Klaus Mainzer über die nächste Generation der KI
Neuromorphic Computing ist ein Hardware-Ansatz, der Rechenchips nach dem Vorbild des menschlichen Gehirns baut. Das Ziel klingt simpel: den enormen Energiehunger heutiger KI drastisch senken. Im Interview mit Leonard Schmedding ordnet Prof. Klaus Mainzer die Technologie ein.
Mainzer ist Präsident der Europäischen Akademie der Wissenschaften und Künste. Er gilt als Pionier der Komplexitätsforschung. Sein zentrales Argument: Erst die Verbindung aus Neuromorphic Computing, Quantencomputing und KI formt die nächste Generation der künstlichen Intelligenz.
Warum Neuromorphic Computing das Energieproblem löst
Jeder heutige Computer trennt Prozessor und Speicher. Mainzer nennt das die von-Neumann-Architektur. Alle Daten müssen durch diesen Engpass. Er vergleicht ihn mit dem Hals einer Ketchupflasche. Genau hier entsteht der hohe Energiebedarf moderner Rechenzentren.
Das menschliche Gehirn arbeitet anders. Es braucht nur 20 Watt, so viel wie eine kleine Lampe. Eine Synapse vereint Speicher und Prozessor in einer Einheit. Milliarden davon arbeiten gleichzeitig. Neuromorphe Chips kopieren dieses Prinzip in Hardware.
Der Schlüssel ist der Memristor. Der Ingenieur Leon Chua sagte ihn 1971 in Berkeley voraus. Materialien wie Titandioxid verändern unter Ladung ihre Struktur. Sie besitzen damit ein Gedächtnis. Ein neuer Ansatz rechnet sogar mit Licht: Photonische Chips erreichen Nanosekunden, Prototypen kommen mit 75 Watt aus. Welche Zukunftstechnologien Unternehmen jetzt kennen sollten, zeigen wir in unseren Top-10-Tech-Trends.
Machine Learning ist im Kern nur Statistik
Mainzer formuliert eine klare These. Heutiges Machine Learning sei nichts anderes als Statistik. Die Mathematik dahinter stammt aus dem 19. Jahrhundert. Ludwig Boltzmann beschrieb damals, wie Teilchen in einem Gas Muster bilden.
Genau diese statistische Mechanik steckt in neuronalen Netzen. Ein einziges Theorem fasst alles zusammen: Zu jedem Muster lässt sich ein neuronales Netz finden, das es annähert. ChatGPT ist dafür das bekannteste Beispiel. Es bleibt ein riesiges Netz, trainiert auf gewaltigen Datenmengen.
Diese Sicht erklärt auch die Physik-Nobelpreise der letzten Jahre. Sie gingen an Forscher, die genau diese statistische Mechanik für KI nutzten. Für Unternehmen heißt das: KI ist Mustererkennung, kein magisches Denken. Wer das versteht, bewertet KI-Projekte realistischer, wie wir in unserer KI-Implementierung täglich sehen.
Physical AI bringt kausales Denken in die KI
Reine Datenoptimierung hat eine Grenze. Mainzer verweist auf Isaac Newton. Newton kannte nur wenige Daten von Kepler. Trotzdem formte er das Gravitationsgesetz. Sein Werkzeug war das kausale Denken, nicht die Datenmenge.
Genau hier setzt Physical AI an. Forscher erweitern Machine Learning um echte Naturgesetze. Diese Systeme heißen Physics-Informed Neural Networks, kurz PINN. Sie optimieren nicht blind, sondern vergleichen Daten mit physikalischen Modellen.
Der Nutzen ist sehr konkret. Marode Brücken lassen sich über die Gesetze der Statik überwachen. Das System warnt, bevor Bauteile versagen. In der Medizin beschreiben Gleichungen die Entwicklung von Tumoren. So wird KI vom Statistik-Werkzeug zum kausalen Frühwarnsystem.
Quantencomputing und das Rätsel von Schrödingers Katze
Quantencomputer rechnen mit Überlagerung. Mainzer erklärt es über Schrödingers Katze. In der geschlossenen Kiste ist die Katze tot und lebendig zugleich. Dieser Zustand heißt Superposition. Ein Qubit nutzt genau dieses Prinzip.
Dadurch arbeitet ein Quantenrechner viele Zustände parallel ab. Der Shor-Algorithmus könnte so heutige Verschlüsselung brechen. Mainzer warnt aber vor zu viel Euphorie. Prinzipielle Grenzen wie Turings Halteproblem bleiben bestehen.
Das Knacken von Codes sieht er nüchtern. Es sei eine Rüstungsspirale wie eh und je. Neue Rechner brechen alte Codes, neue Verfahren sichern wieder ab. IBM baut bereits Schritt für Schritt größere Quantencomputer. Industriell relevant werden sie laut Mainzer in 10 bis 15 Jahren.
Drei Felder, eine hybride KI der Zukunft
Mainzer spricht von einer hybriden KI. Kein Ansatz löst alle Probleme allein. Symbolische KI, Machine Learning, Neuromorphic Computing und Quantencomputing haben je eigene Stärken. Jeder Ansatz hat aber auch klare Grenzen.
Künftige Rechenzentren bündeln deshalb mehrere Module. Klassische Supercomputer übernehmen das digitale Rechnen. Quantencomputer lösen spezielle Probleme in Medizin und Klimamodellen. Neuromorphe Systeme steuern Roboter mit flüssigen, menschenähnlichen Bewegungen.
Fazit: Neuromorphic Computing als Europas Chance
Das Interview zeigt eine klare Linie. Neuromorphic Computing ist die nachhaltige Antwort auf den Energiehunger der KI. Quantencomputing beschleunigt das Rechnen. Physical AI bringt kausales Denken zurück.
Mainzer sieht hier eine echte Chance für Europa. Jülich betreibt bereits den schnellsten Supercomputer des Kontinents. Europa könnte ein Modell für nachhaltige und verantwortungsvolle KI setzen. Wer diese Technologien heute versteht, gestaltet die KI von morgen mit.
Häufige Fragen
Was ist Neuromorphic Computing?
Neuromorphic Computing baut Rechenchips nach dem Vorbild des menschlichen Gehirns. Speicher und Prozessor sitzen dabei in einer Einheit, ähnlich wie in einer Synapse. Das spart enorm viel Energie. Klassische Computer trennen beide Bauteile und verbrauchen dadurch deutlich mehr Strom. Bauelemente wie der Memristor oder photonische Chips machen diesen Ansatz heute technisch möglich.
Warum verbraucht künstliche Intelligenz so viel Energie?
Heutige KI läuft auf der von-Neumann-Architektur. Prozessor und Speicher sind getrennt, alle Daten müssen durch einen Engpass. Mainzer vergleicht ihn mit dem Hals einer Ketchupflasche. Dieser ständige Datentransport kostet viel Energie. Das menschliche Gehirn braucht dagegen nur 20 Watt, weil es Speichern und Rechnen in einer Synapse vereint.
Kann ein Quantencomputer jede Verschlüsselung brechen?
Ein Quantencomputer könnte über den Shor-Algorithmus heutige Verschlüsselung brechen. Er packt viele Zustände in eine Superposition und rechnet sie parallel. Mainzer sieht darin aber keine prinzipielle Revolution, sondern eine Rüstungsspirale. Neue Rechner knacken alte Codes, neue Verfahren sichern wieder ab. Industriell relevante Quantencomputer erwartet er erst in 10 bis 15 Jahren.
Was ist Physical AI?
Physical AI erweitert klassisches Machine Learning um echte Naturgesetze. Statt nur Daten zu optimieren, vergleichen diese Systeme Messwerte mit physikalischen Modellen. Fachleute sprechen von Physics-Informed Neural Networks, kurz PINN. Der Nutzen ist praktisch: Marode Brücken lassen sich über die Gesetze der Statik überwachen, lange bevor Bauteile versagen.
.png)
.webp)
.webp)
.webp)
.webp)
