The plunging price of thought
Zusammenfassung
Kurz
Epoch AI schätzt, dass die Kosten für ein festes KI-Benchmark-Leistungsniveau über fünf Haupttests hinweg in rund drei Jahren durchschnittlich um 47 Prozent pro Quartal sanken; bei neuen Spitzenleistungen sei der Rückgang zunächst oft noch schneller. Die Autoren betonen, dass lückenhafte Daten, mögliche Benchmark-Optimierung, die begrenzte Übertragbarkeit von Testergebnissen auf praktische Arbeit und die gewählte Mittelungsmethode diese Näherungswerte einschränken.
Mittel
Epoch AI schätzt, dass die Kosten, mit denen KI-Modelle ein festes Leistungsniveau auf fünf Mathematik-, Naturwissenschafts- und Spielbenchmarks erreichen, in den untersuchten rund drei Jahren durchschnittlich um 47 Prozent pro Quartal sanken – etwa um den Faktor 13 pro Jahr. Die Autoren vergleichen dabei geschätzte Kosten pro erreichtem Ergebnis, nicht nur Tokenpreise. Dafür leiten sie aus Benchmark-Protokollen Kosten-Leistungs-Kurven ab und untersuchen jeweils die günstigste verfügbare Modelloption. Eigene Tests mit offenen Modellen ergänzen die Daten; bei fünf Modellen lagen die ermittelten Kosten laut Bericht weniger als 30 Prozent von den API-Preisen entfernt.
Die Entwicklung variiert je nach Aufgabe: Mathematik zeigt teils stärkere Rückgänge als Spielrätsel. Bei neuen Spitzenleistungen fällt der Preis laut Modell zunächst besonders schnell; der mittlere Quartalsrückgang sinke von etwa 66 Prozent beim erstmaligen Erreichen eines Leistungsniveaus auf rund 32 Prozent zwei Jahre danach. Diese Werte sind Näherungen: Die Daten umfassen nur etwa drei Jahre, sind lückenhaft und können durch gezieltes Benchmark-Training verzerrt sein. Benchmark-Ergebnisse stehen zudem nicht automatisch für nützliche Arbeit, und reale Nutzer suchen nicht ständig das jeweils günstigste Modell. Auch ist „Preis des Denkens“ keine einheitliche Leistung, weshalb Vergleiche mit anderen Technologien nur eingeschränkt direkt sind.
Ausführlich lesen
Der Bericht von Epoch AI untersucht, wie schnell die Kosten sinken, mit denen KI-Modelle bestimmte Leistungen in Mathematik, Naturwissenschaften und Geschicklichkeitsspielen erreichen. Seine zentrale Schätzung lautet: Über fünf Hauptbenchmarks hinweg fiel der Preis für ein festes Leistungsniveau in den ausgewerteten rund drei Jahren im Durchschnitt um etwa 47 Prozent pro Quartal – laut Autor entspricht das ungefähr dem 13-Fachen pro Jahr. Der Bericht stellt diese Entwicklung als außergewöhnlich schnell dar, betont aber, dass die Zahl eine grobe Schätzung und kein exaktes oder allgemeingültiges Maß ist.
Als anschauliches Beispiel nennt der Autor OpenAIs o3, das laut Bericht Anfang 2025 bei einem geschätzten Aufwand von 30 Cent pro Frage 75 Prozent auf GPQA Diamond erreicht habe. Ein späteres Modell habe dieselbe Leistung für 0,0004 Dollar pro Frage erzielt; daraus leitet der Bericht einen Kostenrückgang um den Faktor 725 in weniger als 18 Monaten ab. Die Werte beziehen sich auf ein bestimmtes Benchmarkziel und die vom Bericht verwendete Kostenmessung.
Methodisch wertet Epoch AI fünf primäre Benchmarks sowie weitere ergänzende Tests aus. Die Analyse soll nicht bloß Tokenpreise vergleichen, sondern die tatsächlichen geschätzten Kosten, um ein bestimmtes Ergebnis zu erzielen. Dazu rekonstruiert sie für einzelne Modelle Kosten-Leistungs-Kurven aus Benchmark-Protokollen: Für verschiedene Tokenbudgets wird gezählt, wie viele Fragen ein Modell innerhalb des Budgets korrekt beantwortet. Die jeweils günstigste verfügbare Kombination aus Modell und Aufwand bildet die Kostenfrontier. Zusätzlich sammelte das Team Daten zu kleineren und effizienteren Modellen und führte eigene Tests mit offenen Modellen durch. Für fünf Modelle, die auch über eine Inferenz-API verfügbar waren, lagen die eigenen Kostenschätzungen laut Bericht weniger als 30 Prozent von den API-Preisen entfernt.
Die Forschenden vergleichen modellfreie Durchschnittswerte mit mehreren statistischen Ansätzen. Sie bevorzugen flexible, monotone Modelle, die an die empirische Kostenfrontier angepasst werden. Andere Varianten lieferten teils wenig plausible Ergebnisse. Weil die Daten lückenhaft und die Extremwerte der Frontier empfindlich gegenüber einzelnen Beobachtungen sind, verzichten die Autoren auf Standardfehler und formale Signifikanztests. Sie beschreiben ihre Ergebnisse als vernünftige, aber grobe Messungen.
Die geschätzten Rückgänge unterscheiden sich nach Aufgabe: Bei Rätselbenchmarks seien sie langsamer, bei Mathematik schneller. Außerdem sinke die Rate häufig mit der Zeit: Im Mittel über die Hauptbenchmarks liege sie beim erstmaligen Erreichen eines neuen Spitzenleistungsniveaus bei rund 66 Prozent pro Quartal und zwei Jahre später bei rund 32 Prozent. Der Bericht vermutet als mögliche Erklärung, dass neue Spitzenleistung zunächst teuer angeboten werden kann, während Wettbewerb und technische Verbesserungen die Kosten anschließend drücken.
Als wesentliche Grenzen nennt der Bericht mögliches gezieltes Training auf bekannte Benchmarks, die nur eingeschränkte Aussagekraft von Testleistungen für praktisch nützliche Arbeit, die kurze Beobachtungsdauer, fehlende oder unvollständige Modell-Benchmark-Kombinationen und unterschiedliche plausible Arten, die Ergebnisse zu mitteln. Auch bildet die Frontier Nutzer ab, die fortlaufend das günstigste Modell auswählen; das entspreche nicht unbedingt dem Verhalten realer Anwender. Schließlich sei „Preis des Denkens“ keine einheitliche Ware wie eine Kilowattstunde: Vergleiche mit Strom, Batterien, Rechenleistung oder DNA-Sequenzierung seien daher nur bedingt direkt. Der Bericht hält den Vergleich dennoch für nützlich, vorbehaltlich dieser Unterschiede.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Lunas Zusammenfassung ist inhaltlich treu, lässt aber den zentralen Vergleich mit anderen Technologien und das 725-fach-Beispiel aus. Bei den Sammelfragen und Teilfragen zu Ausrichtung und Cyber-Schwellen liefert der Bericht kaum Belege; Lunas Stufen 3 und 4 sind dort überhöht, und nur SF-V5-T03 erhält eine teilweise Antwort.
Im Bericht, aber nicht in der Zusammenfassung
- Der Bericht stellt den Preisverfall von KI-Leistung als beispiellos schnell dar, im Vergleich zu Strom, Batterien, DNA-Sequenzierung und Rechenleistung
- Beispiel: gleiche Leistung bei GPQA Diamond fiel von o3 (Januar 2025) zu GPT-5.6 Luna um den Faktor 725 in unter 18 Monaten
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Vorfälle melden
- SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 50 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 24 %Hintergrund, keine Belege
- Luna 37 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-F1-T04 Welcher gemeinsame, neutrale und offene Maßstab (Aufgaben, Erfolgsrate, abgeschirmte Testumgebung, Belege) zeigt, dass eine Cyber-Schwelle überschritten ist? Würden ein Ministerium und ein Labor in verschiedenen Staaten ihn annehmen, bevor das nächste Modell als Überschreitung eingestuft wird, damit Schwellen gemessen und nicht behauptet werden? Und dient derselbe Maßstab dann sowohl dazu, ein Modell einzustufen, als auch dazu, das Tempo seiner Entwicklung zu steuern?
- SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen?
- 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 100 %kein Bezug
- amos 31 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-F3 Welche Regeln gelten für gefährliche Fähigkeiten jenseits von Cyber, etwa in Biologie, Chemie, bei radioaktiven Stoffen oder in der Nukleartechnik?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra
Unabhängig prüfen
- 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 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 53 %einzelne zitierbare Belege
- JEV 30 %umfangreiche Belege
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 37 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen?
- SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten?
- SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 53 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Tempo und Grenzen
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 47 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 31 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 50 %gleiches Oberthema, hilft nicht
- drex 71 %gleiches Oberthema, hilft nicht
- d3-ultra
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 55 %gleiches Oberthema, hilft nicht
- d3-ultra
- 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 24 %einzelne zitierbare Belege
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 75 %Hintergrund, keine Belege
- JEV 41 %einzelne zitierbare Belege
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten?
- SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar?
Modelle teilen und schützen
- SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
- clef 100 %kein Bezug
- Luna 44 %gleiches Oberthema, hilft nicht
- JEV 100 %kein Bezug
- amos 49 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- 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 100 %kein Bezug
- amos 52 %gleiches Oberthema, hilft nicht
- SubQ 54 %gleiches Oberthema, hilft nicht
- drex 48 %gleiches Oberthema, hilft nicht
- d3-ultra
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 53 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
- clef 100 %kein Bezug
- Luna 43 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 33 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 37 %gleiches Oberthema, hilft nicht
- d3-ultra
Frieden und Sicherheit
- SF-K2 Wie weit gelten KI-Abkommen für Verbündete und Geheimdienste, und wie verhalten sie sich zu bestehenden Rüstungskontrollverträgen und -regimen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 68 %gleiches Oberthema, hilft nicht
- d3-ultra
Offenlegung und Rechenschaft
- SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- clef 100 %kein Bezug
- Luna 59 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 52 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Beteiligung und Gemeinwohl
- SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 41 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
- 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 31 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 27 %nur am Rande erwähnt
- SubQ 100 %kein Bezug
- drex 30 %nur am Rande erwähnt
- d3-ultra
- SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- clef 100 %kein Bezug
- Luna 69 %Hintergrund, keine Belege
- JEV 29 %Hintergrund, keine Belege
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 46 %gleiches Oberthema, hilft nicht
- d3-ultra
- Haiku-Prüfung nur am Rande erwähnt
- SF-E4-T01 Was hieße die Formel von KI als „gemeinsamem Gut der ganzen Menschheit“ praktisch (Zugang, Teilen des Nutzens, gestaffelte Preise, Technologietransfer), so dass jeder Staat sie tatsächlich unterschreiben und prüfen könnte?
- 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 40 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 47 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 51 %gleiches Oberthema, hilft nicht
- d3-ultra
Wirtschaft und Haftung
- SF-W2 Wie wirken sich Wettbewerbsrecht und öffentliche Beschaffung auf die KI-Sicherheit aus?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra
Weitere Berichte zu diesen Fragen
- Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
- Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
- Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
- Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
- Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- Alle Berichte im Archiv