Zum Inhalt springen
The Future Explorervon Benjamin Talin
Enablertechnologisch

Deep Learning

Deep Learning und neuronale Netze

Deep Learning & Neural Networks

Die Technik, auf der die meiste moderne KI beruht: Schicht auf Schicht einfacher Recheneinheiten, ein „neuronales Netz“. Seine Milliarden interner Regler werden automatisch eingestellt, indem man ihm riesige Datenmengen zeigt. Es erkennt Gesichter in Ihren Fotos, übersetzt Sprachen und schreibt Texte. In einem der letzten Jahre bauten Unternehmen 93 der bemerkenswertesten KI-Modelle, Universitäten zwei. KI-Rechenzentren brauchen schon heute etwa so viel Strom wie der Bundesstaat New York zu Spitzenzeiten.

Reife

4/ 5
gemessen
GrundlageDas Verfahren ist ausgereift und steckt in jedem Smartphone, jeder Suchmaschine und jedem Übersetzungsprogramm. Was den nächsten Schritt begrenzt, ist physisch: Anschlussleistung und Netzanschlüsse für die Rechenzentren, die die Modelle trainieren und betreiben. Bei sicherheitskritischen Aufgaben hinkt der Einsatz noch hinterher.QuelleStanford HAI, AI Index 2026 (13 Apr 2026); IEA, Energy and AI (Apr 2025); IEA, Key Questions on Energy and AI (16 Apr 2026)Stand2024–2026
ReifeFähigkeit 5Einsatz 5Verbreitung 4Gebremst durchEnergieTrendverschlechtert sich

Wo dieser Enabler wirkt

3 Megatrends in einer Kraft

Wo Ihnen das schon begegnet ist

Im Jahr 2025 baute die Industrie 93 der bemerkenswerten KI-Modelle des Jahres, die Universitäten zwei. KI-Rechenzentren verfügten da bereits über 29,6 Gigawatt Anschlussleistung, etwa so viel, wie der Bundesstaat New York zu Spitzenzeiten braucht. Die Mathematik steht in jedem Lehrbuch, der Strom nicht.

Wenn er reifer wird

Käme ein weiterer Architektursprung, würden die Enabler um ihn herum entscheiden, ob sich etwas ändert. „Automatisierung geistiger Arbeit“, „Präzision überall“ und „Autonome Systeme und Mobilität“ stehen bei 2, gebremst von Managementkompetenz, dem Vertrauen der Belegschaft und Rechtssicherheit. Ein besseres Netz berührt keinen dieser Enabler.

Worauf Sie achten sollten

Die Wartezeiten für Netzanschlüsse und Transformatoren dort, wo sich KI-Rechenzentren ballen. Wie oft KI-Agenten an echten, strukturierten Aufgaben scheitern, nicht die Punktzahlen, die Modelle in Tests erreichen.

Nicht zu verwechseln mit

KI und maschinellem Lernen insgesamt. Deep Learning ist eine Methodenfamilie darin, und zwar diejenige, die ihre Merkmale selbst aus Rohdaten lernt, statt sie vorgegeben zu bekommen.

Worum es geht

Die Familie von Architekturen, auf der die meiste moderne KI beruht: geschichtete Netze, deren Parameter per Gradientenabstieg an große Datenmengen angepasst werden.

So funktioniert es

  1. 01Schichten aus Zahlen stapelnEin Netz besteht aus Schichten einfacher Einheiten. Jede gibt eine gewichtete Summe ihrer Eingaben an die nächste weiter. Die Gewichte sind anfangs zufällig.
  2. 02Ein Beispiel durchschickenText, Pixel oder Ton werden in Zahlen umgewandelt, durchlaufen die Schichten und kommen als Vorhersage heraus.
  3. 03Den Fehler messenDie Vorhersage wird mit der richtigen Antwort verglichen, und die Abweichung bekommt eine Bewertung.
  4. 04Die Schuld rückwärts verteilenDie Backpropagation berechnet von der letzten Schicht zurück bis zur ersten, wie viel jedes Gewicht zum Fehler beigetragen hat.
  5. 05Jedes Gewicht ein wenig verschiebenJedes Gewicht bewegt sich ein Stück in die Richtung, die den Fehler verringert. Dieser Schritt, über Milliarden von Beispielen wiederholt, ist das Training, und er verursacht auch die Stromrechnung.
  6. 06Einfrieren und einsetzenDie trainierten Gewichte werden festgeschrieben, und das Netz beantwortet neue Eingaben. Jede Antwort kostet erneut Rechenleistung.

Aktueller Stand

  • Im Jahr 2025 brachte die Industrie 93 bemerkenswerte KI-Modelle hervor, die Wissenschaft zwei (Stanford HAI, AI Index 2026, 13. Apr. 2026).
  • Die weltweite KI-Rechenkapazität wuchs seit 2022 jedes Jahr auf das 3,3-Fache und erreichte das Äquivalent von 17,1 Millionen Nvidia-H100-Chips (Stanford HAI, AI Index 2026, 13. Apr. 2026).
  • Im Jahr 2025 erreichte die Anschlussleistung von KI-Rechenzentren 29,6 Gigawatt, vergleichbar mit dem Spitzenbedarf des Bundesstaats New York (Stanford HAI, AI Index 2026, 13. Apr. 2026).
  • Rechenzentren verbrauchten 2024 rund 415 TWh Strom, etwa 1,5 % des weltweiten Verbrauchs. Seit 2017 war ihr Verbrauch um etwa 12 % pro Jahr gewachsen (IEA, Energy and AI, Apr. 2025).
  • Der Stromverbrauch von Rechenzentren stieg 2025 um 17 %, während die Lieferketten für Transformatoren und Gasturbinen enger wurden (IEA, 16. Apr. 2026).
  • KI-Agenten scheiterten in strukturierten Benchmarks noch immer bei etwa jedem dritten Versuch (Stanford HAI, AI Index 2026, 13. Apr. 2026).

Warum das wichtig ist

Deep Learning gibt die Steigung dafür vor, welche Aufgaben man KI überhaupt übertragen kann. Neue Architekturen wie Faltungsnetze, Attention und Mixture-of-Experts haben die Erwartungen immer wieder schneller verschoben, als Institutionen reagieren konnten. Das ist das Problem der vier Geschwindigkeiten, ausgedrückt in Technik.

  • Deep Learning legt fest, was man KI überhaupt übertragen kann. Die Megatrends, die es speist, „Automatisierung geistiger Arbeit“, „Präzision überall“ und „Autonome Systeme und Mobilität“, stehen alle bei 2. Gebremst werden sie von Menschen und Regeln, nicht von Netzen.
  • Die Forschungsfront ist in die Unternehmen gewandert. Wenn 93 von 102 bemerkenswerten Modellen aus der Industrie kommen, wird erforscht, was sich bezahlt macht.
  • Die Grenze von Deep Learning ist inzwischen physisch. Was das nächste Modell begrenzt, ist ein Netzanschluss, keine Idee.

Was ihn bremst

Strom und Netzanschlüsse

Training und Betrieb großer Modelle brauchen Rechenzentren mit Hunderten Megawatt Leistung, und auf Netztechnik wartet man lange.

Konzentration der Rechenleistung

Die Chips und das Kapital für ihren Betrieb liegen bei einer Handvoll Firmen. Die Universitäten bestimmen die Agenda deshalb nicht mehr.

Zuverlässigkeit

Ein Netz, das meistens richtig liegt, irrt immer noch so oft, dass Anwender in sicherheitskritischen Bereichen weiterhin einen Menschen mitentscheiden lassen.

Daten für die Spitzenmodelle

Die größten Modelle haben den Großteil der hochwertigen öffentlichen Texte bereits verbraucht. Das ist inzwischen eine reale Grenze.

Begriffe

Neuronales Netz
Ein Modell aus Schichten einfacher, verbundener Einheiten, dessen Gewichte aus Daten gelernt werden.
Parameter (Gewicht)
Eine der Zahlen in einem Netz, die das Training verstellt.
Backpropagation
Das Verfahren, mit dem man berechnet, wie viel jedes Gewicht zu einem Fehler beigetragen hat.
Gradientenabstieg
Das Verstellen der Gewichte in kleinen Schritten in die Richtung, die den Fehler verringert.
Transformer
Ein Netzaufbau, der jeden Teil einer Eingabe gleichzeitig gegen jeden anderen gewichtet. Er ist die Grundlage heutiger Sprachmodelle.
Inferenz
Der Einsatz eines trainierten Netzes, um eine Antwort zu erhalten.

Treibt diese Megatrends an

Die Steigung verhält sich wie ein zähes Gummiband: Der schwächste Enabler zieht sie am stärksten zu sich. Nachrangige Verbindungen werden gezeigt, ziehen aber nicht mit.

Eine Stufe höher: was sich ändert

Berechnet aus der Karte in ihrem jetzigen Stand: dieser Wert von 4 auf 5 angehoben, alle anderen Werte unverändert. Eine reine Rechnung, keine Vorhersage.

Hebt man nur ihn um eine Stufe an, löst er bei keinem Megatrend den Engpass; die Steigungen, in die er einfließt, steigen höchstens leicht.

Steiler wird es bei

Was wäre, wenn er reifer würde?

Was die Steigung verändern würde

Ein Gedankenspiel, keine Prognose. Keine Zeitpunkte, keine Wahrscheinlichkeiten.

  1. 01Ein Architektursprung, der sich nicht planen lässt
  2. 02Kosten für Rechenleistung und Energie pro Trainingslauf
  3. 03Verfügbarkeit von Daten für die Spitzenmodelle, inzwischen eine reale Grenze

Verbreiteter Irrtum

Dass der Fortschritt hier gleichmäßig verläuft. Er kommt in Schüben: lange Plateaus, unterbrochen von Architektursprüngen. Genau deshalb ist das Fortschreiben der letzten zwei Jahre der Fehler, den Kapitel 14 seziert.

Talin, B. (2026). Deep Learning und neuronale Netze. The Future Explorer, dataset v0.4.0 (16. November 2026). https://explorer.talin.digital/e/deep-learning/