Begriff
Artificial Intelligence (KI)
Warum wichtig?
Dieser Begriff ist ein Knoten im SengakujiWorks-Wissensnetz. Nutze Level 0 für die erste Einordnung, Level 1 für Praxis, Level 2 für technische Struktur und Level 3 für Grenzen, Fallstricke und Expertenkontext.
Künstliche Intelligenz (AI) ist der Versuch, Computer schlau zu machen. Normalerweise sind Computer dumm: Sie machen nur exakt das, was man programmiert. KI soll Dinge tun, die eigentlich Menschen erfordern:
- Sehen (Bilderkennung).
- Hören/Sprechen (Siri, Alexa).
- Verstehen (ChatGPT).
- Entscheiden (Schach spielen).
Es ist der Oberbegriff für alles, vom Schachcomputer von 1990 bis zur modernen Super-KI.
Merksatz: Die Fähigkeit von Maschinen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.
Wir unterscheiden zwei Arten:
- Schwache KI (Narrow AI): Kann eine Sache perfekt, aber sonst nichts.
- Schachcomputer (besiegt Weltmeister, kann aber nicht Kaffee kochen).
- Navi (kennt jeden Weg, kann aber nicht malen).
- Fast alle heutige KI ist schwach.
- Starke KI (AGI - Artificial General Intelligence): Kann alles lernen, wie ein Mensch. Gibt es (noch) nicht. Das ist Science-Fiction (Terminator, Data).
1. Turing Test
Wie weiß man, ob eine Maschine intelligent ist? Alan Turing (1950) schlug vor: Ein Mensch chattet mit einem Unbekannten. Wenn er nicht unterscheiden kann, ob es ein Mensch oder ein Computer ist, hat der Computer den Test bestanden. ChatGPT hat diesen Test quasi "geknackt".
2. Halluzinationen
Moderne KI (LLMs wie GPT) "wissen" nichts. Sie raten nur das nächste Wort. Manchmal raten sie falsch, klingen aber extrem überzeugend. "Goethe traf Napoleon 2023 in Berlin." Das nennt man Halluzination. Vertraue KI nie blind bei Fakten!
1. Neuronale Netze (Backpropagation)
Das Herzstück der modernen KI. Inspiriert vom Gehirn, aber eigentlich nur reine Vektoren-Mathematik. Das Netz besteht aus Schichten (Input, Hidden Layers, Output). Dazwischen liegen "Verbindungen" mit einem Gewicht (Weight). Wenn die KI lernt, Bilder zu erkennen, nutzt sie Backpropagation (Rückführung des Fehlers). Das Modell erkennt eine Katze fälschlicherweise als Hund. Die Fehlerfunktion ("Loss") ist hoch. Der Algorithmus (Gradient Descent) läuft nun rückwärts durch das Netz und justiert Tausende von Dezimalzahlen, damit beim nächsten Versuch die Katzen-Wahrscheinlichkeit steigt.
2. Transformer-Architektur (Attention Mechanism)
Der Durchbruch in 2017 (Google-Paper "Attention Is All You Need"), der ChatGPT ermöglichte. Vorher lasen KIs Sätze Wort für Wort (rekursiv, RNNs) und vergaßen den Anfang des Satzes, bevor sie am Ende ankamen. Der Transformer liest den ganzen Satz gleichzeitig und berechnet in einer riesigen Matrix, welche Wörter wie stark zusammenhängen (Self-Attention). Bei "Das Bank-Konto" schaut "Konto" zurück auf "Bank" und lenkt die Bedeutung von "Sitzgelegenheit" auf "Geldinstitut". Das lässt sich perfekt parallel auf GPUs berechnen.
3. Emergenz bei LLMs
Wenn man KI-Modelle immer größer macht (mehr Milliarden Parameter), passieren unerwartete Dinge. Das Modell wurde z.B. nur trainiert, um Text vorherzusagen. Plötzlich, ab einer gewissen Größe, kann das Modell spontan zweistellige Zahlen im Kopf multiplizieren oder Gedichte reimen. Diese "Emergenz" (Plötzlich auftretende neue Fähigkeiten, die nicht programmiert wurden) fasziniert und besorgt Forscher, da extrem schwer vorhersagbar ist, was ein LLM der nächsten Generation können wird.
Quick-Check
Wird KI meinen Job klauen?
Wahrscheinlich nicht die KI selbst, aber ein Mensch, der KI bedienen kann, wird den ersetzen, der es nicht kann. KI ist ein Werkzeug (wie der Bagger statt der Schaufel).Hat KI ein Bewusstsein?
Nein. Sie hat keine Gefühle, Wünsche oder Ängste. Sie ist nur Mathematik (Statistik). Wenn sie sagt "Ich freue mich", ist das nur eine simulierte Textausgabe.Was ist der Unterschied zu Machine Learning?
KI ist die "Überschrift". Machine Learning ist die Methode, wie wir KI heute meistens bauen (durch Daten-Training). Es gibt aber auch KI ohne Learning (Regelbasierte Systeme).