Die Entwicklung von Künstlicher Intelligenz wird bislang von einem Wettlauf um immer größere Rechenleistung bestimmt. Doch was, wenn KI-Systeme künftig selbst ihre Fähigkeiten verbessern und optimieren könnten, ohne ständig mehr Hardware zu benötigen?

Die japanische Firma Sakana AI geht genau diesen Weg. Statt immer größere Modelle mit riesigen GPU-Clustern zu trainieren, setzt das Startup auf sogenannte rekursive Selbstverbesserung (Recursive Self-Improvement, RSI). Dabei überarbeiten KI-Agenten ihre eigene Architektur und ihren Code, um sich iterativ zu optimieren.

Evolution statt Skalierung

Sakana AI hat seit seiner Gründung 2023 verschiedene Projekte vorangetrieben, die zeigen, dass RSI keine Zukunftsmusik mehr ist. Ein Beispiel ist der Darwin Gödel Machine, ein System, das Varianten seines eigenen Codes generiert, testet und verbessert. Ein weiteres Projekt, The AI Scientist, automatisiert wissenschaftliche Forschungsprozesse und hat sogar eine begutachtete wissenschaftliche Publikation verfasst.

Diese Projekte basieren auf evolutionären Prinzipien: Durch Versuch und Irrtum sowie iterative Anpassungen verbessern sich die KI-Systeme selbstständig. Das Ziel ist, effizientere Lösungen zu finden, ohne die exponentiell steigenden Rechenressourcen, wie sie bei großen Sprachmodellen üblich sind.

Vier Phasen zur selbstoptimierenden KI

Sakana beschreibt einen vierstufigen Weg von herkömmlicher, menschlich gesteuerter KI-Entwicklung hin zu autonomen, sich selbst verbessernden Systemen. Zunächst werden Agenten entwickelt, die offene Aufgaben eigenständig bearbeiten können – wie The AI Scientist, der Forschungsideen generiert und experimentiert.

Im nächsten Schritt sollen diese Agenten aktiv an ihrer eigenen technischen Basis arbeiten, indem sie Code schreiben, bewerten und verifizieren. Dies ist der Kern der rekursiven Selbstverbesserung.

Langfristig will Sakana so KI-Technologien zugänglicher machen, indem weniger auf teure, große Rechenzentren gesetzt wird. Stattdessen sollen adaptive, evolutionäre Systeme mit moderatem Compute-Aufwand auskommen.

Chancen und Risiken

Für kleine und mittlere Unternehmen könnte dieser Ansatz bedeuten, dass leistungsfähige KI-Lösungen künftig auch ohne teure Infrastruktur und große Investitionen nutzbar werden. Automatisierte Optimierung könnte Entwicklungszyklen verkürzen und Innovationen beschleunigen.

Gleichzeitig warnt der KI-Sicherheitsanbieter Anthropic vor Risiken der rekursiven Selbstverbesserung. Wenn KI-Systeme sich zu schnell und autonom weiterentwickeln, könnten Menschen die Kontrolle verlieren. Eine globale Regulierung oder zeitweise Aussetzung der Entwicklung wird diskutiert.

Was bedeutet das für Sie?

Die Forschung von Sakana AI zeigt, dass KI nicht zwangsläufig mit immer mehr Rechenleistung wachsen muss. Für Entscheider:innen in Unternehmen könnte dies zukünftig neue Möglichkeiten eröffnen, KI effizienter und kostengünstiger einzusetzen.

Automatisierte Selbstoptimierung könnte helfen, KI-Systeme flexibler an individuelle Anforderungen anzupassen und Innovationen schneller umzusetzen. Gleichzeitig bleibt es wichtig, die Entwicklung kritisch zu begleiten und Sicherheitsaspekte im Blick zu behalten.

Die Zukunft der KI-Entwicklung könnte also weniger von der schieren Größe der Modelle abhängen, sondern von der Fähigkeit der Systeme, sich selbst zu verbessern – ein spannender Paradigmenwechsel, der auch KMU neue Perspektiven eröffnet.