Bevor wir Computer lehrten, zu denken, mussten wir verstehen, wie die Natur das Problem gelöst hat. Alles beginnt mit einem Impuls.
"Vom biologischen Gewebe (Neuronen im Gehirn) zum digitalen Echo (Vernetzungen im neuronalen Netz)."
Dein Gehirn ist kein klassischer Prozessor. Es gibt keine zentrale CPU. Stattdessen ist es ein gewaltiges, selbstorganisierendes Netzwerk aus Neuronen.
Jedes dieser Neuronen wartet auf Signale seiner Nachbarn (Input). Wenn die Summe dieser Signale stark genug ist, "feuert" das Neuron einen elektrischen Impuls ab (Output).
"Ein einzelnes Neuron ist dumm. Aber 86 Milliarden davon erschaffen Bewusstsein, Liebe und die Fähigkeit, über KI zu lesen."
Ein menschliches Gehirn benötigt nur etwa 20 Watt – gerade mal so viel wie eine schwache Glühbirne. Eine moderne KI-Anlage, die ähnliche Leistungen erbringt, verbraucht derzeit Megawatt (1000000 Watt) an Energie. Wir kopieren die Logik, aber die Effizienz der Natur ist noch unerreicht.
Die kleinste Einheit digitaler Intelligenz.
Inspiriert von der Biologie, perfektioniert durch reine Mathematik.
Stell dir das Neuron wie einen Türsteher vor. Seine einzige Aufgabe ist es zu entscheiden, ob ein Signal wichtig genug ist, um es an das nächste Layer weiterzuleiten. Dieser Prozess folgt einer einfachen Logik:
Probier es selbst aus:
Verändere die Signalstärke (die runden Regler) der verschiedenen Merkmal. Im Hunde-Modus reagiert das Neuron fast nur auf Bellen. Flügel könnten 100% Signal geben – es passiert nichts, weil das Gewicht 0 ist.
Schalte in der Box auf "Vogel-Detektor". Beobachte, wie sich die Gewichte (türkis) sofort ändern. Jetzt ist das Fell plötzlich egal und das Neuron achtet nur noch auf die Flügel.
INAKTIV
Ein einzelnes Neuron kann nur eine einzige Frage beantworten (z.B. "Hat es Fell?"). Um einen Hund von einer Katze zu unterscheiden, müssen wir viele Neuronen kombinieren.
Stell dir vor, du müsstest ein Tier nur am Geruch erkennen. Das ist schwer. Wenn du aber riechen, sehen, tasten und hören kannst, wird es einfach.
Soll ein neuronales Netz lernen, einen Hund oder eine Katze auf einem Bild zu erkennen, sieht es zunächst nur viele bunte Pixel. Die Neuronen müssen in mehreren Schichten zusammenarbeiten, um aus Pixeln Bedeutung zu extrahieren. Diese Schichten zwischen der Eingabe und der Ausgabe nennen wir Hidden Layers (verborgene Schichten). Hier dient der Output einer Ebene als Input für die nächste:
Abbildung: Schichtenmodell eines Netzes.
INPUT LAYER
Millionen Pixel-Werte
HIDDEN 1: KANTEN
Wo endet das Fell, wo beginnt das Gras?
HIDDEN 2: FORMEN
Runde Augen? Spitze Ohren?
OUTPUT: HUND
Die Summe aller Merkmale
Um herauszufinden, welche Signale wie gewichtet werden müssen, um das gewünschte Resultat zu erzielen, wird ein neuronales Netz nicht "programmiert", es wird erzogen. Dieser Prozess erfordert zwei Dinge: Unmengen an Daten und eine gnadenlose Fehlerkorrektur.
Damit wir wissen, ob eine KI wirklich gelernt hat oder nur auswendig lernt, teilen wir unsere Daten in zwei Lager:
Stell dir vor, du trainierst ein Netz, um Hunde von Katzen zu unterscheiden. Hier sind sechs Bilder aus deinem Trainingssatz:
Die KI erkennt in der Prüfung alle Katzen fehlerfrei. Worauf achtet sie vermutlich?
Neuronale Netze sind keine neue Erfindung. Die Idee ist fast so alt wie der Computer selbst. Doch sie musste erst durch ein "Tal der Tränen", bevor sie die Welt verändern konnte.
Warren McCulloch und Walter Pitts entwerfen das erste mathematische Modell eines Neurons. 1958 stellt Frank Rosenblatt das Perzeptron vor. Die Presse schreibt: "Die KI wird bald laufen, sprechen und sich ihrer selbst bewusst sein!"
Marvin Minsky beweist mathematisch, dass diese einfachen Netze nicht einmal das "XOR-Problem" (eine simple Logik-Verschaltung) lösen können. Die Fördergelder versiegen. Das Feld der Neuronalen Netze gilt für fast 20 Jahre als tot.
Geoffrey Hinton und Kollegen popularisieren die Backpropagation. Endlich gibt es einen Weg, wie Netze mit vielen Schichten aus ihren Fehlern lernen können. Ein leises Comeback beginnt.
Dank Grafikkarten (GPUs) und dem Internet (Big Data) gewinnt ein tiefes Netz den ImageNet-Wettbewerb mit riesigem Vorsprung. Die Welt erkennt: Die Idee war immer richtig – uns fehlte nur der Sprit.
Der größte Schock für die Wissenschaftler war: Man musste die Mathematik kaum verändern. Es stellte sich heraus, dass neuronale Netze ab einer gewissen Menge an Daten und Rechenleistung plötzlich "magische" Fähigkeiten entwickeln, die vorher unvorstellbar waren.
Größe ist eine Qualität für sich.
Wenn man ein neuronales Netz groß genug macht, passiert etwas Seltsames. Es lernt Dinge, die wir ihm nie beigebracht haben. Das nennen wir Emergenz.
Stell dir ein einzelnes Wassermolekül vor. Es ist nicht "nass". Erst wenn Milliarden davon zusammenkommen, entsteht die Eigenschaft "Nässe".
Wie Aristoteles sagte: "Das Ganze ist mehr als die Summe seiner Teile"!
Genauso verhält es sich mit KI: Ein riesiges Netz beginnt plötzlich, logische Rätsel zu lösen oder Programmiercode zu verstehen – einfach nur, weil es so viele Verbindungen hat.
Diese unerwarteten Fähigkeiten machen KI unglaublich nützlich. Aber Emergenz hat eine Kehrseite: Genau wie wir nicht vorhersehen können, wann eine KI plötzlich logisch denkt, können wir oft nicht vorhersehen, welche unerwünschten Verhaltensweisen oder Risiken auftreten, wenn Modelle wachsen. Hier sind reale historische Beispiele für dieses 'Erwachen' – von kurios bis alarmierend:
Du weißt jetzt, wie Neuronen feuern, wie sie durch Training "erzogen" werden und warum Größe in der KI-Welt alles verändert. Aber wie wurde daraus eine Revolution wie ChatGPT?
Entdecke, wie die "Attention"-Mechanik der KI das Aufmerksamkeits-Gen verlieh.
