KI verstehen

Künstliche Intelligenz - ein Marketingbegriff

Die Entstehung des Begriffs „Künstliche Intelligenz“ ist banaler, als man denkt: Er geht zurück auf den Stanford-Professor John McCarthy. Der erfand ihn 1955, um Geld für ein zweimonatiges Forschungs­projekt im Sommer 1956 zu bekommen. Eine Erklärung oder formale Definition des Begriffs sucht man in seinem Förder­antrag vergeblich. Überhaupt taucht er darin eher als Oberbegriff auf. „In der Studie wird davon ausgegangen, dass jeder Aspekt des Lernens beziehungsweise jedes weitere Merkmal von Intelligenz im Prinzip so präzise beschrieben werden kann, dass die Entwicklung einer Maschine zur Simulation aller einzelnen Schritte möglich wird“ (McCarthy et al. 1955). Dann werden „einige Aspekte des Problems künstlicher Intelligenz“ aufgeführt. Das wars. Ein Marketingbegriff also. McCarthy bekam das Geld und der Begriff war in der Welt. Doch genau zu beschreiben, was Intelligenz ist, misslang (vgl. Brooks 2018; Whittaker 2023). 

Hier setzt auch die aktuelle Kritik am Begriff Künstliche Intelligenz (KI) an. Denn bis heute gibt es keine allgemeine Definition von Intelli­genz. Wenn wir also schon nicht wissen, was menschliche Intelligenz ausmacht – wie sollen wir dann eine künstliche Intelligenz definieren? Doch auch, wenn der Begriff nicht eindeutig ist, so ist KI nun da.  
KI ist nicht neu, die Forschung darüber schon gar nicht. Neu ist aber seit 2022, dass Programme, die mit generativer KI arbeiten, nun für alle zugänglich und sehr einfach nutzbar sind. Es ist also an der Zeit, sich einmal genauer anzuschauen, was dahintersteckt. 

Entwicklungsstufen Künstlicher Intelligenz

Um zu verstehen, was hinter dem steckt, was wir als Künstliche Intelligenz bezeichnen, und wie sie funktioniert, werden wir die Motorhaube heben und uns anschauen, was sich darunter verbirgt. Was bezeichnen Begriffe wie Künstliche Neuronale Netze, Transformer oder GPT? Dieses Wissen gehörte bislang nicht zum Repertoire von uns Medienschaffenden. Wenn wir nun aber beginnen, KI-Anwendungen im Redaktionsalltag zu nutzen, sollten wir hiervon ein Grundverständnis haben. Wer Auto fährt, muss zwar weder ein Auto bauen noch es reparieren können. Den Motor von Tank und Auspuff zu unterscheiden, gehört hingegen durchaus zum Allgemeinwissen des 20. Jahrhunderts. Zum Allgemeinwissen des 21. Jahrhunderts wird es bald auch gehören, ein grundlegendes Verständnis von KI-Technologien zu haben. Doch wie hängen Künstliche Intelligenz, Maschinelles Lernen, Künstliche Neuronale Netze, Tiefes Lernen und generative KI zusammen? Wo liegen die Unterschiede? Und was muss man darüber wissen?  

Um das zu verstehen, kann es uns helfen, die technologische Entwicklung mit dem Bau eines Stapelturms zu vergleichen. Stapeltürme gibt es in vielen Kinderzimmern und in verschiedenen Ausführungen. Der Klassiker besteht aus hohlen Holzwürfeln, die an einer Seite offen sind und sich in absteigender Größe aufeinander stapeln lassen. Je höher der Turm wird, desto wackeliger wird er. Für kleine Kinder ist das Stapeln eine Herausforderung, gilt es doch zu verstehen in welcher Reihenfolge die Würfel stabil stehen. Für noch kleinere ist es ein großer Spaß, die Türme zum Einstürzen zu bringen. Eltern wiederum freuen sich, dass sich die Würfel platzsparend ineinander stapeln lassen – alle in den größten hinein.  

Ähnlich wie beim Stapelturm war es in der Entwicklung von KI: Generative KI ist nicht plötzlich entstanden, sondern nach und nach. Jede Stufe baut jeweils auf den Erkenntnissen der vorherigen auf. Generative KI, die uns im Moment am meisten beschäftigt, ist die am weitesten fortgeschrittene Technologie im Kontext Künstlicher Intelligenz und ist daher der oberste Würfel unseres Turms.

Der größte und erste Würfel unseres imaginären Stapelturmes ist Künstliche Intelligenz. Davon sprechen Expertinnen und Experten, wenn Maschinen in der Lage sind, automatisiert sinnvolle Ergebnisse zu liefern, ohne dass ihnen die Programmierung konkrete Lösungswege vorgibt. Das Fraunhofer-Institut für Kognitive Systeme IKS erklärt es so: „Künstliche Intelligenz imitiert menschliche kognitive Fähigkeiten, indem sie Informationen aus Eingabedaten erkennt und sortiert“ (IKS 2024).

In der Geschichte der KI haben Forschende zunächst versucht, Soft­ware alle notwendigen Regeln zu geben, mit dem Ziel, dass die Systeme daraus eigene Entscheidungen ableiten können. Ein solches sogenanntes Expertensystem war auch der 1966 vorgestellte und damit weltweit erste Chatbot ELIZA, der einen Psychotherapeuten nach­ahmen sollte. Auch die Verarbeitung menschlicher Sprache sollten Programme zunächst über die Eingabe diverser Regeln lernen. Das gelang allerdings nur mit mäßigem Erfolg. Denn es stellte sich heraus, dass die Regeln, denen Sprache folgt, zu komplex sind. Daher wurde nach neuen Wegen gesucht. Für die heute wichtigen KI-Anwendungen ist Maschinelles Lernen von zentraler Bedeutung.

Maschinelles Lernen („machine learning“) ist ein Teilbereich von Künstlicher Intelligenz und damit unser zweiter Ring. Es unterscheidet sich vom größeren Feld der KI dadurch, dass hier Computer aus Daten selbst etwas „lernen“ und eben nicht über Regeln. Dabei wird ein Lernalgorithmus mit sehr großen Datenmengen gefüttert. Aus der Analyse all dieser Daten leitet der Algorithmus dann Zusammenhänge ab und entwickelt für sich ein statistisches Modell. Manchmal werden solche Prozesse von menschlichem Feedback begleitet, manchmal aber auch nicht. Je nach Methode spricht man von überwachtem Lernen („supervised learning“) oder unüberwachtem Lernen („unsupervised learning“). Welche Lernmethode gewählt wird, hängt von den Entscheidungen der Programmierenden ab und ist Teil des Lernalgorithmus. 

Das statistische Modell, das die Software während des Lernprozesses entwickelt, ist, nach dem Trainingsprozess, dann die Grundlage für Vorhersagen der Software. Das heißt, die Software kann dann ihr Modell später auf andere, ihr bis dahin unbekannte Daten anwenden und ebenso korrekte Antworten generieren.

Ab diesem Punkt der technologischen Entwicklung beginnt es für Menschen undurchsichtig zu werden. Denn: „Die Entwicklerinnen und Entwickler geben der Maschine dabei nur die grobe Struktur vor. Die Feinheiten werden durch die lernende Methode in Zusammenwirkung mit den Daten festgelegt“, erklärt Informatikprofessorin Katharina Zweig (2023). Das heißt: Was wir als Lernen der Maschine bezeichnen, ist ein Prozess, der auch von den Programmierenden nicht mehr vollends nachvollzogen werden kann. Sie können sich zwar das statistische Modell anschauen, das die Software im Lernprozess entwickelt. Wie genau aber das System dazu gekommen ist, können auch Fachleute nur erahnen. 

Die Theorie des Maschinellen Lernens ist ebenso wie die der Künst­lichen Intelligenz schon mehr als 70 Jahre alt. Das erste wissen­schaft­liche Papier dazu schrieb Alan Turing. Es ging den Fragen nach: Können Maschinen denken? Und wie ließe sich das testen? Veröffentlicht wurde es 1950 und damit noch bevor der Begriff „Künstliche Intelligenz“ erfunden war. Es blieb dann zunächst bei der Theorie – denn für die Umsetzung und das Testen der Ideen fehlten lange zwei Dinge: Daten und Rechenpower.

Punktuell gab es wichtige Erfolge: So etwa, als der Schachcomputer Deep Blue von IBM 1996 den damaligen Schachweltmeister Gary Kasparow besiegte. Gut zwanzig Jahre danach gelang es 2017 einem Computer namens AlphaGo, den die Google-Tochter Deepmind konstruiert hatte, den weltweit besten Spieler im Spiel Go, Ke Jie, zu besiegen. Doch der Durchbruch in der Anwendbarkeit ließ noch auf sich warten.  

Bei der weiteren Entwicklung erwiesen sich dann ausgerechnet Katzenvideos als nützliche Ressource. Womit wir bei der dritten Entwicklungsstufe und dem nächsten Würfel unseres Turms wären: Künstlichen Neuronale Netzen.  

Dieser Begriff bezeichnet eine spezielle Methode des Maschinellen Lernens, die schon 1943 erfunden wurde (vgl. Brooks 2018). Bis zu ihrem Durchbruch dauerte es aber eine ganze Weile. Inzwischen wird sie gern bei komplexen Lernprozessen ein­gesetzt. Künstliche Neuronale Netze sind sehr ausgefeilte Algo­rithmen, deren Strukturen das menschliche Gehirn mit Neuronen und Synapsen zum Vorbild haben. Was im Gehirn Neuronen sind, ist im Algorithmus jeweils eine Rechenanweisung – genauer gesagt eine mathematische Funktion. Diese instruiert die Software, eine Reihe von Eingabewerten auf eine bestimmte Weise zusammenzuzählen. Diese Ergebnisse werden dann zu den Eingabewerten der nächsten Ebene.  

So, wie die Synapsen im Gehirn Reize erst ab einer gewissen Inten­si­tät weiterleiten, bestimmt auch der Algorithmus, wie stark ein einzelnes Ergebnis weitergegeben und in der nächsten Ebene berücksichtigt wird. Das führt zu dem Effekt, dass – vergleichbar wie beim menschlichen Gehirn – nicht alle Ergebnisse gleichermaßen berücksichtigt werden.  

Ein einfaches Künstliches Neuronales Netz hat drei Ebenen: Eine Eingabe-Ebene, eine verdeckte Ebene und eine Ausgabe-Ebene. Auf der Eingabe-Ebene stehen von Menschen konzipierte Rechenformeln. Sie machen der Maschine Vorgaben und setzen den Rechenprozess in Gang. Die Rechenergebnisse dieser ersten Ebene werden von der zweiten Ebene eigenständig weiterverarbeitet. Die Berechnungen für die verdeckte Ebene sind vorgegeben.  

Der „Lernprozess“ der Maschine bezieht sich darauf, in vielen Durch­gängen die Gewichtungen festzulegen, mit denen die Ergebnisse der ersten Ebene in die Berechnungen der nächsten Ebene einfließen. Diese zweite Ebene aber ist verdeckt – hier rechnet der Algorithmus mit den Ergebnissen der ersten Ebene und den von ihm selbst entwickelten Gewichtungen weiter. Einen Einblick in diese Ebene haben die Programmierenden nicht. Das ist ein Charakteristikum Künstlicher Neuronaler Netze und der Hintergrund, warum KI oft auch als Black Box beschrieben wird.

Was hat das nun mit den Katzenvideos zu tun? Wie erwähnt, fehlte für die Entwicklung Künstlicher Intelligenz lange eine aus­rei­c­hend große Menge verfügbarer Daten. Das änderte sich in den Nuller­­jahren. Nach der Gründung von YouTube 2005 wurden dort millionen­fach Videos hochgeladen. Ein Datenschatz, den sich der Informatiker Andrew Ng zunutze machte: Er verwendete einen Trainingsdatensatz mit zehn Millionen Videos dazu, ein Künstliches Neuronales Netz auf das Erkennen von Katzen in Videos zu trainieren. Sein Ziel war dabei, dass die Soft­ware lernen sollte, wie eine Katze aussieht, ohne dass er es der Soft­ware vorher gezeigt hatte (vgl. DataScientest 2023). Das war der Beginn einer neuen Ära: der des sogenannten Tiefen Lernens („deep learning“), dem vierten Würfel unseres Stapelturms.

Beim Deep Learning oder auch Tiefen Lernen werden neuronale Netze mit sehr vielen Ebenen eingesetzt. Ein Künstliches Neuronales Netz, das mindestens zwei dieser versteckten Ebenen hat, wird schon als Tiefes Neuronales Netz bezeichnet. Laut Fraunhofer IKS (2024) können sie aber sogar bis zu Hunderttausende oder Millionen Schichten haben. Können wir uns das noch vorstellen? Hunderttausende auf­ein­anderfolgende Ebenen, auf denen jeweils unzählige parallele Rechenoperationen ausgeführt werden... Zu Gesicht bekommen wir davon nur das Ergebnis: Katze erkannt! – und sind verblüfft.

Noch verblüffender sind die Möglichkeiten der nächsten Entwicklungsstufe von KI – dem obersten Würfel unseres Turms: generativer KI. Seit die Firma OpenAI im November 2022 ChatGPT für die Allgemeinheit freigegeben hat, kom­men immer mehr Angebote hinzu. Claude, Imagen, Sora und andere Tools können in Windeseile Texte, Bilder und Videos gene­rieren.  

Doch was unterscheidet diese Art von KI nun von den anderen Bereichen, die wir schon betrachtet haben? Auf den Punkt bringt das der leitende KI-Experte der New York Times, Zach Seward (2023): „Wenn traditionelles Maschinelles Lernen gut Muster in einem Haufen ungeordneter Daten erkennen kann, so könnte man sagen, dass die Superpower generativer KI darin liegt, Muster zu kreieren.“

KI-Anwendungen werden in der Regel jeweils für eine spezifische Aufgabe entwickelt. Das gilt für die Antworten des Robo-Therapeuten ELIZA genauso wie für das Erkennen von Katzen in Videos und ebenso für generative KIs. Die großen Sprachmodelle (-> Glossar) sind dabei auf eine sehr komplexe und umfangreiche Aufgabe trainiert worden: das Verarbeiten von natürlicher Sprache.

Deswegen heißen sie auch Sprachmodelle. Ihr statistisches Modell ist darauf trainiert, die Wahrscheinlichkeit von Wortteilen und Sätzen vor­herzusagen – zum Beispiel auch die Sequenz „Alle meine Entchen … “ zu vervollständigen.

Möglich wird das in der aktuellen Qualität und Schnelligkeit durch so genannte Transformer. ChatGPT trägt das Wort sogar im Namen: GPT steht nämlich für Generative Pretrained Transformer – es beschreibt also auf Englisch, womit wir es hier zu tun haben: einem gene­rativen vortrainierten Transformer. Transformer bezeichnet dabei die Art des Lernalgorithmus. Vortrainiert beschreibt, dass das Modell zunächst trainiert werden muss, bevor es einsatzbereit ist, und dann aber auch weiterhin verbessert werden kann. Und  
generativ beschreibt schließlich die Art des Outputs – etwas neu Geschaffenes.  

Technisch ist ein Transformer eine speziell aufgebaute Deep-Learning-Architektur eines Künstlichen Neuronalen Netzwerks. Sie wurde 2017 erstmals auf einer Fachkonferenz vorgestellt und hat seitdem die Verarbeitung natürlicher Sprache revolutioniert. Denn die besondere Herausforderung bei der Verarbeitung von Sprache im Unterschied zu numerischen Daten ist, dass Wörter je nach ihrer Platzierung im Satz und auch trotz gleicher Schreib­­­weise unterschiedliche Bedeutungen haben können. Es kommt also auf den Sinnzusammenhang an.

Um Text zu verarbeiten, muss dieser zunächst in Zahlen übersetzt werden. Transformer-Modelle sind erstmals in der Lage, auch die Position der Wörter im Satz in numerischen Werten zu markieren und dadurch den Kontext von Wörtern besser zu erfassen. Zudem ist es durch Transformer erstmals möglich, dass Algorithmen lernen, welche Teile der eingespeisten Daten am relevantesten für einen bestimmten Output sind (vgl. Klofat 2023 und Clarke et al. 2023).

Im Fall von ChatGPT haben wir es mit einem sehr großen Sprach­modell zu tun, dessen Aufgabe es ist, Sprache zu verarbeiten und zu generieren. Ähnlich verhält es sich mit anderen Angeboten. 

Der Chatbot von Open AI, ChatGPT, basiert – je nach Tarif – auf den Modellen GPT 3.5, GPT 4 oder GPT 4o. Weil diese Modelle für verschiedene Aufgaben weitertrainiert werden können, heißen sie auch Basismodelle oder Grundmodelle („foundation models“).  

Sind große Sprachmodelle (LLM) und Basismodelle also das Gleiche? Nein, nicht ganz. Der Begriff Basismodelle umfasst zwar die großen Sprachmodelle. Aber er erfasst darüber hinaus auch Modelle, die nicht Sprache erzeugen, sondern Bilder oder Videos. Denn während Sprachmodelle ausschließlich mit Textdaten trainiert werden, werden andere Basismodelle wie beispielsweise DALL-E von Open AI neben Textdaten auch mit Bilddaten trainiert und Sora auch mit Videodaten. Entsprechend haben sie auch andere Fähigkeiten wie das Generieren von Bildern, Audio oder Videos.