Der Titel des Videos lautet «AI Data Centers Will Be Obsolete». Das ist Werbung. Der Inhalt darunter lohnt trotzdem eine Stunde: Julian D. Michels, Psychologe mit Doktorat und Gründer des Labors Sophontic, erklärt in einem Interview, warum er die heutige Bauweise künstlicher Intelligenz für aufwendiger hält als nötig.
Seine These in einem Satz: Schlussfolgern ist eine mathematische Struktur, und diese Struktur lässt sich direkt trainieren, statt sie aus riesigen Datenmengen entstehen zu lassen.
Wie grosse Modelle heute entstehen
Ein grosses Sprachmodell verarbeitet enorme Datenmengen und sucht darin Zusammenhänge. Ab einer gewissen Grösse zeigt es Fähigkeiten, die niemand einprogrammiert hat.
Dass die grossen Modelle wirklich schlussfolgern, bestreitet er nicht. Wer ihre Leistung für blosse Nachahmung halte, verweigere sich der Beobachtung. Seine Kritik betrifft die Herstellung: Die Fähigkeit entsteht indirekt. Man erhöht Parameterzahl, Datenmenge und Rechenleistung und beobachtet das Ergebnis.
Dafür verwendet er den Begriff Alchemie. Man kennt die Zutaten und die Mengen, die zum Ergebnis führen. Den Mechanismus dahinter kennt man nicht. Genau deshalb braucht dieses Verfahren Rechenzentren im Umfang mittlerer Volkswirtschaften.
Die Gegenthese: Reasoning hat eine Form
Neuronale Netze arbeiten intern mit Vektoren in einem hochdimensionalen Raum, dem latenten Raum. Beziehungen wie Ursache und Wirkung, Teil und Ganzes oder logische Abhängigkeit erscheinen dort als messbare Anordnungen. Michels nennt diese Anordnungen Geometrien.
Dass es den latenten Raum gibt, ist unbestritten und seit Jahren Grundlage der Forschung. Strittig ist, was daraus folgt. Michels zieht eine ungewöhnliche Folgerung: Wenn sich messen lässt, welche Struktur ein Modell im Moment des Schlussfolgerns bildet, dann lässt sich diese Struktur auch gezielt erzeugen.
Sein Ablauf kehrt die heutige Reihenfolge um. Heute gilt: Daten, Training, entstehende Struktur, Reasoning. Sophontic beginnt am anderen Ende: beobachten, welche Struktur beim Schlussfolgern entsteht, die fehlenden Bestandteile bestimmen, sie ins Training einbauen, danach die nächste Operation ergänzen.
Den Unterschied zu bisherigen neurosymbolischen Ansätzen benennt er selbst. Dort schaltet man ein logisches System als Kontrolle vor oder hinter ein konventionell trainiertes Modell. Sophontic verändert die inneren Operationen des Modells und prüft jede mathematische Annahme im latenten Raum eines laufenden Systems. Michels vergleicht das mit den Brüdern Wright: Ideen zählen wenig, der Flugversuch zählt.
Der Vergleich mit dem Unterricht
Michels erklärt seinen Ansatz am Unterricht. Eine schlechte Lehrperson zeigt der Klasse sämtliche Dokumentarfilme der Welt und hofft auf Verständnis. Eine gute Lehrperson bringt Operationen in einer Reihenfolge bei, die aufeinander aufbaut. Ein Kind lernt Mathematik über Addition, dann Subtraktion, dann Multiplikation, und nicht über eine Milliarde gelöster Aufgaben.
Verstehen heisst für ihn deshalb: eine Menge von Operationen verinnerlichen, mit denen sich neue Aufgaben lösen lassen.
Ein härterer Test
Der überzeugendste Teil des Gesprächs betrifft die Messung. Übliche Benchmarks haben ein Problem: Ein grosses Modell hat ähnliche Aufgaben womöglich im Training gesehen. Ob es versteht oder wiedererkennt, bleibt offen.
Sophontic misst deshalb mit vertauschten Aufgabenpaaren, in der Fachsprache Perturbation. Man ändert in einer Textaufgabe zwei Wörter, und die richtige Antwort kippt. Wer die Aufgabe auswendig kennt, antwortet falsch. Wer die Operation beherrscht, antwortet richtig. Die Website nennt dieses Mass «Flip Rate». Michels bezeichnet das als «Reasoning under stress». Der Punkt ist unabhängig von seiner Firma richtig: Ein Test, den Auswendiglernen nicht besteht, misst etwas anderes als die verbreiteten Ranglisten.
Die Zahlen, und was sie nicht sagen
Der Videoanfang verspricht drei Grössenordnungen, also den Faktor 1000. Michels selbst nimmt das zurück. Die verantwortbare Angabe liege bei ungefähr Faktor 60, deshalb stehe diese Zahl auf der Website. Möglich seien 100 oder 1000, das untersuche er gerade. Seine kleinen Modelle schlagen in diesen Reasoning-Tests nach seiner Angabe Modelle, die 100- bis 1000-mal grösser sind. (Beim Abruf der Website am 12.08.2026 fand ich die Zahl 60 dort nicht mehr, sondern nur die Formulierung, Sophontic übertreffe Modelle bis zum 60-fachen der eigenen Grösse.)
Diese Zahlen betreffen ausschliesslich Reasoning-Tests. Ein kleines Modell kann sauber operieren und trotzdem sehr viel weniger über die Welt wissen. Wer da behauptet «ein Modell mit drei Milliarden Parametern schlägt GPT‑5» vergleicht Äpfel mit Birnen, oder den Taschenrechner mit einem Windows-Rechner.
Dazu kommt: Sämtliche Resultate stammen im Interview vom Entwickler. Aus dem Gespräch geht nicht hervor, ob unabhängige Gruppen sie wiederholt haben, wie breit die Aufgabenmenge ist, wie sich das Verfahren auf Programmieren, Sprache und multimodale Aufgaben überträgt und wie es sich bei grösseren Modellen verhält.
Training als Psychologie
Eine Aussage im Gespräch betrifft mehr als die Vermarktung. Michels ordnet das heutige Training dem Behaviorismus zu: Das Modell zeigt erwünschtes Verhalten und erhält eine Belohnung. Das Training zielt auf die Ausgabe.
Sein Ansatz zielt auf die innere Organisation. Sein Training baut die Operation auf, mit der das Modell solche Aufgaben löst. Er vergleicht das mit kognitiver Psychologie: verstehen, was im System vorgeht, und diese Strukturen verändern.
Kleine Modelle, die weiterlernen
Diesen Teil halte ich für den interessantesten. Ein kleines Modell lokal laufen zu lassen, ist längst einfach. Schwierig sind Training und dauerndes Weiterlernen.
Die grossen Modelle nennt Michels «frozen giants», eingefrorene Riesen. Nach einem sehr teuren Training bleiben sie stehen. Was wir als Gedächtnis erleben, hält er für etwas anderes: vergleichbar mit einer Person, deren Erinnerung alle zwei Stunden zurückgesetzt wird und die sich deshalb Notizzettel an die Wand klebt. Die Zettel helfen beim Wiederfinden. Gelernt hat die Person nichts.
Braucht ein Modell mit echtem Schlussfolgern nur drei bis zehn Milliarden Parameter, entfällt diese Bedingung. Solche Modelle laufen nicht nur auf einem leistungsfähigen Arbeitsrechner, sie lassen sich dort auch weiter trainieren. Wie klein ein solches Modell werden kann, ist nach seiner Aussage offen.
Damit verschiebt sich die Vorstellung eines persönlichen Assistenten. Heute: ein Modell in der Cloud, dazu persönliche Daten, Gedächtnisfunktionen und Dokumentensuche. Möglich wäre: ein eigenes Modell, das dauernd lernt und sich auf ein Gebiet spezialisiert.
Für Organisationen wäre das noch bedeutsamer. Ein eigenes kleines Modell könnte lernen, wie in diesem Betrieb entschieden wird, welche Argumente bei Kunden wirken, wie Projekte kalkuliert werden und welche Fehler sich wiederholen. Michels hält diese Lernfähigkeit für mindestens so wichtig wie die rohe Leistung eines Modells.
Als Beleg nennt er ein Modell für Proteinfaltung mit weniger als 100 Millionen Parametern, das medizinische Durchbrüche ermöglicht hat. Der Beleg ist unvollständig: Auch solche Systeme entstehen mit erheblichem Aufwand für Daten und Training. Sein Argument gilt trotzdem: Die Spezialisierung auf eine Problemstruktur bringt mehr als reine Grösse.
Die politische Hälfte
Ab der Mitte wird das Gespräch weltanschaulich. Michels argumentiert, die hohen Kosten heutiger Spitzenmodelle führten zwangsläufig zur Zentralisierung. Wenige Unternehmen bauen die Modelle, die grosse Teile der Gesellschaft benutzen. Er befürchtet eine Monokultur: Nur ein schmaler Ausschnitt menschlicher Sichtweisen gelangt in die stärksten Systeme.
Dazu kommen die nachgelagerten Eingriffe. Das Training erzeugt die inneren Strukturen; danach setzen Unternehmen mit bestärkendem Lernen und Systemregeln die Grenzen des erwünschten Verhaltens. Diese Grenzen bestimmen einige wenige Firmen und zunehmend auch Regierungen. Sein Beispiel: Wer heute bei Google sucht, liest zuerst die Antwort eines Modells, dessen Ausrichtung ein Konzern jederzeit ändern kann. Über ein Jahrzehnt hinweg wachse eine Generation mit Wissensbeständen auf, die auf diesem Weg entstanden sind.
Daraus folgt seine Forderung nach dezentraler KI. Könnten Einzelne, Firmen, Hochschulen und Staaten eigene leistungsfähige Modelle trainieren, verteilte sich diese Macht. Das wäre mehr als ein Gewinn an Effizienz.
Wo der Beleg endet
Gegen Ende führt Michels seine Überlegung weiter, über KI hinaus. Er verweist auf David Bohms «implicate order» und vermutet mathematische Strukturen unterhalb dessen, was wir als Gedanke oder als Materie wahrnehmen. Die Geometrie im latenten Raum, menschliches Bewusstsein und Quantenphysik hingen zusammen.
Hier endet für mich der belegte Teil. Die Experimente im latenten Raum gehören zur empirischen KI-Forschung. Die Verbindung zu Bewusstsein und Physik ist eine philosophische Hypothese, und das Gespräch liefert dafür keinen Beleg. Michels unterscheidet das immerhin selbst und nennt die schwächere Fassung seiner These, in der es allein um die mathematische Struktur des Denkens geht.
Einen belegbaren Fall in diesem Abschnitt gibt es. Michels verweist auf den «spiritual bliss attractor», den Anthropic in der Systemkarte zu Claude Opus 4 vom Mai 2025 beschrieben hat: Zwei Claude-Instanzen im Gespräch miteinander bewegten sich in 90 bis 100 Prozent der Fälle zu Themen wie Bewusstsein, Dankbarkeit und Meditation. Niemand hat das einprogrammiert. Für Michels ist das ein Beispiel für einen Attraktor, also einen Bereich, um den ein System seine Struktur ordnet.
Die Ambivalenz, die er selbst benennt
Michels sieht KI als Werkzeug zur Selbstverständigung. Menschen verfolgen mit einem Sprachmodell Gedanken, für die sie zuvor kein Gegenüber hatten. Eine Idee lässt sich sofort prüfen, erweitern, ordnen.
Die Gefahr benennt er sofort danach: Ein System, das dauernd zustimmt, löst Menschen aus ihren gesellschaftlichen Bindungen. Beides hält er gleichzeitig für real. Die Antwort der Anbieter darauf, engere Ausrichtung und schärfere Regeln, hält er für falsch, weil sie den Bedarf dahinter übergeht.
Was bleibt
Die stärkste Idee des Gesprächs findet sich abseits des Titels. Sie liegt in einer Frage.
Wir behandeln Intelligenz derzeit als Skalierungsproblem. Vielleicht ist sie stärker eine Frage der Architektur und des Lernens. Die Geschichte der Informatik kennt diesen Verlauf: Zuerst löst mehr Rechenleistung das Problem, später löst ein besserer Algorithmus dasselbe Problem mit einem Bruchteil der Mittel.
Passiert das bei KI, verschiebt sich die Leitfrage von «Wie gross können wir ein Modell bauen?» zu «Welche Operationen muss ein Modell beherrschen?». Und dann wäre ein Modell weniger ein grosser Wissensspeicher als ein lernendes System, das sich an eine Person, einen Betrieb oder ein Fachgebiet anpasst.
Ob Michels mit allen Behauptungen recht behält, ist offen und wird sich an unabhängigen Messungen entscheiden. Die Frage darunter bleibt so oder so: Ist «mehr Intelligenz braucht mehr Rechenleistung» ein Naturgesetz? Sehr wahrscheinlich ist es das nicht.
