Eine KI-Leseliste mit rund 30 Fachaufsätzen kursiert seit Jahren als Abkürzung zum Expertenwissen, weitergereicht von OpenAI-Mitgründer Ilya Sutskever an Doom-Erfinder John Carmack. Eine neue Website macht die Sammlung jetzt für Einsteiger lesbar, doch das eigentliche Problem liegt woanders.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügenDie berühmteste KI-Leseliste der Branche passt auf eine einzige Bildschirmseite. Als John Carmack 2022 in die KI-Forschung wechselte, bat er Ilya Sutskever um Lektüre, und der damalige OpenAI-Chefwissenschaftler nannte ihm rund 30 Aufsätze, verbunden mit einem kühnen Versprechen: Diese Lektüre decke 90 Prozent dessen ab, was in der künstlichen Intelligenz wirklich zähle.
Das Wichtigste in Kürze
- Herkunft: John Carmack hat die Liste 2022 von Ilya Sutskever erhalten; die kursierenden Fassungen sind allerdings Rekonstruktionen der Community, keine offizielle Veröffentlichung.
- Inhalt: rund 30 Aufsätze von 2012 bis 2020, darunter AlexNet, ResNet und „Attention Is All You Need“.
- Lücke: Die Liste erklärt die Grundlagen, nicht die heutige LLM-Ära mit RLHF, Instruction-Tuning und Mixture-of-Experts.
- Praxis: als Fundament wertvoll, als alleiniger Fahrplan zum Stand 2026 ungeeignet.
Woher stammt die Liste wirklich?
Der Ursprung ist gut belegt und trotzdem unscharf. Carmack hat selbst geschildert, dass er beim Einstieg in die KI-Forschung um eine Leseliste bat und Sutskever ihm eine Sammlung von Fachaufsätzen zusammenstellte. Nie veröffentlicht hat Carmack die genaue Liste jedoch, weshalb die im Netz kursierenden Versionen aus seinen Interviews rekonstruiert und von der Community ergänzt worden sind.
Genau hier setzt die Kritik an. In der Diskussion auf Hacker News wenden Fachleute ein, dass die verbreitete Fassung ursprünglich über einen einzelnen Nutzer auf X kursierte und mal 27, mal 40 Titel umfasst. Folklore statt Kanon: Die Zahl 30 ist eine Näherung, kein bestätigter Wert.
Was steht auf der KI-Leseliste?
Die Auswahl liest sich wie eine Zeitreise durch das Deep Learning. Grundlagen-Kanon: AlexNet von 2012 hat den Durchbruch der Bilderkennung markiert, ResNet von 2015 hat sehr tiefe Netze trainierbar gemacht, und „Attention Is All You Need“ von 2017 hat die Transformer-Architektur begründet, auf der heute jedes große Sprachmodell aufbaut. Wie diese innere Mechanik überhaupt sichtbar wird, zeigt aktuelle Forschung zum inneren Denken von Sprachmodellen.
Dazu kommen theoretische Arbeiten zu Komplexität, rekurrenten Netzen und den Skalierungsgesetzen von 2020, die beschreiben, wie die Modellleistung mit Rechenleistung und Datenmenge wächst. Neue Website: Die Sammlung 30papers.com[1] bereitet diese Aufsätze mit erklärenden Zusätzen für Einsteiger auf, erntet in der Community aber Kritik für fehlerhaft dargestellte Formeln und eine fehlende Lesereihenfolge.
Rund 30 Aufsätze, ein großes Versprechen und eine Lücke, die erst beim genauen Hinsehen auffällt.
Drei Meilensteine der Liste
Die Lücke: kein Aufsatz nach 2020
RLHF, Instruction-Tuning und Mixture-of-Experts, die Techniken hinter der heutigen Modellgeneration, kommen auf der Liste nicht vor. Sie erklärt die Grundlagen, nicht den Stand von 2026.
Diese Leseliste ist ein Fundament, kein Fahrplan in die Gegenwart. Sie erklärt die Bauteile moderner KI, doch die Ära der großen Sprachmodelle steht auf keinem einzigen dieser Blätter.
— Markus Seyfferth, Chefredakteur Dr. Web
Was die Liste 2026 verschweigt
Die eigentliche Erkenntnis steckt im Enddatum. Grundlagen, kein Frontier: Der jüngste Aufsatz stammt von 2020, also aus der Zeit vor ChatGPT. Reinforcement Learning aus menschlichem Feedback, Instruction-Tuning, Mixture-of-Experts und lange Kontextfenster, die Techniken hinter der heutigen Modellgeneration, tauchen auf keiner Seite auf.
Für Teams im DACH-Raum, die Personal zur KI weiterbilden, heißt das: Die Liste taugt als Fundament, um Transformer und Skalierung zu verstehen, ersetzt aber keine aktuelle Lektüre. Dass sich die Grenzen des Feldes weiter verschieben, zeigen die Debatten um Betriebskosten und um kleine, effiziente Modelle, die 2020 noch niemand auf dem Schirm hatte.
Ein tragfähiger Weg führt über beides: die Klassiker für das Fundament, aktuelle Quellen für den Stand der Technik. Dass echtes Verständnis ohnehin nicht allein aus dem Lesen entsteht, hat zuletzt ein Lernexperiment an der Dartmouth gezeigt. Als Startpunkt begriffen und mit Material zur LLM-Ära ergänzt, entfaltet die Liste ihren vollen Wert.
Quelle
[1] 30papers.com: „The reading list Ilya Sutskever gave John Carmack“ ↩
Mehr Newshunger?
- Ausbildung oder Studium KI: Die Dr.-Web-Schulnote für 30 Berufe
- KI-Tutor an der Dartmouth: Die Lernwirkung kommt nicht aus dem Chat
- Ein globaler Arbeitsraum in Sprachmodellen: Wie Anthropic Claudes inneres Denken sichtbar macht
- GLM 5.2 und der drohende Margen-Kollaps der KI-Branche
- Kleine KI-Modelle gewinnen dort an Boden, wo das Netz schwächelt
- KI-Tools im Unternehmen: Diese Kategorien zählen wirklich
