Axel Fersen Blog

Dwarkesh Patel, geboren 2000 in Indien und heute im kalifornischen Bay Area ansässig, betreibt seit 2021 den „Dwarkesh Podcast“, der mit zehntausenden Abonnentinnen und Abonnenten als eines der tiefgründigsten KI‑Interviewformate gilt; Gäste wie Jeff Bezos und Mark Zuckerberg loben seine minutiöse Vorbereitung ( Time , Dwarkesh ). Sein jüngstes Projekt ist ein zwölfminütiger YouTube‑Essay, der am 10. April 2025 erschien. Regisseur Peter Salaba setzte dabei ausschließlich Googles Videogenerator Veo V2 ein; kein Frame wurde gefilmt, sämtliche Sequenzen – ob fotorealistische Schauspieler oder Stop‑Motion‑Ameisenkolonie – entstanden in wenigen GPU‑Stunden. Google finanzierte die Produktion nachträglich über die Gemini‑Plattform . Im Text zum Video formuliert Patel eine Vision, die er als „fundamental transformational“ bezeichnet: Wenn Arbeitskraft digital wird, lassen sich fähige Agenten beliebig kopieren. Kapital wandelt sich in Rechenleistung, Rechenleistung in Arbeitskraft; aus Billione...

Große Sprachmodelle wie GPT-4, Claude 3 oder Gemini Ultra haben in den letzten Jahren beeindruckende Fortschritte in der Verarbeitung natürlicher Sprache erzielt. Sie beherrschen komplexe Satzstrukturen, können Gedichte generieren, juristische Texte analysieren oder Programmiercode schreiben. Dennoch zeigen sich bei genauer Betrachtung strukturelle Grenzen, die eine alleinige Nutzung dieser Modelle zur Erreichung einer allgemeinen künstlichen Intelligenz (AGI) als unrealistisch erscheinen lassen. Diese Grenzen sind nicht nur praktischer, sondern auch theoretischer Natur. Sprachmodelle operieren primär auf statistischer Basis, das heißt, sie prognostizieren das nächstwahrscheinliche Token auf Basis von Milliarden Parametern, trainiert auf Terabytes von Textdaten. Doch der Zugriff auf Sprache ersetzt nicht das Verständnis der Welt. Genau hier setzt die Forderung nach einer Integration von World Models und symbolischem Schließen an. World Models beschreiben intern erzeugte Repräsentatione...

Symbolic Reasoning stellt eine grundlegende kognitive Technik dar, die auf der Manipulation von Symbolen und abstrakten Repräsentationen basiert, um Schlüsse zu ziehen, Probleme zu lösen und informierte Entscheidungen zu treffen. Diese Form der Verarbeitung spielt eine zentrale Rolle in der Geschichte der Erkenntnistheorie, in der Psychologie, in der Bildung sowie in der Entwicklung künstlicher Intelligenz. Sie erlaubt es, komplexe Sachverhalte in strukturierter Form zu analysieren, wodurch sie nicht nur für menschliches Denken, sondern auch für maschinelles Schließen unersetzlich geworden ist. Bereits Henri Bergson, französischer Philosoph des frühen 20. Jahrhunderts, prägte durch seine Ideen über Zeit und Gedächtnis das Verständnis von symbolischen Prozessen. In seinen Schriften über das "dauerhafte Werden" der Wirklichkeit betonte er die Relevanz dynamischer Prozesse. Jean Piaget griff diesen Ansatz auf und entwickelte daraus seine Theorie der kognitiven Entwicklung, in de...

Weltmodelle gelten als ein zentrales Element auf dem Weg zur Entwicklung einer allgemeinen künstlichen Intelligenz (Artificial General Intelligence, AGI). Seit den 1960er-Jahren haben sich diese Modelle von einfachen Repräsentationen hin zu hochkomplexen Simulationen gewandelt, die heute zentrale Funktionen in der Robotik, der Gesundheitsversorgung und in intelligenten Räumen einnehmen. Die Idee, eine maschinelle Repräsentation der Welt zu erzeugen, basiert auf der Notwendigkeit, Umweltbedingungen nicht nur zu verstehen, sondern auch vorherzusagen. Dies ist eine Grundvoraussetzung für Entscheidungsfindung und adaptives Verhalten von KI-Systemen. Yann LeCun, einer der einflussreichsten Forscher auf diesem Gebiet, betont in seiner Arbeit von 2022 die Bedeutung objektbasierter Weltmodelle, die Gedächtnisstrukturen und Sicherheitsmechanismen integrieren. Diese Modelle sollen nicht nur visuelle Informationen verarbeiten, sondern auch Handlungsabfolgen simulieren, die zu bestimmten Zielen fü...

Die Fähigkeit Künstlicher Intelligenz, sich selbst zu vervielfältigen , galt lange als theoretisches Horrorszenario – bis chinesische Forscher diese Grenze im Februar 2025 praktisch überschritten. Ein Team um Pan Xudong von der Fudan-Universität in Schanghai demonstrierte, wie große Sprachmodelle (LLMs) wie Meta’s Llama31-70B-Instruct und Alibabas Qwenz5-72B-Instruct auf einfache Befehle hin funktionierende Kopien von sich selbst erzeugen. In bis zu 90 Prozent der Fälle gelang die autonome Replikation, wie die Preprint-Studie auf arXiv dokumentiert. Diese Entwicklung wirft nicht nur technische, sondern auch ethische und sicherheitspolitische Fragen auf: Was geschieht, wenn KI-Systeme eigenständig handeln – und sich dabei jeder Kontrolle entziehen?    Bisher hatten Forscher von Google und OpenAI solche Szenarien zwar als denkbar, aber kaum als unmittelbare Bedrohung eingestuft. In eigenen Experimenten scheiterten LLMs noch 2024 daran, komplexe Aufgaben wie das Einrichten eines...

In der aktuellen Debatte um KI wird oft ein vermeintlicher Schuldiger für Europas vermeintlichen Rückstand ausgemacht: der EU AI Act. Kritiker argumentieren, dass die geplante Regulierung Innovationen hemme und Investitionen abschrecke. Doch diese Sichtweise verkennt die Realität. Die Behauptung, der EU AI Act sei verantwortlich für die zögerlichen Investitionen europäischer Unternehmen in KI, entpuppt sich bei näherer Betrachtung als Fehleinschätzung – und lenkt von den eigentlichen Herausforderungen ab.    Zunächst zeigt ein Blick auf globale Entwicklungen, dass massive Investitionen in KI längst nicht mehr primär von staatlichen Akteuren, sondern von der Privatwirtschaft getragen werden. Projekte wie das 500-Milliarden-Dollar-Vorhaben *Stargate*, das von US-Techkonzernen vorangetrieben wird, verdeutlichen, wie sehr die Dynamik der KI-Entwicklung von unternehmerischem Mut und langfristigen Strategien abhängt. In Europa hingegen fehlt es oft an vergleichbarer Risikobereitscha...

In einem Interview, das im Headquarter von Google DeepMind in London stattfand, wurde Demis Hassabis, CEO des Unternehmens, gefragt, wie nah die Forschung an der Realisierung einer Artificial General Intelligence (AGI) sei und welche Zeiträume hierfür realistisch eingeschätzt werden könnten. Hassabis antwortete, dass man sich in einer Phase des schnellen Fortschritts befinde, die in den letzten Jahren erhebliche Meilensteine erreicht habe. Dennoch seien bestimmte essenzielle Fähigkeiten, wie komplexes logisches Denken, hierarchische Planung und langfristige Gedächtnisstrukturen, in den derzeitigen Systemen noch nicht vollständig ausgereift. Diese Aspekte seien jedoch entscheidend für die Entwicklung eines Systems, das als AGI bezeichnet werden könne. Hassabis prognostizierte, dass es bei der aktuellen Dynamik möglich sei, innerhalb von drei bis fünf Jahren AGI zu erreichen , räumte jedoch ein, dass viele derzeitige Behauptungen über angeblich erreichte AGI eher als Marketinginstrumen...