Google Simula: synthetische Daten als Mechanismusdesign statt Beispiel-für-Beispiel-Optimierung

Google Research veröffentlichte am 16. April 2026 einen detaillierten technischen Beitrag über das Simula-Framework — ein System zur Generierung synthetischer Daten, das die Herangehensweise an das Problem der Datenknappheit in spezialisierten KI-Anwendungen grundlegend verändert. Die Autoren Tim R. Davidson und Hamza Harkous argumentieren, dass das Problem “von der Beispiel- auf die Mechanismusebene” umgerahmt werden muss.

Warum Mechanismusdesign statt Beispieloptimierung?

Traditionelle Ansätze zur Generierung synthetischer Daten optimieren einzelne Beispiele — einen besseren Prompt, eine bessere Temperatur, einen besseren Filter. Die Autoren argumentieren, dass dies für Domänen, in denen Daten naturgemäß knapp sind (regulierte Bereiche, neue spezialisierte Aufgaben, datenschutzsensible Anwendungen), nicht skaliert.

Simula hingegen entwirft einen Mechanismus, der die Verteilung der generierten Daten gleichzeitig über mehrere Achsen steuert. Das Ergebnis ist, dass Anwender das „Aussehen des Datensatzes” so anpassen können, wie sie eine Architektur entwerfen würden — mit expliziten Parametern statt Versuch und Irrtum.

Vier Steuerungsachsen

Das Framework zerlegt die Generierung in vier unabhängige Dimensionen:

Globale Diversifizierung verwendet Reasoning-Modelle zum Aufbau hierarchischer Taxonomien, die den konzeptuellen Raum einer Domäne abbilden. Diese Taxonomien dienen als „Sampling Scaffolds” (Stichprobengerüste) und gewährleisten eine Long-Tail-Abdeckung, anstatt sich um die häufigsten Fälle zu häufen.

Lokale Diversifizierung verwendet Meta-Prompts aus Taxonomieknoten und generiert mehrere verschiedene Instanzen innerhalb desselben Themas, um Mode Collapse zu verhindern — das Phänomen, bei dem das Modell immer wieder Variationen desselben Beispiels produziert.

Komplexifizierung behandelt Schwierigkeit als orthogonale Achse und ermöglicht eine Verschiebung der Schwierigkeitsverteilung des Datensatzes ohne Änderung der semantischen Abdeckung. Anwender können so einfache und komplexe Varianten desselben Themas unabhängig voneinander generieren.

Qualitätskontrolle erfolgt durch einen Dual-Critic-Loop — zwei unabhängige Verifikatoren, die LLM-Sycophancy reduzieren und qualitativ hochwertige Labels sicherstellen.

Technische Architektur und Evaluierung

Das System verwendet Gemini 2.5 Flash als Teacher-Modell für die Generierung und Gemma-3 4B als Student-Modell für das Training. Die Evaluierung basiert auf den Metriken Taxonomic Coverage und Calibrated Complexity Scoring, wobei Letzteres jedem Beispiel durch LLM-Batch-Vergleiche ein Elo-Rating zuweist.

Tests wurden in fünf Domänen durchgeführt: Cybersicherheit (CTI-MCQ, CTI-RCM), juristisches Denken (LEXam), Mathematik (GSM8k) und mehrsprachiges Wissen (Global MMLU). Die generierten Datensätze umfassten bis zu 512.000 Beispiele pro Domäne.

Ein interessanter Befund: Hohe Komplexität verbessert die mathematische Genauigkeit um 10 %, verschlechtert aber das juristische Denken. Die Autoren interpretieren dies als Beweis dafür, dass es „kein einheitliches Erfolgsrezept gibt” — jede Domäne erfordert ihre eigene Kombination von Achsen.

Bereits im Produktionsbetrieb im Google-Ökosystem

Simula ist kein Forschungsprojekt. Der Beitrag enthüllt, dass es bereits folgende Dienste antreibt:

• Spezialisierte Modelle: ShieldGemma, FunctionGemma, MedGemma
• Sicherheitsinfrastruktur: Das primäre Backbone für Gemini-Sicherheitsklassifikatoren (On-Device und Server-seitig)
• Benutzerschutz: KI-Betrugserkennung bei Android-Telefonanrufen und Spam-Filterung in Google Messages
• Enterprise-Sicherheit: Frameworks, die ML durch realistische synthetische Angriffsszenarien demokratisieren

Diese Ankündigung signalisiert, dass Google seine interne synthetische Dateninfrastruktur auf die Ebene eines erstklassigen KI-Primitivums gehoben hat — und ihr dieselbe Ernsthaftigkeit wie der Modellarchitektur oder dem Hardware-Stack widmet.