Wie künstliche Intelligenz tatsächlich funktioniert und warum es jetzt wichtig ist

Die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD), deren Mitgliedsregierungen die Politik im Bereich dieser Technologie koordinieren, definiert ein KI-System als "ein maschinengestütztes System, das für explizite oder implizite Ziele aus den Eingaben, die es erhält, ableitet, wie man Ausgaben wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt, die physische oder virtuelle Umgebungen beeinflussen können." Der OECD-Rat überarbeitete diese Formulierung 2023, um sie technisch korrekt zu halten, da sich generative KI-Tools ausbreiteten, nach der eigenen Erklärung der Organisation zur Definition.

Von geschriebenen Regeln zum Lernen aus Daten

Ältere Software befolgten Anweisungen, die Programmierer Zeile für Zeile schrieben: Wenn X passiert, tue Y. Maschinelles Lernen, der Ansatz hinter der meisten aktuellen KI, gibt einem Algorithmus stattdessen große Mengen an Beispielen und lässt ihn die Muster selbst herausarbeiten, so IBMs technischer Erklärung zum Thema. Einmal trainiert, kann das System neue Informationen klassifizieren, einen Wert vorhersagen, etwas Ungewöhnliches kennzeichnen oder eine Aktion empfehlen, ohne dass die genaue Regel für jeden Fall gegeben ist.

Die OECD unterteilt den Betrieb eines KI-Systems in drei Elemente. Eingaben sind die Daten, der Code oder die Regeln, die während der Entwicklung oder Verwendung in das System eingegeben werden. Inferenz ist der Schritt, in dem das System eine Ausgabe aus diesen Eingaben ableitet, was während des Aufbaus eines Modells oder nach seiner Bereitstellung geschehen kann. Ausgaben sind die Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen, die das System erzeugt und die dann eine physische oder virtuelle Umgebung beeinflussen können — zum Beispiel die Lenkung eines Autos, eine Liste empfohlener Videos oder ein generierter Textabschnitt.

Was ein neuronales Netzwerk im System tut

Die heute am weitesten verbreitete Methode des maschinellen Lernens ist das neuronale Netzwerk, eine Struktur, die grob dem Gehirn nachgebildet ist und aus miteinander verbundenen Schichten von Knoten besteht, die Daten gemeinsam verarbeiten, so IBM. Im Gegensatz zu einem traditionellen Programm wird einem neuronalen Netzwerk die Regel, die Eingabe mit Ausgabe verbindet, nicht im Voraus mitgeteilt; stattdessen werden ihm viele Paare von Ein- und Ausgaben gezeigt und es passt sich selbst an, durch wiederholte Exposition, um zu entdecken, was sie verbindet.

Deep Learning bezieht sich auf neuronale Netzwerke mit vielen Schichten — typischerweise eine Eingabeschicht, mindestens drei (und oft Hunderte) versteckte Schichten und eine Ausgabeschicht, so IBMs Erklärung. In einem Bilderkennungssystem neigen frühe Schichten dazu, auf einfache Merkmale wie Kanten oder Farben zu reagieren, während tiefere Schichten diese zu Formen und schließlich zu erkennbaren Objekten kombinieren. Diese geschichtete Struktur ermöglicht es Systemen, automatisch relevante Merkmale aus unbekannten Daten zu extrahieren, was teilweise das ermöglicht, was aktuelle generative KI-Tools möglich macht.

Der Aufbau eines großen generativen KI-Modells umfasst im Allgemeinen drei Phasen nach IBM: eine erste Trainingsphase mit massiven, oft unbekannten Datensätzen, die Tausende spezialisierte Prozessoren erfordern und Millionen Dollar kosten können; eine Abstimmungsphase, in der das Modell für spezifische Aufgaben angepasst wird, manchmal mit menschlichem Feedback; und eine kontinuierliche Bewertung nach der Bereitstellung, um die Ausgaben zu überprüfen und zu verfeinern.

Warum es wichtig ist: Adoptions- und Investitionszahlen

Die Reichweite von KI ist nach mehreren in der 2025 AI Index Report des Human-Centered AI Institute der Stanford University verfolgten Maßstäben schnell gewachsen. Der Anteil der Organisationen, die KI nutzen, stieg 2024 auf 78%, gegenüber 55% im Jahr zuvor. Generative KI zog 2024 speziell 33,9 Milliarden Dollar in globaler privater Investition an, ein Anstieg von 18,7% gegenüber 2023. In den Vereinigten Staaten erreichten private KI-Investitionen 2024 109,1 Milliarden Dollar, weit über Chinas 9,3 Milliarden Dollar und Großbritanniens 4,5 Milliarden Dollar, so der Bericht.

Der Bericht verzeichnete auch einen Sprung in der KI-Benchmark-Leistung: Bei drei 2023 eingeführten Tests zur Messung fortgeschrittener Systeme — MMMU, GPQA und SWE-bench — stiegen die Werte innerhalb eines Jahres um 18,8, 48,9 bzw. 67,3 Prozentpunkte. In regulierten Bereichen wuchs die Anzahl der von der U.S. Food and Drug Administration zugelassenen KI-fähigen medizinischen Geräte von sechs 2015 auf 223 2023, so der gleiche Bericht.

Wo der Wettbewerb steht

Der Stanford-Bericht zeigte auch, welche Länder 2024 die bemerkenswertesten KI-Modelle hervorbrachten: Von den USA ansässige Institutionen brachten 40 hervor, verglichen mit 15 aus China und drei aus Europa. Gleichzeitig verringerte sich die Leistungslücke zwischen führenden US-amerikanischen und chinesischen Modellen bei großen Benchmarks von zweistelligen Zahlen 2023 auf nahezu Parität 2024, so der Bericht.