Die Forschungsfront JETZT

Management-Zusammenfassung

Wer wissen will, wohin KI geht, schaut nicht auf Werbevideos, sondern auf die Probleme, an denen die besten Forscher gerade scheitern. Denn die Zukunft der Technik entscheidet sich an diesen offenen Fragen — nicht an dem, was schon funktioniert. Dieses Modul kartiert die Forschungsfront des Jahres 2026: neun Richtungen, an denen Top-Labore und Universitäten real arbeiten, jeweils mit dem konkreten *offenen* Problem, dem Stand und benannten Akteuren.

Das wichtigste Ergebnis vorweg: Die aktuelle KI-Forschung ist nicht damit beschäftigt, die letzten Prozente aus Chatbots herauszuholen. Sie ringt mit ein paar hartnäckigen, tief liegenden Grenzen — und ob und wie schnell diese fallen, bestimmt jedes Zukunftsszenario. Vier davon prägen die Debatte 2026. Erstens Zuverlässigkeit: Modelle können inzwischen erstaunlich weit „denken" (das neue Paradigma der Reasoning-Modelle), aber sie tun es nicht verlässlich genug für sicherheitskritische Anwendungen. Zweitens Agenten über lange Aufgaben: Die Länge einer Aufgabe, die ein KI-System eigenständig zu Ende bringt, wächst messbar und schnell — aber von einer Basis, die noch bei Minuten bis wenigen Stunden liegt, und die Fehler summieren sich über viele Schritte. Drittens die Architekturfrage: Ein prominentes Lager um Yann LeCun hält die heute dominierenden Sprachmodelle für eine Sackgasse auf dem Weg zu echtem Verstehen und setzt auf „Weltmodelle". Viertens die Datengrenze: Der Vorrat an hochwertigem menschlichem Text, auf dem diese Modelle trainiert werden, ist endlich und wird laut seriösen Schätzungen in den kommenden Jahren weitgehend ausgeschöpft.

Für den Entscheider ist der Wert dieses Moduls weniger die einzelne Richtung als das Gesamtbild: Es gibt keinen einzelnen „Fortschrittsbalken", der einfach weiter nach rechts läuft. Es gibt ein Bündel schwieriger Probleme, die unterschiedlich schnell gelöst werden könnten — oder eben nicht. Wer das versteht, durchschaut, warum seriöse Forscher so weit auseinanderliegen, und kann selbst beurteilen, ob eine angekündigte „Revolution" eines dieser Kernprobleme wirklich löst oder nur umgeht.

Ein methodischer Hinweis, der dieses Modul durchzieht: Ein großer Teil der lautesten Fortschrittsmeldungen stammt von den Laboren selbst — von Meta, Google DeepMind, OpenAI, Anthropic, NVIDIA. Solche Eigenaussagen sind wertvoll, aber sie sind Aussagen einer Partei mit Eigeninteresse und werden hier durchgängig als solche gekennzeichnet. Als neutralere Anker dienen die unabhängige Evaluationsorganisation METR, der regierungsmandatierte International AI Safety Report (Vorsitz Yoshua Bengio) und peer-reviewte Publikationen.

Kernaussagen mit Einzelquellen

K1 — Reasoning-Modelle sind das prägende neue Paradigma — und erstmals peer-reviewt. Das Modell DeepSeek-R1 zeigte, dass sich „Schlussfolgern" in Sprachmodellen allein durch bestärkendes Lernen (Reinforcement Learning) ausbilden lässt, ohne den bis dahin üblichen Zwischenschritt. Es war das erste große Reasoning-Modell mit einer Veröffentlichung im begutachteten Fachjournal *Nature*. [BELEGT] — Nature, 18.09.2025 (nature.com/articles/s41586-025-09422-z); arXiv-Preprint 22.01.2025 (arxiv.org/abs/2501.12948).

K2 — Zuverlässigkeit bleibt das Kernproblem. Der International AI Safety Report 2026 formuliert nüchtern: *„Current methods do not allow AI systems to operate with the high degree of reliability required in many critical domains."* Fähigkeit und Verlässlichkeit sind zwei verschiedene Dinge — und die zweite hinkt hinterher. [BELEGT] — International AI Safety Report 2026, Extended Summary, 03.02.2026 (internationalaisafetyreport.org/publication/2026-report-extended-summary-policymakers).

K3 — Die Agenten-Fähigkeit über lange Aufgaben wächst messbar und schnell. Die unabhängige Organisation METR misst, wie lang eine Aufgabe sein darf, die ein Modell mit 50 % Zuverlässigkeit noch zu Ende bringt. Dieser „Zeithorizont" verdoppelt sich etwa alle sieben Monate; neuere Daten deuten auf Beschleunigung. Für Spitzenmodelle liegt der Horizont Anfang 2026 im Bereich von ein bis über fünf Stunden. [BELEGT] — METR, „Time Horizon 1.1", 29.01.2026 (metr.org/blog/2026-1-29-time-horizon-1-1/); Original 19.03.2025.

K4 — Agenten ergänzen Fachkräfte, ersetzen sie aber (noch) nicht. Derselbe Report: Agenten *„still complement rather than replace humans in most complex professional roles, because they remain unreliable when tasks involve many steps or are more unusual."* Prognose der Autoren: *„by 2030 AI systems could reliably complete well-specified software engineering tasks that take humans several days."* [BELEGT] (Aussage) / [EXTRAPOLATION] (2030-Prognose) — International AI Safety Report 2026 (s. o.).

K5 — Ein prominentes Lager hält Sprachmodelle für eine Sackgasse. Yann LeCun, bis November 2025 Chef-KI-Wissenschaftler bei Meta, sagt über heutige Sprachmodelle: *„They are not a path to human-level intelligence. They're just not."* Er setzt auf videobasierte „Weltmodelle" und verließ Meta, um dazu ein eigenes Unternehmen zu gründen. [BELEGT] (dass er es sagt) / [EXPERTENMEINUNG] (die These selbst) — Interview-Zitate, Nov. 2025 (u. a. tech.yahoo.com; euronews.com 20.11.2025).

K6 — „Weltmodelle" sind ein realer, aktiv beforschter Ansatz — mit sichtbaren Grenzen. Meta stellte mit V-JEPA 2 (Juni 2025) ein videobasiertes Weltmodell vor; Google DeepMind mit Genie 3 (Aug. 2025) ein System, das aus einem Textbefehl begehbare, interaktive Welten in Echtzeit erzeugt (720p, 24 Bilder/Sekunde, Konsistenz „a few minutes"). Beide Labore benennen selbst deutliche Grenzen (begrenzter Handlungsraum, kurze Erinnerung). [BELEGT als Lab-Eigenaussage, Interessenkonflikt] — ai.meta.com/blog/v-jepa-2-world-model-benchmarks; deepmind.google/blog/genie-3-a-new-frontier-for-world-models.

K7 — Kontinuierliches Lernen bleibt ungelöst: „katastrophales Vergessen". Lernt ein Modell etwas Neues, überschreibt es tendenziell Altes. Eine umfassende begutachtete Übersicht (ACM Computing Surveys 2025) bündelt den Forschungsstand; ein praktikables Dauergedächtnis für lernende Agenten ist offen. [BELEGT] für Existenz/Titel der Übersicht (dl.acm.org/doi/10.1145/3735633); [UNKLAR] für konkrete Metriken (Volltext nicht geprüft).

K8 — Kleine, spezialisierte Modelle werden als Zukunft der Agenten gehandelt — von einem Chip-Hersteller. NVIDIA argumentiert in einem Positionspapier, für agentische, repetitive Aufgaben seien kleine Sprachmodelle (SLMs) „ausreichend mächtig" und ökonomisch überlegen; die Zukunft seien heterogene Systeme aus vielen Modellen. [BELEGT als Anbieter-Eigenaussage, Interessenkonflikt] — arxiv.org/abs/2506.02153 (v1 02.06.2025).

K9 — Robotik holt über „Vision-Language-Action"-Modelle auf. Ansätze wie π0 und π0.5 (Physical Intelligence) übertragen die Sprachmodell-Idee auf Robotersteuerung mit „Open-World-Generalisierung"; Meta zeigt mit V-JEPA 2 Zero-Shot-Robotersteuerung. Die Titel und Ansätze sind belegt; die berichteten Erfolgsraten sind teils Eigenangaben. [BELEGT] für Existenz/Ansatz (arxiv.org/abs/2504.16054); Einzel-Erfolgsraten teils [UNKLAR].

K10 — Interpretierbarkeit macht Fortschritte — bleibt aber Stückwerk. Anthropic kann mit „Attribution Graphs" echte Mehrschritt-Planung und die Mechanik von Halluzinationen in seinem Modell sichtbar machen — räumt aber selbst ein, nur etwa ein Viertel der untersuchten Fälle befriedigend erklären zu können. [BELEGT als Lab-Eigenaussage] — Anthropic, „On the Biology of a Large Language Model", 27.03.2025 (transformer-circuits.pub/2025/attribution-graphs/biology.html).

K11 — Die Datengrenze ist real und terminiert. Epoch AI schätzt den nutzbaren Bestand an öffentlichem menschlichem Text auf rund 300 Billionen Tokens und erwartet, dass Sprachmodelle ihn *„between 2026 and 2032"* weitgehend ausschöpfen. Zugleich zeigt ein *Nature*-Paper (Shumailov et al. 2024), dass Modelle „kollabieren", wenn sie wiederholt auf selbst erzeugten Daten trainiert werden — synthetische Daten sind also kein einfacher Ausweg. [BELEGT] — epoch.ai/publications/will-we-run-out-of-data-…; Nature, nature.com/articles/s41586-024-07566-y.

Inhaltskapitel

Reasoning und Planung: das prägende Paradigma von 2025/26

Bis etwa 2024 galt: Ein Sprachmodell „antwortet", so gut es eben aus dem Training kann. 2025 setzte sich ein anderes Bild durch — das der Reasoning-Modelle, die sich vor der Antwort in einer Art internem Notizblock Schritt für Schritt „durchdenken". Der symbolträchtigste Beleg dafür war DeepSeek-R1: ein Modell eines chinesischen Anbieters, das zeigte, dass diese Fähigkeit allein durch bestärkendes Lernen (Belohnung für richtige Lösungen) entstehen kann — und das als erstes großes Reasoning-Modell den Weg durch die Begutachtung eines Spitzenjournals (*Nature*, September 2025) nahm. Das ist bemerkenswert, weil ein Großteil der KI-Forschung sonst als nicht begutachteter Preprint oder Firmenblog erscheint; eine *Nature*-Publikation ist ein Qualitätssignal.

Der Fortschritt ist echt: In mathematischen und logischen Aufgaben, die Vorgängermodelle überforderten, erreichen Reasoning-Modelle heute Spitzenleistungen. Das *offene* Problem ist aber nicht die Spitzenleistung, sondern die Verlässlichkeit über lange Ketten. Je mehr Schritte ein Modell aneinander reiht, desto größer die Chance, dass sich irgendwo ein Fehler einschleicht, der sich fortpflanzt — und desto schwerer wird es, dem Ergebnis blind zu vertrauen. Der International AI Safety Report bringt es auf den Punkt: Für viele kritische Anwendungen reicht die heutige Zuverlässigkeit schlicht nicht. Das ist keine Kleinigkeit am Rande, sondern die zentrale Bruchstelle zwischen „beeindruckende Demo" und „darf unbeaufsichtigt in der Buchhaltung laufen".

Agenten-Zuverlässigkeit: die vielleicht wichtigste Messgröße

Wenn es eine einzelne Zahl gibt, die man als Entscheider im Blick behalten sollte, dann ist es der Aufgaben-Zeithorizont von METR. Die Idee dahinter ist elegant: Statt zu fragen „wie klug ist das Modell?", fragt METR „wie *lange* darf eine Aufgabe dauern, die das Modell noch mit 50 % Zuverlässigkeit selbstständig zu Ende bringt?" — gemessen an der Zeit, die ein geübter Mensch dafür bräuchte.

Der Befund: Dieser Horizont verdoppelt sich seit Jahren etwa alle sieben Monate, und die jüngeren Daten deuten sogar auf Beschleunigung. Anfang 2026 liegt er für Spitzenmodelle im Bereich von rund einer bis über fünf Stunden menschlicher Arbeit. Das erklärt zweierlei zugleich. Es erklärt, warum die Fortschritte sich so dramatisch anfühlen — eine Verdopplung alle sieben Monate ist rasant. Und es erklärt, warum Agenten im Alltag trotzdem noch so oft enttäuschen: Die absolute Basis ist eben noch niedrig, und „50 % Zuverlässigkeit" heißt, dass jede zweite längere Aufgabe schiefgeht. Für eine echte Übernahme von Facharbeit braucht es nicht 50 %, sondern 99-und-mehr-Prozent — und der Weg dorthin ist der eigentliche Engpass.

Genau deshalb formuliert der Safety Report vorsichtig, Agenten würden Fachkräfte derzeit *ergänzen*, nicht ersetzen — weil sie bei vielstufigen oder ungewöhnlichen Aufgaben unzuverlässig bleiben. Seine mit Zeithorizont versehene Prognose (bis 2030 könnten KI-Systeme gut spezifizierte Software-Aufgaben von mehreren Tagen Länge zuverlässig erledigen) ist eine vorsichtige Extrapolation der METR-Kurve — und ein gutes Beispiel für eine *seriöse* Prognose: mit Horizont, mit Bedingung („gut spezifiziert"), mit Domäne.

*Ein Wort zur Vorsicht bei Bestenlisten:* Für Agenten-Benchmarks wie SWE-bench oder GAIA kursieren zahlreiche Dritt-Bestenlisten mit teils widersprüchlichen Spitzenwerten und Modellnamen. Solche Einzelspitzenwerte sind hier bewusst nicht als belegt aufgeführt ([UNKLAR]); die belastbare Größe ist der METR-Trend, nicht der Tageswert einer Bestenliste.

Weltmodelle: die Architekturfrage

Hier verläuft die vielleicht folgenreichste Grabenlinie der aktuellen Forschung — und sie ist für Nicht-Techniker erstaunlich gut verständlich. Die Frage lautet: Reicht es, ein Modell auf gigantischen Textmengen das nächste Wort vorhersagen zu lassen, um am Ende echtes Verstehen zu bekommen? Oder braucht es etwas grundlegend anderes?

Yann LeCun, eine der prägenden Figuren des Feldes, vertritt die zweite Position mit Nachdruck. Sprachmodelle, sagt er, seien „kein Weg zu menschenähnlicher Intelligenz" — sie beherrschten Sprache, aber nicht die physikalische Welt, keine robuste Planung, kein echtes Modell davon, wie Dinge funktionieren. Seine Alternative sind Weltmodelle: Systeme, die — ähnlich wie ein Kind oder ein Tier — aus Beobachtung (vor allem Video) ein inneres Modell der Welt bauen, mit dem sie vorhersagen und planen können. Dass LeCun Ende 2025 Meta verließ, um genau daran in einem eigenen Unternehmen zu arbeiten, unterstreicht, wie ernst er es meint.

Die Forschung dazu ist real und sichtbar. Metas V-JEPA 2 (Juni 2025) ist ein videobasiertes Weltmodell, das laut Meta Zero-Shot-Planung und Robotersteuerung in neuen Umgebungen erlaubt. Google DeepMinds Genie 3 (August 2025) erzeugt aus einem Textbefehl in Echtzeit begehbare, interaktive Welten. Beides ist beeindruckend — und beide Labore benennen selbst die Grenzen: begrenzter Handlungsraum, nur wenige Minuten Konsistenz, kurzes „Gedächtnis". Man sollte diese Meldungen als das lesen, was sie sind: als Eigenaussagen von Parteien, die ein Interesse daran haben, ihren Ansatz als „Baustein Richtung AGI" (so das DeepMind-nahe Framing) zu rahmen. Der neutrale Kern bleibt: Ob die Zukunft den Sprachmodellen gehört, die man einfach weiter skaliert, oder einem neuen Architektur-Paradigma, ist eine echte, offene Forschungsfrage — und keine ausgemachte Sache. Genau diese Offenheit ist die Nachricht.

Kontinuierliches Lernen und Gedächtnis

Ein Mensch, der etwas Neues lernt, vergisst dabei nicht, wie man Fahrrad fährt. Ein Sprachmodell tut, bildlich gesprochen, genau das: Trainiert man es auf neue Aufgaben, überschreibt es tendenziell früher Gelerntes — das Feld nennt es „katastrophales Vergessen". Deshalb sind die heutigen Modelle im Kern *statisch*: Sie werden einmal trainiert und dann eingefroren; „lernen" tun sie im Betrieb allenfalls im Rahmen dessen, was gerade in ihrem Kontextfenster steht. Für einen Agenten, der über Wochen an einem Projekt arbeiten und dabei dazulernen soll, ist das eine harte Grenze. Eine begutachtete Übersicht (ACM Computing Surveys 2025) bündelt den Stand; ein praktikables, verlässliches Dauergedächtnis ist offen. Wie schnell hier Fortschritt kommt, ist einer der Faktoren, die entscheiden, ob Agenten über kurze Aufgaben hinauswachsen.

Effizienz und kleine Modelle

Nicht jeder Fortschritt geht in Richtung „größer". Ein gegenläufiger, ökonomisch hochrelevanter Strang zielt auf Effizienz: kleinere Modelle, die für eng umrissene Aufgaben fast so gut sind wie die Giganten, aber einen Bruchteil kosten und auf gewöhnlicher Hardware — bis hin zum Endgerät — laufen. NVIDIA argumentiert in einem viel beachteten Positionspapier, gerade für agentische Systeme, die immer wieder ähnliche, spezialisierte Teilaufgaben erledigen, seien solche „kleinen Sprachmodelle" die passendere und günstigere Wahl; die Zukunft liege in heterogenen Systemen, die je nach Teilaufgabe das passende Modell aufrufen. Man sollte im Kopf behalten, dass NVIDIA als Chip-Hersteller ein Interesse an möglichst vielen, breit verteilten KI-Anwendungen hat — die These ist trotzdem technisch plausibel und wird auch andernorts vertreten. Für den Unternehmer ist die praktische Botschaft wichtig: Nicht jede sinnvolle KI-Anwendung braucht das teuerste Frontier-Modell.

Multimodal, verkörpert, Robotik

Lange war KI „körperlos" — Text rein, Text raus. Das ändert sich. Der aktive Forschungsstrang der Vision-Language-Action-Modelle überträgt die Idee der Sprachmodelle auf das Handeln in der physischen Welt: Ein Modell nimmt Kamerabilder und eine Anweisung entgegen und gibt Steuerbefehle für einen Roboter aus. Ansätze wie π0 und π0.5 (Physical Intelligence) zielen auf „Open-World-Generalisierung", also darauf, auch in ungesehenen Umgebungen zurechtzukommen. Meta zeigt mit V-JEPA 2 Robotersteuerung ohne aufgabenspezifisches Training. Die Titel, Ansätze und Institutionen sind belegt; einzelne Erfolgsraten sind teils Eigenangaben und entsprechend zurückhaltend zu lesen. Dass zugleich viele Humanoiden-Ankündigungen kursieren, gehört ins Kapitel „Kalibrierung" (Z1) — die Robotik ist real im Aufbruch, aber gerade hier ist die Kluft zwischen Demo und robustem Alltag besonders groß.

Interpretierbarkeit und Alignment

Ein blinder Fleck der heutigen Modelle ist, dass niemand — auch ihre Erbauer nicht — genau sagen kann, *warum* sie eine bestimmte Ausgabe erzeugen. Der Forschungsstrang der mechanistischen Interpretierbarkeit versucht, diesen Nebel zu lichten. Anthropic hat mit „Attribution Graphs" Werkzeuge vorgestellt, die in seinem Modell echte Mehrschritt-Planung sichtbar machen (das Modell plant beim Dichten z. B. das Reimwort vor) und die Mechanik von Halluzinationen offenlegen. Das ist wissenschaftlich beachtlich — und Anthropic ist ehrlich genug zu sagen, dass die Methode nur etwa ein Viertel der untersuchten Fälle befriedigend erklärt. Man liest es zugleich als Lab-Eigenaussage. Der übergreifende Punkt: Verstehen, Steuern und Absichern dieser Systeme (das Feld nennt es „Alignment" und „Safety") ist ein eigener, aktiver Forschungszweig — und der International AI Safety Report bündelt den Konsens dazu über mehr als hundert Fachleute und Dutzende Staaten hinweg.

Die Datengrenze: läuft der Treibstoff aus?

Zum Schluss die vielleicht folgenreichste physische Grenze. Die heutigen Spitzenmodelle sind hungrig nach hochwertigem Text — und dieser Vorrat ist endlich. Epoch AI beziffert den nutzbaren Bestand öffentlichen menschlichen Textes auf rund 300 Billionen Tokens und erwartet, dass er zwischen 2026 und 2032 weitgehend ausgeschöpft ist. Ilya Sutskever, Mitbegründer von OpenAI, brachte es Ende 2024 auf die Formel: Daten seien der „fossile Brennstoff" der KI, und man habe „Peak Data" erreicht — „es gibt nur ein Internet". Der naheliegende Ausweg, Modelle mit selbst erzeugten (synthetischen) Daten zu füttern, ist kein einfacher: Ein *Nature*-Paper von 2024 zeigt, dass Modelle „kollabieren", wenn sie wiederholt auf rekursiv erzeugten Daten trainiert werden — wobei es dazu auch begründete Gegenkritik gibt. Diese Datengrenze ist einer der Hauptgründe, warum die Frage „läuft das Skalieren einfach weiter?" (Modul Z3) so umstritten ist.

Was heißt das für den Unternehmer heute?

Erstens: Der Fortschritt ist real, aber ungleichmäßig — und die Engpässe liegen dort, wo es für Ihren Betrieb am meisten zählt. Nicht die Roh-Fähigkeit der Modelle ist der Flaschenhals, sondern die *Zuverlässigkeit über mehrere Schritte*. Das ist exakt die Eigenschaft, die darüber entscheidet, ob Sie einen Agenten unbeaufsichtigt an einen Geschäftsprozess lassen können. Fragen Sie bei jedem Anbieter nicht „wie klug ist das Modell?", sondern „wie zuverlässig bringt es *meine* mehrstufige Aufgabe zu Ende — und wie messen Sie das?".

Zweitens: Behalten Sie den METR-Zeithorizont im Auge — er ist Ihr bester Frühindikator. Solange die selbstständig lösbare Aufgabenlänge sich rasch verdoppelt, verschiebt sich die Grenze des Automatisierbaren spürbar von Jahr zu Jahr. Flacht die Kurve ab, ist das ein handfestes Signal, dass die nächste Erwartungswelle zu hoch war.

Drittens: Nicht jede Anwendung braucht den teuersten Giganten. Der Effizienz-Strang bedeutet, dass viele wertvolle, eng umrissene Aufgaben mit kleinen, günstigen, womöglich lokal laufenden Modellen erledigt werden können — was für Datenschutz, Kosten und Unabhängigkeit von einzelnen Anbietern gleich dreifach interessant ist.

Viertens, für die strategische Einordnung: Die offene Architekturfrage (Sprachmodell vs. Weltmodell) und die Datengrenze sind der Grund, warum kein seriöser Mensch Ihnen ein festes Datum für „AGI" nennen kann. Wenn Ihnen jemand ein solches Datum verkauft, hat er entweder ein Interesse daran — oder er hat diese offenen Probleme nicht verstanden. Das zu wissen, macht Sie im Gespräch mit Beratern und Anbietern souverän.

Quellenliste + „schnell veraltend"

• DeepSeek-R1: Nature, 18.09.2025,

https://www.nature.com/articles/s41586-025-09422-z ; Preprint https://arxiv.org/abs/2501.12948

• International AI Safety Report 2026 (Extended Summary), 03./06.02.2026,

https://internationalaisafetyreport.org/publication/2026-report-extended-summary-policymakers ; https://yoshuabengio.org/en/publication/international-ai-safety-report-2026

• METR, „Measuring AI Ability to Complete Long Tasks" / „Time Horizon 1.1",

19.03.2025 / 29.01.2026, https://metr.org/blog/2026-1-29-time-horizon-1-1/

• Yann LeCun (Interview-Zitate, Meta-Abgang), Nov. 2025,

https://tech.yahoo.com/ai/meta-ai/articles/godfather-metas-ai-thinks-ai-174152390.html

• Meta V-JEPA 2, 11.06.2025,

https://ai.meta.com/blog/v-jepa-2-world-model-benchmarks/ ; https://arxiv.org/abs/2506.09985

• Google DeepMind Genie 3, 05.08.2025,

https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/

• Continual-Learning-Survey, ACM Computing Surveys 2025,

https://dl.acm.org/doi/10.1145/3735633

• NVIDIA, „Small Language Models are the Future of Agentic AI", 02.06.2025,

https://arxiv.org/abs/2506.02153

• Physical Intelligence π0.5, 04/2025, https://arxiv.org/abs/2504.16054
• Anthropic, „On the Biology of a Large Language Model", 27.03.2025,

https://transformer-circuits.pub/2025/attribution-graphs/biology.html

• Epoch AI, „Will We Run Out of Data?", 06.06.2024,

https://epoch.ai/publications/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data

• Shumailov et al., „AI models collapse …", Nature, 07/2024,

https://www.nature.com/articles/s41586-024-07566-y

Schnell veraltend: Fast alles in diesem Modul. Die *konkreten* Modelle (DeepSeek-R1, V-JEPA 2, Genie 3, π0.5) und die METR-Spitzenwerte sind Momentaufnahmen des Jahres 2025/2026 und werden binnen Monaten überholt. Was länger trägt, sind die offenen Probleme selbst: Zuverlässigkeit über lange Ketten, kontinuierliches Lernen, die Architekturfrage, die Datengrenze — diese Struktur ändert sich langsamer als die Modellnamen. Beim Aktualisieren also die Rubriken behalten, die Beispiele austauschen.

Selbstprüfungs-Notiz

Was ist solide belegt? Die tragenden Aussagen stehen auf gutem Grund: die Reasoning-Wende (DeepSeek-R1 in *Nature*), das Zuverlässigkeitsproblem und die Agenten-Einordnung (International AI Safety Report), der METR-Zeithorizont, LeCuns Position und Meta-Abgang, die Datengrenze (Epoch AI, *Nature* Model Collapse).

Wo sind die schwächsten Stellen? (1) Konkrete Zahlen zum kontinuierlichen Lernen und zu Robotik-Erfolgsraten sind nur über Titel/Existenz belegt, nicht im Volltext geprüft — im Text als [UNKLAR] gekennzeichnet. (2) Alle Lab-Meldungen (V-JEPA 2, Genie 3, Anthropic-Interpretierbarkeit, NVIDIA-SLM) sind Eigenaussagen mit Interessenkonflikt und ausdrücklich so markiert; sie belegen, *dass* an etwas gearbeitet wird und *was* die Labore behaupten — nicht, dass die Behauptung neutral zutrifft. (3) Einzelne Benchmark-Spitzenwerte (SWE-bench/GAIA) wurden bewusst weggelassen, weil Dritt-Bestenlisten widersprüchlich waren.

Datum-Diskrepanz: Der International AI Safety Report 2026 wird je nach Quelle auf den 3. bzw. 6. Februar 2026 datiert (Veröffentlichung der Extended Summary vs. Gesamtreport) — im Text beide genannt.

Gesamturteil: Das Modul bildet die reale Forschungsfront ab, ohne Lab-Marketing als Wahrheit auszugeben. Seine stärkste, am besten belegte Aussage — dass Fortschritt ein Bündel ungleich schneller fallender Grenzen ist, nicht ein einzelner Balken — ist zugleich die entscheidungsrelevanteste.