Definition Was ist Künstliche Intelligenz?

Künstliche Intelligenz ist ein Teilbereich der Informatik und beschäftigt sich damit, Maschinen menschenähnliche Intelligenzleistungen und Fähigkeiten zu verleihen. Es kommen hierfür Verfahren und Techniken wie Maschinelles Lernen, künstliche neuronale Netzwerke und Deep Learning zum Einsatz.

Der englische Begriff für Künstliche Intelligenz (KI) lautet Artificial Intelligence (AI). Geprägt hat ihn der US-Informatiker John McCarthy bereits in den 1950er-Jahren. Auch wenn es den Begriff Künstliche Intelligenz schon einige Jahrzehnte lang gibt, existiert bis heute keine eindeutige und allgemeingültige Definition dafür. Das liegt unter anderem daran, dass schon der Begriff „Intelligenz“ sehr vielschichtig ist und verschiedene Wissenschaften und Kulturen ihn teils recht unterschiedlich interpretieren. Im Bereich der Psychologie wird für Intelligenz häufig diese Definition angewandt: Intelligenz ist die Fähigkeit zum Lernen aus Erfahrungen, zum Lösen von Problemen und zur Anpassung an neue Situationen.

Künstliche Intelligenz ist ein Teilbereich der Informatik und beschäftigt sich damit, Maschinen menschenähnliche Intelligenzleistungen zu verleihen. Maschinen sollen mit ihren KI-Fähigkeiten vergleichbare Intelligenzleistungen wie der Mensch vollbringen oder diese ergänzen. Hierfür werden menschliches Lernen und Denken mit Algorithmen, Datenverarbeitungsverfahren und Rechenleistung technisch simuliert und auf Maschinen übertragen.

Typische Fähigkeiten einer Maschine mit Künstlicher Intelligenz sind:

• die Fähigkeit zum logischen Schlussfolgern

• die Fähigkeit zum selbstständigen Lernen

• die Fähigkeit zum Lösen von Problemen

• die Fähigkeit zum Wahrnehmen von Umgebungsdaten und Interagieren mit der Umgebung

• die Fähigkeit zum Verstehen und Erzeugen von Sprache

• die Fähigkeit zum Anpassen an neue Situationen und zur Selbstkorrektur

• die Fähigkeit zum selbstständigen Erledigen von Aufgaben

Um diese Fähigkeiten zu realisieren, kommen neben der Informatik auch Erkenntnisse weiterer Wissenschaften wie der Psychologie, Neurowissenschaften, Mathematik, Statistik, Kommunikationswissenschaft, Linguistik und anderer zur Anwendung. Die Künstliche Intelligenz beeinflusst mit ihren Erkenntnissen aber auch zahlreiche andere Wissenschaften.

Typen von Künstlicher Intelligenz

Grundsätzlich lassen sich verschiedene Arten von Künstlicher Intelligenz unterscheiden.

Schwache Künstliche Intelligenz
Eine schwache Künstliche Intelligenz ist auf einen bestimmten Anwendungsbereich beschränkt. Maschinen mit schwacher Künstlicher Intelligenz können nur Aufgabenstellungen in diesem konkreten Aufgabenbereich erledigen und scheitern bei Aufgabenstellungen aus anderen Bereichen. Ihre Intelligenzleistung ist eher oberflächlich. Ihnen fehlt die Fähigkeit, ein tieferes Verständnis für übergreifende Zusammenhänge zu entwickeln.

Die angewandten Methoden der Informatik und die Algorithmen sind genau für diesen einen Anwendungsbereich entwickelt. Typische Beispiele für schwache Künstliche Intelligenz sind Text- und Zeichenerkennungsprogramme, Navigationssysteme oder Spracherkennungssysteme.

Starke Künstliche Intelligenz
Eine starke Künstliche Intelligenz zeigt hingegen einen deutlich höheren, dem Menschen ähnlicheren Intelligenzlevel. Sie ist mit dem Menschen auf Augenhöhe oder übertrifft dessen Intellekt und Fähigkeiten sogar. Systeme mit starker Künstlicher Intelligenz sind in der Lage, schwierige und komplexe Aufgabenstellungen unterschiedlicher Bereiche zu lösen. Sie kombinieren viele verschiedene Fähigkeiten, reagieren flexibel und sind umfassend kommunikationsfähig.

Bisher ist es nur in Ansätzen gelungen, Systeme mit starker Künstlicher Intelligenz zu entwickeln. Nach wie vor ist starke Künstliche Intelligenz vor allem eine Zukunftsvision. Auch darüber, ob sie überhaupt realisierbar sein wird, streiten sich die Experten.

Symbolische vs. Subsymbolische KI
Eine weitere Möglichkeit der Unterscheidung von Künstlicher Intelligenz ist die Einordnung bezüglich der angewandten Methodik in symbolische und subsymbolische Künstliche Intelligenz.

Eine symbolische Künstliche Intelligenz arbeitet regel- und logikbasiert. Wissen wird mithilfe von logischen Regeln und abstrakten Symbolen (Zahlen, Wörter, mathematische Operatoren) repräsentiert. Die Grundidee hinter symbolischer Künstlicher Intelligenz verfolgt einen klassischen Top-down-Ansatz, der versucht, menschliches Wissen und Denken über eine logisch-symbolische Ebene zu rekonstruieren.

Mithilfe gesammelter Fakten und Zusammenhänge erstellt oder programmiert der Mensch ein abstrahiertes, logisches Modell mit nachvollziehbaren, transparenten Lösungswegen. Der Intelligenzlevel symbolischer Künstlicher Intelligenz ist kaum mit menschlicher Intelligenzleistung vergleichbar. Ihr Einsatzbereich bleibt auf Aufgaben begrenzt, die sich mit logischen Regeln und Zusammenhängen darstellen und lösen lassen.

Eine subsymbolische Künstliche Intelligenz, zu deren Kategorie zum Beispiel die aktuellen großen, generativen Sprachmodelle, Chatbots und Text-zu-Bildgeneratoren zählen, verfolgt einen Bottom-up-Ansatz. Sie basiert auf künstlichen neuronalen Netzwerken und großen Datenmengen, mit deren Hilfe sie ihr Wissen und ihre Fähigkeiten größtenteils eigenständig per Training erwirbt.

Um Aufgaben zu lösen oder Entscheidungen und Vorhersagen zu treffen, sind keine vom Menschen programmierten logischen Regeln notwendig.

Machine Learning: Der Motor moderner KI

Zur Realisierung von Systemen mit Künstlicher Intelligenz kommen verschiedene Methoden und Technologien zum Einsatz. Eine sehr wichtige davon ist das Maschinelle Lernen (Machine Learning – ML). Durch Maschinelles Lernen kann ein System seine Leistung und Fähigkeiten durch die Auswertung von Daten und darauf aufsetzende Lernvorgänge verbessern. Beim Machine Learning lässt sich zwischen unüberwachtem, überwachtem und bestärkendem Lernen (unsupervised, supervised, reinforcement learning) unterscheiden.

• Überwachtes Lernen: Das Modell wird mit gelabelten Daten trainiert (z. B. Bilder von Katzen und Hunden mit entsprechender Beschriftung).

• Unüberwachtes Lernen: Das Modell erkennt Muster in unstrukturierten Daten, z. B. zur Segmentierung von Kundengruppen im E-Commerce.

• Bestärkendes Lernen (Reinforcement Learning): Der Algorithmus lernt durch Belohnungssysteme – so werden etwa Schach- oder Go-Programme trainiert.

Kommen für das Lernen künstliche neuronale Netze zum Einsatz, deren Funktionsweise der des menschlichen Gehirns nachempfunden ist und die aus mehreren in einem mathematischen Modell abstrahierten und untereinander vernetzten Neuronenschichten bestehen, bezeichnet man diesen Ansatz des Maschinellen Lernens als Deep Learning (tiefes Lernen).

Durch Training mit großen Datenmengen sind solche neuronalen Netze in der Lage, komplexe Muster zu erfassen, sie zu verarbeiten und daraus Schlussfolgerungen abzuleiten. Ihr Wissen und ihre Fähigkeiten werden durch die Verknüpfungen und Gewichtungen der Neuronenverbindungen zwischen Eingabe- und Ausgabeneuronen abgebildet.

Ein weiteres Verfahren der Künstlichen Intelligenz ist das Natural Language Processing (NLP). Es beschäftigt sich mit der Verarbeitung, Auswertung, dem Verstehen und dem Generieren von Text und natürlicher Sprache. Aktuelle große Sprachmodelle wie die der GPT-Familie von OpenAI oder Gemini von Google basieren auf Deep Learning und tiefen neuronalen Netzen mit vielen Milliarden Parametern. Sie erbringen im Text- und Kommunikationsbereich erstaunliche Leistungen.

Zu den weiteren KI-Technologien und -Methoden zählen Maschinelles Sehen (Computer Vision), Cognitive Computing, Affective Computing und viele mehr.

Aktuelle Entwicklungen in der KI

Seit 2019 hat sich das Feld der KI rasant weiterentwickelt. Die größten Fortschritte betreffen:

1. Große Sprachmodelle (LLMs)
Mit der Einführung von GPT-3 (2020), ChatGPT (2022) und GPT-4 (2023) hat sich die Textverarbeitung grundlegend verändert. Diese sogenannten Large Language Models (LLMs) basieren auf Millionen von Datensätzen und können menschenähnliche Konversationen führen, Texte schreiben oder sogar Programmcode generieren. Neben den GPT-Modellen von OpenAI haben auch andere Unternehmen und Forschungsinstitute leistungsstarke Modelle entwickelt, darunter Googles Gemini-Reihe, Metas LLaMA, Anthropics Claude, Mistrals Mixtral, sowie Open-Source-Modelle wie Falcon, BERT, T5 und Chinas Deepseek, WuDao oder GLM-130B. Die rasante Entwicklung neuer LLMs zeigt, dass KI-Systeme zunehmend vielseitiger und leistungsfähiger werden.

2. Generative KI
Neben Textmodellen wurden auch Systeme zur Bilderzeugung entwickelt. Tools wie DALL-E 2, Stable Diffusion oder Midjourney erzeugen aus simplen Textbeschreibungen hochauflösende Bilder. Dies revolutioniert die Kreativbranche, da nun auch Laien hochwertige Grafiken erstellen können.

3. Künstliche Intelligenz in Wissenschaft und Medizin

• AlphaFold (2020) von DeepMind löste das jahrzehntealte Problem der Proteinfaltung und beschleunigte so die Medikamentenentwicklung.

• KI-gestützte Diagnoseverfahren in der Radiologie ermöglichen präzisere Krebsfrüherkennung.

4. Multimodale KI-Modelle

Neue Systeme wie GPT-4 oder Gemini (Google) können gleichzeitig Text, Bilder und Audio verarbeiten. Das bedeutet, dass eine KI eine Frage mit einem Diagramm beantworten oder eine Bildbeschreibung in mehreren Sprachen liefern kann.

5. KI in autonomen Systemen

Selbstfahrende Autos sind dank verbesserter Sensorik und Machine-Learning-Algorithmen weiter fortgeschritten. Hersteller wie Tesla, Waymo und Mercedes-Benz setzen verstärkt auf KI-gesteuerte Fahrassistenzsysteme.

Gefahren manipulierter KI-Modelle

KI-Modelle schützen

Gesellschaftliche und ethische Herausforderungen

Mit der zunehmenden Verbreitung von KI-Systemen gibt es auch kritische Diskussionen. Die wichtigsten ethischen Fragestellungen sind:

1. Bias und Diskriminierung
KI-Systeme können Vorurteile aus ihren Trainingsdaten übernehmen. Ein bekanntes Beispiel ist Amazons gescheiterte KI-gestützte Bewerbungssoftware, die Frauen systematisch benachteiligte.

2. Arbeitsplatzveränderungen
Automatisierung durch KI könnte in den nächsten Jahren Millionen Arbeitsplätze ersetzen. Während in der Produktion bereits viele Jobs von Maschinen übernommen wurden, sind nun auch kreative Berufe betroffen (z. B. Texter, Designer).

3. Deepfakes & Desinformation
KI kann täuschend echte Videos oder Audioaufnahmen erstellen, was zu Missbrauch in Politik, Journalismus oder Betrugsszenarien führt.

4. Datenschutz & Überwachung
KI analysiert riesige Mengen persönlicher Daten – oft ohne Zustimmung der Nutzer. Staaten und Unternehmen nutzen KI verstärkt für Überwachungsmaßnahmen.

KI-gestützte Bildanalyse gegen digitale Manipulation

Kampfansage an Deepfakes

Anwendungsbereiche von Künstlicher Intelligenz

KI hat inzwischen nahezu alle Wirtschaftsbereiche durchdrungen. Zu den wichtigsten Einsatzfeldern gehören:

Allgemeine Anwendungen

• Intelligente Sprachassistenten: Siri, Alexa und Google Assistant verstehen Sprache und geben personalisierte Antworten.

• Automatische Spracherkennung: Systeme wie Dragon oder Google Speech transkribieren gesprochene Sprache in Text.

• Chatbots im Kundensupport: Unternehmen nutzen KI-gestützte Chatbots für automatisierte Kundenanfragen.

• Expertensysteme: KI-gestützte Wissensdatenbanken unterstützen Fachkräfte in Medizin, Recht oder Finanzen.

• Empfehlungssysteme: Netflix, Spotify und Amazon nutzen KI für personalisierte Vorschläge.

• Intelligente Logistiksysteme: KI optimiert Lieferketten und Lagerverwaltung.

Technologie und Verkehr

• Selbstfahrende Autos: Autonome Fahrzeuge nutzen KI für Navigation und Objekterkennung.

• Navigationssysteme: Google Maps und Waze optimieren Routen durch KI-gestützte Verkehrsanalysen.

• Robotik und humanoide Roboter: Roboter mit KI-Funktionalitäten unterstützen in der Industrie oder im Haushalt.

• Intelligente Sicherheits- und Überwachungssysteme: KI-gestützte Kameras erkennen ungewöhnliche Aktivitäten.

Finanzen, Sicherheit und Forschung

• Betrugserkennung: Banken nutzen KI zur Erkennung verdächtiger Transaktionen.

• Gesichts- und Bilderkennung: Systeme wie Clearview AI analysieren Gesichter zur Identitätsprüfung.

• Maschinelles Übersetzen: DeepL nutzt neuronale Netze für bessere Sprachübersetzungen.

• Textklassifizierung und Inhaltsextraktion: KI analysiert Dokumente und erkennt relevante Informationen.

• Generieren von Texten und Bildern: ChatGPT oder Midjourney erstellen Inhalte auf Basis von Anweisungen.

• Arzneimittelentwicklung: KI beschleunigt die Suche nach neuen Wirkstoffen.

• Medizinische Diagnostik: KI hilft bei der Früherkennung von Krankheiten.

• Materialforschung und -entwicklung: KI simuliert neue Materialeigenschaften.

• Vorhersehende Wartung (Predictive Maintenance): KI erkennt Maschinenverschleiß und verhindert Ausfälle.

Wirtschaft und Alltag

• Computerspiele: KI-gesteuerte NPCs und dynamische Spielwelten.

• Automatisierter Aktienhandel: KI analysiert Finanzmärkte und trifft Handelsentscheidungen.

• Suchmaschinen: Google und Bing verbessern Suchergebnisse durch KI.

• Wettervorhersagen: KI verarbeitet Wetterdaten für genauere Prognosen.

• Autonome Waffen: KI-gesteuerte Drohnen und Kampfsysteme.

• Exploration von Rohstoffen: KI analysiert Geodaten zur Identifikation von Rohstoffvorkommen.

Paradigmenwechsel in der Materialentwicklung

Microsoft setzt auf KI in der Materialforschung

Gesetzliche Regulierung von KI

Da KI tief in gesellschaftliche Strukturen eingreift, sind in den letzten Jahren zahlreiche Regulierungen entstanden.

EU AI Act (2024)

Die Europäische KI-Verordnung ist das weltweit erste umfassende Gesetz zur Regulierung von KI. Sie unterteilt KI-Systeme in vier Risikokategorien:

• Verbotene KI: Systeme mit inakzeptablem Risiko (z. B. Social Scoring).

• Hochrisiko-KI: Anwendungen mit hohem gesellschaftlichem Einfluss (z. B. Bewerbungs-KI, medizinische Diagnosen).

• Begrenztes Risiko: z. B. Chatbots, die sich als KI zu erkennen geben müssen.

• Minimales Risiko: KI in Spielen oder Unterhaltungssystemen, die kaum reguliert werden.

Weitere Regulierungen

• USA: Kein nationales KI-Gesetz, aber Ethik-Leitlinien („AI Bill of Rights“).

• China: Strenge Kontrollen für KI-gestützte Inhalte, verpflichtende Transparenzvorschriften.

KI-Leitplanke aus Brüssel

Der AI Act oder wie die EU die Künstliche Intelligenz zähmen will

Die Zukunft der Künstlichen Intelligenz

Künstliche Intelligenz entwickelt sich rasant und wird in den kommenden Jahren noch tiefere Spuren in Wirtschaft, Gesellschaft und Politik hinterlassen. Neben technischen Fortschritten sind auch ethische und gesetzliche Fragen entscheidend. Der verantwortungsvolle Umgang mit KI wird eine der größten Herausforderungen der nächsten Jahrzehnte sein.

(ID:44398465)