Artificial Intelligence (AI)

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das Systeme entwickelt, die Aufgaben ausführen können, die mit menschlicher Intelligenz verbunden sind: Bilder und Töne wahrnehmen, Sprache verstehen und erzeugen, Schlussfolgerungen ziehen, planen und aus Erfahrungen lernen. Die Definition der OECD, der das EU-KI-Gesetz weitgehend folgt, beschreibt ein KI-System als maschinenbasiertes System, das aus seinen Eingaben ableitet, wie es Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt. Die meisten heute eingesetzten KI-Systeme lernen dieses Verhalten anhand von Beispieldaten durch maschinelles Lernen (ML).

Kurze Geschichte der KI#

Alan Turings Aufsatz „Computing Machinery and Intelligence“ aus dem Jahr 1950 fragte, ob Maschinen denken können, und schlug das Imitationsspiel vor, das heute Turing-Test heißt. John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon prägten den Begriff „künstliche Intelligenz“ 1955 in ihrem Vorschlag für den Sommerworkshop von Dartmouth 1956, mit dem das Fachgebiet begründet wurde. In den folgenden drei Jahrzehnten dominierte die symbolische KI mit Logik, Suche und regelbasierten Expertensystemen. Zweimal brach die Finanzierung ein: in den „KI-Wintern“ der 1970er-Jahre und der späten 1980er-Jahre, als die Ergebnisse hinter den Versprechen zurückblieben.

In den 1990er-Jahren setzten sich statistische KI-Verfahren durch, die aus Daten lernen. 1997 besiegte IBMs Deep Blue den Schachweltmeister Garry Kasparov mit spezieller Hardware, die etwa 200 Millionen Schachstellungen pro Sekunde durchsuchte. 2012 gewann das AlexNet-Faltungsnetzwerk die ImageNet-Bildklassifizierungsaufgabe mit großem Abstand und leitete die Ära des Deep Learning (DL) ein. Die 2017 eingeführte Transformer-Architektur führte zu großen Sprachmodellen (LLMs). Mit der Veröffentlichung von ChatGPT im November 2022 erreichte generative KI Hunderte Millionen Nutzer.

Wie KI, maschinelles Lernen und Deep Learning zusammenhängen#

KI ist das übergeordnete Fachgebiet. Symbolische KI und maschinelles Lernen sind die beiden wichtigsten Ansätze: Der erste bildet Wissen durch explizite Regeln ab, der zweite lernt Muster aus Beispielen. Deep Learning ist ein Teilgebiet des maschinellen Lernens, das neuronale Netze mit vielen Schichten verwendet. Nahezu jeder moderne Durchbruch in den Bereichen Bildverarbeitung, Sprache und Bilderzeugung baut darauf auf.

Maschinelle Lernsysteme lernen auf einige grundlegende Arten. Überwachtes Lernen nutzt beschriftete Beispiele, etwa Bilder mit Angaben zu den darin enthaltenen Objekten. Unüberwachtes Lernen findet Strukturen in unbeschrifteten Daten. Selbstüberwachtes Lernen erzeugt aus Rohdaten ein eigenes Trainingssignal und bildet die Grundlage für das Vortraining von LLMs. Bestärkendes Lernen lernt anhand von Belohnungen, die durch Handlungen in einer Umgebung erzielt werden.

KI-Arten nach Leistungsfähigkeit#

• Künstliche enge Intelligenz (ANI) oder schwache KI: KI, die für eine bestimmte Aufgabe oder eine Reihe von Aufgaben entwickelt wurde. Jedes eingesetzte System fällt in diese Kategorie, auch Systeme, die ihre jeweilige Aufgabe übermenschlich gut bewältigen.
• Künstliche allgemeine Intelligenz (AGI): Ein hypothetisches System, das Menschen bei praktisch allen kognitiven Aufgaben ebenbürtig ist und oft als starke KI bezeichnet wird.
• Künstliche Superintelligenz (ASI): Ein hypothetisches System, das die besten Menschen in fast jedem Bereich übertrifft – das Szenario hinter der technologischen Singularität.

Allgemeine LLMs verwischen die erste Grenze. Ein Modell kann programmieren, übersetzen und Bilder beschreiben, beherrscht diese Aufgaben jedoch unterschiedlich gut – ein Muster, das als uneinheitliche Intelligenz bezeichnet wird. Die Ultralytics-VLM-Bestenliste misst eine dieser Fähigkeiten: wie genau diese Modelle Objekte in realen Bildern erkennen.

Anwendungen von KI#

• Computer Vision: Objekte erkennen, Szenen segmentieren und Bewegungen verfolgen – für autonome Fahrzeuge, die Inspektion in der Fertigung, die Analyse im Einzelhandel und die medizinische Bildanalyse.
• Sprache und Sprachverarbeitung: Chatbots, maschinelle Übersetzung, Dokumentenzusammenfassungen und die Transkription von Sprache in Text.
• Vorhersagen und Rangfolgen: Betrugserkennung, Nachfrageprognosen und Empfehlungssysteme für Streaming und Onlinehandel.
• Wissenschaft: AlphaFold von DeepMind sagt Proteinstrukturen voraus und brachte seinen Entwicklern einen Anteil am Nobelpreis für Chemie 2024 ein.
• Agenten und Robotik: KI-Agenten, die mehrstufige Aufgaben planen und Softwarewerkzeuge aufrufen, sowie Roboter, die Wahrnehmung und Steuerung kombinieren.

Ein vortrainiertes Bildverarbeitungsmodell auszuführen ist der schnellste Weg, ein Deep-Learning-System bei der Arbeit zu beobachten. Ultralytics YOLO26 ist ein Objektdetektor, der anhand beschrifteter COCO-Bilder 80 alltägliche Objektklassen gelernt hat:

from ultralytics import YOLO

# Einen vortrainierten YOLO26-Objektdetektor laden
model = YOLO("yolo26n.pt")

# Eine Inferenz mit einem Bild ausführen, das das Modell noch nie gesehen hat
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Das Bild mit vorhergesagten Begrenzungsrahmen, Klassenbezeichnungen und Konfidenzwerten speichern
result.save(filename="bus_detections.jpg")

Das gespeicherte Bild kennzeichnet jedes erkannte Objekt, etwa den Bus und die Menschen daneben, mit einem Begrenzungsrahmen, einer Klassenbezeichnung und einem Konfidenzwert. All das wurde anhand von Beispielen gelernt.

Risiken, Ethik und Regulierung#

KI-Systeme übernehmen die Mängel ihrer Daten und Zielvorgaben. Modelle können Vorurteile gegenüber Gruppen abbilden, die in ihren Trainingsdaten unterrepräsentiert oder benachteiligt waren. LLMs können flüssig falsche Aussagen formulieren, generative Modelle können Deepfakes erzeugen, und undurchsichtige Modelle lassen sich ohne erklärbare KI (XAI) nur schwer prüfen. Die Forschung zu KI-Ethik und KI-Sicherheit befasst sich mit diesen Risiken. Das freiwillige NIST-Rahmenwerk für KI-Risikomanagement bietet Organisationen ein Verfahren zu ihrem Umgang damit. Das seit August 2024 geltende EU-KI-Gesetz verbietet eine kurze Liste von Praktiken wie Social Scoring vollständig und stellt strenge Anforderungen an Hochrisikoanwendungen wie Personalbeschaffung, Kreditwürdigkeitsprüfung und KI in Medizinprodukten.