Die Entwicklung von Frontier-KI-Modellen wie GPT, Claude oder Llama basiert auf einem massiven finanziellen und technischen Aufwand. Mit Entwicklungskosten in Höhe von hunderten Millionen US-Dollar werden diese Systeme in sogenannten „AI Factories“ erschaffen. Dort füttern Ingenieure neuronale Netzwerke mit mehreren Petabyte an Daten, darunter Softwarecode, wissenschaftliche Fachaufsätze und Onlinetexte, wobei viele Milliarden Parameter gleichzeitig Muster lernen.
Regulatorisch ziehen Gesetzgeber die Trennlinie bei einem Trainingsaufwand von über 10^26 FLOPS. Dieser mathematische Schwellenwert beschreibt Gleitkommaoperationen mit 26 Nullen, die über viele Monate hinweg von tausenden zusammengeschalteten Grafikprozessoren ausgeführt werden. Dabei wird zwischen dem Frontier-Modell als reinem mathematischen Kern, dem digitalen Gehirn, und der Frontier-KI als einsatzbereitem Gesamtsystem mit Sicherheitsfiltern und Schnittstellen unterschieden.
Ein zentrales Merkmal dieser Technologie ist die sogenannte Emergenz, durch die Systeme komplexe Denkaufgaben lösen oder Programmcode schreiben, ohne dass dies explizit programmiert wurde. Während ältere Modelle menschliche Prompts für jeden Teilschritt benötigten, agieren Frontier-Systeme zunehmend als autonome Agenten. Diese können Aufgabenketten selbstständig planen und in digitalen Infrastrukturen beispielsweise Code-Fehler in Echtzeit finden und reparieren.
Trotz der Effizienzgewinne ergeben sich signifikante Risiken und Kosten. Kriminelle könnten die Denkfähigkeiten für raffinierte Schadsoftware oder Social-Engineering-Angriffe missbrauchen, während die Entscheidungswege der Modelle oft selbst für Spitzenforscher nicht nachvollziehbar sind. Zudem verursachen die tausenden Spezialprozessoren einen enormen Stromverbrauch, erfordern aufwendige Flüssigkeitskühlungen und hinterlassen einen massiven ökologischen und wirtschaftlichen Fußabdruck.
