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.

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 (Mainzers Meinungen, nicht Wissenschaft)

• China: Klare Langfrist-Strategie für KI bis 2050; „geführt wie ein Konzern" — Mainzer kritisiert das implizit als zu zentralistisch, aber bewundert die Planungsfähigkeit.
• Pro Atomkraft: Mainzer sieht Kernenergie als notwendig, um den KI-Energiehunger zu decken.
• Verschlüsselung: Shors Algorithmus → RSA in Gefahr, sobald ausreichend große Quantenrechner verfügbar sind („Post-Quantum-Kryptografie" ist nicht mehr akademisch, sondern akut).
• Thiel-Kritik: Mainzer kritisiert Monopol-Konzentration im Tech-Sektor (implizit: Big Tech als Innovations-Hemmer).
• DeepSeek aus Europa: Mainzer bringt es als positives Beispiel für europäische KI-Souveränität.

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.
• Mit Vorsicht: Mainzers geopolitische Positionen (Pro-Atomkraft, China-Bewunderung, Thiel-Kritik) sind Meinung, keine Wissenschaft. Nicht alles unhinterfragt übernehmen.
• Im Everlast-Format: Der Channel ist Tech-Influencer mit Werbe-Integration (KI-Schulungen, WhatsApp-Channel) — Botschaften können kommerziell motiviert sein.

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?