François Chollet

François Chollet (* 20. Oktober 1989) ist ein französischer Softwareentwickler und KI-Forscher. Er ist Urheber der Deep-Learning-Bibliothek Keras und des Benchmarks ARC-AGI und vertritt die Position, dass die Skalierung großer Sprachmodelle nicht zu allgemeiner künstlicher Intelligenz führt.

Zusammenfassung

Chollet ist eine der wenigen Figuren der KI-Debatte, die zugleich zentrale Werkzeuge des Feldes gebaut und dessen Grundannahmen infrage gestellt hat.

Keras, 2015 veröffentlicht, machte Deep Learning für eine breite Entwicklerschaft zugänglich. Mit On the Measure of Intelligence (2019) legte er eine Kritik der üblichen Leistungsmessung vor und leitete daraus den Benchmark ARC-AGI ab.

Nach über neun Jahren bei Google verließ er das Unternehmen im November 2024, um mit Mike Knoop das Forschungsunternehmen Ndea zu gründen, das AGI über Programmsynthese anstrebt. Beide betreiben zudem die ARC Prize Foundation.

Leben und Werdegang

Chollet studierte an der ENSTA Paris und schloss mit einem Ingenieursdiplom ab. Im März 2015 veröffentlichte er Keras, eine quelloffene Python-Bibliothek für neuronale Netze, die eine hohe Abstraktionsebene bereitstellt und dadurch die Formulierung komplexer Modelle erheblich vereinfacht. Kurz darauf begann er bei Google zu arbeiten, wo er zuletzt als Senior Staff Engineer tätig war.

Keras wurde in TensorFlow integriert und entwickelte sich zu einem De-facto-Standard; die Bibliothek unterstützt inzwischen mehrere Backends. Chollet ist zudem Autor von Xception: Deep Learning with Depthwise Separable Convolutions (2016), einer der meistzitierten Arbeiten der CVPR-Konferenz, sowie des Lehrbuchs Deep Learning with Python, das in dritter Auflage vorliegt.

2019 veröffentlichte er den Abstraction and Reasoning Corpus, 2024 den mit einer Million US-Dollar dotierten ARC Prize. Im November 2024 verließ er Google. Anfang 2025 wurde ARC Prize in eine gemeinnützige Stiftung überführt.

2021 erhielt Chollet den Global Swiss AI Award; er wurde in die TIME100-AI-Liste aufgenommen.

Position

Intelligenz als Effizienz

Chollets zentrales Argument findet sich in On the Measure of Intelligence (2019). Er unterscheidet zwischen skill – Leistung in Aufgaben, für die trainiert wurde – und intelligence als Fähigkeit, neue Fähigkeiten effizient zu erwerben. Ein System, das eine Aufgabe beherrscht, weil es an ähnlichen Aufgaben trainiert wurde, demonstriert danach keine Intelligenz, sondern das Ergebnis eines Trainingsvorgangs.

Daraus folgt eine Kritik der üblichen Leistungsmessung: Benchmarks, die Wissen und trainierte Routinen abfragen, messen die falsche Größe. Aus dieser Überlegung entstand ARC-AGI, das gezielt Aufgaben stellt, die aus wenigen Beispielen erschlossen werden müssen und für die im Trainingsmaterial keine Entsprechung existiert.

Skalierungskritik

Chollet bestreitet, dass die Vergrößerung von Sprachmodellen zu allgemeiner Intelligenz führt. Seine Begründung: Skalierung erweitert den Bestand an skill, überwindet aber nicht das Generalisierungsdefizit. Als empirische Stütze führt er die Stagnation der ARC-AGI-Werte zwischen 2020 und Anfang 2024 an – trotz einer Vergrößerung der Modelle um mehr als das Zehntausendfache.

Nach dem Ergebnissprung von OpenAIs o3 auf ARC-AGI-1 im Dezember 2024 hielt Chollet an seiner Einschätzung fest: Das Modell sei keine AGI, da es einfache neuartige Aufgaben weiterhin fehlerhaft löse.

Die Nachfolgeversionen ARC-AGI-2 und ARC-AGI-3 stellten die Leistungslücke zwischen Mensch und Maschine jeweils wieder her; bei der Veröffentlichung von ARC-AGI-3 im März 2026 lösten Menschen sämtliche Umgebungen, während Frontier-Modelle unter 0,4 Prozent blieben.

Programmsynthese

Als Alternative zur reinen Skalierung vertritt Chollet neurosymbolische Ansätze und insbesondere die Programmsynthese: die Erzeugung von Programmen, die eine beobachtete Regelmäßigkeit erklären. Er begründete damit die Ausrichtung von Ndea. Bei seinem Weggang von Google verwies er auf die Notwendigkeit von Systemen, die menschenähnlicher schlussfolgern, statt sich auf Datenmengen zu stützen.

Rezeption

Chollets Kritik gilt als fundierter als andere Skalierungsskepsis, weil sie mit einem eigenen Messinstrument verbunden ist statt nur mit Argumenten. Dass die ARC Prize Foundation Benchmarks für das Center for AI Standards and Innovation des US-amerikanischen NIST bereitstellt, hat seiner Position institutionelles Gewicht verschafft.

Einwände richten sich darauf, dass ARC-AGI einen eng umgrenzten Typ visuell-abstrakten Schließens prüft, dessen Repräsentativität für allgemeine Intelligenz offen ist. Zudem wird auf eine Spannung verwiesen: Chollet betreibt zugleich den Benchmark, der die Grenzen aktueller Ansätze aufzeigt, und ein Unternehmen, das eine Alternative zu diesen Ansätzen vermarktet.

Beim Start von ARC-AGI-3 am 25. März 2026 trat Chollet gemeinsam mit OpenAI-Chef Sam Altman in einem Gespräch über die Messung von Intelligenz auf dem Weg zur AGI auf – ein Anzeichen dafür, dass seine Kritik im Zentrum der Industrie rezipiert wird statt an deren Rand.

Verwandte Begriffe

• ARC-AGI – von Chollet entwickelter Benchmark
• On the Measure of Intelligence – theoretische Hauptschrift
• AGI – Zielbegriff, dessen Messung er kritisiert
• Keras – von ihm entwickelte Deep-Learning-Bibliothek
• Programmsynthese – von ihm favorisierter Entwicklungspfad
• Neurosymbolische KI – Ansatzfamilie, der er nahesteht
• Scaling Laws – Gesetzmäßigkeiten, deren Reichweite er bestreitet
• Gary Marcus – Vertreter einer verwandten, anders begründeten Skalierungskritik

Quellenangaben

1. ARC Prize Foundation (Chollet, François u. a.) (2026): ARC-AGI-3: A New Challenge for Frontier Agentic Intelligence. arXiv: 2603.24621.
2. Chollet, François (2016): Xception: Deep Learning with Depthwise Separable Convolutions. arXiv: 1610.02357.
3. Chollet, François (2019): On the Measure of Intelligence. arXiv: 1911.01547.
4. Chollet, François (2025): Deep Learning with Python.
5. Chollet, François / Knoop, Mike / Kamradt, Greg / Landers, Bryan (2024): ARC Prize 2024: Technical Report. arXiv: 2412.04604.
6. Fast Company (2026): Exclusive: This new benchmark could expose AI’s biggest weakness. 25. März 2026.
7. Ndea, o. J. About Ndea. https://ndea.com/about.html

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.