Seit einem Jahrzehnt folgt der Fortschritt in der KI einer einfachen Regel: mehr Daten, mehr Parameter, mehr Rechenleistung. Das hat bemerkenswert gut funktioniert. Doch jeder Schritt auf dieser Kurve kostet mehr Energie, größere Rechenzentren und längere Trainingsläufe – und einmal trainiert, ist das Modell eingefroren.
Physics Network Intelligence dreht die Frage um. Statt zu fragen, wie groß ein Modell sein muss, fragt PNI, wie viel Struktur ein gegebenes Energiebudget tragen kann. Gedächtnis ist ein Graph unter festem Budget; was sich nicht mehr lohnt, wird nach Regel vergessen. Lernen endet nicht nach dem Training – es geht im Betrieb weiter, aus jedem Signal.
Damit wird das Energiebudget zum Regler im Betrieb: Dasselbe Prinzip läuft auf einem Roboterchip oder einem Server und bleibt im Optimum, wenn sich Ressourcen ändern. Hier liegen aus unserer Sicht die entscheidenden Fragen der nächsten Jahre – und genau daran bauen wir.