Andrew Chi-Chih Yao's Latest Speech: The Boundaries of AI Are Precisely a Good Thing
Im Jahr 2026 scheint KI zu allem fähig zu sein: Go spielen, Proteinstrukturen vorhersagen, Code schreiben, wissenschaftliche Forschung betreiben und sogar beginnen, „selbst Mathematik zu machen“.
Doch eine grundlegendere Frage wird selten direkt beantwortet: Gibt es für die Fähigkeiten der KI tatsächlich eine theoretische Grenze? Und was liegt auf der „nächsten Ebene“ jenseits dieser Grenze?
Im Juli 2026 hielt Yao Qizhi, Turing-Preisträger, Akademiemitglied der Chinesischen Akademie der Wissenschaften, Direktor des Instituts für Interdisziplinäre Informationsforschung der Tsinghua-Universität, Dekan der Fakultät für Künstliche Intelligenz und Direktor des Shanghai Qizhi-Instituts, auf der World Artificial Intelligence Conference (WAIC) 2026 eine Grundsatzrede mit dem Titel „Die Kraft und Grenzen der Künstlichen Intelligenz: Eine Perspektive aus der Theoretischen Informatik“.
Auf der Grundlage der Wurzeln der Theoretischen Informatik stellte er drei Thesen auf: Die Essenz der KI ist „Turing-Maschine + Daten“, daher gibt es Probleme, die sie niemals lösen kann; Die Grenzen der KI sind keine schlechte Nachricht, sondern bilden vielmehr das theoretische Fundament für die KI-Sicherheit; Die nächste Ebene der KI liegt nicht im „AI for Science“, sondern im „Science for AI“, und die Quanten-KI zeichnet sich bereits ab.
Im Folgenden der von uns redaktionell bearbeitete und gekürzte Inhalt der Rede von Yao Qizhi.
1. Die Essenz der KI: Maschinelles Lernen stattet Algorithmen mit der Waffe „Daten“ aus
Lassen Sie uns zuerst über die Essenz der KI nachdenken. Die KI stützt sich auf ein sehr leistungsfähiges Werkzeug: das maschinelle Lernen. Dieses algorithmische Paradigma existiert seit vielen Jahren, wurde aber lange von der Mainstream-Informatik übersehen – obwohl sich die Qualität seiner Problemlösung stetig verbessert hat.
Das grundlegende Framework des maschinellen Lernens sieht so aus: Für eine gegebene Aufgabe und einen Algorithmus-Template, der von einem Parameter θ abhängt, handelt es sich um eine ganze Klasse von Algorithmen, von denen wir im Voraus nicht wissen, welcher der richtige ist. Hier gibt es zwei Kernfragen: Erstens das „Repräsentationsproblem“: Gibt es in diesem Template tatsächlich einen guten Algorithmus, also eine Gruppe von Parametern, die die Aufgabe erfüllen kann? Zweitens das „Lernproblem“: Falls eine solche Gruppe existiert, kann sie in angemessener Zeit und mit angemessenem Speicherplatz aus Daten erlernt werden?
Das unterscheidet sich stark von dem klassischen Informatik-Paradigma, das Turing einst etabliert hat. In der klassischen Informatik werden diese beiden Probleme vereint und durch die mathematische Analyse von Forschern gelöst – ohne dass externe Daten benötigt werden. Die „Geheimwaffe“ des maschinellen Lernens ist es hingegen, das „Lernen aus Daten“ in das Waffenarsenal der Algorithmen aufgenommen zu haben. Aus diesem Grund können wir heute so beeindruckende Ergebnisse sehen: KI kann Go auf Meisterebene spielen und Proteinfaltungen vorhersagen – und wir haben uns fast schon an diese Errungenschaften gewöhnt.
2. Die Grenzen der KI: Es gibt Probleme, die sie niemals lösen kann
Heutzutage machen sich viele Menschen Sorgen um die Fähigkeiten der KI, um Sicherheit und um einen Kontrollverlust. Aber gibt es überhaupt eine Obergrenze für die Kraft der KI? Diese Frage ist nicht nur intellektuell reizvoll, sondern hat auch praktischen Wert: Wenn wir wissen, wo die Grenzen der KI liegen, können wir diese Grenzen nutzen, um sicherere KI-Systeme zu entwerfen.
Als Informatiker könnten Sie sofort eine Antwort und sogar einen Beweis liefern: Das berühmte Halteproblem kann die KI nach wie vor nicht lösen. Der Grund ist einfach: Letztendlich ist die KI eine Turing-Maschine, die lediglich um eine Datenmenge erweitert wurde. Selbst mit diesen Daten bleibt sie eine Turing-Maschine – daher liegt das Halteproblem außerhalb ihrer Fähigkeiten.
Aber eine noch interessantere Frage lautet: Welche praktischen Probleme kann die KI nicht lösen? KI kann Go spielen und Proteinstrukturen vorhersagen – Aufgaben, die einst wie „unmöglich“ erschienen. Daher glauben viele, dass die KI früher oder später jede Aufgabe erfüllen kann, für die es in der realen Welt einen Bedarf gibt. Das ist nicht der Fall – ich möchte Ihnen zwei Beispiele nennen.
3. Zwei „unüberwindbare Festungen“: Kryptographie und Quantenkommunikation
Das erste Beispiel betrifft die Datensicherheit. Wir wissen, dass die neuesten und leistungsstärksten KI-Modelle bereits für Cyberangriffe genutzt werden können. Daher fürchten sich Menschen natürlich vor der Frage: Kann eine solche KI alle Verschlüsselungen knacken? Das wäre eine Katastrophe, denn unsere Bankkonten und die persönliche Privatsphäre hängen vom Schutz durch Kryptosysteme ab.
Aber die Antwort lautet: Es gibt Verschlüsselungsverfahren, die für alle Angreifer sicher sind – unabhängig davon, ob der Angreifer klassische Algorithmen oder KI-Systeme verwendet. Betrachten wir ein konkretes Angriffsmodell namens „Chosen-Plaintext-Attack“ (CPA): Angenommen, ich besitze eine Verschlüsselungsbox, mit der mein Freund Klartext in Chiffretext umwandelt und über ein öffentliches Netzwerk an mich sendet. Nur ich besitze die Entschlüsselungsbox, um den Inhalt wiederherzustellen. Nehmen wir nun an, ein Bösewicht gelangt an die Verschlüsselungsbox und kann beliebig viele selbst gewählte Inhalte wie „Das Wetter ist heute schön“ oder „Ich habe eine Katze“ verschlüsseln – zehntausend Mal, um eine große Anzahl von Klartext-Chiffretext-Paaren zu sammeln. Die Frage lautet: Kann er daraus meinen Entschlüsselungsschlüssel zurückschließen?
Dieses Modell ist nicht abstrakt – es beschreibt die weitverbreiteten Public-Key-Kryptosysteme: Der Verschlüsselungsschlüssel kann öffentlich auf einer Website zur Verfügung gestellt werden, während nur der Besitzer den Entschlüsselungsschlüssel kennt. Die sogenannte CPA-Sicherheit ist das Lebenselixier der Public-Key-Infrastruktur. Kryptosysteme wie ElGamal können unter anerkannten mathematischen Annahmen nachweislich Chosen-Plaintext-Attacken widerstehen. Die Kryptographie ist ein extrem tiefgründiges und reiches Gebiet der Theoretischen Informatik.
Die Theoretische Informatik entstand in den 1960er Jahren aus dem Nichts und wuchs in den folgenden Jahrzehnten organisch weiter. Das Wunderbare an diesem Gebiet ist, dass ständig neue Ideen entstehen – oft von außen: Mathematiker, Biologen und Elektroingenieure bringen frische Gedanken ein, und fast jedes Jahrzehnt entstehen aufregende und tiefgründige Theorien. Sie überschneidet sich mit Physik, Biologie und Ökonomie und schafft ständig neue interdisziplinäre Forschungsbereiche.
Das zweite Beispiel betrifft ebenfalls die sichere Kommunikation: die Quantenschlüsselverteilung (QKD). Sie ermöglicht es zwei völlig unbekannten Personen, nur über einen öffentlichen Kanal zu kommunizieren und am Ende einen gemeinsamen Zufallsschlüssel zu vereinbaren, der nur ihnen bekannt ist. Selbst wenn ein Lauscher die gesamte Kommunikation mithört, kann er den Schlüssel nicht ermitteln. Das klingt wie ein Wunder, aber es ist tatsächlich machbar – und dieser Weg geht über die reine Informatik hinaus: Er nutzt physikalische Gesetze, um Abhörversuche zu erkennen. Sobald ein Hacker versucht, die Kommunikation zwischen den beiden Parteien zu messen, bemerken sie dies – und dieser Teil der Kommunikation wird sofort verworfen. Aus diesem Grund wird geheime Kommunikation möglich.
Dieses Verfahren wurde 1984 von Charles Bennett und Gilles Brassard vorgeschlagen – vor mehr als 40 Jahren. Erst im März dieses Jahres verlieh die ACM den Turing-Preis 2025 an die beiden, um ihre Grundlagenarbeit für die Quanteninformationswissenschaft zu würdigen. Es ist das erste Mal in der Geschichte des Turing-Preises, dass er für Forschung im Bereich der Quanteninformation vergeben wird.
Die Quantenschlüsselverteilung nutzt Quantentechnologie – und China könnte in diesem Bereich führend sein: 2016, vor genau zehn Jahren, startete China den weltweit ersten Quantenwissenschaftssatelliten „Micius“, mit dem eine Quantenschlüsselverteilung über Tausende von Kilometern realisiert wurde. China hat zudem ein landesweites und mit dem Ausland verbundenes Fern-QKD-Netzwerk mit einer Gesamtlänge von über 10.000 Kilometern aufgebaut, das für Bereiche wie elektronische Regierungsdienste, grenzüberschreitende Finanzen und Stromnetze dient.
Dies ist etwas, was die KI nicht erreichen kann: Kein rein computergestütztes Verfahren kann dieses System knacken. Noch wunderbarer ist: Ursprünglich nur zum Schutz vor Hackern entwickelt, ist es aufgrund seiner physikalischen Grundlagen prinzipiell durch keine Kraft im Universum zu brechen – es sei denn, jemand widerlegt die Quantenmechanik.
4. Die aufregendste Richtung: AI for Science – Maschinen beginnen, „Theorien zu entwickeln“
Was ist also die wichtigste zukünftige Forschungsrichtung für die KI? Es gibt viele Antworten darauf: Die Entwicklung extrem intelligenter Roboter oder das Training noch größerer Modelle sind vielversprechende Wege. Aus theoretischer Sicht halte ich „AI for Science“ jedoch für die interessanteste und beste Richtung in den nächsten drei bis fünf Jahren. Lassen Sie mich zwei Beispiele nennen.
Das erste Beispiel stammt aus der Astronomie. Vor einigen Monaten veröffentlichte die Zeitschrift „Science“ eine gemeinsame Arbeit des Teams von Akademiemitglied Dai Qionghai vom Department of Automation der Tsinghua-Universität und des Teams von Associate Professor Cai Zheng vom Department of Astronomy – die Erstautoren sind alle sehr junge Forscher. Die Astronomie versucht seit langem, die Geschichte des Universums vom Urknall bis heute zu verstehen: Wie entwickeln sich Galaxien? Der Schlüssel liegt in der Beobachtung von Galaxien im frühen Universum.
Diese Galaxien sind extrem fern und ihre Signale extrem schwach. Die Menschen haben enorme Anstrengungen unternommen, um die Daten von Teleskopen zu dekodieren und das frühe Universum zu rekonstruieren. Das Team entwickelte jedoch ein KI-Modell namens „ASTERIS“ – im Wesentlichen ein KI-gestützter Prozessor, der speziell dafür ausgelegt ist, diese schwachen Galaxien aus Daten zu rekonstruieren. Beachten Sie: Es werden keine neuen Daten gesammelt – es werden lediglich die alten Daten des James-Webb-Teleskops besser analysiert als je zuvor. Die Beobachtungstiefe wurde um eine Helligkeitsstufe erhöht, und es wurden auf einen Schlag mehr als 160 neue Kandidaten-Galaxien entdeckt, die 200 bis 500 Millionen Jahre nach dem Urknall entstanden sind – dreimal so viele wie die Summe aller vergleichbaren internationalen Entdeckungen zuvor. Zum Vergleich: Das Hubble-Teleskop kann einige Galaxien sehen, das JWST (James-Webb-Teleskop) mehr – und das JWST mit KI-Detektor erkennt zusätzlich eine große Anzahl neuer Galaxien. Die orangefarbenen Punkte in der Abbildung sind alle neu entdeckten Galaxien.
KI wird bereits in großem Umfang in den experimentellen Wissenschaften eingesetzt – auch die Vorhersage von Proteinstrukturen kann man als „Experimentieren aus Daten“ betrachten. Aber das, was danach kam, hat mich wirklich überrascht. Früher habe ich mir nie Sorgen gemacht, dass KI Forscher ersetzen könnte – ich dachte, sie sei nur ein Werkzeug, das uns hilft, Daten zu analysieren und Informationen zu extrahieren. Aber in letzter Zeit mache ich mir tatsächlich Sorgen um meinen Arbeitsplatz (lacht). Nach einer Weile der Sorge habe ich mich aber stattdessen gefreut: Die KI beginnt bereits, theoretische Durchbrüche zu erzielen – etwas, das früher undenkbar war.
Das zweite Beispiel ist das Problem der „Kosmischen Saiten“ in der Kosmologie: Eine Theorie besagt, dass Saiten aus dem frühen Universum bis heute Gravitationsstrahlung erzeugen. Ein bisher ungelöstes Problem war die Bestimmung des Leistungsspektrums dieser Strahlung. Erst im März dieses Jahres löste Google Research mit Hilfe von Gemini Deep Think das zentrale Integrationsproblem im Leistungsspektrum der Gravitationsstrahlung von kosmischen Saiten und lieferte eine präzise analytische Formel – ein 40 Jahre altes Problem ist damit gelöst. Das ist nicht mehr nur „Mathematik rechnen“, sondern echtes „Mathematik betreiben“.
Es gibt noch ein echtes mathematisches Problem: das Einheitsdistanz-Problem. Wie viele Punktpaare mit genau dem Abstand 1 kann es unter n Punkten in einer Ebene maximal geben? Erdős vermutete einst, dass diese Anzahl kaum über eine lineare Funktion hinausgeht. Dieses seit 80 Jahren offene Problem wurde im Mai dieses Jahres von einem Inferenzmodell von OpenAI falsifiziert – und der Beweis nutzte tiefe Erkenntnisse der algebraischen Zahlentheorie. Das ist echte Autonomie: Man gibt das Problem an das System, wartet zwei Tage und schaut sich an, was die Maschine herausgefunden hat.
5. Die nächste Ebene: Wenn KI auf Quanten trifft
Ich habe versprochen, über die „nächste Ebene“ der KI zu sprechen – nicht darüber, was KI heute kann, sondern ob es im menschlichen Wissensfundament grundsätzlich stärkere Wege gibt, Informationen zu gewinnen und Wissen zu schaffen, als die heutigen Methoden (einschließlich KI). Dazu müssen wir über Physik sprechen – über die Geschichte von KI und Quanten.
KI und Quanten sind die zwei auffälligsten Technologien der heutigen Welt, die in fast jedem Technologiebericht nebeneinander genannt werden. KI ist der größte aktuelle Trend und bereits so weit entwickelt, dass sie ständig „unmögliche“ Leistungen zeigt. Die Quantenwissenschaft hingegen hat einen sehr frühen Ursprung – vor fast 100 Jahren. Aber erst vor vierzig bis fünfzig Jahren haben die Menschen gelernt, sie zu beherrschen, und seitdem arbeiten Wissenschaftler daran, dieses Wissen für die Berechnung nutzbar zu machen. Ich möchte erzählen, wie diese beiden Technologien sich gegenseitig befruchten.
Zuerst eine bekannte Tatsache: KI kann das Quantencomputing vorantreiben. 1981 schlug der Physiker Richard Feynman das Konzept eines Quantencomputers vor, der statt klassischer 0- und 1-Bits Quantenbits für Berechnungen nutzt. Diese Arbeit begeisterte die Physikergemeinde und später auch die Informatikergemeinde – die Idee, das Monopol der Turing-Maschine zu durchbrechen, ist intellektuell und hinsichtlich ihrer Perspektiven unwiderstehlich.
In den 1990er Jahren bewies der Informatiker Peter Shor, dass Quantencomputer einige wirklich schwierige Probleme lösen können. Zum Beispiel die Faktorisierung großer ganzer Zahlen – ein Problem, von dem Mathematiker immer glaubten, dass es außerhalb der Möglichkeiten klassischer Computer liegt. Aber Shor bewies: Sobald man den Quantencomputer realisiert, den Feynman vorgestellt hat, kann man unzählige Kryptosysteme knacken. Diese Arbeit war extrem wichtig – sie weckte das Interesse der Wissenschaftsgemeinde und der Förderinstitutionen an Quantencomputern.
Einige Jahre später tat Shor etwas, das ich noch bewundernswerter finde. Zuerst waren die Physiker pessimistisch: Quantenbits sind zu zerbrechlich und zu störanfällig – das Rauschproblem schien unlösbar. Shor zerstreute ihre Bedenken: Er bewies, dass man Quantencomputer prinzipiell auf beliebige Größenordnungen skalieren und zuverlässig betreiben kann, solange die Fehlerrate der grundlegenden Quantenlogikgatter unter einen bestimmten Schwellenwert (z. B. 1 %) gedrückt werden kann. Das ist völlig parallel zu dem Verfahren, mit dem John von Neumann einst das Problem löste, „einen zuverlässigen klassischen Computer aus unzuverlässigen Bauteilen zu