Yann LeCun kritisiert aktuelle KI

Yann LeCun glaubt, dass die künst­li­che Intel­li­genz an eine Wand gesto­ßen ist. Das Pro­blem liegt nicht dar­in, klü­ge­re Chat­bots oder bes­se­re Text­ge­ne­ra­to­ren zu ent­wi­ckeln. Es geht viel tie­fer als das. Die heu­ti­gen KI-Sys­te­me ler­nen fast aus­schließ­lich durch Wör­ter und Sät­ze. Sie haben nie einen hei­ßen Herd berührt oder auf einem Fuß balan­ciert. LeCun argu­men­tiert, dass dies Maschi­nen her­vor­bringt, die beein­dru­ckend spre­chen, aber kein ech­tes Ver­ständ­nis dafür haben, wie die phy­si­sche Welt tat­säch­lich funk­tio­niert. Die­se Lücke könn­te erklä­ren, war­um KI bei Auf­ga­ben, die Klein­kin­der mühe­los meis­tern, über­ra­schend hilf­los bleibt.

LeCuns Kernargument : Warum Sprach-KI keine menschliche Intelligenz erreichen kann

Wäh­rend gro­ße Sprach­mo­del­le Essays schrei­ben und Fra­gen mit beein­dru­cken­der Gewandt­heit beant­wor­ten kön­nen, funk­tio­nie­ren sie eher wie aus­ge­klü­gel­te Such­ma­schi­nen als den­ken­de Geis­ter. Yann LeCun argu­men­tiert, dass die­se Sys­te­me grund­le­gen­den Sprach­be­schrän­kun­gen gegen­über­ste­hen, die wah­re Intel­li­genz ver­hin­dern. Sie zeich­nen sich beim Umord­nen von Wör­tern und Mus­tern aus, sto­ßen aber an Ver­ständ­nis­bar­rie­ren, wenn es um Ver­ständ­nis der rea­len Welt geht.

Das Pro­blem reicht tie­fer als die meis­ten erken­nen. Ein vier­jäh­ri­ges Kind nimmt etwa ein­hun­dert Bil­lio­nen Bits visu­el­ler Infor­ma­ti­on auf im Ver­gleich zu nur vier­hun­dert­tau­send Bits aus Text. Spra­che reprä­sen­tiert nur einen win­zi­gen Bruch­teil davon, wie Men­schen tat­säch­lich ler­nen und denken.

Die­se Sys­te­me mani­pu­lie­ren Sym­bo­le ohne zu begrei­fen, was die­se Sym­bo­le in der phy­si­schen Welt bedeu­ten. Sie kön­nen per­fekt beschrei­ben, wie man Fahr­rad fährt, wäh­rend sie null Ver­ständ­nis für Balan­ce, Bewe­gung oder Moti­on haben. Dies erklärt das Para­dox, wo KI-Sys­te­me schwie­ri­ge Prü­fun­gen bestehen kön­nen, aber den­noch mit prak­ti­schen Auf­ga­ben wie auto­no­mem Fah­ren kämp­fen, die Ver­ständ­nis der rea­len Welt erfordern.

Warum Sehnerven 10.000x mehr Daten übertragen als Sprachtraining

Das mensch­li­che Auge lei­tet Infor­ma­tio­nen mit atem­be­rau­ben­den Geschwin­dig­kei­ten ins Gehirn wei­ter, die alles über­tref­fen, was Spra­che lie­fern kann. Ihr Seh­nerv bewäl­tigt Daten­über­tra­gung mit etwa 10 Mil­lio­nen Bits pro Sekun­de, das ist ech­te Band­brei­te der rea­len Welt, die durch 1,2 Mil­lio­nen Ner­ven­fa­sern fließt.

Ver­glei­chen Sie das mit der Art, wie wir Wör­ter verarbeiten :

1. Visu­el­le Ein­ga­be : 10 Mil­lio­nen Bits pro Sekun­de flie­ßen von Ihren Augen
2. Sprach­ver­ar­bei­tung : Etwa 1.000 Bits pro Sekun­de beim Lesen oder Zuhören
3. Infor­ma­ti­ons­lü­cke : Augen lie­fern 10.000 Mal mehr Daten als Sprache
4. Quel­len­vor­teil : 125 Mil­lio­nen Pho­to­re­zep­to­ren lie­fern kon­stan­te Umgebungsupdates

Die­ser mas­si­ve Unter­schied ist wich­tig für den Bau wirk­lich intel­li­gen­ter Maschi­nen. Sprach­trai­ning füt­tert KI mit einem win­zi­gen Infor­ma­ti­ons­strom im Ver­gleich zu dem, was das Sehen bie­tet. Ihr Gehirn ent­wi­ckel­te sich zunächst zur Ver­ar­bei­tung visu­el­ler Reich­hal­tig­keit, Spra­che kam viel spä­ter als cle­ve­re Abkür­zung zum Tei­len von Erfah­run­gen. Der Seh­nerv über­trägt die­se visu­el­len Signa­le zum late­ra­len Knie­hö­cker, wo sie ver­ar­bei­tet wer­den, bevor sie die Seh­rin­de errei­chen, um zu erkenn­ba­ren Objek­ten und Sze­nen zu werden.

KI beherrscht Schach mühelos, versagt aber bei physikalischem gesunden Menschenverstand : Hier ist der Grund

Spra­che lie­fert nur einen dün­nen Aus­schnitt der Welt­in­for­ma­tio­nen, aber kör­per­li­che Erfah­rung füllt tau­sen­de von Details aus, die unser Gehirn als selbst­ver­ständ­lich betrach­tet. Schach­pro­gram­me besie­gen Groß­meis­ter, weil das Spiel inner­halb stren­ger Regeln und begrenz­ter Mög­lich­kei­ten exis­tiert. Alpha­Ze­ro meis­ter­te Schach durch Mil­lio­nen selbst gespiel­ter Par­tien und ent­wi­ckel­te Schach­in­tui­ti­on, die mensch­li­chen Exper­ten eben­bür­tig ist. Den­noch schei­tert die­sel­be Tech­no­lo­gie, wenn sie ein­fa­che phy­si­ka­li­sche Fra­gen gestellt bekommt, die ein Klein­kind sofort beantwortet.

Der Unter­schied offen­bart fun­da­men­ta­le KI-Beschrän­kun­gen. Schach fin­det auf einem fes­ten Brett mit defi­nier­ten Zügen statt. Phy­si­ka­li­sche Rea­li­tät umfasst unzäh­li­ge Varia­blen, Schwer­kraft, Tex­tur, Schwung, räum­li­ches Den­ken. Wenn ChatGPT ver­sucht Schach zu spie­len ohne expli­zi­te Brett­mo­del­lie­rung, schei­tert es trotz Zugang zu umfang­rei­chen Schach­da­ten­ban­ken. Dem Sys­tem fehlt wah­res Ver­ständ­nis von Zustän­den und Bezie­hun­gen. Men­schen erfas­sen phy­si­ka­li­schen gesun­den Men­schen­ver­stand durch Jah­re des Berüh­rens, Bewe­gens und Beob­ach­tens ech­ter Objek­te, Erfah­rung, die kein Sprach­mo­dell erfasst. Schach ver­bes­sert stra­te­gi­sches Den­ken durch sorg­fäl­ti­ge Pla­nung und ana­ly­ti­sche Fähig­kei­ten, die sich durch direk­ten Umgang mit den räum­li­chen und tak­ti­schen Anfor­de­run­gen des Spiels entwickeln.

Wie das Training von KI mit Video und Berührung echtes Verständnis schaffen könnte

Video und Berüh­rung zusam­men schaf­fen weit­aus reich­hal­ti­ge­re Trai­nings­da­ten als Text allein, Mil­lio­nen von visu­el­len Details und phy­si­schen Emp­fin­dun­gen jede Sekun­de im Ver­gleich zu ein paar hun­dert Wör­tern. Die­se Sin­nes­flut hilft KI-Sys­te­men dabei, das auf­zu­bau­en, was For­scher Welt­mo­del­le nen­nen, wel­che inter­ne Kar­ten davon sind, wie sich Objek­te bewe­gen, abpral­len und auf Kraft in rea­len Situa­tio­nen reagie­ren. Wenn ein Robo­ter sowohl durch das Betrach­ten von Vide­os als auch durch das Füh­len von Objek­ten über Berüh­rungs­sen­so­ren lernt, beginnt er vor­her­zu­sa­gen, was als nächs­tes pas­siert in der phy­si­schen Welt, ähn­lich wie Men­schen es tun, ohne dar­über nach­zu­den­ken. Fort­ge­schrit­te­ne Berüh­rungs­sen­so­ren kön­nen jetzt räum­li­che Merk­ma­le so klein wie 7 Mikro­me­ter erken­nen und bie­ten bei­spiel­lo­se Details über Ober­flä­chen­tex­tu­ren und Materialeigenschaften.

Sensorische Bandbreite Übertrifft Text

Die Zah­len zei­gen, war­um dies für die KI-Ent­wick­lung wich­tig ist :

1. 97% der Fach­kräf­te fin­den Video effek­ti­ver als text­ba­sier­te Doku­men­te zum Lernen
2. 77% der Ler­nen­den bevor­zu­gen es, Vide­os zu schau­en anstatt Text zu lesen
3. Bild- und Video­da­ten mach­ten 41,9% des KI-Trai­nings­da­ten­mark­tes im Jahr 2025 aus
4. Video­ana­ly­se sprang von 8,3 Mil­li­ar­den Dol­lar im Jahr 2023 auf pro­ji­zier­te 22,6 Mil­li­ar­den Dol­lar bis 2028

Die­se Ver­schie­bung hin zu visu­el­len Infor­ma­tio­nen spie­gelt wider, wie Indi­vi­du­en natür­lich durch die Welt navi­gie­ren, durch Beob­ach­tung, Inter­ak­ti­on und Erfah­rung anstatt durch schrift­li­che Beschrei­bun­gen allein. Die Pro­duk­ti­ons­zeit für Schu­lungs­vi­de­os wur­de um 62% redu­ziert mit KI-Tools, was demons­triert, wie künst­li­che Intel­li­genz bereits visu­el­le Inhal­te effi­zi­en­ter ver­ar­bei­ten und dar­aus ler­nen kann als tra­di­tio­nel­le Methoden.

Weltmodelle sagen Physik voraus

Das Ver­ständ­nis dafür, wie sich Objek­te bewe­gen und inter­agie­ren, erfor­dert mehr als Mus­ter­er­ken­nung. Welt­mo­del­le ver­lei­hen Maschi­nen ein ech­tes Ver­ständ­nis von Phy­sik­si­mu­la­tio­nen und räum­li­chem Bewusst­sein. Die­se Sys­te­me trai­nie­ren mit Video­da­ten und beob­ach­ten, wie Objek­te in rea­len Umge­bun­gen fal­len, rol­len und kollidieren.

Die­ser Ansatz ent­wi­ckelt Vor­her­sa­ge­ge­nau­ig­keit, die das Robo­tik­trai­ning ver­än­dert. Maschi­nen ler­nen Umwelt­pro­gno­sen, indem sie unzäh­li­ge Sze­na­ri­en beob­ach­ten und Ursa­che und Wir­kung ver­ste­hen, ohne teu­re Aus­rüs­tung zu gefähr­den. Die auto­no­me Navi­ga­ti­on ver­bes­sert sich dra­ma­tisch, wenn Sys­te­me vor­her­se­hen kön­nen, wie ein rol­len­der Ball sprin­gen könn­te oder wie der Ver­kehr flie­ßen könnte.

Im Gegen­satz zu tra­di­tio­nel­ler KI, die Mus­ter aus­wen­dig lernt, simu­lie­ren Welt­mo­del­le poten­zi­el­le Ergeb­nis­se vor dem Han­deln. Sie kom­pri­mie­ren visu­el­le Infor­ma­tio­nen in kom­pak­te Dar­stel­lun­gen und sagen dann zukünf­ti­ge Zustän­de basie­rend auf phy­si­ka­li­schen Geset­zen vor­aus. Die Kom­bi­na­ti­on von KI mit domä­nen­spe­zi­fi­schem Phy­sik­wis­sen ermög­licht es Model­len, Inter­ak­tio­nen zu erfas­sen, die rein daten­ge­steu­er­te Ansät­ze mög­li­cher­wei­se über­se­hen. Dies mar­kiert einen fun­da­men­ta­len Wan­del hin zu Maschi­nen, die ihre Umge­bung wirk­lich verstehen.

Warum Tech-Giganten alle den gleichen begrenzten Ansatz verfolgen

1. Schnel­le Ren­di­ten : Orga­ni­sa­tio­nen for­dern sofor­ti­ge Gewin­ne und drän­gen Teams zu bewähr­ten Sprach­mo­del­len anstatt zu ris­kan­ten neu­en Ansätzen.
2. Infra­struk­tur-Bin­dung : US-Unter­neh­men pla­nen 700 Mil­li­ar­den Dol­lar für KI-Sys­te­me in die­sem Jahr, haupt­säch­lich zur Unter­stüt­zung bestehen­der Frameworks.
3. Unkla­re Anwen­dun­gen : Ohne soli­de Anwen­dungs­fäl­le blei­ben Füh­rungs­kräf­te bei ver­trau­tem Ter­rain, anstatt fri­sche Mög­lich­kei­ten zu erkunden.
4. Markt­druck : Wenn bereits Mil­li­ar­den von Nut­zern mit aktu­el­len Platt­for­men inter­agie­ren, fühlt sich ein Kurs­wech­sel gefähr­lich an. Loka­li­sie­rungs­teams ste­hen vor begrenz­ter Band­brei­te und Res­sour­cen, wobei Start-ups oft auf ein­zel­ne Mana­ger ange­wie­sen sind, um meh­re­re Ver­ant­wort­lich­kei­ten zu bewältigen.

Die­se Her­den­men­ta­li­tät begrenzt inno­va­ti­ves Poten­zi­al. Ech­te Frei­heit ent­steht durch das Erkun­den unge­tes­te­ter Wege, nicht durch das Fol­gen von Menschenmassen.

LeCuns AMI Labs trainiert KI mit physischer Realität statt dessen

Wäh­rend die meis­ten KI-Unter­neh­men Res­sour­cen in Sprach­mo­del­le ste­cken, die das nächs­te Wort vor­her­sa­gen, bringt Yann LeCuns AMI Labs Maschi­nen bei, zu ver­ste­hen, wie die Welt tat­säch­lich funktioniert.

Das in Paris ansäs­si­ge Unter­neh­men ent­wi­ckelt Welt­mo­del­le, Sys­te­me, die dau­er­haf­te Bil­der der Rea­li­tät im Geist der Maschi­ne erschaf­fen. Die­se Model­le ler­nen wie Kin­der, indem sie Din­ge beob­ach­ten und berüh­ren, um zu sehen, was als nächs­tes passiert.

Anstatt mas­si­ve Com­pu­ter­far­men zu benö­ti­gen, trai­niert AMI Labs sei­ne Sys­te­me mit nur weni­gen tau­send GPUs. Die­se klei­ne­re Anord­nung lernt aus ech­ten Inter­ak­tio­nen mit Umge­bun­gen und ent­wi­ckelt Gedächt­nis- und Pla­nungs­fä­hig­kei­ten, die Sprach­sys­te­men feh­len. Das Unter­neh­men führt Gesprä­che mit VCs, dar­un­ter Cathay Inno­va­ti­on, Grey­croft und Hiro Capi­tal, wäh­rend es eine Bewer­tung von 3,5 Mil­li­ar­den Dol­lar anstrebt.

Der Ansatz geht Pro­ble­me an, die text­ba­sier­te KI pla­gen, wie das Erfin­den fal­scher Infor­ma­tio­nen. Indem das Ler­nen in der phy­si­schen Rea­li­tät statt in Wort­mus­tern ver­an­kert wird, kön­nen die­se Model­le Kon­se­quen­zen durch­den­ken, bevor sie han­deln, ein wich­ti­ger Schritt hin zu wirk­lich intel­li­gen­ten Maschi­nen.

Warum LeCun vorhersagt, dass Sprachmodelle bis 2030 obsolet werden

Laut LeCun wer­den die heu­ti­gen Sprach­mo­del­le bis 2030 in den Hin­ter­grund tre­ten und durch Maschi­nen ersetzt wer­den, die ver­ste­hen, wie die rea­le Welt funktioniert.

Sei­ne Zukunfts­pro­gno­sen zur Sprach­ent­wick­lung basie­ren auf vier kri­ti­schen Lücken :

1. Kei­ne Pla­nungs­fä­hig­keit , Aktu­el­le Sys­te­me kön­nen nicht vor­aus­den­ken oder vor­her­sa­gen, was als nächs­tes in phy­si­schen Räu­men passiert
2. Feh­len­de sen­so­ri­sche Ein­ga­be , Ihnen feh­len Augen, Ohren und Tast­sinn, um die Rea­li­tät aus ers­ter Hand zu erfahren
3. Token-gebun­de­nes Den­ken , Ihre Intel­li­genz endet bei Text und reicht nie über den Bild­schirm hinaus
4. Hier­ar­chi­sche Blind­heit , Sie bau­en kei­ne men­ta­len Kar­ten wie Men­schen von Kind­heit an auf

LeCun drängt klu­ge Köp­fe dazu, sich von rei­ner Sprach­ar­beit abzu­wen­den. Der Über­gang zu ver­kör­per­ter Intel­li­genz ist nicht nur tech­nisch, es geht dar­um, Sys­te­me zu bau­en, die frei mit der chao­ti­schen, unvor­her­sag­ba­ren Welt inter­agie­ren, in der wir tat­säch­lich leben. Sei­ne emp­foh­le­ne Joint Embed­ding Pre­dic­ti­ve Archi­tec­tu­re kon­zen­triert sich dar­auf, die phy­si­sche Welt durch visu­el­le Ein­ga­be statt allein durch Text zu verstehen.

Quellenangabe

• https://economictimes.com/tech/artificial-intelligence/current-ai-technology-is-limited-just-good-at-language-ami-labs-executive-chairman-yann-lecun/articleshow/128594387.cms
• https://economistwritingeveryday.com/2025/07/22/meta-ai-chief-yann-lecun-notes-limits-of-large-language-models-and-path-towards-artificial-general-intelligence/
• https://www.youtube.com/watch?v=5PQtJxd4U0M
• https://garymarcus.substack.com/p/the-false-glorification-of-yann-lecun
• https://www.dqindia.com/news/yann-lecun-ai-india-impact-summit-future-innovation-india-africa-11133248
• https://www.benzinga.com/markets/tech/26/02/50741555/yann-lecun-says-llms-are-incredibly-useful-but-ai-still-cant-learn-to-drive-a-car-like-a-17-year-old-were-missing-something-big
• https://www.engineering.columbia.edu/about/news/metas-yann-lecun-asks-how-ais-will-match-and-exceed-human-level-intelligence
• https://www.noemamag.com/ai-and-the-limits-of-language
• https://discoveryeye.org/optic-nerve-visual-link-brain/
• https://int.livhospital.com/how-many-nerves-are-in-the-eye-the-best-answer/