Von Neuromorphic bis Quantum – warum die nächste KI-Stufe nicht durch größere Modelle entsteht

Mainzer beginnt bei der Komplexitätstheorie: Intelligenz – ob biologisch oder maschinell – entsteht aus dem Zusammenspiel vieler einfacher Einheiten. Atome bilden Moleküle, Moleküle bilden Zellen, Neuronen bilden Gehirnzustände, Einzelakteure bilden Märkte. Die zentrale Denkfigur ist der Phasenübergang: Ein System verändert seinen Zustand, wenn kritische Parameter überschritten werden. Das ist genau das, was KI gerade mit Wirtschaft und Arbeit macht – und erklärt, warum größere Systeme plötzlich Fähigkeiten zeigen, die im Einzelteil nicht angelegt waren.

Heutige Large Language Models sind leistungsfähig, aber im Kern statistische Mustererkennung. Das ist keine Abwertung, sondern Präzision. ChatGPT, Claude, Gemini erkennen statistische Zusammenhänge in riesigen Datenmengen. Sie verstehen nicht im menschlichen Sinn, sondern approximieren Muster. Der entscheidende Unterschied: Machine Learning erkennt Korrelationen in Daten. Kausales Denken versteht Ursache-Wirkungs-Zusammenhänge. Newton hatte wenige Daten, aber ein Naturgesetz mit enormer Erklärungskraft. Diese Grenze – Statistik ist nicht Kausalität – definiert die Decke heutiger KI.

Physical AI überwindet diese Grenze teilweise: KI wird nicht nur mit Daten trainiert, sondern zusätzlich mit physikalischen Gesetzmäßigkeiten verbunden. Mainzers Brücken-Beispiel macht es greifbar: Eine Brücke ist nicht nur ein Datensatz, sie unterliegt Statik, Materialgesetzen, Alterung, Vibrationen. Wenn KI nur Messdaten optimiert, bleibt sie blind. Wenn sie physikalische Modelle kennt, wird sie drastisch stärker. Das Prinzip ist auf Branchen übertragbar: Ein Zahnarzt-Agent braucht andere Regeln als ein Immobilien-Agent, ein Handwerker-Agent andere Eskalationslogiken als ein Pflege-Agent.

Der zentrale Engpass der nächsten Jahre heißt Energie. Heutige KI läuft auf Von-Neumann-Architektur: Speicher und Prozessor sind getrennt, Daten müssen ständig hin- und hergeschoben werden. Das erzeugt enormen Energieverbrauch. Dagegen steht das menschliche Gehirn mit nur 20 Watt. Neuromorphe Chips bilden die Gehirnarchitektur nach – Memristoren als künstliche Synapsen, die Speicher und Verarbeitung vereinen. Photonische Chips rechnen mit Licht statt Elektronen: höhere Geschwindigkeit, geringerer Verbrauch. Prototypen erreichen bereits 75 Watt. Quantencomputer ergänzen als Spezialwerkzeuge für Optimierung, Materialforschung und Kryptografie – keine Allzweckrechner, aber mächtig in ihren Problemklassen.

Mainzers Zukunftsbild ist kein einzelner Supercomputer, sondern ein hybrides Rechenökosystem: klassische Supercomputer, Quantencomputer für Spezialprobleme, neuromorphe Systeme für energieeffiziente Verarbeitung, photonische Chips für Geschwindigkeit, Physical AI für domänenspezifische Kausalität. Die Zukunft ist nicht ein Modell – die Zukunft ist ein Stack. Für Unternehmen heißt das: Nicht „welches Tool ist das beste?", sondern „welcher Stack löst welchen Kundenprozess am besten, sichersten und wirtschaftlichsten?".

Neuromorphe Chips und energieeffiziente KI werden mittelfristig Edge-Szenarien ermöglichen: lokale Sprachverarbeitung, datenschutzbewusste On-Premises-Agenten, batteriegestützte Systeme. Wenn photonisch-neuromorphe Chips marktreif werden, kann KI viel stärker in Geräte, Roboter und Sensoren wandern – nicht mehr alles braucht riesige Cloud-Rechenzentren. Für Voice Agents heißt das langfristig: lokale KI wird realistischer, Latenz sinkt, Kosten sinken, Spezialagenten werden breiter einsetzbar.

Post-Quantum-Security gehört auf den Radar: Viele heutige Verschlüsselungsverfahren könnten durch Quantencomputer gebrochen werden. Das ist kein Notfall, aber ein Planungsbaustein. Bei neuen Systemen und Anbieterwahl prüfen, ob quantenresistente Verfahren unterstützt oder planbar sind. Mainzer bleibt nüchtern: Dann beginnt eine neue Runde – neue Verschlüsselung, neue Angriffe, neue Schutzverfahren. Keine Apokalypse, aber eine neue technische Sicherheitsliga.

Langfristdenken als Wettbewerbsvorteil: China hatte bereits 2015/2016 KI-Zukunftspläne bis 2050 auf dem Tisch. Für KMU heißt das nicht 30-Jahres-Pläne schreiben – sondern mindestens 3–5 Jahre vorausdenken, Technologieradar führen, Systeme modular und modellagnostisch aufbauen, nicht jede Woche das Toolset wechseln. Wer heute so baut, ist vorbereitet, wenn neuromorphe Hardware produktionsreif wird.