Artificial Narrow Intelligence (ANI)
Künstliche schmale Intelligenz (ANI), auch schwache KI genannt, beherrscht eine Aufgabe, kann ihre Fähigkeiten aber nicht auf andere Aufgaben übertragen. Funktionsweise, Beispiele und ANI im Vergleich zu AGI.
Künstliche enge Intelligenz (ANI), auch enge KI oder schwache KI genannt, ist künstliche Intelligenz (KI), die für eine einzelne Aufgabe oder eine eng begrenzte Gruppe von Aufgaben entwickelt wurde, etwa zum Erkennen von Objekten in Bildern, zum Empfehlen von Videos oder zum Transkribieren von Sprache. Ein ANI-System kann in seinem Fachgebiet menschliche Leistungen erreichen oder übertreffen, aber diese Fähigkeit ohne neue Trainingsdaten und erneutes Training nicht auf ein sachfremdes Problem übertragen. Nach der üblichen Definition gilt jedes heute eingesetzte KI-System als eng begrenzt – von Spamfiltern bis zu Computer-Vision-Modellen, die selbstfahrende Autos steuern.
ANI im Vergleich zu AGI und ASI#
KI wird üblicherweise in drei Leistungsstufen beschrieben. ANI ist die erste: Sie ist innerhalb eines Fachgebiets leistungsfähig und durch die Daten und das Ziel begrenzt, für die sie trainiert wurde. Künstliche allgemeine Intelligenz (AGI) ist ein hypothetisches System, das Menschen bei praktisch allen kognitiven Aufgaben ebenbürtig ist und neue Aufgaben ohne aufgabenspezifische Entwicklung erlernt. AGI wird oft als starke KI bezeichnet. Diesen Begriff prägte der Philosoph John Searle zusammen mit dem Begriff schwache KI in seinem Argument des chinesischen Zimmers von 1980, in dem damit ein Computer gemeint war, der tatsächlich einen Geist hat. Künstliche Superintelligenz (ASI) ist ein hypothetisches System, das die besten Menschen in jedem Bereich übertrifft – das Szenario hinter der Idee einer technologischen Singularität.
Große Sprachmodelle (LLMs) dehnen die Kategorie enger KI aus. Ein Modell schreibt Code, übersetzt, fasst zusammen und beantwortet Fragen zu Bildern. Das EU-KI-Gesetz trägt dem Rechnung, indem es solche Systeme als Allzweck-KI-Modelle bezeichnet. Ihre Fähigkeiten bleiben uneinheitlich – ein Muster, das als gezackte Intelligenz bekannt ist: Dasselbe Modell kann Mathematik auf Olympiadeniveau lösen und anschließend falsch einschätzen, welche von zwei Dezimalzahlen größer ist. Seine Gewichte lernen nicht weiter, sobald das Training endet.
So funktioniert enge KI#
Ein ANI-System ist ein Modell, das anhand von Daten für ein einzelnes Ziel trainiert wurde. Seine Fähigkeiten werden daher durch zwei Dinge begrenzt: die Verteilung seiner Trainingsdaten und die Menge der Ausgaben, die es erzeugen kann. Ein für die 80 Klassen des COCO-Datensatzes trainiertes Objekterkennungsmodell kann nicht sagen: „Das ist etwas Neues.“ Wird ihm ein unbekanntes Objekt gezeigt, ignoriert es dieses entweder oder ordnet es der ähnlichsten bekannten Klasse zu:
Ultralytics YOLO26 zeigt diese Grenze unmittelbar: Das mit COCO vortrainierte Modell kann genau 80 Klassen benennen. Um ihm ein neues Objekt beizubringen, etwa ein bestimmtes Maschinenteil, muss es anhand von beschrifteten Bildern dieses Teils feinabgestimmt werden. Dabei wird die Klassenliste des Modells durch die Klassen des neuen Datensatzes ersetzt.
from ultralytics import YOLO
# A COCO-pretrained detector: its whole vocabulary is fixed at training time
model = YOLO("yolo26n.pt")
print(f"Classes this model can name: {len(model.names)}")
# Every detection it returns must carry one of those labels
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(result.verbose())Die erste Zeile gibt die Größe des gesamten Vokabulars des Modells aus, die zweite listet die Klassen auf, die es im Bild erkannt hat. Jede stammt aus derselben festgelegten Menge.
Anwendungen in der Praxis#
Enge KI steckt in einem Großteil der Software, die Menschen täglich nutzen:
- Empfehlungssysteme: Streaming- und Einkaufsplattformen ordnen Nutzern anhand ihres Anzeige- und Kaufverlaufs Artikel zu.
- Spracherkennung: Sprachassistenten und Diktierprogramme wandeln gesprochene Sprache in Text um.
- Qualitätskontrolle in der Fertigung: Bildverarbeitungsmodelle prüfen jedes Teil einer Produktionslinie auf eine festgelegte Gruppe von Defektarten.
- Medizinische Bildanalyse: Modelle weisen in einer Bildgebungsmodalität auf Befunde wie Lungenknötchen oder diabetische Retinopathie hin.
- Autonome Fahrzeuge: Ein System für autonomes Fahren kombiniert viele eng spezialisierte Modelle, die jeweils eine Aufgabe übernehmen, etwa Fahrspursegmentierung, Fußgängererkennung, Objektverfolgung oder Routenplanung.
Stärken und Grenzen enger KI#
Innerhalb ihres Fachgebiets kann ANI übermenschlich schnell und unermüdlich arbeiten. IBMs Deep Blue besiegte 1997 den Schachweltmeister Garry Kasparov, und DeepMinds AlphaGo schlug 2016 den Go-Meister Lee Sedol mit 4:1. Außerhalb dieses Fachgebiets haben dieselben Systeme keinerlei Fähigkeiten. Auch bei Eingaben, die sich von den Trainingsdaten unterscheiden, sinkt die Leistung – ein Problem, das nach dem Einsatz eines Modells als Datenverschiebung bezeichnet wird. Enge Systeme verstehen außerdem nicht, was sie verarbeiten; sie bilden Eingaben über statistische, aus Daten gelernte Muster auf Ausgaben ab. Selbst DeepMinds AlphaZero, das Schach, Shogi und Go mit einem einzigen Algorithmus erlernte, trainierte für jedes Spiel ein eigenes Netzwerk. Sein Schachnetzwerk kann kein Go spielen.
