„AI is incredibly smart and shockingly stupid“

— Yejin Choi

Du willst verstehen, was Künstliche Intelligenz ist, ohne ein Informatikstudium zu starten? Hier bekommst Du in wenigen Minuten ein solides Bild: Wo KI herkommt, wie sie lernt, wo sie Dir bereits begegnet, wo ihre Grenzen liegen und wie wir dorthin gekommen sind. Perfekt für Neugierige und Einsteiger. Los geht’s.

Die Anfänge der Künstlichen Intelligenz

Stell Dir einen kleinen Roboterfreund vor. Anfangs kann er nichts. Du zeigst ihm viele Bilder von Katzen, und irgendwann ruft er „Katze!“. Genau das ist eine der Grundideen der KI: Maschinen lernen aus Beispielen, statt dass wir jede Regel mithilfe eines Algorithmus einzeln „hineinschreiben“.

Die Frage, ob Maschinen „denken“ können, stellte Alan Turing schon in den 1940er-Jahren. 1956 folgte mit der Dartmouth-Konferenz ein Meilenstein, bei der der Begriff Artificial Intelligence geprägt wurde.

Wann entstand die erste „echte“ KI? Eine kurze Zeitreise

Schon in der Antike und der Renaissance befassten sich die ersten Forschende und auch Kunstschaffende mit der Frage, ob Maschinen so etwas wie schlaues oder gar menschliches Verhalten zeigen können. Als erstes echtes KI-Programm gilt jedoch der Logic Theorist,  der 1956 von Allen Newell, Herbert A. Simon und Cliff Shaw entwickelt wurde. Das Programm bewies automatisch mathematische Theoreme und stellte damit eine Premiere für maschinelles Schlussfolgern dar. Kurz darauf prägte Arthur Samuel mit seinem lernenden Dame-/Checkers-Programm ab 1959 den Begriff Machine Learning in der Praxis. Joseph Weizenbaums ELIZA erregte 1966 Aufsehen, weil einfache Textersetzungen den Eindruck echter Gespräche vermittelten.

Zwei Richtungen prägten diese Frühphase. Die symbolische KI wurde durch neue Sprachen wie Lisp unterstützt. Parallel entstanden subsymbolische Ansätze wie Frank Rosenblatts Perzeptron aus dem Jahr 1957, das erstmals lernend Muster in Bildern erkennen konnte.

Einen entscheidenden Durchbruch brachte 2012 AlexNet, ein tiefes neuronales Netz, das bei der Bilderkennung neue Maßstäbe setzte. Möglich wurde dieser Fortschritt durch Grafikprozessoren (GPUs). Diese waren ursprünglich für Videospiele entwickelt worden und sind darauf spezialisiert, sehr viele Matrix- und Vektoroperationen gleichzeitig auszuführen. Genau diese Fähigkeit ist für das Training neuronaler Netze entscheidend, während klassische Prozessoren (CPUs) zwar dieselben Berechnungen beherrschen, jedoch deutlich langsamer arbeiten.

Seitdem hat sich die Entwicklung rasant beschleunigt, von Bild- zu Sprachmodellen und heute zu multimodalen Systemen, die Texte, Bilder und Sprache gemeinsam verarbeiten können.

Der Maschinen-Lernprozess: So tickt KI

Zuerst benötigt die Maschine Trainingsdaten: Bilder, Texte, Messwerte – je vielfältiger, desto besser. Dann nutzt sie komplexe mathematische Algorithmen, um automatisiert Muster in den Daten zu erkennen: Formen, Verhältnisse, typische Wortfolgen, oder andere. Diese Muster können so fein oder so komplex sein, dass menschliche Beobachter sie niemals erkennen würden. Für die Maschine ist danach alles eine Frage von Zahlen, keine in Worten ausdrückbare Regeln, sondern Werten in einem Netz aus Rechenknoten. Kommt ein neues Beispiel, das nicht zu den Trainingsdaten gehört, kann die Maschine es in die erkannten Muster einsortieren. Je nach Fall berechnet sie die Wahrscheinlichkeit, dass es sich bei einem Foto um ein Katzenbild handelt, oder sie vervollständigt einen Text, oder sie zeichnet zu einer Beschreibung ein Bild, oder sie lenkt ein Auto sicher im Straßenverkehr. Auf den ersten Blick kann das wie echte Intelligenz wirken, ist aber nicht mehr und nicht weniger als das Ergebnis von für Menschen unüberschaubar komplexen Berechnungen.

Was jeder über KI wissen sollte

KI versteht nicht wie wir, sie berechnet Wahrscheinlichkeiten. Sie ist nur so gut wie ihre Daten. Sie ist spezialisiert: Eine Katzen-KI kann nicht automatisch Schiffe zählen. Sie wirkt manchmal kreativ, bleibt aber ein Kind ihrer Trainingsdaten. Und sie macht Fehler – mitunter absurd, gelegentlich kritisch.

Wo dir KI schon längst begegnet

Im Alltag schärft sie Handyfotos, erkennt Gesichter, versteht Sprachbefehle und übersetzt Texte – meist zuverlässig, manchmal mit charmanten Patzern, wenn „Guten Morgen“ plötzlich „Guten Motor“ wird. Beim Einkaufen schlägt sie Produkte vor, in sozialen Netzwerken sortiert sie Beiträge.

In der Arbeitswelt prüft sie Bauteile auf Fehler, plant Lieferwege und Lagerbestände und unterstützt Diagnosen, etwa beim Auswerten von Röntgenbildern. Das spart Zeit, kann Qualität heben – verlangt aber saubere Daten, Tests und klare Verantwortlichkeiten.

In Forschung und Sicherheit hilft sie bei Klimamodellen, spürt ungewöhnliche Finanztransaktionen auf und durchforstet Datenmengen, die Menschen nicht mehr überblicken können.

Die Schwächen: Wo KI ins Straucheln kommt

Eine KI kennt nur ihre Trainingswelt. Triffst Du sie mit etwas Neuem, kann sie danebenliegen. Sie übernimmt auch Verzerrungen aus Daten – wenn in den Trainingsdaten überwiegend weiße Katzen vorkommen, liefert sie in der Anwendung auch nur für weiße Katzen richtige Ergebnisse. Häufig werden auch sehr viele Trainingsdaten benötigt, um alle vorkommenden Schwankungen und Zusammenhänge lernen zu können. Und zumeist sind KI‑Ergebnisse nicht nachvollziehbar, weil die Berechnung, die zu ihnen geführt hat, zu komplex für Menschen zum Überschauen ist. In kritischen Anwendungen zählen deshalb robuste Systeme, Tests – und menschliche Aufsicht.

Blick in die Zukunft

Modelle werden größer, schneller, vielseitiger. Echtes und Synthetisches verschwimmt. Darum benötigen wir technische Prüfmechanismen, Qualitätsstandards und Medienkompetenz. KI bleibt ein Werkzeug. Wir entscheiden, wofür wir es einsetzen – und wo wir Stopp sagen.