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

created	updated	sources	tags
2026-09-19	2026-09-19	youtube/2026-09-19_princeton-griffiths-ai-researchers-wrong.md	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 (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 (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) → Boole („What Everyone Gets Wrong About George Boole") → Turing → unscharfe Grenzen zerstören die regelbasierte KI (35:20) → semantische Netze (37:20) → Rosenblatt baut ein Gehirn, 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 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 — 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 und ../../people/jaime-sevilla.md zählen OOMs statt Argumente — die Gegenseite zum „mehr hilft nicht"-Satz.
• Fähigkeiten-Zuwachs als Empirie: ../llm/ai-intelligence-commoditization-thesis.md- und robotics-model-benchmark.md 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 — Kapitel 04:30 („What AI Gets Wrong About Consciousness") berührt genau die Debatte, die dort als Positionslandkarte liegt
• ../ai-sycophancy.md — These 3 ist der Punkt, an dem der Guest das Problemfeld verschiebt
• ../llm/llm-sycophancy-confabulation.md — Mechanik hinter „what sycophantic AI does to your beliefs over time"
• ../hardware/neuromorphic-chips-und-quantencomputer.md — 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 — der technische Ort, an dem „nicht mehr Scale" konkret würde
• ../llm/flat-curve-society.md — Plateau-These aus anderer Richtung (Discernment statt Modellgrenze)
• ../../people/tom-griffiths.md, ../../people/brian-keating.md, ../../institutions/princeton.md

Quellen

• Raw (metadata-only): raw/youtube/2026-09-19_princeton-griffiths-ai-researchers-wrong.md
• „The Laws of Thought" (Henry Holt, 10.02.2026)
• Computational Cognitive Science Lab, Princeton