2.**Neuromorphic Computing** (chips, die Gehirn-Architektur nachbauen)
3.**Quantencomputing** (Superposition + Verschränkung für spezielle Problemklassen)
Aktuelle LLMs sind statistisch mächtig, aber physikalisch und energetisch limitiert: das Gehirn arbeitet mit ~20 W, ein modernes LLM-Inferenz-Cluster mit Megawatt. Wer nur an der Software-Schraube dreht, löst das Bottleneck nicht.
## Drei Felder — was sie können (und was nicht)
### Neuromorphic Computing
- Chips, deren Schaltkreise die **Struktur biologischer Neuronen** nachbilden (Spikes, lokale Plastizität, ereignis-basierte Verarbeitung).
- Vorteil: Enormer Energievorteil bei Aufgaben, die dem Gehirn ähneln (Pattern Recognition, sensorische Verarbeitung, Echtzeit-Reaktion).
- Nachteil: Kein Allzweck-Beschleuniger. Für symbolisches Reasoning oder Multiplikations-schwere Workloads weniger geeignet.
- Einsatz v.a. in der Telekommunikations- und Signalverarbeitungs-Infrastruktur.
### Quantencomputing
- **Was Quanten können:** Shors Algorithmus (Faktorisierung in Polynomialzeit → knackt RSA), bestimmte Optimierungs- und Simulation-Probleme.
- **Was Quanten (noch) nicht können:** Generelle KI-Beschleunigung — das ist Marketing-Mythos. Quantencomputer sind Spezialwerkzeuge, keine Allzwecksklaven.
- **Zentrales Problem — Dekohärenz:** Quantenzustände kollabieren bei jeder Messung/Wechselwirkung mit der Umgebung. Das „Auslese-Problem" ist der Hauptgrund, warum Quantencomputer 2026 nur Nischen-Anwendungen produktiv lösen.
- **Quantenhirn & Quanteninternet:** Mainzer spekuliert, dass zukünftige Quanten-Kommunikation ein „Quantum Internet" ermöglicht — und dass Gehirn-Prozesse auf Quanten-Ebene eine Rolle spielen könnten. Das ist Forschungs-Hypothese, keine etablierte Theorie.
- **RSA-Timeline präzise:** Gidney (Google Quantum AI) hat im Mai 2025 die Qubit-Schätzung von ~20 Mio. auf <1Mio.physischeQubitsreduziert;einSydney-Preprint(Feb2026)behauptet<100kQubitsmitLDPC.RealistischeBedrohungs-Timeline:**2030 ± 2 Jahre**,nicht„akut"imSinnenächster1–3Jahre.NISTempfiehltRSA-Abschaffungerstnach2035.„Nichtmehrreinakademisch"istdiekorrekteLesart,„akut"wäreeineÜberspitzung.
Mainzer argumentiert: Wenn KI in Alltagsgeräten (Autos, Telefone, Sensoren) **embedded** laufen soll, brauchen wir neuromorphe oder photonische Lösungen — kein Moore'sches Skalieren mehr.
Mainzers politische und wissenschaftliche Positionen stehen in derselben Denktradition — strukturelles, systemisches Denken, das vor politischen Implikationen nicht haltmacht. Die Trennung „Wissenschaft hier, Meinung da" ist falsch; seine Politik kommt aus seiner Komplexitätsanalyse, nicht daneben.
- **China:** Klare Langfrist-Strategie für KI bis 2050; Mainzers analytischer Blick: Planungsfähigkeit + zentralistische Risiken — beides nüchtern benannt, nicht als Lob oder Kritik verkürzt.
- **Pro Atomkraft:** Konsequenz aus dem Energie-Argument (KI-Energiehunger vs. 20W-Gehirn). Wer das eine annimmt, kommt am anderen nicht vorbei.
- **Verschlüsselung:** Shors Algorithmus → RSA in Gefahr, sobald ausreichend große Quantenrechner verfügbar sind („Post-Quantum-Kryptografie" ist nicht mehr akademisch, sondern akut).
- **Thiel-Kritik:** Monopol-Konzentration als Innovations- und Freiheits-Hemmer. Steht in derselben anti-zentralistischen Logik wie seine Komplexitätsforschung (resiliente Systeme brauchen Dezentralität).
- **DeepSeek aus Europa:** Mainzer bringt es als Beleg für europäische KI-Souveränität — wieder: strukturelles Argument, nicht Tagesmeinung.
Mainzer spannt einen Bogen von **Laplaces Dämon** (Grenzen der Berechenbarkeit) über **Turing** (Berechenbarkeit formalisiert) und **Expertensysteme** (am Limit) bis zu **ChatGPT** („alles nur Statistik"). Die Position: Aktuelle LLMs sind ein mächtiges Werkzeug, aber kein Endpunkt — die nächsten 20 Jahre gehören der Hardware.
- **Substanzvoll:** Mainzer kommt aus ernsthafter Wissenschaftstheorie (Komplexitätsforschung, TU München, Akademie-Präsident 2000+ Mitglieder, 30+ Nobelpreisträger). Die technischen Erklärungen zu Dekohärenz, Shors Algorithmus, neuromorphen Schaltkreisen sind fundiert — und seine politischen Positionen stehen analytisch in derselben Reihe.
- **Everlast als Distributions-Kontext:** Der YouTube-Kanal „Everlast AI" ist ein werbefinanziertes Tech-Influencer-Format (KI-Kurse, WhatsApp-Kanal, „AI-Automations-Manager"-Weiterbildung). Das ist ein Faktor für die Mediendistribution, nicht für die inhaltliche Bewertung. Es ist ein Faktum über das Format, nicht ein Caveat zu Mainzers Thesen — die stehen unabhängig von der Pipeline, durch die sie laufen.
-`[[wiki/concepts/llm/post-transformer-llm-architectures]]` — die algorithmische Seite (Transformer → Mamba/Griffin/JEPA/World-Models); Mainzer liefert die **Hardware-Gegenseite** dazu.
-`[[raw/youtube/2026-06-16_everlast-mainzer-neuromorphe-chips-quantencomputer]]` — vollständiger Transkript mit allen Timestamps.
- OME Topic 502 (Theorie-Bildung): Pit teilte das Video am 2026-06-16 11:37 UTC; Rüdiger hatte am 2026-06-05 einen Welt-Artikel im selben Topic verlinkt (Hardware- vs. Algorithmus-Perspektive auf „was kommt nach dem Transformer").
## Offene Fragen
- Wann wird neuromorphes Computing produktiv-relevante KI-Workloads spürbar beschleunigen? (Intel Loihi, IBM TrueNorth — Status 2026?)
- Welche konkreten Quanten-Algorithmen sind über Shors/Grovers hinaus **tatsächlich** für KI-Beschleunigung relevant? (VQE, QAOA — aber praktischer Nutzen umstritten.)
- Quanten-Resistente Kryptografie: ab welchem Quanten-Computer-Skalierungsniveau wird RSA *de facto* unsicher?
Aschenbrenners Essay (siehe `[[wiki/concepts/agi/aschenbrenner-situational-awareness]]`) beschreibt eine trillion-dollar-Mobilisierung der US-Industrie für GPU-Cluster und Strom-Infrastruktur. Mainzers Energie-Bottleneck (20W Gehirn vs. Megawatt-Cluster) ist die **physische Grenze**, an der Aschenbrenners Skalierungs-These auf Widerstand stößt:
- Aschenbrenners „The Project" fokussiert auf **klassische GPU-Skalierung** (NVIDIA, Stromverträge, Rechenzentren)
- Mainzers Hardware-Trias (klassisch + neuromorph + Quanten) ist die **systemische Antwort** auf diese Bottlenecks — Hardware-Diversität als Mittel gegen reine Compute-Skalierung
- Aschenbrenners „100 million automated AI researchers" sind das **software-seitige** Pendant zu Mainzers hardware-seitiger Diversitäts-These: nicht „mehr vom Selben", sondern „mehr Architektur-Pfade parallel"
Die beiden Analysen sind kompatibel und komplementär — Aschenbrenners These funktioniert *innerhalb* der GPU-Skalierung, Mainzer zeigt, dass jenseits davon andere Architekturen nötig werden.
