knowledge-base/wiki/concepts/hardware/neuromorphic-chips-und-quantencomputer.md

created	updated	sources	related_raw	tags
2026-06-16	2026-06-16	raw/youtube/2026-06-16_everlast-mainzer-neuromorphe-chips-quantencomputer.md	raw/youtube/2026-06-16_everlast-mainzer-neuromorphe-chips-quantencomputer.md	concept hardware ki-frontier neuromorphic-computing quantencomputing mainzer post-silicon

Hardware-Frontier: Neuromorphe Chips & Quantencomputer

Quelle: Prof. Dr. Klaus Mainzer im Gespräch mit Everlast AI (Leon Martin Schmedding), 1:48:40, 2026-06-03. Vollständige Mitschrift + Timestamps siehe [[raw/youtube/2026-06-16_everlast-mainzer-neuromorphe-chips-quantencomputer]].

Kernthese

Die nächste Generation der KI entsteht nur aus der Verbindung dreier Felder:

1. Klassische KI (Statistik, LLMs, Transformer)
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.

Photonisches Rechnen („Rechnen mit Licht")

• Berechnung mit Photonen statt Elektronen → massiv höhere Bandbreite, geringere Wärmeentwicklung.
• 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 <1 Mio. physische Qubits reduziert; ein Sydney-Preprint (Feb 2026) behauptet <100k Qubits mit LDPC. Realistische Bedrohungs-Timeline: 2030 ± 2 Jahre, nicht „akut" im Sinne nächster 1–3 Jahre. NIST empfiehlt RSA-Abschaffung erst nach 2035. „Nicht mehr rein akademisch" ist die korrekte Lesart, „akut" wäre eine Überspitzung.

Energie-Bottleneck (Mainzers Lieblings-Argument)

„Das Gehirn bedarf mal schlappe 20 Watt."

System	Energieverbrauch	Vergleich
Menschliches Gehirn (Dauerbetrieb)	~20 W	1×
LLM-Training (Frontier-Modell)	~10 GWh	~50.000.000×
LLM-Inferenz-Cluster (Dauerbetrieb)	~10–100 MW	500.000× – 5.000.000×

Mainzer argumentiert: Wenn KI in Alltagsgeräten (Autos, Telefone, Sensoren) embedded laufen soll, brauchen wir neuromorphe oder photonische Lösungen — kein Moore'sches Skalieren mehr.

Geopolitische Positionierung (Teil seiner Analyse)

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.

Geistesgeschichtlicher Rahmen

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.

Substanz vs. Hype

• 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.

Cross-References

• [[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?

Verbindung zu Aschenbrenners „The Project"

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.

Siehe auch: edge-inference-als-cloud-alternative.md — AMDs Ryzen AI Max+ 395 (Strix Halo) als Zwischenschritt: 235B-Parameter lokal bei Watt-Klassen, nicht Megawatt. Edge-Inferenz schließt die Lücke zwischen klassischer GPU-Skalierung und neuromorpher Hardware.