KI-Modell von Quake 2: Carmack wehrt sich gegen Vorwürfe - "kann wie in der Landwirtschaft laufen"
Von "beleidigend" bis "beeindruckend": Microsofts KI-Modellierung von Quake 2 sorgt wenig überraschend für eine große Bandbreite an Reaktionen.
Update
Originalartikel vom 08.04.2025: Am Wochenende berichtete PCGH schon über eine KI-generierte Demo von Quake 2, das ursprünglich 1997 erschien. Mittlerweile gibt es einige interessante Reaktionen darauf, die wir an dieser Stelle zusammenfassen.
Beeindruckende Technik, spielerische Grenzen
Kurz zur Erinnerung: Mit WHAMM (World and Human Action MaskGIT Model) lässt Microsoft Quake 2 mithilfe eines generativen KI-Modells im Browser zum Leben erwecken. "Echtzeit" ist dabei noch relativ, denn nach einer zähen Startphase kommt man trotzdem bisher nur auf 10-20 Fps. Immerhin: Während das alte WHAMM-Modell Einzelbilder noch sequenziell erzeugte, generiert das neue Modell Frames parallel, was - zumindest theoretisch - eine deutlich höhere Geschwindigkeit ermöglicht.
Die News erzeugte auch im Forum sehr unterschiedliche Reaktionen. Während schon "vom Anfang vom Ende" gesprochen wurde, sehen andere in der Technik "den Anfang von etwas ganz Großem". Einige sehen die Möglichkeiten der KI als sinnvolle Ergänzung oder Unterstützung, andere sehen solche Werkzeuge als negativ bewertete Option für große Publisher, ihre Spieleserien noch schneller auf den Markt zu bringen.
Die Webseite Insider-Gaming sieht gar eine "Beleidigung für alle Spieler". Das Spielen der Demo wäre, als ob man versucht, "ein Spiel mit ausgeschaltetem Controller zu spielen". Es stecke "kein echtes Herz und kein Gefühl dahinter". Geht man den Weg zurück, den man gekommen ist, wäre alles wieder verändert, weil alles neu berechnet wird. Spiele seien eine "wunderbare Kunstform, mit der man Geschichten erzählen und Erfahrungen machen kann, wie es kein anderes Medium erlaubt. Das hier ist nichts weiter als eine Verschwendung von Ressourcen und Geld".
John Carmack, immerhin Chefprogrammierer von Quake 2, sieht die Kommentare auf X auf seine Art. Auf den Kommentar, die KI-Demo würde "jedem Entwickler ins Gesicht spucken", antwortet er nur: "Was? Das ist eine beeindruckende Forschungsarbeit". Viel Zustimmung bekommt er in den Kommentaren freilich nicht. Ein Argument: Generative KI würde hier zu einem weiteren heftigen Arbeitsplatzverlust führen.
Wie stehen Sie zur Diskussion? Nutzen Sie die Kommentarfunktion und teilen Sie uns Ihre Meinung mit. Beachten Sie beim Kommentieren aber bitte die Forenregeln. Folgen Sie uns außerdem für Neuigkeiten in der Hardware-Welt oder unsere exklusiven Inhalte gern auf Whatsapp und X. Unsere Video-Inhalte (oftmals gewürzt mit einer Prise Humor) finden Sie bei Youtube, Instagram und Tiktok.
John Carmack legt nach
Aktualisierung vom 09.04.2025: Der in der Meldung zitierte John Carmack hat auf X noch einmal ausführlich nachgelegt. Speziell geht es ihm um den Vorwurf, KI-Werkzeuge würden "die Fähigkeiten von Programmierern, Künstlern und Designern trivialisieren". Seine ersten Spiele habe Carmack demnach entwickelt, indem er "Maschinencode von Hand zusammengesetzt und Figuren von Millimeterpapier in Hexadezimalzahlen umgewandelt" habe. Der Fortschritt in der Software habe diese Arbeit "genauso irrelevant gemacht wie die Wartung von Streitwagenrädern". Leistungsstarke Werkzeuge zu bauen, sei "ein zentraler Bestandteil des gesamten Fortschritts in der Computerwelt".
Game-Engines haben die "Bandbreite der Menschen, die an der Spieleentwicklung beteiligt sind, radikal erweitert", auch wenn sie die Bedeutung eines Großteils der von Carmack "geliebten Systemtechnik" verringert haben. Der Quake-Schöpfer glaubt, dass es "KI-Werkzeuge den Besten ermöglichen werden, noch größere Höhen zu erreichen, während sie kleineren Teams erlauben, mehr zu schaffen - und völlig neue Schöpfergruppen mit ins Boot holen". Er erwarte, dass man irgendwann ein interaktives Spiel (oder einen Roman oder einen Film) allein durch einen Prompt erzeugen kann - aber es werde "dennoch weitaus bessere Beispiele des Mediums geben, die von engagierten Teams leidenschaftlicher Entwickler geschaffen wurden".
Ob es durch KI mehr oder weniger Jobs gebe, sei offen, so Carmack. Es könnte "wie in der Landwirtschaft laufen, wo es arbeitssparende Technologien einem kleinen Bruchteil der früheren Arbeitskräfte ermöglichen, alle zu versorgen". Oder wie bei den sozialen Medien, wo "kreatives Unternehmertum auf vielen verschiedenen Ebenen aufgeblüht ist". "Benutze keine Werkzeuge, weil sie Jobs kosten" sei aber "keine Erfolg versprechende Strategie".
Das ist doch der Knackpunkt, Möglichkeiten herbeifabulieren kann man viel, aber da wo Menschen versuchen "AI" tatsächlich konkret so einzusetzen, da quietscht und kracht es, und funktioniert eben nicht so, wie es herbeifantasiert wurde. Außer, wie gesagt, in den Fällen, wo die Problemstruktur genau auf die Eigenschaften von LLM-basierten Prädiktoren passt, wie etwa bei Übersetzungen.
Ich bin grundsätzlich kein Freund von OpenAI aber seitdem mein Unternehmen den DeepResearch Mode für Recherchearbeiten verwendet haben sich unsere Fremdkosten für Berater und Makler um bisher etwa €35k pro Monat reduziert.
Meine Abteilung Real Estate und Legal wurde um zwei FTEs reduziert, die gesamte Arbeit der Nebenkostenabrechnung, Indexierungsberechnung- und Überprüfung, Zahllaufabgleiche wird nur mehr innerhalb von 10 Minuten menschlich kontrolliert, 0% erarbeitet.
Seitdem wir seit ebenfalls 3 Monaten unsere PowerBI Daten über vektorisierte Datenbanken gemeinsam mit DataBricks über ein Layer das auf Cognee basiert angebunden haben, konnten wir 2 FTE im Controlling abbauen.
Gleiches gilt für Beraterhonorare durch Kanzleien: 90% Reduktion seit Februar.
Unsere gesamtes Systemhandbuch für operative Aufgaben im Feld ist nun ein Chatbot auf QwQ 32B Basis, angebunden über CAG. Bei etwas mehr als 35 Muttersprachen in meinem Unternehmen ist allein das ein godsend - die Fragen werden richtig, nachvollziehbar auf Data Scientist Ebene durch Knowledge Graphs und mathematisch eindeutig identifizierbar (0 Halluzination) beantwortet, und zwar in der Sprache des Fragenden.
B2C kommt da noch deutlich mehr, aber das will ich hier nicht verraten 😉
Das ist doch der Knackpunkt, Möglichkeiten herbeifabulieren kann man viel, aber da wo Menschen versuchen "AI" tatsächlich konkret so einzusetzen, da quietscht und kracht es, und funktioniert eben nicht so, wie es herbeifantasiert wurde. Außer, wie gesagt, in den Fällen, wo die Problemstruktur genau auf die Eigenschaften von LLM-basierten Prädiktoren passt, wie etwa bei Übersetzungen.
Viele vergessen, dass es keine AI ist, sondern das nur ein Marketing-Label ist um den Shit zu verkaufen. Da ist keine Kreativität drin, es sind Prädiktoren basierend auf dem Trainingsmaterial. Im besten Fall holt es raus, was im Trainingsmaterial war und mit der höchsten Wahrscheinlichkeit an der Stelle passt. Das wird uns keinen Fusionsreaktor bauen, wenn nicht die Technik für Fusionsreaktoren im Trainingsmaterial war. Und was man auch nicht vergessen darf: es bewertet nicht nach Qualität. Kann es gar nicht. Was gezeigt wird wird gerade beim verstärkten Lernen durch die Quantität, nicht die Qualität bestimmt. Und jetzt muss man sich nur mal klar machen, dass Social Media als Trainingsmaterial benutzt werden. Wenn die Mehrheit des Inputs der Meinung ist, die Sonne drehe sich um die Erde, dann wird das auch so ausgegeben.
Genau das kann ich im Entwicklungsbereich auch sehr schön nachvollziehen. Der Code, der damit produziert wird hat seit es damit losging ganz deutlich für mehr Findings in unseren Pentests gesorgt. Wie soll es auch anders sein? Der Code im Trainingsmaterial ist ja schon nicht sicher, gut und wartbar; wie sollte es dann im generierten Code anders sein? Ganz besonders schlimm ist es übrigens, wenn es durch AI-Schlangenöl gejagt wurde, das Sicherheitslücken erkennen soll. Dann denken die Anwender es sei sicher, aber wir finden weiter absolute Basics wie SQL-Injections. Das ist insofern schlimmer, als die Leute jetzt denken es sei ja sicher und gecheckt und es dann ins Internet exponieren...
"AI" ist ein Taschenspielertrick. Es funktioniert gut in einigen ganz bestimmten Anwendungssituationen, wie z. B. Übersetzungen oder da, wo man sich viele Exemplare erzeugen lassen und dann das Passendste aussuchen kann (wie Stable Diffusion etc.). Aber es ist eben keine wirkliche Intelligenz, sondern nur eine sehr komplexe Wahrscheinlichkeitstabelle, von der man sich etwas Passendes zum Input vorschlagen lassen kann. Ob es das wert ist, den Planet dafür zu verbrennen kann ja jeder selbst entscheiden.
Dass das Ganze nicht so gut ist, wie man denkt, kann man ja schon davon ableiten, dass die AI-Bros bei den Benchmarks bescheißen. Wäre das Zeug gut hätten sie das wohl kaum nötig.
Falls du mal eine Meinung von jemandem lesen möchtest, der von AI überzeugt war und versucht hat darauf ein Geschäftsmodell basieren zu lassen und dem dabei leichte Zweifel am Konzept gekommen sind: https://www.lesswrong.com...
Agenten und Reasoning-Modelle:
Moderne KI-Systeme wie Auto-GPT und BabyAGI zeigen, dass KI in der Lage ist, komplexe Aufgaben autonom zu planen und auszuführen. Diese Agenten können eigenständig recherchieren, Entscheidungen treffen und Handlungen ausführen, was weit über einfache Textgenerierung hinausgeht.
Fortschritte in der Modellarchitektur:
Distillation und Quantisierung: Diese Techniken reduzieren die Größe und Komplexität von Modellen, ohne deren Leistung wesentlich zu beeinträchtigen. Dadurch können leistungsfähige Modelle effizienter eingesetzt werden, was insbesondere für den Einsatz in ressourcenbeschränkten Umgebungen von Vorteil ist.
Mixture-of-Experts (MoE): MoE-Modelle aktivieren nur einen Teil des gesamten Netzwerks für eine bestimmte Eingabe, was zu einer effizienteren Nutzung von Ressourcen führt. Dies ermöglicht es, sehr große Modelle zu trainieren und gleichzeitig die Inferenzkosten zu senken.
Attention-Mechanismen: Die Einführung von Attention-Mechanismen, insbesondere in der Transformer-Architektur, hat die Fähigkeit von Modellen verbessert, relevante Informationen in langen Kontexten zu identifizieren und zu verarbeiten. Dies ist entscheidend für Aufgaben, die ein tiefes Verständnis des Kontexts erfordern.
Alternativen zum Human-based Reinforcement Learning:
Die Abhängigkeit von menschlichem Feedback im Reinforcement Learning wird durch neue Ansätze reduziert. Beispielsweise ermöglichen selbstüberwachende Lernmethoden und die Nutzung synthetischer Daten, dass Modelle ohne umfangreiche menschliche Annotationen trainiert werden können. Dies beschleunigt den Trainingsprozess und reduziert die Notwendigkeit für manuelle Eingriffe.
Komplexe Workflows mit Open-Source-Modellen:
Die Kombination mehrerer Open-Source-Modelle ermöglicht die Umsetzung komplexer Workflows wie Retrieval-Augmented Generation (RAG) und Context-Aware Generation (CAG). Diese Systeme integrieren externe Wissensquellen und ermöglichen es, Antworten zu generieren, die auf aktuellen und relevanten Informationen basieren. Solche Architekturen zeigen, wie KI-Systeme über einfache Mustererkennung hinausgehen und kontextualisierte, fundierte Antworten liefern können.
Für mich ist aus den Erfahrungen des täglichen Einsatzes absolut klar, dass KI-Systeme zunehmend in der Lage sind, komplexe Aufgaben zu bewältigen und echte Intelligenz zu demonstrieren. Die Fortschritte in Modellarchitektur, Trainingstechniken und Anwendungsmöglichkeiten widerlegen die Vorstellung, dass es sich lediglich um „Taschenspielertricks“ handelt aus meiner Sicht vollständig.
Viele vergessen, dass es keine AI ist, sondern das nur ein Marketing-Label ist um den Shit zu verkaufen. Da ist keine Kreativität drin, es sind Prädiktoren basierend auf dem Trainingsmaterial. Im besten Fall holt es raus, was im Trainingsmaterial war und mit der höchsten Wahrscheinlichkeit an der Stelle passt. Das wird uns keinen Fusionsreaktor bauen, wenn nicht die Technik für Fusionsreaktoren im Trainingsmaterial war. Und was man auch nicht vergessen darf: es bewertet nicht nach Qualität. Kann es gar nicht. Was gezeigt wird wird gerade beim verstärkten Lernen durch die Quantität, nicht die Qualität bestimmt. Und jetzt muss man sich nur mal klar machen, dass Social Media als Trainingsmaterial benutzt werden. Wenn die Mehrheit des Inputs der Meinung ist, die Sonne drehe sich um die Erde, dann wird das auch so ausgegeben.
Genau das kann ich im Entwicklungsbereich auch sehr schön nachvollziehen. Der Code, der damit produziert wird hat seit es damit losging ganz deutlich für mehr Findings in unseren Pentests gesorgt. Wie soll es auch anders sein? Der Code im Trainingsmaterial ist ja schon nicht sicher, gut und wartbar; wie sollte es dann im generierten Code anders sein? Ganz besonders schlimm ist es übrigens, wenn es durch AI-Schlangenöl gejagt wurde, das Sicherheitslücken erkennen soll. Dann denken die Anwender es sei sicher, aber wir finden weiter absolute Basics wie SQL-Injections. Das ist insofern schlimmer, als die Leute jetzt denken es sei ja sicher und gecheckt und es dann ins Internet exponieren...
"AI" ist ein Taschenspielertrick. Es funktioniert gut in einigen ganz bestimmten Anwendungssituationen, wie z. B. Übersetzungen oder da, wo man sich viele Exemplare erzeugen lassen und dann das Passendste aussuchen kann (wie Stable Diffusion etc.). Aber es ist eben keine wirkliche Intelligenz, sondern nur eine sehr komplexe Wahrscheinlichkeitstabelle, von der man sich etwas Passendes zum Input vorschlagen lassen kann. Ob es das wert ist, den Planet dafür zu verbrennen kann ja jeder selbst entscheiden.
Dass das Ganze nicht so gut ist, wie man denkt, kann man ja schon davon ableiten, dass die AI-Bros bei den Benchmarks bescheißen. Wäre das Zeug gut hätten sie das wohl kaum nötig.
Falls du mal eine Meinung von jemandem lesen möchtest, der von AI überzeugt war und versucht hat darauf ein Geschäftsmodell basieren zu lassen und dem dabei leichte Zweifel am Konzept gekommen sind: https://www.lesswrong.com...