Gestatten Sie mir, mich vorzustellen. Ich bin Lisa, eine KI-Forscherin.
Heute möchte ich Sie auf eine spannende Reise durch die Entwicklung der KI mitnehmen.
Sind Sie bereit, diese fantastische Geschichte zu erkunden?
Tauchen wir ein!
Seit langer Zeit träumt die Menschheit davon, Maschinen zu erschaffen, die intelligent handeln können. Anfang des 20. Jahrhunderts wurde dieser Traum durch Science-Fiction beflügelt, die erstmals die Idee von denkenden Robotern populär machte. Denken Sie zum Beispiel an den „herzlosen“ Blechmann aus Der Zauberer von Oz oder an den Roboter Maria aus dem Film Metropolis. Solche Figuren regten die Fantasie an – und sie inspirierten Forschende, Maschinen zu entwickeln, die ähnlich wie Menschen denken und lernen können.
Sehen Sie sich die folgende Szene aus dem Film „Metropolis“ an, einem deutschen expressionistischen
Science-Fiction-Stummfilm, der 1927 in Babelsberg gedreht wurde. Vergleichen Sie diese historische Darstellung einer intelligenten Maschine mit
modernen KI-Systemen. Was ist ähnlich und was ist anders?
In den 1950er Jahren wurde die Frage „Können Maschinen denken?“ intensiv in der Wissenschaft diskutiert.
Besonders Forschende aus der Physik, Mathematik und Philosophie beschäftigten sich mit diesem Thema. Eine der bekanntesten Stimmen war Alan Turing, der heute als einer der Begründer der modernen Informatik gilt.
Im Jahr 1950 veröffentlichte Turing einen wegweisenden Aufsatz mit dem Titel Computing Machinery and Intelligence. Darin stellte er die Idee vor, dass Maschinen menschliche Intelligenz nachahmen und Aufgaben wie zum Beispiel Schachspielen übernehmen könnten.
Außerdem entwickelte er ein Verfahren, um zu prüfen, ob eine Maschine intelligentes Verhalten zeigt – also ob ihr Verhalten von dem eines Menschen nicht zu unterscheiden ist. Dieses Verfahren ist heute als „Turing-Test“ bekannt.
In MIND, A Quarterly Review of Psychology and Philosophy, Vol. 59, No. 236, October, 1950, pp. 433-460. New York.
Der Turing-Test ist einfach aufgebaut: Eine Person – der oder die Befragende – führt ein Gespräch über Textnachrichten mit zwei unbekannten Gesprächspartnern: einer Maschine und einem Menschen.
Wenn es der befragenden Person nicht gelingt, eindeutig zu erkennen, wer die Maschine ist, gilt der Test als bestanden. Das bedeutet: Die Maschine zeigt ein Verhalten, das dem eines Menschen so ähnlich ist, dass es nicht unterscheidbar ist.
Wie aussagekräftig ist dieser Test Ihrer Meinung nach? Kann man damit eindeutig feststellen, ob es sich um künstliche Intelligenz handelt?
Holly Bellman. (2013). Turing-test.gif [GIF]. Wikimedia Commons. https://commons.wikimedia.org/wiki/File:Turing-test.gif
Die Idee intelligenter Maschinen wurde zwar schon früher diskutiert, aber der Begriff Künstliche Intelligenz – kurz KI – wurde erstmals 1955 offiziell verwendet. Damals reichten Forscher einen Vorschlag für das sogenannte Dartmouth Summer Research Project am Dartmouth College in den USA ein. Im Sommer 1956 fand dieser Workshop statt. Er brachte Wissenschaftler aus verschiedenen Fachrichtungen zusammen, die heute als Begründer der KI gelten. Ihr Ziel war es, ein neues Forschungsfeld zu schaffen: die Künstliche Intelligenz. Die zentrale Idee war, Maschinen zu entwickeln, die in der Lage sind, menschliches Denken und Lernen nachzuahmen.
Auf dem Dartmouth AI-Workshop 1956 versammelten sich die Organisatoren und einige andere Teilnehmer vor der Dartmouth Hall. In der hinteren Reihe von links nach rechts sind Oliver Selfridge, Nathaniel Rochester, Marvin Minsky und John McCarthy zu sehen. Vorne links steht Ray Solomonoff, rechts Claude Shannon. Die Identität der Person zwischen Solomonoff und Shannon blieb lange Zeit ein Rätsel. Die Familie Minsky (https://spectrum.ieee.org/dartmouth-ai-workshop)
Diese Veranstaltung markierte den Beginn des ersten KI-Sommers (1957–1974) – eine Phase des Optimismus und großer Investitionen in die KI-Forschung. Für Aufsehen sorgte in dieser Zeit ELIZA, einer der ersten Chatbots der Welt. Das Programm wurde zwischen 1964 und 1966 von Joseph Weizenbaum am MIT entwickelt und konnte einfache Gespräche mit Menschen simulieren – damals ein großer Durchbruch.
Joseph Weizenbaum wurde 1923 in Berlin geboren. An seinem 13. Geburtstag wanderte seine Familie in die USA aus. Weizenbaum studierte Mathematik in Detroit. Als Forschungsassistent beteiligte er sich mit Begeisterung am Bau eines Universitätscomputers. 1963 ging er ans MIT, sah die universellen Einsatzmöglichkeiten von Computern und erfand das Programm ELIZA, benannt nach der Hauptfigur in George Bernard Shaws „Pygmalion“. ELIZA wurde als ein Meilenstein der Künstlichen Intelligenz anerkannt. Übrigens: Joseph Weizenbaum selbst war über die Wirkung seines Programms regelrecht schockiert und hat sich anschließend zu einem der wehementesten Kritiker der KI entwickelt „Der Ketzer der Informatik".
Gesellschaft für Informatik. (n.d.). Joseph Weizenbaum [Photograph]. GI - Gesellschaft für Informatik e.V. [Website]. https://gi.de/persoenlichkeiten/joseph-weizenbaum
Stellen Sie sich vor, Sie befinden sich in den 60er Jahren und haben die Möglichkeit, mit dem Chatbot Eliza zu interagieren. Chatten Sie mit Eliza und beobachten Sie, wie das Programm reagiert. Wirkt es menschlich auf Sie?
Zwei wichtige Ansätze haben sich in diesem Sommer der künstlichen Intelligenz herauskristallisiert:
1. Wissensbasierte KI (auch bekannt als Regelbasierte- oder Symbolische KI):
Bei diesem Ansatz wird menschliches Wissen explizit in Form von Fakten und Regeln in Computern kodiert,
so dass die Systeme logische Schlussfolgerungen ziehen können. Sie zeichnet sich bei Aufgaben wie mathematischem
Beweisen und Planungsaufgaben aus.
2. Maschinelles Lernen und künstliche neuronale Netze (kNNs):
Inspiriert von unseren biologischen Neuronen haben Forscher in dieser Zeit auch künstliche Neuronale Netzwerke entwickelt.
Das Ziel bestand u.a. darin, eine Maschine zu bauen, die ihre Umgebung ohne Unterstützung durch einen Menschen wahrnehmen und erkennen kann.
Beide Ansätze stießen damals an klare Grenzen. Die wissensbasierte KI tat sich schwer mit komplexen, realen Problemen, die sich nicht eindeutig in Regeln fassen lassen – etwa bei der Erkennung von Bildern. Frühe künstliche neuronale Netze litten unter einem Mangel an passenden Trainingsdaten und der begrenzten Rechenleistung der damaligen Zeit.
Als die in dieser Zeit entwickelten Systeme die in sie gesetzten Erwartungen nicht erfüllten, wurden die Mittel für die KI-Forschung
stark gekürzt. Diese Zeit wurde „KI-Winter“ genannt. In den folgenden Jahren erlebte die KI einen weiteren „KI-Sommer,
gefolgt von einem weiteren Winter (1987-1993), da die ehrgeizigen Ziele erneut nicht erreicht wurden.
Dennoch wurden in den 1990er und 2000er Jahren wichtige Meilensteine erreicht. 1997 besiegte Deep Blue von IBM den amtierenden Schachweltmeister
Garry Kasparov mit Hilfe Wissensbasierter KI-Ansätze. Dieses vielbeachtete Match war ein entscheidender Moment, der zeigte,
dass Maschinen den Menschen bei komplexen intellektuellen Aufgaben übertreffen können.
Sehen Sie sich das folgende Video über IBMs Deep Blue an. In diesem Video erzählen die Entwickler, wie sie gewonnen haben und welche Bedeutung dieser Erfolg für die Computerbranche hat. Würden Sie Deep Blue auch als Meilenstein in der KI-Entwicklung ansehen?
In den letzten Jahrzehnten hat die Künstliche Intelligenz dank der Leistungsfähigkeit des Maschinellen Lernens (ML) eine bemerkenswerte Zugkraft erlangt. ML ist zum Rückgrat der verbreitetsten KI-Systeme von heute geworden. Es ist der Grund, warum Computer heute Ihr Gesicht erkennen, Ihre Stimme verstehen und sogar bei der Früherkennung von Krankheiten helfen können.
Im Gegensatz zur traditionellen Programmierung, bei der Computern explizite Anweisungen gegeben werden, ermöglicht Maschinelles Lernen Computern, aus Erfahrungen zu lernen, aus Daten. ML-Algorithmen können Daten wie Bilder, Videos, Audio und Text aufnehmen und darin Muster erkennen, welche helfen, die gestellte Aufgabe zu lösen. Einmal trainiert, können diese Modelle z.B. Vorhersagen machen oder neue Inhalte generieren.
Ein beliebtes Beispiel für ein KI-System ist eines, das Katzen und Hunde erkennen kann. Um ein solches System zu entwickeln, können wir maschinelles Lernen einsetzen. Das folgende Spiel soll Spaß machen und die zentrale Idee des Maschinellen Lernens veranschaulichen, d.h. aus Daten lernen. Nun ist es Ihre Aufgabe, die Maschine mithilfe der Technik des Maschinellen Lernens dazu zu bringen, Katzen und Hunde zu erkennen.
Das Wiederaufleben des Maschinellen Lernens und insbesondere des Deep Learning (eine Untergruppe des maschinellen Lernens, die neuronale Netze mit mehreren Schichten umfasst) lässt sich auf drei Hauptfaktoren zurückführen:
1. Big Data:
Durch das digitale Zeitalter stehen enorme Datenmengen zur Verfügung – aus dem Internet, sozialen Medien, Sensoren und vielen weiteren Quellen. Diese Daten sind der „Treibstoff“, den maschinelle Lernalgorithmen brauchen, um dazuzulernen und sich zu verbessern.
2. Hardware-Verbesserungen:
Besonders Grafikprozessoren (GPUs) haben große Fortschritte ermöglicht. Sie beschleunigen das Training komplexer Modelle deutlich und machen viele heutige KI-Anwendungen überhaupt erst praktikabel.
3. Fortschritte bei den KI-Techniken:
Auch bei den Methoden selbst hat sich viel getan – etwa durch neue Deep-Learning-Algorithmen und Architekturen neuronaler Netze. Diese Innovationen haben die Fähigkeiten moderner KI deutlich vorangebracht.
Lange Zeit ging man davon aus, dass künstlerische und kreative Aufgaben wie das Schreiben von Gedichten, das Erstellen von Software,
das Entwerfen von Mode und das Komponieren von Liedern nur von Menschen ausgeführt werden können. Diese Annahme hat sich mit den jüngsten
Fortschritten in der KI-Technologie drastisch geändert. Die jüngsten Fortschritte auf dem Gebiet der KI haben die Entwicklung von KI-Systemen
ermöglicht, die auf sehr realistische und beeindruckende Weise neue Inhalte generieren können. Generative KI-Systeme sind Systeme,
die in der Lage sind, Inhalte wie Text, Programmcode, Bilder, Ton oder Videos zu erzeugen.
Ein berühmtes Beispiel für ein solches KI-System ist ChatGPT, das von der Firma OpenAI im
November 2022 auf den Markt gebracht wurde. Ende Januar 2023 war ChatGPT die am schnellsten wachsende Web-App und hatte mehr als 100
Millionen monatlich aktive Nutzer. Sie ermöglichte den Menschen einen beispiellosen Zugang zu einem der fortschrittlichsten neuronalen Netze,
die je gebaut wurden. Alle waren unglaublich überrascht von der Fähigkeit des ChatGPT, Antworten auf eine sehr menschenähnliche Weise zu geben.
ChatGPT ist ein Chatbot, der von einem Large Language Model (LLM) angetrieben wird - genauer gesagt von einem Generative Pretrained Transformer (GPT), einer derzeit zentralen Familie von LLMs.
LLMs sind eine Art von KI-Modell, das mit Hilfe von tiefen neuronalen Netzen auf Milliarden von Wörtern aus Artikeln, Büchern und anderen internetbasierten Inhalten trainiert wird. Durch diesen Trainingsprozess lernen LLMs, wie Wörter in der Sprache miteinander verwendet werden, und können diese gelernten Muster anwenden, um Spracheingaben zu verstehen und Antworten zu generieren.
In jüngerer Zeit haben LLMs ihre Fähigkeiten erweitert, was zu Multimodal Large Language Models (MLLMs) führte. Diese Modelle sind in der Lage, verschiedene Modalitäten, einschließlich Bilder, Audio und Text, als Eingabe und Ausgabe zu erzeugen. Man kann ihnen z. B. ein Bild geben und sie können eine ausführliche Beschreibung generieren, oder man gibt ihnen einen Text und bittet sie, ein entsprechendes Bild zu erzeugen.
Zu den führenden generativen KI-Modellfamilien gehören heute GPT, LLaMA, Claude und Gemini. Diese Systeme haben die Tür zu neuen Möglichkeiten in der Kreativwirtschaft, der Wissenschaft und im täglichen Leben geöffnet, von der Erzeugung von Kunst bis zum Schreiben von Code oder dem Komponieren von Musik.
Jüngsten Forschungsergebnissen zufolge: Ja! ChatGPT hat den Turing-Test bestanden.
Mei, Qiaozhu, Yutong Xie, Walter Yuan, and Matthew O. Jackson. “A Turing Test of Whether AI Chatbots Are Behaviorally Similar to Humans.” Proceedings of the National Academy of Sciences 121, no. 9 (February 27, 2024): e2313925121. https://doi.org/10.1073/pnas.2313925121.
Kommt ChatGPT damit menschlichem Denken nahe?
Hmmm... nicht alle Wissenschaftler sind dieser Meinung.
In der Forschung gibt es unterschiedliche Meinungen darüber, was KI-Modelle wie ChatGPT wirklich leisten. Einige Fachleute meinen, dass diese Modelle erste Anzeichen von Argumentationsfähigkeit oder Verständnis zeigen. Andere hingegen betonen, dass es sich letztlich nur um statistische Systeme handelt, die auf Basis von Wahrscheinlichkeiten das nächste Wort vorhersagen – ohne echtes Verständnis.
Aus dieser Perspektive ähneln sie sogenannten stochastischen Papageien: Sie können Sprache täuschend echt nachahmen, verstehen aber nicht, was sie sagen.
Die Wahrheit ist, dass die heutigen KI-Systeme so komplex sind, dass selbst Experten nicht vollständig erklären können, wie ihr Verhalten entsteht.
Dies lässt die Frage offen: Sind diese Systeme wirklich intelligent oder sind sie nur unglaublich gut darin, menschliche Konversation nachzuahmen?
Daher wird von einigen Forschern der Turing-Test in Frage gestellt, weil er ihrer Meinung nach nicht bewertet, ob Maschinen denken können oder intelligent sind, sondern wie gut die Maschine Sprache nachahmen und Menschen täuschen kann.
Jetzt sind Sie an der Reihe, diese spannende KI-Welt zu erkunden. In diesem Kurs haben Sie die Möglichkeit, mehr darüber zu erfahren,
wie die KI-Ansätze funktionieren und wie Sie KI-Systeme nutzen können, um Ihre täglichen Aufgaben und Ihr Berufsleben zu unterstützen.
Darüber hinaus werden Sie Limitierungen erkunden und Bedenken im Zusammenhang mit der KI diskutieren.