Warum dieses Papier relevant ist

Für viele Führungskräfte dient das Mooresche Gesetz nach wie vor als Kurzformel für technologischen Fortschritt: schnellere Chips, geringere Kosten, mehr Leistung, bessere Software.

Dieses Denkmodell ist heute unvollständig.

Das klassische Moore-Dennard-Regime hat sich verlangsamt, aber die praktische Rechenleistung, die in Frontier-KI-Systemen zum Einsatz kommt, ist weiterhin exponentiell gewachsen. Der Grund dafür ist nicht, dass das alte Gesetz heimlich überlebt hätte. Der Grund ist, dass sich der Ort des Fortschritts verlagert hat. Die relevante Einheit ist nicht mehr der einzelne Transistor. Es ist das gesamte Produktionssystem, das Beschleuniger, Rechenzentrumsinfrastruktur, Algorithmen, Energie, Daten, Kapital und unternehmerische Absicht kombiniert.

Diese Unterscheidung ist für die KI-Transformation entscheidend. Wenn KI-Fähigkeiten als reines Software-Feature betrachtet werden, unterschätzen Führungskräfte die dahinterstehende Infrastruktur, Ökonomie und das Betriebsmodell. Wird KI hingegen als Produktionsfunktion auf Systemebene verstanden, werden strategische Entscheidungen klarer: Wo man sich auf Frontier-Plattformen verlassen sollte, wo man eigene Wettbewerbsvorteile aufbauen kann, wo Energie- und Datenbeschränkungen eine Rolle spielen und wo algorithmische Effizienz den Business Case verändern kann.

Das Kernargument

Das Ende der klassischen Skalierung bedeutet nicht das Ende der Beschleunigung der Rechenleistung. Es bedeutet das Ende eines dominanten Mechanismus.

Über rund fünf Jahrzehnte verbesserte sich die Rechenleistung, weil die Transistordichte zunahm und die Leistungsdichte beherrschbar blieb. Das Mooresche Gesetz und die Dennard-Skalierung gaben der Industrie gemeinsam eine verlässliche Roadmap. Entwickler konnten mehr Transistoren, höhere Taktraten, eine bessere Leistung pro Watt und geringere Kosten pro Rechenoperation erwarten.

Die Dennard-Skalierung brach zuerst zusammen. Leckstrom und die Grenzen der Schwellenspannung machten es unmöglich, die Taktfrequenzen weiter zu erhöhen, ohne eine inakzeptable Wärmeentwicklung zu erzeugen. Danach verlangsamte sich das Mooresche Gesetz wesentlich, da Lithografie, Fertigungskomplexität und wirtschaftliche Faktoren jeden neuen Technologieknoten schwieriger und teurer machten.

Frontier-KI entwickelte sich jedoch in die entgegengesetzte Richtung. Seit 2010 ist die für das Training bemerkenswerter KI-Modelle aufgewendete Rechenleistung um etwa das 4- bis 5-fache pro Jahr gewachsen. Frontier-Sprachmodelle folgten sogar noch steileren Kurven. Gleichzeitig verbesserte sich die algorithmische Effizienz unabhängig davon, was bedeutet, dass mit der gleichen Menge an Rechenleistung im Laufe der Zeit mehr Fähigkeiten erzeugt werden können.

Das neue Regime wird daher nicht vom Transistor bestimmt, sondern vom System.

Wichtigste Erkenntnisse

Das Arbeitspapier identifiziert sechs Erkenntnisse, die für die Strategie am relevantesten sind:

  1. Die klassische Moore-Dennard-Skalierung hat sich abgeschwächt, aber die effektive KI-Rechenleistung hat sich beschleunigt.
  2. Die Trainingsrechenleistung für nennenswerte KI-Modelle ist seit 2010 um etwa das 4- bis 5-fache pro Jahr gewachsen.
  3. Die algorithmische Effizienz hat sich unabhängig davon um etwa das 3-fache pro Jahr verbessert.
  4. Rechenintensive KI hat bereits Durchbrüche auf Domänenebene in der Strukturbiologie, der Materialforschung, der Wettervorhersage und dem formalen mathematischen Schliessen ermöglicht.
  5. Die entscheidenden Beschränkungen verlagern sich von der Lithografie hin zu Energie, Datenverfügbarkeit, Kapitalintensität und Latenz der Verbindungsnetzwerke.
  6. Bis 2030 ist die plausibelste Beschränkung thermodynamischer und wirtschaftlicher Natur, nicht die Transistordichte.

Diese Erkenntnisse sollten nicht als Technologieoptimismus verstanden werden. Sie sind als operative Realität zu betrachten. Das Wachstum der Fähigkeiten ist real, aber es hängt zunehmend von knappen physischen und wirtschaftlichen Ressourcen ab.

Wissenschaftliche Entdeckungen als Beleg

Der stärkste Beleg für das neue Rechenregime ist kein Benchmark-Diagramm. Es ist die Konzentration wissenschaftlicher Ergebnisse, die unter älteren rechnerischen Annahmen schwierig oder unmöglich gewesen wären.

AlphaFold 2 veränderte die Vorhersage von Proteinstrukturen, indem es für viele Zielmoleküle eine mit experimentellen Methoden vergleichbare Genauigkeit erreichte. AlphaFold 3 erweiterte dieses Muster auf biomolekulare Interaktionen, die Proteine, Nukleinsäuren, Liganden, Ionen und modifizierte Reste umfassen. GNoME erweiterte den bekannten Raum stabiler anorganischer Materialien um Grössenordnungen im Vergleich zu früheren computergestützten Pipelines zur Materialentwicklung. GraphCast und GenCast zeigten, dass gelernte Modelle bei wichtigen mittelfristigen Aufgaben mit traditionellen Wettervorhersagesystemen konkurrieren oder diese übertreffen können, während sie bei der Inferenz Vorhersagen mit radikal geringerer marginaler Rechenleistung erstellen.

Dies sind keine isolierten Demonstrationen. Sie repräsentieren ein Muster: Wenn eine wissenschaftliche Domäne über verlässliche Trainingsdaten, eine berechenbare Ground Truth und einen grossen kombinatorischen Suchraum verfügt, können gelernte Modelle den Suchprozess komprimieren.

Beschränkungen bis 2030

Das Papier bewertet vier Beschränkungen, die die nächste Phase der Skalierung von Frontier-KI prägen werden.

Erstens, elektrische Energie. Die grössten Trainingssysteme bewegen sich auf einen Energiebedarf zu, der die Verfügbarkeit von Energie zu einem strategischen Faktor macht. Dies ist kein Detail der Beschaffung mehr. Es ist eine Beschränkung, wo, wie und von wem Frontier-Systeme trainiert werden können.

Zweitens, Datenverfügbarkeit. Öffentlich zugängliche, hochwertige Text-, Code-, wissenschaftliche und multimodale Korpora sind nicht unendlich. Synthetische Daten, eine bessere Kuratierung, domänenspezifische Datensätze und Interaktionsdaten können den Spielraum erweitern, heben die Beschränkung aber nicht auf.

Drittens, Kapitalintensität. Die Trainingsläufe von Frontier-Modellen werden so teuer, dass nur eine kleine Anzahl von Unternehmen, Staaten und Partnerschaften sie direkt finanzieren kann. Dies erhöht die Konzentration auf wenige Plattformen und steigert die Bedeutung einer Zugangsstrategie für Unternehmen.

Viertens, Latenz der Verbindungsnetzwerke. Die Skalierung über einen einzelnen Beschleuniger hinaus erfordert die Kommunikation zwischen Clustern. Bei sehr grossen Systemen wird die Infrastruktur, die die Recheneinheiten verbindet, ebenso wichtig wie die Chips selbst.

Vier Szenarien

Das Papier stellt vier Szenarien für die Frontier-Rechenleistung bis 2030 vor.

Szenario A ist die Fortsetzung des Basisszenarios. Die physische Trainingsrechenleistung wächst weiterhin schnell, unterstützt durch Verbesserungen bei Beschleunigern, grössere Cluster, den Ausbau der Energieversorgung und anhaltende Kapitalinvestitionen. Dieses Szenario impliziert mehrere weitere Generationen von Systemen für wissenschaftliche Entdeckungen, die in ihrer Bedeutung mit AlphaFold, GNoME und GraphCast vergleichbar sind.

Szenario B ist eine von Effizienz dominierte Skalierung. Das Wachstum der physischen Rechenleistung verlangsamt sich früher, aber die algorithmische Effizienz verbessert sich weiter. Die Leistungsfähigkeit nimmt weiterhin zu, aber der Wettbewerbsvorteil verlagert sich auf Forschungstalent, Architektur, Datenqualität und Trainingsmethoden.

Szenario C ist ein durch Beschränkungen bedingtes Plateau. Energie-, Daten-, Kapital- und Lieferkettenengpässe wirken gleichzeitig limitierend. Der Fortschritt geht weiter, aber langsamer, und die Frontier-Fähigkeiten im Jahr 2030 ähneln eher einer Erweiterung des Regimes von 2025 bis 2026 als einem Quantensprung.

Szenario D ist ein Paradigmenwechsel. Eine neue Architektur, eine neue Trainingsmethode oder ein neues Rechensubstrat verändert die Gleichung der effektiven Rechenleistung. Dies ist auf kurze Sicht weniger wahrscheinlich, birgt aber die grösste positive Varianz.

Implikationen für Führungskräfte

Die strategische Implikation ist einfach: Die KI-Transformation wird zu einer Disziplin, die ein Bewusstsein für Infrastruktur erfordert.

Führungskräfte müssen Chip-Roadmaps nicht direkt verwalten. Aber sie müssen verstehen, wie die Ökonomie der Rechenleistung den Zugang zu Fähigkeiten, die Anbieterkonzentration, die Modellwahl, die Datenstrategie und das Design des Betriebsmodells beeinflusst.

Für die meisten Organisationen lautet die richtige Frage nicht, ob sie Frontier-Modelle trainieren sollen. Die richtige Frage ist, wo Frontier-Fähigkeiten die betriebswirtschaftlichen Grundlagen verändern, wo proprietärer Kontext eine Rolle spielt und wo die Organisation Vorteile schaffen kann, ohne den gesamten Compute-Stack zu besitzen.

Daraus ergibt sich eine praktische Agenda:

  • Behandeln Sie den Zugang zu Rechenleistung als Teil der KI-Strategie, nicht als nachträgliche technische Überlegung.
  • Bewerten Sie die Modellauswahl anhand von Workflow-Wert, Latenz, Kosten, Sicherheit und Governance-Anforderungen.
  • Bauen Sie proprietäre Vorteile rund um Daten, Prozesswissen, Distribution, Integration und die Umsetzung von Veränderungen auf.
  • Verfolgen Sie Energie- und Plattformkonzentration als strategische Risiken.
  • Nutzen Sie algorithmische Effizienz als Planungsvariable, nicht nur die reine Modellgrösse.

Lesen Sie das vollständige Arbeitspapier

Die Web-Version ist bewusst kurz gehalten. Das vollständige Papier enthält die detaillierte empirische Analyse, wissenschaftliche Beispiele, die Analyse der Beschränkungen, die Szenarienlogik und die Quellenangaben.

Laden Sie unten das vollständige PDF herunter, um das gesamte Arbeitspapier zu lesen.