Flapping Airplanes über KI: „Wir wollen radikal andere Ansätze verfolgen“

In den letzten Monaten ist eine Welle ambitionierter, forschungsorientierter KI-Labore entstanden, und „Flapping Airplanes“ sticht dabei als eines der faszinierendsten hervor. Angetrieben von seinen jungen, neugierigen Gründern widmet sich das Labor der Suche nach datenarmen Methoden zum Trainieren von KI. Dieser Ansatz könnte sowohl die Wirtschaftlichkeit als auch die Leistungsfähigkeit von KI-Modellen grundlegend verändern – und mit einer Startfinanzierung von 180 Millionen Dollar haben sie reichlich Spielraum für ihre Erkundungen.

Letzte Woche habe ich mich mit den drei Mitbegründern des Labors – den Brüdern Ben und Asher Spector sowie Aidan Smith – zusammengesetzt, um zu besprechen, warum gerade jetzt ein spannender Zeitpunkt für die Gründung eines neuen KI-Labors ist und warum sie immer wieder auf Ideen zurückkommen, die vom menschlichen Gehirn inspiriert sind.

Lassen Sie mich mit der naheliegenden Frage beginnen: Warum gerade jetzt? Labore wie OpenAI und DeepMind haben enorme Ressourcen in die Skalierung ihrer Modelle gesteckt. Ich kann mir vorstellen, dass der Wettbewerb einschüchternd wirkt. Was hat Ihnen das Gefühl gegeben, dass jetzt der richtige Zeitpunkt ist, ein Unternehmen für Grundmodelle zu gründen?

Ben: Es gibt einfach noch so viel zu tun. Die Fortschritte der letzten fünf bis zehn Jahre waren bemerkenswert. Wir lieben diese Tools – wir nutzen sie jeden Tag. Aber die Frage ist, ob das bereits alles ist, was geschehen muss. Wir haben sorgfältig darüber nachgedacht, und unsere Antwort lautete „nein“ – es liegt noch viel mehr vor uns. Für uns schien das Problem der Dateneffizienz der entscheidende Punkt zu sein, den es anzugehen galt. Die heutigen Spitzenmodelle werden im Wesentlichen auf der Grundlage des gesamten menschlichen Wissens trainiert, doch Menschen kommen mit weitaus weniger aus. Diese Lücke ist riesig, und es lohnt sich, sie zu verstehen.

Was wir tun, ist im Wesentlichen eine konzentrierte Wette auf drei Dinge. Erstens, dass Dateneffizienz das richtige Problem ist, das es zu lösen gilt – eine wirklich neue Richtung, in der Fortschritte möglich sind. Zweitens, dass die Lösung dieses Problems wirtschaftlich wertvoll sein und die Welt verbessern wird. Und drittens, dass das richtige Team für diese Aufgabe kreativ und in gewisser Weise unerfahren ist – eine Gruppe, die bereit ist, diese Probleme von Grund auf neu zu betrachten.

Aidan: Absolut. Wir sehen uns nicht wirklich als Konkurrenten anderer Labore, da wir uns auf ganz andere Problemstellungen konzentrieren. Schauen Sie sich den menschlichen Verstand an – er lernt auf eine grundlegend andere Weise als Transformer. Nicht unbedingt besser, nur ganz anders. Daher sehen wir andere Abwägungen. LLMs sind unglaublich gut im Auswendiglernen und im Zurückgreifen auf umfangreiches Wissen, aber sie tun sich schwer damit, neue Fähigkeiten schnell zu erlernen – sie benötigen enorme Datenmengen, um sich anzupassen. Wenn man einen Blick ins Gehirn wirft, unterscheiden sich die dort verwendeten Algorithmen grundlegend vom Gradientenabstieg und anderen aktuellen Trainingstechniken. Deshalb bauen wir eine neue Generation von Forschern auf, um diese Probleme anzugehen und die KI-Landschaft neu zu überdenken.

Asher: Diese Frage ist wissenschaftlich äußerst interessant: Warum unterscheiden sich die intelligenten Systeme, die wir entwickelt haben, so sehr von dem, was Menschen tun? Woher kommt dieser Unterschied, und wie können wir ihn nutzen, um bessere Systeme zu entwickeln? Gleichzeitig glaube ich, dass dies wirtschaftlich tragfähig und gut für die Welt ist. Viele wichtige Bereiche sind datenbeschränkt – Robotik, wissenschaftliche Forschung, sogar Unternehmensanwendungen. Ein Modell, das eine Million Mal dateneffizienter ist, ließe sich eine Million Mal leichter in die Wirtschaft integrieren. Für uns war es daher spannend, eine neue Perspektive einzunehmen: Wenn wir ein weitaus dateneffizienteres Modell entwickeln könnten, was könnten wir damit erreichen?

TechCrunch Founder Summit 2026: Tickets jetzt erhältlich

Am 23. Juni kommen in Boston mehr als 1.100 Gründer beim TechCrunch Founder Summit 2026 zusammen, um einen ganzen Tag lang die Themen Wachstum, Umsetzung und Skalierung in der Praxis zu erörtern. Lernen Sie von Gründern und Investoren, die die Branche geprägt haben. Knüpfen Sie Kontakte zu Kollegen, die sich in ähnlichen Wachstumsphasen befinden. Nehmen Sie Strategien mit, die Sie sofort umsetzen können

Sparen Sie bis zu 300 $ bei Ihrem Pass oder bis zu 30 % mit Gruppentickets für Teams ab vier Personen.

TechCrunch Founder Summit: Tickets jetzt erhältlich

Am 23. Juni kommen in Boston mehr als 1.100 Gründer beim TechCrunch Founder Summit 2026 zusammen, um einen ganzen Tag lang die Themen Wachstum, Umsetzung und Skalierung in der Praxis zu erörtern. Lernen Sie von Gründern und Investoren, die die Branche geprägt haben. Knüpfen Sie Kontakte zu Kollegen, die sich in ähnlichen Wachstumsphasen befinden. Nehmen Sie Strategien mit, die Sie sofort umsetzen können

Sparen Sie bis zu 300 $ auf Ihren Pass oder bis zu 30 % mit Gruppentickets für Teams ab vier Personen.

Das führt mich zu meiner nächsten Frage, die auch mit dem Namen „Flapping Airplanes“ zusammenhängt. In der KI-Forschung gibt es eine philosophische Debatte darüber, inwieweit wir versuchen sollten, die Prozesse des menschlichen Gehirns nachzubilden, oder ob wir eine abstraktere Intelligenz schaffen sollten, die einem völlig anderen Weg folgt. Aidan kommt von Neuralink, wo sich alles um das menschliche Gehirn dreht. Seht ihr euch selbst dabei, einen eher neuromorphen Ansatz in der KI zu verfolgen?

Aidan: Ich betrachte das Gehirn als Existenzbeweis – als Beweis dafür, dass es noch andere Algorithmen gibt und nicht nur eine einzige orthodoxe Herangehensweise. Das Gehirn arbeitet unter unglaublichen Einschränkungen. Das Auslösen eines Aktionspotenzials dauert eine Millisekunde; in derselben Zeit kann ein Computer unzählige Operationen ausführen. Es gibt also wahrscheinlich einen Ansatz, der tatsächlich viel besser ist als das Gehirn und sich stark vom Transformer unterscheidet. Wir lassen uns von einigen Funktionen des Gehirns inspirieren, fühlen uns aber nicht daran gebunden.

Ben: Um das nochzu ergänzen: Es steckt schon in unserem Namen: „Flapping Airplanes“. Stell dir aktuelle Systeme als große Boeing 787 vor. Wir versuchen nicht, Vögel zu bauen – das geht zu weit. Wir versuchen, so etwas wie ein flatterndes Flugzeug zu bauen. Aus der Perspektive von Computersystemen unterscheiden sich die Einschränkungen des Gehirns und von Silizium so stark, dass wir nicht erwarten sollten, dass diese Systeme am Ende gleich aussehen. Bei so unterschiedlichen Substraten und sehr unterschiedlichen Kompromissen hinsichtlich Rechenaufwand, Lokalität und Datenbewegung werden diese Systeme natürlich ein wenig anders aussehen. Das bedeutet jedoch nicht, dass wir uns nicht vom Gehirn inspirieren lassen und die Aspekte, die wir interessant finden, nutzen sollten, um unsere eigenen Systeme zu verbessern.

Es scheint, als hätten die Labore mittlerweile mehr Freiheit, sich auf die Forschung zu konzentrieren, anstatt nur Produkte zu entwickeln. Das fühlt sich wie eine große Veränderung für diese Generation von Labors an. Einige sind sehr forschungsorientiert; andere sind „vorerst forschungsorientiert“. Wie verläuft diese Diskussion bei Flapping Airplanes?

Asher: Ich wünschte, ich könnte dir einen Zeitplan nennen. Ich wünschte, ich könnte sagen: In drei Jahren werden wir das Forschungsproblem gelöst haben, und so werden wir es vermarkten. Aber das kann ich nicht. Wir kennen die Antworten nicht. Wir sind auf der Suche nach der Wahrheit. Allerdings verfügen wir über kommerziellen Hintergrund. Ich habe Zeit damit verbracht, Technologien für Unternehmen zu entwickeln, die angemessene Umsätze erzielten. Ben hat Start-ups mit kommerziellen Wurzeln aufgebaut, und wir freuen uns aufrichtig auf die Kommerzialisierung – wir glauben, dass es gut für die Welt ist, geschaffenen Wert in die Hände von Menschen zu geben, die ihn nutzen können. Wir sind also nicht dagegen. Wir müssen nur mit der Forschung beginnen, denn wenn wir gleich damit anfangen, große Unternehmensverträge abzuschließen, lassen wir uns ablenken und werden die wertvolle Forschung nicht betreiben.

Aidan: Stimmt – wir wollen radikal andere Dinge ausprobieren, und manchmal sind radikale Ideen einfach schlechter als das derzeitige Paradigma. Wir loten verschiedene Kompromisse aus, in der Hoffnung, dass sie sich langfristig auszahlen.

Ben: Unternehmen sind am besten, wenn sie sich wirklich darauf konzentrieren, eine Sache gut zu machen, oder? Große Unternehmen können es sich leisten, viele Dinge gleichzeitig zu tun. Als Start-up muss man sich das Wertvollste aussuchen und voll darauf setzen. Wir schaffen den größten Mehrwert, wenn wir uns vorerst voll und ganz der Lösung grundlegender Probleme widmen.

Ich bin tatsächlich optimistisch, dass wir schon bald genug Fortschritte gemacht haben werden, um in der realen Welt Fuß zu fassen. Aus Feedback aus der Praxis lernt man viel. Das Erstaunliche an der Welt ist, dass sie einem ständig etwas beibringt – sie ist ein riesiger Schatz an Erkenntnissen, in den man jederzeit einen Blick werfen kann. Ich glaube, dass die jüngsten Veränderungen in der Wirtschaft und bei der Finanzierung solcher Strukturen es Unternehmen ermöglicht haben, sich länger auf das zu konzentrieren, was sie gut können. Dieser Fokus – das, was mich am meisten begeistert – wird es uns ermöglichen, wirklich einzigartige Arbeit zu leisten.

Um genau das zu verdeutlichen, worauf du meiner Meinung nach anspielst: Die Begeisterung für KI ist so groß, dass Investoren bereit sind, 180 Millionen Dollar Startkapital in ein brandneues Unternehmen zu stecken, das voller sehr kluger, sehr junger Leute ist, die nicht gerade erst ihre Anteile an PayPal verkauft haben. Wie war es, an diesem Prozess mitzuwirken? Wusstest du schon im Vorfeld, dass dieses Interesse bestand, oder hast du erst im Laufe der Zeit festgestellt, dass du daraus etwas Größeres machen könntest, als du erwartet hattest?

Ben: Es war eine Mischung aus beidem. Der Markt ist seit Monaten heiß, daher war es kein Geheimnis, dass große Finanzierungsrunden zustande kommen würden. Aber man weiß nie, wie das Fundraising-Umfeld auf die eigenen konkreten Ideen reagieren wird. Auch hier muss man sich vom Markt Feedback geben lassen. Selbst während unserer Finanzierungsrunde haben wir viel gelernt und unsere Ideen angepasst – wir haben unsere Prioritäten und Zeitpläne für die Markteinführung verfeinert.

Wir waren doch etwas überrascht, wie gut unsere Botschaft ankam. Für uns war das klar, aber man weiß nie, ob andere das genauso sehen oder einen für verrückt halten. Wir hatten das große Glück, eine Gruppe großartiger Investoren zu finden, die sich wirklich mit unserer Botschaft identifizieren konnten und sagten: „Ja, genau danach haben wir gesucht.“ Das war unglaublich – überraschend und wunderbar.

Aidan: Ja, der Wunsch nach einem Zeitalter der Forschung liegt schon seit einiger Zeit in der Luft. Immer mehr sehen wir uns in der Rolle des Akteurs, der dieses Zeitalter vorantreibt und diese radikalen Ideen ausprobiert.

Zumindest für skalierungsorientierte Unternehmen sind die Einstiegskosten für Grundmodelle enorm – der Aufbau eines Modells in dieser Größenordnung ist unglaublich rechenintensiv. Die Forschung liegt irgendwo dazwischen: Vermutlich entwickelt man Grundmodelle, aber wenn man dies mit weniger Daten und weniger skalierungsorientiert tut, hat man vielleicht einen Vorteil. Inwieweit erwarten Sie, dass die Rechenkosten Ihre finanzielle Reichweite einschränken werden?

Ben: Ein Vorteil tiefgreifender, grundlegender Forschung ist, dass es paradoxerweise viel günstiger ist, wirklich verrückte, radikale Ideen auszuprobieren, als inkrementell vorzugehen. Bei inkrementeller Arbeit muss man weit auf der Skalierungsleiter nach oben klettern, um zu sehen, ob es funktioniert – viele klein angelegte Maßnahmen halten sich im großen Maßstab nicht. Das ist teuer. Aber wenn man eine verrückte neue Idee für einen Architektur-Optimierer hat, wird sie beim ersten Durchlauf wahrscheinlich sowieso scheitern, sodass man sie nicht hochskalieren muss. Sie ist bereits gescheitert – das ist großartig.

Das bedeutet nicht, dass Skalierbarkeit für uns irrelevant ist. Skalierbarkeit ist ein wichtiges Werkzeug in unserem Werkzeugkasten. Die Fähigkeit, unsere Ideen hochzuskalieren, ist sicherlich relevant. Ich würde uns also nicht als das Gegenteil von Skalierbarkeit bezeichnen. Aber es ist ein wunderbarer Aspekt unserer Arbeit, dass wir viele Ideen in sehr kleinem Maßstab ausprobieren können, bevor wir überhaupt über einen großen Maßstab nachdenken.

Asher: Ja , man sollte das gesamte Internet nutzen können – aber man sollte es nicht müssen. Wir finden es wirklich verwirrend, dass man das gesamte Internet nutzen muss, um Intelligenz auf menschlichem Niveau zu erreichen.

Was wird also möglich, wenn man Daten effizienter zum Trainieren nutzen kann? Vermutlich wird das Modell leistungsfähiger und intelligenter sein. Hast du konkrete Vorstellungen davon, wohin das führt? Sprechen wir hier von einer stärkeren Generalisierung außerhalb der Verteilung oder von Modellen, die bei einer bestimmten Aufgabe mit weniger Erfahrung besser werden?

Asher: Zunächst einmal betreiben wir Wissenschaft, daher kenne ich die Antwort nicht – aber ich kann drei Hypothesen aufstellen. Meine erste Hypothese lautet, dass es ein breites Spektrum zwischen der bloßen Suche nach statistischen Mustern und einem tiefgreifenden Verständnis gibt. Aktuelle Modelle liegen irgendwo auf diesem Spektrum – nicht ganz auf der Seite des tiefgreifenden Verständnisses, aber eindeutig nicht nur beim Musterabgleich. Es ist möglich, dass das Training mit weniger Daten das Modell dazu zwingt, ein unglaublich tiefes Verständnis für alles zu entwickeln, was es gesehen hat. Das könnte das Modell auf interessante Weise intelligenter machen – es kennt vielleicht weniger Fakten, kann aber besser argumentieren. Das ist eine Hypothese.

Eine weitere Hypothese ähnelt dem, was Sie gesagt haben: Derzeit ist es aufwendig – sowohl betrieblich als auch finanziell –, Modellen neue Fähigkeiten beizubringen, da man so viele Daten benötigt. Ein Ergebnis unserer Arbeit könnte ein wesentlich effizienteres Nachtraining sein, sodass man ein Modell mit nur wenigen Beispielen in einen neuen Anwendungsbereich einsetzen könnte.

Und dann ist es auch möglich, dass sich dadurch neue Anwendungsbereiche für KI erschließen. Zum Beispiel in der Robotik, wo wir es aus welchen Gründen auch immer noch nicht ganz schaffen, sie kommerziell rentabel zu machen. Ich denke, es ist ein Problem der begrenzten Datenmenge, kein Hardware-Problem – die Tatsache, dass man Roboter fernsteuern kann, beweist, dass die Hardware gut genug ist. Es gibt viele solcher Bereiche, wie zum Beispiel die wissenschaftliche Forschung.

Ben: Aufeinen Punkt möchte ich noch näher eingehen: Wenn wir über die Auswirkungen der KI nachdenken, gibt es die Ansicht, dass es sich um eine deflationäre Technologie handelt – sie automatisiert Arbeitsplätze, macht Arbeit billiger und entzieht der Wirtschaft Arbeitskräfte. Das wird passieren. Aber meiner Meinung nach ist das nicht die spannendste Vision. Die spannendste Vision ist die, in der KI uns dabei hilft, neue Wissenschaft und Technologien zu entwickeln, auf die Menschen von sich aus nicht kommen würden – andere Systeme jedoch schon.

In dieser Hinsicht ist die von Asher erwähnte Achse – zwischen echter Generalisierung einerseits und Auswendiglernen oder Interpolation andererseits – äußerst wichtig für tiefgreifende Erkenntnisse, die zu Fortschritten in Medizin und Wissenschaft führen. Es ist entscheidend, dass sich Modelle auf der kreativen Seite dieses Spektrums befinden. Ein Grund, warum mich unsere Arbeit so begeistert, ist, dass ich – über die individuellen wirtschaftlichen Auswirkungen hinaus – wirklich missionsorientiert daran arbeite, ob wir KI dazu bringen können, Dinge zu tun, die Menschen zuvor grundsätzlich nicht tun konnten. Das ist mehr als nur „Lasst uns eine Menge Leute entlassen“.

Absolut. Ordnet dich das in der AGI-Debatte – insbesondere in Bezug auf die Generalisierung außerhalb der Trainingsdaten – einem bestimmten Lager zu?

Asher: Ich weiß wirklich nicht genau, was AGI bedeutet. Die Fähigkeiten entwickeln sich rasant weiter, und es wird ein enormer wirtschaftlicher Wert geschaffen. Aber ich glaube nicht, dass wir schon kurz vor einem „Gott in der Schachtel“ stehen. Ich erwarte keine Singularität in zwei Monaten oder gar zwei Jahren, bei der Menschen überflüssig werden. Im Grunde stimme ich dem zu, was Ben gesagt hat: Die Welt ist riesig, es gibt viel zu tun, und wir freuen uns darauf, unseren Beitrag zu leisten.

Nun, der Gedanke zum Gehirn und zum neuromorphen Aspekt erscheint mir durchaus relevant. Du sagst, dass der Vergleich von LLMs mit dem menschlichen Gehirn relevanter ist als mit dem „Mechanical Turk“ oder den deterministischen Computern, die davor kamen.

Aidan: Ich möchte betonen: Das Gehirn ist nicht die Obergrenze – in vielerlei Hinsicht ist es die Untergrenze. Ich sehe keine Anhaltspunkte dafür, dass das Gehirn kein erfassbares System ist, das physikalischen Gesetzen folgt. Es unterliegt vielen Einschränkungen. Daher sollten wir davon ausgehen, dass wir auf lange Sicht Fähigkeiten entwickeln können, die viel interessanter, anders und potenziell besser sind als das Gehirn. Wir freuen uns darauf, zu dieser Zukunft beizutragen, ob sie nun AGI oder anders heißt.

Asher: Und ich glaube tatsächlich, dass das Gehirn der relevante Vergleichsmaßstab ist, denn es hilft uns zu verstehen, wie groß der Spielraum ist. Es ist leicht, all die Fortschritte zu sehen und zu denken: „Wow, wir haben die Antwort, wir sind fast am Ziel.“ Aber wenn man einen Schritt zurücktritt und die Perspektive wechselt, gibt es vieles, was wir nicht wissen.

Ben: Wir versuchen nicht, per se besser zu sein. Wir versuchen, anders zu sein – das ist der entscheidende Punkt, den ich betonen möchte. All diese Systeme werden mit ziemlicher Sicherheit unterschiedliche Kompromisse mit sich bringen. Man gewinnt an einer Stelle einen Vorteil und verliert an einer anderen. Die Welt da draußen ist groß, mit vielen Bereichen, die jeweils unterschiedliche Kompromisse mit sich bringen. Mehr Systeme und mehr grundlegende Technologien, die diese verschiedenen Bereiche abdecken, werden wahrscheinlich dazu führen, dass sich KI effektiver und schneller in der Welt verbreitet.

Ein Punkt, in dem ihr euch von anderen abhebt, ist euer Einstellungsansatz – ihr stellt sehr junge Menschen ein, die in manchen Fällen noch studieren oder die Schule besuchen. Was ist für euch der entscheidende Moment im Gespräch mit jemandem, der euch denken lässt: „Ich möchte, dass diese Person an diesen Forschungsproblemen arbeitet“?

Aidan: Das ist der Fall , wenn man mit jemandem spricht und er einen einfach umhaut – er hat so viele neue Ideen und denkt auf eine Weise, wie es vielen etablierten Forschern nicht gelingt, weil sie noch nicht durch Tausende von Fachartikeln „verunreinigt“ sind. Das Wichtigste, worauf wir achten, ist Kreativität. Unser Team ist außergewöhnlich kreativ, und ich schätze mich jeden Tag glücklich, zur Arbeit zu gehen und radikale Lösungen für große KI-Probleme mit Menschen zu diskutieren, die sich eine ganz andere Zukunft erträumen.

Ben: Das wichtigste Signal, auf das ich achte, ist wahrscheinlich: Bringen sie mir etwas Neues bei, wenn ich Zeit mit ihnen verbringe? Wenn sie mir etwas Neues beibringen, ist die Wahrscheinlichkeit hoch, dass sie uns auch etwas Neues über unsere Arbeit beibringen werden. In der Forschung haben kreative, neue Ideen oberste Priorität.

Ein Teil meines Werdegangs – während meines Bachelor- und Promotionsstudiums – bestand darin, einen Inkubator namens „Prod“ mitzugründen, der mit Unternehmen zusammenarbeitete, die sich erfolgreich entwickelt haben. Eine Erkenntnis war, dass junge Menschen durchaus auf höchstem Niveau in der Branche mithalten können. Ein großer Teil des Durchbruchs besteht einfach darin, zu erkennen: „Ja, ich kann das schaffen.“ Man kann auf höchstem Niveau einen absoluten Beitrag leisten.

Natürlich erkennen wir den Wert von Erfahrung an. Menschen, die an groß angelegten Systemen gearbeitet haben, sind großartig – wir haben einige von ihnen eingestellt und freuen uns darauf, mit den unterschiedlichsten Leuten zusammenzuarbeiten. Ich glaube, unsere Mission hat auch bei erfahrenen Leuten Anklang gefunden. Der Schlüssel ist, dass wir Menschen suchen, die keine Angst davor haben, Paradigmen zu ändern, und sich ein neues System vorstellen können, wie die Dinge funktionieren könnten.

Eine Sache, über die ich mir den Kopf zerbrochen habe: Wie unterschiedlich werden die daraus resultierenden KI-Systeme deiner Meinung nach sein? Es ist leicht, sich etwas wie Claude Opus vorzustellen, das einfach 20 % besser funktioniert und 20 % mehr leisten kann. Aber wenn es etwas völlig Neues ist, fällt es schwer, sich vorzustellen, wohin das führt oder wie das Endergebnis aussehen wird.

Asher: Ich weiß nicht, ob du schon einmal das Privileg hattest, mit dem GPT-4-Basismodell zu sprechen, aber es zeigte viele seltsame, neu auftauchende Fähigkeiten. Man konnte zum Beispiel einen Ausschnitt aus einem noch nicht geschriebenen Blogbeitrag vorlegen und fragen, wer ihn verfasst hat, und es konnte den Autor identifizieren.

Es gibt viele solcher Fähigkeiten, bei denen Modelle auf eine Weise intelligent sind, die wir nicht begreifen können. Zukünftige Modelle werden auf noch seltsamere Weise intelligenter sein. Ich denke, wir sollten davon ausgehen, dass die Zukunft wirklich seltsam sein wird – und die Architekturen noch seltsamer. Wir streben eine 1000-fache Steigerung der Dateneffizienz an – keine schrittweisen Veränderungen. Daher sollten wir an den Grenzen ähnlich unvorhersehbare, fremdartige Veränderungen und Fähigkeiten erwarten.

Ben: Ich stimme im Großen und Ganzen zu. Ich bin wahrscheinlich etwas zurückhaltender, was die Frage angeht, wie diese Dinge letztendlich von der Welt wahrgenommen werden – so wie das GPT-4-Basismodell von OpenAI abgeschwächt wurde. Man möchte die Dinge so gestalten, dass die Nutzer nicht in den Abgrund starren. Das ist wichtig. Aber ich stimme im Großen und Ganzen zu, dass es bei unserer Forschungsagenda darum geht, Fähigkeiten aufzubauen, die sich grundlegend von dem unterscheiden, was derzeit möglich ist.

Fantastisch! Gibt es Möglichkeiten, wie man sich bei „Flapping Airplanes“ engagieren kann? Ist es dafür noch zu früh, oder sollte man einfach abwarten, bis die Forschungsergebnisse und Modelle veröffentlicht werden?

Asher: Wir haben [email protected], falls ihr einfach nur „Hallo“ sagen wollt. Wir haben auch [email protected], falls ihr uns widersprechen wollt. Wir hatten schon einige wirklich coole Gespräche, bei denen uns Leute lange Essays geschickt haben, in denen sie darlegen, warum sie glauben, dass das, was wir tun, unmöglich ist – und wir freuen uns über den Austausch.

Ben: Aber sie haben uns noch nicht überzeugt. Bislang hat uns noch niemand überzeugt.

Asher: Zweitens suchen wir außergewöhnliche Menschen, die die Branche und die Welt verändern wollen. Wenn du Interesse hast, melde dich bei uns.

Ben: Und wenn du einen unkonventionellen Werdegang hast, ist das in Ordnung. Du brauchst keine zwei Promotionen. Wir suchen wirklich nach Leuten, die anders denken.