Sam Altmans letzter Kampf: In 4 Monaten wird AGI ausgeliefert.
Es wird bereits behauptet, dass AGI erreicht wurde.
Gerade auf der Telefonkonferenz zur Veröffentlichung der Quartalsergebnisse am Mittwoch dieser Woche ließ Jensen Huang eine Aussage fallen: Für viele Aufgaben können wir sagen, dass wir AGI bereits erreicht haben.
Am selben Tag wurde zudem ein über zweistündiges langes Interview mit Sam Altman veröffentlicht. Er nannte als Termin Ende 2026.
Für Sam Altman sind diese vier Monate nicht nur ein technischer Sprint. Vor dem Börsengang im nächsten Jahr muss er die Karte AGI zuerst ausspielen.
Gelingt das nicht, wird er beim Läuten der Börsenglocke bereits einen Konkurrenten vorfinden, der bereits an die Börse gegangen ist, dessen Marktwert doppelt so hoch ist und der zudem profitabel arbeitet.
In diesem Kampf gibt es für OpenAI keinen Rückzugsraum mehr.
Jensen Huang hat zuerst gerufen: AGI ist bereits erreicht
Auf dieser Telefonkonferenz fragte ihn jemand, was er davon halte, dass Unternehmen wie OpenAI sich mit aller Kraft der Verfolgung von AGI widmen.
Jensen Huangs Antwort war, dass es zu diesem Punkt nichts zu streiten gibt. Die gesamte Branche hat sich noch nicht einmal darauf geeinigt, was „Intelligenz“ überhaupt ist, geschweige denn, mit welchem Maßstab man AGI messen soll.
In seinen Händen hält er etwas anderes.
Die AVO-Architektur von Nvidia hat bei dem Test ARC-AGI-3, der speziell prüft, ob Agenten über lange Zeit selbstständig arbeiten können, eine volle Punktzahl von 100 % erreicht.
Aufbauend auf diesem Ergebnis stellte er eine sehr ambitionierte Prognose auf:
In naher Zukunft wird Nvidia möglicherweise nur noch etwa 40.000 menschliche Mitarbeiter behalten müssen, aber dafür über 400.000 oder sogar 4 Millionen digitale Mitarbeiter verfügen.
Aber diese Arbeit mit voller Punktzahl ist bei genauer Betrachtung nur eine leere Hülle
Wie allgemein bekannt ist, funktioniert ARC-AGI-3 auf eine sehr „unfaire“ Weise.
Der Agent wird direkt in ein unbekanntes Spiel geworfen, ohne Regeln oder Ziele zu erhalten – er muss selbst drücken, selbst beobachten und selbst raten. Er hat nur ein 64 × 64 großes Gitter und einige Tasten zur Verfügung. Jede Umgebung hat mindestens sechs Level: Das erste Level lässt sich in fünf Schritten bestehen, das sechste erfordert bereits fünfzig Schritte.
Menschen haben schon Schwierigkeiten beim Spielen, und Modelle sind nicht viel besser darin.
Der entscheidende Punkt liegt hier: Das von AVO verwendete Modell ist Claude Opus 5.
Dann hat Nvidia ihm eine Hülle übergezogen. Kein einziger Parameter der Gewichte wurde verändert, und die Leistung stieg direkt von 30,16 % auf die volle Punktzahl.
Hier spielen wirklich zwei Dinge eine Rolle.
Das erste ist das dauerhafte Gedächtnis: Das Gedächtnis wird nicht gelöscht, wenn der Kontext voll ist. Der Agent arbeitet vom aktuellen Zustand aus weiter, ohne dieselben Fehler noch einmal zu machen.
Das zweite ist der Überwacher: Er arbeitet nicht selbst, sondern beobachtet die gesamte Suchspur. Sobald er feststellt, dass der Agent sich im Kreis dreht, lenkt er den Hauptagenten zu anderen Strategien.
Streng genommen zählt diese Arbeit mit voller Punktzahl jedoch nicht wirklich.
Mehr als drei Stunden nach der offiziellen Ankündigung von Nvidia veröffentlichte François Chollet, der Vater von ARC-AGI, einen Tweet:
Eine Punktzahl von 100 % auf dem öffentlichen Demonstrationsdatensatz bedeutet nicht 100 % auf dem ARC-AGI-3-Benchmark. Das ist vergleichbar damit, dass man behauptet, ein Videospiel durchgespielt zu haben, obwohl man nur das Einführungslevel abgeschlossen hat.
Gemäß den eigenen Erläuterungen des ARC Prize ist der öffentliche Datensatz nicht dazu gedacht, Punkte zu vergeben. Die wirklich zählenden Datensätze sind der halbprivate und der private Datensatz – und für diese beiden hat AVO keine Ergebnisse vorgelegt.
Noch subtiler ist, dass dies bereits die dritte Arbeit mit voller Punktzahl innerhalb von sechs Wochen ist.
Tycho erreichte den ersten Erfolg Ende Juli, VISTA schaffte es am 5. August ein zweites Mal, und AVO ist das dritte Unternehmen. Die Lösungsansätze der drei sind völlig unterschiedlich, aber alle werden von Claude Opus 5 angetrieben.
Immer mehr Menschen erklären, AGI erreicht zu haben, aber diejenigen, die AGI tatsächlich herstellen können, scheinen immer noch dieselben zwei Unternehmen zu sein.
Und diese Karte wurde noch nie wirklich ausgespielt.
Worauf stützt Sam Altman seine Aussage, dass es bis Ende des Jahres soweit ist?
In dem ausführlichen Interview zeigte sich Sam Altman sehr zuversichtlich:
Bis zum Ende des Jahres wird es bei OpenAI ein System geben, das er bereit ist, als AGI zu bezeichnen.
Der Chief Research Officer Mark Chen ist dagegen etwas konservativer. Seiner Meinung nach fehlen OpenAI noch 20 % bis zur AGI.
Diese Aussage klingt vermessen, aber sie haben tatsächlich etwas in der Hinterhand.
Dieses Jahr hat OpenAI intern ein sehr klares Ziel festgelegt: Einen automatischen KI-Forschungsassistenten zu bauen, der wirklich praktisch arbeiten kann.
Und dieser „automatische KI-Forschungsassistent“ heißt Astra.
Gibt man Astra eine Idee für ein Experiment, kann es im Code-Repository von OpenAI selbst Code schreiben, Experimente durchführen und die Ergebnisse einreichen.
Wenn man ihm ein wissenschaftliches Papier vorlegt, kann Astra die Arbeitsleistung erledigen, für die ein erstklassiger menschlicher Forscher früher etwa eine Woche gebraucht hat.
16 Agenten halten ein Roundtable-Gespräch ab
Vor kurzem konnten Dutzende von Führungskräften großer Großkunden dies bei einer internen Demonstration mit eigenen Augen sehen.
Auf dem großen Bildschirm zerlegten 16 KI-Agenten eine forschungsrelevante mathematische Aufgabe in eine Reihe von Teilproblemen.
Jeder von ihnen übernahm einen Teil der Arbeit, prüfte die Ergebnisse zwischeneinander gegenseitig und fügte am Ende einen vollständigen Beweis zusammen.
Das sah völlig so aus, als ob ein gut eingespieltes Team eine nicht öffentliche Sitzung abhält.
Die zweite Demonstration war noch beeindruckender.
Astra öffnete gängige Desktop-Software, wechselte zwischen verschiedenen Anwendungen hin und her, erstellte Dateien, änderte Inhalte und plante Aufgaben – so schnell, dass es überhaupt nicht aussah, als würde ein Mensch die Tastatur bedienen.
Alle, die das sahen, waren beeindruckt: Astra hat die Technologie für „dauerhafte Agenten“ dieses Mal vollständig realisiert.
Sam Altman prophezeite zudem: „Ich erwarte, dass dies das erste Modell sein wird, das wirklich wichtige neue Dinge erfindet. Das ist etwas, was sehr typisch für AGI ist.“
Man beachte die Formulierung „neue Dinge erfinden“: Das bedeutet, völlig neue Dinge zu schaffen, die die Menschheit bisher noch nicht kennt.
In 9 Monaten selbst entwickelte Chips: Astra greift direkt ein
Vor kurzem hat der erste selbst entwickelte Chip von OpenAI mit dem Spitznamen „Jalapeño“ die Flagship-GPU von Jensen Huang deutlich übertroffen.
Der Hauptverantwortliche für diesen Erfolg ist genau GPT-Astra.
Es hat direkt mitgewirkt, von der Schaltungsentwicklung bis hin zur Software.
Auf der Chip-Seite hat es die unteren Schaltungen optimiert. Auf der Software-Seite hat es die untersten Kern-Kernel geschrieben und optimiert und zudem gleich drei Open-Source-Modelle abgestimmt.
Das Ergebnis: Die Leistung des BF16-Multiplikators stieg um 56 %, während die Fläche der Matrix-Einheit um 10 % verkleinert werden konnte.
Die beiden Kernmodule „Attention-Mechanismus“ und „MoE“ sind 1,5 bis 1,8 Mal schneller als die von menschlichen Experten handgeschriebenen Versionen.
Sehr geehrte Damen und Herren, die KI arbeitet hier direkt auf physischer Ebene an den Schaltungen.
Interessanterweise macht Nvidia genau dasselbe.
AVO wurde überhaupt nicht für Spiele entwickelt, sein Haupteinsatzbereich ist das Schreiben von unterlagigem Code für GPUs.
Dieses Jahr im März veröffentlichte Nvidia ein wissenschaftliches Papier, dessen Kernidee darin besteht, den gesamten Schritt des „Code-Änderns“ an einen selbstständig arbeitenden Agenten zu übergeben.
In der praktischen Prüfung lief es 7 Tage lang kontinuierlich autonom, ohne menschliche Eingriffe, erkundete mehr als 500 Optimierungsrichtungen und reichte schließlich 40 gültige Kernel-Versionen ein.
Der erzeugte Kerncode ist bis zu 3,5 % schneller als die geschlossene Version von Nvidia selbst und bis zu 10,5 % schneller als die fortschrittlichste Open-Source-Implementierung der Branche.
KI baut gerade KI
Wenn man diese beiden Dinge jetzt zusammen betrachtet, bekommt die Aussage von Sam Altman eine solide Grundlage.
Jede Iteration des Modells verbraucht eine große Menge menschlicher Forschungszeit. Wenn Astra diesen Prozess übernimmt, wird sich die gesamte Entwicklungsgeschwindigkeit qualitativ verändern.
Sobald dieser Kreislauf in Gang kommt, geht es nur noch um die Geschwindigkeit.
Die letzte Schlacht hat bereits vollständig begonnen
Tatsächlich sind GPT-5.6 und Fable 5, die