Was ist künstliche Intelligenz (KI)?
Künstliche Intelligenz (KI) ist keine Zukunftsvision mehr, sondern fester Bestandteil unseres Alltags. Wir begegnen ihr überall: in den Algorithmen, die unsere Feeds in sozialen Medien und die Empfehlungen von Streamingdiensten steuern, ebenso wie in hochentwickelten Systemen, die Röntgenbilder auswerten, Krankheiten diagnostizieren, Autos fahren, Code schreiben und Finanzmärkte analysieren.
Vereinfacht gesagt geht es bei KI darum, Computer Aufgaben erledigen zu lassen, die normalerweise menschliche Intelligenz erfordern: Muster erkennen, Schlussfolgerungen ziehen, Entscheidungen treffen, Sprache verstehen und Probleme lösen. In vielen spezifischen Bereichen zeigen Computer bereits Fähigkeiten, die die des Menschen übertreffen. Man spricht hier von schwacher KI (Narrow AI), also von Systemen, die in einem eng umrissenen Gebiet sehr leistungsfähig sind, aber außerhalb davon nicht schlussfolgern können.
Wir stehen vor einer digitalen Transformation, die häufig mit der Industrialisierung verglichen wird. Während jedoch die industrielle Revolution die körperliche Arbeit mechanisierte, verändert die KI-Revolution die Rahmenbedingungen der kognitiven und intellektuellen Arbeit. Das betrifft alles, von Verwaltungsberufen über kreative Schaffensprozesse bis hin zur akademischen Forschung.
Ein kurzer geschichtlicher Abriss: Von einfachen regelbasierten Systemen zur generativen KI
Die Idee denkender Maschinen ist nicht neu. Bereits in den 1950er-Jahren wurde der Begriff „künstliche Intelligenz“ geprägt, und die ersten Jahrzehnte waren von regelbasierten Systemen bestimmt, den sogenannten Expertensystemen. Dabei versuchten Programmierer, explizite Regeln dafür zu codieren, wie sich ein Computer in verschiedenen Situationen verhalten soll. Der Ansatz funktionierte bei streng abgegrenzten Problemen, ließ sich aber schlecht skalieren, da sich die Wirklichkeit selten in ein starres Regelwerk fassen lässt.
In den 2000er- und 2010er-Jahren kam es mit dem Durchbruch des maschinellen Lernens zu einem Paradigmenwechsel. Statt Regeln von Hand zu programmieren, lernten Computer nun Muster direkt aus großen Datenmengen. Angetrieben wurde diese Entwicklung von drei sich gegenseitig verstärkenden Faktoren: der Verfügbarkeit riesiger Datenmengen über das Internet, leistungsfähigerer Hardware (nicht zuletzt Grafikkarten, die sich als hervorragend für das Training neuronaler Netze erwiesen) sowie neuer, effizienterer Algorithmen. Durchbrüche in der Bilderkennung um 2012 zeigten, dass sogenannte tiefe neuronale Netze frühere Methoden mit großem Abstand übertreffen konnten, und seitdem hat sich die Entwicklung Jahr für Jahr beschleunigt.
Der jüngste große Sprung erfolgte Anfang der 2020er-Jahre mit dem Durchbruch der generativen KI und großer Sprachmodelle, wobei Werkzeuge wie ChatGPT den Startschuss für ein breiteres öffentliches Bewusstsein für das Potenzial dieser Technologie gaben.
Abbildung 1 zeigt, wie sich die Leistungsfähigkeit von KI-Modellen von 2022 bis 2026 beschleunigt hat. Zu erkennen ist eine außerordentlich rasche Entwicklung der Fähigkeiten von Sprachmodellen. Gemessen werden die Fähigkeiten mit standardisierten Tests (siehe Artificial Analysis).
Die Fähigkeiten der Modelle verbessern sich parallel zu ihrer wachsenden Größe. Wie die folgende Abbildung zeigt, in der die Kreisgröße die Größe des jeweiligen Sprachmodells angibt, sind die Modelle rasch deutlich größer geworden, und parallel dazu hat ihre intellektuelle Leistungsfähigkeit zugenommen.
Die Entwicklung von Sprachmodellen wurde maßgeblich durch enorme Investitionen von Technologiekonzernen wie Microsoft, Google, Meta, Amazon und Oracle vorangetrieben. Die Investitionen dieser Unternehmen in KI-Infrastruktur sind in der folgenden Abbildung dargestellt. Schätzungen zufolge werden diese Unternehmen in den kommenden Jahren Tausende Milliarden Dollar in KI-Infrastruktur investieren. Diese Investitionen werden getätigt, um (übermenschliche) Intelligenz aus gigantischen Datenfabriken anbieten zu können.
Die Grundlagen: maschinelles Lernen, Deep Learning und neuronale Netze
Um die heutige KI zu verstehen, lohnt es sich, einige zentrale Begriffe zu klären. Maschinelles Lernen (Machine Learning) ist ein Sammelbegriff für Methoden, bei denen Computer eine Aufgabe „lernen“, indem sie Daten analysieren, anstatt für jedes einzelne Szenario explizit programmiert zu werden. Üblicherweise unterscheidet man drei Hauptformen des maschinellen Lernens.
Beim überwachten Lernen wird das Modell mit Daten trainiert, bei denen die richtige Antwort bereits bekannt ist, zum Beispiel mit Tausenden Bildern, die als „Katze“ oder „Hund“ gekennzeichnet sind, und das Modell lernt, die Muster zu erkennen, die beide voneinander unterscheiden. Beim unüberwachten Lernen fehlen solche Zielwerte; das Modell muss stattdessen selbst Strukturen oder Gruppierungen in den Daten finden, etwa indem es Kunden in verschiedene Segmente einteilt. Beim bestärkenden Lernen (Reinforcement Learning) lernt das System durch Versuch und Irrtum und wird für erwünschtes Verhalten belohnt. Diese Methode steckt unter anderem hinter KI-Systemen, die anspruchsvolle Spiele auf übermenschlichem Niveau beherrschen.
Deep Learning ist ein Teilgebiet des maschinellen Lernens, das auf künstlichen neuronalen Netzen beruht, die lose von der Verschaltung der Nervenzellen im Gehirn inspiriert sind. Durch das Übereinanderschichten vieler Lagen solcher Netze kann das System zunehmend abstrakte Repräsentationen der Daten lernen, von einfachen Kanten und Formen in einer frühen Schicht bis hin zu ganzen Gesichtern oder Begriffen in einer späteren. Gerade Deep Learning bildet in Kombination mit einer Architektur namens Transformer die Grundlage der heutigen großen Sprachmodelle.
Der große Wandel: von schwacher KI zu generativer KI und großen Sprachmodellen
Die frühere Generation der KI war im Wesentlichen analytisch. Sie wurde darauf trainiert, Muster zu erkennen, Daten zu sortieren und spezifische, oft repetitive Aufgaben innerhalb vorgegebener Grenzen auszuführen. Lange Zeit glaubten viele, KI könne ausschließlich solche strukturierten Prozesse bewältigen. Das änderte sich grundlegend Anfang der 2020er-Jahre mit dem Durchbruch der generativen KI und großer Sprachmodelle (LLM). Die heutige KI beschränkt sich nicht mehr darauf, vorhandene Daten zu analysieren; sie kann völlig neue Inhalte erzeugen: Texte, Bilder, Musik, Videos und Programmcode, oft auf einem Niveau, das sich kaum von menschlich erstelltem Material unterscheiden lässt.
Diese Fähigkeit, Inhalte auf Grundlage einer Anweisung (eines sogenannten „Prompts“) zu erzeugen, hat völlig neue Anwendungsfelder eröffnet, vom Zusammenfassen von Berichten und dem Verfassen von Entwürfen bis hin zum Erstellen von Designvorschlägen oder dem Debuggen von Programmcode in Sekunden. Die fortschrittlichsten Modelle sind heute zudem „multimodal“, das heißt, sie können mehrere Datentypen gleichzeitig verstehen und kombinieren, etwa Text, Bild, Ton und Video in ein und derselben Argumentation.
Agentische KI: von passiven Assistenten zu autonomen Agenten
Einer der größten Umbrüche in der künstlichen Intelligenz ist derzeit der Übergang von generativer zu agentischer KI (Agentic AI). Früher mussten KI-Modelle durch spezifische Anweisungen ständig gesteuert werden, um jeweils eine einzelne Aufgabe zu lösen. Ein KI-Agent arbeitet dagegen deutlich autonomer: Man gibt ihm ein übergeordnetes Ziel vor, und der Agent plant die dafür notwendigen Schritte selbst.
Die Stärke dieses Ansatzes liegt darin, dass der Agent mit seiner Umwelt interagieren kann. Er kann im Internet nach Informationen suchen, externe Programme und Werkzeuge nutzen, auf Grundlage eigener Zwischenergebnisse Entscheidungen treffen und seine Fehler unterwegs korrigieren. Statt lediglich den Entwurf einer E-Mail zu schreiben, kann ein KI-Agent ein Problem analysieren, Daten aus verschiedenen Systemen zusammentragen, einen Bericht erstellen und eigenständig auf Basis der gewonnenen Erkenntnisse handeln. Damit wird KI von einem passiven Werkzeug zu einem aktiven Partner, der komplexe Projekte von Anfang bis Ende vorantreiben kann. Zugleich wirft diese Autonomie neue Fragen nach Verantwortung und Kontrolle auf: Wer trägt die Verantwortung, wenn ein Agent eigenständig eine falsche Entscheidung trifft?
KI in der Praxis: Medizin, Bildung, Verkehr, Kreativwirtschaft und Forschung
Das Potenzial der KI liegt nicht in erster Linie darin, den Menschen zu ersetzen, sondern darin, unsere Fähigkeiten zu erweitern. Durch die Automatisierung von Routineaufgaben können wir uns stärker auf menschlichen Kontakt, vertiefte Analyse und Innovation konzentrieren. Im Folgenden einige Beispiele dafür, wie KI bereits verschiedene gesellschaftliche Bereiche verändert.
Medizin. Ein anschauliches Beispiel bietet das Gesundheitswesen:
- Die heutige Herausforderung: Ärztinnen und Ärzte haben oft nur wenig Zeit pro Patient. Während eines kurzen Termins müssen sie die Krankenakte lesen, die Anamnese erheben, eine medizinische Beurteilung vornehmen, eine Behandlung verordnen, Überweisungen schreiben und schließlich alles im Dokumentationssystem festhalten. Der Zeitdruck kann sowohl die Patientensicherheit als auch die Arbeitsbedingungen beeinträchtigen.
- Die KI-Lösung: Mit modernen KI-Werkzeugen kann das System das Gespräch mithören, es automatisch zu einem korrekten ärztlichen Dokumentationseintrag zusammenfassen, die Krankengeschichte des Patienten durchsuchen und auf Basis der neuesten Forschung geeignete Behandlungsoptionen vorschlagen. Wenn die KI die Dokumentation übernimmt, kann der Arzt seine Zeit stattdessen der Untersuchung und der persönlichen Begegnung mit dem Patienten widmen.
Bildung. KI wird zunehmend eingesetzt, um individuell angepasste Lernmaterialien zu erstellen, die sich dem Lerntempo jedes einzelnen Schülers anpassen, und um Lehrkräfte bei Korrektur und Lernstandskontrolle zu unterstützen. Das schafft Zeit für die pädagogische Begegnung mit den Schülern.
Verkehr. Selbstfahrende Fahrzeuge und KI-gestützte Verkehrsoptimierung zeigen, wie Mustererkennung in Echtzeit sowohl die Sicherheit als auch die Effizienz von Verkehrssystemen verbessern kann.
Kreative Berufe. In Design, Musik, Film und Marketing werden generative Werkzeuge eingesetzt, um rasch Entwürfe, Visualisierungen und Varianten zu erstellen, was die Arbeitsabläufe Kreativschaffender grundlegend verändert.
Forschung mit „Co-Scientists“. In Forschung und fortgeschrittener Analyse ist KI dabei, die wissenschaftliche Arbeitsweise neu zu definieren. Spezialisierte KI-Systeme, mitunter als „Co-Scientists“ bezeichnet, fungieren als autonome Forschungspartner, die große Teile der Forschungskette automatisieren können: riesige Mengen vorhandener Forschungsdaten analysieren, neue Hypothesen generieren, Experimente entwerfen und Ergebnisse simulieren. Durch die Kopplung solcher KI-Modelle mit automatisierten Roboterlaboren („Cloud Labs“) lassen sich Experimente in großem Maßstab rund um die Uhr durchführen. Diese Symbiose aus menschlicher Intuition und maschinellem Schlussfolgern beschleunigt das Tempo der Entdeckungen in Medizin, Materialwissenschaft und Klimaforschung.
Der Wettlauf der KI-Labs
Die Entwicklung der leistungsfähigsten Sprachmodelle, häufig als „Frontier-Modelle“ bezeichnet, wurde lange Zeit von einigen wenigen amerikanischen KI-Labs wie OpenAI, Anthropic und Google vorangetrieben, mit geschlossenem Quellcode (Closed Source) und nicht veröffentlichten Modellgewichten. Bis zum Sommer 2026 waren es in der Praxis diese Akteure, die die Messlatte dafür setzten, was KI überhaupt leisten konnte.
Im Juli 2026 kam es jedoch zu einem Trendbruch. Das chinesische KI-Lab Moonshot AI mit Sitz in Peking veröffentlichte Kimi K3, ein Modell mit offenen Gewichten (Open Weight) und nicht weniger als 2,8 Billionen Parametern. In mehreren spezifischen Vergleichen, unter anderem beim agentischen Programmieren, schnitt Kimi K3 besser ab als die damals führenden Modelle von Anthropic, Claude Fable 5 und Claude Mythos, und lag zugleich sehr nah am Konkurrenten GPT-5.6 von OpenAI. Es war das erste Mal, dass ein frei verfügbares Modell, das zudem in Asien entwickelt worden war, die geschlossenen westlichen Frontier-Modelle in wesentlichen Punkten überholte. Das Bild ist allerdings differenziert, da die geschlossenen Modelle bei anderen Testarten weiterhin leicht vorne lagen.
Besonders bedeutsam ist dabei die Preisgestaltung. Laut der offiziellen Preisliste von Moonshot kostet Kimi K3 rund 0,30 Dollar pro Million gecachter Input-Token, 3 Dollar pro Million regulärer Input-Token und 15 Dollar pro Million Output-Token. Claude Fable 5 kostet zum Vergleich 10 Dollar pro Million Input-Token und 50 Dollar pro Million Output-Token, also auf beiden Seiten etwa das Dreifache. Der Unterschied zeigt, wie schnell KI-Intelligenz zur Massenware (Commodity) wird: Fähigkeiten, die noch wenige Monate zuvor einigen wenigen Akteuren zu einem hohen Preis vorbehalten waren, sind nun zu einem Bruchteil der Kosten erhältlich, mitunter sogar kostenlos zum Herunterladen und Selbstbetreiben.
Das stellt neue Anforderungen an die Nutzer von KI. Verschiedene Modelle sind unterschiedlich gut für unterschiedliche Aufgaben geeignet und erfordern zudem völlig unterschiedliche Infrastruktur. Ein kleineres, effizienteres Modell lässt sich heute lokal auf einer einzigen leistungsstarken GPU bei einem Enthusiasten oder in einem kleineren Unternehmen betreiben. Kimi K3 hingegen ist trotz offener Gewichte für die allermeisten praktisch kaum lokal zu betreiben: Bei insgesamt 2,8 Billionen Parametern (von denen dank einer sogenannten Mixture-of-Experts-Architektur pro Token nur ein kleinerer Anteil aktiviert wird) sind dennoch eine erhebliche Menge Arbeitsspeicher und mehrere miteinander verbundene Grafikkarten nötig, um das Modell selbst zu betreiben. Die meisten Nutzer werden solche Modelle daher auch künftig über eine API verwenden, statt sie auf eigener Hardware laufen zu lassen.
Insgesamt bedeutet das: Wer KI sinnvoll nutzen will, braucht ein gewisses Maß an Wissen darüber, welches Modell sich für welche Aufgabe eignet, was sein Betrieb im großen Maßstab kostet und welche Infrastruktur es erfordert. Da sowohl Rechenleistung als auch Energie endliche Ressourcen sind, sollte KI zudem verantwortungsvoll eingesetzt werden; ein kleineres, günstigeres Modell zu wählen, wenn die Aufgabe nicht das fortschrittlichste (und energieintensivste) Frontier-Modell erfordert, ist Teil einer nachhaltigen und bewussten KI-Nutzung.
Chancen und Nutzen: KI verändert die Arbeitswelt
So wie die industrielle Revolution durch Mechanisierung Muskelkraft freisetzte, setzt die KI-Revolution nun kognitive Kapazität frei. Durch die Automatisierung von Routineaufgaben wie Datenerhebung, Dokumentation und ersten Entwürfen können Mitarbeitende mehr Zeit auf das verwenden, was tatsächlich menschliches Urteilsvermögen erfordert: Beziehungen, Kreativität und komplexe Entscheidungen. KI wirkt zudem demokratisierend, da sie mehr Menschen Zugang zu Kompetenzen verschafft, die früher Spezialwissen erforderten, zum Beispiel Unterstützung beim Programmieren, bei Textentwürfen oder bei der Datenanalyse. Insgesamt bedeutet das schnellere Entscheidungsprozesse, stärker personalisierte Dienstleistungen und die Möglichkeit für kleinere Organisationen, mit Ressourcen zu konkurrieren, die bisher nur großen Akteuren zur Verfügung standen.
Es ist unwahrscheinlich, dass wir in den nächsten Jahren eine sogenannte allgemeine künstliche Intelligenz (AGI) erleben werden, also eine KI mit vollständiger menschlicher Begabung, mit eigenem Bewusstsein, Träumen und Spontaneität. Menschliche Intelligenz ist tief in unserer biologischen und emotionalen Existenz verwurzelt. Selbst die leistungsfähigsten aktuellen Sprachmodelle machen weiterhin banale Fehler, was zeigt, dass sie weit von einer AGI entfernt sind. Das bedeutet, dass die heutige generative KI, also Sprachmodelle, einerseits äußerst beeindruckende Fähigkeiten zeigen und andererseits bei einfachen, grundlegenden Aufgaben scheitern kann, die exakte Logik oder Rechnen erfordern. So hat generative KI in mehreren Studien bei bestimmten diagnostischen Aufgaben besser abgeschnitten als Ärzte, doch dasselbe Modell kann daran scheitern zu zählen, aus wie vielen Wörtern der Satz „Wie geht es dir?“ besteht.
Die Entwicklung verläuft jedoch exponentiell. Generative KI wird rasch besser, und immer mehr Unzulänglichkeiten werden durch fortlaufende Verbesserungen beseitigt. Diese Verbesserungen bedeuten meist, dass die Modelle größer werden und ihre Architektur optimiert wird. Die Erfolge der generativen KI haben uns zudem vor Augen geführt, dass sich viele Aufgaben, die wir als intellektuell betrachten, ohne bewusstes Denken lösen lassen. KI-Modelle besitzen nämlich weder Bewusstsein noch subjektives Erleben, auch wenn mitunter behauptet wird, sie würden „denken“. Komplexe Beurteilungen in Medizin, Finanzwesen, Ingenieurwesen und Mathematik konnten mit KI gelöst werden, obwohl die Modelle eben nicht im eigentlichen Sinne denken. Das hat geradezu existenzielle Fragen danach aufgeworfen, wie sich die Rolle des Menschen in den kommenden Jahren entwickeln wird. Wir wissen derzeit nicht, wie schnell und wie weit sich KI entwickeln wird. Wir wissen nicht, ob Sprachmodelle jemals AGI erreichen werden, und mehrere führende Forschende sind der Ansicht, dass AGI mit den bestehenden Methoden zum Aufbau von Sprachmodellen nicht erreichbar ist. Was wir hingegen wissen: Immer mehr Aufgaben werden ganz oder teilweise von KI übernommen werden können. Mit größter Wahrscheinlichkeit werden Mensch und Maschine in den kommenden Jahren parallel arbeiten, und danach ist anzunehmen, dass sich die Rolle des Menschen in den meisten heutigen Tätigkeiten wandeln wird. Das wird dem Menschen die Möglichkeit geben, mehr Zeit auf das zu verwenden, was körperliche Anwesenheit, zwischenmenschliche Beziehungen, Kreativität und ethische Abwägungen erfordert: Dinge, die schon immer einen Menschen erforderten, für die wir in unserem Arbeitsleben bisher aber selten Zeit hatten.
Herausforderungen, Risiken und Ethik
Trotz der beeindruckenden Fortschritte ist es wichtig, realistisch zu bleiben und die Grenzen der Technologie zu verstehen. KI-Systemen fehlen Bewusstsein, Gefühle und echtes biologisches Verständnis; sie arbeiten mit fortgeschrittener Statistik und Wahrscheinlichkeitsberechnungen. Bei der Integration von KI in die Gesellschaft stehen wir vor mehreren großen Herausforderungen:
- Halluzinationen: Sprachmodelle können mitunter Informationen erzeugen, die völlig überzeugend klingen, sachlich aber falsch sind. Das erfordert Quellenkritik und menschliche Überprüfung.
- Bias und Vorurteile: Eine KI ist nie besser als die Daten, mit denen sie trainiert wird. Enthalten die Trainingsdaten menschliche Vorurteile oder Verzerrungen, wird die KI diese reproduzieren und mitunter sogar verstärken.
- Ethik und Urheberrecht: Es gibt eine intensive juristische und ethische Debatte darüber, wie Daten zum Training von Modellen verwendet werden und wem die Rechte an KI-generiertem Material zustehen.
- Datenschutz: Wenn KI-Systeme mit großen Mengen personenbezogener Daten trainiert werden und diese analysieren, stellen sich Fragen dazu, wie die Informationen erhoben, gespeichert und geschützt werden.
- Desinformation: Generative KI erleichtert es, überzeugende, aber gefälschte Bilder, Tonaufnahmen und Videos (sogenannte Deepfakes) zu erstellen, was neue Anforderungen an Verifizierung und Medienkompetenz stellt.
- Arbeitsmarkt: Die Automatisierung wirft berechtigte Fragen auf, welche Berufe und Tätigkeiten sich verändern oder verschwinden werden und welche Kompetenzen künftig gefragt sein werden.
Regulierung und Steuerung
Je größer der Einfluss der KI auf die Gesellschaft wird, desto größer ist der Bedarf an Regelwerken geworden. In der EU wurde die KI-Verordnung (AI Act) erarbeitet, eines der weltweit ersten umfassenden Regelwerke für künstliche Intelligenz. Sie stuft KI-Systeme nach Risikoniveau ein und stellt strengere Anforderungen an Systeme, die als hochriskant gelten, etwa in der Medizin, bei der Personalauswahl und in der Strafverfolgung. Parallel dazu arbeiten Staaten, Forschungseinrichtungen und Unternehmen weltweit an eigenen Leitlinien für eine verantwortungsvolle KI-Entwicklung, häufig mit Schwerpunkt auf Transparenz, Sicherheit und menschlicher Kontrolle. Die Regulierung befindet sich noch in einer frühen und sich rasch wandelnden Phase, und es ist wahrscheinlich, dass sich die Gesetzgebung im Takt der Technologie weiterentwickeln wird.
Nachhaltigkeit: Energie- und Ressourcenbedarf
Training und Betrieb moderner KI-Modelle, insbesondere großer Sprachmodelle, erfordern erhebliche Rechenleistung, was wiederum Energie und Kühlung in großen Rechenzentren voraussetzt. Dieser Ressourcenverbrauch ist mit der weltweit wachsenden KI-Nutzung zu einer immer wichtigeren Frage geworden und wirft die Frage auf, wie sich technologische Entwicklung mit Klimazielen und nachhaltiger Energieversorgung vereinbaren lässt. Gleichzeitig wird KI selbst als Werkzeug eingesetzt, um Energiesysteme effizienter zu machen, den Ressourceneinsatz zu optimieren und die Forschung zu erneuerbaren Energien zu beschleunigen. Die Beziehung zwischen KI und Nachhaltigkeit wirkt also in beide Richtungen.
Tokenomics
Unter Tokenomics versteht man, wie die Kosten für die Nutzung eines KI-Modells berechnet und bepreist werden, also die Ökonomie, die sich rund um Tokens herausbildet. Da jeder Aufruf eines Sprachmodells pro Million Tokens Geld kostet, wird die Modellwahl zu einer Abwägung zwischen Qualität, Geschwindigkeit und Preis. Mit zunehmendem Wettbewerb zwischen den KI-Labs sinkt der Preis pro Token rasch, was ein wesentlicher Grund dafür ist, dass KI, wie bereits erwähnt, zunehmend als Massenware und nicht mehr als exklusive Ressource beschrieben wird.
Glossar
KI: Künstliche Intelligenz, ein Sammelbegriff für Computersysteme, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern, etwa Muster erkennen, Schlussfolgerungen ziehen und Entscheidungen treffen.
Generative KI: KI, die neue Inhalte erzeugen kann, zum Beispiel Text, Bilder, Ton, Video oder Programmcode, statt vorhandene Daten lediglich zu analysieren oder zu klassifizieren.
Symbolische KI: Eine ältere Form der KI, bei der Wissen durch explizite Regeln und Symbole repräsentiert wird, die Menschen von Hand programmieren, im Unterschied zur heutigen KI, die Muster direkt aus Daten lernt.
Sprachmodell (LLM): Ein KI-Modell, ein sogenanntes großes Sprachmodell (Large Language Model), das mit enormen Textmengen trainiert wurde und menschliche Sprache verstehen und erzeugen kann.
Neuronales Netz: Eine von den Nervenzellen des Gehirns inspirierte Modellarchitektur aus miteinander verbundenen Schichten, die gemeinsam lernen, Muster in Daten zu erkennen.
KI-Modell: Das trainierte mathematische Modell selbst, zum Beispiel ein Sprachmodell (LLM), ein Bilderkennungsnetz (CNN) oder ein anderes neuronales Netz, mit entweder spezialisierter oder allgemeinerer Leistungsfähigkeit.
KI-Werkzeug: Die Oberfläche oder Anwendung, die ein KI-Modell für eine Person zugänglich und nutzbar macht, zum Beispiel das Chatfenster, in das man bei der Nutzung von ChatGPT schreibt.
GPU: Grafikprozessor (Graphics Processing Unit), ein Prozessortyp, der besonders effizient bei den parallelen Berechnungen ist, die für das Training und den Betrieb neuronaler Netze (KI-Modelle) erforderlich sind.
Token: Die kleinste Einheit, in der ein Sprachmodell Text verarbeitet, oft ein Wortteil, ein ganzes Wort oder ein Zeichen; anhand dieser Tokens liest das Modell die Eingabe und erzeugt die Ausgabe.
Mixture-of-Experts, Input-Tokens, Output-Tokens: Mixture-of-Experts ist eine Architektur, bei der ein KI-Modell eigentlich aus vielen kleineren Teilmodellen besteht, den sogenannten Experten, von denen jedoch für jedes einzelne verarbeitete Token nur wenige aktiviert werden. Auf diese Weise kann ein Modell eine sehr große Gesamtzahl an Parametern besitzen, während die Rechenkosten pro Token niedrig bleiben, da längst nicht alle Parameter gleichzeitig genutzt werden. Input-Tokens sind die Tokens, aus denen das besteht, was man an das Modell sendet, zum Beispiel eine Frage oder Anweisung, während Output-Tokens die Tokens sind, die das Modell als Antwort erzeugt. Da Output-Tokens in der Regel pro Stück deutlich teurer sind als Input-Tokens, ist die Länge der Modellantwort häufig der Faktor, der die Endkosten am stärksten beeinflusst.
Vibe Coding: Ein informeller Ausdruck dafür, Programmcode zu schreiben, indem man einem KI-Modell in Alltagssprache beschreibt, was man erreichen möchte, woraufhin dieses den Code erzeugt, ohne dass die Person selbst jede Codezeile schreibt oder zwingend im Detail versteht.