Sakana AI beruft Jürgen Schmidhuber als wissenschaftlichen Berater für selbstverbessernde KI-Systeme

World Models: Ein erweitertes Verständnis der Umgebung

Ein weiterer Schwerpunkt der angekündigten Zusammenarbeit sind sogenannte World Models. Der Begriff bezeichnet Modelle, die nicht nur einzelne Eingaben klassifizieren oder Texte erzeugen, sondern eine interne Darstellung von Umgebungen, Zuständen und möglichen Entwicklungen aufbauen.

Ein World Model kann beispielsweise lernen, wie sich ein Objekt in einer bestimmten Umgebung bewegt, welche Folgen eine Handlung hat oder wie sich ein System unter bestimmten Bedingungen wahrscheinlich verändert. Statt jede Handlung ausschließlich durch Versuch und Irrtum in der realen Welt zu erlernen, kann ein Agent zunächst mögliche Szenarien simulieren.

Für Robotik und industrielle Anwendungen ist dieser Ansatz besonders relevant. Ein Roboter muss seine Umgebung wahrnehmen, die Konsequenzen möglicher Bewegungen einschätzen und auch mit Unsicherheit umgehen. Ein Modell, das nur aus statischen Beispielen gelernt hat, kann bei unerwarteten Situationen schnell an Grenzen stoßen. Ein World Model soll dagegen eine Art internes Vorhersagesystem bereitstellen.

Potenzial für Robotik und industrielle Prozesse

In der Fertigung könnten World Models genutzt werden, um Produktionsabläufe zu simulieren, Greifbewegungen zu planen oder Änderungen an Anlagen vorab zu testen. In der Logistik könnten sie helfen, Verkehrs- und Warenströme vorherzusagen. In der Wartung könnten sie mögliche Ausfälle anhand von Sensordaten modellieren.

Für Unternehmen hätte eine solche Technologie potenziell mehrere Vorteile:

• Weniger kostenintensive Tests an realen Anlagen.
• Schnellere Entwicklung und Anpassung von Roboterfähigkeiten.
• Bessere Planung bei variierenden Produktionsbedingungen.
• Frühere Erkennung von Fehlern und sicherheitskritischen Situationen.
• Effizientere Nutzung realer Trainingsdaten durch Simulation.

Gleichzeitig ist die Übertragung aus einer Simulation in die reale Welt schwierig. Physische Systeme reagieren oft komplexer als ihre digitalen Modelle. Kleine Abweichungen bei Reibung, Beleuchtung, Materialeigenschaften oder Sensordaten können dazu führen, dass eine erfolgreiche Simulation in der Praxis nicht funktioniert. Für den produktiven Einsatz sind deshalb Verfahren erforderlich, die Unsicherheiten erkennen und im Zweifel eine sichere Reaktion auslösen.

Physische KI statt ausschließlich digitaler Assistenten

Sakana AI verbindet die Arbeit am RSI Lab mit dem Konzept einer physischen KI. Damit ist eine Entwicklung gemeint, bei der KI-Systeme nicht primär als Chatbots oder Softwareassistenten agieren, sondern direkt mit Maschinen, Robotern und realen Umgebungen interagieren.

Diese Verschiebung ist für die Wirtschaft von großer Bedeutung. Sprachmodelle arbeiten überwiegend mit digitalen Informationen. Ein physischer Agent muss dagegen kontinuierlich wahrnehmen, planen und handeln. Jede Aktion kann reale Folgen haben: Schäden an Maschinen, Risiken für Menschen oder Unterbrechungen in Produktionsprozessen.

Damit steigen die Anforderungen an Zuverlässigkeit, Echtzeitfähigkeit, Nachvollziehbarkeit und Sicherheit. Die Entwicklung physischer KI dürfte daher weniger von einzelnen Modellbenchmarks als von der Gesamtleistung eines Systems abhängen. Dazu gehören Sensorik, Steuerung, Simulationsumgebung, Hardware, Netzwerkverbindungen und menschliche Kontrollmöglichkeiten.

Welche Bedeutung die Verpflichtung für Sakana AI hat

Für Sakana AI ist die Ernennung Schmidhubers zunächst ein Signal an die internationale Forschungs- und Geschäftswelt. Das Unternehmen kann damit seine Ambitionen im Bereich selbstverbessernder KI und physischer Systeme unterstreichen. Die Zusammenarbeit mit einem international bekannten Wissenschaftler erleichtert außerdem den Zugang zu akademischen Netzwerken und kann die Rekrutierung weiterer Fachkräfte unterstützen.

Nach den vorliegenden Angaben möchte Sakana AI für das RSI Lab eine kritische Masse an Experten in Tokio gewinnen. Der Aufbau eines solchen Teams wäre ein zentraler Faktor für die Umsetzung der angekündigten Forschungsziele. Neben theoretischen Beiträgen benötigt das Labor Fachleute für maschinelles Lernen, verteilte Systeme, Softwareengineering, Robotik, Simulation und KI-Sicherheit.

Die Personalie passt zugleich zur strategischen Positionierung des Unternehmens. Sakana AI tritt nicht primär als Anbieter eines einzelnen globalen Standardmodells auf, sondern als Forschungslabor mit einem Schwerpunkt auf neuen Entwicklungsprozessen. Die Verpflichtung Schmidhubers verstärkt diese Identität.

Für ein vergleichsweise junges Unternehmen ist die Zusammenarbeit auch unter Wettbewerbsaspekten relevant. Große Technologiekonzerne verfügen über umfangreiche Rechenzentren, proprietäre Datenbestände und hohe Investitionsbudgets. Ein Start-up kann versuchen, diesen Vorsprung durch neue Algorithmen, effizientere Lernverfahren und automatisierte Forschung teilweise auszugleichen.

Was die Personalie nicht bedeutet

Die öffentliche Darstellung der Ernennung hat teilweise weitreichende Erwartungen ausgelöst. Schmidhuber wird in einzelnen Berichten als „Vater der modernen KI“ bezeichnet. Diese Formulierung ist vor allem als Anerkennung seiner wissenschaftlichen Bedeutung und als kommunikative Einordnung zu verstehen. Die Entwicklung moderner KI ist das Ergebnis von Beiträgen zahlreicher Forschungsgruppen über mehrere Jahrzehnte hinweg.

Auch die Aussage, Schmidhuber habe die Grundlagen für kommende Funktionen von ChatGPT oder anderen Produkten erfunden, ist nicht als belastbare Unternehmensankündigung zu verstehen. Seine Arbeiten haben wichtige Konzepte der neuronalen Netze und des maschinellen Lernens beeinflusst. Daraus folgt jedoch keine direkte Beteiligung an der Entwicklung bestimmter Produkte von OpenAI oder anderen Anbietern.

Ebenso ist die Ernennung kein Beleg dafür, dass Sakana AI bereits ein System entwickelt hat, das sich vollständig autonom und zuverlässig selbst verbessert. Die Ankündigung beschreibt ein Forschungsziel und eine organisatorische Ausrichtung. Ob daraus kommerziell nutzbare Produkte oder skalierbare Verfahren entstehen, muss sich erst durch weitere Publikationen, technische Demonstrationen und unabhängige Evaluierungen zeigen.

Die offenen technischen Fragen

Rekursive Selbstverbesserung wirft eine Reihe ungelöster Forschungsfragen auf. Eine davon betrifft die Messbarkeit von Fortschritt. Bei einer klassischen Softwareänderung lässt sich häufig prüfen, ob ein Programm schneller oder fehlerärmer arbeitet. Bei lernenden Systemen kann eine Änderung jedoch die Leistung in einem Bereich verbessern und in einem anderen verschlechtern.

Für selbstverbessernde KI-Systeme sind deshalb mehrere Bewertungsebenen notwendig:

• Leistung bei den ursprünglich definierten Aufgaben.
• Robustheit gegenüber veränderten oder unbekannten Bedingungen.
• Ressourcenverbrauch bei Training und Betrieb.
• Erklärbarkeit und Nachvollziehbarkeit der Änderungen.
• Sicherheit gegenüber missbräuchlichen oder unerwarteten Verhaltensweisen.
• Reproduzierbarkeit der erzielten Verbesserungen.

Eine weitere Herausforderung ist die sogenannte Zielstabilität. Ein System muss auch nach mehreren Veränderungszyklen weiterhin das ursprüngliche Ziel verfolgen. Wenn sich die Bewertungsmaßstäbe verändern oder ein Agent lernt, Tests zu umgehen, kann eine scheinbare Verbesserung entstehen, ohne dass die tatsächliche Qualität steigt.

Hinzu kommen Fragen der Verantwortlichkeit. Wenn ein System eigenständig Code verändert und dieser Code später in einem Unternehmen eingesetzt wird, muss klar sein, wer die Änderungen freigegeben hat, wie sie dokumentiert wurden und wer im Fehlerfall haftet. Für regulierte Branchen wie Medizin, Finanzwesen, Energieversorgung oder kritische Infrastruktur sind solche Fragen besonders relevant.

Die Rolle von Daten, Simulation und Rechenleistung

World Models und selbstverbessernde Agenten werden nicht ohne erhebliche technische Ressourcen auskommen. Sie benötigen Daten aus unterschiedlichen Quellen, darunter Texte, Bilder, Videos, Sensormessungen, Bewegungsdaten und Interaktionen mit Umgebungen. Bei physischen Anwendungen ist die Qualität der Daten häufig wichtiger als ihre bloße Menge.

Ein Robotersystem muss beispielsweise nicht nur erkennen, dass ein Gegenstand vorhanden ist. Es muss auch einschätzen, wie schwer der Gegenstand ist, wie rutschig seine Oberfläche sein könnte und welche Kraft beim Greifen angemessen ist. Solche Eigenschaften sind in vielen Datensätzen nicht vollständig beschrieben.

Simulationen können einen Teil dieses Problems lösen. Sie ermöglichen es, Millionen von Szenarien zu erzeugen, ohne reale Maschinen zu beschädigen. Allerdings enthalten Simulationen immer Annahmen und Vereinfachungen. Die Überprüfung anhand realer Daten bleibt daher unverzichtbar.

Auch der Energie- und Rechenaufwand ist ein wichtiger Faktor. Selbstverbessernde Systeme führen möglicherweise sehr viele Experimente durch, bevor sie eine nützliche Veränderung finden. Effizienzgewinne durch bessere Algorithmen müssen gegen die Kosten dieser Suchprozesse gerechnet werden.

Relevanz für Unternehmen und den B2B-Markt

Für Unternehmen ist die Entwicklung von World Models und selbstverbessernden Agenten nicht nur eine Grundlagenfrage. Sie könnte mittelfristig verschiedene Bereiche der Wertschöpfung verändern. Besonders betroffen sind Forschung und Entwicklung, Softwareentwicklung, industrielle Automatisierung, Qualitätskontrolle, Logistik und technische Wartung.

In der Softwareentwicklung könnten Agenten eigenständig Tests erzeugen, Fehler analysieren und alternative Implementierungen vergleichen. In der Forschung könnten sie große Mengen von Experimenten priorisieren. In der Industrie könnten sie Produktionsprozesse simulieren und Steuerungsparameter optimieren.

Für die Einführung in der Praxis sollten Unternehmen allerdings nicht ausschließlich auf die Leistungsversprechen neuer Systeme achten. Entscheidend sind auch Integrationsfähigkeit, Datenschutz, Kostenkontrolle und Governance.

Zu den zentralen Prüfsteinen gehören:

• Wie gut lässt sich das System in vorhandene IT- und Produktionsumgebungen integrieren?
• Welche Daten werden verarbeitet, gespeichert oder an externe Dienste übertragen?
• Wie werden automatisch erzeugte Änderungen protokolliert und freigegeben?
• Welche Möglichkeiten zur menschlichen Kontrolle bestehen?
• Wie wird die Leistung unter realen Bedingungen und nicht nur in Benchmarks gemessen?
• Wie lassen sich Fehler, Sicherheitsvorfälle und Modellverhalten nachträglich analysieren?

Unternehmen sollten bei autonomen Systemen außerdem zwischen Beratung und Handlung unterscheiden. Ein Agent, der eine Produktionsänderung vorschlägt, stellt andere Anforderungen als ein Agent, der diese Änderung ohne weitere Freigabe umsetzt. In vielen Anwendungsfällen wird sich zunächst ein abgestuftes Modell anbieten: Die KI analysiert und empfiehlt, während Menschen die kritischen Entscheidungen bestätigen.

Japan als strategischer Standort für KI und Robotik

Sakana AI stellt die Zusammenarbeit auch in einen japanischen Kontext. Japan verfügt über eine lange Forschungstradition in neuronalen Netzen, Robotik und industrieller Automatisierung. Gleichzeitig steht das Land vor Herausforderungen, die den Einsatz autonomer Systeme besonders relevant machen, darunter der demografische Wandel, der Fachkräftemangel und die hohe Bedeutung effizienter Produktionsprozesse.

Die Verbindung von KI-Forschung und Robotik könnte Japan ermöglichen, bestehende industrielle Stärken mit neuen Softwarefähigkeiten zu verknüpfen. Für die Entwicklung physischer KI sind neben Modellen auch Hardwarekompetenz, Fertigungswissen und Erfahrung mit sicherheitskritischen Maschinen erforderlich.

Tokio als Standort des RSI Lab kann dabei als Schnittstelle zwischen Forschung, Start-up-Ökosystem und Industrie dienen. Ob es Sakana AI gelingt, dauerhaft ein international führendes Team aufzubauen, hängt jedoch von mehreren Faktoren ab. Dazu zählen Finanzierung, Zugang zu Rechenkapazität, Kooperationen mit Universitäten und Unternehmen sowie die Fähigkeit, internationale Talente langfristig zu gewinnen.

Wissenschaftliche Anerkennung und kritische Einordnung

Die Berufung eines prominenten Wissenschaftlers kann die Sichtbarkeit eines Unternehmens deutlich erhöhen. Für die wissenschaftliche Bewertung von Sakana AIs Ansätzen bleiben jedoch überprüfbare Ergebnisse maßgeblich. Dazu gehören veröffentlichte Methoden, nachvollziehbare Experimente, offene Evaluierungen und der Vergleich mit etablierten Verfahren.

Bei historischen Einordnungen ist zudem eine sorgfältige Differenzierung notwendig. Schmidhuber hat früh zu Konzepten gearbeitet, die heute unter Begriffen wie Meta-Learning, World Models oder rekursive Selbstverbesserung diskutiert werden. Moderne KI-Systeme bauen jedoch auf einer großen Zahl weiterer Beiträge auf. Dazu gehören Fortschritte bei Hardware, Optimierung, Datensätzen, verteiltem Training, Transformer-Modellen und Reinforcement Learning.

Die zeitliche Nähe zwischen frühen Forschungsideen und heutigen Anwendungen bedeutet nicht automatisch, dass eine direkte technische Linie besteht. Konzepte werden häufig unabhängig voneinander weiterentwickelt, neu kombiniert und durch Fortschritte in anderen Bereichen praktisch nutzbar gemacht.

Ausblick: Von der Forschung zur Anwendung

Die Zusammenarbeit zwischen Sakana AI und Jürgen Schmidhuber markiert vor allem den Versuch, mehrere langfristige Entwicklungslinien der KI zusammenzuführen. Dazu gehören effizientere Lernverfahren, automatisierte wissenschaftliche Arbeit, selbstverändernde Software und Modelle, die physische Umgebungen simulieren können.

In den kommenden Jahren wird sich zeigen, ob sich diese Konzepte zu zuverlässigen Systemen für Unternehmen entwickeln lassen. Dafür müssen Forschungsteams mehrere Hürden überwinden: Sie müssen den Nutzen selbstständiger Verbesserungen nachweisen, Risiken kontrollieren und die Systeme in reale Arbeitsabläufe integrieren.

Besonders aussagekräftig werden unabhängige Ergebnisse sein. Dazu gehören reproduzierbare Experimente, transparente Angaben zu Kosten und Rechenaufwand sowie Tests unter Bedingungen, die nicht ausschließlich auf die jeweiligen Systeme zugeschnitten sind.

Für Beobachter des KI-Marktes ist die Ernennung deshalb weniger als unmittelbarer Produktdurchbruch zu verstehen. Sie ist vielmehr ein Hinweis darauf, dass sich die strategische Diskussion verschiebt: Weg von der alleinigen Frage, welches Sprachmodell die meisten Parameter oder die besten Benchmarkwerte besitzt, hin zu der Frage, wie KI-Systeme eigenständig lernen, planen, experimentieren und in der realen Welt handeln können.

Mindverse beobachtet diese Entwicklung insbesondere unter dem Gesichtspunkt, wie neue KI-Forschungsansätze in belastbare Werkzeuge für Unternehmen übersetzt werden können. Für die Praxis werden dabei nicht allein Spitzenleistungen entscheidend sein. Ebenso wichtig sind kontrollierbare Prozesse, sichere Schnittstellen, nachvollziehbare Ergebnisse und eine klare Verantwortung zwischen Mensch und Maschine.

Die Personalie Schmidhuber bei Sakana AI steht damit für eine Forschungswette mit erheblichem Potenzial, aber auch mit offenen technischen und organisatorischen Fragen. Ob daraus ein neuer Weg zur Entwicklung leistungsfähigerer KI entsteht, lässt sich heute noch nicht abschließend beurteilen. Die angekündigte Arbeit des RSI Lab dürfte jedoch wichtige Einblicke liefern, wie weit selbstverbessernde Systeme und World Models unter realen Bedingungen tatsächlich tragen.

Quellen und Bibliografie

1. Sakana AI: „The Next Frontier: Welcoming AI Pioneer Jürgen Schmidhuber to Sakana AI“, 24. September 2026. https://sakana.ai/schmidhuber/
2. The Decoder, Matthias Bastian: „Sakana AI hires Jürgen Schmidhuber, inventor of deep learning, world models, and your next ChatGPT update“, 24. September 2026. https://the-decoder.com/sakana-ai-hires-jurgen-schmidhuber-inventor-of-deep-learning-world-models-and-your-next-chatgpt-update/
3. AlphaSignal Newsroom: „Jürgen Schmidhuber Joins Sakana AI’s Self-Improvement Lab“, 24. September 2026. https://alphasignal.ai/news/sakana-ai-recruits-jurgen-schmidhuber-to-lead-self-improving-ai-lab
4. Wikipedia: „Jürgen Schmidhuber“. https://en.wikipedia.org/wiki/J%C3%BCrgen_Schmidhuber
5. Computer History Museum: „Jürgen Schmidhuber on Robotics, World Models, and …“, Interview, 2025/2026. https://www.youtube.com/watch?v=z_bAqNmA2Js
6. Sakana AI: „Jürgen Schmidhuber Paper Reproduction Project“, LinkedIn-Beitrag, 9. Mai 2026. https://www.linkedin.com/posts/sakana-ai_reproducing-all-of-j%C3%BCrgen-schmidhubers-papers-activity-7458916899121291264-cq4w