La très catastrophique visite du zoo

Joël Dicker

Description

Die Künstliche Intelligenz ist in eine kritische Phase eingetreten – wieder einmal. Wie kompetent derzeit angesagte KI-Modelle mit Sprache umgehen können, wie ausführlich sie auf verschiedenste Anfragen Antworten ausformulieren und in der Lage sind, ein Fachgespräch zu führen, davon haben sich Milliarden Menschen rund um den Globus überzeugt. Doch wie geht es weiter? Hilfreich ist eine bahnbrechende Unterscheidung, die der verstorbene Wirtschaftsnobelpreisträger Daniel Kahneman einmal anstellte, und die auch die Diskussion über die Künstliche Intelligenz inspiriert: Er beschrieb zwei verschiedene Systeme, in denen Menschen denken. Als "schnelles Denken" bezeichnete er spontane Antworten, intuitive, zeitnahe Reaktionen. Nicht immer ist das durchdacht oder korrekt – aber ohne diese Fertigkeit gelingen der Alltag und viel Zwischenmenschliches nicht. Davon grenzte Kahneman das "langsame Denken" ab, die Fähigkeit, etwas tiefer zu durchdringen, zu analysieren, rational zu planen, zu berechnen, abzuwägen. Ohne diese Fähigkeit sind erfolgversprechende Entscheidungen kaum denkbar.

Die Entwickler großer KI-Sprachmodelle von führenden Anbietern wie Open AI, Google, Meta oder Anthropic rekonstruierten zunächst vornehmlich das "schnelle Denken". Sie setzten auf immer weiter wachsende Datenmengen und noch mächtigere Rechner, auf einen möglichst großen Wort- und Textschatz, um Nutzern schnell sinnvolle und ausführliche Ergebnisse zu präsentieren. Besonders ausgeklügelt waren und sind diese Antworten aber nicht, denn das ist in diesen KI-Modellen so gar nicht angelegt. Inzwischen ändert sich das. KI-Fachleute konzentrieren sich zunehmen darauf, ihre KI-Modelle zu verbessern, indem sie ihnen mehr Zeit geben, sozusagen um zuerst länger nachzudenken und dann zu antworten. Sie haben Instrumente
gefunden und integriert, mit denen die KI-Modelle herausfinden sollen, welcher der beste Lösungsweg ist – auch indem sie Zwischenschritte darlegen und klären, wie komplex eine ihnen gestellte Aufgabe überhaupt ist. Danach wählen sie dann aus, wie viel Aufwand sie hineinstecken. Das macht die Antworten besser und die Modelle effizienter. Und durchaus auch menschenähnlicher in einem gewissen Sinne. Der Fokus richtet sich so zunehmend auf Kahnemans "langsames Denken", um weiter voranzukommen.

Genau in diesem Bereich hat das chinesische Unternehmen Deepseek einen enormen Erfolg erzielt. Das ist der Grund, warum dieses bis dahin hierzulande weitgehend unbekannte Unternehmen für Furore und neue Hoffnung sorgte. Indem die Tüftler die benannten Methoden geschickt kombinierten und vermutlich auch besser ausgewählte und aufbereitete Daten verwendeten, ist es ihnen nach eigenem Bekunden gelungen, mit älterer Hardware eine KI zu erfinden, die mit den Spitzenmodellen aus Amerika mithalten kann – für einen Bruchteil der Kosten. Das ist eine großartige Ingenieurleistung.

Damit wächst die Zuversicht, viel mehr Unternehmen, Behörden oder Universitäten als bisher könnten dank geringerer Kosten in der Lage sein, in der KI doch mitzuhalten, nicht zuletzt in Deutschland und Europa. Künftig sind vielleicht nicht immer und überall Milliardensummen für riesige Rechenzentren und moderne Hochleistungschips aus dem Hause Nvidia nötig, die speziell auf die Mathematikanforderungen der KI zugeschnitten sind. Gerade deutsche Fachleute propagieren, dass der Weg zum künstlichen Gehirn nicht über immer mehr Daten, Rechenleistung und Modellgröße führen müsse, sondern noch ganz andere Ansätze erforderlich seien. Sie versuchen, auf dem Lernen basierende KI-Systeme mit solchen zu verschmelzen, die auf Logik und fest einprogrammiertem Wissen fußen. Sie wollen den ganzen Kahneman in die Künstliche Intelligenz einbringen, das schnelle Denken und das langsame Denken.

Alexander Armbruster
Verantwortlicher Redakteur für Wirtschaft Online

Spécifications