Wir nähern uns bei der KI dem Zeitalter des logischen Denkens

Bei ihrem Start vor etwas mehr als zwei Jahren haben wir die Ansicht geäußert, dass die Plattform für künstliche Intelligenz (KI) von OpenAI, ChatGPT, die bedeutendste technologische Innovation seit Generationen darstellen könnte. Die Fortschritte in der KI haben diese Einschätzung noch verstärkt. Weniger beachtet wurde eine neuere Entwicklung, die wir für ebenso revolutionär halten: KI-Modelle, die beginnen, logisch zu denken.

Angesichts der Geschwindigkeit der Innovation – und unserer Erwartungen an ein möglicherweise entscheidendes Jahr 2025 – sehen wir dies als einen günstigen Zeitpunkt für ein Update zur KI und wie sie die Art und Weise, wie wir mit Technologie interagieren, und wie sie die Weltwirtschaft grundlegend verändern könnte.

Ein Blick zurück

We have come very far, very fast. ChatGPT was quickly embraced as a horizontal platform that could alter the utility of technology. Use cases have started to mature across functions, ranging from customer support and content creation to coding and marketing. Not limited to services, AI is also being deployed in biology and life sciences. Other foundational models have joined ChatGPT, including Claude, Google’s Gemini, Llama, and Mistral. These platforms have been in competition during AI’s training phase, and thus far the scaling laws – the function of data inputs and computing capacity yielding magnified results – have held.

Beginn der Testzeit-Inferenz

Nach einer intensiven Trainingsphase stehen viele KI-Modelle an der Schwelle zum Übergang in ihre eher operationelle Inferenzphase . Das hat sich als interessanter erwiesen als erwartet. Das letztliche Ziel ist, dass diese Modelle schließlich eine künstliche allgemeine Intelligenz (AGI) erreichen. Diesem Ziel kam man Ende 2024 mit der Veröffentlichung der Strawberry-Plattform von OpenAI, die logisches Denken und Gedächtnis mit großen Sprachmodellen (LLM) verbindet, einen Schritt näher.

Was bedeutet das? Anstatt Eingaben zu interpretieren und einen "nächsten Schritt" vorherzusagen, denken KI-Modelle stattdessen iterativ über Probleme nach , um die beste Lösung oder den besten Weg für eine Lösung zu finden. Modelle können nun aus jeder Iteration lernen, wobei jeder zusätzliche Schritt Daten erzeugt, auf die in zukünftigen Anwendungen verwiesen werden kann. Dies sollte zu einer exponentiellen Verbesserung der Genauigkeit führen. Dieser Fortschritt wird als Testzeit-Inferenz bezeichnet und ist unserer Meinung nach besonders geeignet für hochkomplexe Funktionen wie Mathematik, Physik, Programmierung und andere Anwendungen, bei denen die beste Antwort Vorrang vor der schnellsten hat.

Die Testzeit-Inferenz ähnelt einem Computerprogramm, das von Alphabets DeepMind für Brettspiele entwickelt wurde. Im Gegensatz zu anderen Programmen besaß AlphaGo von DeepMind keine vorinstallierten Informationen. Er konnte nur durch das Spielen iterativ lernen und war schnell in der Lage, Menschen zu besiegen.

Ein Beispiel aus einem professionellen Umfeld ist ein KI-Startup, das versuchte, die Technologie für die Ausführung von Rechtsanwaltsfachangestelltenarbeiten einzusetzen. Es wurde rasch zu Aufgaben auf Associate-Ebene entwickelt, und man kann davon ausgehen, dass ein KI-Partner nicht weit ist. Innerhalb der akademischen Welt können für Forschungsprojekte, an denen zuvor einige wenige Doktoranden beteiligt waren, nun Dutzende von KI-Bots eingesetzt werden.

Diese Fortschritte beim logischen Denken haben die Spielregeln verändert. Ursprünglich war die Erwartung, dass die Skalierungsgesetze mit zunehmender Reife der KI-Trainingsphase abnehmen würden. Stattdessen sind Skalierungsgesetze entstanden, der zum Teil auf die Daten zurückzuführen ist, die im Rahmen der Testzeitinferenz erzeugt wurden. Um beim akademischen Beispiel zu bleiben: In den letzten zwei Jahren haben sich KI-Plattformen vom Gymnasiasten zum Universitätsstudenten entwickelt und liefern nun Ergebnisse, die mit der Arbeit eines Doktoranden vergleichbar sind. Die Geschwindigkeit, mit der dies geschehen ist, hat uns zum ersten Mal einen Überblick darüber verschafft, was erforderlich ist, um AGI zu erreichen – ein Durchbruch, der innerhalb der nächsten drei Jahre erfolgen könnte.

Ein verrücktes Gerangel?

Bisher verlief die Einführung von KI relativ geordnet. Die jüngsten Fortschritte könnten das ändern. Anstatt die Investitionsausgaben mit zunehmender Reife der Trainingsphase zu drosseln, könnte das Investitionsniveau aufrechterhalten werden, da KI-Plattformen um ausreichende Rechenkapazitäten für den Betrieb von Testzeit-Inferenz ringen.

Diese Phase erfordert von den Plattformen eine größere Kundennähe. Und bereits jetzt wird die nächste Generation von KI-Innovatoren auf den Weg gebracht, um auf diesen Grundlagen aufzubauen. Softwareunternehmen haben die Dimension der Möglichkeiten erkannt und versuchen, KI in ihre Produkte zu integrieren. Und Dienstleistungsunternehmen suchen aktiv nach Möglichkeiten, KI zu nutzen, um ihr Geschäft auszubauen und die Effizienz zu verbessern. Die Phase des Unter-die-Lupe-Nehmens ist vorbei, und die Zeit für Ergebnisse und Monetarisierung ist gekommen.

Auf dem Weg zum Mainstream

Es besteht die Möglichkeit, dass die Skalierungsgesetze mit zunehmender Reife der KI-Trainingsphase abnehmende Renditen aufweisen und somit die Nachfrage nach investitionsintensiver Infrastruktur sinken könnte.

Das wahrscheinlichere Szenario ist, dass neue, komplementäre Skalierungsgesetze wirksam werden. Wir sind der Auffassung, dass dies die KI-relevanten Investitionen auf einem hohen Niveau halten können. Gestützt wird diese Sichtweise, da sich die Chancen im KI-Bereich vom 650 Milliarden US-Dollar schweren Softwaremarkt auf den Multi-Billionen-Dollar-Dienstleistungssektor verlagern. Die Nachfrage nach Rechenleistung dürfte weiterhin hoch bleiben, da KI mehr Umgebungs- und multimodale Inputs wie Sprache und Bilder umfasst.

Da das Potenzial von KI immer offenkundiger wird, beginnen Akteure außerhalb von Dienstleistungen und Forschung, ihre Claims abzustecken. Regierungen entwickeln "staatliche KI", um Daten zu schützen, die wirtschaftlichen Erträge zu steigern und ein gewisses Maß an technologischer Unabhängigkeit zu wahren. In der Industrie setzen Unternehmen die KI ein, um Fertigungsprozesse zu optimieren, Fabriken zu entwerfen und effizienzsteigernde Bots in alle Abläufe zu integrieren.

Die Perspektive der Anleger

Da die Rechenintensität wahrscheinlich mit dem Einsatz von Testzeit-Inferenz zunimmt, könnten die jüngsten beeindruckenden Investitionen von Hyperscalern in den nächsten Jahren auf diesem Niveau bleiben. Dies sind gute Nachrichten für die Hersteller von Grafikprozessoren (GPUs), anwendungsspezifischen integrierten Schaltkreisen (ASICs) und anderen Komponenten, die für die KI-Infrastruktur unerlässlich sind. Die Einführung der nächsten Generation von – deutlich leistungsstärkeren – GPUs dürfte diesen Trend noch verstärken.

Im Softwarebereich dürfte die Verlagerung vom KI-Training zum logischen Denken sowohl Infrastruktur- als auch Anwendungssoftware-Unternehmen zugute kommen. Letztere könnten von einer größere Nachfrage profitieren, da Anbieter KI nutzen, um Lösungen für wichtige Geschäftsprozesse und Arbeitsabläufe bereitzustellen. Auch Internetunternehmen dürften Rückenwind bekommen, da sie LLMs besitzen und global präsent sind.

Außerhalb des Technologiesektors ist die Stromversorgung ein Problem, das angesichts der Energieintensität von KI-Plattformen gelöst werden muss. Hyperscaler denken über diverse Lösungen nach, um Energieengpässe zu vermeiden, darunter den Einsatz eigener Stromquellen vor Ort, die Errichtung in der Nähe von Kernkraftwerken und die Prüfung der Machbarkeit von kleinmodularen Kernreaktoren und Brennstoffzellen.

KI ist seit der Einführung von ChatGPT im Fokus des Anlegerinteresses. Die frühesten Iterationen schienen sowohl ausgeklügelt als auch rudimentär zu sein und lieferten manchmal zweifelhafte, wenn nicht sogar komische Ergebnisse. Eine intensive Trainingsphase hat diese Modelle verfeinert, und die Entwicklung des logischen Denkens könnte zu Fähigkeiten führen, die noch vor wenigen Monaten als theoretisch galten.

Die Geschwindigkeit, mit der dies geschieht, bedeutet, dass es nur wenige Segmente der Weltwirtschaft und der Finanzmärkte gibt, die die Auswirkungen des Einsatzes von KI nicht zu spüren bekommen werden. Auch wenn es sich um ein langfristiges Thema handelt, können Anleger nach unserer Auffassung davon ausgehen, dass sich das KI-Thema kurz- bis mittelfristig auch finanziell auszahlen wird.

WICHTIGE INFORMATIONEN

Technologiebranchen können erheblich von der Veralterung bestehender Technologien, kurzen Produktzyklen, sinkenden Preisen und Gewinnen, dem Wettbewerb durch neue Marktteilnehmer und der allgemeinen Wirtschaftslage betroffen sein. Der Wert einer konzentrierten Anlage in eine einzige Branche kann stärker schwanken als die Performance weniger konzentrierter Anlagen und des Gesamtmarkts.

Die Energiebranche kann durch Schwankungen der Energiepreise, des Angebots an und der Nachfrage nach Kraftstoffen, durch Umweltschutzmaßnahmen, den Erfolg von Explorationsprojekten sowie durch steuerliche und andere staatliche Regelungen erheblich beeinflusst werden.

Konzentrierte Anlagen in einem einzelnen Sektor, einer Branche oder einer Region sind anfälliger für Faktoren, die diese Gruppe betreffen, und können volatiler sein als weniger konzentrierte Anlagen oder der Markt insgesamt.