K\u00fcnstliche Intelligenz scheint \u00fcberall zu sein. Viele setzen auf die Technologie, weil sie an ihr Potenzial glauben, eine Vielzahl moderner Probleme zu l\u00f6sen. Gleichzeitig behaupten zahlreiche Unternehmen, ihre Produkte seien KI-basiert, nutzten KI oder seien mithilfe von KI entstanden. Auch die Medien tragen zur starken Pr\u00e4senz des Themas im \u00f6ffentlichen Diskurs bei \u2013 mitunter durch rei\u00dferische oder fehlerhafte Berichterstattung.<\/p>\n\n\n\n
Andere sehen KI deutlich kritischer und verbinden mit ihr Risiken, die von steigender Arbeitslosigkeit bis hin zu einer Bedrohung f\u00fcr die Menschheit selbst reichen. Wie sind wir an diesen Punkt gelangt?<\/p>\n\n\n\n
Um das zu verstehen, lohnt sich ein Blick darauf, woher der Begriff \u201eKI\u201c stammt \u2013 und was er eigentlich bedeutet.<\/p>\n\n\n\n
Von mythischen Erz\u00e4hlungen einmal abgesehen, wird der Begriff \u201eK\u00fcnstliche Intelligenz\u201c gemeinhin auf das \u201eDartmouth Summer Research Project on Artificial Intelligence\u201c von 1956 zur\u00fcckgef\u00fchrt. Wichtige Entwicklungen hatte es jedoch schon zuvor gegeben.<\/p>\n\n\n\n
Das McCulloch-Pitts-Neuron, das Walter Pitts und Warren McCulloch 1943 vorstellten, beschrieb das Konzept eines k\u00fcnstlichen Neurons, das bin\u00e4re Informationen verarbeitet, und legte damit wichtige Grundlagen f\u00fcr moderne neuronale Netze.<\/p>\n\n\n\n
1950 stellte Alan Turing die Idee vor, die sp\u00e4ter als Turing-Test bekannt wurde: Eine Maschine k\u00f6nne vern\u00fcnftigerweise als intelligent gelten, wenn sie ein Gespr\u00e4ch so f\u00fchren k\u00f6nne, dass ein Mensch nicht zuverl\u00e4ssig unterscheiden k\u00f6nne, ob er mit einem anderen Menschen oder mit einer Maschine kommuniziert.<\/p>\n\n\n\n
KI zog damals erhebliche Aufmerksamkeit auf sich. Forschungsinstitute wurden gegr\u00fcndet und neue F\u00f6rderm\u00f6glichkeiten geschaffen. Als Forschende die hohen Erwartungen an die Technologie jedoch nicht erf\u00fcllen konnten, ging die \u00f6ffentliche Begeisterung in den 1970er-Jahren stark zur\u00fcck. Die Folge war der heute sogenannte erste KI-Winter, der insbesondere durch K\u00fcrzungen der Forschungsf\u00f6rderung gepr\u00e4gt war.<\/p>\n\n\n\n
In den 1980er-Jahren kehrte das Interesse zur\u00fcck, diesmal vor allem in Form sogenannter \u201eExpertensysteme\u201c. Diese Systeme ahmen menschliche Entscheidungsprozesse mithilfe algorithmischer Wenn-dann-Regeln nach. Fortschritte in der Computerhardware machten sie nicht nur f\u00fcr die Forschung, sondern auch f\u00fcr die Industrie attraktiv. Ihre praktischen Einsatzm\u00f6glichkeiten blieben jedoch begrenzt, was zum zweiten KI-Winter in den 1990er-Jahren beitrug.<\/p>\n\n\n\n
Die F\u00f6rderung ging erneut zur\u00fcck \u2013 doch die Forschung ging weiter.<\/p>\n\n\n\n
In den 2000er- und 2010er-Jahren machte das Maschinelle Lernen erhebliche Fortschritte, die zu einem gro\u00dfen Teil durch neue technologische M\u00f6glichkeiten erm\u00f6glicht wurden. Die Modelle wurden zunehmend leistungsf\u00e4higer, insbesondere in Bereichen wie Convolutional Neural Networks zur Bildverarbeitung. Mit der Zeit f\u00fchrten Entwicklungen unter anderem in der nat\u00fcrlichen Sprachverarbeitung und der Computer Vision dazu, dass Anwendungen wie optische Zeichenerkennung und Objekterkennung immer leistungsf\u00e4higer wurden.<\/p>\n\n\n\n
Ein gro\u00dfer Teil dieser Grundlagenarbeit erhielt allerdings deutlich weniger \u00f6ffentliche Aufmerksamkeit als heutige KI-Systeme. Das \u00e4nderte sich mit dem Aufstieg gro\u00dfer Sprachmodelle und dem neuen \u00f6ffentlichen Interesse an generativer KI grundlegend. Seitdem ist KI kaum noch zu \u00fcbersehen.<\/p>\n\n\n\n
Es gibt keine allgemein anerkannte Definition von K\u00fcnstlicher Intelligenz. G\u00e4ngige Beschreibungen beziehen sich h\u00e4ufig auf Systeme, die Aufgaben erf\u00fcllen, die mit bestimmten Aspekten menschlicher Intelligenz in Verbindung gebracht werden.<\/p>\n\n\n\n
Der Begriff ist entsprechend weit gefasst. Er dient als Oberbegriff f\u00fcr verschiedene Teilgebiete, zu deren wichtigsten das Maschinelle Lernen (ML) geh\u00f6rt. Beim Maschinellen Lernen wird ein Modell anhand von Daten darauf trainiert, Vorhersagen zu treffen oder Inhalte zu erzeugen. ML umfasst wiederum Ans\u00e4tze wie Deep Learning, das auf mehrschichtigen neuronalen Netzen basiert.<\/p>\n\n\n\n
Neuronale Netze bestehen aus mehreren Schichten, die Eingaben auf vorab festgelegte Weise aufnehmen und verarbeiten. In der Computer Vision kann beispielsweise eine sogenannte Convolutional Layer relevante Merkmale in einem Bild erkennen, etwa Kanten oder Formen. Am Ende des Modells erzeugt ein Output-Layer eine Vorhersage \u2013 zum Beispiel eine Sch\u00e4tzung des Alters einer Person anhand eines Fotos.<\/p>\n\n\n\n
Zu den komplexeren Deep-Learning-Modellen geh\u00f6ren Transformer, die die Grundlage heutiger Large Language Models (LLMs) wie GPT, Claude oder Gemini bilden. Vereinfacht gesagt erzeugt ein LLM Text, indem es vorhersagt, welches Token mit der h\u00f6chsten Wahrscheinlichkeit auf die vorhergehenden folgt.<\/p>\n\n\n\n
Daf\u00fcr m\u00fcssen solche Modelle mit enormen Datenmengen trainiert werden. W\u00e4hrend die grundlegende Struktur des Modells von den Entwickler*innen festgelegt wird, werden die einzelnen numerischen Parameter, die bestimmen, wie Informationen verarbeitet werden, w\u00e4hrend des Trainings gelernt.<\/p>\n\n\n\n
Nehmen wir die Bilderkennung als vereinfachtes Beispiel. Ein Modell trifft zun\u00e4chst Vorhersagen, die kaum besser als blo\u00dfe Vermutungen sein k\u00f6nnen. Indem es diese Vorhersagen mit dem erwarteten Ergebnis vergleicht, passt es seine internen \u201eGewichte\u201c an \u2013 numerische Werte, die beeinflussen, welche Merkmale f\u00fcr eine bestimmte Vorhersage st\u00e4rker oder schw\u00e4cher ins Gewicht fallen.<\/p>\n\n\n\n
Diese F\u00e4higkeit, Parameter auf Grundlage von Trainingsdaten anzupassen, ist der Grund, warum wir von \u201eLernen\u201c sprechen. Ist ein Modell einmal trainiert, kann es das Gelernte h\u00e4ufig auf neue, \u00e4hnliche Eingaben anwenden. Vortrainierte Modelle k\u00f6nnen F\u00e4higkeiten daher auf eine Vielzahl von Aufgaben \u00fcbertragen.<\/p>\n\n\n\n
Im allgemeinen Sprachgebrauch werden solche Systeme meist unter dem Oberbegriff \u201eK\u00fcnstliche Intelligenz\u201c zusammengefasst. Das ist nicht unbedingt falsch, aber ungenau. Und diese Unsch\u00e4rfe ist relevant, denn solche Systeme werden h\u00e4ufig so wahrgenommen, als k\u00e4men ihre Prozesse menschlichem Denken deutlich n\u00e4her, als es ihre zugrunde liegenden Mechanismen tats\u00e4chlich nahelegen.<\/p>\n\n\n\n
Das f\u00fchrt uns zur zentralen These dieses Beitrags:<\/p>\n\n\n\n
LLMs sind eine hochentwickelte Simulation menschlicher Intelligenz. Nicht mehr und nicht weniger.<\/strong><\/p>\n\n\n\n Das bekannte Gedankenexperiment des \u201eChinese Room\u201c veranschaulicht diesen Unterschied besonders gut. In einer Arbeit aus dem Jahr 1980 stellte der Philosoph John Searle ein System vor, das scheinbar Chinesisch versteht, indem es Regeln befolgt \u2013 ohne die Sprache tats\u00e4chlich zu verstehen.<\/p>\n\n\n\n Stellen wir uns eine Person vor, die kein Chinesisch spricht und in einem Raum sitzt. Sie erh\u00e4lt chinesische Schriftzeichen, schl\u00e4gt in detaillierten Anweisungen nach, welche Zeichen sie zur\u00fcckgeben soll, und erzeugt so eine passende Antwort. F\u00fcr jemanden au\u00dferhalb des Raums k\u00f6nnten diese Antworten nicht von denen einer Person zu unterscheiden sein, die flie\u00dfend Chinesisch spricht. Die Person im Raum versteht die Sprache jedoch weiterhin nicht. Sie manipuliert Symbole anhand von Regeln.<\/p>\n\n\n\n Searle nutzte dieses Gedankenexperiment, um zu argumentieren, dass die erfolgreiche Verarbeitung von Symbolen nicht zwangsl\u00e4ufig echtes Verst\u00e4ndnis bedeutet. Unabh\u00e4ngig davon, ob man seiner weitergehenden philosophischen Schlussfolgerung zustimmt, ist diese Unterscheidung f\u00fcr die Art und Weise, wie wir \u00fcber moderne KI sprechen, hoch relevant.<\/p>\n\n\n\n Wenn Deep-Learning-Modelle letztlich Vorhersagesysteme sind, warum erscheinen sie dann so vielen Menschen intelligent?<\/p>\n\n\n\n Daf\u00fcr gibt es drei zentrale Gr\u00fcnde.<\/p>\n\n\n\n Erstens kommunizieren Chatbots \u2013 anders als die meisten fr\u00fcheren Technologien \u2013 auf eine f\u00fcr uns zutiefst vertraute Weise: durch Sprache. Kommunikation ist zentral f\u00fcr menschliche Interaktion, und moderne Sprachschnittstellen lassen diese Systeme noch menschlicher erscheinen. Manche Nutzer*innen entwickeln dadurch sogar eine emotionale Bindung zu ihnen.<\/p>\n\n\n\n Zweitens ist die KI-Forschung au\u00dferordentlich komplex. Viele moderne Modelle funktionieren als \u201eBlack Boxes\u201c, deren interne Prozesse insbesondere f\u00fcr Nicht-Fachleute schwer nachzuvollziehen sind. Und nat\u00fcrlich steckt das Wort \u201eIntelligenz\u201c unmittelbar im Begriff \u201eK\u00fcnstliche Intelligenz\u201c. Es \u00fcberrascht daher kaum, dass Menschen annehmen, diese Systeme verf\u00fcgten \u00fcber etwas, das menschlicher Intelligenz \u00e4hnelt.<\/p>\n\n\n\n Der dritte Grund ist vielleicht der wichtigste \u2013 und zugleich die zentrale Inspiration f\u00fcr diesen Beitrag: \u201eKI\u201c ist ein hervorragender Marketingbegriff.<\/p>\n\n\n\n Er ist weit gefasst, wirkungsvoll und angenehm vage. Er l\u00e4sst sich auf eine Vielzahl von Technologien anwenden, ohne dass pr\u00e4zise erkl\u00e4rt werden muss, wie diese tats\u00e4chlich funktionieren.<\/p>\n\n\n\n Diese fehlende Klarheit tr\u00e4gt auch zur unsachgem\u00e4\u00dfen Nutzung von LLMs bei. Und dabei ist die mangelnde Transparenz rund um Trainingsdaten oder systemseitige Anweisungen, die beeinflussen, wie ein Modell antwortet, noch gar nicht ber\u00fccksichtigt.<\/p>\n\n\n\n Aus unternehmerischer Sicht ist der Wunsch nachvollziehbar, ein attraktives Produkt zu vermarkten. Aus Forschungsperspektive halte ich jedoch mehr Pr\u00e4zision f\u00fcr notwendig. Auch Forschende selbst tragen Verantwortung. In den vergangenen Jahren sind erhebliche F\u00f6rdermittel in Arbeiten geflossen, die als KI-bezogen bezeichnet werden. Das schafft nur wenige Anreize, den vorherrschenden Hype rund um das Forschungsfeld kritisch zu hinterfragen.<\/p>\n\n\n\n Doch genau das sollte Teil unserer Verantwortung als Expert*innen sein: klar zu erkl\u00e4ren, was KI kann \u2013 und was nicht.<\/p>\n\n\n\n KI-Forschung ist ein faszinierendes Feld und wird hoffentlich auch weiterhin intensiv und verantwortungsvoll betrieben. Ihre Geschichte zeigt bereits, dass die zugrunde liegenden Technologien von langfristiger Bedeutung sind.<\/p>\n\n\n\n Doch je st\u00e4rker KI Teil unseres Alltags wird, desto wichtiger ist auch ein besseres gesellschaftliches Verst\u00e4ndnis davon, was diese Systeme sind \u2013 und was sie nicht sind.<\/p>\n\n\n\n In Zeiten zunehmender Desinformation und Unsicherheit ist es besonders wichtig zu verstehen, dass LLMs fehleranf\u00e4llig sind und ihre Antworten nicht automatisch als objektiv oder wahr angenommen werden k\u00f6nnen. Ihre Ausgaben entstehen durch statistische Vorhersagen. Sie besitzen kein Bewusstsein und sind auch nicht allwissend.<\/p>\n\n\n\n Das mag ern\u00fcchternd klingen. Zugleich kann es beruhigend sein.<\/p>\n\n\n\n Menschen bleiben unverzichtbar. Und viele dystopische Vorstellungen rund um KI beruhen darauf, diesen Systemen F\u00e4higkeiten zuzuschreiben, \u00fcber die sie schlicht nicht verf\u00fcgen.<\/p>\n\n\n\n Wir sollten LLMs daher als das betrachten, was sie sind: leistungsf\u00e4hige Werkzeuge, die bei angemessenem Einsatz von enormem Nutzen sein k\u00f6nnen.<\/p>\n\n\n\n Doch vorerst sind sie genau das \u2013 eine hochentwickelte Simulation von Intelligenz.<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":" KI wird oft mehr zugeschrieben, als sie tats\u00e4chlich leisten kann. Doch was ist K\u00fcnstliche Intelligenz eigentlich \u2013 und warum halten wir sie so schnell f\u00fcr \u201eintelligent\u201c?<\/p>\n","protected":false},"author":14,"featured_media":42340,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[390,1669],"blog-tag":[1480,1484,1488,1514,1516,1551],"class_list":["post-42337","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-grundlagen","blog-category-meinungsbeitrag","blog-tag-deep-learning-de","blog-tag-erklaerbare-ki-xai","blog-tag-foundation-modelle","blog-tag-generative-ki","blog-tag-gpt-de","blog-tag-large-language-models-llms-de"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/42337","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/14"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/42337\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/42340"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=42337"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=42337"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=42337"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Warum glauben manche Menschen, KI sei intelligent?<\/h2>\n\n\n\n
Wo stehen wir also?<\/h2>\n\n\n\n