Wissenschaftler von Anthropic: Falls AGI innerhalb von drei Jahren Realität wird, hat die Planung für das Promovieren und eine lebenslange Tenure-Stelle noch einen Sinn?

Kürzlich wurde ein Vortrag von Wissenschaftlern bei Anthropic wiederentdeckt und hat auf der sozialen Plattform X große Aufmerksamkeit und lebhafte Diskussionen ausgelöst.

Jascha Sohl-Dickstein, Wissenschaftler bei Anthropic und einer der frühen Forscher auf dem Gebiet der Diffusionsmodelle, hielt im Juni 2026 auf der Konferenz für Physik und KI an der Stanford University einen Vortrag mit dem Titel „Ratschläge für junge Forschende in den ersten und letzten Tagen des Anthropozäns“ (Advice for a Young Investigator in the First and Last Days of the Anthropocene). Seiner Ansicht nach wird der rasche Fortschritt der KI-Fähigkeiten nicht nur die Art der wissenschaftlichen Forschung verändern, sondern auch die seit vielen Jahren geltenden akademischen Berufsplanungen erschüttern können.

Diese Ansicht ist im heutigen KI-Zeitalter ein Problem, das Aufmerksamkeit und Nachdenken verdient: Wenn die Technologie das wissenschaftliche Forschungssystem innerhalb weniger Jahre tiefgreifend verändern kann und wir die rasante Entwicklung der KI-Technologie bereits deutlich spüren, können die Menschen dann noch die Erfahrungen der letzten Jahrzehnte nutzen, um ihre eigene Karriere zu planen?

Die Einschätzung von Sohl-Dickstein basiert auf einer Reihe von Daten zum Rechenumfang und zu den KI-Fähigkeiten: In den letzten zehn Jahren hat sich der Rechenaufwand für das Training der größten Modelle um etwa das 10-Millionenfache erhöht. Seiner Meinung nach haben KI-Modelle in den letzten etwa sieben Monaten damit begonnen, einige der Erdős-Probleme zu lösen, die Mathematiker lange Zeit geplagt haben; wenn der Wachstumstrend anhält, könnte die Rechenleistung bis 2030 etwa das 10.000-fache von 2025 erreichen. Seiner Ansicht nach bietet die Fortführung früherer Berufsplanungen in einem Umfeld mit exponentiellem Wachstum nicht unbedingt die erwartete Stabilität.

Seine Ratschläge konzentrieren sich auf mehrere Aspekte: Integrieren Sie KI so früh wie möglich in Ihre tägliche Forschung und richten Sie Ihre Forschungsrichtung auf Probleme aus, die kontinuierlich von der Verbesserung der Rechenleistung und der Modellfähigkeiten profitieren; bewerten Sie die Risiken des traditionellen akademischen Wegs neu und betrachten Sie Promotion, Postdoc-Stelle und Tenure-Track-Stelle nicht als natürlich sichere Optionen; nutzen Sie KI geschickt für Codierung, Ausführung und Überprüfung, während Sie Ihr eigenes Urteil und Denken über die Probleme behalten.

Der am meisten beachtete Satz des Vortrags lautet: „Schreiben ist Denken. Wenn Sie das Schreiben auslagern, lagern Sie tatsächlich auch Ihr Denken aus.“

Diese Ansicht spiegelt auch Sohl-Dicksteins Einschätzung der wissenschaftlichen Arbeit im KI-Zeitalter wider: Die Nutzung von KI zur Effizienzsteigerung bedeutet nicht, dass man auf unabhängiges Denken verzichten kann. Angesichts der großen Veränderungen, die in den nächsten Jahren eintreten könnten, müssen junge Forschende lernen, KI zu nutzen, aber auch ihre Forschungsrichtung und Berufsplanung neu zu prüfen und darüber nachzudenken, welche Fähigkeiten weiterhin wichtig sind und welche Entscheidungen sich für langfristige Investitionen lohnen.

Im Folgenden das Protokoll des Vortrags von Sohl-Dickstein, das ohne Änderung des ursprünglichen Sinns gekürzt wurde:

01 Das exponentielle Wachstum der KI hat gerade erst begonnen

Der Titel des heutigen Vortrags lehnt sich an das Werk von Santiago Ramón y Cajal, Nobelpreisträger und einer der Gründer der modernen Neurowissenschaften, an.

Sehen wir uns zuerst die Wachstumskurve des globalen BIP an. Wir sind es gewohnt, die Zukunft als lineare Fortsetzung der Gegenwart zu verstehen, aber wenn wir die langfristige Veränderung des BIP in einem logarithmischen Koordinatensystem beobachten, stellen wir fest, dass das exponentielle Wachstum bereits seit sehr langer Zeit andauert. Auch die KI durchläuft einen ähnlichen Prozess.

Wenn Sie diese Einschätzung akzeptieren, sollten Sie Ihren Beruf, Ihr Forschungsprojekt und Ihre Lebensplanung neu überdenken.

Menschliche Aktivitäten haben bereits unauslöschliche Spuren auf der Erde hinterlassen. Zum Beispiel findet derzeit ein massives Artensterben statt, und radioaktive Stoffe aus Atomtests sind in den Gesteinsschichten zurückgeblieben. Sogar Milliarden von Jahren später könnten diese Spuren noch beweisen, dass Menschen einst existiert haben. Aus diesem Grund hat ein Teil der Wissenschaftsgemeinde vorgeschlagen, diese Periode, in der Menschen die Umwelt der Erde tiefgreifend beeinflusst haben, als „Anthropozän“ zu bezeichnen.

Mit der stetigen Zunahme der KI-Fähigkeiten werden die Menschen vielleicht bald nicht mehr die einzige intelligente Kraft sein, die die Welt in großem Maßstab verändern kann. Wann diese Epoche endet, hängt zu einem großen Teil von der Entwicklung der KI ab.

In den letzten zehn Jahren hat sich der Rechenaufwand für das Training der größten KI-Modelle um etwa das 10-Millionenfache erhöht. Nach meiner groben Schätzung nähert sich dieser Umfang allmählich der Rechenleistung, die das menschliche Gehirn im Laufe seines Lebens vollbringt.

Auch die Fähigkeiten der KI verbessern sich rasant. Eine Studie untersuchte Softwareaufgaben, die Modelle bei einer Erfolgsrate von 50 % unabhängig erledigen können, und maß ihre Fähigkeiten an der Zeit, die Menschen für ähnliche Aufgaben benötigen. In weniger als einem Jahr hat sich der Zeitumfang der Aufgaben, die das Modell bewältigen kann, um etwa das 10-fache erhöht, was meine vorherige Prognose für die Jahre 2026 bis 2027 übertrifft.

Im Mathematikbereich sind ähnliche Veränderungen eingetreten. Paul Erdős hat eine große Anzahl ungelöster mathematischer Probleme hinterlassen. In den letzten etwa sieben Monaten haben KI-Modelle damit begonnen, einige dieser Probleme zu lösen und die bekannte Grenze der mathematischen Forschung voranzutreiben.

Diese Fortschritte zeigen, dass die Fähigkeiten der KI nicht nur die Effizienz bei bestehenden Aufgaben steigern, sondern auch in Bereiche vordringen, die früher von menschlichen Forschern erforscht und durchbrochen werden mussten.

02 Wann könnte AGI eintreten?

Vor einem Jahr habe ich eine frühe Version dieses Vortrags an der Harvard University gehalten. Damals hielten einige Leute die Diskussion über das bevorstehende Eintreten von AGI für zu radikal. Aber heute ist dies ein Thema, das öffentlich und ernsthaft diskutiert werden kann.

Der ehemalige britische Premierminister Rishi Sunak hat betont, dass der Wettbewerb um AGI von grundlegender geopolitischer Bedeutung ist. Der ehemalige US-Präsident Barack Obama hat ebenfalls darauf hingewiesen, dass der Einfluss der KI größer sein wird als der des Smartphones und schneller eintreten wird. Der ehemalige Google-CEO Eric Schmidt prognostiziert, dass die KI innerhalb weniger Jahre das Intelligenzniveau der besten Menschen erreichen oder sogar übertreffen wird.

Obwohl die Arbeit von Programmierern noch nicht vollständig ersetzt wurde, hat die KI bereits viele ihrer Aufgaben übernommen, und der Inhalt der Arbeit ändert sich entsprechend.

Wenn Sie in der KI-Branche in San Francisco tätig sind und die Leute fragen, wann AGI eintreten wird, werden viele antworten: innerhalb weniger Jahre. Selbst wenn jemand der Meinung ist, dass der Zeitrahmen länger ist, stellt sich bei weiterem Nachfragen möglicherweise heraus, dass sein sogenannter langfristiger Zeitraum nur etwa zehn Jahre beträgt.

Das unterscheidet sich stark von Diskussionen in anderen wissenschaftlichen Bereichen. Wenn Sie im Bereich der Biotechnologie fragen, wann Krebs geheilt werden kann, werden Forschende normalerweise die Schwierigkeiten erklären und warum es noch lange dauern wird. Aber wenn ich mit KI-Forschern spreche, sind sie oft der Meinung, dass es keine eindeutigen technischen Hindernisse auf dem Weg von aktuellen Modellen zur Superintelligenz gibt.

Ein weiteres bemerkenswertes Phänomen ist, dass viele KI-Benchmarks in der Vergangenheit mehr als ein Jahrzehnt brauchten, um das menschliche Niveau zu erreichen, während neue Benchmarks heute innerhalb weniger Monate bis weniger Jahre durchbrochen werden können. Ich habe an der Erstellung des Big-Bench-Benchmarks mitgewirkt, und noch vor der offiziellen Veröffentlichung des Papiers gab es Studien, die bei einigen Aufgaben darin neue Spitzenleistungen erzielten.

Wenn Sie der Meinung sind, dass sich die KI in einer bestimmten Schlüsselfähigkeit nicht weiter verbessern wird, empfehle ich Ihnen, diese Einschätzung in quantifizierbare Indikatoren umzuwandeln, Benchmarks zu erstellen und sie kontinuierlich zu verfolgen. Bleiben Sie nicht bei vagen Urteilen wie „Die KI ist noch nicht klug genug“ stehen.

Auf dem Weg zur AGI sind unsere Methoden offensichtlich noch sehr ineffizient. Im Vergleich zu aktuellen Methoden ist das menschliche Gehirn bei der Datennutzungseffizienz um mehrere Größenordnungen überlegen. Aber Ineffizienz bedeutet nicht, dass die Methode nicht funktioniert.

Was mich immer wieder überrascht, ist, dass wir nur einige sehr einfache Methoden um eine Größenordnung erweitern, und sie bringen dennoch deutliche Fortschritte. Daher sehe ich vorläufig kein klares, hartes Hindernis, das uns daran hindern könnte, weiterzumachen.

Wenn wir diese Zeitpläne ernst nehmen, müssen wir zuerst überlegen: Wie stellen wir sicher, dass die Forschung, die wir durchführen, noch wertvoll ist, wenn sie abgeschlossen ist. Eine zu beachtende Situation ist, dass Sie zwei Jahre damit verbringen, einen scheinbar signifikanten Fortschritt zu erzielen, aber wenn Sie fertig sind, können andere mit einem einfachen Prompt für das neueste Grundmodell ein besseres Ergebnis erzielen.

Daher empfehle ich Ihnen, gezielte Forschungsprojekte auszuwählen, mit anderen zusammenzuarbeiten, Ihre Arbeit so schnell wie möglich voranzutreiben und sicherzustellen, dass der Fortschritt Ihrer Forschung mit dem Wachstum der KI-Fähigkeiten Schritt hält.

Richard Sutton veröffentlichte 2019 den Artikel „Die bittere Lektion“ (The Bitter Lesson), der eine wichtige Perspektive bietet: Langfristig sind allgemeine Methoden, die Rechenressourcen vollständig nutzen können, oft effektiver als spezifische Methoden, die auf menschlichem Design basieren.

Diese Erfahrung hat zwei Aspekte:

Einerseits wenn sich Ihre Forschung mit der Erhöhung des Rechenaufwands und des Intelligenzniveaus stetig verbessern kann und sogar die Entwicklung der KI-Fähigkeiten vorantreibt, ist ihr Wert möglicherweise weit höher als erwartet.

Andererseits wenn ein Problem durch die Erweiterung des Modellumfangs zwangsläufig gelöst wird, sollten Sie ernsthaft überlegen, ob Ihre Arbeit noch einen eigenständigen Wert hat, wenn Sie Ihre Forschung abgeschlossen haben.

Letztendlich werden Roboter in Labors eintreten und praktische Arbeiten übernehmen. Obwohl es schwierig ist, den genauen Zeitpunkt vorherzusagen, würde ich überrascht sein, wenn wir in den nächsten 10 bis 15 Jahren keine Roboter hätten, die physische Experimente für Menschen durchführen können.

Darüber hinaus zeigt es selbst, dass die theoretische Forschung noch Verbesserungspotenzial hat, wenn eine Theorie die experimentellen Ergebnisse über einen langen Zeitraum nicht effektiv vorhersagen kann. Wenn KI die Vorhersagefähigkeit der Theorie verbessern kann, haben wir die Möglichkeit, die Anzahl der durchzuführenden Experimente zu reduzieren.

Natürlich hängen die Ergebnisse von der spezifischen Anwendung ab und davon, ob die Werkzeuge ausreichend benutzerfreundlich sind. Wenn die Interaktionskosten für die Nutzung von KI die erzielten Vorteile übersteigen, wird es schwierig, sie wirklich wirksam werden zu lassen.

03 Machen Sie KI zu einem Werkzeug für Ihre tägliche Forschung

Ich nutze Claude jeden Tag. Für mich ist es wie ein Doktorand mit sehr starker Ausführungsfähigkeit und hoher Arbeitsbereitschaft, aber derzeit fehlt es ihm noch deutlich an Forschungsintuition und Urteilskraft.

Vor einem Jahr musste ich noch jedes Detail, das es erledigt hat, gründlich prüfen. Jetzt kann ich ihm ein hochrangiges Problem geben, es Diagramme erstellen lassen und dann anhand der Ergebnisse entscheiden, was als Nächstes zu tun ist. Ich denke, dass sich diese Arbeitsweise weiter verändern wird.

Ich schreibe jetzt praktisch keinen Code mehr selbst und lese auch selten Code, aber ich nutze Code jeden Tag, um Forschungsaufgaben zu erledigen.

Ich empfehle Ihnen, vorhandene KI-Werkzeuge so weit wie möglich zu nutzen, einschließlich Brainstorming, Iteration von Forschungsideen, Analyse von Daten, Erstellung von Visualisierungen sowie Überprüfung von Lücken in Arbeiten und Forschungen.

Oft lasse ich aus Neugier auf ein bestimmtes Problem von der KI ein angepasstes Dashboard erstellen, das mehrere Seiten mit Diagrammen für meine Analyse erzeugt. Solche Arbeiten dauerten früher möglicherweise viel länger, heute sind sie viel einfacher geworden.

Obwohl Claude den Großteil unseres Forschungscodes schreiben kann, müssen Doktoranden immer noch verstehen, was der Code tut, aber sie müssen nicht unbedingt jede Zeile selbst schreiben wie früher. Das ist ein bisschen wie der Übergang von der Programmierung mit Lochkarten zu Python. Die Nutzung von Werkzeugen auf höherer Ebene bedeutet, dass Sie möglicherweise nicht mehr jedes Detail im Inneren des Computers verstehen müssen, aber Sie können sich