Allgemeines

Ich bin immer wieder erschrocken was gerne durch die pseudowissenschaftliche Presse in KI (Kuenstliche Intelligenz; AI Artifical Intelligence) (neuerdings) alles hineingedichtet wird. Das neue Buzzword leidet unter seiner inflationaeren Nutzung und wird dabei gerne und oft missverstanden. Aber auch Erklaerungsversuche von Softwareriesen [1] bringen irgendwie auch keine Klarheit. Es wird zwar gerne durch Begriffe (KI-Vokabel) abgegrenzt, aber auch dummerweise dadurch eingegrenzt. Nach einem Vortrag von Ulrich Walter war eigentlich ich enttaeuscht wie wenig Fortschritte in den letzten Jahren, bzw. Jahrzehnten, im Bereich der KI-Forschung gemacht wurden.

Dieser falsche Eindruck entstand bei mir aber durch die sehr vereinfachte Darstellung von Ulrich Walter, so dass mein Interesse nach Penrose und Dan Patterson erneut geweckt wurde.

Ich schreibe hier mal einige Stichworte fuer mich auf, um nutzlose von Nutzen stiftenden Informationen besser trennen zu koennen.

Der erste Kontakt

Meinen erster Kontakt mit einer Software, die den Anschein erwecken sollte eine Intelligenz zu besitzen, kann ich nicht mehr genau datieren. Es muss aber irgendwann in den 80er gewesen sein. Die Software hiesz/heiszt ELIZA und sorgte damals beim Benutzer durchaus fuer einen verblueffenden Eindruck. Seitdem verfolge ich in unregelmaeszigen Abstaenden, die Entwicklung der KI in der Robotik und dort speziell bei Service Robotern. Allerdings ist hier der Umkehrgedanke oft schon falsch. Ein Serviceroboter hat erstmal mit KI nicht das Geringste zu tun und kommt in der Regel heute gaenzlich ohne aus. Gerne werden heute Produkte von Markting-Genies mit KI/AI-Stickern beklebt, selbst wenn nur eine Codezeile der Steuerung ein Link zu ChatGPT, Bart, Gemini, etc. ist.

Kuenstliche Intelligenz fuer Dummies

Youtube Aufzeichnung [2]

1993 ROTEX Prof. Gerd Hirzinger
Justin
Garmi Geriatrie
Marvin Minsky Begruender KI-Labor MIT
Hand Moravic KI-Guru

KI nach U. Walter:

1) Die Welt mit allen Sinnen so erfahren und mit ihr interagieren wie ein Mensch.

2) Daraus ein mindestens gleich gutes Verstaendnis der Welt durch selbstaendiges Lernen ableiten.

Beispiele: Servicerobotik, Sprachverstehen, Sprachuebersetzung, Bildverarbeitung, Mustererkennung, Wissensverarbeitung automatisches Besweisen

Ich weisz nicht auf wen sich Ulrich Walter bezieht, aber wenn man in KI die Interaktion mit der (physikalischen) Welt subsummiert, ist es kein Wunder, dass man da nur schwer von der Stelle kommt.

Er unterscheidet auch zu Beginn des Vortrags Sensoren, Steuerung oder besser Regelung und Aktoren (Aktuatoren), aber KI spielt sich nur in der Regelung ab und muss/sollte nur unabhaengig von den Formenwandlern betrachtet werden. Es gibt zwar auch Smarte Senoren (Thema meiner Diplomarbeit Ende der 80er) aber dort werden nur Teile aus der Regelung, oft aus Performancegruenden vorverlagert, bzw im Fall von Aktoren nachgelagert.

Das Dumme ist halt, wenn man KI ohne Aktoren/Senoren definiert bekommt man in ein KI-System nix rein und nix raus. Um aber keine systematischen Fehler zu begehen haelt man die Sensorik und Aktorik so primitiv als moeglich, siehe z.B Turing-Test: einfache Schreibkonsole, keine Sprachausgabe, keine Bilderkennung, .... Durch den Gebrauch von untauglichen Sensoren und Aktoren wuerde ein Mensch selbst das intelligenteste System fuer "falsch" halten.

Ein wirkliches intelligentes System braucht Weltverstaendnis! (Was immer das auch ist:-))

Wir machen aus unseren Eindruecken (5 Sinne, oder auch 6) eine Ansammlung von Objekten (in unserem Kopf. Eine pixelorientierte Bildanalyse tut das nicht. Das sind dann wohl eher Korrelationswahrscheinlichkeiten als ein Objektverstaendnis.

Effekte

Kluger Hans (Wilhelm von Osten)
Ueber-/Fehlinterpretation
KI-Taeuschung (Adversarial Problem)
Optische Taeuschungen
Kanizsa-Figuren

Lustig?

Ritzen:-)) Er meinte wohl "Reisenn" (RY-zən).

Google: Bester Uebersetzer :-))) Was ist mit DeepL?

Beipackzettel fuer KI: :-)))) Wie doof ist das denn! Waschzettel mit der Anleitung zum Austricksen.

Autonomes Fahren funktioniert nicht, weil es noch Muellautos gibt :-)))))

Ja klar, solange es keine Aktoren und Materialien gibt, die ein Wesen (Roboter?) erlauben, welches sich wie ein Mensch in der Welt bewegt, muss man die Welt stellenweise an die Unzulaenglichkeiten der Mechanik anpassen. (Bsp: Fahrbahnen/Straszen sind zum Fahren da und nicht zum Stehen/Parken)

Und Hunde koennen besser riechen als Menschen!

Ja klar, das ist durch ihren Sensor bestimmt und nicht durch ihre Intelligenz.

KI fuer Runaways

Ich habe mal nochmal meine ersten Buecher zu dem Thema rausgekramt und werde berichten.

Computerdenken Roger Penrose Spektrum 1991

und

Kuenstliche neuronale Netze Dan Patterson Prentice Hall 1997

TODO

Einordnung

Wenn man davon ausgeht, dass ein perfekter KI-Rebuild (Hardware oder Software) existiert, dann braeuchte dieser in seiner Leistungsfaehigkeit nur der biochemischen Leistung eines Durchschnittshirn zu entsprechen. Der Vorteil waere gewaltig. Dieses SW/HW-Hirn waere relativ leicht in seiner Leistung steigerbar.

Das menschliche Gehirn hat nach neusten Erkenntnissen (2009)[3] etwa 86 Milliarden Nervenzellen. Eine haeufig anzutreffende Fehlinterpretation ist die Anzahl der Nervenzellen mit Speicherzellen gleichzusetzen. Dann waeren wir irgendwo bei 10 GigaByte. Das hat heute jeder Desktop-PC als Arbeitsspeicher. Dieser Annahmevergleich ist unsinnig.

Wichtiger fuer die Funktion des Gehirns sind Verbindungen, bzw. Stellen eines Neurons, die Synapsen. Die Anzahl der Synapsen liegt wohl zwischen 1 und 200.000 pro Neuron. Unter der Annahme, dass das menschliche Gehirn rund;-) 80 Milliarden (10^9) Neuronen hat und jede dieser Zellen durchschnittlich 100.000 Verbindungen (10^5) besitzt und jede Verbindung (nur) 1 Bit speichern koennte, liegen wir schon im Bereich von PetaByte. Wenn man darueber hinaus, die Vorgaenge in einem Neuron und/oder an einer Synapse programmtechnisch beschreiben wollte, sind wir beim (Haupt-)Speicherbedarf mal ganz schnell im ExaByte, oder vielleicht sogar schon ZettaByte-Bereich. Somit wird schnell klar, warum heutige Computersysteme nicht mal ansatzweise mit der Leistungsfaehigkeit des menschlichen Gehirns mithalten koennen.

Der Futurist Raymond Kurzweil schätzte in seinem Buch „The Singularity is Near“ die Kapazitaet des funktionalen Gedaechtnisses eines Menschen auf 1,25 TB. Das bedeutet, dass die Erinnerungen von 800 Menschen in 1 PB Speicherplatz passen.

Wie der auf so eine geringe Zahl gekommen ist, muss ich mal untersuchen.

Selbst wenn wir jetzt auf die Idee kaemen ein Maeusehirn oder einen Hamster nachzubauen reduzieren wir damit die Anforderung, an den benoetigten Hauptspeicher gerade mal um den Faktor 1000 und damit liegen wir immer noch im Bereich von PetaByte. Der VRAM-Preis (2026) waere dann fuer dieses Maeusehirn bei etwa 300 Millionen Euro:))

Entwicklungen

[4]

Henry Markram [5]

[6]

Im Januar 2018 stellte die École polytechnique fédérale de Lausanne ihre Datenplattform „Blue Brain Nexus“ als Open-Source-Software vor. Blue Brain Nexus dient der Integration aller Daten des Blue Brain Projektes.[1]

The BRAIN Initiative® [7]

Blue Brain Nexus [8]

Github [9]

Einordnung KI

"KI-Schichtenmodell"

Es gibt viele unvollstaendige, teilweise auch fehlerhafte, Schichteneinteilungen der KI-Welt. Wer auf die Idee gekommen ist die Schichten als Mengen darstellen, weisz ich nicht.

Eine der besseren Darstellungen ist diese (Urheber unbekannt).

Die hierarchische Struktur der KI stellt wie folgt dar:

[Übergeordnete Schicht]  System-Architektur / Agentische Systeme (AI Agents)
                              └── Künstliche Intelligenz (KI / AI)
                                   └── Maschinelles Lernen (ML)
                                        └── Neuronale Netze / Deep Learning (DL)
                                             └── Generative KI (GenAI)
                                                  └── Large Language Models (LLMs)
[Tiefere Spezialisierung]                              └── Small Language

KI-Landschaft und ihre Schichten

Die moderne KI-Infrastruktur erstreckt sich über eine tief gegliederte Hierarchie. Sie reicht von autonomen, zielgerichteten Softwaresystemen an der Spitze bis hinunter zu hochspezialisierten Sprachmodellen auf der untersten Ebene. Jede Stufe stellt eine technologische Untermenge oder Spezialisierung der darüberliegenden Schicht dar:

Von der KI zum Deep Learning: Klassisches Maschinelles Lernen findet statistische Muster in strukturierten Daten (Tabellen), während Künstliche Neuronale Netze (Deep Learning) die Funktionsweise biologischer Gehirne nachahmen, um unstrukturierte Daten (Bilder, Audio, freier Text) ohne manuelles Feature Engineering zu verarbeiten.
Von Deep Learning zu generativen Sprachmodellen: Generative KI erzeugt neue Inhalte, statt Daten nur zu klassifizieren. Large Language Models (LLMs) sind eine Untermenge der GenAI, die auf der Transformer-Architektur basiert und auf Sprache spezialisiert ist. Small Language Models (SLMs) brechen diese Technologie weiter nach unten auf, um recheneffiziente On-Device-Anwendungen zu ermöglichen.
Die übergeordnete Steuerung: Über den Modellen stehen agentische Systeme (AI Agents), die KI als Denkwerkzeug nutzen, aber eigenständig handeln und Werkzeuge bedienen können. Um diese massiven KI-Schichten (insbesondere LLMs) zu trainieren oder im großen Stil zu betreiben, ist eine extrem teure VRAM-Infrastruktur (HBM3e-Speicher) nötig.

Tabellarische Übersicht aller Ebenen

Schicht	Ebene in der Hierarchie	Fokus & Hauptaufgabe	Typische Technologie / Modelle	Primäre Python-Pakete	Wichtigste Alternative (außerhalb Python)
Agentische Systeme (AI Agents)	Übergeordnete Ebene (Nutzt KI als Core)	Autonome Workflows, Zielverfolgung und Werkzeugnutzung	CrewAI, AutoGen, Devin	LangGraph, CrewAI	Starre RPA-Software (UiPath), Custom Node.js
Künstliche Intelligenz (KI / AI)	Dachbegriff	Systeme, die menschliche Intelligenz simulieren	Regelbasierte Systeme, Suchalgorithmen	– (Konzeptionelle Ebene)	Traditioneller Code (C++, Java)
Maschinelles Lernen (ML)	Untermenge von KI	Statistische Mustererkennung in strukturierten Daten	Lineare Regression, Random Forest, Gradient Boosting	Scikit-learn, XGBoost, LightGBM	R (Statistik), Apache Spark MLlib (Big Data)
Künstliche Neuronale Netze (DL)	Untermenge von ML	Verarbeitung unstrukturierter Daten über tiefe Schichten	CNNs (Bilder), RNNs (Sequenzen), Transformers	PyTorch, TensorFlow, Keras	C++ / libtorch (Performance), Mojo, CoreML (iOS)
Generative KI (GenAI)	Untermenge von DL	Erstellung völlig neuer Inhalte (Text, Bild, Video)	Diffusionsmodelle, GANs, Multimodale Modelle (LMMs)	Hugging Face Transformers	TypeScript / Vercel AI SDK, SaaS-APIs
Large Language Models (LLMs)	Untermenge von GenAI	Tiefes Verständnis und Generierung von Freitext	GPT-4, Llama 3 (70B+), Claude, Mistral	LangChain, LlamaIndex, Transformers	Go / Ollama (Infrastruktur), API-Direktaufrufe
Small Language Models (SLMs)	Tiefste Spezialisierung	Effiziente Sprachverarbeitung direkt auf Endgeräten	Phi-3, Gemma, Llama 3 (8B), OpenELM	Transformers, ONNX Runtime	JavaScript (ONNX Runtime Web) für den Browser

Ein falsches Beispiel (Urheber: unbekannt/Quelle: Mittelstand-Digital Zentrum SB)

Aus wissenschaftlicher und strukturierter Sicht ist es falsch und irreführend, Deep Learning in dieselbe Aufzählung wie Überwachtes, Unüberwachtes und Verstärkendes Lernen zu stellen. Dass diese Begriffe trotzdem oft in einem Atemzug genannt werden, liegt an einem klassischen Kategorienfehler in populärwissenschaftlichen Texten und Marketing-Artikeln. Hier ist die genaue Erklärung, warum das so ist und wie die Begriffe sauber getrennt werden:

Der Logikfehler: “Äpfel mit Obstkörben vergleichen”

Der Fehler entsteht, weil hier zwei völlig unterschiedliche Dimensionen des Lernens miteinander vermischt werden:

Die Lernmethode (Das “Wie und Womit”): Überwacht, Unüberwacht, Verstärkend. Diese Dimension beschreibt, welche Art von Daten vorliegt und nach welchem Prinzip die KI lernt (mit Lehrer, ohne Lehrer oder durch Belohnung).
Die Architektur (Das Werkzeug): Deep Learning / Neuronale Netze. Diese Dimension beschreibt lediglich die technische Struktur des Modells (viele Schichten aus künstlichen Neuronen).

Deep Learning ist kein eigener Lerntyp

Deep Learning ist keine vierte Säule, sondern ein Werkzeug, das in allen drei Säulen eingesetzt wird. Man kann tiefe neuronale Netze für jede der drei Lernarten nutzen:

Deep + Überwacht: Ein tiefes neuronales Netz lernt mit gelabelten Bildern, Gesichter zu erkennen (z. B. FaceID).
Deep + Unüberwacht: Ein tiefes neuronales Netz analysiert unstrukturierte Kundendaten, um Muster im Kaufverhalten zu finden.
Deep + Verstärkend (Deep Reinforcement Learning): Ein tiefes neuronales Netz dient als “Gehirn” für einen Software-Agenten, der durch Versuch und Irrtum lernt, autonom Auto zu fahren oder Schach zu spielen.

Warum sieht man diese falsche Aufzählung trotzdem so oft?

In der Praxis und im Marketing wird “Deep Learning” oft als eigene Kategorie genannt, weil es historisch der Technologie-Sprung war, der den aktuellen KI-Boom (wie ChatGPT oder Bildgeneratoren) überhaupt erst ausgelöst hat. Oft wollen Autoren damit ausdrücken: “Es gibt klassisches Maschinelles Lernen (mit einfacheren mathematischen Modellen) und es gibt das moderne, mächtige Deep Learning.” Mathematisch und systematisch ist diese Aufteilung jedoch unsauber.

Stichwortliste AI Course Dublin

Collaboration Platforms

[10]

https://support.google.com/jamboard/answer/7424836?hl=en

Miro

[11] fka RealtimeBoard

[12]

D-ID

https://www.d-id.com/

https://www.midjourney.com/home/?callbackUrl=%2Fapp%2F

GPT Telefon call https://lifehacker.com/now-you-can-call-chatgpt-on-the-phone-1850379770

https://ai.facebook.com/blog/large-language-model-llama-meta-ai/

https://www.digitalphablet.com/news/how-to-get-googles-bart-ai/

https://www.zdnet.com/article/best-ai-art-generator/

live map gamification university malta

https://www.microsoft.com/en-us/bing?form=MA13FJ

microbit

civitai

midjourney stablediffuision

clipdrop by stable.ai

lexia based on stable diffusion

https://stablediffusionweb.com/#demo

stbalediffusionweb xl

https://www.bing.com/create

live map gamification university malta

clipdrop

wakelet

padlet

https://paperswithcode.com/methods/category/language-models

KI-Kunstgeneratoren

   * Sternenhimmel
   * Einfach
   * Shutterstock
   * Hypotenuse
   * Kreide
   * Profilbild
   * Nachtcafé
   * Jasper
   * Avatar-KI
   * WOMBO
   * Zwischendurch
   * Latentdiffusion LAION-400M
   * Laionid V3
   * Dall-E-Flow

GameBased Learning

Quizizz / Blickers

Jumanji/ Checkers

https://www.frontiersin.org/articles/10.3389/fpsyg.2023.1105806/full

game-based learning platform

RPGs Role Playing Games ARGs Alternate Reality Games PVP Player versus Player [13]

Debuff

Kahoot

Kahoot and the SAMR Model

SUBSTITUTION

Differentiated from the traditional paper quiz, students take part in this quiz to answer the questions after completing a unit.

AUGMENTATION

It can be considered as a virtual substitute for the formative evaluation process. It has enhanced features of inserting videos and pictures during the quiz to get insights into the students’ knowledge, learning, and distinct learning styles.

MODIFICATION

Kahoot provides access to the pre-designed quizzes designed in advance by other people to enhance their knowledge and learning.

REDEFINITION

In Kahoot, innumerable participants can play games or participate in surveys in real-time.

Blicker For Teachers

Blicker for Teacher verfügt außerdem über mehr als 20 Lehrtools wie QR-Code-Generierung, Inhaltsfreigabe, automatisierte Gruppierungen, automatisierte Terminplanung, inspirierende Bildschirmschoner und vieles mehr. Auf diese Weise kann der Lehrer einfach blickter nutzen und ist nicht mehr auf andere Online-Tools von Drittanbietern angewiesen.

Classcraft

Sehr umfangreich

ClassDojo

Facebook-Like, einfaches Login, Punktevergabe

ARCore

Youtube Video Best AR Smart Classes 2023

How to achieve happiness Spiritual Chat ChatGPT

[15]

Google Search in Google Lens eingebaut

[19] vs beyond

[www.synthesia.io]

VR

[22]

Virtuelles Klavierspielen

Wander on Oculus Quest

Brink on Oculus Quest

Field Trip

VR Content in VR erstellen Tilt Brush by Google

OpenBrush by Oculus

Sketsch on a real surface by MetaQuest

Shapes XR

https://arborxr.com/

https://www.classcraft.com/

[23]

Chrome for Android kann keine Extensions Workaround Kiwi

[24]

[25]

Liste KI Tools

Datenbanken zur aiforme.wiki ki-techlab.de von AI Tools.

OpenAI

Ausloeser des KI Booms: ChatGPT von OpenAI (Sam Altman und Greg Brockman (Elon Musk)) mittlerweile gehoert OpenAI (OpenAI, Inc. (Delaware gemeinnuetzig) und Open AI, LLC San Francisco, California) zu 49% Microsoft (Redmond (Saettle/Washington)).

GPT-1, GPT-2, GPT-3 (ChatGPT), Codex, GPT-4 (GPT-4 Turbo, GPT-4 Vision), GPT-4o

   Anwendung: Integriert in Produkten wie ChatGPT, Microsoft Copilot und anderen Plattformen. Fokus auf umfangreiche Textverständnis- und Generierungsaufgaben.
   Modellgroeße: Mehrere hundert Milliarden Parameter (genaue Zahl nicht veröffentlicht).
   Besonderheiten: Multimodal (Text, Bild) und darauf ausgelegt, komplexe Aufgaben zu loesen.

Text-to-Image: Dall-E
Text-to-Video: Sora

Google

Google DeepMind Gato (2022) Chinchilla (2022) PaLM 2 (2023) Gemini 1.5 (2023) Nachfolger von PaLM, verbesserte multimodale Fähigkeiten Modellgröße: Nicht spezifiziert, aber vermutlich im Bereich von Hunderten Milliarden Parametern. Besonderheiten: Fokussiert auf tiefgehendes Verständnis von Text und Bilderkennung.

Microsoft

Copilot siehe OpenAI

Anthropic

Claude 2 & 3

Mistral AI

Mistral

xAI (Elon Musk)

Grok integriert in X

Cohere

Command R

BigScience

Bloom

   Entwickler: BigScience, eine internationale Open-Science-Initiative
   Veröffentlichung: 2022
   Modellgröße: 176 Milliarden Parameter.
   Anwendung: Open-Source-Modell für Forschung, entwickelt in verschiedenen Sprachen.
   Besonderheiten: Starke mehrsprachige Fähigkeiten, einschließlich Unterstützung für seltene Sprachen.

NVIDIA

Megatron-Turing NLG mit Microsoft

   Entwickler: NVIDIA und Microsoft
   Veröffentlichung: 2021
   Modellgröße: 530 Milliarden Parameter.
   Anwendung: Forschungsprojekte und Anwendungen in Cloud-Infrastrukturen.
   Besonderheiten: Sehr großes Modell, optimiert für tiefes Textverständnis.

Baidu

Ernie 4.0 Chinas führendes LLM für KI-Anwendungen, aehnlich wie GPT-4.

Apple

iOS 17.4 (Beta) angeblich vier KIs integriert:

* ChatGPT (OpenAI, Microsoft !!!)
* Ajax
* FLAN-T5 KI-Sprachmodell von Google (Open Source)
* ???

Amazon

IKEA

interiorai

Hinterlegt ist der aktuelle IKEA-Katalog bei den Design-Vorschlaegen. Was IKEA mit interiorai zu tun hat, muss ich noch herausfinden.

[28]

Canvas

Kostenloser Bildgenerator [29]

Social Media Marketing Tool

https://www.hootsuite.com/de

Predis

Das einzige KI-Tool zum Generieren von Marken-Social-Content – Erstellen Sie Werbevideos, Karussells und Beiträge! Verbessern Sie Ihre Videos und statischen Werbekampagnen schnell mit unserem AI Ad Maker. [30]

Dreamstudio

[31]

HeyGen

[32]

Erstellen und übersetzen von Videos mit KI

ElevenLabs

[33]

Wegweisende Forschung in den Bereichen Text to Speech, AI Voice Generator und mehr

ClipDrop

[34]

Bildmanipulator

Midjourney

[35]

Bildgenerator

Durable AI

[36]

Webseitenersteller

Webflow

[37]

Webseitenersteller

PaletteHome

[38]

Raumplaner

Reimaginehome

[39] Leider kein kostenloser Account.

Raumplaner 3D

Inspiriere, plane, designe, visualisiere

Die beste Innenarchitektur-App - ganz einfach. Mit KI und über 200.000 Top-Markenartikeln

[40]

KEIN Impressum!!!

HomebyMe

[41]

thunkable

[42]

Build Custom Mobile Apps

No Coding Required

Roboprax

[43]

AI im Unterricht

Teachable Machine

[44]

KI Künstliche Intelligenz