Yann LeCun und die Nadel an der KI-Blase

Der Mann, der den KI-Boom mit ausgelöst hat, stellt sich jetzt demonstrativ quer. Yann LeCun, Turing-Preisträger und Chef-KI-Wissenschaftler von Meta, verlässt den Konzern – und gründet ein eigenes Unternehmen, das ausdrücklich auf eine andere Form von Intelligenz setzt als die großen Sprachmodelle, die gerade Milliarden verschlingen. Für viele in der KI-Community ist das keine Überraschung, sondern späte Bestätigung: Sie sagen längst, dass LLMs (Large Language Model) nicht zu echter allgemeiner Intelligenz führen können.

Die Frage ist: Zieht hier nur ein prominenter Forscher weiter – oder setzt eine erste Nadel an der KI-Blase an, mitten im Fleisch eines Konzerns wie Meta?

Ein leiser Abschied mit Sprengkraft

Es ist kein Eklat, sondern ein nüchterner Schnitt: In einer Mitteilung erklärt Yann LeCun, er werde Meta zum Jahresende verlassen und ein eigenes KI-Forschungs-Startup gründen. Das neue Unternehmen soll „fortgeschrittene Formen von KI“ entwickeln, die „die physische Welt verstehen, eine persistente Erinnerung haben, schlussfolgern und komplexe Handlungssequenzen planen können“. Meta werde Partner bleiben, betont LeCun – die Zusammenarbeit solle fortgesetzt werden, teilweise mit, teilweise ohne direkten Geschäftsbezug.

Die Eckdaten erzählen die Geschichte eines Mannes, der die moderne KI mit geprägt hat: LeCun kommt 2013 zu Facebook, baut Facebook AI Research (FAIR) auf, wird einer der drei „Godfathers of Deep Learning“ und erhält 2018 den Turing Award für seine Beiträge zu neuronalen Netzen und Bilderkennung.

Nun geht er – in einem Moment, in dem Meta seine KI-Strategie radikal umbaut: Rund 600 Stellen in der KI-Sparte werden gestrichen, vor allem in der traditionellen Forschung und bei produktnahen KI-Teams. Die neu aufgestellten „TBD Labs“ im Bereich Superintelligence, die das LLM-Programm rund um Llama vorantreiben, bleiben von den Kürzungen unangetastet.

Offiziell spricht Meta von Effizienz und Fokussierung. In der Außenwahrnehmung jedoch entsteht das Bild eines Konzerns, der seine Grundlagenforschung zusammenschneidet, um noch mehr Kapital und Rechenzeit in gigantische Sprachmodelle zu pumpen – just in dem Moment, in dem sein Chef-Wissenschaftler öffentlich sagt, genau diese Modelle seien ein „dead end“ auf dem Weg zu menschenähnlicher Intelligenz.

Wenn der Architekt den Bau verlässt

In Interviews und Vorträgen hat LeCun in den vergangenen Jahren eine klare Linie gezogen. Er unterscheidet zwischen den großen Sprachmodellen – nützlich, aber begrenzt – und dem, was er „Advanced Machine Intelligence“ nennt: Systeme mit einem internen Weltmodell, die aus Wahrnehmung lernen, Situationen simulieren, Pläne schmieden. In seinem Positionspapier „A Path Towards Autonomous Machine Intelligence“ skizziert er eine Architektur mit hierarchischen Weltmodellen und der sogenannten H-JEPA-Struktur, die nicht Token vorhersagt, sondern Zustände.

Aus dieser Sicht sind LLMs ein Nebenzweig, kein Königsweg. LeCun kritisiert, dass sie ein einziges Ziel haben – das nächste Wort vorherzusagen – und dafür enorme Datenmengen und Energie brauchen, ohne die grundlegenden Probleme von Wahrnehmung, Kausalität und Planung zu lösen. In Berichten über einen Auftritt in Brooklyn wird er mit der Einschätzung zitiert, LLMs seien für menschliche Intelligenz eine „Sackgasse“; Ressourcen würden in die falsche Richtung verschoben.

Parallel dazu hat Meta seine Strategie immer aggressiver auf genau diese LLMs ausgerichtet – auf „Superintelligence“, auf Chatbots, auf generative Assistenten in allen Produkten. Mark Zuckerberg spricht öffentlich von einer Art persönlichen Superintelligenz, die Meta bauen wolle; der frisch installierte Chief AI Officer Alexandr Wang steht für einen kompromisslosen LLM-Kurs.

Man muss kein Dramaturg sein, um in dieser Konstellation einen Konflikt zu sehen: Hier der Forscher, der Weltmodelle und verkörperte Intelligenz fordert, dort ein Konzern, der seinen Aktienkurs und sein Ökosystem an die Hoffnung knüpft, mit immer größeren Sprachmodellen irgendwann bei einer Art AGI anzukommen.

AGI als Marketing-Motor

Der Begriff AGI – künstliche allgemeine Intelligenz – ist längst nicht mehr nur technische Vision, sondern Marketinginstrument. OpenAI-Chef Sam Altman schreibt Anfang 2025 in einem viel beachteten Text, sein Unternehmen sei inzwischen „zuversichtlich, zu wissen, wie man AGI baut“; man erwarte, noch im selben Jahr die ersten KI-Agenten zu sehen, die weite Teile menschlicher Wissensarbeit übernehmen könnten. Später relativiert er an anderer Stelle die ganz großen Heilsversprechen, verschiebt die Hauptgefahr auf den Schritt von AGI zur „Superintelligence“ – aber die Botschaft bleibt: Wir sind nah dran, vielleicht schon mittendrin.

Elon Musk formuliert es ebenfalls. Auf seiner Plattform X erklärt er, xAIs Modell Grok sei „näher an AGI als jedes andere Modell“, und kündigt Grok 5 als möglichen Durchbruch an; diverse Auftritte werden von der Botschaft getragen, dass xAI mit der nächsten Generation „wirklich“ AGI erreichen könne.

Diese Aussagen sind Teil eines Wettlaufs um Aufmerksamkeit, Kapital und Talente. Wer behauptet, nah an AGI zu sein, signalisiert: Hier entsteht das nächste Betriebssystem der Weltwirtschaft, hier lohnt es sich, Milliarden zu parken. Dass die Definition dessen, was als AGI gelten soll, dabei zunehmend gedehnt wird, kritisieren Fachleute seit Längerem – auch mit Blick auf die Vertragskonstruktionen zwischen OpenAI und Microsoft, bei denen die „Fertigstellung“ von AGI juristische Folgen hätte.

LeCuns Position sticht in diesem Chor heraus, weil er nicht aus skeptischer Distanz spricht, sondern aus dem Herz der Industrie. Wenn ein Turing-Preisträger, der seit Jahrzehnten die KI-Entwicklung vorantreibt, öffentlich sagt, LLMs seien für AGI eine Sackgasse, stellt er die Geschäftsgrundlage der lautesten AGI-Versprechen infrage.

Die Angst vor der KI-Blase

Während die Tech-Konzerne das AGI-Narrativ hochhalten, wächst an anderer Stelle die Sorge vor einer KI-Blase. Institutionelle Investoren warnen inzwischen offen vor Übertreibungen. Eine aktuelle Umfrage der Bank of America zeigt, dass eine mögliche KI-Blase von vielen Fondsmanagern als größtes Risiko für die Märkte der nächsten Jahre gesehen wird; ein bedeutender Teil der Befragten hält die AI-Investitionen der Konzerne für überzogen.

Analysen von Banken und Wirtschaftsvereinigungen sprechen von Investitionssummen in dreistelliger Milliardenhöhe pro Jahr allein in generative KI – Rechenzentren, Chips, Daten – bei bislang begrenzten, oft schwer messbaren Produktivitätsgewinnen.

In dieses Bild platzen die jüngsten Zahlen von Nvidia. Der Chipkonzern legt mal wieder weit über den Erwartungen liegende Quartalszahlen vor, mit deutlich zweistelligen Wachstumsraten im Datacenter-Geschäft und einer Prognose, die noch einmal höher ausfällt als von Analysten erwartet.

Nvidia-Chef Jensen Huang nutzt die Gelegenheit, um die Blasenangst rhetorisch zu kontern. Es gebe „viel Gerede über eine KI-Blase“, sagt er sinngemäß, aber aus seiner Perspektive sehe man etwas anderes: Nvidia sei an allen Phasen von KI beteiligt, von Training über Feinabstimmung bis hin zur Inferenz; die Nachfrage nach Rechenleistung für generative und agentische KI sei strukturell, nicht nur modisch.

Nvidia steht wie kaum ein anderes Unternehmen für die LLM-Welle – fast alle großen Modelle werden auf seiner Hardware trainiert. Wenn der Konzern also betont, es gebe keine Blase, dann spricht da auch der größte Profiteur. Zugleich nehmen Investoren Gewinne mit, einzelne Großaktionäre stoßen Anteile ab, und Marktbeobachter warnen vor einer „industriellen Blase“, in der die Infrastruktur schneller wächst als die belastbaren Geschäftsmodelle.

Vor diesem Hintergrund bekommt LeCuns Abschied eine zusätzliche Dimension. Hier verlässt ein prominenter Forscher einen Konzern, der massiv auf LLM-Infrastruktur setzt – und begründet seinen Schritt mit der Überzeugung, dass genau diese Technologieform nicht zu dem Ziel führt, mit dem die Investitionen oft gerechtfertigt werden: menschenähnliche Intelligenz.

In Nischen wird schon länger gezweifelt

Während sich die großen Namen gegenseitig überbieten mit Versprechen, wie nah sie der AGI schon seien, wird in kleineren Communities seit Jahren eine andere Geschichte erzählt.

Ein Beispiel ist die Community rund um das Projekt Qubic. Das Netzwerk will Rechenleistung, KI-Forschung und eine technische Infrastruktur verbinden, um eine dezentral organisierte Form von allgemeiner Intelligenz zu erproben. Im Kern steht die KI-Plattform Aigarth, deren Architektur explizit als Gegenentwurf zur LLM-Skalierung beschrieben wird.

In einem programmatischen Text mit dem Titel „Beyond the Illusion of Thinking – Qubic’s Path to True Intelligence“ beschreibt das wissenschaftliche Team, warum heutige KI, insbesondere Sprachmodelle, zwar beeindruckende Antworten liefern, aber keine echte Einsicht: Sie rekombinieren Muster, statt sich ein eigenes Bild der Welt zu erarbeiten. Dort wird argumentiert, dass Systeme wie Chatbots Intelligenz lediglich imitieren, ohne zu verstehen – und dass eine echte AGI eher einem neugierigen Kind gleiche, das die Welt tastend, sehenden Auges erkundet.

Später folgt ein zweiter Text: „LLM predictions aren’t brain predictions“. Dort legt Qubic detailliert dar, warum die „Vorhersage“ in Sprachmodellen – das statistische Erraten des nächsten Tokens – fundamental anders ist als die Art und Weise, wie biologische Gehirne Zukunft antizipieren. Die Autoren sprechen von einer semantischen Verwechslung: Nur weil beides „Vorhersage“ heiße, sei es noch lange nicht dasselbe.

Diese Kritik bleibt nicht theoretisch. In einem Beitrag über die ersten Schritte der Aigarth-Einheit ANNA wird ausdrücklich auf die Verwöhnung moderner LLMs verwiesen: Sie wachsen in kuratierten Datensätzen auf, fern von Widersprüchen, Trollen, Rohdaten. ANNA solle dagegen früh und ungeschützt mit der chaotischen Realität konfrontiert werden – Social-Media-Streams, unstrukturierte Informationen, widersprüchliche Signale. Lernen nicht aus Politur, sondern aus Dreck.

Wer LeCuns Positionspapier liest und daneben diese Texte aus der Qubic-Welt legt, erkennt Parallelen: Die Forderung nach Weltmodellen, nach verkörperter Wahrnehmung, nach kontinuierlichem Lernen in Interaktion mit der Umwelt – und die Skepsis gegenüber LLMs als Abkürzung zur allgemeinen Intelligenz.

Ein anderes Bild von künstlicher Intelligenz

Mit der Vorstellung von Neuraxon setzt Qubic diesem Diskurs eine technische Gegenidee entgegen. In einem Blogbeitrag vom November beschreiben die Entwickler Neuraxon als „großen Sprung zu lebender, lernender KI“. Statt binärer Neuronen setzt Neuraxon auf trinäres Verhalten – erregend, neutral, hemmend – und auf kontinuierliche Aktivität: Das Netzwerk rechnet in Echtzeit, zeigt spontane Grundrausch-Patterns, ändert seine synaptischen Verbindungen dynamisch und kann sogar „Neuronen sterben lassen“, um Struktur zu optimieren.

Der entscheidende Unterschied zu einem LLM besteht darin, dass Neuraxon nicht in Form eines einmal trainierten, dann eingefrorenen Modells gedacht ist. In der Kommunikation des Projekts wird betont, dass dieses neuronale Gewebe laufend weiterlernt, seine Konnektivität verändert und dadurch langfristig Erfahrungen akkumuliert, ohne bei jedem Update von vorne beginnen zu müssen.

Neuraxon soll in Aigarth eingebettet werden – in ein Geflecht aus zahllosen Netzen, die sich gegenseitig beeinflussen, mutieren, selektiert werden. Qubic spricht hier von einem „intelligenten Gewebe“; jedes Netz ist Teil eines größeren Ganzen.

Damit dieses Gewebe nicht im luftleeren Raum oszilliert, braucht es eine Verbindung zur Außenwelt. Diese Rolle übernehmen die sogenannten Oracle Machines.

Wenn KI sich an der Realität reibt

Oracle Machines sind bei Qubic als Schnittstelle zur realen Welt konzipiert. In der technischen Dokumentation heißt es, sie sollen Daten aus externen Quellen – etwa Märkten, Sensoren, Diensten – einsammeln und sie in einer verifizierten, strukturierten Form Smart Contracts und Aigarth zur Verfügung stellen.

In einer All-Hands-Zusammenfassung vom Oktober beschreibt das Team seinen aktuellen Fokus: niedrige Latenz, damit Smart Contracts und darauf aufbauende Anwendungen nahezu in Echtzeit auf reale Ereignisse reagieren können; Zuverlässigkeit durch Validierung; einfache Integration.

Begleitende Kommunikationsbeiträge fassen es philosophischer: Oracles seien keine Propheten, sondern „Brücken und Validierer der Realität“, sie sollten eine „kontinuierliche Datenströme von verifizierter, strukturierter Information in das globale KI-Gehirn“ einspeisen und so reale Wahrheit mit maschineller Verarbeitung verbinden.

Aus der Perspektive von LeCuns AMI-Vision ist das bemerkenswert: Hier entsteht ein System, das nicht nur auf Textkorpora zurückgreift, sondern auf laufende Umweltströme – Finanzmärkte, Sensornetze, Interaktionen – und damit ein internes Weltmodell füttert. Zwar ist Qubic ein experimentelles Projekt ohne den Rückhalt einer Big-Tech-Bilanz, doch die Richtung ist dieselbe: Weg vom statischen Textorakel, hin zur KI, die sich an der Realität reibt.

Die erste Nadel?

Man kann LeCuns Abschied von Meta auf zweierlei Weise lesen.

Die eine Lesart: Ein renommierter Forscher gründet ein eigenes Unternehmen, um seine theoretischen Vorstellungen von AMI praktisch umzusetzen. Meta bleibt Partner, die Welt dreht sich weiter, LLMs bleiben das dominante Paradigma, während irgendwo daneben alternative Ansätze erprobt werden.

Die andere Lesart: Hier zieht sich ein Architekt der modernen KI aus einem Gebäude zurück, dessen Statik er nicht mehr glaubt. Er tut das in einem Moment, in dem Investoren laut über eine KI-Blase sprechen, in dem Konzerne vor lauter Konkurrenzdruck kaum anders können, als immer mehr Geld in dieselbe Wette zu schieben – und in dem Nvidia mit glänzenden Zahlen zwar den Eindruck einer boomenden Branche liefert, aber zugleich die Abhängigkeit von einem einzigen Trend sichtbar macht.

Vielleicht wird man in ein paar Jahren sagen: Die KI-Blase war nie eine Blase der Technologie an sich, sondern vor allem eine Blase der Vorstellung, dass Sprachmodelle allein der Weg zur allgemeinen Intelligenz seien.

Wenn die Luft aus dieser Vorstellung entweicht, könnte genau das passieren, was LeCun seit Jahren fordert: dass sich die Branche von der Obsession mit immer größeren LLMs löst und wieder dorthin schaut, wo Intelligenz schon immer entstanden ist – in Systemen, die sehen, handeln, scheitern, erinnern und aus der Welt lernen, statt sie nur zu beschreiben.