--- title: "Entitäten · Bewusstseine und mögliche Bewusstseine, nach Belegen geordnet · Simulationshypothese" url: https://simulation-hypothesis.com/de/entities description: "Belegter Leitfaden zu Bewusstseinen: Tiere mit gezählten Neuronen, kollektive und künstliche Systeme, veröffentlichte Tests für Empfindung und Bewusstsein." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl, Simulationshypothese (simulation-hypothesis.com)" --- # Entitäten · Bewusstseine und mögliche Bewusstseine, nach Belegen sortiert Wenn die Welt eine Simulation ist, könnten Bewusstseine zu den am schwersten zu berechnenden Dingen darin gehören. Dieser Leitfaden listet die bekannten Fälle auf, von einzelnen Zellen bis zu Menschen. Er behandelt auch die bisher gebauten künstlichen Systeme und die Bewusstseine, die Wissenschaftler und Philosophen vorgeschlagen, aber niemand beobachtet hat. Jede Zahl hat eine Quelle und ein Vertrauensetikett. gemessen ist eine direkte Zählung, Schätzung ist aus anderen Daten hergeleitet, und nicht gezählt heißt, dass niemand eine Zählung veröffentlicht hat. Ob eines dieser Systeme Erlebnisse hat, ist eine eigene Frage. Die Belege dafür stehen unter [Kriterien der Empfindungsfähigkeit](https://simulation-hypothesis.com/de/entities/sentience) und [Indikatoren für Bewusstsein](https://simulation-hypothesis.com/de/entities/indicators). ## Einzelne Bewusstseine ## Tiere: Neuronen im Kortex und im ganzen Gehirn Kortex oder Pallium Ganzes Gehirn Alle Säugetiere Vögel Neuronen in der Großhirnrinde (Säugetiere) oder im Pallium (Vögel), ein weit verbreiteter anatomischer Anhaltspunkt für kognitive Fähigkeiten. Logarithmische Skala; durchgehende Balken sind Zählungen, schraffierte Balken Schätzungen oder umstrittene Zählungen (†). Reptilien und wirbellose Tiere werden nicht gezeigt, da keine vergleichbare Zählung vorliegt. 1. Schwertwal † 43,1 Milliarden 2. Langflossen-Grindwal † 37,2 Milliarden 3. [Mensch](https://simulation-hypothesis.com/de/entities/human)▲1 16,3 Milliarden 4. Gewöhnlicher Schweinswal † 14,9 Milliarden 5. [Großer Tümmler †](https://simulation-hypothesis.com/de/entities/dolphin) 12,7 Milliarden 6. Cuvier-Schnabelwal 9,1 Milliarden 7. Gorilla 8,5 Milliarden 8. Orang-Utan 8,5 Milliarden 9. [Schimpanse](https://simulation-hypothesis.com/de/entities/chimp) 7,4 Milliarden 10. Gemeiner Delfin 6,7 Milliarden 11. Sattelrobbe 6,1 Milliarden 12. [Afrikanischer Elefant](https://simulation-hypothesis.com/de/entities/elephant)▼1 5,6 Milliarden 13. Finnwal 5,2 Milliarden 14. Blauwal 5,1 Milliarden 15. Zwergwal 3,2 Milliarden Alle 88 anzeigen 10^6 10^7 10^8 10^9 10^10 10^11 neurons Zahlen anzeigen | # | Tier | Kortex oder Pallium | Ganzes Gehirn | | -- | -------------------------- | ------------------- | ---------------- | | 1 | Schwertwal † | 43,1 Milliarden | | | 2 | Langflossen-Grindwal † | 37,2 Milliarden | | | 3 | Mensch | 16,3 Milliarden | 86,1 Milliarden | | 4 | Gewöhnlicher Schweinswal † | 14,9 Milliarden | | | 5 | Großer Tümmler † | 12,7 Milliarden | | | 6 | Cuvier-Schnabelwal | 9,1 Milliarden | | | 7 | Gorilla | 8,5 Milliarden | | | 8 | Orang-Utan | 8,5 Milliarden | | | 9 | Schimpanse | 7,4 Milliarden | | | 10 | Gemeiner Delfin | 6,7 Milliarden | | | 11 | Sattelrobbe | 6,1 Milliarden | | | 12 | Afrikanischer Elefant | 5,6 Milliarden | 257 Milliarden | | 13 | Finnwal | 5,2 Milliarden | | | 14 | Blauwal | 5,1 Milliarden | | | 15 | Zwergwal | 3,2 Milliarden | 57,4 Milliarden | | 16 | Anubispavian | 2,88 Milliarden | 10,95 Milliarden | | 17 | Weißwal (Beluga) | 2,7 Milliarden | | | 18 | Zwergpottwal | 2,02 Milliarden | | | 19 | Gelbbrustara | 1,92 Milliarden | 3,14 Milliarden | | 20 | Rhesusaffe | 1,71 Milliarden | 6,39 Milliarden | | 21 | Giraffe | 1,67 Milliarden | 11,21 Milliarden | | 22 | Totenkopfaffe | 1,34 Milliarden | 3,25 Milliarden | | 23 | Uhu | 1,33 Milliarden | 1,9 Milliarden | | 24 | Kea | 1,28 Milliarden | 2,15 Milliarden | | 25 | Schneeeule | 1,27 Milliarden | 1,81 Milliarden | | 26 | Kolkrabe | 1,2 Milliarden | 2,17 Milliarden | | 27 | Waldkauz | 1,15 Milliarden | 1,58 Milliarden | | 28 | Kapuzineraffe | 1,14 Milliarden | 3,69 Milliarden | | 29 | Gelbhaubenkakadu | 1,14 Milliarden | 2,12 Milliarden | | 30 | Graupapagei | 850 Millionen | 1,57 Milliarden | | 31 | Saatkrähe | 820 Millionen | 1,51 Milliarden | | 32 | Großer Kudu | 793,07 Millionen | 6,09 Milliarden | | 33 | Waldohreule | 673 Millionen | 991,31 Millionen | | 34 | Goffinkakadu | 599 Millionen | 1,16 Milliarden | | 35 | Löwe | 545,24 Millionen | 4,67 Milliarden | | 36 | Seeadler | 542,93 Millionen | 1,65 Milliarden | | 37 | Eichelhäher | 529 Millionen | 1,09 Milliarden | | 38 | Haushund | 526 Millionen | | | 39 | Streifenhyäne | 495,28 Millionen | 3,88 Milliarden | | 40 | Dohle | 492 Millionen | 967,99 Millionen | | 41 | Strauß | 479,41 Millionen | 1,63 Milliarden | | 42 | Elster | 443 Millionen | 897,27 Millionen | | 43 | Würgfalke | 442,95 Millionen | 1,2 Milliarden | | 44 | Emu | 439 Millionen | 1,34 Milliarden | | 45 | Waschbär | 437,94 Millionen | 2,15 Milliarden | | 46 | Schleiereule | 437 Millionen | 689,54 Millionen | | 47 | Steinkauz | 400,82 Millionen | 585,92 Millionen | | 48 | Rabengeier | 398,9 Millionen | 1,01 Milliarden | | 49 | Sperlingskauz | 364 Millionen | 533,26 Millionen | | 50 | Mäusebussard | 351,7 Millionen | 1 Milliarde | | 51 | Nandu | 330,34 Millionen | 1,03 Milliarden | | 52 | Höckerschwan | 323,66 Millionen | 1 Milliarde | | 53 | Hausschwein | 293 Millionen | 2,22 Milliarden | | 54 | Graugans | 258,65 Millionen | 738,23 Millionen | | 55 | Braunbär | 250,97 Millionen | 9,59 Milliarden | | 56 | Hauskatze | 250 Millionen | 1,22 Milliarden | | 57 | Weißbüschelaffe | 245 Millionen | 638 Millionen | | 58 | Turmfalke | 237,9 Millionen | 624,58 Millionen | | 59 | Krickente | 167,29 Millionen | 375,41 Millionen | | 60 | Wellensittich | 149 Millionen | 321,82 Millionen | | 61 | Rothalsgans | 148,62 Millionen | 482,71 Millionen | | 62 | Brautente | 138,21 Millionen | 305,82 Millionen | | 63 | Afrikanischer Zwergfalke | 131,9 Millionen | 350,37 Millionen | | 64 | Marmelente | 130,14 Millionen | 386,92 Millionen | | 65 | Pfau | 129,62 Millionen | 570,93 Millionen | | 66 | Gelbknollen-Hokko | 124,62 Millionen | 652,99 Millionen | | 67 | Viktoria-Krontaube | 118,45 Millionen | 578,7 Millionen | | 68 | Stockente | 112,26 Millionen | 367,47 Millionen | | 69 | Wildes Truthuhn | 105,65 Millionen | 492,87 Millionen | | 70 | Sperber | 87,83 Millionen | 401,75 Millionen | | 71 | Königsfasan | 80,69 Millionen | 387,17 Millionen | | 72 | Felsentaube | 72 Millionen | 310 Millionen | | 73 | Wildkaninchen | 71,5 Millionen | 513 Millionen | | 74 | Bankivahuhn | 60,7 Millionen | 220,84 Millionen | | 75 | Chiletinamu | 59,13 Millionen | 241,37 Millionen | | 76 | Zebrafink | 55,2 Millionen | 135,98 Millionen | | 77 | Haubensteißhuhn | 51,38 Millionen | 217,77 Millionen | | 78 | Ringeltaube | 51,33 Millionen | 258,68 Millionen | | 79 | Quebracho-Haubensteißhuhn | 48,29 Millionen | 235,67 Millionen | | 80 | Afrikanische Lachtaube | 40 Millionen | 139,27 Millionen | | 81 | Virginiawachtel | 39,11 Millionen | 148,4 Millionen | | 82 | Rebhuhn | 36,88 Millionen | 170,29 Millionen | | 83 | Ratte | 31 Millionen | 200 Millionen | | 84 | Wachtel | 22,57 Millionen | 117,76 Millionen | | 85 | Zwergwachtel | 20,52 Millionen | 80,48 Millionen | | 86 | Diamanttäubchen | 18,21 Millionen | 87,88 Millionen | | 87 | Maus | 13,7 Millionen | 70,9 Millionen | | 88 | Nacktmull | 5,31 Millionen | 33,62 Millionen | ## KI-Systeme: Parameter gegenüber Synapsen Alle Parameter Pro Token genutzt All Sprache Multimodal Bildverarbeitung Sonstiges (Sprache, Biologie, Spiele, Robotik …) Trainierbare Parameter (Verbindungsgewichte), auf einer logarithmischen Skala: jedes bedeutende Modell in der Datenbank von Epoch AI mit einer Parameterzahl (abgerufen 3\. Oktober 2026). Durchgehende Balken sind Zahlen, die Epoch als sicher einstuft; schraffierte Balken sind Zahlen, die es als wahrscheinlich oder spekulativ einstuft. Mit \* markierte Balken sind Schätzungen für geschlossene Modelle, deren Entwickler ihre Größe nicht veröffentlichen, 2\. Oktober 2026 aus Analysen Dritter zusammengestellt; der Fehlerbalken zeigt die Spanne der Schätzung. Gemini 3 und später: keine veröffentlichte Schätzung. Hohle Zeilen sind Synapsenzahlen: Ein Parameter ist eher einer Synapse ähnlich als einem Neuron. 1. Menschlicher Neokortex 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ Alle 725 anzeigen 10^4 10^6 10^8 10^10 10^12 10^14 Parameter oder Synapsen Zahlen anzeigen | # | System | Alle Parameter | Pro Token genutzt | Jahr | Art | | --- | ------------------------------------------------------------------------------------------- | -------------- | ----------------- | ---- | ----------------------------------------------------- | | 1 | Menschlicher Neokortex | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | Synapsen | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | Schätzung | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | Schätzung | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | Schätzung | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | Schätzung | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | Schätzung | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | Schätzung | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | Architektur nicht angegeben | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | Mixture of Experts | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | Schätzung | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | Schätzung | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | Schätzung | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | Schätzung | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | Schätzung | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | Schätzung | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | Schätzung | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | Architektur nicht angegeben | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | Schätzung | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | Schätzung | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | Schätzung | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | Mixture of Experts | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | Schätzung | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | Schätzung | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | Schätzung | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | Schätzung | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | Schätzung | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | Mixture of Experts | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | Mixture of Experts | | 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | Mixture of Experts | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | Mixture of Experts | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | Architektur nicht angegeben | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | Schätzung | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | Schätzung | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | Schätzung | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | Schätzung | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dicht | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dicht | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dicht | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dicht | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | dicht | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | dicht | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | Schätzung | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | Schätzung | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | Schätzung | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | Mixture of Experts | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | Mixture of Experts | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | Mixture of Experts | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | dicht | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | Schätzung | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | Schätzung | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | Schätzung | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | Schätzung | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | Mixture of Experts | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | Schätzung | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | Schätzung | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | dicht | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | Schätzung | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | Schätzung | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | Schätzung | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | Schätzung | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | dicht | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | Schätzung | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | dicht | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | Schätzung | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | Schätzung | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | Architektur nicht angegeben | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | Architektur nicht angegeben | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | Schätzung | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | Schätzung | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | Schätzung | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | Mixture of Experts | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | Schätzung | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | Schätzung | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | dicht | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | Architektur nicht angegeben | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | dicht | | 99 | BLUUMI (University of Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | Schätzung | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | dicht | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | dicht | | 102 | BlenderBot 3 (McGill University, 2022) | \~1.8 × 10¹¹ | | 2022 | Schätzung | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | dicht | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | Schätzung | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | Architektur nicht angegeben | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | Architektur nicht angegeben | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | Architektur nicht angegeben | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | Architektur nicht angegeben | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | dicht | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | Architektur nicht angegeben | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | Schätzung | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | Schätzung | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | Schätzung | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | Schätzung | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | Mixture of Experts | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | Architektur nicht angegeben | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | Schätzung | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | Schätzung | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | dicht | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | Architektur nicht angegeben | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | dicht | | 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | Architektur nicht angegeben | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | Schätzung | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 127 | Neokortex der Maus | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | Synapsen | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | dicht | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | Schätzung | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | dicht | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | dicht | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | dicht | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | dicht | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | Schätzung | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | dicht | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | dicht | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | Schätzung | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | Schätzung | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | dicht | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | dicht | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | Schätzung | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | dicht | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | dicht | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | Schätzung | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | dicht | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | Schätzung | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | Schätzung | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | dicht | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | dicht | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | Schätzung | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | Architektur nicht angegeben | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | dicht | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | Mixture of Experts | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | dicht | | 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | Schätzung | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | Architektur nicht angegeben | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | dicht | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | Schätzung | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | Schätzung | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | Schätzung | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | Architektur nicht angegeben | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | Architektur nicht angegeben | | 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | Architektur nicht angegeben | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | Schätzung | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | Schätzung | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | dicht | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | Architektur nicht angegeben | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | Architektur nicht angegeben | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | Schätzung | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | Schätzung | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | Schätzung | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | Architektur nicht angegeben | | 191 | CogAgent (Tsinghua University, 2023) | \~1.8 × 10¹⁰ | | 2023 | Schätzung | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | Schätzung | | 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | Schätzung | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | dicht | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | Architektur nicht angegeben | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | Schätzung | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | Architektur nicht angegeben | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | dicht | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | Architektur nicht angegeben | | 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | dicht | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | Schätzung | | 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | dicht | | 212 | Volcano 13B (Korea University, 2023) | \~1.3 × 10¹⁰ | | 2023 | Schätzung | | 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | Schätzung | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | Schätzung | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | Schätzung | | 216 | CoRe (Tsinghua University, 2023) | \~1.2 × 10¹⁰ | | 2023 | Schätzung | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | Schätzung | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | Schätzung | | 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | dicht | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | dicht | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | Architektur nicht angegeben | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | Architektur nicht angegeben | | 223 | CoEdiT-xxl (University of Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | Schätzung | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | Architektur nicht angegeben | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | Architektur nicht angegeben | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | dicht | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | dicht | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | Schätzung | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | Schätzung | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | Architektur nicht angegeben | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 232 | CogVideo (Tsinghua University, 2022) | \~9.4 × 10⁹ | | 2022 | Schätzung | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | Schätzung | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | Architektur nicht angegeben | | 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | Schätzung | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | Schätzung | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | Schätzung | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | Architektur nicht angegeben | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | dicht | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | Schätzung | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | Architektur nicht angegeben | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | Architektur nicht angegeben | | 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | Architektur nicht angegeben | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | Schätzung | | 247 | Goat-7B (National University of Singapore, 2023) | \~7 × 10⁹ | | 2023 | Schätzung | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | dicht | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | dicht | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | dicht | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | Architektur nicht angegeben | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | Architektur nicht angegeben | | 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | \~7 × 10⁹ | | 2025 | Schätzung | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | Architektur nicht angegeben | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | Architektur nicht angegeben | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | Architektur nicht angegeben | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | Schätzung | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | dicht | | 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | Architektur nicht angegeben | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | Schätzung | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | Schätzung | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | Architektur nicht angegeben | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | Architektur nicht angegeben | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | dicht | | 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | Architektur nicht angegeben | | 267 | CogView (Tsinghua University, 2021) | \~4 × 10⁹ | | 2021 | Schätzung | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | Schätzung | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | Schätzung | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | dicht | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | Schätzung | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | Schätzung | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | Schätzung | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | Architektur nicht angegeben | | 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | Architektur nicht angegeben | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | Architektur nicht angegeben | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | Schätzung | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | Schätzung | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | Architektur nicht angegeben | | 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | Architektur nicht angegeben | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | Architektur nicht angegeben | | 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | Architektur nicht angegeben | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | Architektur nicht angegeben | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | Architektur nicht angegeben | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | Architektur nicht angegeben | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | Schätzung | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | dicht | | 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | dicht | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | Architektur nicht angegeben | | 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | Schätzung | | 291 | Hybrid H3-2.7B (Stanford University, 2022) | \~2.7 × 10⁹ | | 2022 | Schätzung | | 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | Architektur nicht angegeben | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | dicht | | 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | dicht | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | Schätzung | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | Architektur nicht angegeben | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | Architektur nicht angegeben | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | dicht | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | Architektur nicht angegeben | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | Architektur nicht angegeben | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | Architektur nicht angegeben | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | Schätzung | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | Architektur nicht angegeben | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | dicht | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | Schätzung | | 306 | Ankh\_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | Architektur nicht angegeben | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | Architektur nicht angegeben | | 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | Architektur nicht angegeben | | 309 | Phenaki (University College London (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | Schätzung | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | Architektur nicht angegeben | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | Schätzung | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | Schätzung | | 313 | GPT-2 (OpenAI, 2019) | \~1.5 × 10⁹ | | 2019 | Schätzung | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | Architektur nicht angegeben | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | Architektur nicht angegeben | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | Schätzung | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | Architektur nicht angegeben | | 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | Architektur nicht angegeben | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | dicht | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | Architektur nicht angegeben | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | dicht | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | dicht | | 323 | RDT-1B (Tsinghua University, 2024) | \~1.2 × 10⁹ | | 2024 | Schätzung | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | Architektur nicht angegeben | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | Architektur nicht angegeben | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | Architektur nicht angegeben | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | Architektur nicht angegeben | | 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | Architektur nicht angegeben | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | Schätzung | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | dicht | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | Schätzung | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | dicht | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | Schätzung | | 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | Architektur nicht angegeben | | 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | Schätzung | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | Schätzung | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | Schätzung | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | Architektur nicht angegeben | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | Architektur nicht angegeben | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | Architektur nicht angegeben | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | dicht | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | Schätzung | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | Architektur nicht angegeben | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | Schätzung | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | Schätzung | | 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | Architektur nicht angegeben | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | Architektur nicht angegeben | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | Schätzung | | 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | Architektur nicht angegeben | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | Schätzung | | 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | Architektur nicht angegeben | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | Schätzung | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | Architektur nicht angegeben | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | Schätzung | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | dicht | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | Architektur nicht angegeben | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | dicht | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | Schätzung | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | dicht | | 360 | DLDL (University of Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | Schätzung | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | Architektur nicht angegeben | | 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | Architektur nicht angegeben | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | dicht | | 364 | LUKE (University of Washington, 2020) | \~4.8 × 10⁸ | | 2020 | Schätzung | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | Schätzung | | 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | dicht | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | Schätzung | | 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | Architektur nicht angegeben | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | dicht | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | dicht | | 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | Architektur nicht angegeben | | 372 | OntoProtein (Zhejiang University (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | Schätzung | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | Architektur nicht angegeben | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | Schätzung | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | Architektur nicht angegeben | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | Schätzung | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | Schätzung | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | Schätzung | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | Architektur nicht angegeben | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | dicht | | 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | Architektur nicht angegeben | | 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | dicht | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | Schätzung | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | dicht | | 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | dicht | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | Schätzung | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | dicht | | 388 | ELECTRA (Stanford University, 2020) | \~3.4 × 10⁸ | | 2020 | Schätzung | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | dicht | | 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | Schätzung | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | dicht | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | Schätzung | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | dicht | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | Schätzung | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | dicht | | 396 | DDPM-IP (Utrecht University, 2023) | \~3 × 10⁸ | | 2023 | Schätzung | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | Schätzung | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | Architektur nicht angegeben | | 399 | YOLO (University of Washington, 2015) | \~2.7 × 10⁸ | | 2015 | Schätzung | | 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | Schätzung | | 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | dicht | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | Schätzung | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | Architektur nicht angegeben | | 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | Architektur nicht angegeben | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | Architektur nicht angegeben | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | dicht | | 407 | S4 (Stanford University, 2021) | \~2.5 × 10⁸ | | 2021 | Schätzung | | 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | \~2.5 × 10⁸ | | 2019 | Schätzung | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | dicht | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | Schätzung | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | dicht | | 412 | TaLK Convolution (Carleton University, 2020) | \~2.4 × 10⁸ | | 2020 | Schätzung | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | Schätzung | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | Architektur nicht angegeben | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | Architektur nicht angegeben | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | Architektur nicht angegeben | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | Schätzung | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | dicht | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | Schätzung | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | dicht | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | Schätzung | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | Architektur nicht angegeben | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | Schätzung | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | dicht | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | Schätzung | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | Schätzung | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | Schätzung | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | dicht | | 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | dicht | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | Schätzung | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | Architektur nicht angegeben | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | dicht | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | dicht | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | Schätzung | | 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | Schätzung | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | Architektur nicht angegeben | | 437 | PermuteFormer (Peking University, 2021) | \~1.5 × 10⁸ | | 2021 | Schätzung | | 438 | Fragment embedding (Stanford University, 2014) | \~1.4 × 10⁸ | | 2014 | Schätzung | | 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | dicht | | 440 | VGG19 (University of Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | Schätzung | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | Schätzung | | 442 | Transformer-XL DeFINE (University of Washington, 2019) | \~1.4 × 10⁸ | | 2019 | Schätzung | | 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | dicht | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | dicht | | 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | dicht | | 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | dicht | | 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | \~1.4 × 10⁸ | | 2015 | Schätzung | | 448 | Template Adaptation (University of Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | Schätzung | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | Schätzung | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | Schätzung | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | Schätzung | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | Schätzung | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | Schätzung | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | Schätzung | | 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | dicht | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | dicht | | 457 | GloVe (Stanford University, 2014) | \~1.2 × 10⁸ | | 2014 | Schätzung | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | dicht | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | Schätzung | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | Schätzung | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | dicht | | 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | Architektur nicht angegeben | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | Schätzung | | 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | dicht | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | Architektur nicht angegeben | | 466 | LSTM LM (RWTH Aachen University, 2012) | \~1 × 10⁸ | | 2012 | Schätzung | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | Schätzung | | 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | Architektur nicht angegeben | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | Schätzung | | 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | dicht | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | Schätzung | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | Schätzung | | 473 | DeLighT (University of Washington, 2020) | \~9.9 × 10⁷ | | 2020 | Schätzung | | 474 | ELMo (University of Washington, 2018) | \~9.4 × 10⁷ | | 2018 | Schätzung | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | Schätzung | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | Schätzung | | 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | Architektur nicht angegeben | | 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | Schätzung | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | Architektur nicht angegeben | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | dicht | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | Schätzung | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | Schätzung | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | Schätzung | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | dicht | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | Schätzung | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | Schätzung | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | Architektur nicht angegeben | | 488 | CaLM (University of Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | Schätzung | | 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | dicht | | 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | dicht | | 491 | RBM Image Classifier (University of Toronto, 2009) | \~8 × 10⁷ | | 2009 | Schätzung | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | dicht | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | Schätzung | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | Schätzung | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | Architektur nicht angegeben | | 496 | RNN LM (Johns Hopkins University, 2010) | \~7 × 10⁷ | | 2010 | Schätzung | | 497 | R-CNN (University of California (UC) Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | Schätzung | | 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | dicht | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | dicht | | 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | dicht | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | dicht | | 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | dicht | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | dicht | | 504 | YOLOv3 (University of Washington, 2018) | \~5.7 × 10⁷ | | 2018 | Schätzung | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | Schätzung | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | dicht | | 507 | Gehirn der Fruchtfliege | 5.5 × 10⁷ | 5.5 × 10⁷ | | Synapsen | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | dicht | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | dicht | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | dicht | | 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | dicht | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | dicht | | 513 | YOLOv2 (University of Washington, 2016) | \~5.1 × 10⁷ | | 2016 | Schätzung | | 514 | Dropout-LSTM+Noise (Columbia University, 2018) | \~5.1 × 10⁷ | | 2018 | Schätzung | | 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | \~5 × 10⁷ | | 2017 | Schätzung | | 516 | Dropout (University of Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | Schätzung | | 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | dicht | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | Schätzung | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | dicht | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | dicht | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | dicht | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | dicht | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | dicht | | 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | dicht | | 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | dicht | | 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | dicht | | 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | dicht | | 528 | PreTrans-3L-250H (University of Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | Schätzung | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | Schätzung | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | dicht | | 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | dicht | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | Schätzung | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | Schätzung | | 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | Schätzung | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | dicht | | 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | dicht | | 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | dicht | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | dicht | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | Architektur nicht angegeben | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | Architektur nicht angegeben | | 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | dicht | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | Schätzung | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | \~3.4 × 10⁷ | | 2017 | Schätzung | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | Schätzung | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | dicht | | 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | dicht | | 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~3.2 × 10⁷ | | 2019 | Schätzung | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | dicht | | 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | dicht | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | dicht | | 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | \~2.8 × 10⁷ | | 2019 | Schätzung | | 552 | SENet (Chinese Academy of Sciences, 2017) | \~2.8 × 10⁷ | | 2017 | Schätzung | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | dicht | | 554 | Fractional Max-Pooling (University of Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | Schätzung | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | Architektur nicht angegeben | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | Schätzung | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | dicht | | 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | Schätzung | | 559 | ResNeXt-50 (University of California San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | Schätzung | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | dicht | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | Schätzung | | 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | Architektur nicht angegeben | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | Schätzung | | 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | \~2.3 × 10⁷ | | 2019 | Schätzung | | 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | dicht | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | dicht | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | Schätzung | | 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~2.1 × 10⁷ | | 2019 | Schätzung | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | dicht | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | Schätzung | | 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | dicht | | 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | dicht | | 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | dicht | | 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | dicht | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | dicht | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | Schätzung | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | dicht | | 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | dicht | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | Schätzung | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | Schätzung | | 581 | ReLU (University of Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | Schätzung | | 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | Architektur nicht angegeben | | 583 | Eve (Harvard Medical School, 2021) | \~1.5 × 10⁷ | | 2021 | Schätzung | | 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | dicht | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | dicht | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | Schätzung | | 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | dicht | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | dicht | | 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | dicht | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | Schätzung | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | Schätzung | | 592 | Gated HORNN (York University, 2016) | \~9 × 10⁶ | | 2016 | Schätzung | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | Schätzung | | 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | \~8 × 10⁶ | | 2015 | Schätzung | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | dicht | | 596 | Multi-cell LSTM (University of Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | Schätzung | | 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | dicht | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | dicht | | 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | dicht | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | dicht | | 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | Architektur nicht angegeben | | 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | dicht | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | dicht | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | dicht | | 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | dicht | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | dicht | | 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | dicht | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | Schätzung | | 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | \~5 × 10⁶ | | 2014 | Schätzung | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | Architektur nicht angegeben | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | Schätzung | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | Schätzung | | 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | dicht | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | dicht | | 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | dicht | | 616 | Dimensionality Reduction (University of Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | Schätzung | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | Schätzung | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | Schätzung | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | Schätzung | | 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | Architektur nicht angegeben | | 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | dicht | | 622 | DeepStack (University of Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | Schätzung | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | Schätzung | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | Schätzung | | 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | dicht | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | Architektur nicht angegeben | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | Schätzung | | 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | dicht | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | Schätzung | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | dicht | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | Schätzung | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | Schätzung | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | Schätzung | | 634 | Deep Belief Nets (University of Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | Schätzung | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | dicht | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | Architektur nicht angegeben | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | Schätzung | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | dicht | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | Schätzung | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | Schätzung | | 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | dicht | | 642 | CURL (University of California (UC) Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | Schätzung | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | dicht | | 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | dicht | | 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | dicht | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | dicht | | 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | Schätzung | | 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | Architektur nicht angegeben | | 649 | LISSOM (University of Texas at Austin, 1995) | \~4.3 × 10⁵ | | 1995 | Schätzung | | 650 | SPIDER2 (Griffith University, 2016) | \~4.1 × 10⁵ | | 2016 | Schätzung | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | Schätzung | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | dicht | | 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | dicht | | 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | dicht | | 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | dicht | | 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | dicht | | 657 | HyperNEAT (University of Texas at Austin, 2014) | \~2.4 × 10⁵ | | 2014 | Schätzung | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | dicht | | 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | dicht | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | Schätzung | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | Schätzung | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | Schätzung | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | Schätzung | | 664 | BLSTM for handwriting (University of Bern, 2007) | \~1 × 10⁵ | | 2007 | Schätzung | | 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | dicht | | 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | dicht | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | dicht | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | Schätzung | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | Schätzung | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | dicht | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | Schätzung | | 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | dicht | | 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | dicht | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | dicht | | 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | dicht | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | Schätzung | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | dicht | | 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | dicht | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | Schätzung | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | dicht | | 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | dicht | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | Schätzung | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | Schätzung | | 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | dicht | | 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | dicht | | 686 | Hopfield network (California Institute of Technology, 1982) | \~9.9 × 10³ | | 1982 | Schätzung | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | dicht | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | Schätzung | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | dicht | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | Schätzung | | 691 | Fadenwurm (C. elegans) | 7 × 10³ | 7 × 10³ | | Synapsen | | 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | dicht | | 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | dicht | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | dicht | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | dicht | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | Schätzung | | 697 | Kohonen network (Helsinki University of Technology, 1981) | \~4.1 × 10³ | | 1981 | Schätzung | | 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | dicht | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | Schätzung | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | dicht | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | Schätzung | | 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | dicht | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | Schätzung | | 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | \~1.9 × 10³ | | 1994 | Schätzung | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | Schätzung | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | dicht | | 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | Schätzung | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | Schätzung | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | Schätzung | | 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | Mixture of Experts (aktive Zahl nicht veröffentlicht) | | 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | dicht | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | Schätzung | | 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | dicht | | 714 | Vorhersage von Wirkmechanismen von Krebsmedikamenten (National Cancer Institute, 1992) | \~5.9 × 10² | | 1992 | Schätzung | | 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | dicht | | 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | dicht | | 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | \~3.2 × 10² | | 1983 | Schätzung | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | Schätzung | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | Schätzung | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | dicht | | 721 | SNARC (Harvard University, 1952) | \~4 × 10¹ | | 1952 | Schätzung | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | dicht | | 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | dicht | | 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | dicht | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | Schätzung | ## Kollektive Diese Diagramme ordnen Tiergesellschaften, Religionen, Staaten, Parteien und Unternehmen auf zwei Arten. Die eine ist nach Mitgliedern. Die andere ist nach Neuronenäquivalenten, die jedes Mitglied danach gewichten, wie viel seiner Wachzeit die Anweisungen der Gruppe lenken. Religiöse Vorschriften, Gesetze, Parteiregeln und Stellenbeschreibungen zählen alle gleich. Sie sind alle Mengen von Anweisungen, also messen wir sie nach derselben Regel. [Wie gerichtete Zeit geschätzt wird](https://simulation-hypothesis.com/de/entities/control). ## Tiergesellschaften: Neuronen in koordinierter Gruppenaktivität Neuronen in der Gruppe In Gruppenaktivität Mitglieder einer typischen Gruppe × Neuronen im Kortex oder Pallium jedes Mitglieds (bei Insekten das ganze Gehirn), auf einer logarithmischen Skala. Schraffierte Balken nutzen eine geschätzte Gruppengröße oder die Neuronenzahl einer verwandten Art. 1. Schimpansen-Gemeinschaft▲1 7.4 × 10¹¹ 2. Blattschneiderameisen-Kolonie▼1 6.3 × 10¹¹ 3. Bonobo-Gemeinschaft▲2 4.4 × 10¹¹ 4. Hadza-Lager (Menschen, zum Vergleich) 4.1 × 10¹¹ 5. Gruppe von Biggs-Schwertwalen▼2 2.6 × 10¹¹ 6. Matrilinie ansässiger Schwertwale 2.4 × 10¹¹ 7. Pavian-Trupp 8.6 × 10¹⁰ 8. Allianz von Großen Tümmlern▲1 7.6 × 10¹⁰ 9. Soziale Einheit der Pottwale▲1 6.4 × 10¹⁰ 10. Honigbienen-Kolonie▼2 5.8 × 10¹⁰ 11. Elefantenfamilie 5.6 × 10¹⁰ 12. Schwarm von Pinyonhähern 5.3 × 10¹⁰ 13. Tüpfelhyänen-Clan 2.2 × 10¹⁰ 14. Rudel Afrikanischer Wildhunde 7.2 × 10⁹ 15. Wolfsrudel 4.2 × 10⁹ 16. Erdmännchen-Gruppe 1.7 × 10⁹ 17. Nacktmull-Kolonie 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons Zahlen anzeigen | # | Gruppe | Neuronen in der Gruppe | In Gruppenaktivität | Mitglieder | Gelenkter Anteil | Rufarten | | -- | ------------------------------------- | ---------------------- | ------------------- | ------------- | ---------------- | -------- | | 1 | Schimpansen-Gemeinschaft | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | Blattschneiderameisen-Kolonie | 6.3 × 10¹¹ | 5 × 10¹¹ | 2,5 Millionen | 80% | — | | 3 | Bonobo-Gemeinschaft | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | Hadza-Lager (Menschen, zum Vergleich) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | Gruppe von Biggs-Schwertwalen | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | Matrilinie ansässiger Schwertwale | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | Pavian-Trupp | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | Allianz von Großen Tümmlern | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | Soziale Einheit der Pottwale | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | Honigbienen-Kolonie | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | Elefantenfamilie | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | Schwarm von Pinyonhähern | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | Tüpfelhyänen-Clan | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | Rudel Afrikanischer Wildhunde | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | Wolfsrudel | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | Erdmännchen-Gruppe | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | Nacktmull-Kolonie | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [Wie die Gruppen bewertet werden](https://simulation-hypothesis.com/de/entities/control). ## Religionen: Mitglieder und Neuronen, die ihren Anweisungen folgen Mitglieder Nach seinen Anweisungen Ganze Religionen Sekten und Bewegungen Anhänger auf einer logarithmischen Skala. Sekten und Bewegungen werden getrennt von den Religionen gezeigt, die sie enthalten. Durchgehende Balken sind Zählungen; schraffierte Balken sind Schätzungen. 1. Christentum▲1 2,27 Milliarden 2. Islam▼1 2,02 Milliarden 3. Hinduismus 1,18 Milliarden 4. Volksreligionen 400 Millionen 5. Buddhismus 324,19 Millionen 6. Traditionelle afrikanische Religionen▲1 98,73 Millionen 7. Shintō▲1 87,92 Millionen 8. Sikhismus▲1 25 Millionen 9. Judentum▼3 14,78 Millionen 10. Daoismus▲1 8 Millionen 11. Bahaʼi▲1 8 Millionen 12. Falun Gong▲1 7 Millionen 13. Jainismus▼3 4,45 Millionen 14. Spiritismus 3,8 Millionen 15. Cao Đài 2,5 Millionen 16. Tenrikyō 1,12 Millionen 17. Brahma Kumaris 1 Million 10^5 10^6 10^7 10^8 10^9 10^10 mitglieder Zahlen anzeigen | # | Religion | Mitglieder | Nach seinen Anweisungen | Gelenkter Anteil | Stunden pro Woche | | -- | ------------------------------------- | ---------------- | ----------------------- | ------------------- | ----------------- | | 1 | Christentum | 2,27 Milliarden | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | Islam | 2,02 Milliarden | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | Hinduismus | 1,18 Milliarden | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | Volksreligionen | 400 Millionen | 2 × 10¹⁷ | 0.59% (Platzhalter) | 0.6 h | | 5 | Buddhismus | 324,19 Millionen | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | Traditionelle afrikanische Religionen | 98,73 Millionen | 5 × 10¹⁶ | 0.59% (Platzhalter) | 0.6 h | | 7 | Shintō | 87,92 Millionen | 4.5 × 10¹⁶ | 0.59% (Platzhalter) | 0.6 h | | 8 | Sikhismus | 25 Millionen | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | Judentum | 14,78 Millionen | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | Daoismus | 8 Millionen | 4.1 × 10¹⁵ | 0.59% (Platzhalter) | 0.6 h | | 11 | Bahaʼi | 8 Millionen | 4.1 × 10¹⁵ | 0.59% (Platzhalter) | 0.6 h | | 12 | Falun Gong | 7 Millionen | 3.6 × 10¹⁵ | 0.59% (Platzhalter) | 0.6 h | | 13 | Jainismus | 4,45 Millionen | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | Spiritismus | 3,8 Millionen | 1.9 × 10¹⁵ | 0.59% (Platzhalter) | 0.6 h | | 15 | Cao Đài | 2,5 Millionen | 1.3 × 10¹⁵ | 0.59% (Platzhalter) | 0.6 h | | 16 | Tenrikyō | 1,12 Millionen | 5.7 × 10¹⁴ | 0.59% (Platzhalter) | 0.6 h | | 17 | Brahma Kumaris | 1 Million | 5.1 × 10¹⁴ | 0.59% (Platzhalter) | 0.6 h | [Jede Praxis, jeder Anteil und jede Quelle](https://simulation-hypothesis.com/de/entities/control). ## Staaten: Einwohner und Neuronen, die ihren Anweisungen folgen Einwohner Nach seinen Anweisungen Alle Europa und Zentralasien Lateinamerika und Karibik Naher Osten, Nordafrika, Afghanistan und Pakistan Nordamerika Ostasien und Pazifik Subsahara-Afrika Südasien Bevölkerung auf einer logarithmischen Skala. Durchgehende Balken sind Zählungen; schraffierte Balken sind Schätzungen. 1. Indien▲1 1,46 Milliarden 2. China▼1 1,41 Milliarden 3. Vereinigte Staaten 341,78 Millionen 4. Indonesien 285,72 Millionen 5. Pakistan▲5 255,22 Millionen 6. Nigeria▲1 237,53 Millionen 7. Brasilien▼2 212,81 Millionen 8. Bangladesch▲5 175,69 Millionen 9. Russland▼3 143,51 Millionen 10. Äthiopien▲7 135,47 Millionen 11. Mexiko▼2 131,95 Millionen 12. Japan▲11 123,37 Millionen 13. Ägypten▼2 118,37 Millionen 14. Philippinen 116,79 Millionen 15. Demokratische Republik Kongo▼3 112,83 Millionen Alle 196 anzeigen 10^4 10^6 10^8 10^10 einwohner Zahlen anzeigen | # | Staat | Einwohner | Nach seinen Anweisungen | Gelenkter Anteil | Stunden pro Woche | | --- | ------------------------------ | ---------------- | ----------------------- | ---------------- | ----------------- | | 1 | Indien | 1,46 Milliarden | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | China | 1,41 Milliarden | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | Vereinigte Staaten | 341,78 Millionen | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | Indonesien | 285,72 Millionen | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | Pakistan | 255,22 Millionen | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | Nigeria | 237,53 Millionen | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | Brasilien | 212,81 Millionen | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | Bangladesch | 175,69 Millionen | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | Russland | 143,51 Millionen | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | Äthiopien | 135,47 Millionen | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | Mexiko | 131,95 Millionen | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | Japan | 123,37 Millionen | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | Ägypten | 118,37 Millionen | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | Philippinen | 116,79 Millionen | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | Demokratische Republik Kongo | 112,83 Millionen | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | Vietnam | 101,6 Millionen | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | Iran | 92,42 Millionen | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | Türkei | 85,88 Millionen | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | Deutschland | 83,49 Millionen | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | Thailand | 71,62 Millionen | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | Tansania | 70,55 Millionen | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | Vereinigtes Königreich | 69,49 Millionen | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | Frankreich | 68,72 Millionen | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | Südafrika | 64,75 Millionen | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | Italien | 58,92 Millionen | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | Kenia | 57,53 Millionen | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | Myanmar | 54,85 Millionen | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | Kolumbien | 53,43 Millionen | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | Südkorea | 51,68 Millionen | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | Sudan | 51,66 Millionen | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | Uganda | 51,38 Millionen | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | Spanien | 49,36 Millionen | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | Algerien | 47,44 Millionen | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | Irak | 47,02 Millionen | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | Argentinien | 45,85 Millionen | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | Afghanistan | 43,84 Millionen | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | Jemen | 41,77 Millionen | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | Kanada | 41,65 Millionen | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | Angola | 39,04 Millionen | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | Ukraine | 38,98 Millionen | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | Marokko | 38,43 Millionen | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | Usbekistan | 37,05 Millionen | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | Saudi-Arabien | 36,97 Millionen | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | Polen | 36,44 Millionen | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | Malaysia | 35,98 Millionen | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | Mosambik | 35,63 Millionen | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | Ghana | 35,06 Millionen | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | Peru | 34,58 Millionen | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | Madagaskar | 32,74 Millionen | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | Côte d’Ivoire | 32,71 Millionen | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | Kamerun | 29,88 Millionen | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | Nepal | 29,62 Millionen | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | Venezuela | 28,52 Millionen | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | Niger | 27,92 Millionen | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | Australien | 27,61 Millionen | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | Nordkorea | 26,57 Millionen | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | Syrien | 25,62 Millionen | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | Mali | 25,2 Millionen | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | Burkina Faso | 24,07 Millionen | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | Taiwan | 23,31 Millionen | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | Malawi | 22,22 Millionen | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | Sambia | 21,91 Millionen | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | Sri Lanka | 21,76 Millionen | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | Tschad | 21 Millionen | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | Kasachstan | 20,84 Millionen | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | Chile | 19,86 Millionen | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | Somalia | 19,65 Millionen | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | Rumänien | 19,02 Millionen | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | Senegal | 18,93 Millionen | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | Guatemala | 18,69 Millionen | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | Ecuador | 18,29 Millionen | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | Niederlande | 18,09 Millionen | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | Kambodscha | 17,85 Millionen | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | Simbabwe | 16,95 Millionen | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | Guinea | 15,1 Millionen | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | Benin | 14,81 Millionen | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | Ruanda | 14,57 Millionen | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | Burundi | 14,39 Millionen | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | Bolivien | 12,58 Millionen | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | Tunesien | 12,35 Millionen | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | Südsudan | 12,19 Millionen | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | Belgien | 11,94 Millionen | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | Haiti | 11,91 Millionen | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | Jordanien | 11,52 Millionen | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | Dominikanische Republik | 11,52 Millionen | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | Vereinigte Arabische Emirate | 11,51 Millionen | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | Honduras | 11,01 Millionen | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | Kuba | 10,94 Millionen | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | Tschechien | 10,89 Millionen | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | Portugal | 10,8 Millionen | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | Tadschikistan | 10,79 Millionen | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | Papua-Neuguinea | 10,76 Millionen | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | Schweden | 10,6 Millionen | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | Griechenland | 10,41 Millionen | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | Aserbaidschan | 10,25 Millionen | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | Israel | 10,12 Millionen | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | Ungarn | 9,51 Millionen | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | Österreich | 9,21 Millionen | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | Schweiz | 9,09 Millionen | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | Belarus | 9,09 Millionen | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | Sierra Leone | 8,82 Millionen | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | Togo | 8,59 Millionen | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | Laos | 7,87 Millionen | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | Turkmenistan | 7,62 Millionen | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | Libyen | 7,46 Millionen | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | Kirgisistan | 7,34 Millionen | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | Paraguay | 7,01 Millionen | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | Nicaragua | 7,01 Millionen | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | Serbien | 6,55 Millionen | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | Republik Kongo | 6,48 Millionen | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | Bulgarien | 6,43 Millionen | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | El Salvador | 6,37 Millionen | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | Singapur | 6,11 Millionen | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | Dänemark | 6,01 Millionen | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | Libanon | 5,85 Millionen | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | Liberia | 5,73 Millionen | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | Finnland | 5,65 Millionen | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | Norwegen | 5,61 Millionen | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | Zentralafrikanische Republik | 5,51 Millionen | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | Oman | 5,49 Millionen | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | Irland | 5,48 Millionen | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | Slowakei | 5,41 Millionen | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | Palästina | 5,41 Millionen | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | Neuseeland | 5,32 Millionen | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | Mauretanien | 5,32 Millionen | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | Costa Rica | 5,15 Millionen | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | Kuwait | 4,87 Millionen | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | Panama | 4,57 Millionen | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | Georgien | 3,94 Millionen | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | Kroatien | 3,88 Millionen | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | Eritrea | 3,61 Millionen | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | Mongolei | 3,57 Millionen | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | Uruguay | 3,38 Millionen | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | Bosnien und Herzegowina | 3,14 Millionen | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | Namibia | 3,09 Millionen | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | Armenien | 3,09 Millionen | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | Katar | 2,97 Millionen | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | Litauen | 2,89 Millionen | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | Jamaika | 2,84 Millionen | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | Gambia | 2,82 Millionen | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | Gabun | 2,59 Millionen | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | Botsuana | 2,56 Millionen | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | Lesotho | 2,36 Millionen | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | Moldau | 2,36 Millionen | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | Albanien | 2,35 Millionen | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | Guinea-Bissau | 2,25 Millionen | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | Slowenien | 2,13 Millionen | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | Äquatorialguinea | 1,94 Millionen | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | Lettland | 1,85 Millionen | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | Nordmazedonien | 1,82 Millionen | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | Bahrain | 1,6 Millionen | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | Kosovo | 1,58 Millionen | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | Osttimor | 1,42 Millionen | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | Zypern | 1,37 Millionen | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | Trinidad und Tobago | 1,37 Millionen | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | Estland | 1,37 Millionen | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | Eswatini | 1,26 Millionen | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | Mauritius | 1,24 Millionen | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | Dschibuti | 1,18 Millionen | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | Fidschi | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | Komoren | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | Salomonen | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | Guyana | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | Bhutan | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | Luxemburg | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | Suriname | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | Montenegro | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | Malediven | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | Kap Verde | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | Brunei | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | Belize | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | Bahamas | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | Island | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | Vanuatu | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | Barbados | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | São Tomé und Príncipe | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | Samoa | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | St. Lucia | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | Kiribati | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | Seychellen | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | Grenada | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | Mikronesien | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | Tonga | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | St. Vincent und die Grenadinen | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | Antigua und Barbuda | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | Andorra | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | Dominica | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | St. Kitts und Nevis | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | Liechtenstein | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | Monaco | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | Marshallinseln | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | San Marino | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | Palau | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | Nauru | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | Tuvalu | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [Was gezählt wird und was nicht](https://simulation-hypothesis.com/de/entities/control). ## Politische Parteien: Mitglieder und Neuronen, die ihren Anweisungen folgen Mitglieder Nach seinen Anweisungen Mitglieder, wie die Partei sie angibt, auf einer logarithmischen Skala. Durchgehende Balken sind Zählungen; schraffierte Balken sind Schätzungen oder Behauptungen. 1. Bharatiya Janata Party (Indien)▲1 140 Millionen 2. Kommunistische Partei Chinas▼1 101,29 Millionen 3. Demokratische Partei (USA)▲13 44,9 Millionen 4. Republikanische Partei (USA)▲16 38 Millionen 5. Indischer Nationalkongress▼2 26 Millionen 6. AIADMK (Indien)▼2 20,04 Millionen 7. DMK (Indien)▼2 20 Millionen 8. Wohlstandspartei (Äthiopien)▼1 15,7 Millionen 9. TVK (Indien)▼1 15 Millionen 10. Chama Cha Mapinduzi (Tansania)▼1 13 Millionen 11. All Progressives Congress (Nigeria)▼1 12,9 Millionen 12. AK Party (Türkei)▼1 11,71 Millionen 13. Morena (Mexiko)▼1 11,63 Millionen 14. Telugu Desam Party (Indien)▼1 10,05 Millionen 15. Kambodschanische Volkspartei▼1 7 Millionen Alle 59 anzeigen 10^4 10^5 10^6 10^7 10^8 10^9 mitglieder Zahlen anzeigen | # | Partei | Mitglieder | Nach seinen Anweisungen | Gelenkter Anteil | Stunden pro Woche | | -- | ----------------------------------------------- | ---------------- | ----------------------- | ------------------- | ----------------- | | 1 | Bharatiya Janata Party (Indien) | 140 Millionen | 6.3 × 10¹⁶ | 0.52% (Platzhalter) | 0.6 h | | 2 | Kommunistische Partei Chinas | 101,29 Millionen | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | Demokratische Partei (USA) | 44,9 Millionen | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | Republikanische Partei (USA) | 38 Millionen | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | Indischer Nationalkongress | 26 Millionen | 1.2 × 10¹⁶ | 0.52% (Platzhalter) | 0.6 h | | 6 | AIADMK (Indien) | 20,04 Millionen | 9 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 7 | DMK (Indien) | 20 Millionen | 9 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 8 | Wohlstandspartei (Äthiopien) | 15,7 Millionen | 7 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 9 | TVK (Indien) | 15 Millionen | 6.7 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 10 | Chama Cha Mapinduzi (Tansania) | 13 Millionen | 5.8 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 11 | All Progressives Congress (Nigeria) | 12,9 Millionen | 5.8 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 12 | AK Party (Türkei) | 11,71 Millionen | 5.2 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 13 | Morena (Mexiko) | 11,63 Millionen | 5.2 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 14 | Telugu Desam Party (Indien) | 10,05 Millionen | 4.5 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 15 | Kambodschanische Volkspartei | 7 Millionen | 3.1 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 16 | Partei der Arbeit Koreas | 6,18 Millionen | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | FRELIMO (Mosambik) | 6 Millionen | 2.7 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 18 | Kommunistische Partei Vietnams | 5,6 Millionen | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | Demokratische Partei Koreas | 5 Millionen | 2.2 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 20 | People Power Party (Südkorea) | 4,44 Millionen | 2 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 21 | PSUV (Venezuela) | 4,24 Millionen | 1.9 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 22 | ZANU-PF (Simbabwe) | 4,06 Millionen | 1.8 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 23 | UMNO (Malaysia) | 3,25 Millionen | 1.5 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 24 | Justizialistische Partei (Argentinien) | 3,1 Millionen | 1.4 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 25 | Colorado-Partei (Paraguay) | 3 Millionen | 1.3 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 26 | Einiges Russland | 2,6 Millionen | 1.2 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 27 | UzLiDeP (Usbekistan) | 2,31 Millionen | 1 × 10¹⁵ | 0.52% (Platzhalter) | 0.6 h | | 28 | PLD (Dominikanische Republik) | 2,18 Millionen | 9.7 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 29 | MDB (Brasilien) | 2,02 Millionen | 9 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 30 | CHP (Türkei) | 1,88 Millionen | 8.4 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 31 | Radikale Bürgerunion (Argentinien) | 1,79 Millionen | 8 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 32 | Arbeiterpartei, PT (Brasilien) | 1,67 Millionen | 7.5 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 33 | PRM (Dominikanische Republik) | 1,55 Millionen | 6.9 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 34 | Authentische Radikal-Liberale Partei (Paraguay) | 1,55 Millionen | 6.9 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 35 | Partido Federal ng Pilipinas | 1,5 Millionen | 6.7 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 36 | PAS (Malaysia) | 1,3 Millionen | 5.8 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 37 | PRD (Brasilien) | 1,29 Millionen | 5.8 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 38 | Progressistas (Brasilien) | 1,29 Millionen | 5.8 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 39 | PSDB (Brasilien) | 1,26 Millionen | 5.6 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 40 | PKR (Malaysia) | 1,15 Millionen | 5.2 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 41 | Economic Freedom Fighters (Südafrika) | 1,09 Millionen | 4.9 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 42 | PDT (Brasilien) | 1,07 Millionen | 4.8 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 43 | União Brasil | 1,07 Millionen | 4.8 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 44 | CPI(M) (Indien) | 1,02 Millionen | 4.6 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 45 | Liberal-Demokratische Partei (Japan) | 1 Million | 4.5 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 46 | FLN (Algerien) | 1 Million | 4.5 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 47 | Liberale Partei, PL (Brasilien) | 952,881 | 4.3 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 48 | Kommunistische Partei Kubas | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | Afrikanischer Nationalkongress | 688,454 | 3.1 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 50 | Konservative Partei Kanadas | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | CDU (Deutschland) | 364,202 | 1.6 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 52 | SPD (Deutschland) | 357,116 | 1.6 × 10¹⁴ | 0.52% (Platzhalter) | 0.6 h | | 53 | Labour Party (Großbritannien) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | Liberale Partei Kanadas | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | Die Grünen (Deutschland) | 155,296 | 7 × 10¹³ | 0.52% (Platzhalter) | 0.6 h | | 56 | CSU (Deutschland) | 125,153 | 5.6 × 10¹³ | 0.52% (Platzhalter) | 0.6 h | | 57 | Conservative Party (Großbritannien) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | Neue Demokratische Partei (Kanada) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | AfD (Deutschland) | 51,335 | 2.3 × 10¹³ | 0.52% (Platzhalter) | 0.6 h | [Sitzungen, Umfragen und Quellen](https://simulation-hypothesis.com/de/entities/control). ## Unternehmen: Beschäftigte und Neuronen, die ihren Anweisungen folgen Beschäftigte Nach seinen Anweisungen Beschäftigte laut jüngstem Geschäftsbericht oder jüngster Liste, auf einer linearen Skala. 1. Walmart 2,1 Millionen 2. Amazon▲1 1,58 Millionen 3. State Grid▼1 1,36 Millionen 4. China National Petroleum 1,03 Millionen 5. JD.com 951,420 6. BYD▲1 869,622 7. Accenture▼1 779,000 8. Allied Universal▲3 770,000 9. China Post Group▼1 719,448 10. Russische Eisenbahnen (RZD)▲2 677,363 11. Volkswagen Group▲6 662,942 12. Foxconn (Hon Hai)▼2 633,167 13. Schwarz Group▲16 604,000 14. Compass Group▲18 590,000 15. Tata Consultancy Services▼6 584,510 Alle 71 anzeigen 0 0.5M 1M 1.5M 2M 2.5M employees Zahlen anzeigen | # | Unternehmen | Beschäftigte | Nach seinen Anweisungen | Stunden pro Woche | Gelenkter Anteil | | -- | ------------------------------------ | -------------- | ----------------------- | -------------------------------- | ---------------- | | 1 | Walmart | 2,1 Millionen | 6.3 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 2 | Amazon | 1,58 Millionen | 4.7 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 3 | State Grid | 1,36 Millionen | 5.5 × 10¹⁶ | 49 h (China) | 47% | | 4 | China National Petroleum | 1,03 Millionen | 4.1 × 10¹⁶ | 49 h (China) | 47% | | 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (China) | 47% | | 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (China) | 47% | | 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (Indien) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (Vereinigte Staaten) | 35% | | 9 | China Post Group | 719,448 | 2.9 × 10¹⁶ | 49 h (China) | 47% | | 10 | Russische Eisenbahnen (RZD) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (Russland) | 38% | | 11 | Volkswagen Group | 662,942 | 2 × 10¹⁶ | 35.95 h (Deutschland) | 34% | | 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (China) | 47% | | 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (Deutschland) | 30% | | 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (Vereinigte Staaten) | 30% | | 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (Indien) | 56% | | 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (Deutschland) | 34% | | 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (China) | 47% | | 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (Russland) | 39% | | 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (Vereinigte Staaten) | 38% | | 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 21 | China Mobile | 468,496 | 1.9 × 10¹⁶ | 49 h (China) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (Vereinigte Staaten) | 38% | | 23 | Agricultural Bank of China | 457,835 | 1.8 × 10¹⁶ | 49 h (China) | 47% | | 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (Philippinen) | 45% | | 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (Indien) | 56% | | 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (Indonesien) | 40% | | 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (Vereinigte Staaten) | 30% | | 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (Indien) | 56% | | 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (Indien) | 57% | | 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (Deutschland) | 30% | | 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (China) | 47% | | 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (Vereinigte Staaten) | 30% | | 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (Deutschland) | 34% | | 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (China) | 47% | | 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (China) | 47% | | 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (Russland) | 38% | | 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (Japan) | 38% | | 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (Vereinigte Staaten) | 35% | | 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (Russland) | 38% | | 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (Vereinigte Staaten) | 36% | | 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 45 | China Telecom | 381,436 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (Vereinigte Staaten) | 30% | | 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (Deutschland) | 30% | | 48 | China Construction Bank | 378,344 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 50 | China State Construction Engineering | 370,272 | 1.5 × 10¹⁶ | 49 h (China) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (Mexiko) | 45% | | 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (Japan) | 40% | | 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (Vereinigtes Königreich) | 30% | | 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (Indien) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (Japan) | 38% | | 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (Vereinigte Staaten) | 35% | | 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (Indien) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (Indien) | 56% | | 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (Vereinigte Staaten) | 35% | | 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (Vereinigte Staaten) | 35% | | 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (Russland) | 39% | | 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (Vereinigte Staaten) | 38% | | 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (Deutschland) | 34% | | 64 | Bank of China | 313,746 | 1.3 × 10¹⁶ | 49 h (China) | 47% | | 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (Vereinigte Staaten) | 35% | | 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (Vereinigte Staaten) | 39% | | 67 | China Railway Construction (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (China) | 47% | | 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (China) | 47% | | 69 | China Railway Group (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (China) | 47% | | 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (Vereinigtes Königreich) | 33% | | 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (Vereinigte Staaten) | 35% | [Stunden und Quellen](https://simulation-hypothesis.com/de/entities/control). ## Tiere und andere Organismen Von einzelnen Zellen ohne Neuronen bis zum menschlichen Gehirn. Neuronenzahlen sind gemessen, wo es welche gibt. ### Keine Neuronen * [Escherichia coli](https://simulation-hypothesis.com/de/entities/ecoli)Escherichia coli 0 gemessen Eine einzelne Zelle ohne Neuronen. Sie steuert auf Nahrung zu und hat ein chemisches Gedächtnis, das einige Sekunden anhält. * [Schleimpilz](https://simulation-hypothesis.com/de/entities/physarum)Physarum polycephalum 0 gemessen Eine einzelne Riesenzelle ohne Neuronen. Sie löst Labyrinthe und bildet effiziente Transportnetze. * [Mimose](https://simulation-hypothesis.com/de/entities/mimosa)Mimosa pudica 0 gemessen Eine Pflanze, deren Blätter sich bei Berührung zusammenfalten. Eine Studie berichtete, dass sie lernt, harmlose Berührungen zu ignorieren. Eine spätere Neuanalyse bestritt das. * [Schwamm](https://simulation-hypothesis.com/de/entities/sponge)Porifera (e.g. Amphimedon queenslandica) 0 gemessen Ein Tier ohne Neuronen oder Synapsen, das trotzdem den ganzen Körper koordiniert zusammenzieht. ### Nervennetze, kein Gehirn * [Süßwasserpolyp (Hydra)](https://simulation-hypothesis.com/de/entities/hydra)Hydra vulgaris etwa 3.000 bis 5.000 Schätzung Ein kleines Nesseltier des Süßwassers. Es wird von einem diffusen Nervennetz gesteuert und hat kein Gehirn. * [Würfelqualle](https://simulation-hypothesis.com/de/entities/jellyfish)Tripedalia cystophora Keine veröffentlichte Zählung Eine Würfelqualle hat kein zentrales Gehirn, zeigte aber assoziatives Lernen. ### Wirbellose mit Gehirn * [Fadenwurm](https://simulation-hypothesis.com/de/entities/celegans)Caenorhabditis elegans 302 gemessen Ein etwa einen Millimeter langer Wurm mit genau 302 Neuronen. Er war das erste Tier, dessen vollständiger Schaltplan kartiert wurde. * [Fruchtfliege](https://simulation-hypothesis.com/de/entities/drosophila)Drosophila melanogaster 139,255 gemessen Das größte vollständige Schaltschema eines Gehirns, das bisher kartiert wurde, mit etwa 139.000 Neuronen. * [Honigbiene](https://simulation-hypothesis.com/de/entities/honeybee)Apis mellifera etwa 1 Million Schätzung Etwa eine Million Neuronen, und Bienen können abstrakte Begriffe wie gleich und verschieden lernen. * [Ameise (Camponotus / Formica)](https://simulation-hypothesis.com/de/entities/ant)Camponotus spp. Keine veröffentlichte Zählung Ein kleines Gehirn, das die Navigation über lange Strecken bewältigt, indem es Schritte zählt (Wegintegration) und sich Landmarken merkt. * [Portia-Springspinne](https://simulation-hypothesis.com/de/entities/portia)Portia fimbriata / labiata Keine veröffentlichte Zählung Eine Springspinne, die Umwege plant. Sie wählt Routen, die von der Beute wegführen und aus ihrem Blickfeld. * [Strandkrabbe / Flusskrebs](https://simulation-hypothesis.com/de/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. Keine veröffentlichte Zählung Krabben und Flusskrebse. Ein Regierungsbericht von 2021 fand starke Belege dafür, dass echte Krabben empfindungsfähig sind. * [Gemeiner Krake](https://simulation-hypothesis.com/de/entities/octopus)Octopus vulgaris 500 Millionen Schätzung Die meisten seiner Neuronen sitzen in den Armen. Eine Überprüfung von 2021 fand sehr starke Belege dafür, dass er empfindungsfähig ist. ### Fische und Amphibien * [Zebrafisch](https://simulation-hypothesis.com/de/entities/zebrafish)Danio rerio Keine veröffentlichte Zählung Ein kleiner Fisch, der in den Neurowissenschaften viel genutzt wird. Seine Neuronen sind nicht vollständig gezählt. Das erwachsene Gehirn hat etwa 10 Millionen Zellen. * [Putzerlippfisch](https://simulation-hypothesis.com/de/entities/wrasse)Labroides dimidiatus Keine veröffentlichte Zählung Ein Fisch am Riff, der eine Version des Spiegeltests mit Markierung bestand. Was das zeigt, darüber sind sich die Leute uneinig. * [Frosch](https://simulation-hypothesis.com/de/entities/frog)Anura (e.g. Xenopus / Rana) Keine veröffentlichte Zählung Die New Yorker Erklärung von 2024 sagt, es gebe eine realistische Möglichkeit bewussten Erlebens bei Amphibien. ### Vögel * [Felsentaube](https://simulation-hypothesis.com/de/entities/pigeon)Columba livia 310 Millionen gemessen Hunderte Millionen Neuronen in einem kleinen Gehirn. Tauben können komplexe Bilder in Kategorien sortieren. * [Kolkrabe](https://simulation-hypothesis.com/de/entities/raven)Corvus corax 2,17 Milliarden gemessen Über zwei Milliarden Neuronen, dicht gepackt. Raben erinnern sich an einzelne Konkurrenten. * [Neukaledonienkrähe](https://simulation-hypothesis.com/de/entities/nccrow)Corvus moneduloides Keine veröffentlichte Zählung Sie fertigt aus Zweigen und Draht Hakenwerkzeuge. Ihre Neuronen sind nicht gezählt. * [Graupapagei](https://simulation-hypothesis.com/de/entities/greyparrot)Psittacus erithacus 1,57 Milliarden gemessen Etwa 1,6 Milliarden Neuronen. Jahrzehntelange Laborforschung zu Zahlensinn und Kategorisierung. ### Mammals * [Maus](https://simulation-hypothesis.com/de/entities/mouse)Mus musculus 70,9 Millionen gemessen Etwa 71 Millionen Neuronen. Mäuse zeigen Gesichtsausdrücke bei Schmerz, die sich messen lassen. * [Ratte](https://simulation-hypothesis.com/de/entities/rat)Rattus norvegicus 200 Millionen gemessen Etwa 200 Millionen Neuronen. Ratten befreien eingesperrte Käfiggefährten. * [Hauskatze](https://simulation-hypothesis.com/de/entities/cat)Felis catus 1,22 Milliarden gemessen Etwa 250 Millionen Neuronen in der Großhirnrinde. * [Haushund](https://simulation-hypothesis.com/de/entities/dog)Canis familiaris 1,8 bis 2,6 Milliarden, je nach Hund gemessen Bis zu etwa 600 Millionen kortikale Neuronen, je nach Hund. Das sind mehr als bei Katzen. * [Hausschwein](https://simulation-hypothesis.com/de/entities/pig)Sus scrofa domesticus 2,22 Milliarden gemessen Schweine lernen, was ein Spiegel zeigt, und nutzen ihn, um Futter zu finden. * [Großer Tümmler](https://simulation-hypothesis.com/de/entities/dolphin)Tursiops truncatus Keine veröffentlichte Zählung Besteht Spiegeltests zur Selbsterkennung. Für den Großen Tümmler gibt es keine gemessene Neuronenzahl. * [Afrikanischer Elefant](https://simulation-hypothesis.com/de/entities/elephant)Loxodonta africana 257 Milliarden gemessen 257 Milliarden Neuronen, dreimal so viele wie beim Menschen, fast alle im Kleinhirn. * [Schimpanse](https://simulation-hypothesis.com/de/entities/chimp)Pan troglodytes etwa 28 Milliarden (aus Skalierungsregeln vorhergesagt, nicht gezählt) Schätzung Einer unserer beiden engsten lebenden Verwandten (neben dem Bonobo). Er besteht den Spiegeltest. * [Mensch](https://simulation-hypothesis.com/de/entities/human)Homo sapiens 86,1 Milliarden gemessen 86 Milliarden Neuronen, 16 Milliarden davon in der Großhirnrinde. Wir sind die einzige Art, deren Mitglieder verbal über ihr Erleben berichten können. ## Kollektive Systeme Gruppen, die Entscheidungen treffen, die kein einzelnes Mitglied allein trifft. Sie werden als kollektive Intelligenz untersucht, nicht als Bewusstseine. * [Ameisenkolonien](https://simulation-hypothesis.com/de/entities/c-ants)Kolonien wählen das bessere Nest, weil einzelne Ameisen einer Quorum-Schwelle folgen. Keine Ameise vergleicht die Standorte insgesamt. * [Honigbienenschwärme](https://simulation-hypothesis.com/de/entities/c-bees)Schwärme wählen die beste Höhle im Wettbewerb zwischen Kundschaftern und durch ein Quorum. Stoppsignale sorgen für gegenseitige Hemmung, die Blockaden löst. * [Starenschwärme](https://simulation-hypothesis.com/de/entities/c-starlings)Jeder Vogel verfolgt eine feste Zahl von Nachbarn (etwa 6–7), nicht jeden Vogel innerhalb eines festen Abstands. Das nennt man topologische, nicht metrische Wechselwirkung. * [Fischschwärme](https://simulation-hypothesis.com/de/entities/c-fish)Schwärme entscheiden nach Quorum-Regeln. Große Gruppen können Umweltgradienten wahrnehmen, die kein einzelner Fisch spüren kann. ## Künstliche Systeme Arten maschineller Intelligenz, danach sortiert, wie sie funktionieren. Kein heutiges System gilt als starker Kandidat für Bewusstsein. * [Regelbasierte Expertensysteme](https://simulation-hypothesis.com/de/entities/ai-expert)Programme, die das Wissen eines Fachexperten als ausdrückliche Wenn-dann-Regeln kodieren. Eine Inferenzmaschine wendet die Regeln der Reihe nach an, um zu Schlüssen zu kommen, meist mit einer Erklärung ihrer Begründung. * [Spielbaum-Suchmaschinen (Schach)](https://simulation-hypothesis.com/de/entities/ai-chess)Programme, die mögliche Zugfolgen bis zu einer festen Tiefe aufzählen und die entstehenden Stellungen mit einer von Hand gebauten Bewertungsfunktion bewerten. Sie schneiden Zweige ab, die die Wahl nicht ändern können (Minimax mit Alpha-Beta-Pruning). * [Deep-Reinforcement-Learning-Agenten](https://simulation-hypothesis.com/de/entities/ai-drl)Neuronale Netze, die durch Versuch und Irrtum trainiert werden, ein Belohnungssignal zu maximieren. Sie lernen eine Strategie oder Wertfunktion durch Interaktion mit einer Umgebung, oft einer simulierten wie einem Spiel. * [Große Sprachmodelle](https://simulation-hypothesis.com/de/entities/ai-llm)Neuronale Transformer-Netze, trainiert darauf, das nächste Token in sehr großen Textsammlungen vorherzusagen, und danach oft mit menschlichem Feedback abgestimmt. * [Verkörperte Roboter](https://simulation-hypothesis.com/de/entities/ai-robots)Maschinen mit Sensoren und Aktoren, die in der physischen Welt handeln. Sie nutzen oft eine geschichtete reaktive Steuerung statt eines zentralen Weltmodells, sodass Verhalten aus der Schleife zwischen Körper und Umgebung entsteht. * [Neuromorphe Hardware](https://simulation-hypothesis.com/de/entities/ai-neuromorphic)Chips, deren Schaltkreise feuernde Neuronen und Synapsen nachbilden. Sie arbeiten ereignisgesteuert und brauchen wenig Strom, anders als der herkömmliche Aufbau aus Prozessor und Speicher. ## Hypothetische Bewusstseine In der wissenschaftlichen und philosophischen Literatur vorgeschlagene Bewusstseine. Niemand hat je eines beobachtet. * [Ganzhirn-Emulation](https://simulation-hypothesis.com/de/entities/h-wbe)unbeobachtet Ein Gehirn in feinem Detail scannen und ein Softwaremodell davon ausführen. * [Simulierte Bewusstseine in Ahnensimulationen](https://simulation-hypothesis.com/de/entities/h-ancestor)unbeobachtet Bostroms Trilemma: Entweder erreichen fast keine Zivilisationen eine posthumane Stufe, oder fast keine betreiben Ahnensimulationen, oder wir leben mit an Sicherheit grenzender Wahrscheinlichkeit in einer. * [Boltzmann-Gehirne](https://simulation-hypothesis.com/de/entities/h-boltzmann)unbeobachtet Gehirnähnliche Beobachter, die aus seltenen thermischen oder Quantenfluktuationen entstehen. * [Mind-Uploading durch schrittweisen Ersatz](https://simulation-hypothesis.com/de/entities/h-uploading)unbeobachtet Neuronen eins nach dem anderen durch funktional identische künstliche Teile ersetzen. * [Superintelligenz](https://simulation-hypothesis.com/de/entities/h-superintelligence)unbeobachtet Ein hypothetischer Intellekt, der die menschliche Leistung in praktisch allen Bereichen weit übertrifft. Bostroms Buch analysiert die Wege dorthin (Ganzhirn-Emulation, biologische Kognition, KI), seine Formen und die Kontrollprobleme. Datenversion 2.0.0\. [Herunterladen (JSON)](https://simulation-hypothesis.com/entities/minds.json).