Was Maschinen wirklich lernen – KI für alle, die endlich mitreden wollen

Künstliche Intelligenz. Klingt irgendwie nach Zukunft, nach Sci-Fi, nach schlauen Robotern, die uns entweder retten oder versklaven. Tatsächlich ist KI aber oft viel banaler: Es geht um Statistik, um Rechenleistung und um Daten. Sehr viele Daten. Also nichts, was man romantisieren müsste – aber etwas, das man verdammt ernst nehmen sollte.

Denn KI ist längst nicht mehr Zukunftsmusik, sondern mittendrin in unserem Alltag: von der Musikempfehlung auf Spotify bis zur automatisierten Qualitätskontrolle im Audi-Werk. Wer heute nicht versteht, wie KI funktioniert, verpasst nicht nur den Anschluss – sondern die Chance, die digitale Welt aktiv mitzugestalten.

KI ist kein einheitlich definierter Begriff. Die EU spricht von Software, die mit bestimmten Techniken (z.B. maschinelles Lernen) Ergebnisse erzeugt, die ein Umfeld beeinflussen können. John McCarthy, KI-Pionier der ersten Stunde, sagte pragmatisch: „Die Wissenschaft und Technik, intelligente Maschinen zu bauen“. Klingt trocken, ist aber ziemlich treffend.

Was KI von klassischer Automatisierung unterscheidet: Sie lernt selbst. Klassische Systeme folgen Regeln („Wenn A, dann B“). Eine KI entwickelt eigene Strategien, indem sie Daten analysiert und Muster erkennt. Sie reimt sich die Regeln also gewissermaßen selbst zusammen.

Der Kern moderner KI ist maschinelles Lernen. Dabei gibt es drei Hauptarten:

• Überwachtes Lernen (Supervised Learning): Die KI wird mit gelabelten Beispielen gefüttert (z.B. “Katze” oder “Hund”) und lernt daraus, neue Bilder einzuordnen.

• Unüberwachtes Lernen (Unsupervised Learning): Hier findet die KI selbständig Strukturen in Daten, z.B. Kundengruppen mit ähnlichem Verhalten.

• Bestärkendes Lernen (Reinforcement Learning): Die KI handelt in einer Umgebung, bekommt Feedback in Form von Belohnungen oder Strafen und lernt daraus, was funktioniert.

Deep Learning ist das, was KI richtig spannend macht. Es nutzt sogenannte neuronale Netze, die das menschliche Gehirn nachbilden. Je mehr Schichten diese Netze haben, desto tiefer („Deep“) das Lernen. So lassen sich extrem komplexe Aufgaben lösen: Bilderkennung, Sprachverarbeitung, Emotionserkennung – alles keine Magie, sondern Mathematik.

Ein neuronales Netz justiert seine internen Verbindungen solange, bis das Ergebnis dem erwarteten Ziel entspricht. Ein Beispiel: Ein Modell soll erkennen, ob jemand „calm“ oder „aggressive“ ist. Anfangs liegt es meilenweit daneben. Aber mit jedem Durchlauf wird es besser – solange es genug Beispiele und Rechenleistung gibt.

Jetzt wird’s fancy: Generative KI ist in der Lage, neue Inhalte zu erschaffen. Musik, Bilder, Texte, sogar Videos. Sie nutzt Modelle wie GANs (Generative Adversarial Networks) oder LLMs (Large Language Models). Letztere sind das, was Tools wie ChatGPT antreibt.

Diese Modelle bestehen aus riesigen Text-Matrizen, trainiert auf Milliarden Wörtern. Sie berechnen, welches Wort mit hoher Wahrscheinlichkeit auf ein anderes folgt. Verstehen sie den Inhalt? Nein. Aber sie können erstaunlich überzeugend so tun.

Drei Dinge sind zusammengekommen:

1. Big Data: Wir produzieren täglich 2,5 Quintillionen Bytes Daten. Das ist absurd viel.

2. GPU-Computing: Grafikkarten sind plötzlich nicht mehr nur für Gamer, sondern für maschinelles Lernen.

3. Cloud & Open Source: Wissen ist frei verfügbar. Du kannst heute zu Hause ein KI-Modell trainieren – mit der richtigen Hardware.

• Industrie: Audi nutzt KI zur Qualitätskontrolle. Bäcker-Algorithmen optimieren die Teigproduktion.
• Kreativwirtschaft: Von AI-generierter Musik bis zu TikTok-Algorithmen ist alles KI-getrieben.
• Stadtentwicklung: KI hilft, Verkehr zu analysieren, Energie zu sparen, Prozesse zu automatisieren.

Mit großer Rechenleistung kommt große Verantwortung. KI kann diskriminieren, Überwachung ermöglichen oder Jobs verdrängen. Der AI Act der EU versucht hier einzugreifen: Hohe Risiken wie Gesichtserkennung sollen strenger reguliert werden, banale Anwendungen wie Spamfilter weniger.

Und dann sind da noch die Kosten: GPT-4 zu trainieren hat laut Schätzungen rund 1 Milliarde Dollar gekostet. Auch ökologisch ist das ein Brett. Nachhaltige KI? Leider noch keine Selbstverständlichkeit.

• Foundation Models: KI-Modelle, die nicht nur eine Sache, sondern vieles gleichzeitig können.

• Multimodale Systeme: Kombinieren Text, Bild, Ton.

• Quantum Computing: Verspricht Real-Time-KI in einer neuen Dimension.

• Neuromorphe Chips: Elektronische Neuronen statt klassischer CPUs.

KI ist kein Zaubertrick. Sie ist Werkzeug, Spiegel und Herausforderung zugleich. Wer mitgestalten will, muss nicht Coden lernen. Aber verstehen, worum es geht. Deshalb machen wir diesen Blog. Für ein digital kompetentes Chemnitz. Für eine Stadt, die mitdenkt. Und für dich.