Das Fenster zählt jetzt, weil diese Wetten noch nicht abgeschlossen sind.
Interview Markus Wulfmeier
Markus Wulfmeier ist Chief Scientist bei Nomagic und ein führender Forscher in den Bereichen Robotik, Reinforcement Learning und Physical AI. Zuvor war er Staff Research Scientist bei Google DeepMind, wo er daran arbeitete, Fortschritte im Machine Learning mit der praktischen Anwendung in der realen Welt zu verbinden. Er promovierte an der University of Oxford, wo er anschließend Postdoc-Forschungen durchführte, und hatte Gastaufenthalte an der UC Berkeley, dem MIT und der ETH Zürich. Dr. Wulfmeier hat über 50 Publikationen verfasst, besitzt Patente im Bereich Machine Learning und Robotik, und seine preisgekrönte Forschung wurde in Wired, BBC und 60 Minutes vorgestellt.
Warum muss es diese Initiative jetzt geben – gerade jetzt?
Das Feld hat seine Aufmerksamkeit und Rechenleistung auf eine kleine Anzahl von Rezepten konzentriert, und die zugrunde liegenden Annahmen beginnen zu bröckeln. Das lässt ganze Richtungen (neue Architekturen, Trainingsparadigmen und Formen von Intelligenz, die in der Welt handeln, anstatt sie nur zu beschreiben) genuin offen. Das Fenster zählt jetzt, weil diese Wetten noch nicht abgeschlossen sind – und Europa hat die Forschungstiefe, um sie einzugehen.
Jenseits des Geldes: Was ist der eigentliche Handlungsspielraum, den Teams hier bekommen?
Ein geschützter Zeithorizont. Schwierige Probleme brauchen viele Experimente und Raum, um an Grundlagen zu iterieren – das überlebt keinen Quartalsdruck. Die Startbahn, die Rechenleistung und die Glaubwürdigkeit bei den Forschenden, die man rekrutieren muss, sind genauso wichtig wie das Kapital.
Wie würde ein echter Durchbruch aussehen?
Der Nachweis einer genuin anderen Entwicklung. Das bedeutet keinen marginalen Gewinn auf einem gesättigten Benchmark, sondern ein Ergebnis, das führende Labs zwingt, ihre Annahmen zu aktualisieren. Das könnte ein Sprung um eine Größenordnung bei der Sample- oder Compute-Effizienz sein, ein Trainingsparadigma, das nicht von immer größeren Datenmengen abhängt, oder verifizierbares Reasoning, das zuverlässig wird statt nur zufällig. Der härtere Test ist institutionell: dieses Ergebnis in ein dauerhaftes Lab mit bewiesenem Skalierungsverhalten zu verwandeln.
Welche Verantwortung kommt mit dem Bau von Foundation Models einher?
Sobald ein Modell zum Rückgrat für viele nachgelagerte Systeme wird, wird Verantwortung zu einer technischen Disziplin – nicht zu einer Offenlegungsübung. Das bedeutet externe Evaluation, Interpretierbarkeit und Fehleranalyse, die mit der Fähigkeit skalieren, und Ehrlichkeit über die Grenzen eines Systems. Diese Genauigkeit ist genau das, was ein System vertrauenswürdig macht, auf dem man aufbauen kann: Geschwindigkeit und Sorgfalt sind keine Gegensätze.
Geschwindigkeit und Sorgfalt sind keine Gegensätze.
Was ist die größte Herausforderung für Frontier AI in Europa gerade?
Europa bildet einige der besten Menschen in diesem Feld aus, die dann oft anderswo bauen. Die Lücke sind Institutionen, die bereit sind, Frontier-Risiken über einen Frontier-Zeithorizont einzugehen – und die Überzeugung, eine genuin andere Wette zu unterstützen. Für Embodied AI gibt es eine zweite Lücke: der Pfad von exzellenter Robotikforschung zu Systemen, die im großen Maßstab eingesetzt und verbessert werden, ist noch zu dünn.