Ein Mann mit grauem Bart sitzt in einem schlichten Büro in San Francisco, vor ihm eine Tabelle mit sechs Firmennamen. Er hat gerade die neuesten Finanzierungsdaten zusammengestellt und reibt sich die Augen. Seit Jahren prognostiziert er die Entwicklung von KI-Labors, aber diese sechs Startups bringen ihn ins Grübeln.
Riesige Summen fließen in Projekte mit fraglichem Erfolg. Genau das passiert gerade im Bereich der Künstlichen Intelligenz. Während OpenAI und Anthropic mit Milliardenaufwendungen an der Spitze stehen, entstehen Neolabs – neue, schlanke Unternehmen, oft von prominenten Forschern gegründet. Sie versuchen das Unmögliche: mit winzigen Ressourcen gegen die Riesen zu gewinnen.
Was die Neolabs tatsächlich wetten
Ein erfahrener KI-Analyst hat die sechs wichtigsten dieser Labors untersucht. Seine These überrascht: Diese Unternehmen setzen nicht darauf, Superintelligenz zu erreichen. Sie wetten dagegen. Sie glauben, dass große Sprachmodelle bald ein Plateau erreichen und keine weiteren Durchbrüche liefern. Für Investoren, die Milliarden in diese Startups stecken, ist das eine bemerkenswerte Haltung.
Die Logik dahinter: Wenn die LLMs nicht mehr besser werden, haben neue Ansätze und alternative Architekturen eine Chance. Die Neolabs setzen auf radikal andere Wege zur Künstlichen Intelligenz – etwa auf Weltmodelle, auf Lernsysteme, die nicht auf menschlichen Daten basieren, oder auf offene Gewichte, um die Community einzubinden. Sie kehren damit dem Mainstream den Rücken, der auf Skalierung von Rechenleistung und Datenvolumen setzt.
Die Wette ist nicht irrational, aber sie ist nur in einem schmalen Korridor der Zukunft sinnvoll. Wenn die etablierten Labors die Superintelligenz bereits in den nächsten Jahren erreichen, haben die Neolabs verloren. Kommt sie erst in zehn oder mehr Jahren – und mit anderen Methoden als den heutigen –, könnten ihre Ansätze der richtige Weg sein.
Die sechs Plätze an der Startlinie
Im Fokus stehen sechs Unternehmen: Safe Superintelligence (SSI), Thinking Machines Lab, Reflection AI, Ineffable Intelligence, Discovery Loop und AMI Labs. Jedes hat bereits Milliarden eingesammelt – insgesamt deutlich über 20 Milliarden US-Dollar. Die Unterschiede zwischen den Labors sind enorm – bei Ressourcen, Strategie und Aussichten.
Die Tabelle zeigt für jedes Labor die erwartete Rechenleistung Ende 2028, den Zeitpunkt des ersten Frontier-Modells, das eingeworbene Kapital und die Anzahl abgeworbener Spitzenforscher von OpenAI, Anthropic und DeepMind. Die Spannbreiten sind riesig – von 0,04 Gigawatt bis 0,75 Gigawatt Rechenleistung, von 4 bis 32 Top-Leuten und von Kapitalbeträgen zwischen einer und 64 Milliarden Dollar.
Die besten Werte der Neolabs liegen um ein Vielfaches unter denen von OpenAI und Anthropic. OpenAIs Stargate-Projekt strebt zehn Gigawatt Rechenleistung an – das Zehnfache des besten Neolab-Werts. Auch beim Kapital sind die Unterschiede deutlich: OpenAIs jüngste Finanzierungsrunde war größer als das gesamte Kapital aller sechs Neolabs zusammen. Die Neolabs können im aktuellen Wettrennen kaum mithalten – es sei denn, die Prämisse des Plateaus stimmt.
Safe Superintelligence: Das stille Rennen
Safe Superintelligence, gegründet von Ilya Sutskever, ist das rätselhafteste unter den Neolabs. Das Unternehmen hat rund 8 Milliarden Dollar eingesammelt – mehr als doppelt so viel, wie die meisten Medien berichten. Nvidias Investition von 5 Milliarden Dollar im Juli 2025 ist darin eingerechnet. Nvidia sichert sich damit exklusiven Zugang zur nächsten Generation ihrer Rechenplattform Vera Rubin, was die Rechenleistung von SSI um eine Größenordnung erhöhen soll. Die Prognose ist optimistisch: Das erste Frontier-Modell könnte bereits im Januar 2029 erscheinen, mit einer Untergrenze von März 2027.
Doch überraschend ist die Personalplanung. Laut den Analysen sind nur zwei Mitarbeiter öffentlich als ehemalige Spitzenkräfte der drei großen Labors identifizierbar. Die Prognose für August 2027 liegt bei gerade einmal sieben solcher Spezialisten – bei einer Gesamtbelegschaft von etwa 50 Personen. Das ist ein bewusster Kontrast zu anderen Labors, die auf Masseneinstellungen setzen. SSI vertraut darauf, dass konzentriertes Kapital und Rechenleistung mit einem kleinen, exzellenten Team mehr erreichen als eine große Mannschaft.
Der knifflige Punkt: SSI wird voraussichtlich keine Produkte veröffentlichen. Fortschritte zeigen sich nur über Leaks und unabhängige Bewertungen – ähnlich wie bei Anthropics früherem Geheimprojekt Mythos. Außenstehende müssen auf Berichte aus dem Inneren vertrauen, statt auf öffentliche Benchmarks. Man sollte nicht auf einen Launch warten, sondern auf die Tonalität der Berichterstattung achten.
Thinking Machines: Infrastruktur, aber Geduld
Thinking Machines, gegründet von Mira Murati, hat die größte gesicherte Rechenleistung aller Neolabs. Ein Vertrag mit Nvidia liefert mindestens ein Gigawatt an neuer Hardware ab Anfang 2027, dazu kommt ein Google-Cloud-Deal im einstelligen Milliardenbereich für Reinforcement Learning. Das Unternehmen hat bereits ein erstes Modell veröffentlicht, namens Inkling – ein riesiges Modell mit 975 Milliarden Parametern, das allerdings nur auf Platz 41 des Artificial Analysis Index landete. Das ist weit weg von den Top-5, die für ein Frontier-Modell nötig wären.
Der Versuch zeigt, dass Thinking Machines einen pragmatischen Weg verfolgt. Während die Konkurrenz auf den großen Wurf wartet, verkauft das Unternehmen bereits kleinere Modelle an Unternehmen und versucht, Umsätze zu generieren. Die Prognose sieht ein Frontier-Modell erst im Dezember 2030, mit einem rechten Rand bis 2043. Es ist durchaus möglich, dass Thinking Machines zu einem erfolgreichen Unternehmen wird, ohne jemals die Grenze zur Superintelligenz zu überschreiten.
Hier zeigt sich ein Verfolger auf Nummer Sicher: gute Infrastruktur, solide Finanzen, keine wilden Wetten. Die Strategie ist durchdacht, aber sie zeigt, wie schwer es für ein gut ausgestattetes Team ist, in die erste Liga vorzustoßen. Inkling ist nicht konkurrenzfähig, und die Zeit bis zum nächsten Quantensprung ist lang.
Reflection AI: Der Außenseiter mit offenen Gewichten
Reflection AI, gegründet von Laskin, ist der heimliche Favorit. Das Unternehmen hat rund 4,6 Milliarden Dollar eingesammelt, eine Serie-C-Runde im März mit einer Bewertung von 25 Milliarden Dollar, die kaum öffentliche Beachtung fand. Es ist das am schnellsten wachsende Team von allen: etwa 230 Mitarbeiter heute, vor einem Jahr waren es 60. Bis August 2027 erwarten die Prognosen 32 ehemalige Spitzenkräfte aus den großen drei Labors – das ist der höchste Wert der gesamten sechs.
Die Strategie setzt auf offene Gewichte, also auf öffentlich zugängliche Modelle. Das gibt dem Unternehmen einen klaren Weg zur Sichtbarkeit: Jeder kann die Modelle nutzen und bewerten. Die Frontier-Median liegt im Juni 2029 – erstaunlich nah an SSI, obwohl Reflection deutlich weniger Kapital hat. Dafür fehlt es an Rechenleistung: Die wird Monat für Monat gemietet, für 150 Millionen Dollar pro Monat auf SpaceX‘ Colossus-2-Campus, mit einer Kündigungsfrist von 90 Tagen. Das ist die strukturelle Antithese zu SSI: massenhaft Personal, schlanke Infrastruktur.
Die große Frage ist, ob Reflection dieses Tempo durchhält. Der Mietvertrag ist kurzfristig, die Kosten hoch. Das Labor könnte beweisen, dass Talent und offene Strategie mehr zählen als reine Rechenpower. Das Flaggschiff-Modell ist noch nicht veröffentlicht – ob die enorme Einstellungsinitiative zu einem Modell mit Spitzenniveau führt, bleibt abzuwarten.
Ineffable Intelligence, Discovery Loop und AMI Labs: Drei Wetten auf andere Pferde
David Silvers Ineffable Intelligence hat Europas größte Seed-Finanzierung eingefahren: 1,1 Milliarden Dollar. Besonders kurios: Der britische Sovereign-AI-Fonds sitzt neben Sequoia, Nvidia und Google in der Kapitaltabelle – ein Staat, der direkt in ein Pre-Produkt-Forschungsunternehmen investiert. Silver will mit Systemen, die aus Erfahrung lernen, die Ära der menschlichen Daten hinter sich lassen; seine Architektur erinnert an AlphaZero. Entsprechend spät wird das erste Frontier-Modell erwartet: Juni 2035, mit einer langen Verzögerung bis in die 2050er Jahre. Das ist keine Abwertung, sondern eine Messung der Zeit, die ein alternativer Ansatz braucht, um auf öffentlichen Leaderboards aufzutauchen.
Discovery Loop, gegründet von Jeff Dean, hat den berühmtesten Gründer, aber die zweitniedrigste Rechenleistungsprognose. Das Unternehmen ist eher Nutzer von Frontier-Modellen als Produzent: eine Art Orchestrierungsschicht für automatisierte Forschung, gestützt auf Google als Investor und Cloud-Partner. Der Median für ein eigenes Frontier-Modell liegt 2036 – aber die linke Randzone bis August 2029 könnte bedeuten, dass die Schleife, die ML-Forschung automatisiert, eines Tages auch Modelle trainiert. Kann Discovery Loop die automatisierte Forschung nutzen, oder wird sie an andere verkauft – die dann die Weltwirtschaft dominieren?
Yann LeCuns AMI Labs ist auf allen Metriken die kleinste Firma: ein Sechzehntel der Rechenleistung von SSI, 1,03 Milliarden Dollar Kapital, sechs abgeworbene Spitzenkräfte. Der Median für ein Frontier-Modell liegt im Dezember 2037 – das absolute Schlusslicht. Das ist beabsichtigt, denn LeCun lehnt den LLM-Ansatz ab. Seine Weltmodelle sind nicht auf Textbänken messbar. AMI Labs dient als Kontrollgruppe – ein Labor, das die Prämisse des gesamten Wettrennens in Frage stellt. Wenn AMI recht hat, tauchen die Erfolge nicht in diesen Zahlen auf, sondern auf völlig anderen Feldern.
Was die Prognosen wirklich zeigen
Das Urteil ist klar: Selbst im besten Fall werden die Neolabs es schwer haben. Die Kapital- und Rechenmediane liegen eine Größenordnung unter den etablierten Labors, und die Talentströme sind – außer bei Reflection – nicht vergleichbar. Wenn die Superintelligenz innerhalb der nächsten fünf Jahre entsteht, wird sie von OpenAI oder Anthropic kommen. Die sechs Neolabs sind dann irrelevant.
Die Bewegung hat trotzdem einen Wert: Sie hält die Vielfalt der Ansätze aufrecht. Die breite Spanne der Prognosen – von 2027 bis 2068 – zeigt die große Unsicherheit. Die Vorhersagen sind schwierig, mit Intervallen, die fast alles umfassen. Genau deshalb sind die Wetten interessant: Sie testen die eigenen Überzeugungen. Wer glaubt, dass LLMs einen toten Punkt erreichen, für den sind Neolabs eine rationale Anlage. Wer glaubt, dass die Rekursionsspirale weiterläuft, für den sind sie ein teurer Irrglaube.
Die nächsten Monate werden erste Hinweise liefern. Reflection hat den schnellsten Weg zur Sichtbarkeit, SSI den geheimnisvollsten, Thinking Machines den pragmatischsten. Beobachte, welche Modelle erscheinen, wie die Teams wachsen und ob es Hinweise auf Lernsysteme jenseits des LLM-Paradigmas gibt. Nicht alle glauben an die Superintelligenz auf der aktuellen Spur. Vielleicht haben sie recht – und vielleicht wird ihre Geduld belohnt. Bis dahin bleibt das Rennen offen.
Quelle: futuresearch.ai
