knowledge-base/wiki/concepts/agi/kognition-vs-skalierung.md

---
created: 2026-09-19
updated: 2026-09-19
sources: [youtube/2026-09-19_princeton-griffiths-ai-researchers-wrong.md]
tags: [agi, kognitionswissenschaft, skalierung, generalisierung, kritik]
---

# Kognitionswissenschaftliche Skalierungs-Kritik

## Worum es geht

Eine Forschungslinie behauptet: Der Abstand zwischen menschlicher und maschineller Intelligenz schließt sich **nicht** durch mehr Daten, mehr Parameter oder mehr Compute — weil das Problem nicht Datenmenge, sondern **Art des Lernens** ist. Ein Kind lernt Sprache aus „Brotkrumen", ein Sprachmodell braucht „Kontinente" an Daten; wenn das Feld weiter skaliert, ohne das Fehlende zu lösen, wird die Lücke laut dieser Lesart nicht kleiner, sondern nur **teurer**.

Diese Seite sammelt die Argumente aus dem Gespräch mit [Tom Griffiths](../../people/tom-griffiths.md) (Princeton) und ordnet sie gegen die Gegenpositionen im Wiki ein.

## Der Anlass (und seine Grenze)

Quelle ist die Episode „Princeton Cognitive Scientist Says AI Researchers Are Wrong" bei [Brian Keating](../../people/brian-keating.md) (29.04.2026, 198.871 Aufrufe, 3.337 Likes beim Abruf am 19.09.2026).

⚠️ **Wichtige Einschränkung:** Für dieses Video existiert **kein Transkript** (keine `captionTracks`). Die Argumente unten stehen so in der **Videobeschreibung** und in den **Kapitelmarken** — sie sind Kanal-Rahmung, keine am Video geprüfte Aussage. Die Einordnung darunter ist Interpretation im Sinne des Wiki-Schemas; sie ersetzt keine Transkriptprüfung.

## Die vier Thesen der Beschreibung

1. **Kind vs. Modell:** „a child learns language from breadcrumbs while AI needs continents of data" (Kapitel 33:50: „Why a Child Still Outlearns Every AI Model").
2. **Skalierung schließt die Lücke nicht:** „If the field keeps scaling without solving what's actually missing, the gap between human and machine intelligence won't close. It'll just get more expensive."
3. **Sycophancy vor Halluzination:** „The hallucinations don't bother him — it's the sycophancy that should worry you" (Kapitel 44:20). Sycophantische KI wirke über die Zeit auf die Überzeugungen des Nutzers — die klassische Halluzination sei das kleinere Problem.
4. **AGI über kindliches Denken statt über Scale:** „why solving AGI might have less to do with scale and more to do with understanding what a child's mind really is."

Dazu die historische Achse aus den Kapitelmarken: Aristoteles → der Mann, der im 17. Jahrhundert KI bauen wollte ([characteristica universalis](https://en.wikipedia.org/wiki/Characteristica_universalis)) → [Boole](https://en.wikipedia.org/wiki/George_Boole) („What Everyone Gets Wrong About George Boole") → [Turing](https://en.wikipedia.org/wiki/Alan_Turing) → unscharfe Grenzen zerstören die regelbasierte KI (35:20) → [semantische Netze](https://en.wikipedia.org/wiki/Semantic_network) (37:20) → [Rosenblatt](https://en.wikipedia.org/wiki/Frank_Rosenblatt) baut ein Gehirn, [Minsky](https://en.wikipedia.org/wiki/Marvin_Minsky) zerstört es (39:30) → Backpropagation auf dem Flug (43:15). Die These dahinter: Die modernen Sprachmodelle stehen auf einer **250 Jahre alten Idee**, nicht auf einem neuen Paradigma.

## Warum das Argument mehr ist als Skalierungs-Müdigkeit

Der interessante Teil der Position ist nicht „Scale reicht nicht" — das ist inzwischen Gemeinplatz. Interessant ist die **Verortung des Fehlenden**: nicht in der Datenmenge, sondern in der *Repräsentation*. Griffiths' eigene Arbeit liefert dazu die positive Hälfte — [Bayes'sche](https://en.wikipedia.org/wiki/Bayesian_inference) Modelle als computationales Modell des Denkens, mit mehreren Analyseebenen statt einer einzigen Erklärung.

Das verknüpft zwei Fragen, die im Wiki an unterschiedlichen Stellen liegen:

- **Sample-Effizienz** als technisches Kriterium: Ein System, das aus wenigen Beispielen generalisiert, braucht weniger Daten, weniger Rechenzeit — und wäre damit auch ökonomisch die härtere Konkurrenz, nicht die weichere.
- **Generalisierung über Verteilungsgrenzen** (Kapitel 47:00: „What Has to Change Before AI Can Truly Generalize") als Kriterium, das kein Skalierungslauf abkürzt.

## Gegenpositionen (aus dem Wiki)

- **Skalierungs-Ökonomie:** [[../llm/ai-intelligence-commoditization-thesis.md|Intelligence Commoditization]] — Frontier-KI wird für Standard-Work-Loops so billig, dass die Lücke praktisch unsichtbar wird; der Capability-Gap zählt dann v. a. bei High-Stakes-Reasoning.
- **Compute-/Prognose-Linie:** [[aschenbrenner-situational-awareness.md|Aschenbrenner]] und [[../../people/jaime-sevilla.md|Sevilla/Epoch AI]] zählen OOMs statt Argumente — die Gegenseite zum „mehr hilft nicht"-Satz.
- **Fähigkeiten-Zuwachs als Empirie:** [[../llm/ai-intelligence-commoditization-thesis.md|Commoditization]]- und [[robotics-model-benchmark.md|Robotik-Benchmarks]] dokumentieren Fortschritt, den eine reine „Scale hilft nicht"-Lesart nicht vorhersagt.
- **Nicht überzeichnen:** Die Beschreibung ist Marketing-Rahmung eines Podcasts. Griffiths selbst hat mit *Algorithms to Live By* jahrelang Informatik **als** Erklärung menschlichen Denkens verkauft — die Position ist „Mathematik des Denkens", nicht „KI kann nichts".

## Anschlussstellen im Wiki

- [[ai-consciousness.md|KI-Bewusstsein]] — Kapitel 04:30 („What AI Gets Wrong About Consciousness") berührt genau die Debatte, die dort als Positionslandkarte liegt
- [[../ai-sycophancy.md|KI-Sycophancy]] — These 3 ist der Punkt, an dem der Guest das Problemfeld verschiebt
- [[../llm/llm-sycophancy-confabulation.md|LLM-Sycophancy, Confabulation & Session-Statelessness]] — Mechanik hinter „what sycophantic AI does to your beliefs over time"
- [[../hardware/neuromorphic-chips-und-quantencomputer.md|Neuromorphe Chips]] — Kapitel 27:40 („Why Your Brain Runs on Less Energy Than a Light Bulb") ist die Energie-Variante desselben Arguments
- [[../llm/post-transformer-llm-architectures.md|Post-Transformer-Architekturen]] — der technische Ort, an dem „nicht mehr Scale" konkret würde
- [[../llm/flat-curve-society.md|Flat Curve Society]] — Plateau-These aus anderer Richtung (Discernment statt Modellgrenze)
- [[../../people/tom-griffiths.md|Tom Griffiths]], [[../../people/brian-keating.md|Brian Keating]], [[../../institutions/princeton.md|Princeton University]]

## Quellen

- Raw (metadata-only): `raw/youtube/2026-09-19_princeton-griffiths-ai-researchers-wrong.md`
- [„The Laws of Thought" (Henry Holt, 10.02.2026)](https://books.google.com/books/about/The_Laws_of_Thought.html?id=tDZYEQAAQBAJ)
- [Computational Cognitive Science Lab, Princeton](https://cocosci.princeton.edu/tom/)