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
epoch7. März 2022 · Q005190

Projecting compute trends in machine learning

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI schreibt historische Trends beim ML-Trainingsaufwand fort und projiziert, dass sechs biologische Rechenanker zwischen etwa 2030 und 2072 erreicht werden könnten; für den mittleren nennt der Bericht August 2046 als Zeitpunkt und ein breites Unsicherheitsintervall. Die Ergebnisse sind Projektionen ohne algorithmischen Fortschritt, und im Quelltext fehlen Formeln sowie konkrete FLOP-Werte.

Mittel

Epoch AI projiziert historische Trends beim Trainingsaufwand für ML-Modelle über Jahrzehnte in die Zukunft. Grundlage sind mehr als hundert wichtige Modelle seit 1952. Der Bericht zufolge verdoppelte sich der Rechenaufwand im Deep-Learning-Zeitalter etwa alle sechs Monate, gegenüber rund 20 Monaten zuvor. Weil die schnelle Rate vermutlich nicht dauerhaft tragfähig ist, modelliert Epoch einen späteren Übergang zu einem langsameren Trend. Drei Szenarien setzen das Ende der schnellen Verdopplung in etwa acht, zwölf oder 18 Jahren an; sie werden mit 75, 20 beziehungsweise 5 Prozent gewichtet. Die Simulationen berücksichtigen Unsicherheit bei Wachstumsraten und Übergangszeitpunkt.

Den Projektionen zufolge könnte der niedrigste von sechs biologischen Rechenankern um 2030, der mittlere um August 2046 und der höchste um Mai 2072 erreicht werden. Für den mittleren Anker nennt Epoch ein 95-Prozent-Intervall von Juni 2039 bis Juli 2060. Das sind ausdrücklich Projektionen, keine umfassenden Vorhersagen. Algorithmischer Fortschritt wird nicht berücksichtigt; Kosten und Ausgaben werden nicht separat prognostiziert. Im Quelltext fehlen Formelteile und konkrete FLOP-Werte, weshalb diese nicht angegeben werden können.

Ausführlich lesen

Der Bericht von Epoch AI untersucht, was sich aus rund 70 Jahren historischer Trends beim Rechenaufwand für das Training großer maschineller Lernmodelle ableiten lässt. Er betont, dass es sich um Projektionen durch Fortschreibung beobachteter Trends handelt, nicht um allumfassende Vorhersagen darüber, wie viel Rechenleistung künftig tatsächlich eingesetzt wird.

Als Grundlage dient ein Datensatz mit mehr als hundert wichtigen ML-Modellen von 1952 bis zur Gegenwart, ergänzt durch eine frühere Analyse der Entwicklung des Trainingsaufwands. Laut dieser Analyse verdoppelte sich der Rechenaufwand im Deep-Learning-Zeitalter etwa alle sechs Monate. Für die Zeit davor nennt der Bericht eine Verdopplung ungefähr alle 20 Monate, in etwa im Einklang mit Moore’s Law. Weil die schnellere Entwicklung auf Dauer schwer aufrechtzuerhalten sei, modelliert Epoch einen Zeitpunkt, ab dem der Trend wieder näher an die historische Rate heranrückt.

Für diesen Übergang betrachtet der Bericht drei Szenarien. Im vorsichtigen Szenario könnte die Verdopplung alle sechs Monate noch etwa acht Jahre anhalten, im mittleren etwa zwölf Jahre und im optimistischen etwa 18 Jahre. Diese Szenarien werden mit den Gewichten 75, 20 und 5 Prozent zu einer Verteilung möglicher Übergangszeitpunkte kombiniert. Die Simulationen berücksichtigen außerdem Unsicherheit in den geschätzten Wachstumsraten vor und während des Deep-Learning-Zeitalters. Epoch stellt ein Colab-Notebook zur Nachbildung und Anpassung der Gewichtung bereit.

Den Projektionen zufolge könnte der niedrigste der sechs biologischen Anker aus Cotras Bericht 2020 über Zeitspannen bis zu transformative KI um August 2030 erreicht werden; das angegebene 95-Prozent-Intervall reicht von Januar 2029 bis Mai 2038. Der mittlere Anker könnte um August 2046 erreicht werden (95-Prozent-Intervall: Juni 2039 bis Juli 2060), der höchste um Mai 2072 (Januar 2057 bis Juni 2089). Die Tabelle im vorliegenden Quelltext zählt für 2040 einen von sechs, für 2050 drei, für 2060 und 2070 jeweils fünf und für 2080 alle sechs Anker als erreicht. Für 2025 und 2030 nennt sie keinen erreichten Anker.

Die Autorinnen und Autoren folgern, dass eine kurze Fortsetzung historisch beobachteter Skalierung die Entwicklung in einen Bereich bringen könnte, in dem transformative Modelle trainiert werden. Sie weisen zugleich auf wesentliche Grenzen hin: Algorithmischer Fortschritt wird nicht einbezogen, und weder künftige Ausgaben für Rechenleistung noch deren Kosten werden separat prognostiziert. Die Projektionen bilden frühere Ausgabenbereitschaft und sinkende Rechenkosten indirekt in den historischen Trends ab. Der Bericht hält zudem einen Bruch oder eine Veränderung von Moore’s Law in den kommenden Jahrzehnten für möglich. Im überlieferten Quelltext fehlen Teile der Formeln sowie konkrete FLOP-Werte in der Tabelle; deshalb lassen sich diese Angaben hier nicht zusammenfassen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Geprüft wurde die mittlere Zusammenfassung; die kurze Fassung ist sachlich ebenfalls treu, lässt aber dieselbe Schlussfolgerung zu transformativen Systemen aus. Die Einordnung stützt sich nur auf den Berichtstext, die Sammelfragen beziehen sich nicht direkt auf dessen Thema.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Schlussfolgerung des Berichts, dass historische Skalierungsraten, auch wenn sie nur kurz anhalten, die Menschheit in neuartiges Terrain bringen könnten, in dem transformative Systeme wahrscheinlich trainiert würden

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 36 %Hintergrund, keine Belege
    • JEV 46 %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 100 %kein Bezug
    • JEV 36 %Hintergrund, keine Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 38 %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 25 %gleiches Oberthema, hilft nicht
    • Luna 73 %Hintergrund, keine Belege
    • JEV 35 %gleiches Oberthema, hilft nicht
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 36 %Hintergrund, keine Belege
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 89 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 53 %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 39 %Hintergrund, keine Belege
    • JEV 31 %Hintergrund, keine Belege
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

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 →