorithmischer Fortschritt, Investitionen in Trainingsläufe sowie Hardwareleistung und -kosten.

Unter den Standardannahmen ergibt das Modell eine Wahrscheinlichkeit von 57 Prozent für TAI bis 2030, 85 Prozent bis 2050 und 91 Prozent bis 2100. Der Median liegt bei 2029; das 10. und 90. Quantil bei 2025 und 2084. Die Autoren betonen, dass diese Werte keine umfassende persönliche Prognose darstellen, sondern Resultate eines extrapolativen Modells sind.

Die Annahmen umfassen historische Trends und teils subjektive Schätzungen, etwa zur Übertragbarkeit algorithmischer Fortschritte und zu maximalen Trainingsausgaben. Der Bericht weist darauf hin, dass Extrapolationen wirtschaftliche Ursachen der Trends nicht ausdrücklich modellieren und besonders lange Zeiträume womöglich zu wahrscheinlich erscheinen lassen. Die Zahlen hängen daher wesentlich von unsicheren Modellparametern ab.

Ausführlich lesen

Der Bericht stellt ein interaktives, anpassbares Modell von Epoch AI vor, das abschätzt, wann ein Trainingslauf für transformative KI möglich werden könnte. Transformative KI wird dabei als KI verstanden, die bei breitem Einsatz Veränderungen vergleichbar mit der industriellen Revolution auslösen könnte. Das Modell beurteilt nicht direkt, wann solche Auswirkungen tatsächlich eintreten: Es setzt die Ankunft von TAI für ein Jahr dann an, wenn die verfügbare effektive Rechenleistung den geschätzten Bedarf übersteigt.

Die Schätzung verbindet vier Bereiche: den Rechenbedarf nach dem „Direct Approach“, Fortschritte bei Algorithmen, Investitionen in große Trainingsläufe sowie verfügbare und bezahlbare Rechenhardware. Der Direct Approach extrapoliert ein neuronales Skalierungsgesetz, um den Rechenbedarf für menschliches Leistungsniveau bei einer potenziell transformativen Aufgabe abzuleiten. Dafür nutzt das Modell unter anderem Annahmen dazu, wie viele Texttokens nötig wären, um menschliche und maschinelle Arbeit zuverlässig zu unterscheiden, und wie schwierig diese Unterscheidung für menschliche Prüfer ist. Die Autoren bezeichnen die daraus abgeleitete Obergrenze als spekulativ; sie passen sie zusätzlich anhand bisheriger Trainingsläufe an und verschieben die Verteilung zugunsten geringerer Rechenbedarfe.

Für den künftigen Rechenbedarf berücksichtigt das Modell angenommene Verbesserungen bei Algorithmen und Hardware sowie das Wachstum der Trainingsausgaben. Bei algorithmischem Fortschritt orientiert es sich an historischen Verbesserungen in der Computer Vision, ergänzt um subjektiv festgelegte Annahmen zur Übertragbarkeit auf transformative Modelle und zu einer möglichen Obergrenze. Bei Investitionen berücksichtigt es unter anderem historische Ausgaben, erwartetes Wachstum der Weltwirtschaft und eine angenommene maximale Quote der Wirtschaftsleistung, die für einen Trainingslauf aufgewendet werden könnte. Hardwareprojektionen umfassen Rechenleistung pro Dollar und mögliche Spezialisierung auf KI-Aufgaben. Die Ergebnisse beruhen auf vielen Simulationen mit gezogenen Parameterwerten; Unsicherheitsbalken in den Abbildungen umfassen, wo angegeben, 90 Prozent der Verteilung.

Unter den Standardannahmen weist das Modell eine Wahrscheinlichkeit von 57 Prozent für TAI bis 2030, 85 Prozent bis 2050 und 91 Prozent bis 2100 aus. Der Median der modellierten Ankunftsverteilung liegt bei 2029; das 10. und 90. Quantil liegen bei 2025 beziehungsweise 2084. Diese Zahlen sind Modellresultate, keine allumfassende Einschätzung der Autoren zur tatsächlichen Ankunftszeit. Der Bericht versteht das Modell als Beispiel dafür, was informierte Extrapolationen ergeben können, wenn historische Trends fortbestehen.

Als Grenzen nennt der Bericht den extrapolativen Charakter: Hardware, Algorithmen und Investitionen werden aus historischen Daten fortgeschrieben, statt die wirtschaftlichen Prozesse hinter diesen Trends ausdrücklich zu modellieren. Solche Modelle könnten breitere Verteilungen liefern und besonders lange Zeiträume wahrscheinlicher erscheinen lassen als endogene Modelle. Mehrere Eingaben beruhen auf internen Umfragen und sind ausdrücklich unsicher; insbesondere die Fähigkeit von Menschen, KI-generierte Arbeit zu erkennen, sei nicht verlässlich gemessen. Die Resultate hängen daher stark von den gewählten Annahmen ab.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern korrekt, da Zahlen wie Median 2029, 57 Prozent bis 2030, 85 Prozent bis 2050 und 91 Prozent bis 2100 sowie die Quantile 2025 und 2084 stimmen. Sie lässt jedoch die Grenzen des Modells weitgehend aus. Die Einordnung bewertet nur die Nähe des Berichts zu den Fragen und nicht die Wahrscheinlichkeitsangaben von Luna.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Direct-Approach-Schätzung des Rechenbedarfs ist eine weiche Obergrenze, die um 5/7 um 10^25 FLOP skaliert wurde.
  • Die Anpassung an die bisher nicht erreichte TAI bei etwa 10^25 FLOP als Bayes-Update.
  • Der Rechenbedarf stützt sich auf ein Chinchilla-Skalierungsgesetz, das auf Internetdaten statt wissenschaftlichen Daten beruht.

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
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV 49 %gleiches Oberthema, hilft nicht
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung 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 34 %gleiches Oberthema, hilft nicht
    • JEV 32 %einzelne zitierbare Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 44 %einzelne zitierbare Belege
    • JEV 85 %beantwortet direkt und ausführlich
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. 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 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Information und Öffentlichkeit

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 →