Preisverfall bei KI-Modellen: Berkeley-Forscher sehen drei Herausforderungen für Datenbanksysteme

Die Preise für KI-Intelligenz sinken rapide. Kosteten GPT-4-Klassenfähigkeiten Anfang 2023 noch rund 30 US-Dollar pro Million Tokens, liegen die Preise heute unter einem Dollar – manche Anbieter verlangen weniger als 0,10 Dollar. Über verschiedene Benchmarks hinweg sind die Inferenzkosten jährlich zwischen dem 9- und 900-Fachen gefallen; der Median liegt bei einem Rückgang um das 50-Fache. Auch frontier-Modelle werden mit jeder Generation drastisch günstiger, Open-Source-Alternativen folgen dem Trend. Aditya G. Parameswaran, Associate Professor an der UC Berkeley und Co-Direktor des EPIC Data Lab, und sein Team argumentieren, dass damit eine Ära nahezu kostenloser Intelligenz bevorstehe – einer Intelligenz, die für die überwiegende Mehrheit der Wissensarbeit ausreiche.

In einem Blogbeitrag mit dem Titel „Intelligence is Free, Now What? Data Systems for, of, and by Agents“ skizzieren die Forscher, welche grundlegenden Umwälzungen dieser Preisverfall für Datenbanksysteme mit sich bringt. Der Beitrag ist teils Überblick, teils Positionspapier und greift auf laufende Arbeiten der Autoren zurück. Drei miteinander verwobene Herausforderungen stehen im Zentrum.

Agentische Spekulation: Wenn eine Nutzeranfrage Tausende SQL-Queries auslöst

Die erste Herausforderung betrifft Datenbanksysteme, die für Agenten ausgelegt sind. Agenten, die eine Datenbank abfragen, verhalten sich grundlegend anders als Menschen oder klassische BI-Tools. Sie betreiben, was die Forscher „agentische Spekulation“ nennen: einen hochvolumigen, heterogenen Arbeitsstrom aus Schema-Introspektion, spaltenweiser Exploration und schrittweiser Query-Formulierung. Mehrere Agenten erkunden parallel den Hypothesenraum, sodass eine einzelne Nutzeranfrage Tausende SQL-Abfragen erzeugen kann. Nutzer können dabei hochrangige Aufgaben stellen – etwa eine Ursachenanalyse („Warum sind die Kaffeeverkäufe in Berkeley dieses Jahr eingebrochen?“) oder eine explorative Kohortenanalyse („Welche Nutzersegmente werden im nächsten Quartal am wahrscheinlichsten abwandern?“). Jede dieser Aufgaben umfasst einen kombinatorischen Raum möglicher Joins, Aggregationen und Filterkombinationen. Herkömmliche Datenbanksysteme sind auf solche Lasten nicht vorbereitet und müssten nach Ansicht der Autoren grundlegend neu gestaltet werden.

Ein neues Substrat für Tausende kooperierender Agenten

Die zweite Herausforderung liegt in Systemen, die selbst aus Agenten bestehen. Übernehmen Agenten den Großteil der Wissensarbeit, braucht es ein neuartiges Substrat, um Tausende von Agenten über lange Aufgaben hinweg zu verwalten, ihren Zustand zu speichern, sie zu koordinieren, Konsens herzustellen und mit Fehlern umzugehen. Schon für eine einzelne Nutzeranfrage könnten ganze Schwärme von Agenten gestartet werden. Datenbanksysteme müssten daher als zuverlässige und effiziente Laufzeitumgebung für Agentenkollektive dienen.

Wenn Agenten komplette Datenbanksysteme synthetisieren

Die dritte Herausforderung betrifft Systeme, die von Agenten selbst erzeugt werden. Agenten könnten künftig in der Lage sein, komplette Datenbanksysteme in einem Schritt zu synthetisieren – maßgeschneidert für jede neue Arbeitslast. Die Notwendigkeit, auf generische Systeme zurückzugreifen, entfiele damit. Das Problem: Die Verifikation, dass ein solches synthetisiertes System tatsächlich das beabsichtigte Verhalten zeigt, wird enorm schwierig. Wie sich von Agenten gebaute Datenbanksysteme schaffen lassen, denen man vertrauen kann, ist für die Forscher eine ebenso dringliche Frage wie die beiden anderen.

Der Blogbeitrag macht deutlich, dass die drei Herausforderungen nicht isoliert betrachtet werden können. In einer Welt nahezu kostenloser Intelligenz verschwimmen die Grenzen zwischen Nutzer, Werkzeug und System. Die Autoren sehen darin ein reichhaltiges Forschungsfeld, das die Datenlandschaft in den kommenden Jahren grundlegend verändern werde.