LONDON / LONDON (IT BOLTWISE) – Inherent entwickelt mit dem KI-Prototyp „Faraday“ einen Agenten, der die eigenen Arbeitsabläufe per Chat-, E-Mail- und Transkript-Daten erfasst. Das Unternehmen will daraus eine neue Version bauen, die gezielt den Forschungsprozess verbessert. Die Debatte um rekursive Selbstverbesserung bekommt dadurch konkrete technische Form und zugleich neue Risiken. Unklar bleibt, wie schnell solche Systeme eines Tages ohne starke menschliche Anleitung tatsächlich neue KI-Generationen entwerfen.
Hinter der aktuellen Aufregung um rekursive Selbstverbesserung steckt weniger Science-Fiction als vielmehr eine sehr praktische Frage: Wie lassen sich die Schritte vom „KI-Tool“ zum „KI-Forschungsinternen“ so automatisieren, dass daraus echte Verbesserungen an der nächsten Modellgeneration entstehen? Im Zentrum steht dabei ein Ansatz, bei dem ein Agent nicht nur Ergebnisse ausgibt, sondern den eigenen Entwicklungsprozess mit Daten füttert. Genau diesen Weg beschreibt das London-Startup Inherent. Es arbeitet an einem Prototyp namens Faraday, benannt nach dem 19.-Jahrhundert-Physiker Michael Faraday, und sammelt dafür umfangreiche Informationen über den Arbeitsalltag der Teams: E-Mails, Instant-Messages, Meeting-Transkripte sowie laufende Chats „mit Faraday selbst“. Die Idee dahinter ist unmittelbar: Wenn der Agent den Prozess versteht, kann er ihn auch gezielt optimieren.
Technisch betrachtet ist das ein Ansatz, der mehrere KI-Werkzeuge zusammenzieht. Zum einen geht es um die datengetriebene Auswertung von Korpora aus realen Entwicklungsschleifen statt um ein starres Trainingsrezept. Faraday wird nicht nur mit dem „Output“ der Forschung konfrontiert, sondern mit dem Weg dorthin. Zum anderen nutzt Inherent laut Beschreibung auch ein Lernverfahren, das als Reinforcement Learning (bestärkendes Lernen) charakterisiert wird: Systeme lernen dabei durch Versuch und Irrtum. In der Darstellung wird Reinforcement Learning mit dem Bild einer Irrgarten-Situation erklärt, in der ein Modell über viele Läufe lernt, einen Ausweg zu finden, auch wenn es Pfade sieht, die es zuvor nicht genau so erlebt hat. In ähnlicher Weise sollen solche Systeme Muster in großen Datenbeständen entdecken und die Art, wie sie analysieren und lernen, über wiederholte Schleifen verbessern. Wichtig ist dabei: Auch wenn der Agent „mitdenkt“, bleibt nach Darstellung vorgesehen, dass Menschen eingebunden sind und die Anleitung nicht entfällt.
Die Dramatik des Themas entsteht allerdings dadurch, dass viele Beteiligte rekursive Selbstverbesserung als mehr verstehen als bloße Prozessautomatisierung. Das Szenario, das Inherent und andere verfolgen, zielt darauf, KI nicht nur schneller zu entwickeln, sondern neue Wege der KI-Architektur hervorzubringen. Konkret wird beschrieben, dass ein Agent Ideen für die Architektur einer KI vorschlagen könnte, anschließend die nötigen Programmteile erzeugt und schließlich auswählt, welche Idee unter den gegebenen Bedingungen am besten funktioniert. Im Unterschied zu klassischen Software-Workflows wäre hier der „Entwurfs-zu-Code“-Pfad stark automatisiert. Das ist zudem eng verwandt mit dem, was große Systeme bereits heute für Code-Generierung leisten: Sobald Code „in Minuten, Stunden oder Tagen“ produziert werden kann, entstehen viele Evaluationszyklen, die wiederum die Lernschleifen füttern. Genau an dieser Stelle wird aus einem Werkzeugkasten eine Evolutions- beziehungsweise Selektionsmaschinerie.
Der Markt betrachtet das nicht als Randexperiment. Laut Schilderung verfolgen parallel auch andere Startups ähnliche Zielrichtungen, während große Forschungslabore das Thema als Teil ihrer Roadmaps verfolgen. Gleichzeitig wird die Gegenposition laut: In einem Umfeld, in dem Agenten zunehmend Aufgaben im Forschungsbetrieb übernehmen, steigt für Kritiker die Sorge, dass das System Fortschritte macht, die Menschen nicht mehr vollständig nachvollziehen können, und zwar in einem Tempo, das menschliche Kontrolle strukturell überholt. Diese Perspektive taucht ausdrücklich in der Darstellung auf, etwa mit dem Hinweis eines Beitrags aus dem Umfeld eines führenden KI-Labors, der vor dem Verlust der Kontrolle warnt. Auch eine zugespitzte Argumentation wird genannt, die auf die Befürchtung hinausläuft, ein einzelnes Modell könne durch schnelle selbstständige Verbesserungen Rivalen ausschalten, während es mehr Macht akkumuliert. Die zentrale Spannung lautet damit: Je leistungsfähiger die Automatisierung beim Generieren und Optimieren wird, desto schwieriger wird die Frage, welche Entscheidungen in den Schleifen eigentlich von Menschen kommen – und welche nicht mehr.
Um die technischen Hürden einzuordnen, hilft der Blick zurück. Die Idee der rekursiven Selbstverbesserung ist laut Darstellung nahezu so alt wie das Feld der KI selbst: 1956 wurden in Dartmouth-Umgebungen Überlegungen angestellt, wie Maschinen sich selbst verbessern könnten. Zwei Jahre später wird Frank Rosenblatt genannt, der frühe neuronale Netze baute, trainiert mit einfachen Karteikarten-Experimenten, die zwischen zwei Klassen unterscheiden konnten. Das damalige Ziel, Systeme zu schaffen, die sich langfristig selbstständig weiterentwickeln, blieb zunächst stecken – vor allem wegen fehlender Rechenleistung und zu wenig Daten. 1965 erscheint dann I. J. Good mit der bekannten Logik einer „Intelligence Explosion“: Wenn eine Maschine lernt, sich selbst zu verbessern, könnte sie menschliche Fähigkeiten dauerhaft überholen. Entscheidend ist: Diese historisch wirkende Erwartung wurde erst durch die spätere Entwicklung von Trainingsmethoden, Skalierung und datengetriebenem Lernen realistisch. In der Gegenwart geht es deshalb nicht mehr um „ob“ Maschinen lernen, sondern um die nächste Stufe: ob die Systeme auch die Designentscheidungen der KI selbst beeinflussen können.
Genau hier wird der Unterschied zwischen „guter Ausführung“ und „kreativer Entdeckung“ relevant. In der Beschreibung wird betont, dass moderne KI-Systeme mit passenden Anweisungen Code schreiben können und damit den Implementierungsteil beschleunigen. Aber wie jeder Praktiker aus dem Alltag kennt: Code schreiben ist nicht gleich „Ideen liefern“. Ein zentrales Argument lautet daher, dass menschliche Forscher fortlaufend kreative Ideen erzeugen, die in KI-Systemen noch nicht zuverlässig in gleicher Breite entstehen. Als Beispiel wird ein Projekt „The AI Scientist“ erwähnt, bei dem ein KI-System selbstständig viel Code durchläuft, vielversprechende Forschungswege vorschlägt, sie untersucht und anschließend Ergebnisse in einem wissenschaftsähnlichen Format dokumentiert. Auch der Bezug zu einer Oxford-Arbeit wird genannt: Die Kerneinheit der Idee war offenbar bereits vorher bekannt, doch die praktische Umsetzung in einem Agentensystem wirkt wie ein Beweis, dass solche Schleifen zumindest in Teilen funktionieren können. Gleichzeitig räumt die Darstellung ein, dass R.S.I. möglicherweise noch Jahrzehnte entfernt ist und dass Agenten wie Faraday heute ohne erfahrene Entwickler kaum echte Forschungsautonomie erreichen.
Für Unternehmen ergibt sich daraus ein nüchternes, aber wichtiges Bild. Erstens verschiebt sich KI-Arbeit in Richtung „Agentische Entwicklung“, also Systeme, die nicht nur Text und Code erzeugen, sondern Feedbackschleifen in Engineering-Umgebungen aktiv mitbefüllen. Zweitens wird die Qualität solcher Systeme zunehmend daran gemessen, wie gut sie nicht nur Modelle trainieren, sondern auch den Arbeitsprozess, in dem Trainingsdaten, Experimente und Evaluierungen entstehen. Drittens bleibt eine offene Frage, wie viel Kontrolle, Transparenz und Prüfmechanismen nötig sind, wenn Agenten selbst Architekturen entwerfen. Wer Pilotprojekte plant, sollte deshalb nicht nur auf Demonstrationen der Code-Generierung schauen, sondern auf die gesamte Kette: Datenerhebung im Entwicklungsteam, Lernstrategie, automatische Evaluierung und schließlich die Frage, wie robuste Entscheidungen unter Unsicherheit zustande kommen. Rekursive Selbstverbesserung ist damit weniger ein „Doomsday“-Knopf als eine Blaupause für künftige MLOps- und Forschungspipelines – mit dem potenziellen Nachteil, dass der nächste Schritt immer weiter in Richtung Autonomie führt.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Rekursive Selbstverbesserung: Wie KI-Agenten wie „Faraday“ neue KI-Architekturen anstoßen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Rekursive Selbstverbesserung: Wie KI-Agenten wie „Faraday“ neue KI-Architekturen anstoßen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Rekursive Selbstverbesserung: Wie KI-Agenten wie „Faraday“ neue KI-Architekturen anstoßen« bei Google Deutschland suchen, bei Bing oder Google News!