KI aus Deutschland: Ein Fördersystem, das Innovationen bremst

Was geschehen ist: Die Ambitionen der deutschen KI-Forschung

Deutschland hat sich das ehrgeizige Ziel gesetzt, im Bereich der Künstlichen Intelligenz (KI) eine eigenständige Rolle einzunehmen und sich von der Abhängigkeit großer US-amerikanischer Technologiekonzerne zu lösen. Um dieses Vorhaben zu realisieren, fließen Millionenbeträge in diverse Forschungsprojekte, die den technologischen Rückstand aufholen sollen. Ein prominentes Beispiel für diese Bemühungen ist das Sprachmodell Soofi. Als die erste Version, bekannt als Soofi S, veröffentlicht wurde, löste dies in Fachkreisen und auf Plattformen wie LinkedIn eine Welle des Optimismus aus. Viele Beobachter sahen in dem Modell den lang erwarteten Beweis dafür, dass deutsche Forschungseinrichtungen in der Lage sind, konkurrenzfähige KI-Lösungen zu entwickeln. Die Ergebnisse in gängigen Benchmarks schienen diese Einschätzung zu stützen, weshalb das Projekt von einigen Stimmen bereits als wichtiger Meilenstein einer deutschen Aufholjagd gefeiert wurde. Dennoch zeigt eine kritische Analyse des Projekts, dass der öffentliche Eindruck der tatsächlichen technologischen Leistungsfähigkeit des Modells möglicherweise nicht gerecht wird. Das Modell Soofi steht exemplarisch für eine Entwicklung, bei der der Wunsch nach nationaler technologischer Souveränität auf die harten Realitäten eines komplexen und teilweise dysfunktionalen Fördersystems trifft. Statt eines technologischen Heilsbringers offenbart Soofi strukturelle Schwächen, die weit über das einzelne Projekt hinausgehen und die deutsche KI-Szene insgesamt zu bremsen scheinen.

Die Einzelheiten: Hinter den Kulissen des Projekts Soofi

Das Projekt Soofi S, das als Large Language Model (LLM) konzipiert wurde, sollte ursprünglich als Basis für industrielle Anwendungen dienen. Die finanzielle Ausstattung des Projekts beläuft sich auf ein Förderbudget von 25 Millionen Euro. Experten äußern jedoch bereits bei der Betrachtung dieser Summe erhebliche Zweifel an der Realisierbarkeit der ambitionierten Ziele. Allein die für das Training eines modernen, wettbewerbsfähigen KI-Modells notwendige Rechenleistung übersteigt diese Kosten bei weitem. Mit lediglich 30 Milliarden Parametern ist Soofi S im Vergleich zu aktuellen Spitzenmodellen, deren Parameteranzahl in den zweistelligen Billionenbereich reicht, als eher klein einzustufen. Eine entscheidende technische Einzelheit ist, dass das Team nicht bei null begann, sondern auf die existierende Architektur „Nemotron 3 Nano“ von Nvidia setzte. Das Modell wurde somit in Deutschland nicht grundlegend neu entwickelt, sondern lediglich auf Basis einer fremden Architektur neu trainiert. Das Paper zum Projekt hebt einen neuen Tokenizer hervor, der speziell auf deutsche und englische Daten optimiert wurde, unter anderem durch die Integration übersetzter chinesischer Texte. Diese Anpassung führt dazu, dass Textsequenzen kompakter dargestellt werden können, was die Effizienz des Attention-Mechanismus steigern soll. Während die erreichten Benchmarks auf den ersten Blick solide wirken und das Modell das ursprüngliche Nvidia-Basismodell leicht übertrifft, bleibt der tatsächliche Innovationsgrad hinter den Erwartungen zurück.

Hintergrund: Der steinige Weg zur technologischen Souveränität

Die Geschichte der deutschen KI-Forschung ist geprägt von dem Wunsch, sich aus der Umklammerung durch die großen Tech-Giganten aus den USA und zunehmend auch aus China zu befreien. Projekte wie Soofi oder das vorangegangene Modell Teuken sind direkte Resultate dieser Bestrebungen. Der bisherige Verlauf zeigt jedoch ein wiederkehrendes Muster: Zwar werden beachtliche finanzielle Mittel bereitgestellt, doch die Ergebnisse bleiben oft hinter dem internationalen Standard zurück. Die Vorgeschichte dieser Projekte ist eng mit der politischen und wirtschaftlichen Forderung verknüpft, „Made in Germany“ auch im digitalen Zeitalter als Qualitätssiegel zu etablieren. Doch statt echter Innovationen scheint sich ein Trend zum „Trained in Germany“ zu etablieren, bei dem vorhandene ausländische Architekturen lediglich mit lokalen Daten angereichert werden. Dieser Ansatz ist zwar kostengünstiger und schneller umsetzbar, verhindert jedoch den Aufbau einer eigenen, grundlegenden technologischen Expertise. Der bisherige Verlauf der Förderpolitik lässt vermuten, dass das System eher darauf ausgerichtet ist, kurzfristige, vorzeigbare Ergebnisse zu produzieren, anstatt langfristige, bahnbrechende Forschung zu ermöglichen. Dies führt zu einer Situation, in der die deutsche Tech-Szene zwar aktiv ist, aber den Anschluss an die globale Innovationsdynamik verliert, weil die strukturellen Rahmenbedingungen den notwendigen Mut zur grundlegenden Exploration vermissen lassen.

Die Beteiligten: Akteure im deutschen Fördersystem

Die Akteure in diesem Szenario sind vielfältig, wobei die Verantwortung für die aktuelle Situation sowohl bei den politischen Entscheidungsträgern als auch bei den wissenschaftlichen Institutionen liegt. Die Förderpolitik wird maßgeblich durch staatliche Stellen bestimmt, die Millionenbeträge in Projekte wie Soofi investieren. Auf der anderen Seite stehen die Forscher und Entwickler, die versuchen, innerhalb der engen Vorgaben des Fördersystems zu arbeiten. Ein zentraler Akteur im technischen Bereich ist Nvidia, dessen Architektur Nemotron 3 Nano als technisches Fundament für Soofi S dient. Die öffentliche Wahrnehmung wird zudem durch Kommentatoren auf Plattformen wie LinkedIn geprägt, die den Fortschritt der deutschen KI-Szene kritisch oder unterstützend begleiten. Tim Elsner, der die aktuelle Situation analysiert, sieht die Ursache für das Ausbleiben echter Innovationen nicht bei den Wissenschaftlern selbst, sondern in einem System, das den Forscherdrang nicht belohnt. Die Institutionen, die die Gelder verwalten und die Ziele definieren, stehen hierbei in der Kritik, da sie durch ihre bürokratischen Anforderungen und den Fokus auf kurzfristige, messbare Erfolge die eigentliche Forschungsfreiheit einschränken. Die Beteiligten sind somit in einem System gefangen, das Innovation eher verwaltet als fördert.

Einordnung: Warum Deutschland den Anschluss verliert

Einzuordnen ist die aktuelle Situation als ein strukturelles Versagen der Innovationspolitik. Den Berichten zufolge ist das deutsche Fördersystem so gestaltet, dass es offene Exploration – also das risikoreiche, aber potenziell bahnbrechende Experimentieren – systematisch unterbindet. Die Förderung ist oft an Bedingungen geknüpft, die Forscher dazu zwingen, sichere Pfade zu wählen, anstatt neue Wege zu beschreiten. Dies führt zu einer Art „Beschäftigungstherapie“, bei der zwar geforscht wird, die Ergebnisse jedoch kaum über ein Mittelmaß hinauskommen. Ein weiteres Problem ist die Fixierung auf Benchmarks. Wenn Wissenschaftler gezwungen sind, ihre Modelle primär auf bestimmte Scores zu optimieren, neigen sie dazu, die Modelle auf diese Tests zu trainieren, anstatt eine echte Intelligenz oder ein breites Verständnis der Materie zu entwickeln. Das Auswendiglernen von Daten, um in Benchmarks gut abzuschneiden, ersetzt dann die echte Forschung. Einzuordnen ist dies als eine Fehlsteuerung: Anstatt die Grundlagenforschung zu stärken, die langfristig zu echten Durchbrüchen führen könnte, wird in Projekte investiert, die lediglich den Anschein von Fortschritt erwecken. Die Abhängigkeit von ausländischen Architekturen wie denen von Nvidia unterstreicht zudem, dass Deutschland derzeit nicht in der Lage ist, die notwendige technologische Infrastruktur für Spitzen-KI selbst zu schaffen.

Offene Fragen: Was das System verschweigt

Trotz der Analyse des Projekts Soofi bleiben zahlreiche Fragen unbeantwortet, die für das Verständnis der deutschen KI-Strategie von zentraler Bedeutung wären. Es ist beispielsweise unklar, wie die Entscheidungsprozesse innerhalb der Förderinstitutionen genau ablaufen und warum trotz der offensichtlichen Diskrepanz zwischen Budget und technischem Anspruch keine Kurskorrektur erfolgt. Der Quelltext lässt offen, welche konkreten Kriterien für die Auswahl der geförderten Projekte herangezogen werden und ob es eine interne Evaluation gibt, die die Effektivität dieser Millioneninvestitionen kritisch hinterfragt. Ebenso bleibt offen, wie die beteiligten Wissenschaftler die Einschränkungen durch das Fördersystem selbst bewerten und ob es Bestrebungen gibt, die Förderrichtlinien grundlegend zu reformieren. Es wird nicht explizit benannt, welche Rolle die Industrie bei der Definition dieser Forschungsprojekte spielt und inwieweit wirtschaftliche Interessen die wissenschaftliche Freiheit beeinflussen. Auch die Frage, ob es alternative Ansätze in Deutschland gibt, die abseits der großen, staatlich geförderten Projekte erfolgreich sind, wird nicht beantwortet. Die Lücken im Quelltext lassen den Leser mit der Frage zurück, ob das System überhaupt in der Lage ist, aus seinen Fehlern zu lernen oder ob die aktuelle Strategie der „Mittelmäßigkeit“ eine bewusste Entscheidung ist, um zumindest eine minimale Sichtbarkeit im KI-Markt zu wahren.