KI Künstliche Intelligenz

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 unvollständige, teilweise auch fehlerhafte, Einteilungen der KI-Welt in Kategorien, Teilgebiete und Technologien, deren Begriffe sich häufig überschneiden und nicht immer eindeutig voneinander abgrenzen lassen.

Die Schichtenvorstellung passt vielleicht besser zur chronologischen Entwicklung der KI. Mittlerweile habe ich mich an die Mengendarstellung gewöhnt. Mir ist zwar klar, dass jede Kategorie/Teilgebiet eine Untermenge der vorangegangenen Obermenge ist (Matroschka-Prinzip), aber bei der Mengenvorstellung werden die Teilgebiete die (erst einmal) nicht weiter verfolgt wurden selten/gar nicht mit dargestellt (Symbolismus, Decision Trees, Induktive Logische Programmierung, Bayesianische Netzwerke, Hidden Markov Modelle, K-Nächste-Nachbarn, Support Vector Machines, Evolutionismus).

Während des sogenannten „KI-Winters“ (70er & 80er Jahre) galten Neuronale Netze als mathematische Sackgasse. (KNN-Druchbruch https://www.image-net.org/challenges/LSVRC/2012/)

Eine der besseren Darstellungen ist diese (Urheber unbekannt).

KI Schichtenmodell

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:

1. 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.
2. 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.
3. 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:

1. 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).
2. 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(Verstärkendes Lernen)): 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.

Um den Unterschied zu verstehen, nutzt man gerne ein klassisches Beispiel der KI-Geschichte: Das Erkennen von handgeschriebenen Ziffern (von 0 bis 9) auf einem Pixelbild. Hier sieht man perfekt den Unterschied zwischen einem klassischen, flachen Modell (z. B. Überwachtes Lernen mit Logistischer Regression) und einem Deep-Learning-Modell (Überwachtes Lernen mit einem tiefen neuronalen Netz).

---

Der entscheidende Unterschied: Wer macht die Arbeit?

Der größte Unterschied liegt im sogenannten Feature Engineering (der Merkmalsextraktion). Also der Frage: Wer erklärt der KI, worauf sie im Bild achten muss? ## 1. Der klassische Ansatz (Flaches Modell) Ein klassischer Algorithmus ist blind für komplexe Formen. Er sieht nur isolierte Pixelwerte (z. B. Pixel oben links ist weiß, Pixel in der Mitte ist schwarz).

• Die Vorarbeit (Mensch): Ein menschlicher Experte muss dem Algorithmus mathematisch beschreiben, was eine „8“ ausmacht. Er muss Code schreiben, der nach bestimmten Merkmalen sucht: „Zähle die Anzahl der geschlossenen Kreise. Wenn es zwei Kreise sind, ist es wahrscheinlich eine 8. Wenn es ein Kreis ist, eine 6 oder 9.“
• Das Lernen (KI): Das flache Modell bekommt nur diese fertig extrahierten Merkmale (z. B. Kreisanzahl = 2, Symmetrie = hoch) und lernt daraus die finale Entscheidung.
• Das Problem: Schreibt jemand die 8 unsauber oder offen, bricht das System zusammen.

2. Der Deep-Learning-Ansatz (Tiefes Modell)

Ein tiefes neuronales Netz braucht keine menschliche Vorarbeit für die Merkmale. Es bekommt einfach das rohe Pixelbild und die richtige Antwort („Das ist eine 8“). Die vielen verborgenen Schichten (Hidden Layers) teilen sich die Arbeit nun automatisch von Schicht zu Schicht auf – von einfach zu komplex:

• Schicht 1 (Erste verborgene Schicht): Erkennt nur einzelne Pixelkanten, Linien und Kontraste (waagerecht, senkrecht, diagonal).
• Schicht 2 (Mittlere Schichten): Kombiniert diese Linien zu einfachen Formen (Ecken, Bögen, Schleifen).
• Schicht 3 (Tiefe Schichten): Kombiniert die Bögen zu komplexen Strukturen (z. B. „Kreis oben“ und „Kreis unten“).
• Ausgabeschicht: Verknüpft diese tiefen Erkenntnisse und sagt mit hoher Sicherheit: Das ist eine 8.

---

Zusammenfassung im Vergleich

Eigenschaft	Klassisches ML (Flach)	Deep Learning (Tief)
Merkmalsextraktion	Mensch muss Merkmale definieren.	KI lernt Merkmale komplett selbstständig.
Datenmenge	Funktioniert gut mit wenig Daten.	Braucht riesige Datenmengen (Tausende Bilder).
Rechenleistung	Läuft schnell auf jedem normalen Laptop.	Braucht starke Grafikkarten (GPUs).
Ergebnis bei komplexen Daten	Stößt schnell an Leistungsgrenzen.	Wird immer besser, je mehr Daten es bekommt.

Deep Learning hat die KI-Welt revolutioniert, weil wir Menschen der KI nicht mehr mühsam erklären müssen, wie die Welt aussieht. Das Netz baut sich sein Verständnis durch die vielen Schichten einfach selbst auf.