Video-Essay „Recursive self-improvement has started“, veröffentlicht am 13. November 2026
Dwarkesh Patel, der Host des Dwarkesh Podcast, hat seine Prognose für Künstliche Superintelligenz drastisch verkürzt. In einem am 13. November veröffentlichten Video-Essay erklärte er, Anfang des Jahres hätte er das Eintreffen noch „auf mindestens den größeren Teil eines Jahrzehnts“ angesetzt. Nach drei Monaten Debatte und der Beobachtung von KI-Fortschritten in verifizierbaren Domänen glaubt er nun, dass die Welt „nur noch ein paar Jahre und möglicherweise nur noch ein paar Monate“ von KIs entfernt ist, die in der KI-Forschung so gut sind wie die besten Menschen. Er rechnet bis 2030 – und plausibel bereits im kommenden Jahr – mit KIs, die in jedem Fachgebiet mindestens so gut sind wie die besten menschlichen Experten. Er bezeichnete dies als „eine wilde Behauptung“, die er selbst vor wenigen Monaten noch nicht geglaubt hätte.
Belege dafür, dass KI den KI-Fortschritt bereits beschleunigt
Patel stützt seine Argumentation auf Daten aus den Laboren. METR, die unabhängige Evaluierungsorganisation, verbrachte drei Monate direkt bei Anthropic. Sie kam zu dem Schluss, dass Anthropics Tempo beim KI-Fortschritt bei klar umrissenen Aufgaben doppelt so hoch ist wie vor einem Jahr, und dass „ein Großteil dieser heutigen Beschleunigung wahrscheinlich auf Anthropics extensive Nutzung von KI für F&E zurückzuführen ist“.
OpenAI veröffentlichte im September einen Blogbeitrag, dem zufolge die intensivsten 10 % der KI-Nutzer unter den Forschern von etwa 1.000 US-Dollar pro Tag für interne Coding-Agenten-Nutzung zu Beginn des Sommers auf über 7.000 US-Dollar pro Tag Ende August kletterten. Anthropics eigener Beitrag vom September berichtete, dass Claude inzwischen 26 % der unternehmenseigenen KI-F&E-Arbeiten anführt, nach unter 1 % noch im Februar.
Mathematik als Vorlage für die KI-Forschung
Der wichtigste Treiber für Patels Einschätzung ist die Geschwindigkeit der Verbesserungen in der KI-Mathematik. Er wies darauf hin, dass Modelle 2023 noch nicht einmal zuverlässig vierstellige Zahlen addieren konnten, 2024 kaum in der Lage waren, Aufgaben von High-School-Wettbewerben zu lösen, und 2025 Gold bei der Internationalen Mathematik-Olympiade gewannen. Anfang dieses Jahres begannen sie, Nischenprobleme der mathematischen Forschung zu lösen, und vor einem Monat löste OpenAI ein Problem der Millennium-Preise in 88 Stunden. Patel sagte, Hunderte von Resultaten, an denen Top-Mathematiker jahrzehntelang gearbeitet haben, würden nun „als Nebenquests zur Vermarktung zukünftiger Modellversionen“ produziert.
Er räumte das Gegenargument von Toby Ord ein, der schrieb, es gebe „sehr geringe Beweise dafür, dass sie mächtige Fragen stellen oder tiefgreifende neue Felder mathematischer Forschung finden können“. Patels Entgegnung lautet, dass derselbe Satz gleichzeitig bedeutet, dass KIs ein Millennium-Problem ohne diese Fähigkeiten gelöst haben. Er argumentiert, dass die Ausrichtung auf verifizierbare Arbeit für das Machine Learning wichtiger ist als für die Mathematik. In der Mathematik wird letztlich neue Theorie geschätzt, während sich KI-Labore dafür interessieren, was das Training empirisch effizienter oder Modelle klüger macht – und anderthalb Jahrzehnte Deep-Learning-Fortschritt haben nicht viel neue Theorie erfordert.
Er veranschaulichte diesen Punkt am Beispiel des Transformers. Unter Verweis auf Gespräche mit Sholto Douglas und ein Zitat von Chris Olah sagte er, keines seiner Kernelemente habe aktive Forscher überrascht. Die Architektur erwies sich erst dann als eindeutig überlegen, als ein halbes Dutzend Optimierungen korrekt kombiniert wurden, was Forschungsinтуицию (research taste) sowie eine große Anzahl kleiner Experimente erforderte. Genau das sei die anhaltende kombinatorische Suche, bei der KIs in der Mathematik herausragende Leistungen erbracht haben, und „die Art von Ding, die Claude 7 hätte erfinden können“, wenn man es gebeten hätte, den Attention-Mechanismus zu verbessern.
Zeitplan: Median 2028, mit einem dicken „Fat Tail“ auf beiden Seiten
Patels Median für automatisierte Forscher, die exakt den besten menschlichen KI-Forschern entsprechen, ist das Jahr 2028 – unter der Annahme, dass die Labore mit Vollgas arbeiten und weder durch sich selbst noch durch staatliche Regulierungen gebremst werden. Er beziffert die Wahrscheinlichkeit auf mindestens 25 %, dass dies erst nach 2032 geschieht, da sich wichtige Teile der KI-Forschung als schwer automatisierbar erweisen könnten. Auf der anderen Seite merkte er an, dass einige der bestkalibrierten Forscher, die er kennt, diesen Meilenstein bereits im kommenden Jahr erwarten.
Er wies darauf hin, dass 2027 auch die naheliegende Implikation der METR-Ergebnisse ist, wenn man sie in ein Takeoff-Modell einspeist. Er zitierte Ajeya Cotra: „Wenn wir für bare Münze nehmen, dass KI die Rate des Fortschritts bei KI-Fähigkeiten nun nahezu verdoppelt, und annehmen, dass die Beschleunigung durch KI gleichmäßig verläuft, impliziert dies naiv, dass wir innerhalb eines Jahres eine extreme Superintelligenz erreichen würden.“ Patels Median liegt nur deshalb nicht im Jahr 2027, weil er unsicher ist, wie präzise solche Modelle sind.
Warum automatisierte Forscher schneller, besser und zahlreicher wären
Patel nannte drei Gründe, warum sich der Fortschritt beschleunigt, sobald der Meilenstein erreicht ist. Erstens arbeiten KIs bereits etwa zehnmal so schnell wie Menschen und würden rund um die Uhr im Einsatz sein, sodass jeder automatisierte Forscher pro Kalenderwoche grob geschätzt fünfzigmal mehr Arbeit leisten würde als ein Mensch. Er warnte zwar, dass die Rechenleistung für Experimente nicht schneller verfügbar sein wird und die Erträge daher stark abnehmen dürften, rechnet aber dennoch mit einem um ein Vielfaches schnelleren algorithmischen Fortschritt.
Zweifellos spielt die Qualität eine Rolle. Er schätzt, dass etwa 80 % des algorithmischen Fortschritts in einem Spitzenlabor von dessen 50 Top-Forschern stammen – was seiner Ansicht nach erklärt, warum Mark Zuckerberg bereit war, Hunderte Millionen Dollar für Top-Talente zu zahlen. In einem automatisierten Labor würde jeder Forscher auf diesem Niveau agieren.
Drittens die Quantität. Patel argumentierte, dass KI-Forschung eher dem Formalisieren eines Theorems ähnelt als dem Schreiben eines Romans. Er verwies auf eine Animation, in der viele Claudes gemeinsam den Großen Satz von Fermat über Tausende modularer Teilaufgaben formalisieren, die jeweils lokal überprüfbar sind. KI-Labore teilen die Arbeit bereits heute auf Teams für Datenfilterung, synthetische Reinforcement-Learning-Umgebungen (RL) und Attention-Kernels auf. Er räumte stark sinkende Grenzerträge ein und bemerkte: „100.000 Kollaboratoren zu haben bedeutet nicht, dass man 100.000-mal schneller vorankommt, wahrscheinlich nicht einmal 100-mal schneller“, nannte es jedoch unplausibel, dass Größenordnungen mehr Arbeitskraft nicht mindestens zu ein paar Mal schnelleren Fortschritten führen würden.
Funke oder reine Software-Singularität: Ein Münzwurf
Patel formulierte die Kernfrage so, ob die Selbstverbesserungsschleife der wachsenden Schwierigkeit, neue Ideen zu finden, davonläuft. Er wies darauf hin, dass KI-Unternehmen schon jetzt ihre F&E-Rechenleistung vervierfachung und ihre Belegschaft jedes Jahr verdoppeln müssen, um ein konstantes Fortschrittstempo aufrechtzuerhalten. Wenn sich die KI schneller verbessert, als Ideen schwerer zu finden sind, ist das Resultat eine „reine Software-Singularität“ (software-only singularity), bei der der Schwarm innerhalb von Monaten – ohne zusätzliche Rechenleistung – eine Superintelligenz erreicht, die „an den physischen Limits unserer aktuellen Chips kratzt“.
Werden Ideen hingegen schneller schwieriger, führt dies zu dem, was er als „Funken“ (spark) bezeichnet: etwa drei bis sechs Jahre Fortschritt im bisherigen Tempo komprimiert in ein einziges Kalenderjahr, wonach die Dinge „abkühlen“, bis neue Rechenleistung aufgebaut wird. Beide Szenarien bewertet er mit jeweils 50 Prozent.
Selbst der Fall des Funkens, so sagte er, würde sich extrem anfühlen. Er verglich einen Vierjahressprung mit dem Übergang von GPT-3.5, das einen passablen Limerick schreiben konnte, aber „im Wesentlichen ein nutzloses Spielzeug“ war, zu einem hypothetischen GPT-6 „Astra“, das komplette Videospiele von Grund auf baut und Beiträge auf Fields-Medaille-Niveau in einer Frequenz produziert, die Beobachter abstumpfen lässt. Beginnend in den Jahren 2027 oder 2028 würde ein solcher Sprung, so Patel, einen Verstand hervorbringen, der selbst in leicht verifizierbaren Domänen dem Menschen massiv überlegen ist. Er zählte auf: die nächste Generation von KI-Beschleunigern besser zu entwerfen als Nvidia, bei gleicher Marktzugang mehr zu verdienen als die heutigen menschlichen Pendants von Citadel und Jane Street, und bei Fernzugriff auf ein Materiallabor einen Raumtemperatur-Supraleiter zu finden.
Wie Superintelligenz gut in schwer verifizierbarer Realwelt-Arbeit wird
Patel ging auf den naheliegenden Einwand ein, dass ein im Datacenter trainiertes System keine Experten übertreffen könne, deren Vorsprung aus jahrelanger realer Praxiserfahrung resultiert – etwa in Bereichen wie Unternehmensgründung, Prozessführung, Trading oder Wahlkampagnen. Er behauptet nicht, dass diese Antworten in die Modellgewichte hineingegossen werden können. Seine These ist, dass skaliertes Reinforcement Learning (RL) KIs die generellen Fähigkeiten verleiht, sich in neuen Kontexten rasch hochzuarbeiten: etwa Informationen zu beschaffen, zu planen, Hindernisse zu überwinden, das Gelernte zu verfolgen und zu kollaborieren.
Er erwartet, dass automatisierte Ingenieure Zehntausende Male mehr RL-Umgebungen bauen werden als heute existieren, die weitaus größer und offener sind: „Jede davon verhält sich zu heutigen Videospielen wie ein Bugatti zu einer Kutsche.“ Zu den Beispielen gehört es, eine KI in eine simulierte Wirtschaft aus Millionen anderer KIs zu setzen, um ein Unternehmen mitzugründen, oder historische Backtests durchzuführen. Eine solche Aufgabe könnte lauten, ob eine KI, die auf einem Korpus trainiert wurde, der im Jahr 1700 endet, die Allgemeine Relativitätstheorie ableiten kann, oder ob sie die Kubakrise anhand von Zeitungen bis 1962 vorhersagen kann. Automatisierte Forscher würden zudem die Lernalgorithmen selbst verbessern, insbesondere im Bereich des Online-Lerntens (online learning) und der Stichprobeneffizienz (sample efficiency)....