Richard Sutton startet Oak Lab und setzt auf das härteste KI-Ziel überhaupt

Richard Sutton setzt mit Oak Lab ein Ziel, das fast provokant wirkt: ein Agent mit einer Billion Parametern, der in Echtzeit lernt und plant und dabei mit 20 Watt auskommt. Das ist keine normale Produktankündigung. Es ist eine Kampfansage an die Richtung, in die große Teile der KI-Branche gerade laufen.

Die Zahl selbst ist gewaltig. Eine Billion Parameter steht für Systeme, die heute mit massivem Rechenaufwand verbunden werden. Noch auffälliger ist aber der zweite Teil des Ziels: 20 Watt. Das ist die Leistungsklasse eines sparsamen Alltagsgeräts, nicht die eines typischen KI-Stacks mit teuren Beschleunigern und hohem Strombedarf.

Genau darin liegt die Bedeutung von Oak Lab. Sutton formuliert KI hier nicht als Wettrennen um immer größere Rechenzentren. Er formuliert sie als Effizienzproblem. Wer Lernen und Planen in Echtzeit unter so harten Energievorgaben ernst nimmt, stellt die aktuelle Logik vieler Modelle infrage: mehr Chips, mehr Strom, mehr Infrastruktur.

Für die Branche ist das ein unangenehmer Punkt. Der KI-Boom wird oft über Modellgröße und Benchmarks erzählt. Die operative Realität sieht anders aus. Kosten für Training und Betrieb steigen, Strom wird zum Engpass, und Echtzeitfähigkeit bleibt teuer. Ein System, das bei extrem niedriger Leistungsaufnahme laufend lernen und planen kann, wäre deshalb weit mehr als ein akademischer Erfolg. Es wäre eine andere technische Route.

Das ist auch für Geräteklassen jenseits des Rechenzentrums wichtig. Wenn leistungsfähige Agenten nicht an hohe Wattzahlen gebunden sind, rückt KI näher an Roboter, Fahrzeuge, Sensorik und persönliche Hardware. Dort zählt nicht der schönste Demo-Clip, sondern ob ein System direkt vor Ort reagieren kann, ohne ständig auf schwere Infrastruktur angewiesen zu sein.

Oak Lab startet damit an einer Stelle, an der sich Forschung und Industrieinteresse direkt treffen. Echtzeit-Lernen, Planung und sehr niedriger Energieverbrauch sind drei Anforderungen, die sich bislang eher gegenseitig blockieren. Wer sie zusammenbringt, verschiebt den Maßstab. Nicht, weil große Modelle verschwinden. Sondern weil dann klar wird, wie ineffizient viele heutige Ansätze noch sind.

Natürlich ist das Ziel enorm. Gerade deshalb ist es bemerkenswert. Sutton verkauft hier keine kleine Optimierung. Er beschreibt ein Ideal, an dem sich KI-Systeme künftig messen lassen müssen: nicht nur an Größe oder Output, sondern an Anpassungsfähigkeit pro Watt.

Oak Lab startet also mit einer These, die sitzt: Der nächste große Sprung in der KI kommt womöglich nicht aus noch mehr Energieeinsatz, sondern aus radikal besserer Nutzung von Energie. Wenn das aufgeht, wäre das mehr als ein neues Labor. Es wäre ein Gegenentwurf zum aktuellen KI-Überbau.