Sakana AIs RSI Lab glaubt, dass selbstverbessernde KI den 100-Milliarden-Dollar-Rechenzentrumsbau überflüssig machen kann

Stell dir zwei Wege zu einer intelligenteren KI vor. Weg eins: 100 Milliarden Dollar in Rechenzentren investieren, jeden verfügbaren GPU auf drei Kontinenten aufkaufen und so lange skalieren, bis das Modell besser wird. Weg zwei: Der KI beibringen, sich selbst neu zu gestalten, und dann den Zinseszinseffekt die Arbeit erledigen lassen. Der Großteil der Branche sprintet den ersten Weg entlang. Sakana AI, das Tokioter Startup unter der Führung von Mitgründer und CEO David Ha, hat sich soeben offiziell zum zweiten Weg bekannt.

Was das RSI Lab eigentlich ist

Sakana AI hat das Sakana AI Recursive Self-Improvement (RSI) Lab gegründet – eine spezialisierte Forschungsgruppe mit Sitz in Tokio, die laut der offiziellen Ankündigung auf sakana.ai den Auftrag hat, den KI-Entwicklungsprozess selbst mithilfe von KI neu zu gestalten.

Die Kernthese des Labs ist einfach formuliert, aber wirklich schwer umzusetzen: Anstatt auf rohes Skalieren zu setzen, sollen Systeme entwickelt werden, die sich iterativ selbst verbessern und so einen sich selbst verstärkenden Kreislauf von Leistungssteigerungen erzeugen – ohne proportional mehr Rechenkapazität zu verbrauchen.

Das Unternehmen stellt dies in seiner Ankündigung als eine japanspezifische Rahmenbedingung dar, die zum strategischen Vorteil geworden ist, und zieht dabei eine Analogie zu Japans Dominanz in der Fertigung – erreicht nicht durch den Reichtum an natürlichen Ressourcen, sondern durch die Philosophie der kontinuierlichen, sich selbst verstärkenden Verbesserung am Fließband. Das klingt nach einer Gründungsgeschichte, die bei Ramen ausgearbeitet wurde – aber der zugrundeliegende Forschungshintergrund ist real.

Das Lab ist keine spontane Idee aus dem Nichts. Wie The Decoder berichtet, hat Sakana die vergangenen zwei Jahre damit verbracht, technische Grundlagen für RSI zu schaffen, und das neue Lab formalisiert diese Arbeit in einer einzigen fokussierten Gruppe. Die Stellenausschreibung für Member of Technical Staff (RSI Lab) beschreibt die Gruppe als „beauftragt, den KI-Entwicklungsprozess selbst mit KI neu zu gestalten", mit direkter Zusammenarbeit mit CEO David Ha. Sakana baut seine Forschungs- und Ingenieursressourcen in Tokio aktiv aus – mit dem Ziel einer sogenannten „kompoundierenden Intelligenzexplosion".

Die Forschung hinter dem Anspruch

Bevor du zustimmend nickst oder die Augen verdrehst, lohnt es sich, genauer hinzuschauen, worauf Sakana sich tatsächlich bezieht. Laut der Ankündigung des Unternehmens auf sakana.ai und einem ausführlichen Bericht von The Decoder vereint das RSI Lab sechs frühere Forschungsstränge:

• LLM-Squared (LLM²) lässt Sprachmodelle die Forschung automatisieren, um bessere Algorithmen zur Präferenzoptimierung zu entwickeln.
• Darwin Gödel Machine lässt Agenten autonom ihre eigene Codebasis umschreiben und soll die Software-Engineering-Leistung verdoppelt haben.
• ShinkaEvolve konzentriert sich auf hochgradig sample-effiziente Programmentwicklung, die neuartige Verlustfunktionen für Mixture-of-Experts-Modelle erzeugt.
• ALE-Agent lässt Reinforcement-Learning-Agenten durch selbstständiges Lernen Hunderte menschlicher Experten übertreffen.
• Digital Red Queen erforscht offene adversarielle Koevolution als Grundlage für RSI in der Cybersicherheit.
• The AI Scientist, das bekannteste dieser Projekte, zielt auf die vollständige Automatisierung der KI-Forschung ab und wurde laut der Ankündigung auf sakana.ai kürzlich in Nature veröffentlicht.

Jedes dieser Projekte ist ein echtes Forschungsartefakt – keine Präsentation. Die Darwin Gödel Machine ist besonders das, wobei ML-Forscher zweimal hinschauen: ein System, das Varianten seiner eigenen Codebasis generiert, testet und iteriert, wie The Decoder anmerkt. Das ist keine Metapher für Selbstverbesserung. Das ist buchstäblich ein Agent, der seinen eigenen Code bearbeitet und das Ergebnis ausführt.

Warum Recheneffizienz das eigentliche Argument ist

Die 100-Milliarden-Dollar-Zahl ist kein rhetorischer Schmuck. Sie spiegelt die tatsächliche Entwicklung der Infrastrukturausgaben für Frontier-KI wider, und Sakanas Gegenthese lautet: Ein Labor, das unter Ressourcenbeschränkungen arbeitet – wie Sakana seinen Tokioter Standort ausdrücklich rahmt – ist gezwungen, klügere statt breiterer Wege zur Leistungssteigerung zu finden.

Anthropics eigenes Forschungsinstitut hat separat festgestellt, dass KI bereits die Entwicklung von KI-Systemen beschleunigt, und verweist auf interne Daten, die zeigen, dass Anthropic-Ingenieure vierteljährlich deutlich mehr Code liefern, je besser die KI-Tools werden – gemäß der Analyse des Anthropic Institute über rekursive Selbstverbesserung. Das ist eine andere Organisation, die eine strukturell ähnliche Beobachtung macht: Die Automatisierung der KI-Entwicklung findet bereits in kleinerem Maßstab statt, und die Entwicklung ist beobachtenswert.

Für Lernende, die über Skalierungsgesetze nachdenken, ist hier die wichtige konzeptuelle Unterscheidung: Skalierung als Substantiv (mehr Rechenleistung, mehr Parameter, mehr Daten) versus Skalierung als Verb (ein Prozess, der sich selbst verstärkt). RSI ist eine Wette auf Letzteres. Ob es Ersteres vollständig ersetzen kann, bleibt – vorsichtig ausgedrückt – eine offene Forschungsfrage.

Der Wikipedia-Artikel über rekursive Selbstverbesserung weist darauf hin, dass das Konzept eine lange theoretische Geschichte hat, und die Kluft zwischen einem System, das eine eng definierte Fähigkeit verbessert, und einem, das die allgemeine KI-Entwicklung rekursiv verbessert, ist beträchtlich.

Was das für dich bedeutet, wenn du gerade ML lernst

Wenn du Machine Learning studierst, ist dieser Launch ein nützlicher Anstoß, zwei Dinge gleichzeitig zu durchdenken.

Erstens die technischen Konzepte: Präferenzoptimierung, evolutionäre Algorithmen, codegenierende Agenten und automatisierte Forschungspipelines sind allesamt aktive Forschungsbereiche mit echter Relevanz auf dem Arbeitsmarkt – und Sakanas RSI-Portfolio berührt sie alle. Die Darwin Gödel Machine und The AI Scientist sind als Paper lesenswert, nicht nur als Pressemitteilungen.

Zweitens die strategische Einordnung: Die Debatte zwischen Rechenleistung und Effizienz bestimmt, wohin Forschungsgelder und Talente fließen. Beide Seiten zu verstehen macht dich zu einem informierteren Praktiker.

Sakanas RSI Lab steckt noch in den Anfängen, die Ansprüche sind ehrgeizig, und der Abstand zwischen „Agenten, die spezifische Aufgaben verbessern" und „Systemen, die den allgemeinen KI-Fortschritt autonom vorantreiben" ist real und ungelöst. Aber die hier vereinten Forschungsstränge sind legitim, das Lab stellt ein, und die zentrale Frage – ob sich selbst verstärkende Selbstverbesserung leisten kann, was rohes Skalieren leistet, zu einem Bruchteil der Kosten – ist eines der interessantesten offenen Probleme des Feldes.

Beobachte die Darwin Gödel Machine und The AI Scientist auf Folge-Paper. Dort werden sich die Belege ansammeln.

Die teuerste Annahme in der KI-Welt ist derzeit, dass Intelligenz unendlich viel Kapital erfordert. Sakana baut ein Gegenargument dazu.