Jerusalem, 5. November 2026 (TPS-IL) — Forscher der Universität Tel Aviv und der Stanford University haben gezeigt, dass Modelle künstlicher Intelligenz (KI) allgemeine Lernfähigkeiten entwickeln können, ohne anhand realer Daten trainiert zu werden, was potenziell einen neuen Weg für die KI-Entwicklung eröffnen könnte, da hochwertiges Trainingsmaterial immer knapper wird.

Die Erkenntnisse könnten dazu beitragen, einen der größten Engpässe der Branche zu überwinden: das Angebot an von Menschen generierten Trainingsdaten.

„Wir zeigen, dass ein Modell bei der Vorhersage von echtem Text, Bildern, Audio, Musik, DNA und Code kontinuierlich besser werden kann, ohne jemals anhand davon trainiert worden zu sein“, sagte Dr. Yoav Levine gegenüber The Press Service of Israel. Die Studie, die als Preprint auf dem Online-Forschungsrepositorium arXiv veröffentlicht wurde, hat das Peer-Review-Verfahren noch nicht durchlaufen.

Die Forschung wurde von Levine von der School of Computer Science and AI der Universität Tel Aviv geleitet und im Rahmen der Postdoktorandenarbeit von Dr. Kfir Dolev in Zusammenarbeit mit Forschern der Stanford University durchgeführt.

Anders als herkömmliche KI-Systeme, die aus riesigen Sammlungen von Büchern, Websites, Bildern und Aufnahmen lernen, nutzt der neue Ansatz zwei Netzwerke, die bei null beginnen und gemeinsam lernen. Eines generiert kurze Computerprogramme, die Symbolfolgen erzeugen, während das andere lernt, das nächste Symbol vorherzusagen. Das erste Netzwerk erhält Feedback darüber, wie sehr seine Übungen dem zweiten helfen, sich zu verbessern, und lernt so schrittweise, nützlichere Herausforderungen zu generieren.

„Die übliche Annahme ist, dass KI Rechenleistung und Daten benötigt. Wir fragen, wie weit man ohne Daten, allein auf der Grundlage von Rechenleistung, kommen kann“, sagte Levine gegenüber TPS-IL.

Er verglich den Ansatz mit AlphaZero, das Schach und Go durch Selbstspiel lernte, anstatt menschliche Partien zu studieren. Die Forscher stellten fest, dass die eigenen Fortschritte des lernenden Modells als Erfolgsmaßstab dienen könnten, der das andere Netzwerk dazu anleite, zunehmend nützlichere Übungen zu generieren.

Um zu testen, ob sich die Fähigkeiten über das künstliche Training hinaus übertragen ließen, bewerteten die Forscher das Modell anhand von realem Material, dem es zuvor noch nie begegnet war. Seine Vorhersagefähigkeiten verbesserten sich über mehrere Domänen hinweg, als mehr Rechenressourcen hinzugefügt wurden. Es konnte auch während der Tests präsentierte Regeln aus Beispielen ohne zusätzliches Training ableiten.

Die Forscher stellten außerdem fest, dass das System unabhängig mathematische Strukturen generierte, darunter geometrische Folgen, Fibonacci-ähnliche Muster sowie quadratische und kubische Folgen. Levine sagte, keines davon sei in 164 Millionen zufällig ausgewählten Programmen aus demselben Raum aufgetaucht, was darauf hindeute, dass das System sie entdeckt habe, weil sie seinem Lernpartner geholfen hätten, bessere Vorhersagen zu treffen.

Jenseits des Datenengpasses

Die Methode könnte eine neue Quelle für Trainingsmaterial in Bereichen darstellen, in denen Daten knapp oder teuer zu beschaffen sind.

„Das ist von Bedeutung, wenn hochwertige Daten zum Engpass werden, wie es viele bei von Menschen generiertem Text oder Code erwarten, und noch mehr in Bereichen, in denen Daten knapp oder teuer sind“, sagte Levine gegenüber TPS-IL.

Sie könnte auch als vorbereitende Trainingsphase vor einem herkömmlichen KI-Training dienen. In ihren Experimenten stellten die Forscher fest, dass Modelle, die selbstgenerierten Übungen ausgesetzt waren, schneller lernten, wenn sie reale Daten erhielten.

Es gibt jedoch erhebliche Einschränkungen. Die Experimente betrafen Modelle mit weniger als 25 Millionen Parametern, die mehr als 10.000 Mal kleiner sind als die heutigen größten KI-Systeme. Ob die Ergebnisse in dieser Größenordnung Bestand haben, bleibt unbekannt. Levine sagte, die Forscher untersuchten nun, ob der Ansatz auf wesentlich größere Modelle ausgeweitet werden könne.

Selbstgesteuertes Lernen kann auch Faktenwissen über die Welt nicht ersetzen. Ein System kann mathematische Muster durch Berechnungen entdecken, aber es kann historische Fakten nicht unabhängig feststellen oder etwas über die physische Realität lernen, ohne sie zu beobachten.

„Selbstspiel lehrt allgemeine Strukturen, die Muster, die viele Arten von Daten teilen, aber keine Fakten über unsere Welt, wie etwa, wer Hamlet geschrieben hat“, sagte Levine gegenüber TPS-IL. „Diese müssen weiterhin aus realen Daten stammen, sodass es in diesen Aspekten menschliche Daten ergänzt, anstatt sie zu ersetzen.“

Die Forscher gingen auch auf das Risiko ein, dass KI-Systeme ihre eigenen Fehler wiederholen und verstärken.

„Unser Lerner trainiert anhand dessen, was Programme ausgeben, wenn sie tatsächlich ausgeführt werden. Die Daten sind genau das, was jedes Programm berechnet, sodass es keine Halluzinationen gibt, die verstärkt werden könnten“, erklärte Levine gegenüber TPS-IL. „Die Risiken, denen wir tatsächlich gegenüberstehen, bestehen darin, dass der Programmschreiber in einer engen Nische stecken bleibt, vergisst, was er zuvor gefunden hat, oder seine Belohnung austrickst. Wir schützen uns davor, indem wir echten Lernfortschritt belohnen, ein Archiv vielfältiger Programme führen, frühere Programme erneut abspielen, damit sie nicht vergessen werden, und den Generator nahe an einer einfachen Ausgangsverteilung über Programme halten.“

Der nächste große Meilenstein wäre laut Levine der Nachweis, dass der Ansatz bei Modellen mit Milliarden von Parametern funktioniere und dass selbstgeneriertes Training eine messbare Menge herkömmlicher Trainingsdaten ersetzen könne. Letztendlich wollen die Forscher feststellen, ob sich ein KI-Modell durch Selbstspiel auch dann noch weiter verbessern kann, wenn es sein verfügbares reales Trainingsmaterial erschöpft hat.