Was ist eine Künstliche Intelligenz?
Um diese Frage beantworten zu können, müssen wir zunächst klären, was unter Intelligenz allgemein verstanden wird. Intelligenz umfasst die Fähigkeit, Probleme zu lösen, logisch zu denken und Zusammenhänge zu erkennen sowie kreative Lösungen für neue Herausforderungen zu entwickeln. Ebenso gehört die Anpassungsfähigkeit dazu, die Fähigkeit, sich flexibel auf neue Situationen oder Umgebungen einzustellen. Ein weiterer zentraler Aspekt ist die Lernfähigkeit, d.h. aus Erfahrungen zu lernen und neues Wissen aufzunehmen.
Künstliche Intelligenz (KI) überträgt diese Eigenschaften auf Maschinen. Dabei handelt es sich um Computersysteme, die menschliches Denken und Problemlösungsverhalten nachahmen. KI-Systeme sind in der Lage, komplexe Aufgaben selbstständig zu lösen, oft ohne direkte Eingriffe von Menschen. Dies gelingt ihnen vor allem durch die Analyse grosser Datenmengen (Big Data), aus denen sie Muster erkennen und ihre Lösungsstrategien kontinuierlich verbessern.
Klassische Algorithmen vs. KI-Algorithmen
Wichtig für das Verständnis von KI ist die Unterscheidung zwischen klassischen Algorithmen und KI-Algorithmen. Ein klassischer Algorithmus wird vollständig von Menschen programmiert. Alle Regeln sind explizit festgelegt, und das System arbeitet deterministisch (bei gleicher Eingabe entsteht immer die gleiche Ausgabe).
Beispiel: Ampelsteuerung mit klassischem Algorithmus
Die Regeln sind fest programmiert. Wenn die Zeit für Grün abgelaufen ist, schalte auf Gelb. Danach auf Rot. Dann wieder auf Grün. Die Ampel folgt immer genau diesen festen Regeln, egal, ob viele oder wenige Autos warten.
Bei KI-Algorithmen hingegen werden die Regeln nicht direkt vorgegeben, sondern aus Beispielen abgeleitet, d.h. aus Daten gelernt. Systeme mit KI-Algorithmen arbeiten probabilistisch, also mit Wahrscheinlichkeiten. Das bedeutet, dass sie nicht immer die gleiche Ausgabe liefern müssen, selbst wenn die Eingabe gleich ist. Stattdessen können sie unterschiedlich reagieren, basierend auf den gelernten Mustern und Wahrscheinlichkeiten.
Beispiel: Ampelsteuerung mit KI-Algorithmus
Die Ampel nutzt Kameras und Sensoren, um den Verkehr zu beobachten. Sie erkennt Muster, z.B. dass zu bestimmten Uhrzeiten mehr Verkehr ist oder dass sie länger auf Grün stellen soll, um zu verhindern, dass sich viele Autos stauen. Die Ampel passt ihre Steuerung flexibel an die aktuelle Verkehrssituation an, anstatt starr nach festen Regeln zu arbeiten.
Beispiele für den Einsatz von KI-Algorithmen
KI-Algorithmen kommen heute in vielen Bereichen zum Einsatz. Beispiele sind:
- Bilderkennung
- Spracherkennung und Sprachproduktion
- Handschrifterkennung
- Fahrassistenzsysteme
- Empfehlungssysteme (etwa bei Streamingdiensten oder Online-Shops)
- Chatbots
Begriffe und Definitionen
Der Überbegriff «Künstliche Intelligenz» umfasst eine Vielzahl von Technologien und Methoden, darunter natürliche Sprachverarbeitung, maschinelles Lernen, Deep Learning oder neuronale Netze, die darauf abzielen, menschenähnliche Intelligenzleistungen in Maschinen zu erzeugen. Wenn wir von «KI» sprechen, meinen wir oft «Generative KI», welche jedoch bloss ein sehr spezifisches Teilgebiet von künstlicher Intelligenz ist, wie in der untenstehenden Grafik dargestellt wird.
Ein Beispiel für eine Form der generativen KI sind grosse Sprachmodelle (Large Language Models, LLM), die darauf trainiert sind, menschliche Sprache zu analysieren und Text zu erstellen. GPT (Generative Pre-trained Transformer) ist eine spezielle Art von LLM, das Kontext und Beziehung zwischen Wörtern und Sätzen erfassen kann und in der Lage ist, menschenähnliche Texte zu generieren. Beispiele für solche Modelle sind GPT von OpenAI, Gemini von Google, Llama von Meta und Apertus, ein Schweizer Open-Source-GPT-LLM, das von der ETH Zürich, der EPFL und dem Schweizer National Supercomputing Centre (CSCS) entwickelt wurde.
Wie funktioniert generative KI?
Die Antworten von generativen künstlichen Intelligenzen basieren auf mathematischer Wahrscheinlichkeit. Für jedes Wort in einem Antwortsatz wird berechnet, wie wahrscheinlich es ist, dass es auf das vorherige folgt bzw. dem nachfolgenden vorangeht. Das Ergebnis der Berechnung ist abhängig vom Kontext der Frage und den Daten, mit denen die KI trainiert wurde.
Mathematisches Modell
Das Modell wird vorgängig mit verschiedenen Daten trainiert, um höhere Wahrscheinlichkeiten und dadurch bessere und präzisere Antworten zu generieren. Durch das Training des Modells wird also versucht, die Differenz zwischen Vorhersage und richtiger Antwort zu minimieren. Die Texteingabe wird dazu «tokenisiert», d.h. in Worteinheiten zerlegt. Auf diesen einzelnen Einheiten werden anschliessend viele verschiedene Berechnungen getätigt, um die Vorhersage des Modells möglichst nahe an die korrekte Antwort zu bringen.
Nicht alles, was intelligent klingt, ist es auch…
KI-Modelle wie Chatbots berechnen also, welches Wort oder welche Antwort statistisch am besten zur gestellten Frage passt. Dabei kann es vorkommen, dass die KI sogenannte Halluzinationen produziert, also Aussagen, die zwar sprachlich korrekt und überzeugend klingen, aber inhaltlich falsch oder frei erfunden sind. Der konkrete Weg eines KI-Systems vom Input zum Output ist für uns nicht nachvollziehbar.
Antworten von KI können kompletter Unsinn sein und basieren nicht auf echtem Verständnis!
Schwache KI vs. starke KI
Es gibt unterschiedliche Meinungen und Erwartungen darüber, wie sich KI künftig entwickeln wird. Ein wichtiger Unterschied ist der zwischen schwacher und starker KI.
- Schwache KI ist auf spezifische Aufgabenbereiche beschränkt und kann ihr Wissen nicht ohne Weiteres auf andere Bereiche übertragen. Sie simuliert intelligentes Verhalten mithilfe mathematischer Methoden und ist die Form von KI, die heute in der Praxis eingesetzt wird.
- Starke KI hingegen wäre ein System, das die menschliche Intelligenz erreicht oder sogar übertrifft und möglicherweise ein eigenes Bewusstsein oder ein tiefes Verständnis entwickelt. Solche Systeme existieren derzeit jedoch nicht und werden vielleicht auch nie existieren.