Am 8. November 2026 berichtete The Decoder, dass Richard Sutton, Turing-Preisträger und Mitbegründer des modernen Reinforcement Learning, kürzlich erklärt habe, dass rohe Rechenleistung allein nicht zu echter Intelligenz führe und die KI-Wissenschaft cleverere neue Methoden brauche — und "noch lange nicht fertig" sei. Die Äußerung löste in der KI-Community eine breite Diskussion aus; auf der anderen Seite der Debatte stehen die Chefs von OpenAI und Anthropic.
Was Sutton eigentlich gesagt hat
Um die Äußerung zu verstehen, muss man zu Suttons berühmtem Essay "The Bitter Lesson" aus dem Jahr 2019 zurückgehen. Darin argumentierte er, dass letztlich die Methoden gewinnen, die mit der Rechenleistung stärker werden — allen voran Suche und Lernen. Große Sprachmodelle galten lange als bestes Beispiel dafür: Je mehr Internettext sie bekamen, desto fähiger wurden sie. Doch Sutton meint heute, dass große Sprachmodelle gerade die Grenze dieses Weges zeigen: Nach dem Training lernen sie nicht mehr weiter, ihre Gewichte sind ab dem Tag der Veröffentlichung eingefroren. Im August ging er noch weiter und nannte es einen "großen Fehler", den Engpass mit synthetischen Daten überwinden zu wollen: Die reale Welt sei unendlich komplex, und jede Simulation sei nur ein winziger Ausschnitt davon. Die Richtung, die er vorschlägt, sind Agenten, die mit einem Weltmodell ausgestattet selbst Erfahrung sammeln: in ständiger Interaktion mit ihrer Umgebung lernen, ohne altes Wissen zu verlieren. Der Maßstab dieser Debatte ist das Skalierungsgesetz: Wenn Parameter, Daten und Rechenleistung wachsen, lassen die Zugewinne nach — die Frage ist, wer zuerst an die Decke stößt.
Wer in der Forschung zustimmt
Sutton steht mit dieser Sicht nicht allein. Jerry Tworek, ehemaliger OpenAI-Forscher, hält die bittere Lektion für nach wie vor richtig — doch je mehr Rechenleistung investiert werde, desto wichtiger werde der Algorithmus: Manche Algorithmen skalieren, andere laufen in Sackgassen, und der vorübergehende Erfolg der Transformer-Route zusammen mit einer Fehllektüre des alten Essays habe "die Gehirne einer ganzen Generation von Wissenschaftlern per Reward-Hacking gekapert". Der Forscher Jayden Teoh ergänzt, die Fehllektüre habe dazu geführt, dass vielversprechende Ideen in der Wissenschaft abgelehnt wurden, bevor sie überhaupt geprüft werden konnten: "Eine Idee muss nicht für immer der Skalierung standhalten, um ein wichtiger Beitrag zum Fortschritt der KI zu sein." Laut einer Auswertung von The Decoder verfolgt die neueste Ausgabe von Frontier Radar 45 neue KI-Labore, die genau auf diese Lücken setzen — darunter Tworeks eigenes Core Automation und Oak Lab, das Sutton mit einem ehemaligen Studenten gegründet hat.
Warum die andere Seite nicht überzeugt ist
Doch die andere Seite ist genauso laut. OpenAI-Chef Sam Altman hält die Skalierung großer Sprachmodelle für noch lange nicht erschöpft und wirft den Skalierungsskeptikern vor, eine ganze Generation von Forschern auszubremsen; als Beleg führt er an, dass ein OpenAI-Modell kürzlich eine 18 Jahre alte Quantenvermutung widerlegt habe — verifiziert mit Lean. Anthropic-Chef Dario Amodei ist bei der Skalierung ebenso optimistisch und nennt den Fortschritt "einen Regenbogen ohne Ende". Der Streit dreht sich nicht darum, ob Rechenleistung nützt, sondern wo die Decke liegt: Die eine Seite wettet darauf, dass neue Lernmethoden die nächste Tür öffnen, die andere darauf, dass die bestehende Methode, bis zum Äußersten getrieben, noch weit trägt.
Für normale Leser entscheidet diese Debatte, wie der Fortschritt der KI in den nächsten Jahren aussehen wird: größere, teurere Modelle — oder Agenten, die selbst klüger werden. Ein Urteil gibt es noch nicht: Suttons Oak Lab und eine Welle neuer Labore bauen die Antwort, statt sie zu debattieren. Bemerkenswert ist, dass keine Seite die Prämisse der anderen bestreitet: Sutton hat nie gesagt, Rechenleistung sei nutzlos, und Altman hat den Wert von Weltmodellen nie geleugnet. Uneinig sind sie sich nur darüber, worauf die nächste Wette platziert wird.
