Er ist 83. Er promovierte in Elementarteilchenphysik. Er forschte am CERN. Und er beschreibt die Art, wie wir heute jede KI der Welt trainieren, mit einem einzigen Wort: idiotisch.
Prof. Dr. Christoph von der Malsburg ist kein frustrierter Pensionist, der nicht versteht, was gerade passiert. Er ist einer der Männer, die das Fundament gelegt haben, auf dem heute alle großen Sprachmodelle stehen. 1973 schrieb er eines der Gründungsdokumente der modernen neuronalen Netze. Und seit einem halben Jahrhundert sagt er, dass der eingeschlagene Weg in die falsche Richtung führt.
Ich hab am Wochenende sein aktuelles YouTube-Interview mit Leonard Schmedding gesehen – und mich dabei erwischt, wie ich nicke. Das passiert mir selten.
„Die Intelligenz, die mir aus den LLMs entgegenschlägt, ist alles nur gespeicherte Intelligenz. Die hat sie nicht erzeugt, sondern bildet sie nur ab.“
Prof. Christoph von der Malsburg
Das klingt nach einer Kleinigkeit. Es ist keine.
Was ist das Bindungsproblem? Und warum solltest du dich dafür interessieren?
Bevor wir weitermachen, will ich kurz zwei Begriffe klären, die in diesem Kontext immer wieder auftauchen.
Bindungsproblem (Binding Problem): Formuliert von von der Malsburg 1981 in seiner „Correlation Theory of Brain Function“. Die Frage: Wie schafft es das Gehirn, einzelne Wahrnehmungen zu einem kohärenten Bild zusammenzufügen? Wenn du einen roten Ball siehst, verarbeitet dein Gehirn „rot“ in einem Bereich und „Ball“ in einem anderen. Trotzdem siehst du sofort einen roten Ball, nicht ein unverbundenes Farbfleck-Ding. Klassische neuronale Netze, inklusive der heute verwendeten Transformer-Architekturen, haben keine überzeugende Lösung für dieses Problem. Sie verwalten Muster, sie verstehen keine Zusammenhänge.
Neuromorphes Computing: Rechnerarchitekturen, die sich am biologischen Gehirn orientieren. Das menschliche Gehirn läuft mit rund 20 Watt. Das ist nicht wesentlich mehr als eine durchschnittliche Energiesparlampe. Ein Training von GPT-4 verbrauchte schätzungsweise so viel Strom wie ein amerikanischer Durchschnittshaushalt in mehreren Jahrzehnten. Das Gehirn ist effizienter. Massiv effizienter. Die Frage ist: Warum?
Das Gehirn organisiert sich selbst. Es lernt nicht durch Backpropagation über Milliarden von Parametern. Es lernt durch Erfahrung, Kontext und (das ist der Kern) Selbstorganisation.
Die Zebra-Frage, die alles auf den Punkt bringt
Von der Malsburgs Kritik ist nicht neu. Sie ist nur jetzt, da die Branche an physikalische und wirtschaftliche Grenzen stößt, lauter geworden.
Sein Kern-Argument ist erschreckend einfach: Ein Kind sieht ein einziges hölzernes Zebra. Und versteht das Konzept „Zebra“ ein Leben lang. Ein Large Language Model braucht Millionen von Bildern, um dasselbe Ergebnis zu erreichen. Wenn überhaupt.
„Der Mathelehrer erklärt etwas“, sagt er im Interview. „Klein Fritzchen braucht 50 Beispiele, bevor er es verstanden hat. Und Karlchen versteht es beim ersten Mal. Den würde man wohl als intelligent bezeichnen.“
Wenn LLMs intelligent wären, bräuchten sie keine 500 Milliarden Trainingsbeispiele.
Als KI-Berater, der täglich mit EPU und KMU in der DACH-Region arbeitet, erlebe ich eine Variante dieser Frage regelmäßig. Nicht theoretisch, sondern ganz praktisch: Warum versteht das Modell den spezifischen Kontext meines Kunden nicht, obwohl ich ihm alles gegeben habe? Weil es ihn nicht wirklich versteht. Es approximiert. Es spiegelt zurück, was statistisch wahrscheinlich ist. Ich habe das, in einem anderen Zusammenhang, als Grenzen dieser Technologie beschrieben: Von der Malsburg bringt dafür jetzt den wissenschaftlichen Unterbau.
Zwei Jahrzehnte im Abseits. Dann kam das Geld.
Was an diesem Mann fasziniert: Er hat nichts Neues gesagt. Er sagt dasselbe seit den 1970er-Jahren. Er hat das Bindungsproblem 1981 formuliert, als noch kaum jemand über neuronale Netze nachgedacht hat. Er war jahrzehntelang Außenseiter in einer Branche, die er mitbegründet hatte.
Und jetzt? Jetzt beginnt die Branche nachzuziehen.
Yann LeCun – Träger des Turing Awards, zwölf Jahre Chief AI Scientist bei Meta – hat Meta Ende 2025 verlassen. Nicht im Streit, sondern mit einer klaren wissenschaftlichen These: LLMs sind keine Lösung für Artificial General Intelligence. Im März 2026 schloss sein neues Unternehmen, AMI Labs (Advanced Machine Intelligence Labs), eine Seed-Runde über 1,03 Milliarden Dollar ab. Die Investoren: Jeff Bezos, NVIDIA, Samsung, Eric Schmidt. Bewertet mit 3,5 Milliarden, ohne ein Produkt, ohne Umsatz.
„This is not a bet on a product. This is a bet on a paradigm“, sagte Denis Barrier von Cathay Innovation bei der Bekanntgabe.
LeCuns Ansatz: World Models. Systeme, die ein inneres Modell der Welt entwickeln, Ursache und Wirkung simulieren können, Vorhersagen treffen und dabei massiv weniger Daten brauchen. Das klingt nach Science-Fiction. Es ist aber genau das, was das Gehirn macht.
Und dann ist da noch Jeff Bezos mit Project Prometheus, gegründet im November 2025, fokussiert auf KI für physische Prozesse: Produktion, Aerospace, Medikamentenentwicklung. Auch hier: KI, die die physische Welt versteht, nicht nur Text darüber.
Die Milliarden fließen. Aber sie fließen jetzt in eine andere Richtung.
Was das für die Energiefrage und für Europa bedeutet
Das Timing ist kein Zufall.
Ich habe erst kürzlich beschrieben, dass die Zukunft der KI nicht in der Chipfabrik entschieden wird, sondern an der Steckdose. Der Stromhunger der bestehenden LLM-Infrastruktur ist ein strukturelles Problem, kein Effizienzproblem. Man kann aktuelle Architekturen nicht einfach „grüner“ machen. Man kann sie skalieren und damit den Verbrauch weiter erhöhen. Oder man wechselt das Paradigma.
Das menschliche Gehirn braucht 20 Watt. Neuromorphe Chips (Hardware, die sich am biologischen Neuron orientiert) zeigen in ersten Experimenten eine vier- bis sechzehnfache Energieeffizienz gegenüber klassischer KI-Hardware. Das ist keine Randnotiz. Das ist der Unterschied zwischen einem KI-System, das Kernkraftwerke reaktiviert, und einem, das auf einem Chip läuft, der kleiner ist als ein Daumennagel.
Von der Malsburg nennt diese Perspektive ausdrücklich: „Weniger Daten, weniger Geld, Ethik von vornherein eingebaut. Wie für Europa gemacht.“
Das ist der Satz, der hängenbleibt.
Europa hat eine Schwäche im Chip-Wettrüsten. Wir können nicht mithalten, wenn es darum geht, die nächste NVIDIA-GPU zu entwickeln oder die nächste Billion in Training-Cluster zu stecken. Das haben wir in der Auseinandersetzung mit Europas KI-Souveränität schon ausführlich diskutiert. Aber wenn das nächste Paradigma nicht Skalierung heißt, sondern Effizienz und Selbstorganisation – dann sieht die Karte plötzlich anders aus.
Was stimmt an der Kritik (und was fehlt)
Ich will ehrlich sein: Von der Malsburg hat in wesentlichen Punkten Recht. Und in ein paar Punkten hört er dort auf, wo es interessant wird.
Was stimmt:
LLMs lernen tatsächlich keine Konzepte im menschlichen Sinne. Sie lernen statistische Korrelationen in Texten. Das erklärt, warum sie halluzinieren. Nicht weil irgendetwas „kaputt“ ist, sondern weil das genau das ist, was eine statistische Maschine tut, wenn sie Lücken füllen muss. Wer kritisch mit KI-Output umgehen will, muss das verstehen.
Das Energieargument ist unumstößlich. Selbstorganisierende Systeme, die mit wenigen Daten lernen, wären ein Quantensprung. Nicht nur für die Umwelt, sondern für die Demokratisierung von KI: Dann bräuchte man keine Milliarden und keine Rechenzentrum-Cluster mehr.
Was fehlt:
LLMs sind trotz aller Einschränkungen nützlich. Außerordentlich nützlich. Die Frage ist nicht ob, sondern wofür. Ein Hammer ist auch „idiotisch“ verglichen mit einer CNC-Fräse – und trotzdem gibt es Aufgaben, für die du einen Hammer nimmst. Für EPU und KMU in der Praxis ist das entscheidend. Wer wartet, bis das perfekte Paradigma verfügbar ist, wartet zu lange.
Und die Prognose „in acht bis zehn Jahren ein totaler Umschlag“ ist mutig. Sie kann stimmen. Die letzten acht bis zehn Jahre in der KI haben gezeigt, dass Timelines notorisch daneben liegen. In beide Richtungen.
Was das für Programmierer bedeutet. Und für alle anderen.
Von der Malsburg spricht einen konkreten Punkt an, der mir nicht aus dem Kopf geht: die Börsenwerte der Softwarehäuser. Sie sind abgestürzt in der Erwartung, dass Programmierer überflüssig werden. „Inzwischen setzt sich die Überzeugung durch“, sagt er, „dass das Ganze von erfahrenen Programmierern gesteuert werden muss.“
Das ist weder Beruhigung noch Garantie. Es ist eine Differenzierung, die viele übersehen: KI ersetzt nicht automatisch Arbeit. Sie verschiebt, was wertvolle Arbeit ist. Wer versteht, wie die Systeme funktionieren, was sie können und was nicht, wird gefragter. Wer nur ausführt, ohne zu verstehen, wird ersetzt. Das war vor der KI so und bleibt es danach.
Das unbequeme Ende
Am Ende des Gesprächs mit Leonard Schmedding fragt ihn jemand, wohin das alles führt.
Von der Malsburg antwortet nicht mit Optimismus. „Sinn und Zweck der Automation ist, dem Menschen mühsame Arbeit abzunehmen. Inzwischen kommt es bei der geistigen Arbeit an. Und wenn dieses Ziel erreicht ist, dann ist der Mensch überflüssig. Ich sehe das als ein furchtbares, tiefgreifendes Problem. Und ich weiß keine Lösung dafür.“
Ich finde es bemerkenswert, dass jemand mit 83 Jahren und fünfzig Jahren Forschungsbiografie diese Frage so offen lässt. Er könnte sie weglächeln. Er könnte sagen, der Mensch findet immer neue Aufgaben. Er tut es nicht.
Das ist für mich das wichtigste Signal. Nicht die Technologie. Nicht die Milliarden. Sondern dass ein Mitgründer dieses Feldes sagt: Wir wissen nicht, wo das hinführt. Und das sollte uns zu denken geben, bevor wir die nächste KI-Implementierung feiern, als wäre es eine unkomplizierte Produktivitätssteigerung.
