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
epoch30. Mai 2025 · Q004995

How many AI models will exceed compute thresholds?

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI projiziert, dass bis 2030 im mittleren Szenario etwa 200 bis 235 bemerkenswerte KI-Modelle die Trainingsschwelle von 10²⁶ FLOP überschreiten könnten; alternative Szenarien reichen von rund 60 bis 500. Die Schätzung beruht auf historischen Trends und erfasst nur öffentlich bekannte, bemerkenswerte Modelle mit eigenem Trainingslauf, sodass die tatsächliche Gesamtzahl – besonders unterhalb der Rechenspitze – höher liegen kann.

Mittel

Epoch AI schätzt, wie viele öffentlich bekannte und als bemerkenswert eingestufte KI-Modelle künftig bestimmte Schwellen beim Trainingsaufwand überschreiten könnten. Das Projektionsmodell kombiniert sechs Faktoren, darunter Investitionen in den größten Trainingslauf, die jährliche Modellzahl und die Verteilung des Rechenaufwands. Es stützt sich auf historische Daten von 2010 bis 2024 und betrachtet ein mittleres sowie ein konservatives und ein aggressives Entwicklungsszenario.

Für die Schwelle von 10²⁶ FLOP beim Training erwartet das mittlere Szenario bis 2030 etwa 200 bis 235 Modelle. Die Alternativen reichen von rund 60 im konservativen bis etwa 500 im aggressiven Szenario. Der Bericht folgert, dass feste Rechenschwellen binnen weniger Jahre sehr viele Modelle erfassen könnten und Regulierung deshalb wachsende Fallzahlen oder angepasste Schwellen berücksichtigen müsste.

Die Werte sind unsichere Projektionen, keine vollständige Zählung aller KI-Modelle. Berücksichtigt werden nur öffentlich bekannte, bemerkenswerte Modelle mit schätzbarem Trainingsaufwand und eigenem Trainingslauf; Varianten nach dem Training zählen nicht separat. Besonders unterhalb der Rechenspitze kann die tatsächliche Zahl laut Bericht mindestens viermal höher sein. Zudem bleiben unter anderem algorithmischer Fortschritt, Wechselwirkungen der Modellinputs und mögliche politische oder globale Einschnitte nur teilweise oder gar nicht berücksichtigt.

Ausführlich lesen

Der Bericht von Epoch AI untersucht, wie viele öffentlich bekannte und als „bemerkenswert“ eingestufte KI-Modelle künftig bestimmte Schwellen beim Trainingsaufwand überschreiten könnten. Die Autorinnen und Autoren wollen damit eine Lücke schließen: Bisherige Arbeiten betrachteten vor allem das Wachstum des Trainingsaufwands einzelner Spitzenmodelle, nicht aber, wie viele Modelle eine bestimmte Rechenschwelle erreichen. Das Thema ist auch für Regeln relevant, die Modelle anhand ihres Trainingsaufwands erfassen, etwa die im Bericht genannte Schwelle des EU AI Act.

Für die Projektionen verknüpft ein Modell sechs Faktoren: die Investition in den größten Trainingslauf eines Jahres, die Gesamtzahl bemerkenswerter Modelle, die Zahl der Modelle nahe der Rechenspitze, die Hardwareleistung pro Dollar, die Dauer des Trainings und die historische Verteilung des Rechenaufwands über Modelle. Drei Faktoren variieren zwischen den Szenarien; die übrigen werden probabilistisch berücksichtigt und tragen zu den Unsicherheitsintervallen bei. Grundlage sind historische Daten der Epoch-Datenbank von 2010 bis 2024. Das Modell schätzt zunächst die Rechenleistung des größten Trainingslaufs, verteilt den Aufwand anhand einer angepassten historischen Verteilung auf Modelle und zählt anschließend, wie viele die jeweiligen Schwellen überschreiten.

Im mittleren Szenario setzt der Bericht die jüngsten Trends fort. Danach könnten bis 2030 etwa 235 Modelle mehr als 10²⁶ FLOP beim Training benötigen; an anderer Stelle rundet der Bericht dies auf etwa 200 auf. Die Projektion nennt für diese Schwelle ungefähr 10 Modelle bis 2026 und 80 bis 2028. Für 10²⁷ FLOP sollen entsprechende Modelle etwa ein Jahr später auftreten, bis 2030 aber ebenfalls auf über 100 anwachsen. Zwei alternative Szenarien zeigen eine große Spannweite: Für 10²⁶ FLOP nennt das konservative Szenario rund 60 Modelle bis 2030, das aggressive etwa 500. Die Bandbreite hängt unter anderem davon ab, ob Investitionen stagnieren oder stark wachsen, wie viele Modelle pro Jahr entstehen und wie viele nahe an der Rechenspitze liegen. Die Vorhersagen beruhen auf Trendfortschreibungen, historischen Daten, Einschätzungen möglicher Skalierungsengpässe, Infrastrukturplänen und Prognosen von 13 Epoch-AI-Mitarbeitenden.

Die Verfasser folgern, dass eine feste Rechenschwelle zunächst wenige Spitzenmodelle erfassen, binnen weniger Jahre aber Hunderte einschließen könnte. Regulierung müsste sich laut Bericht daher auf viele erfasste Modelle einstellen oder Schwellen im Zeitverlauf anpassen.

Die Ergebnisse sind Projektionen, keine Zählung aller künftigen Modelle. Erfasst werden nur öffentlich bekannte, bemerkenswerte Modelle mit schätzbarem Trainingsaufwand und einem eigenen Trainingslauf; nachtrainierte Varianten werden nicht separat gezählt. Die Abdeckung dürfte besonders weit unterhalb der Rechenspitze lückenhaft sein; dort könnte die tatsächliche Modellzahl laut Bericht mindestens viermal höher liegen. Weitere Grenzen: Die historische Rechenverteilung könnte sich ändern, Wechselwirkungen zwischen Investitionen, Hardware und Trainingsdauer sowie algorithmischer Fortschritt werden nicht ausdrücklich modelliert, und politische Eingriffe oder einschneidende Ereignisse könnten den Verlauf verändern. Die Unsicherheitsintervalle bilden zudem nur bestimmte Modellinputs ab.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassung gibt den Bericht im Kern treu wieder, übernimmt aber die Zahlen 200 bis 235 und 60 bis 500 aus verschiedenen Berichtsstellen ohne Kennzeichnung; die Aussage zu einer mindestens vierfachen Unterschätzung ist etwas stärker als der Bericht („could easily be 4x higher“). Die drei Sammelfragen und drei Teilfragen decken Themen ab, zu denen der Bericht kaum Belege liefert; die Einordnung fällt daher niedrig aus.

Im Bericht, aber nicht in der Zusammenfassung

  • 80-%-Konfidenzintervalle der Projektionen
  • Sensitivitätsanalyse: Verteilung des Rechenaufwands und Gesamtzahl der Modelle sind die wichtigsten Stellgrößen der Projektion

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
  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 24 %Hintergrund, keine Belege
    • Luna 73 %Hintergrund, keine Belege
    • JEV 30 %Hintergrund, keine Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 38 %Hintergrund, keine Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 28 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F4-T01 Einigen sich Staaten auf eine Definition von „Frontier-Modell“ (Modell an der vordersten Grenze der Entwicklung), nach Rechenaufwand, Fähigkeit oder Einsatz, und veröffentlicht jeder, welche Modelle seiner eigenen Firmen darunter fallen, damit alle über dieselben Modelle sprechen und keine Firma sich das passende Kriterium aussucht? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
    • SF-F4-T05 Wie sollen eingebettete Prüfer (unabhängige Prüfer mit dauerhaftem, mitarbeiterähnlichem Zugang in KI-Firmen) auch bei kleineren KI-Firmen zum Einsatz kommen, die gefährliche Fähigkeiten entwickeln können, ohne nach Rechenaufwand oder Umsatz zur Spitze zu zählen? Luna: Stufe 3 · 47 % · Hintergrund, keine Belege
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 23 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 27 %Hintergrund, keine Belege
    • Luna 43 %einzelne zitierbare Belege
    • JEV 46 %gleiches Oberthema, hilft nicht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • 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 · 50 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-P4-T02 Verpflichten sich Staaten jeweils, ein Register der Trainingsläufe über einer festgelegten Rechenschwelle zu veröffentlichen, damit kein Staat heimlich über vereinbarte Grenzen hinaus wachsen kann? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 30 %Hintergrund, keine Belege
    • Luna 59 %einzelne zitierbare Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 27 %einzelne zitierbare Belege
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 24 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-T1-T01 Welche messbaren, maschinell prüfbaren Fähigkeitsschwellen sollen Labore veröffentlichen, die vor dem Einsatz von Agentensystemen eine verpflichtende Pause und eine Prüfung von außen auslösen, abgestimmt über alle Labore hinweg? Wer führt das Register, und wo soll die Gesellschaft die verbindliche Sicherheitsgrenze für weitere Steigerungen der Fähigkeiten ziehen? Luna: Stufe 3 · 27 % · Hintergrund, keine Belege
    • SF-T1-T02 Welche messbaren Schwellen halten die weitere Skalierung von KI-Modellen automatisch an, wer prüft sie, und wie bleiben diese Auslöser bindend, wenn der Wettbewerb drückt? Luna: Stufe 4 · 30 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 31 %Hintergrund, keine Belege
    • Luna 57 %Hintergrund, keine Belege
    • JEV 24 %gleiches Oberthema, hilft nicht
    • amos 32 %Hintergrund, keine Belege
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-T2-T01 Welche öffentliche, nachprüfbare Handlung würde als Verzicht auf weitere Skalierung zählen, nicht nur eine Ankündigung? Was müsste ein Labor veröffentlichen, damit eine rivalisierende Regierung bestätigen kann, dass wirklich pausiert wurde, und welche nachträglichen Belege würden zeigen, dass keine Fähigkeitszuwächse zurückgehalten wurden, etwa durch nicht offengelegte Änderungen an Rechenleistung beim Einsatz oder Werkzeugzugang oder durch einen nicht offengelegten Austausch von Modellen? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
    • SF-T2-T04 Würde ein Labor eine Verlangsamung akzeptieren, deren Einhaltung es bei der Konkurrenz nicht prüfen kann? Luna: Stufe 3 · 42 % · Hintergrund, keine Belege
    • SF-T2-T07 Wer entscheidet, wenn Regierungen uneins sind, wo eine Fähigkeitsschwelle liegt, nach welchem Verfahren und in welcher Frist, und läuft das strittige Modell weiter, pausiert es oder läuft es nur unter Bedingungen, die alle Beteiligten beobachten können? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 35 %Hintergrund, keine Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
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 58 %Hintergrund, keine Belege
    • JEV 29 %nur am Rande erwähnt
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 48 %einzelne zitierbare Belege
    • JEV 44 %Hintergrund, keine Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-V5-T01 Was sollte ein Modell schon heute tun, nicht erst bei rekursiver Selbstverbesserung (wenn KI ihre eigene Weiterentwicklung selbst vorantreibt), um äußerste Vorsicht angesichts rasch wachsender maschineller Intelligenz ernst zu nehmen? Luna: Stufe 3 · 42 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 62 %Hintergrund, keine Belege
    • JEV 42 %gleiches Oberthema, hilft nicht
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %Hintergrund, keine Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 80 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
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 85 %Hintergrund, keine Belege
    • JEV 41 %gleiches Oberthema, hilft nicht
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E1-T04 Wie bekommen Staaten, in denen kein Spitzenlabor sitzt, einen echten Platz beim Setzen internationaler technischer KI-Normen, damit KI in der Praxis ein gemeinsames Gut bleibt und nicht nur wenige Regierungen und Firmen die Regeln schreiben? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 27 %Hintergrund, keine Belege
    • Luna 36 %Hintergrund, keine Belege
    • JEV 56 %einzelne zitierbare Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 35 %nur am Rande erwähnt
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  4. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E4-T03 Wie können gemeinsame Sicherheitsregeln verhindern, dass hohe Kosten der Einhaltung den Markt auf wenige reiche Labore verengen, und trotzdem kleine Entwickler und Open-Source-Entwickler auf dieselbe Mindestschwelle für Sicherheit verpflichten? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
  5. 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 48 %Hintergrund, keine Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 3 · 53 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Wirtschaft und Haftung
  1. SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

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 →