Jenseits des Mooreschen Gesetzes: Der exponentielle Aufstieg der KI und das entstehende Paradigma von OpenAI

Das Tempo, mit dem sich die künstliche Intelligenz weiterentwickelt, ist fast unfassbar. Um dieses Phänomen zu beschreiben, beziehen sich Brancheninsider mittlerweile auf das sogenannte „OpenAI-Gesetz“ – eine moderne Entsprechung zu Moores Gesetz, jedoch mit einer deutlich steileren Kurve. Dieses Konzept fand in dem Buch „Empire of AI“ breitere Anerkennung, das den Aufstieg von OpenAI und den eskalierenden Wettlauf um die künstliche allgemeine Intelligenz (AGI) dokumentiert. In diesem Buch wird „OpenAIs Gesetz“ verwendet, um die rasante Geschwindigkeit zu beschreiben, mit der die Rechenanforderungen – und damit auch die KI-Fähigkeiten – in den letzten zehn Jahren gestiegen sind.

Obwohl es sich nicht um ein formales wissenschaftliches Prinzip handelt, weist das Gesetz von OpenAI auf einen konkreten, messbaren Trend hin: die rasante Verdopplung der Rechenleistung, die zum Trainieren modernster KI-Modelle verwendet wird und weitaus schneller erfolgt als nach dem Moore'schen Gesetz. Praktisch gesehen hat sich die KI-Rechenleistung etwa alle drei bis vier Monate verdoppelt, verglichen mit dem 18- bis 24-monatigen Zyklus des Moore'schen Gesetzes. Diese exponentielle Kurve ist der Motor des modernen KI-Booms und bereitet die Bühne für eine Zukunft, die schneller kommt, als die meisten erwarten.

Mooresches Gesetz: Der Motor, der das digitale Zeitalter antrieb

Moores Gesetz war die treibende Kraft hinter der Verbreitung von PCs, Smartphones und Cloud Computing. Es prognostizierte, dass sich die Anzahl der Transistoren auf einem integrierten Schaltkreis etwa alle zwei Jahre verdoppeln würde, was zu exponentiellen Steigerungen der Rechenleistung, Energieeffizienz und Kostensenkungen führen würde.

Jahrzehntelang traf dieses einfache Muster zu, sodass jede nachfolgende Hardware-Generation radikal leistungsfähiger war als die vorherige. Als jedoch in den 2010er Jahren physikalische und wirtschaftliche Grenzen erreicht wurden, begann sich das Moore'sche Gesetz zu verlangsamen. Ingenieure passten sich an, indem sie mehr Prozessorkerne, 3D-Chip-Stapelung und spezielle Beschleuniger einsetzten, um die Leistung zu steigern – aber die Ära der einfachen, vorhersehbaren Gewinne war vorbei.

An diesem Wendepunkt begann die KI-Forschung, angetrieben durch Durchbrüche im Bereich des Deep Learning, einen Kurs einzuschlagen, der sich von der traditionellen Entwicklung des Moore'schen Gesetzes unterschied.

Die Geburt des OpenAI-Gesetzes: Die explosive Rechenleistungskurve der KI

Anfang der 2010er Jahre machten Forscher eine entscheidende Entdeckung: Die Zufuhr von mehr Rechenleistung in große neuronale Netze führte durchweg zu leistungsfähigeren KI-Systemen. Ab etwa 2012 verdoppelte sich die Rechenleistung, die für die größten KI-Trainingsläufe aufgewendet wurde, etwa alle drei bis vier Monate.

Dies stellte eine erstaunliche Beschleunigung dar, die das Tempo des Moore'schen Gesetzes bei weitem übertraf. Innerhalb von sechs Jahren stieg die Rechenleistung, die für modernste KI-Modelle verwendet wurde, um mehr als das 300.000-fache. Während das Moore'sche Gesetz im gleichen Zeitraum nur eine 7-fache Steigerung gebracht hätte, stieg die KI-Rechenleistung aufgrund aggressiver, absichtlicher Skalierung sprunghaft an.

Dieser Trend wurde informell als OpenAI-Gesetz bekannt – eine selbst auferlegte Entwicklung, die von Organisationen wie OpenAI verfolgt wurde, die darauf setzten, dass die Skalierung von Modellgröße und Rechenleistung der schnellste Weg zu künstlicher allgemeiner Intelligenz (AGI) sei. Das Buch „Empire of AI” beschreibt diesen strategischen Wandel und veranschaulicht, wie die Führung von OpenAI trotz steigender Kosten diesen Weg eingeschlagen hat, da sie davon überzeugt war, dass dies der direkteste Weg sei, um transformative Fähigkeiten zu erschließen.

Entscheidend ist, dass das Gesetz von OpenAI keine physikalische Unvermeidbarkeit ist, sondern eine strategische Entscheidung. Die Überzeugung, dass „mehr Rechenleistung zu besserer KI führt”, wurde zu einer Leitphilosophie, die durch massive Kapitalinvestitionen, den Aufbau einer umfangreichen Infrastruktur und enge Partnerschaften mit Cloud-Anbietern unterstützt wurde.

Die Skalierungshypothese und das neue Wettrüsten

Die Grundlage für das Gesetz von OpenAI bildet die Skalierungshypothese: die Idee, dass allein die Vergrößerung von Modellen und deren Training mit mehr Daten und mehr Rechenleistung zu einer qualitativ überlegenen Leistung führt. Diese Hypothese gewann an Glaubwürdigkeit, da jedes nachfolgende Modell – von GPT-2 über GPT-3 bis hin zu GPT-4 – Sprünge in Bezug auf Sprachkompetenz, logisches Denken und multimodales Verständnis zeigte.

Im Zentrum dieses Trends steht ein intensiver Wettbewerb zwischen den Technologiegiganten um die Vorherrschaft an der Grenze der KI. Das Ergebnis ist eine Art technologisches Wettrüsten, bei dem jeder neue Meilenstein exponentiell mehr Rechenressourcen erfordert als der vorherige.

Das Training der heute größten Modelle erfordert mittlerweile Zehntausende von High-End-GPUs, die zusammenarbeiten. Prognosen für zukünftige Systeme gehen von Rechenbudgets aus, die sich auf 100 Milliarden Dollar belaufen oder diese sogar überschreiten könnten, verbunden mit einem immensen Strom- und Kühlungsbedarf.

Dies hat zu einer neuen exponentiellen Kurve geführt, die nicht mehr nur durch die Transistordichte definiert ist, sondern durch die entschlossene Bereitschaft, die Rechenleistung um jeden Preis zu skalieren.

Vergleich: Huang's Law und Kurzweil's Law of Accelerating Returns

Um die Bedeutung des Gesetzes von OpenAI vollständig zu verstehen, ist es hilfreich, andere grundlegende Rahmenwerke zu untersuchen, die unser Verständnis des technologischen Fortschritts über das Moore'sche Gesetz hinaus geprägt haben.

Huang's Gesetz, benannt nach Jensen Huang, CEO von NVIDIA, beschreibt die Beobachtung, dass sich die GPU-Leistung für KI-Workloads deutlich schneller verbessert hat als nach Moore's Gesetz zu erwarten wäre. In den letzten fünf Jahren haben GPUs eine Leistungssteigerung um mehr als das 25-fache erzielt und damit die etwa 10-fache Verbesserung, die allein durch die traditionelle Transistorskalierung zu erwarten war, weit übertroffen.

Diese Beschleunigung ist nicht nur auf die Miniaturisierung der Chips zurückzuführen, sondern auch auf Innovationen auf Systemebene. Fortschritte in der GPU-Architektur, erhöhte Speicherbandbreite, Hochgeschwindigkeitsverbindungen und Entwicklungen in Software-Ökosystemen wie CUDA und Deep-Learning-Frameworks haben dazu beigetragen. Auch technische Optimierungen bei der Aufgabenplanung, Tensoroperationen und Parallelität waren von entscheidender Bedeutung.

Die Leistung bei Inferenz- und Trainingsaufgaben mit einer einzelnen GPU hat sich in den letzten zehn Jahren dank dieser Kombination aus Hardware- und Software-Innovationen um das bis zu 1.000-Fache verbessert. Tatsächlich hat sich die GPU-Leistung für KI-Aufgaben alle 6 bis 12 Monate verdoppelt – drei- bis viermal schneller als Moores ursprüngliche Kurve. Dieses unerbittliche Tempo hat GPUs als unverzichtbare Motoren der modernen KI etabliert und ermöglicht die massiven parallelisierten Trainingsläufe, die OpenAI's Gesetz untermauern.

Kurzweils Gesetz der beschleunigten Rendite geht noch einen Schritt weiter als das Konzept des exponentiellen Wachstums – es besagt, dass sich die *Rate* des exponentiellen Wachstums selbst mit der Zeit beschleunigt. Nach diesem Prinzip steht jeder technologische Durchbruch nicht für sich allein, sondern schafft die Werkzeuge, Plattformen und Kenntnisse, die den nächsten Durchbruch schneller und effizienter ermöglichen. Dies führt zu einem sich verstärkenden Effekt, bei dem sich der technologische Wandel selbst antreibt und sowohl in seinem Umfang als auch in seiner Häufigkeit beschleunigt.

Kurzweil argumentiert, dass diese Dynamik den Fortschritt, der sonst Jahrhunderte gedauert hätte, auf wenige Jahrzehnte komprimieren wird. Wenn sich die Fortschrittsrate alle zehn Jahre verdoppelt, könnte das 21. Jahrhundert einen Fortschritt erleben, der historisch gesehen Zehntausenden von Jahren entspricht.

Dieses Gesetz trifft besonders auf KI zu. Moderne KI ist nicht mehr nur Gegenstand des Fortschritts – sie ist zu einem mächtigen Beschleuniger des Fortschritts geworden. KI-Systeme helfen bereits bei der Entwicklung neuer Chips, der Optimierung neuronaler Netze, der Durchführung wissenschaftlicher Forschung und sogar beim Schreiben des Codes, der für die Entwicklung ihrer Nachfolger verwendet wird. Dadurch entsteht eine rekursive Verbesserungsschleife, in der jede Generation von KI die Entwicklung der nächsten verbessert, wodurch Zeiträume verkürzt und Fähigkeiten vervielfacht werden.

Dieser Feedback-Zyklus ähnelt zunehmend dem, was manche als Intelligenzexplosion bezeichnen: ein Szenario, in dem KI-Systeme in der Lage sind, sich ohne menschliches Zutun rasch selbst zu verbessern. Das Ergebnis ist eine Kurve, die nicht nur steil ansteigt, sondern sich dramatisch nach oben krümmt, da sich Iterationszyklen verkürzen und Durchbrüche sich häufen. Wenn sich dieses Muster fortsetzt, könnten wir eine Phase des Fortschritts erleben, die sich fast augenblicklich anfühlt, in der sich ganze Branchen und Wissenschaftsbereiche innerhalb von Monaten statt Jahrzehnten weiterentwickeln.

Das Gesetz von OpenAI passt in diese Tradition als Ausdruck des exponentiellen Wachstums auf der Nachfrageseite. Im Gegensatz zu Moores oder Huangs Gesetzen, die das Tempo der Hardware-Verbesserungen beschreiben, spiegelt das Gesetz von OpenAI das schiere Volumen an Rechenleistung wider, das Forscher aktiv nutzen, um überlegene Ergebnisse zu erzielen. Es zeigt, dass der Fortschritt der KI nicht mehr streng an die Möglichkeiten von Silizium gebunden ist, sondern vielmehr daran, was Forscher bereit und in der Lage sind, zu skalieren. Angetrieben durch eine riesige Cloud-Infrastruktur und Investitionen in Milliardenhöhe steht das Gesetz von OpenAI beispielhaft für eine neue Ära, in der die Leistungsfähigkeit nicht nur durch Innovation, sondern auch durch gezielte, konzentrierte Anstrengungen wächst.

Zusammen bieten diese Gesetze eine multidimensionale Sicht auf exponentielles Wachstum. Moore und Huang definieren das *Angebot* an Rechenleistung. Kurzweil bildet den Metatrend des sich verstärkenden Fortschritts ab. Und das Gesetz von OpenAI hebt eine neue Art von technologischem Ehrgeiz hervor – bei dem das unermüdliche Ausreizen der Grenzen nicht mehr optional ist, sondern die Kernstrategie selbst darstellt.

Das Versprechen: Warum exponentielle KI wichtig ist

Die Auswirkungen des Gesetzes von OpenAI sind tiefgreifend.

Optimistisch betrachtet hat die exponentielle Skalierung zu erstaunlichen Fähigkeiten geführt. KI-Systeme können nun kohärente Aufsätze schreiben, funktionalen Code generieren, bei bahnbrechender wissenschaftlicher Forschung helfen und flüssige, nuancierte Gespräche führen. Jede Größenordnung der Skalierung scheint neue Fähigkeiten zu erschließen, was darauf hindeutet, dass wir uns der AGI nähern könnten.

KI ist dabei, Branchen wie Bildung, Gesundheitswesen, Finanzen und Materialwissenschaften zu verändern. Wenn das Gesetz von OpenAI weiterhin gilt, könnten wir Durchbrüche erleben, die Jahrzehnte der Innovation in nur wenigen Jahren verdichten.

Diese Dynamik wird durch einen neuen Begriff zusammengefasst, den wir geprägt haben: „KI-Fluchtgeschwindigkeit“ – der hypothetische Moment, in dem KI beginnt, sich selbstständig zu verbessern und den Fortschritt in einen sich selbst verstärkenden, exponentiellen Anstieg zu treiben.

Der Preis: ökologische, wirtschaftliche und ethische Kosten

Exponentielles Wachstum ist jedoch mit erheblichen Kosten verbunden.

Das Training von Frontier-Modellen verbraucht mittlerweile unglaubliche Mengen an Strom und Wasser. Der wochenlange Betrieb von Tausenden von GPUs wirft ernsthafte Umweltprobleme auf, darunter erhebliche CO2-Emissionen und Wärmeabfall. Auch die Lieferketten für fortschrittliche KI-Chips sind stark belastet, was geopolitische und Nachhaltigkeitsprobleme aufwirft.

Finanziell können es sich nur die weltweit größten Technologieunternehmen oder außergewöhnlich gut finanzierte Start-ups leisten, auf dieser Skalierungskurve zu bleiben. Dies führt zu einer besorgniserregenden Machtkonzentration, bei der eine kleine Handvoll Organisationen die Grenze der fortschrittlichen Intelligenz kontrollieren.

In ethischer Hinsicht kann die durch das Gesetz von OpenAI geförderte Denkweise – größer, schneller, früher – eine Wettlaufdynamik begünstigen, die das Risiko einer verfrühten Einführung, unzureichend getesteter Systeme und Abstriche bei der Sicherheit mit sich bringt. Es wächst die Befürchtung, dass einige leistungsstarke Modelle auf den Markt kommen könnten, bevor ihre gesellschaftlichen Auswirkungen vollständig verstanden sind.

Um dem entgegenzuwirken, haben Forscher Governance-Rahmenwerke vorgeschlagen, die die KI-Entwicklung nicht nur anhand der Modellausgaben, sondern auch anhand der für das Training verwendeten Rechenleistung verfolgen. Da die Rechenleistung einer der stärksten Prädiktoren für die Leistungsfähigkeit eines Modells ist, könnte sie als praktischer Indikator für die Risikobewertung und die behördliche Aufsicht dienen.

Grenzen der Skalierung: Was passiert, wenn sich die Kurve abflacht?

Trotz der erstaunlichen Fortschritte wird lebhaft diskutiert, wie lange dieser Skalierungstrend anhalten kann. Einige Experten glauben, dass wir bereits mit sinkenden Erträgen konfrontiert sind, da immer größere Modelle weitaus mehr Rechenleistung verbrauchen, um nur marginale Leistungsverbesserungen zu erzielen.

Andere argumentieren, dass Durchbrüche in der algorithmischen Effizienz, neuartige Modellarchitekturen oder Trainingstechniken die Rechenleistungskurve abflachen könnten, ohne den Gesamtfortschritt notwendigerweise zu verlangsamen. Kleinere, verfeinerte Modelle könnten sich letztendlich als attraktiver erweisen als brutale Giganten.

Darüber hinaus könnten öffentlicher Druck, potenzielle Regulierungsmaßnahmen und schlichtweg physische Infrastrukturbeschränkungen die Branche dazu zwingen, die Philosophie des „Skalierens um jeden Preis” zu überdenken. Wenn Stromnetze, Finanzbudgets oder gesellschaftliche Akzeptanz nicht Schritt halten können, könnte das exponentielle Wachstum der KI an seine Grenzen stoßen – oder zumindest einen bedeutenden Wendepunkt erreichen.

Der Weg in die Zukunft: Die Zukunft der exponentiellen KI

Derzeit ist das Gesetz von OpenAI nach wie vor eine der klarsten Linsen, durch die man die Zukunft der künstlichen Intelligenz betrachten kann. Es erklärt, wie wir in weniger als einem Jahrzehnt von rudimentären Chatbots zu multimodalen Generalistensystemen gelangt sind – und deutet darauf hin, dass die nächste Fortschrittswelle noch dramatischer ausfallen könnte.

Dieses Gesetz bringt jedoch auch erhebliche Nachteile mit sich: wachsende Ungleichheit beim Zugang, steigende wirtschaftliche Kosten, Umweltbelastungen und tiefgreifende Sicherheitsherausforderungen. Während wir uns mit großen Schritten auf diese neue Ära zubewegen, muss sich die Gesellschaft mit grundlegenden Fragen auseinandersetzen:

• Wer gestaltet die Zukunft der KI?
• Wie können wir einen Ausgleich zwischen raschem Fortschritt und notwendiger Vorsicht schaffen?
• Welche Governance-Systeme sind erforderlich, um exponentielle Fähigkeiten zu steuern, bevor sie das menschliche Verständnis und die menschliche Kontrolle übersteigen?

Das Gesetz von OpenAI ist keine unveränderliche Naturgewalt. Wie zuvor das Moore'sche Gesetz könnte es irgendwann an Geschwindigkeit verlieren, stagnieren oder durch ein neues Paradigma abgelöst werden. Aber vorerst fungiert es sowohl als Warnung als auch als Fahrplan – als Erinnerung daran, dass die Zukunft der KI nicht nur voranschreitet, sondern sich selbst verstärkt.

Wir beobachten nicht nur die Geschichte – wir gestalten sie aktiv mit exponentieller Geschwindigkeit. Mit dieser beispiellosen Macht geht jedoch eine große Verantwortung einher: sicherzustellen, dass die Menschheit neben dem exponentiellen Fortschritt nicht auch exponentiellen Schaden erleidet.