Anthropic-Mitgründer zieht Prognose für sich selbst verbessernde KI auf 2027 vor

Clark ist Mitgründer von Anthropic und Verfasser des Newsletters Import AI. Er leitet aus den Zahlen ab, dass rekursive Selbstverbesserung (RSI), also KI-Systeme, die ihre eigenen Nachfolger entwickeln, schon 2027 möglich werden könnte. Bisher hatte er eher mit 2028 gerechnet.

Dass sich KI-Systeme bereits selbst weiterentwickeln, belegt der Benchmark allerdings nicht. Er erfasst nur einen eng umrissenen Teil wissenschaftlicher Arbeit. Aber er zeigt, wohin sich die Debatte bewegt: weg von reiner Modellleistung, hin zu der Frage, wie viel eigenständige Forschungsarbeit Sprachmodelle übernehmen können.

TasteVal misst nur einen Teil des Forschungsgeschmacks

P-Zero Research versteht unter Research Taste drei Fähigkeiten: zu erkennen, welche Forschungsfragen sich lohnen, passende Experimente dazu zu entwerfen und deren Ergebnisse richtig zu deuten. TasteVal prüft davon die beiden letzten. Welche Forschungsrichtung am meisten verspricht, gilt oft als Kern wissenschaftlicher Intuition, doch bei TasteVal ist diese Entscheidung bereits getroffen.

Jede der acht neu entwickelten Aufgaben gibt ein festes Forschungsziel aus der Entwicklung großer KI-Modelle vor, an dem sich eine Punktzahl messen lässt. Die Aufgaben stammen aus Bereichen wie der Auswahl von Trainingsdaten, dem Vortraining und der Feinabstimmung von Sprachmodellen, dem Training auf menschliche Vorlieben sowie der Absicherung gegen manipulative Eingaben.

Das getestete Modell entscheidet, welches Experiment als Nächstes läuft, und zieht aus den Ergebnissen Schlüsse für den nächsten Schritt. Damit Programmierfähigkeiten das Ergebnis nicht verzerren, setzt ein festgelegter Programmier-Agent die Experimente auf einer einzelnen Nvidia-H100-GPU um. Ein Durchlauf endet nach 40 GPU-Stunden Rechenzeit oder 120 Stunden Laufzeit.

Den Vergleichswert lieferten 24 Fachleute, die zuletzt unter anderem bei OpenAI, Google DeepMind, Nvidia und Microsoft Research gearbeitet haben. Sie bearbeiteten dieselben Aufgaben, mindestens zwei Personen pro Aufgabe. Als Maßstab dient jeweils der beste menschliche Versuch.

Forschungsgeschmack wird als sparsamer Umgang mit Rechenzeit gemessen

Um Forschungsgeschmack messbar zu machen, übersetzt P-Zero Research ihn in Recheneffizienz. Dahinter steht die Annahme, dass Rechenzeit für Experimente in der KI-Forschung knapp ist. Wer die richtigen Experimente auswählt und ihre Ergebnisse richtig deutet, benötigt weniger Durchläufe und kommt mit demselben Budget weiter.

Das Labor beruft sich auf das "AI Futures Model". Danach wird Rechenzeit für Experimente zum wichtigsten Engpass, sobald das Programmieren automatisiert ist. Gemessen wird deshalb, wie viel Rechenzeit ein Modell benötigt, um die Punktzahl der Fachleute zu erreichen. Schafft es das mit der Hälfte, hat es nach dieser Definition doppelt so viel Forschungsgeschmack. P-Zero Research nennt dieses Verhältnis Compute-Multiplikator.

Das beste Modell, Anthropics Opus 5.5, kommt auf einen Compute-Multiplikator von 2,3 und erreicht das Niveau der Fachleute mit weniger als der Hälfte der Rechenzeit. Die statistische Spanne reicht allerdings von 1,15 bis 4,37. Am unteren Ende läge das Modell nur knapp vorn. Ein Versuch kostete etwa ein Dreißigstel dessen, was ein Versuch der Fachleute im Schnitt kostete.

Über mehrere Modellgenerationen hinweg hat sich der Compute-Multiplikator seit Dezember 2025 etwa alle drei Monate verdoppelt. Auch hier ist die Unsicherheit groß, die angegebene Spanne reicht von 1,7 bis 5,0 Monaten.

Laut P-Zero Research hat sich der Forschungsgeschmack führender KI-Modelle seit Dezember 2025 etwa alle drei Monate verdoppelt. | Bild: P-Zero Research

Auffällig ist der Verlauf über die Zeit. In den Vorjahren stieg der Forschungsgeschmack der Modelle deutlich langsamer, erst um den Jahreswechsel 2025/2026 wurde die Kurve steiler. Ob das ein dauerhafter Trend ist, lässt sich aus einem einzelnen Benchmark jedoch nicht ablesen. Die Autoren räumen selbst ein, ihre Ergebnisse könnten überzeichnen, "wie schnell sich der Forschungsgeschmack verbessert". Die Aufgaben ließen sich schnell und günstig überprüfen, und gerade auf solche Aufgaben optimieren KI-Labore ihre Modelle am leichtesten. Zudem gehören keine Spitzenforscher zur Vergleichsgruppe.

Clark zieht seine Prognose vor

Clark hatte Kreativität schon früher als entscheidenden Faktor dafür genannt, wie schnell KI-Systeme sich selbst verbessern können. Anfang des Jahres schrieb er noch, Modelle hätten diese Fähigkeit bisher nicht in großem, bahnbrechendem Umfang gezeigt. Inzwischen wertet er Fortschritte bei mathematischen Durchbrüchen und Benchmarks wie TasteVal als Hinweise, dass sich das ändert.

Im Mai hatte Clark in einem langen Essay noch vorsichtigere Zahlen genannt. Mit einem System, das allein einen stärkeren Nachfolger trainiert, rechnete er mit einer Wahrscheinlichkeit von etwa 60 Prozent bis Ende 2028 und 30 Prozent bis 2027. Bei der Einordnung sollte man bedenken, dass die Prognose von einem einzelnen Autor stammt, der zugleich Mitgründer des Unternehmens ist, dessen Modell den Benchmark anführt.

Genau beim Forschungsgeschmack sahen Kritiker die Grenze

Relevant ist TasteVal, weil es genau die Fähigkeit misst, die Skeptiker bisher als Hürde für einen großen KI-Durchbruch sahen. Der KI-Forscher Herbie Bradley etwa widersprach Clarks Essay im Mai: Vieles spreche dafür, dass Modelle die Arbeit von Nachwuchsforschern übernehmen könnten. Bei anspruchsvolleren Fähigkeiten wie Forschungsgeschmack, Kreativität oder einer stimmigen langfristigen Forschungsagenda sei das aber nicht absehbar.

Für die Planung und Auswertung von Experimenten spricht TasteVal gegen diese Einschätzung. Zur Wahl einer langfristigen Forschungsagenda sagt der Test allerdings nichts.

Wie groß die Lücke in der Praxis bleibt, zeigt eine Studie zur KI-Entwicklung mit KI-Agenten. Ein Team um die Fudan University hat die Entwicklung eines eigenen Modells ausgewertet. KI-Agenten lieferten bis zu 55 Prozent der Methodenvorschläge, doch über 85 Prozent der Endentscheidungen trafen Menschen. Unklar sei laut den Autoren etwa, wie KI vielfältige Forschungsrichtungen erzeugen und deren Wert einschätzen könne, bevor Ergebnisse vorliegen. Genau diese Wahl der Forschungsrichtung nimmt TasteVal den Modellen ab.

Die Debatte verschiebt sich

Der Benchmark erscheint mitten in einer Debatte, die die großen KI-Labore selbst angestoßen haben. Anthropic schrieb im Juni, rekursive Selbstverbesserung sei zwar noch nicht erreicht, könne aber "früher kommen, als die meisten Institutionen darauf vorbereitet sind". Anthropic-Chef Dario Amodei fordert inzwischen, die KI-Entwicklung kontrolliert zu verlangsamen. OpenAI räumt ein, dass vollständig autonome RSI noch nicht stattfinde. Verfolgt werden solle sie nur, wenn menschliche Kontrolle gewährleistet sei.

TasteVal verschiebt den Maßstab, an dem Fortschritt gemessen wird. Lange zählte vorrangig, wie gut Modelle klar abgegrenzte Aufgaben lösen, etwa in Mathematik oder beim Programmieren. Jetzt geht es zunehmend darum, ob sie die Entscheidungen treffen können, die Forschung voranbringen.

Sollte sich der von P-Zero Research gemessene Trend in anderen Tests bestätigen, ergibt sich ein doppelter Effekt. Die KI-Entwicklung würde schneller und billiger. Zugleich würde ein wachsender Teil der Forschung für Menschen schwerer überprüfbar, weil Modelle ihre Experimente selbst planen und auswerten.