Warum Yann LeCun sagt: „AGI kommt nicht durch Skalierung von LLMs“

Wenn Yann LeCun einen Satz sagt, lohnt es sich zuzuhören. In seinem Interview wirft er eine einfache, aber provozierende Behauptung in den Raum: AGI entsteht nicht einfach durch die fortgesetzte Skalierung großer Sprachmodelle. Das Schlagwort hier—Skalierung von LLMs—ist zum Testfeld für Hoffnungen und Befürchtungen geworden. Dieser Text nimmt LeCuns Kernaussagen ernst, prüft die Argumente und fragt: Welche Fähigkeiten fehlen heutigen Systemen wirklich, und wie glaubwürdig ist die These, dass mehr Parameter allein uns nicht weiterbringen?

LeCun trennt in dem Interview zwei Dinge klar: die handwerkliche Leistung, Texte erstaunlich kohärent zu erzeugen, und das, was wir unter allgemeinen, flexiblen Intelligenz verstehen. Sprachmodelle sind exzellente Mustererkenner und statistische Vorhersager. Sie können Wissen reproduzieren, Argumente nachbilden und in vielen Fällen wie ein gelehrter Gesprächspartner wirken. LeCun nennt genau jene Beobachtung — die Systeme wirken wie eine Art „PhD“, wenn man ihnen Fragen stellt —, um dann zu erklären, warum dieser Eindruck trügt.

Sein zentrales Argument lautet: Sprachdaten allein sind informationsarm gegenüber dem sensorischen Strom, den Lebewesen erleben. Ein Kind sammelt nicht nur Wörter, sondern Beobachtungen, Handlungen und Konsequenzen über Milliarden von Frames; daraus entstehen Modelle von Ursache, Raum und physischer Handlung. Reines Texttraining produziert ein gewichtiges Archiv verknüpfter Phrasen, aber kein belastbares physikalisches Weltmodell, kein dauerhaftes episodisches Gedächtnis und keine robuste Fähigkeit, hierarchisch zu planen — Fähigkeiten, die LeCun für AGI als notwendig betrachtet.

“Wir werden AGI nicht allein durch das Skalieren von LLMs erreichen.” — paraphrasiert aus dem Interview.

Er betont auch die praktische Seite: Für Unternehmen sind Zuverlässigkeit und Nachvollziehbarkeit entscheidend. Ein generiertes Dokument, das an 5 % seiner Aussagen fehlerhaft ist, ist für viele Anwendungen nicht verwendbar — gerade in regulierten Bereichen. LeCuns These ist deshalb nicht nur theoretisch, sie trifft direkt auf Geschäftsmodelle und die Frage, was Forschung und Produktentwicklung priorisieren sollten.

Wichtig ist, dass LeCun nicht behauptet, Sprachmodelle seien nutzlos. Er räumt ihrer Nützlichkeit und ihrem Einfluss Platz ein, fordert aber eine Neubewertung der Erwartung, dass größere LLMs automatisch zu allgemeinen, menschenähnlichen Fähigkeiten führen.

LeCun benennt mehrere konkrete Defizite aktueller KI‑Systeme. Erstens: Zuverlässigkeit. Modelle halluzinieren — sie erfinden Fakten mit überzeugender Sicherheit. Das ist nicht nur ein Schönheitsfehler; in sensiblem Kontext kann es gefährlich oder teuer werden. Zweitens: Gedächtnis. Aktuelle LLMs besitzen oft nur kurzzeitige Kontexte oder extern angebundene Store‑Mechanismen, doch echtes, dauerhaftes episodisches Gedächtnis fehlt. Drittens: systematisches Reasoning und Planung — die Fähigkeit, komplexe Ziele in Schritte zu zerlegen, unsichere Umgebungen zu antizipieren und Handlungen konsequent auszuführen.

Aus technischer Sicht argumentiert LeCun, dass diese Fähigkeiten schwerlich allein durch brute‑force‑Skalierung entstehen. Induktive Biases, also architektonische Voraussetzungen, die Lernprozesse leiten, würden fehlen. Modelle brauchen Mechanismen, die physikalische Kausalitäten, Objektpermanenz und agentenzentrierte Aktionen repräsentieren — nicht nur Wortstatistiken.

Als konstruktive Alternative verweist LeCun auf Forschungsrichtungen wie Joint‑Embedding Predictive Architectures (JEPA) und multimodale Lernansätze, die Repräsentationen aus Rohwahrnehmungen (z. B. Videos) vorhersagen, statt Pixel oder Tokens direkt zu rekonstruieren. Solche Ansätze versuchen, abstrakte, vorhersagbare Faktoren zu extrahieren — das lässt Raum für stabilere Weltmodelle.

Ein weiteres technisches Problem ist Evaluation: Benchmarks messen oft kurzfristige Fähigkeiten, nicht die Robustheit über lange Interaktionen in der realen Welt. Wenn ein System in Test A gut abschneidet, heißt das nicht automatisch, dass es in variablen, realen Situationen zuverlässig bleibt. LeCun fordert daher, Forschung und Benchmarks enger an realen, sensorisch reichen Aufgaben zu orientieren.

Wichtig für Produktteams: Investitionen in Infrastruktur (Inference, Skalierung, Bereitstellung für Millionen Nutzer) sind gerechtfertigt — aber allein darauf zu setzen, bedeutet, die grundlegenden Modell‑Lücken zu ignorieren, die LeCun als Blocker für AGI identifiziert.

LeCun erinnert an frühere Wellen der KI‑Erwartung und die bitteren Schlüsse, die aus ihnen gezogen wurden. Die 1980er‑Expertensysteme waren brillant, aber hochspezialisiert; als Erwartungen enttäuscht wurden, folgte ein KI‑Winter. Später Hoffnungen an Systeme wie IBM Watson — besonders in der Medizin — lieferten spektakuläre Demos, die in produktiven, skalierbaren Lösungen nicht in dem erwarteten Umfang mündeten.

Ähnlich war die Prophezeiung für autonomes Fahren: Selbst nach beeindruckenden Demos sind Level‑5‑Fahrzeuge weiterhin außer Reichweite, weil die letzten Prozente der Zuverlässigkeit in unstrukturierten Situationen extrem schwer zu erreichen sind. LeCun nutzt diese Beispiele, um zu betonen: Wenn die Branche jetzt ausschließlich auf die Idee setzt, mehr Daten und größere Modelle lösen alle Probleme, könnte das in einer erneuten Ernüchterung und Kapitalflucht enden.

Gleichzeitig warnt er vor Überreaktionen. Ein abrupter Abkühlungseffekt — ein KI‑Winter — würde Forschung verlangsamen und kleine, aber wirksame Fortschritte verhindern. Seine Empfehlung ist eher eine Kurskorrektur: Diversifikation der Forschungsförderung, stärkere Validierung in realen Anwendungen und mehr Offenheit gegenüber multimodalen, physikalisch fundierten Ansätzen.

Für Investoren und Produktmanager bedeutet das eine einfache, aber oft unbequeme Konsequenz: Setzen Sie nicht alles auf einen Pfad. Firmen, die ausschließlich darauf wetten, dass die nächste Größenordnung bei Parametern AGI hervorbringt, laufen ein hohes Risiko. LeCun sieht daher die aktuelle Investitionswelle in Infrastruktur (etwa Inferenz‑Bereitstellung für große Nutzermengen) zwar als sinnvoll, warnt aber davor, das Feld der Forschung zu verengen.

Das historische Echo ist damit kein moralisches Urteil, sondern eine strategische Erinnerung: Technologieversprechen müssen an der Frage gemessen werden, wie viel Robustheit und echte Welt‑Tauglichkeit sie liefern — nicht nur an der Schönheit ihrer Demonstrationen.

LeCuns Ausblick ist zugleich pragmatisch und fordernd. Er nennt vier Fähigkeiten, die aus seiner Sicht fehlen: besseres Verständnis der physischen Welt, dauerhaftes Gedächtnis, verlässliches Reasoning und Planungsfähigkeiten. Aus diesen Anforderungen folgen konkrete Schwerpunkte für Forschung und Produktentwicklung: multimodale Datensammlungen, Langzeit‑Speicherschichten, explizite Reasoning‑Module und experimentelle Integrationen von RL‑basierten Agenten in physikalische Umgebungen.

Konkrete Architekturideen wie JEPA (Joint‑Embedding Predictive Architectures) zielen darauf ab, abstrakte, vorhersagbare Repräsentationen aus Sensorik zu lernen — etwa aus Videos statt nur aus Text. Das wäre ein Schritt weg von rein generativen Pixel‑ oder Tokenrekonstruktionen hin zu kompakteren Weltmodellen. Solche Architekturen versprechen nicht sofort AGI, aber sie adressieren direkt die Lücken, die LeCun identifiziert.

Für Unternehmen heißt das: Diversifiziere Forschungskapazitäten. Investiere zwar in skalierbare Inferenz‑Infrastruktur, aber parallel dazu in experimentelle, multimodale Forschung und robuste Evaluations‑Pipelines. Für Aufsichtsbehörden und Politik ergibt sich ein anderer Rat: Regulierung sollte produktorientiert sein — Sicherheit, Nachvollziehbarkeit, Testpflichten — nicht pauschal Forschungsstopps. LeCun befürwortet Kontrolle der Produkte, nicht einen Stopp bei Ideen.

Aus Sicht der Community ist Transparenz wichtig. Replizierbare Studien, offene Benchmarks mit realitätsnahen Aufgaben und der Austausch zwischen Industrie und akademischer Forschung reduzieren das Risiko, dass einzelne Narrative (etwa: „Mehr Parameter = AGI“) den Diskurs dominieren. Langfristig sind hybride Lösungen, die strukturierte Modelle mit lernenden Komponenten verbinden, wahrscheinlicher als ein einziger, abrupt auftretender AGI‑Durchbruch.

Das ist eine nüchterne, zugleich kreative Perspektive: LeCun fordert kein Ende großer Modelle, sondern eine Ausweitung des Blicks — mehr Sensorik, mehr Gedächtnismechanik, mehr Planung. In diesem Sinne ist AGI für ihn ein Prozess, kein einmaliges Ereignis.

Yann LeCuns These ist klar und begründet: Mehr Parameter und mehr Textdaten allein werden nach seiner Auffassung nicht zu AGI führen. Die relevantesten Lücken sind Weltverständnis, dauerhaftes Gedächtnis, robustes Reasoning und Planung. Historische Parallelen mahnen zur Vorsicht, gleichzeitig bietet die Betonung multimodaler, physisch fundierter Forschung eine konstruktive Richtschnur.

Für Forscher, Unternehmen und Politik heißt das: diversifizieren, validieren und realitätsnah evaluieren — statt alles auf die nächste Skalierungsstufe zu setzen.