Künstliche Intelligenz: Überwindung der Grenzen steht auf dem Prüfstand

In der sich rasant entwickelnden Welt der künstlichen Intelligenz (KI) könnte sich bereits ein Plateau abzeichnen. OpenAI, bekannt für die Revolutionierung der KI mit seinem ChatGPT, hat kürzlich mit dem „Orion“-Modell keine neuen Maßstäbe setzen können. Trotz verbesserten Fähigkeiten schneidet das Modell nicht so ab, wie es sich das Unternehmen erhofft hatte. Dies wirft Fragen auf über die Erreichbarkeit von Künstlicher Allgemeiner Intelligenz (AGI), die nach wie vor in weiter Ferne scheint, selbst für Pioniere wie OpenAI-CEO Sam Altman. Doch OpenAI ist nicht das einzige Unternehmen, das mit diesen Herausforderungen konfrontiert ist. Einem Bloomberg-Bericht zufolge trifft Alphabet mit seinem neuen Gemini-Modell ebenfalls nicht die internen Erwartungen. Anthropic, bekannt als starker Herausforderer von OpenAI, hat Verzögerungen bei der Veröffentlichung seines verbesserten Claude-Chatbot-Modells 3.5 Opus. Die Ursache dieser Herausforderungen scheint in den begrenzten Datenquellen für das Training der Modelle zu liegen. Bisherige Modelle haben umfassend verfügbare Ressourcen ausgeschöpft, was zu einem Defizit an unerschlossenen, qualitativ hochwertigen Trainingsdaten führt. Margaret Mitchell von Hugging Face beschreibt dies als „Platzen der AGI-Blase“. Die Hoffnung auf bahnbrechende Fortschritte könnte deshalb vorerst ins Stocken geraten, was auch die Anleger in der Technologiebranche weiter verunsichern könnte. Mit der Aussicht, dass große Sprachmodelle (LLMs) auf abnehmenden Ertrag stoßen, sind Bedenken über eine mögliche Korrektur in der KI-Branche allgegenwärtig. Besonders bedroht scheint Nvidia zu sein, dessen Grafikprozessoren essenziell für das Training solcher KI-Modelle sind. Seit dem Aufstieg von ChatGPT ist die Nachfrage nach diesen Komponenten sprunghaft angestiegen – vor allem bei Cloud-Anbietern, Unternehmen im Bereich autonomes Fahren wie Tesla und diversen KI-Start-ups. Während generative KI durchaus beeindruckend ist, bleibt der „Killer-Anwendungsfall“ noch aus. Die Technologie zeigt Potenzial, aber das volle Spektrum ihres praktischen Nutzens sowie die Fehleranfälligkeit sind noch nicht geklärt.