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
epoch16. September 2025 · Q005627

What will AI look like in 2030?

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der vorliegende Text ist eine Publikationsseite mit Kernaussagen des Berichts, nicht das vollständige PDF. Epoch AI prognostiziert, dass die KI-Skalierung bis 2030 trotz enormer Kosten und Energieanforderungen weitergehen und wissenschaftliche Arbeit in mehreren Feldern unterstützen könnte; Benchmark-Grenzen, unsichere Produktivitätsschätzungen und verzögerte Einführung schränken diese Prognose ein.

Mittel

Der vorliegende Text ist eine Publikationsseite mit Kernaussagen des Epoch-AI-Berichts, nicht das verlinkte vollständige PDF. David Owen hält es für plausibel, dass die KI-Skalierung bis 2030 anhält. Bei Fortschreibung aktueller Trends könnten Trainingscluster dann mehr als 100 Milliarden US-Dollar kosten, etwa 10^29 FLOP leisten und Gigawatt Strom benötigen. Der Beitrag diskutiert mögliche Grenzen wie fehlende Daten, Energiebedarf, Kosten und stagnierende Fortschritte. Epoch AI bewertet diese Hürden als ernst, aber voraussichtlich überwindbar; das sind Einschätzungen und keine gesicherten Ergebnisse.

Anhand von Benchmark-Trends erwartet der Autor deutliche Fähigkeiten in wissenschaftlicher Softwareentwicklung, mathematischer Assistenz, biologischen Laborfragen und Wettervorhersage. Benchmarks decken die Herausforderungen ganzer Fachgebiete jedoch nur teilweise ab; manche Prognosen, besonders zu Proteininteraktionen, sind unsicher. Für betroffene Aufgaben nennt der Text mögliche Produktivitätsgewinne von 10 bis 20 Prozent, weist aber auf uneinheitliche Studienergebnisse hin. Außerdem könnte der praktische Einsatz der technischen Entwicklung hinterherlaufen: Software dürfte sich rascher verändern als die Arzneimittelentwicklung. Die Aussagen sind daher trendbasierte Vorhersagen, deren wirtschaftliche und gesellschaftliche Wirkung offenbleibt.

Ausführlich lesen

Der vorliegende Text ist eine ausführliche Publikationsseite mit zentralen Aussagen des Epoch-AI-Berichts, nicht das verlinkte vollständige PDF. David Owen untersucht darin, wie sich KI bis 2030 entwickeln könnte, falls die bisherige Skalierung anhält. Betrachtet werden Rechenleistung, Investitionen, Daten, Hardware und Energie sowie mögliche Folgen für wissenschaftliche Forschung und Entwicklung.

Die zentrale Prognose lautet, dass die Skalierung trotz großer Anforderungen weitergehen könnte. Eine Fortschreibung aktueller Trends ergäbe bis 2030 Trainingscluster im Wert von mehr als 100 Milliarden US-Dollar, Rechenläufe von etwa 10^29 FLOP und einen Strombedarf im Gigawattbereich. Die daraus trainierten Modelle würden demnach Tausende Male mehr Rechenleistung als GPT-4 nutzen. Der Autor hält diese Größenordnungen für bewältigbar und meint, dass mögliche Produktivitätsgewinne die Investitionen wirtschaftlich rechtfertigen könnten.

Der Text prüft mehrere mögliche Hindernisse: stagnierende Modellverbesserungen, knappe Trainingsdaten, Stromversorgung, zu hohe Kosten sowie eine Verlagerung von Trainings- zu Inferenzrechenleistung. Epoch AI zufolge zeigen sich bislang keine überzeugenden Anzeichen für eine unmittelbar bevorstehende Skalierungsgrenze. Öffentliche menschliche Texte könnten mindestens bis 2027 reichen; synthetische Daten seien eine weitere mögliche Quelle. Gigawattbedarf wäre schwierig zu decken, doch etwa Solarenergie, Batterien, Gasstrom und geografisch verteilte Rechenzentren könnten helfen. Die Einschätzungen beruhen auf Trends und Argumenten des Berichts; sie belegen nicht, dass diese Engpässe sicher ausbleiben.

Für die Fähigkeiten bis 2030 extrapoliert der Beitrag Fortschritte auf bestehenden Benchmarks. Dazu wertet er Ergebnisse von Ranglisten und Modellkarten aus und beschränkt Kurvenanpassungen auf leistungsstarke Modelle. Genannt werden vier Felder: KI könnte wissenschaftliche Software anhand natürlicher Sprache entwickeln und Fehler beheben, Mathematikern beim Ausarbeiten von Beweisideen helfen, Fragen zu Laborprotokollen der Biologie beantworten und Wettervorhersagen weiter verbessern. Benchmarks bilden laut Text die Schwierigkeiten ganzer Fachgebiete nur teilweise ab. Bei mathematischen Forschungsleistungen gehen die Einschätzungen zudem auseinander; Vorhersagen zu Protein-Protein-Interaktionen seien besonders unsicher.

Als Größenordnung für Produktivitätsgewinne nennt der Bericht 10 bis 20 Prozent innerhalb betroffener Aufgaben, abgeleitet aus Softwareentwicklung. Diese Schätzung ist ausdrücklich unsicher: Die angeführte Studienübersicht fand meist Beschleunigungen, aber auch eine methodisch besonders gründliche Studie mit einer Verlangsamung. Zudem kann der praktische Einsatz den technischen Fähigkeiten hinterherhinken. Softwareentwicklung dürfte sich vergleichsweise schnell verändern, während viele bis 2030 zugelassene Medikamente nach Einschätzung des Autors wahrscheinlich noch nicht von heutigen oder künftigen KI-Werkzeugen profitiert haben werden. Frühere Phasen der Arzneimittelentwicklung könnten jedoch stärker beeinflusst werden. Insgesamt präsentiert der Beitrag eine trendbasierte Prognose, keine Gewissheit; sowohl die wirtschaftlichen Folgen als auch die Zeitpunkte der Einführung bleiben unsicher.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die drei Einordnungen beziehen sich auf die Sammelfragen SF-H5, SF-T1 und SF-M4; für Teilfragen gibt es keine Angaben. Lunas Stufen und Anteilswerte wurden nicht übernommen, die Bewertung stützt sich allein auf den Berichtstext. Die Zusammenfassung wurde als Gesamtheit aus kurzer und mittlerer Fassung geprüft, da das Schema nur eine Zusammenfassung vorsieht.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Investitionen in Frontier-Training seien durch Umsatzwachstum und Produktivitätsgewinne der KI-Labore gerechtfertigt, weil KI bei einem großen Teil der Arbeitsaufgaben Billionenwerte schaffen könnte.
  • Die Schlussfolgerung, dass Entscheidungsträger KI-Fragen in den nächsten fünf Jahren priorisieren müssen.
  • Stromengpässe seien vor 2028 unwahrscheinlich, und verteiltes Training über mehrere Rechenzentren mildere die Energieprobleme.

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
  1. 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 65 %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
    • Haiku-Prüfung kein Bezug
Fähigkeiten messen
  1. 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 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  2. 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 47 %Hintergrund, keine Belege
    • JEV 45 %nur am Rande erwähnt
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 26 %nur am Rande erwähnt
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 41 %gleiches Oberthema, hilft nicht
    • amos 31 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %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 79 %Hintergrund, keine Belege
    • JEV 45 %gleiches Oberthema, hilft nicht
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 63 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  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 46 %Hintergrund, keine Belege
    • JEV 28 %Hintergrund, keine Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 69 %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 47 %gleiches Oberthema, hilft nicht
    • JEV 30 %einzelne zitierbare Belege
    • amos 45 %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 56 %Hintergrund, keine Belege
    • JEV 38 %gleiches Oberthema, hilft nicht
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 68 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 63 %Hintergrund, keine Belege
    • JEV 44 %gleiches Oberthema, hilft nicht
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 60 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 85 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
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 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 60 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 67 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 70 %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 44 %Hintergrund, keine Belege
    • JEV 36 %gleiches Oberthema, hilft nicht
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 66 %gleiches Oberthema, hilft nicht
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra 76 %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 →