Wer heute über künstliche Intelligenz spricht, meint meist ChatGPT, Bildgeneratoren oder große Sprachmodelle. Doch die eigentliche Revolution, davon ist Professor Dr. Klaus Mainzer überzeugt, hat noch gar nicht begonnen. Der Wissenschaftstheoretiker, Pionier der Komplexitätsforschung und Präsident der Europäischen Akademie der Wissenschaften und Künste gilt als führender Experte an der Schnittstelle zwischen Philosophie, exakten Wissenschaften und Künstlicher Intelligenz. Er erklärte kürzlich im Gespräch mit Leonard Schmedding (YouTube-Kanal Everlast AI), weshalb neuromorphe Chips gemeinsam mit Quantencomputing die nächste Generation der KI prägen werden – und warum das weit mehr ist als nur ein technisches Detail.
Warum die heutige KI an ihre Grenzen stößt
Die heute bekannte KI, sei es ChatGPT oder ein bildgebendes Verfahren in der Medizin, beruht laut Prof. Mainzer im Kern auf klassischem Machine Learning: riesigen neuronalen Netzen, die mit Methoden der statistischen Mechanik trainiert werden. Vereinfacht gesagt: Es handelt sich um Datenoptimierung, um das Erkennen statistischer Muster in gewaltigen Datenmengen. Das ist beeindruckend – aber es hat einen entscheidenden Nachteil: Es kostet enorm viel Energie.
Der Grund dafür liegt tief in der Architektur unserer Computer. Seit den 1940er-Jahren, mit Konrad Zuse und John von Neumann, trennen wir in jedem Rechner – vom Smartphone bis zum Supercomputer – strikt zwischen Prozessor und Speicher. Jedes einzelne Bit muss durch diesen „Flaschenhals“ hindurch, bildlich gesprochen wie Ketchup durch den engen Flaschenhals einer Flasche. Genau das macht heutige KI-Systeme so energiehungrig.
Zum Vergleich: Unser menschliches Gehirn kommt mit gerade einmal 20 Watt aus – der Leistung einer kleinen Lampe. Es kennt diese Trennung von Prozessor und Speicher gar nicht: Jede einzelne Synapse übernimmt beide Funktionen gleichzeitig. Genau hier setzen neuromorphe Chips an.
Was neuromorphe Chips anders machen
Neuromorphes Computing verfolgt die Idee, Hardware zu bauen, die sich am biologischen Vorbild des Gehirns orientiert, statt es nur mathematisch zu simulieren. Kernbaustein ist der sogenannte Memristor, ein Bauelement, das bereits 1971 vom amerikanischen Ingenieur Leon Chua theoretisch vorhergesagt wurde. Der Name ist ein Kunstwort aus „Memory“ (Speicher) und „Resistor“ (Widerstand): Ein Memristor speichert und verarbeitet Information zugleich, so wie es auch eine biologische Synapse tut.
Möglich wird das durch Materialien wie Titandioxid – ein unspektakulärer, günstiger Stoff, der sogar in Sonnencreme vorkommt. Wird er mit elektrischer Ladung beschickt, verändert er seine molekulare Struktur und „merkt“ sich diesen Zustand. Aus solchen Bauteilen lassen sich Netzwerke aufbauen, die dieselben Prinzipien nutzen, die Prof. Mainzer bereits in der Komplexitätsforschung beschrieben hat: lokale Aktivität einzelner Elemente, die zu übergeordneten Mustern führt – im Gehirn ebenso wie in der Chemie oder in physikalischen Systemen.
Noch einen Schritt weiter gehen photonische neuromorphe Chips: Statt mit Elektronen wird hier mit Licht gerechnet. Laserstrahlen übernehmen die Funktion der Synapsen, wodurch sich die Rechengeschwindigkeit von Mikro- auf Nanosekunden erhöht und der Energiebedarf weiter sinkt. Erste Prototypen kommen laut Prof. Mainzer bereits auf rund 75 Watt – beeindruckend nah am menschlichen Gehirn, gemessen an den heutigen Energieanforderungen klassischer KI-Rechenzentren.
Warum das ein echter Game Changer ist
Für Prof. Mainzer geht es dabei um mehr als reine Effizienz. Neuromorphes Computing könnte nach seiner Einschätzung sogar Probleme lösen, die für klassische, digitale Computer prinzipiell unlösbar sind – etwa im Sinne von Alan Turings berühmtem Halteproblem. Während digitale Algorithmen auf ganzen Zahlen operieren und dadurch an mathematische Grenzen stoßen, arbeiten Systeme, die reelle Zahlen voll ausschöpfen können, potenziell jenseits dieser Grenzen. Neuromorphe Systeme sind dafür ernstzunehmende Kandidaten.
Praktisch bedeutet das: Roboter mit Sensoren, die sich so geschmeidig und stetig bewegen wie Lebewesen, statt ruckartig wie klassische Maschinen. Anwendungen in den Life Sciences, in der Medizintechnik oder in autonomen Systemen, die nah an biologischen Vorbildern arbeiten. Und vor allem: eine KI, die nicht länger an gigantischen Energiehunger und überlasteten Rechenzentren scheitert.
Das Zusammenspiel dreier Felder
Prof. Mainzers zentrale These lautet: Die nächste KI-Generation entsteht nicht durch eine einzelne Technologie, sondern am Schnittpunkt dreier Felder. Neben dem neuromorphen Computing sind das die klassische, statistikbasierte KI (Machine Learning) sowie das Quantencomputing, das durch Überlagerungszustände (Superpositionen) enorme Beschleunigungen bei bestimmten Rechenaufgaben ermöglicht – etwa beim Entschlüsseln heutiger Verschlüsselungssysteme oder bei der Simulation komplexer Klimamodelle.
Keines dieser Felder ersetzt die anderen vollständig. Prof. Mainzer spricht deshalb von einer „hybriden KI“: klassische Supercomputer für digitale Standardaufgaben, Quantencomputer für spezielle, datenintensive Probleme – und neuromorphe, möglicherweise photonische Chips überall dort, wo Energieeffizienz und ein möglichst biologienahes, geschmeidiges Verhalten gefragt sind, etwa in Sensorik und Robotik.
Ein Thema mit Zukunft – auch für Europa
Bemerkenswert ist Prof. Mainzers Hinweis, dass zentrale Bausteine heutiger KI-Systeme, etwa aus dem französischen Unternehmen Mistral, bereits aus Europa stammen. Er sieht darin eine Chance: Europa könnte bei energieeffizienter, verantwortungsvoller KI eine Vorreiterrolle einnehmen – gerade weil neuromorphe und photonische Chips helfen könnten, den enormen Energiebedarf der KI in den Griff zu bekommen, ohne auf Innovationskraft zu verzichten.
Für alle, die sich beruflich mit Weiterbildung und Zukunftskompetenzen beschäftigen, lohnt sich ein Blick über den Tellerrand der aktuellen KI-Debatte hinaus. Denn während heute noch über Prompting und Sprachmodelle gesprochen wird, bereiten sich Forschung und Industrie längst auf die nächste, grundlegend andere Technologiegeneration vor
Bis 2030 soll der Strombedarf von Rechenzentren auf 945 TWh steigen. Das entspricht dem zweifachen Strombedarf von Deutschland. 90% der Energie fällt dabei für den Transport zwischen Speicher und Prozessor an. Neuromophe Chips würden nicht nur massiv Energie einsparen, sondern wären auch bis zu 400 x schneller als klassische Chips.
Das Unternehmen TECHiFAB aus Dresden entwickelt neuromorphe Chips. Wie diese aussehen und welche Herausforderungen bis zur Marktreife zu bewältigen sind, erfahren Sie in dem Video von Breaking Lab:
