Die Entwicklung der KI
Klick dich durch zehn Meilensteine der KI-Geschichte und sieh, wie viel Rechenleistung jeder gekostet hat. Es ist immer dasselbe Prinzip — nur immer mehr Parameter.
Zeitreise
Mit den Pfeiltasten ← und → durch die Meilensteine steuern.
Ebenen
Skala
Historischer Kontext
- 1997 Deep Blue Rechenkraft — kein Lernen
- 2009 ImageNet ohne diese Daten kein AlexNet
- 2016 AlphaGo Lernen — nicht nur Rechnen
Der Zeitstrahl läuft von oben nach unten, der Rechenaufwand nach rechts über 25 Zehnerpotenzen (logarithmisch). Zwischen den Meilensteinen stehen die vergangenen Jahre, rechts die Bänder für AGI und ASI, unten die drei Szenarien ab heute.
1805 · Lineare Regression (Legendre, Gauß)
Legendre und Gauß berechnen von Hand eine Gerade, die möglichst gut durch Messpunkte läuft: zwei Parameter, angepasst so, dass die Summe der Fehlerquadrate minimal wird. Genau dieses Prinzip — Parameter aus Daten anpassen, bis der Fehler kleiner wird — steckt 220 Jahre später in jedem Sprachmodell. Nur mit hunderten Milliarden Parametern statt mit zwei.
Rechenaufwand
~10² FLOP
Auf einem Laptop
eine Milliardstel Sekunde
Fähigkeitsstufe
1 · Zahlen fortschreiben
Dieser Wert ist eine eigene Schätzung bzw. Extrapolation und steht nicht im Datensatz.
Meilensteine
Rechenleistung erklärt nicht alles
ChatGPT: 8× Rechenleistung, größter Sprung
ChatGPT brauchte nur etwa 8× mehr Rechenleistung als GPT-3, machte aber den größten Fähigkeitssprung der ganzen Grafik. Der kam aus dem Feinschliff (RLHF), nicht aus der Größe.
GPT-5: weniger Training, mehr Können
GPT-5 (2025) wurde mit weniger Trainings-Rechenleistung trainiert als GPT-4.5 — 6,6 × 10²⁵ gegenüber 3,8 × 10²⁶ — und ist trotzdem das stärkere Modell. Ab hier ist die Trainings-Kurve kein verlässlicher Fähigkeitsindikator mehr.
Reasoning skaliert die Antwortzeit
Seit 2024 verschiebt sich das Scaling vom Training zur Antwortzeit: Die Modelle denken länger nach, statt größer zu werden. Eine Achse für Trainings-Compute erfasst diesen Fortschritt strukturell nicht.
Deshalb laufen Rechenkurve und Fähigkeitsleiter ab 2022 sichtbar auseinander — und deshalb ist Scaling ein plausibler, aber kein garantierter Weg zu AGI.
Drei Wege ab heute
Links von 2026 stehen Daten, rechts davon Szenarien. Welcher Pfad eintritt, weiß niemand — deshalb steht dort ein Fächer und keine Prognose.
Wähle ein Szenario, um seinen Pfad in der Grafik hervorzuheben.
Was diese Grafik sagt
Immer dasselbe Prinzip
Von 1805 bis heute passiert technisch dasselbe: Parameter werden aus Daten so angepasst, dass der Fehler kleiner wird. Die lineare Regression hat zwei Parameter, ein heutiges Modell hunderte Milliarden. Der Unterschied ist Skalierung, nicht Magie.
Warum die Achsen verzerrt sind
Der Rechenaufwand wächst über 25 Zehnerpotenzen — von einer Milliardstel Laptop-Sekunde auf hunderte Millionen Laptop-Jahre. Nur eine logarithmische Achse zeigt beides gleichzeitig. Auch die Zeitachse ist gebrochen: links über 200 Jahre für sieben Sprünge, rechts vier Jahre für drei.
Warum Bänder statt Linien
Für AGI und ASI gibt es keine allgemein akzeptierte Definition und keine bekannte FLOP-Schwelle. Eine scharfe Linie würde behaupten, wir wüssten, wo die Grenze liegt. Die Unschärfe der Bänder ist die Aussage.
Engineering → Scaling → ?
Bis 2020 kam der Fortschritt aus neuen Verfahren, danach überwiegend aus Größe. Ob Scaling weiter reicht oder es wieder eine Erfindung braucht, ist offen. AGI durch weiteres Skalieren ist möglich, aber nicht sicher.
Datengrundlage
Rechenaufwand nach Epoch AI / Our World in Data, „Artificial intelligence: training computation“ (Stand 08/2026, 534 Modelle). Werte ab 2012 sind belastbar, davor Größenordnungs-Rekonstruktionen von Epoch AI; 1805 und 2026 sind eigene Schätzung bzw. Extrapolation. Referenz-Laptop: 10¹¹ FLOP/s, damit entspricht 1 Laptop-Jahr etwa 3 × 10¹⁸ FLOP. Die Zeitachse ist zweifach gebrochen: 1805 als Einzelanker, danach 1950–2022 linear, 2022–2026 gedehnt.