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
epoch19. Juni 2024 · Q005970

The training compute of notable AI models has been doubling roughly every six months

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI zufolge ist der Trainingsrechenaufwand bemerkenswerter KI-Modelle seit 2010 jährlich etwa um den Faktor 4,4 gewachsen, vor allem wegen höherer Ausgaben und teilweise dank besserer Hardware. Die Auswertung beruht laut Methodentext auf 428 ausgewählten Modellen; der Quelltext nennt an anderer Stelle 443 und enthält Tabelleneinträge bis 2025, ohne die Abweichungen zu erklären.

Mittel

Epoch AI berichtet, dass der Trainingsrechenaufwand bemerkenswerter KI-Modelle seit 2010 im Jahresmittel um den Faktor 4,4 gestiegen sei – ungefähr eine Verdopplung alle sechs Monate. Der Text führt den größten Teil des Wachstums auf höhere Ausgaben zurück; Verbesserungen bei der Hardware hätten ebenfalls beigetragen. Diese Zahlen sind Aussagen des Berichts.

Die Auswertung nutzt eine Datenbank mit mehr als 2.700 Modellen und filtert auf bemerkenswerte, nach 2010 trainierte Modelle mit bekanntem Veröffentlichungsdatum und Trainingsaufwand. Der Methodentext nennt 428 Beobachtungen. Die Tabelle listet Modelle aus verschiedenen Anwendungsfeldern mit geschätztem Rechenaufwand, Organisation und Datum auf. Im Quelltext gibt es Abweichungen: Die Grafik nennt 443 Modelle, und der angehängte, doppelte Datensatz reicht bis 2025, obwohl die Metadaten eine letzte Änderung 2024 ausweisen. Diese Unterschiede werden nicht erläutert.

Ausführlich lesen

Der Bericht beschreibt den langfristigen Anstieg des Rechenaufwands für das Training bemerkenswerter KI-Modelle. Epoch AI zufolge hat sich dieser Aufwand seit 2010 im Jahresmittel etwa um den Faktor 4,4 erhöht. Das entspricht ungefähr einer Verdopplung alle sechs Monate. Als wichtigste Ursache nennt der Text höhere Ausgaben für das Training; Fortschritte bei der Hardware hätten ebenfalls zum Wachstum beigetragen. Das sind Aussagen des Berichts, keine unabhängig geprüften Ergebnisse dieser Zusammenfassung.

Für die Grafik verwendet Epoch AI nach eigener Beschreibung Daten aus einer Datenbank mit Angaben zu mehr als 2.700 seit 1950 trainierten Modellen. Die Auswertung beschränkt sich auf Modelle, die den Kriterien für eine Aufnahme als bemerkenswert entsprechen, nach 2010 trainiert wurden und für die sowohl Veröffentlichungsdatum als auch Trainingsrechenaufwand vorliegen. Der Bericht nennt dafür 428 Beobachtungen. Die beigefügte Tabelle ordnet Modelle nach Fachgebiet, geschätztem Trainingsaufwand in FLOP, Organisation und Veröffentlichungsdatum. Sie umfasst unter anderem Sprach-, Bild-, Sprachverarbeitungs-, Biologie-, Spiele- und multimodale Modelle.

Die Angaben im überlieferten Quelltext sind nicht vollständig konsistent: Eine Grafikbeschriftung nennt 443 Modelle statt der 428 Beobachtungen im Methodentext. Außerdem enthält der lange, doppelt wiedergegebene Tabellenanhang Einträge bis September 2025, während die Metadaten eine letzte Änderung im Juni 2024 ausweisen. Der Text erklärt diese Abweichungen nicht. Er enthält auch keine nähere Beschreibung der Schätzmethoden oder der Unsicherheit der einzelnen Rechenaufwandswerte. Die Kernaussage ist daher als von Epoch AI berichteter Trend für die ausgewählte Stichprobe zu verstehen; der bereitgestellte Text belegt keine lückenlose Erfassung aller KI-Modelle.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Vorlage enthält nur Sammelfragen, keine Teilfragen, daher wurden nur diese drei bewertet. Die Stufen wurden unabhängig von Lunas Stufen vergeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Kurzfassung nennt weder die Datenbank mit über 2700 Modellen noch die Filterung nach Bemerkenswertheit und Trainingsdatum

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Das Wort geschätzt beim Rechenaufwand steht im Bericht nicht

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 100 %kein Bezug
    • Luna 68 %Hintergrund, keine Belege
    • JEV offen
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 43 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 24 %Hintergrund, keine Belege
    • Luna 75 %Hintergrund, keine Belege
    • JEV offen
    • amos 26 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 28 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht
  2. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV offen
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
  3. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV offen
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
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 42 %Hintergrund, keine Belege
    • JEV offen
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 54 %Hintergrund, keine Belege
    • JEV offen
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

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 →