Wakeline arbeitet an einer biologisch inspirierten KI-Architektur, die auf Continuous Learning setzt und sich im laufenden Betrieb an neue Bedingungen anpassen kann. Im Interview geht es um die Chancen dieser KI, technologische Souveränität und den Einsatz in dynamischen Umgebungen.
Können Sie Wakeline kurz vorstellen und erzählen, wer das Unternehmen gegründet hat?
Wakeline ist ein Deep-Tech-Unternehmen aus Düsseldorf, das eine neue Form künstlicher Intelligenz entwickelt. Im Kern steht eine biologisch inspirierte Architektur, die ohne Deep Learning auskommt und kontinuierlich im laufenden Betrieb lernt. Das ist deshalb relevant, weil viele Modelle nach dem Training weitgehend statisch operieren und mit jeder Veränderung der Welt an Genauigkeit verlieren, wenn sie nicht nachtrainiert werden. Unser System lernt laufend dazu und passt sich an. Gegründet haben wir Wakeline zu viert: Dr. Tim Gülke, Jan Böggering, Simon Sprünker und Dr. Merten Tiedemann.
Wie entstand die Idee, mit Wakeline einen anderen Weg als klassische LLM- und Deep-Learning-Ansätze einzuschlagen?
Entstanden ist die Idee aus dem First-Principles-Denken. Wir haben uns gefragt, wie es Lebewesen gelingt, mit sehr einfachen Nervensystemen komplexes Verhalten zu zeigen, und das ganz ohne Training und ohne Backpropagation. Welche Rolle spielt dabei ein einzelnes Neuron? Wie verarbeiten selbst einfachste Nervensysteme die großen Mengen an kontinuierlich auf sie einströmenden Daten, und das vor allem in analoger Form? Mit Deep Learning ist das so derzeit nur mit großem Aufwand lösbar. Die Natur hat insbesondere für das Lernen eine andere Lösung gefunden.
Genau dort setzen wir an. Die heutige KI bildet vor allem die beschreibende Seite der Intelligenz ab, also das Erkennen von Mustern in historischen Daten. Diese Seite ist beeindruckend, deckt aber nur eine Hälfte dessen ab, was Intelligenz ausmacht. Die andere Hälfte entsteht im Zusammenspiel mit einer Umgebung, die sich ständig verändert, und genau diese teilnehmende Seite fehlt den gängigen Ansätzen. Die Evolution hat ein Verfahren hervorgebracht, dass es Lebewesen ermöglicht, sich auf eine ständig verändernde Umgebung einzustellen.
Welche Vision verfolgen Sie mit Wakeline, und welche Rolle spielt dabei das Konzept des Continuous Learning?
Die Vision ist, eine allgemeinere Form von Intelligenz zu entwickeln, die nicht nur auf ihre Umgebung reagiert, sondern aktiv in ihr handelt und sie mitgestaltet. Eine Intelligenz, die versteht, wie komplexe Systeme funktionieren und selbstständig erkennt, was sich ändern muss, um darin effektiver zu werden. Kontinuierliches Lernen ist dafür unabdingbar: Weder wissen wir im Vorfeld, welchen Umgebungen eine KI begegnen wird, noch existiert für jede davon ausreichend Trainingsmaterial. Vor allem aber wäre das grundsätzlich ineffizient: Die KI muss selber herausfinden können, was wichtig ist und wie die Welt sich kontinuierlich verändert. Nur so skaliert KI wirklich, wenn wir das nicht ständig überwachen und die Machine Learning-Pipeline immer wiederholen müssen.
Wakeline hat kürzlich eine Pre-Seed-Finanzierung über 2,1 Millionen Euro abgeschlossen. Welche Bedeutung hat diese Finanzierung für die weitere Entwicklung des Unternehmens?
Eine sehr große! Es zeigt, dass wir mit unserer Technologie etwas auf der Spur sind, das andere so nicht abdecken. Die Tatsache, dass wir Investoren überzeugen konnten, dass die Technologie reif genug ist und Potential hat, unsere Vision umzusetzen, ist ein Meilenstein für uns. Wir können damit vor allem Menschen einstellen, die diverse Hintergründe in Neurowissenschaften, Physik, etc. haben und uns bei der Entwicklung den nächsten Sprung ermöglichen.
Viele KI-Systeme basieren auf historischen Daten und regelmäßigen Trainingszyklen. Welche Vorteile bietet der Ansatz von Wakeline, bei dem die Systeme im laufenden Betrieb lernen?
Der größte Vorteil ist Robustheit in der Realität: In vielen Anwendungen ändern sich Daten, Rahmenbedingungen und „Regime“ laufend – von Marktphasen im Energiesystem bis hin zu Änderungen in Industrieprozessen. Statt ein Modell in festen Zyklen neu zu trainieren, kann sich unser System fortlaufend an neue Situationen anpassen.
Das reduziert den operativen Aufwand und verkürzt Iterationszeiten: Wir müssen nicht jedes Mal eine komplette Trainingspipeline starten, sobald sich die Welt verändert. Gleichzeitig können wir auch dort Mehrwert liefern, wo nur wenige oder sehr individuelle Daten verfügbar sind, weil das Lernen nicht ausschließlich auf großen historischen Datensätzen basiert.
Wichtig ist dabei die Kontrolle: Continuous Learning heißt bei uns nicht „unkontrolliertes Selbstlernen“, sondern Lernen mit Leitplanken – mit Monitoring, Evaluierung und klaren Grenzen, damit sich das System sicher und nachvollziehbar weiterentwickelt.
Aus unserer Sicht sind es drei Dinge. Erstens: Wir bauen KI für dynamische, reale Umgebungen, nicht nur für statische Datensätze. Das System ist darauf ausgelegt, im Betrieb zu lernen und sich an Veränderungen anzupassen, statt nach dem Training weitgehend stehen zu bleiben.
Zweitens: Wir sind daten-effizient. Viele Industrieprobleme haben zu wenig Trainingsdaten, oder die Situationen sind zu individuell, um sie mit einem „one-size-fits-all“-Modell abzudecken. Unser Ansatz kann auch mit begrenzten, kontinuierlich einströmenden Daten arbeiten.
Drittens: Wir denken den Einsatz von Anfang an produktionsnah – mit klaren Mechanismen, wie Lernen beobachtet, bewertet und begrenzt wird. Jede Vorhersage, Erkenntnis und Entscheidung des Systems ist transparent und nachvollziehbar. Dadurch wird Continuous Learning für Unternehmen praktisch nutzbar: als robuste, nachvollziehbare Systeme, die in der echten Welt stabil bleiben und mit ihr mitlernen.
An welche Zielgruppen richten sich Ihre Lösungen aktuell, und welche Herausforderungen möchten Sie für diese Kunden lösen?
Wir schauen vor allem auf Industrien, die entweder mit sehr komplexen und sich schnell ändernden Umgebungen zu tun haben und auf solche, für die traditionelle KI-Ansätze nicht funktionieren, weil es etwa keine oder zu wenig Trainingsdaten gibt oder die zu lösenden Probleme zu individuell sind. Komplexe Industrien sind etwa die Energienetze, die sich insbesondere in Europa gerade massiv im Wandel befinden, oder industrielle Fertigungs-Umgebungen, die sehr individuell und ständiger Veränderung ausgesetzt sind. Aber wir beginnen gerade eine Forschungs-Kooperation im Bereich Parkinson: im Themenfeld personalized healthcare sind traditionelle KI-Ansätze nicht immer erfolgreich, da wir als Menschen sehr individuell sind und gerade auch im Bereich Neurologie die Varianzen zwischen Individuen es oftmals schwierig machen ein Modell trainiert mit generalisierten Trainingsdaten auf individuelle Patienten anzuwenden.
Mit Market Edge haben Sie eine erste Anwendung für den Energiemarkt entwickelt. Welche Erkenntnisse haben Sie aus diesem Einsatzgebiet gewonnen?
Der Energiemarkt ist ein hervorragendes Lernfeld, weil er sich schnell verändert und gleichzeitig sehr gut messbar ist. Eine zentrale Erkenntnis ist, dass die kontinuierliche Anpassung gerade in seltenen und extremen Marktphasen ihren Wert zeigt, also genau dann, wenn statische Verfahren oft an ihre Grenzen kommen. Unsere Einschätzung ist, dass die Schwankungen und unvorhergesehenen und unbekannten (und damit nicht in Trainingsmaterial enthaltenen) Einflüsse zunehmen werden und Verfahren, die schneller auf die veränderte Situation reagieren können, an Bedeutung gewinnen werden.
Wakeline verfolgt das Ziel, KI unabhängiger von US-amerikanischen Hyperscalern und proprietären Modellen zu machen. Warum ist dieses Thema aus Ihrer Sicht gerade für Europa von Bedeutung?
Das ist Risikomanagement: Wir tun das genauso bei industriellen Wertschöpfungsketten, warum nicht auch bei dieser? Ein großer Teil der heutigen KI-Wertschöpfung hängt an wenigen sehr großen Anbietern, überwiegend aus den USA. Wer seine KI auf deren proprietären Modellen und Infrastrukturen aufbaut, gibt einen Teil seiner Kontrolle und seiner Wertschöpfung ab. Um das Risiko auch tatsächlich minimieren zu können, sind Alternativen notwendig, die meiner Wertschöpfungskette dann auch die entsprechende Resilienz verleihen.
Welche Herausforderungen begegnen Ihnen beim Aufbau einer völlig neuen KI-Architektur, die sich bewusst von gängigen Ansätzen abgrenzt?
Die größte Herausforderung ist, dass wir vieles nicht von der Stange übernehmen können. Für gängige Deep-Learning-Ansätze gibt es ausgereifte Werkzeuge und eine große Community. Wer einen eigenen Weg geht, muss viele dieser Grundlagen selbst schaffen. Hinzu kommt die Kommunikation: Weil unser Ansatz von den verbreiteten Denkmustern abweicht, müssen wir Investoren und Kunden zuerst erklären, warum kontinuierliches Lernen den Aufwand wert ist. Das kostet Zeit, schafft aber zugleich eine klare Differenzierung. Intern brauchen wir Menschen, die bereit sind, etablierte Annahmen zu hinterfragen, und solche Profile sind selten.
In der Diskussion um KI-Souveränität wird Europa häufig als Nachzügler betrachtet. Welchen Beitrag könnte Wakeline leisten, um die technologische Unabhängigkeit Europas zu stärken?
Ich glaub fast jeder kennt das Wayne Gretzky-Zitat „Skate to where the puck is going, not where it has been“. Es ist deutlich kapital-effizienter, in das nächste Thema zu investieren statt zu versuchen, die riesigen Mengen an Kapital, Brainpower und Zeit aufzuwenden, die in die bekannten Modelle und Paradigmen geflossen sind. Wir bieten mit Wakeline einen radikalen neuen Ansatz, der in letzter Konsequenz das Potential bietet, Industrien einen Sprung nach vorn machen zu lassen. Das bietet für Europa die Chance, im Fahrersitz zu sitzen, statt wieder die Wertströme für die Nutzung solcher Modelle ins Ausland verschwinden zu sehen.
Welche nächsten Entwicklungsschritte und Meilensteine stehen bei Wakeline in den kommenden Jahren im Fokus?
Wir haben derzeit einen stabilen Stand der grundlegenden Architektur, welcher es uns ermöglicht, nun kommerzielle Anwendungsfälle zu verfolgen. Wir sind davon überzeugt, dass die KI sich nicht im Labor, sondern im realen Einsatz weiterentwickeln muss, da nur dort reale Herausforderungen auf uns warten, die gelöst werden müssen. Daher haben wir Market Edge entwickelt und beginnen gerade mit dem Einsatz in zusätzlichen Branchen, etwa die industrielle Produktion, wo wir bereits mit etablierten Softwareanbietern im Gespräch sind, sowie die Medizin. Mittelfristig wollen wir unser Lernsystem von starken ersten Anwendungsfällen zu einer Grundlage entwickeln, die universell in vielen Umgebungen eingesetzt werden kann. Parallel dazu setzen wir die Arbeit an der KI selbst fort, woraus sich dann wiederum neue, spannende Einsatzgebiete und Anwendungsfälle ergeben.
Welche drei Ratschläge würden Sie anderen Gründerinnen und Gründern geben, die mit einer technologischen Innovation bestehende Denkmuster infrage stellen möchten?
Erstens: Seien Sie bereit, sehr viel zu erklären. Wer ein etabliertes Denkmuster infrage stellt, muss seinen Ansatz immer wieder von Grund auf begründen, gegenüber Investoren ebenso wie im eigenen Team. Zweitens: Machen Sie den „blue ocean“ konkret: Was wird nicht evolutionär besser, sondern was ermöglicht Ihre Technologie, was vorher nicht möglich war? Das lässt andere an Ihrer Vision teilhaben. Drittens: Umgeben Sie sich mit Menschen unterschiedlichster Hintergründe, die Widerspruch aushalten und selbst Annahmen hinterfragen. Echte Innovation entsteht selten in einem Umfeld, das vor allem Bestätigung sucht.
Bildcredits Wakeline
Wir bedanken uns bei Tim Gülke für das Interview
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder
