AuroraGPT entfacht Debatte um Zukunft der Ingenieure

Eine Billion Parameter zur Entleerung technischer Büros

Das Argonne National Laboratory (ANL) und Intel trainieren AuroraGPT, ein Modell mit einer Billion Parametern, das darauf abzielt, das gesamte wissenschaftliche Wissen der Menschheit zu vereinen. Der Supercomputer Aurora, unterstützt durch die GPU Ponte Vecchio und eine Leistung von über einem halben Exaflop, ist die Maschine, die dieses Modell entwickelt. Die zentrale Frage, die diese Diskussion auslöste, lautet nicht, was das System können wird, sondern wie viele Ingenieure ihren Arbeitsplatz verlieren könnten.

Was ist AuroraGPT und was verspricht die KI in der Wissenschaft?

Das Projekt ist eine gemeinsame Initiative des Argonne National Laboratory und von Intel und wird auf dem Supercomputer Aurora trainiert, der eine Leistung von mehr als einem halben Exaflop erreicht. Das erklärte Ziel ist es, einen „fast allwissenden Verstand“ zu schaffen, der versteckte Zusammenhänge aufzeigt, Daten analysiert und jede erdenkliche Frage beantwortet kann. Die Präsentatoren beschreiben das System ohne Zurückhaltung als einen wissenschaftlichen Halbgott, der darauf ausgerichtet ist, die Forschung exponentell zu beschleunigen, indem alle Wissenszweige integriert werden.

Der Fortschritt besteht nicht nur in der Größe, sondern auch in der Funktion: Es geht nicht darum, dass die Maschine schneller rechnet, sondern dass das System die Urteilsfähigkeit integriert, die bisher Menschen beisteuerten. Hier beginnt das arbeitsrechtliche Problem.

Vom manuellen Berechnen zum Team von nur drei Personen

Die These, die einen Großteil der Angst trägt, hat laut Befürwortern ein historisches Vorbild. In dieser Erzählung generierten technische Büros deutlich mehr Arbeitsplätze, bevor Berechnungs- und Designsoftware eingeführt wurde; Strukturen, die heute Software löst, wurden früher manuell mit wissenschaftlichen Taschenrechnern berechnet. Mit der schrittweisen Einführung der Computertechnik produzierte ein einzelner Ingenieur so viel wie zehn frühere Kollegen. Diese Analogie wird auch auf Zeichner angewendet, deren Arbeit durch Tools wie AutoCAD erheblich beschleunigt wurde.

Die Prognose lautet: Wenn der Ingenieurdirektor durch den Dialog mit der KI hochproduktiv wird, könnte ein Team von 20 Ingenieuren auf maximal 2 oder 3 reduziert werden. Prozesse, die heute Senior-, Junior- und Praktikantenstellen erfordern, existieren in dieser Lesart nur, weil sie nicht ausreichend automatisiert sind. Nicht infrage gestellt wird echte F&E – etwa komplexe Strukturen im Stil Calatravas oder Lithografie-Maschinen –, sondern der Alltag hundertertausender Baustellen und Fabriken, wo ein Großteil der Arbeit darin besteht, Eurocodes und AENOR-Normen anzuwenden.

Geopolitische Faktoren treiben ebenfalls

Ein zweiter Motor, der in dieser Analyse oft unerwähnt bleibt, ist geopolitischer Natur. In entwickelten Ländern studieren Einheimische zunehmend weniger Ingenieurwesen oder tun dies nur noch in Minderheiten, sodass die Nachfrage teilweise durch importierte Fachkräfte gedeckt wird: indische Ingenieure in Großbritannien, asiatische in den USA, spanische in Deutschland, der Schweiz und den nordischen Ländern. Das verbreitete Argument lautet, dass diese Studiengänge im Verhältnis zum Aufwand wenig Rendite bieten.

Im neuen Kalten Krieg, mit der NATO auf der einen Seite und China, Russland sowie den BRICS-Staaten auf der anderen, wird dieser Talenttransfer verdächtig. Die Interpretation besagt, dass der westliche Block zunehmend zögert, Gehirne zu importieren, die möglicherweise industriellen Spionagetreiben könnten. Daher bestehe ein politisches und strategisches Interesse daran, die Abhängigkeit von ihnen zu beenden. Und dafür sei die KI das entscheidende Werkzeug.

Warum Skepsis bei Software-Ingenieuren herrscht?

Der Zweifel kommt aus den eigenen Reihen. Expertensysteme und neuronale Netze werden seit den Achtzigern implementiert, sind also keine neue Erfindung. Kritiker weisen darauf hin, dass beim autonomen Fahren über mehr als zwei Jahrzehnte hinweg Millionenbeträge an öffentlichen und privaten Geldern investiert wurden, ohne dass es eine reale Anwendung auf der Straße gibt; manche behaupten sogar, dass es nie dazu kommen wird. Wenn dieses Problem im Vergleich zu einer allgemeinen KI trivial erscheint, stimmen die Rechnungen nicht.

Das technische Gegenargument lautet, dass Waymo oder Cruise komplexe Varianten der gelben Linie eines Gabelstaplers seien: dreidimensionale Karten, Lidar-Sensoren und Tausende Stunden Simulation funktionieren nur in kartografierten Gebieten. Ein vereinfachtes, nicht gelöstes Problem. Hinzu kommt, laut diesem Teilnehmer, der von Maschinen generierte Code: Für Menschen schwer lesbar und daher nur durch eine weitere KI reparierbar.

Hat sich seit der Ankündigung etwas bewegt?

Die Zeit ist der unbequeme Richter. Ein Jahr später lautet die häufigste Antwort immer noch: nichts, nirgendwo. Die Ankündigungen häufen sich, aber der vorhergesagte Einbruch bleibt aus. Demgegenüber erinnert ein Befürworter daran, dass das System funktioniert und kein Tool für triviale Abfragen ist: Er nennt Beispiele von Assistenten, die Videoaufnahmen von Baustellen prüfen und Berichte zu Arbeitsschutzrisiken erstellen. Die Diskussion driftet ab und kehrt zum Ausgangspunkt zurück: Einige sehen numerische Berechnungen, andere sehen Menschen, die Code schreiben, und niemand findet den versprochenen Kollaps.

Die Analyse stockt genau hier. Die Maschine rechnet, das Modell wird trainiert und die Schlagzeile bleibt bestehen, doch die Anzahl der Ingenieure, die aufgrund dessen ihren Job verlieren, ist weiterhin unbestätigt. Damit muss man leben.