Prof. Dr. Christian Bauckhage (Fraunhofer IAIS): KI - Wir haben noch gar nichts gesehen!
Mathe by Daniel Jung
https://www.youtube.com/watch?v=pb5cMmdQVJo

Transkript (automatisch erstellt)

0:00 Christian, grüß dich. Hallo. Hallo. Vielen Dank für deine Zeit. Nee, ich freue mich. Danke für die
0:06 Einladung. Ich freue mich auch wenn ich habe jetzt hier so ein bisschen anders als beim letzten Mal. Ich habe hier Laptop, ich
0:14 habe immer noch klassisch Papier, ich arbeite viel mit Notebook LM. Das finde ich ein ein sensationelles Tool. Ich komme gerade aus London, habe den
0:21 C-founder kennengelernt, wie sie dieses System gestaltet haben. Quelleneingabelinks, die du auch immer noch kuratiert ausgewählt hast. Du hast
0:30 in der Mitte Chat, du hast rechts eine Magie, du kannst den Audio Podcast erstellen, du kannst dir Grafiken erstellen. Das ist ein super Tool.
0:37 Es beschreibt dich übrigens, ich sag mal hier Architekt des deutschen KI Ökosystems an der Schnittstelle von Theorie und wirtschaftliche Anwende.
0:46 Also eine Lobeshymne, [gelächter] das ist glaube auch wirklich Deep Research gemacht. Ich meine, du bist du bist ja Professor, du
0:54 bist Liedscientist, Frauenhofer, du bist Codirektor Lamar Institut. Würde ich gerne gleich noch mal drauf zu sprechen kommen, was das genau ist als KI
1:02 Kompetenzzentrum in Deutschland. Du forscht, du publizierst, äh du hast Patente. Ähm wo nimmst du die Zeit her? Hä? Ich wünschte, ich hätte mehr. Also,
1:14 [gelächter] was treibt dich an dieser Tage? Ähm tatsächlich momentan wirklich die Frage, äh was bedeutet das eigentlich,
1:20 was wir da gerade, wir sprechen über KI, also ne, es geht um KI. Was bedeutet das eigentlich, was wir da gerade äh live und in Farbe beobachten, was in der Welt
1:29 passiert? Ähm, da der Wendepunkt, brauchen wir nicht drüber reden, war 2022, Jetgpt geht online Ende des Jahres. Seitdem wissen alle, was KI
1:39 leisten kann und wir sehen in den in den vier Jahren, jetzt ist 26, drastische Zuwächse von halbem Jahr zu halbem Jahr, zu viertel Jahr zu
1:48 vierteljahr. Also, es wird immer besser. Und ähm was mich antreibt, ist natürlich die Frage, was ähm wo wird das hingehen? Was macht das langfristig mit uns
1:57 persönlich, mit uns als Gesellschaft, mit uns als Wirtschaftssystem? Und ähm als Wissenschaftler interessiert mich immer noch die Frage, die da
2:06 drunter liegende Technologie hinter diesen großen Fundamentalmodellen finde ich ein bisschen unglücklich. Wird [räuspern] ja auch oft drüber geredet,
2:14 dass es sehr energieintensiv ist und Ressourcenintensiv. Und das ist für mich als Wissenschaftler so die Frage, muss das so sein? Äh kann man das auch
2:22 günstiger haben? Aber wirklich ähm was mich nachts nicht schlafen lässt, ist die Beobachtung, dass es gerade sehr sehr schnell voranschreitet.
2:31 äh wir plötzlich in einer Zeit leben, wo kognitive Maschinen, also Maschinen, die zu einem sehr großen Teil die Leistungsfähigkeit biologischer Gehirne
2:41 sehen können, hören können, sprechen können, Texte schreiben können, Bilder erzeugen können, Bilder beschreiben können, Code schreiben können und so
2:47 weiter, wo wir plötzlich kognitive Maschinen haben, die sehr schnell immer besser werden, da eben die Frage, wo geht das hin, was macht das mit uns?
2:55 Und jetzt habe ich ja gelernt in den Jahren, es hat sich ja schon immer alles geändert. Weiß noch Digitalisierung Ende der 2000.
3:04 Da habe ich noch damals überlegt, wie kannst du eine eine analoge Phase des Lehrens der Mathematik digitalisieren und dann war Digitalisierung und Daten
3:14 und alles wird anders und ähm irgendwo war es ja dann doch wieder nicht ganz so anders und ähm am liebsten würde ich ich me die Schlagzeahlen kommen ja jeden Tag
3:23 kommt ja was ich habe jetzt heute habe ich gelesen Alibaba chinesischer Konzern unveils AI Brains Design for Robots quen Robot Suite,
3:34 nennen sie das für embudded AI würde ich würde das nach hinten schieben, Physical AI, aber nur um die Leute wirklich mal
3:41 abzuholen, weil ich finde, man kann es ja ein bisschen mathematisch auch belegen. Ich habe mir den Vortrag von dir Ende letzten Jahres angehört und
3:50 würd gerne von dir, also nur, dass wir so den diesen Standard jetzt setzen, so dieses Thema, warum ist das jetzt so krass? Was ist jetzt da anders?
3:59 Du hast damals zurückgeblickt äh auf deine Vorträge 2016 17 und ich weiß noch, wie wir auch damals so zusammengekommen sind. Für mich war
4:09 ähm Alpha Go, ja, als Lise Doll geschlagen worden ist 2016, das war einfach faszinierend. 2017 Paper attention ist all you need von Google
4:18 Transformermodelle. Jetzt muss die Welt doch aufwachen. Ist sie ja nicht, aber du hast ja schon damit beschäftigt und hast du im Vortrag gesagt, du hast dir
4:27 damals, glaub 2016 oder 17 das größte künstlich neuronale Netz angeguckt, glaube mit 10 Milliarden Verbindungen, Synapsen, wie hirn so ungefähr
4:38 abgebildet ist und hast dann nach vorne projiziert mit einer Annahme, dass es sich jedes Jahr verdoppelt. Genau.
4:46 Und auf welcher Erkenntnis bist du damals ja 2016 17 durch ein einfaches n ich mal mathematisches Modell gekommen?
4:54 Ja. Ähm 2016 deshalb, weil dieses Alpha Go, wo wirklich ein ein Computer zum ersten Mal einen Weltmeister oder sehr sehr starken Goieler äh geschlagen hat,
5:06 also eine Maschine besser war in Go als als der amtierende Weltmeister. Das war für mich der Wendepunkt, denn ähm als Informatiker, ich habe ähm früher
5:16 wirklich immer gern Computerspiele gemacht und und mich immer für KI interessiert und da ist natürlich eine offensichtliche Schnittstelle, so
5:22 intelligente NPCs und so weiter. Deswegen habe ich immer [räuspern] selbst viel Forschung zum Bereich Game AI gemacht und daher ähm wusste ich bzw.
5:32 Weise war mental blockiert oder geprimed, dass äh das mit Go gar nicht gehen wird, denn äh was die Menschheit seit den 1950er Jahren 60 Jahre oder so
5:43 entwickelt hat, Schachcomputer, da lag eine algorithmische Technologie dahinter, die für Schach jetzt gerade so ging. Das hat ja wirklich 50 Jahre
5:52 gedauert, bis es ging. 97 IBM De Blue gewinnt gegen Kasparov und alle waren sich sicher, okay, das lässt sich auf Go nicht übertragen. Er tut es auch nicht.
6:02 Also die Methode, die man damals benutzt hat, lässt sich auf Go nicht übertragen. Go ist noch viel viel komplexer als Schach. Ähm und ich habe Vorlesung an
6:11 der Unibon gehalten zum Thema Game. Wir haben die 2014 auch aufgenommen und auf YouTube wieder hochgeladen. Da kann man das sehen. Da habe ich den Studierenden
6:19 beigebracht, wie wie Schachcomputer funktioniert. Habe ich gesagt, go geht so nicht und ich werde es in meinem Leben nicht erleben, dass eine Maschine
6:26 den Weltmeister in Go schlägt und zwei Jahre später war es soweit. Und ähm das wurde auf eine andere Art und Weise erreicht, als der, sagen mal, die Blue
6:34 Schach Computer funktionierte aus den späten 90er Jahren. Das war basierend auf neuronalen Netzen und Methoden ähm das Reinforcement Learning oder Markus
6:44 Monte Carlo Research nicht in die Details gehen. Das war also gemacht worden auf eine Art, die die quasi aus dem Nichts kam. Also es hatte keiner auf
6:52 dem Schirm, dass man das auch so machen kann. Und dadurch, dass ich das dann gesehen habe, war mir klar, okay, also wenn das geht, weil Go war unmöglich,
7:00 aber wenn das geht, da muss man sich jetzt auf Sachen einstellen, die alle unmöglich waren. Und deswegen habe ich mir angeschaut 2016, was ist so der
7:09 aktuelle Stand bei den neuronalen Netzen, die sind ja seit 2010, 11 12 sehr sehr gut geworden. Ähm und hab diesen Stand dann einfach wirklich, wie
7:18 du gesagt hast, jährlich verdoppelt. Und das würde bedeuten, dass wir so im Jahr 20230 bei einer Komplexität dieser künstlichen
7:29 neuronalen Netze ankommen, die wir im menschlichen Gehirn beobachten. Und jetzt ist es 10 Jahre später. Wir sind 2026 und bislang ist diese
7:40 jährliche Verdopplungsprognose bei der Modellgröße, nennt man das, äh voll eingetreten. Und die aktuellen äh Modelle von
7:50 Anthropic sind ja so im auf Englisch sag mal ein Trilliardenbereich, das wäre auf Deutsch Billionen äh Parameter. Also, das ist noch eine Größenordnung
7:59 unterhalb dessen, was das menschliche Gehirn kann. Aber wir sehen ja trotzdem, was äh mit diesen Dingern schon möglich ist. Ich sag das oder ich versuche das,
8:09 ich habe das tatsächlich, ich habe [räuspern] ja damals schon von deinen Vorträgen geklaut in dem Sinne, ähm weil du ja drüber gesprochen hast, the
8:18 greatest shortcoming of the human race is the inability to understand the exponential function. We war ich so aufgenommen von Bartlet natürlich von
8:27 Bartlet. Ich hab's ja auch verlieben. Ja, also finde ich aber auch super. Ich versuch es auch immer deutlich zu
8:32 machen. Ich versuch es auch immer visuell, weil die, weil es ist halt so, ich verstehe es auch, dass es sehr schwierig ist für die Leute. Ich tue ja
8:38 schon mein Bestes auch im Internet es rüber zu bringen. Ich mache das immer, du gehst hier aus dem Raum, gehst immer einen Schritt, ja, also einen Schritt so
8:47 ca. ein Meter und machst das 30 mal, dann weiß jeder, wo er steht. Jeder so ungefähr hier vorne in der Halle auf dem Parkplatz. Und dann sage ich, das ist
8:54 lineares Denken und exponential Growth ist, du gehst 1 m, dann 2, dann vier, dann 8, dann 16. Du verdoppelst immer, machst das 30 mal, wo sind sie dann? Und
9:03 gestern sagt dann auch wieder einer, ich bin in der Nachbarstadt. Ich sag ja, [gelächter] es ist ein paar mal zum Monde zurück und dann ach um Gottes
9:08 Willen, das ist dieses, wo wir jetzt gerade stehen, was so schwierig ist. Und ich habe jetzt aus deinem letzten Vortrag auch eben genau
9:15 das übernommen, was du mir jetzt gerade gesagt hast, dass du dann diese Kapazität, diese Leistung ist natürlich nicht biologisch, es ist immer noch
9:23 digital, aber es ist eben so 20, 29, 30 belegbar und es wird wohl so weitergehen. Erreicht, das ist das erste, weil ich
9:31 glaube, man muss das eben deutlich machen, weil das eben so dann transformieren und disruptiv ist, was dann möglich ist. Als nächstes habe ich
9:38 aber vielleicht gerade, weil du dieses Beispiel mit du gehst 1 m, dann zwei, dann vier, das ist ja verdoppeln. Also ich, wenn ich sage, ich habe jedes Jahr
9:47 die Größe der Modelle verdoppelt, ähm okay, das klingt ja jetzt auch w okay hat verdoppelt, aber das ist exponentielles Wachstum, also
9:54 Verdopplung ist exponentielles Wachstum. Ähm und ich versuch es halt so visuell deutlich zu machen. Als zweites habe ich
9:59 mit aufgenommen, das habe ich jetzt auch in der Prese, einfach um vorne weg noch mal den Leuten so deutlich zu machen, was das jetzt gerade halt, warum das so
10:07 transformiert ist. Da habe ich das dein Beispiel auch von Deepmind genommen. Mhm. Ähm und zwar Alpha Fold. Äh und
10:15 vielleicht kannst du das gerade noch mal, weil ich sage immer, ich kann ja viel erzählen, aber wenn hier der der Chief Scientist von Deutschland das
10:22 erzählt, was du hast ja Fon erzählt, Go ist geschlagen worden, das war ja nur der Anfang.
10:27 Ja, aber was war so besonders an Alpha Fold an der Proteinfaltung? Ja. Ähm, da [räuspern] ist das Problem,
10:35 dass das kommt eigentlich aus der Genetik oder der Molekularbiologie. Ähm, seit den 1950er Jahren hat die Menschheit halt gute Rönkenfotoapparate,
10:48 sage ich mal. Und damit kann man auch sehr, sehr kleine Strukturen fotografieren, z.B. längere Moleküle ähm DNA Sequenzen, also
10:58 so der genetische Code in unseren Zellen. Und ähm wenn man da Fotos von macht, dann sind das ganz verschwommene, also da muss man wirklich
11:07 absolute Expertin für sein, um überhaupt zu verstehen, was das Foto gerade gerade zeigt. Und man kann dann, wenn man wirklich tief in der Chemie drin steckt,
11:18 anhand von solchen komischen Bildern entscheiden, ähm wieso ein Molekül dreidimensional strukturiert ist, was ist was, ne, welcher Strang geht wo ab.
11:28 So diese dreidimensionalen Molekülstrukturen, das braucht man, wenn man ja neue Medikamente synthetisieren möchte oder sowas.
11:35 Ähm in der in der langen Geschichte seit den 50er Jahren ist es der Menschheit immer besser gelungen. Ähm anhand von Gewebeproben oder so mit mit Technologie
11:46 im im Biolabor so die Bausteine ACGT von den Aminosäuren aufzuschlüssen und in welcher Reihenfolge die in so einem Molekül auftreten. Und dann hat man zwar
11:59 schon eine ein Wort, das Molekül beschreibt aus den Buchstaben AC, Gehend, aber man hat dann diese Sequenz und man weiß noch nicht, wie das
12:08 dreidimensional aussieht. Das muss man aber wissen, wenn man da wirklich gute Chemie, gute Genetik mit machen möchte. Und in der Zeit von ähm 1957 bis 2018
12:21 war es der Menschheit insgesamt gelungen, äh etwa 200.000 1000 Molekülsequenzen dreidimensional zu erschlüsseln. Das
12:32 wurde unter anderem mit so Gamification Sachen gemacht, wo die Leute im Internet eine Webseite anwählen konnten und dann konnten sie da irgendwie puzzeln. Wie
12:41 sieht das dreidimensional aus? Haben ganz viele Leute gespielt sozusagen Moleküle zu rekonstruieren. Als ich promoviert habe in den in den frühen
12:50 90ern hatte ich einen Kollegen, der machte das damals als Doktorarbeitsthema. Also ich bin gar nicht so ganz so weit davon entfernt,
12:56 weil ich eben halt schon seit ja jetzt fast 30 Jahren weiß, dass das ein relevantes Problem ist. Und ähm so von 1957 bis 2018 200.000
13:08 und dann kam Deepmind mit Alpha Fold und dann von 2018 bis zum Nobelpreis 2024 200 zusätzliche Millionen. Also wir haben 200.000 1000 Lösungen in 70 Jahren
13:25 und 200 Millionen weitere Lösungen in 5 Jahren. Und w dem bei diesen Zahlen nicht schwindlig wird und klar wird, was KI
13:36 leisten kann im Vergleich zu 70 Jahre konventioneller menschlicher Forschung, Entwicklung, Überlegung, ähm dem kann man eigentlich gar nicht mehr helfen.
13:46 Also dieses Alpha Fold war wirklich revolutionär. Wer heutzutage in diesen Bereichen forscht, Molekular, Biologie, Genetik, Pharmazie und so weiter, kommt
13:54 ohne Alphafold gar nicht mehr aus, wenn die auf Weltniveau arbeiten wollen. Und dafür hat dann Deepmind zurecht, also Hassabis insbesondere den Chim
14:04 Nobelpreis bekommen. Und um das noch mal zu untermauern, wie gesagt, ich will hier am Anfang diesen Standard setzen, damit man es wirklich begreift,
14:12 unabhängig davon, dass ich es auch in kleine einzelnen Snippets noch packen werde und das Internet fluten werde. Damit wer in in dem Bereich Chemie
14:21 Genetik forscht, es geht nicht mehr ohne KI. Wer es ohne KI macht, ist eigentlich es, ob wir das wollen oder nicht, es reicht nicht mehr. Das das kann man
14:32 genauso sagen und ähm vielleicht um das auch noch mal so, ich meine, wir hatten eben über Alpha Go gesprochen, was von Deepmind kam jetzt bei dem Google Deep
14:41 Mind. Jetzt haben wir gerade über Alpha Evolve. Bei Deepmind ist immer ein Alpha davor, also [gelächter] äh äh Alpha Fold Alpha Fold ist dieses
14:49 dieses Molekülfalten. Ähm was ich sagen wollte, äh [räuspern] warum ist das warum ist das so relevant?
14:59 Das war genauso ein Problem, wo alle Leute gedacht haben, das geht gar nicht. Also, wir haben in 70 Jahren haben wir es geschafft, 200.000 Moleküle auf den
15:06 es gibt so viel Milliarden mehr Moleküle, wenn wir in dem Tempo weitermachen, äh dann dauert das Jahrhunderte. Also das Problem ist so
15:12 schwierig, wir können das gar nicht können. Und dann haben sehr viele Leute gesagt, also das ist offensichtlich ein Problem, wofür man Quantencomputer
15:22 braucht, denn äh molekulare Strukturen sind halt den Gesetzen der Quantenmechanik unterworfen und wenn man die verstehen
15:30 will, muss man mit Quantenrechnern daran arbeiten. Und jetzt stellt sich aber raus, und das ist sozusagen das, was wir gerade insgesamt sehen. Ähm ja, das
15:40 Problem ist sehr, sehr schwierig. Aber für so ein sehr sehr großes neuronales Netz scheint es möglich, also wir wissen es
15:48 ja, ist es möglich zu erkennen, sozusagen die die Problemstruktur zu erfassen in einem super hochdimensionalen
15:59 Parameterraum, die eben für das menschliche Gehirn gar nicht erfassbar ist. Aber wir sehen jetzt so unmöglich ist das Problem gar nicht. Es ist halt
16:09 sehr komplex. Es lebt in einem sehr hochdimensionalen Raum und ein neuronales Netz kann diesen sehr hochdimensionalen Raum verstehen, ohne
16:16 dass es ein Quantencomputer einsetzt. Und ähnlich ist das jetzt z.B. bei den Sprachmodellen Sprache ist ist sehr sehr komplex, aber wenn man nur genug Daten
16:27 reinschmeißt und wenn man dann nur groß genug die neuronalen Netze parametrisiert dann und dann Wochen bis Monate lang rechnet, dann stellt sich
16:39 auch da heraus, da gibt es eben Strukturen, die wir als Menschen tatsächlich jetzt intuitiv im Kopf haben. Das ist anders als bei den
16:45 Molekülen. Wir können alle sprechen, aber [schnauben] wenn wenn du beschreiben solltest, wie du das eigentlich machst, dann hättest du ein
16:50 Problem. Aber diese neuronalen Netze sind eben mittlerweile in der Lage, diese Struktur, die wir intuitiv im Kopf
16:57 haben, auch zu lernen und deswegen z.B. nicht nur Moleküle falten zu können, sondern auch Sätze erzeugen zu können und so weiter.
17:05 Ich setze den Standard erstmal noch weiter, um einfach Beispiele zu geben. Ich meine, es gibt sehr viele, aber ich ich habe noch so zwei regende, um dann
17:14 weiterzumachen. Eins ist für mich Mathematik. Aus der Mathematik kommend. Man sagt ja Mathematik, das ist alles ist Mathematik, das ist universell, das
17:25 ist die Sprache von allem. Da hattest du das Beispiel im ich glaube im Januar 2024 hat auch wieder Google
17:36 immer erst [gelächter] ein Modell rausgebracht, das erstmal Geometrieansätze löst. Da hast du dann
17:43 mit einem Professor, glaube ich, gesprochen. Du hast es so schön erzählt, der sagt, ja, aber Geometrie ist ja einfach und ne
17:50 halbes Jahr später hatte der von Google äh ein System Silbermedaillenniveau und ein Jahr später Goldmedaillenniveau und nur um mal den Standard zu setzen,
18:01 Silbermedaillenniveau. Also bei bei der Olympiade, bei der Matik, genau, bei der Olymp, sorry, bei der
18:07 Olympiade, da nehme ich mich auch raus. Das sind wahrscheinlich, ich sage, du hast gesagt, vielleicht eine Millionen Menschen, wenn es hochkommt.
18:12 Ja. Ja. Und von Goldmedal will ich gar nicht sprechen. Das heißt, wenn so ein bisschen sich lustig gemacht
18:17 wird, ach ja, aber hier irgendwie das LM kann nicht 3 x VI rechnen. Das ist krass. Und ich, du hast gesagt, weiß ich gar nicht, in zwei Jahren oder
18:29 so wird's dann künstliche Mathematiker geben, die von mir aus auch an meiner Seite ja unfassbare Dinge [räuspern] machen.
18:35 Ja. Ja. Vielleicht gab's was zu dem 3 x 4. Das können die LMs in der Regel wirklich nicht. 3 x 4 wird gehen, aber nicht irgendwelche beliebigen Zahlen
18:45 miteinander multiplizieren. Aber seit Mitte letzten Jahres haben wir diese sehr guten agentischen KI Systeme und da kann ein KI Agent, ein LM
18:55 erkennen, ah, ich soll eine Multiplikation durchführen, dafür benutze ich doch den Taschenrechner. [gelächter]
19:00 Also von dieses Argument, das ist auch schon tot. Also, die die müssen das nicht lernen. Die wissen jetzt, ah, hier geht's um eine Multiplikationsaufgabe,
19:08 dafür habe ich eine App, die kann ich aufrufen. Das mache ich jetzt gerade. Hier ist das Ergebnis. Ja. Ähm ja und Mathematikolympiade ähm
19:15 findet regelmäßig statt. Äh und dann das sind junge Leute, Schülerinnen, Studierende, die daran teilnehmen. Äh die lösen dann halt ja schwierige
19:26 Mathe Probleme, meistens halt Beweisführung. äh irgendwer gewinnt das, kriegt eine Goldmedaille in der Mattolympiade und
19:34 die Beobachtung über letzten 50 Jahre ist, die meisten, die das gewonnen haben, gewinnen dann später im Leben auch noch die Fielsmedaille, also
19:42 Terrensau z.B. Ja. Ähm ja [räuspern] und Anfang 24 hatte Google mit mit den KI Systemen, die sie da haben bei Deepmind angefangen
19:51 mathematische Beweise zu führen, wie du gesagt hast im Bereich der Geometrie, Dreieck Kreise, Linien und so weiter und äh konnten zeigen, dass dass dieses
20:01 System in der Lage war ähm ja neue Zusammenhänge zwischen Dreiecken und Kreisen und Linien zu finden, wo noch keiner drüber nachgedacht hatte. Und
20:08 dann hat mir wie gesagt ein Kollege aus der Mathematik gesagt, ja, Geometrie [räuspern][schnauben] ist ja auch nicht so schwierig. Also ist immer dieses Jahr
20:14 aber, ne? Und dann wie gesagt ein halbes Jahr später war dieses Deepman System auf Silbermedaillenniveau bei der Matheolympiade und dann noch ein Jahr
20:24 später, also im Sommer 25, hatte sowohl die als auch dann Open AI ein System, das bei der Mattheolmpiade Goldmedaillenniveau erreicht hat. Und
20:33 jetzt ist 2026 und vor zwei Wochen ging es durch alle Medien, dass ein Open AI System so eine Erdisch Vermutung äh widerlegt hat. Äh und das ist
20:43 tatsächlich jetzt weit jenseits von von Mathe Olympiade. Also das das sind mathematische Probleme. In der Matteolympiade, da wissen die Leute, die
20:52 die Schiedsrichter sind sozusagen, das geht. Wir wollen halt einfach gucken bei den Kids und Studies, die da mitmachen, können die das. Aber bei dieser
21:00 Erdischvermutung, Distanzen von Punkten in der Ebene, da hatte seit 80 Jahren niemand eine Idee, ob das geht oder nicht. Und jetzt hat diese KI gesagt,
21:08 geht nicht. Und das äh das muss man erstmal so hinnehmen. Also das da ist die Menschheit in den 80 Jahren nicht drauf gekommen und KI ist da drauf
21:16 gekommen. Dann sagen wieder alle: "Ja, aber ja, aber jetzt haben die die haben wahrscheinlich irgendwie 10.000 Runden gebraucht und die berichten nur über
21:25 einen Fall, wo es geklappt hat." Aber darum geht's ja nicht. Also diese 10.000 1000 Runden werden die wahrscheinlich gebraucht haben, aber sie können es halt
21:34 machen. Nur die Menschheit insgesamt, die Mathematikgemeinschaft insgesamt hat 80 Jahre gebraucht und ist auf keine Lösung gekommen. arbeitest
21:43 Zwischenfrage noch, arbeitest du damit, wenn du [räuspern] Mathematik einsetzen muss? Ich habe jetzt letztens gehört,
21:53 dass völlig neue mathematische Ansätze auch in den neuronalen Netzen, es geht ja auch viel um Matrizenmultiplikation, Costloss Function,
22:02 ähm dass Dinge herauskommen, auf die ein Mensch gar nicht gekommen wäre, sage ich jetzt mal. Wir beobachten das jetzt. Ähm das das passiert ähm insbesondere so
22:12 diese diese Frontier Modelle, die die sind ganz gut in der Lage dazu. Äh das geht ja dann wirklich meistens um Querverbindungen, die herzustellen sind,
22:22 die Menschen bislang nicht hergestellt haben. Und dadurch, dass in diesen Frontheen halt wirklich im Grunde alles an Daten ist, was elektronisch weltweit
22:30 verfügbar ist, das ist so. Das ganze Internet ist da im Training drin gewesen. Haben die halt mit denen kann ich mich über äh die klimatischen
22:40 Bedingungen unterhalten, die nötig sind, damit der Chadonet in Kalifornien gut gedeit, [gelächter] aber ich kann mich mit denen auch über Verfahrenes
22:48 Quantencomputing unterhalten. Da gibt's schon nicht viele Menschen, mit denen ich mich über beides unterhalten könnte. Und ich könn jetzt sagst mir irgendein
22:55 Thema, das könnte das Modell auch im Gespräch mit mir behandeln und irgendwann wird's bei Menschen dünn. Also jemand, der wirklich bei 1000 so
23:04 spezialisierten Themen, das kann kein Mensch, aber diese Dinger können das und das wird so der Grund sein, weswegen die, wenn man richtig mit ihnen umgeht,
23:14 in der Lage sind, Verbindung herzustellen, die bislang noch keiner gesehen hat. Ich selbst äh nutze das nicht zu dem Umfang, wie ich es
23:24 eigentlich müsste, aber ähm ich rede schon viel mit äh Frontier Modellen über Ideen, die ich so habe und äh klopfe einfach ab, was sagt mir das Modell
23:34 zurück und ähm oft habe ich Glück, dann ähm geben die mir Antworten, da habe ich nicht drüber nachgedacht, dann kriege ich sogar Literaturhinweise, dann lese
23:43 ich das, dann lerne ich mir, dann kann ich wieder tiefer über das Problem nachdenken. Und weil du Beweise angesprochen hast, habe ich jetzt gerade
23:52 ist wirklich letztes Wochenende gewesen, eine witzige, unangenehme Geschichte zu erzählen. Nee, nur nur damit wir wissen, äh worum es geht für meine Vorlesung.
24:01 Ähm ich mache zurzeit Vorlesung über Reinforcement Learning, schreiben wir auch gerade ein Buch drüber und da gibt's eine Stelle, da weiß ich, kann
24:10 man etwas beweisen über stochastische Matrizlich. Ich konnte mich aber nicht erinnern, äh das ist wirklich Jahrzehnte her, dass ich diesen Beweis gesehen
24:19 habe. Können mich erinnern, wo wo ich den gesehen habe. Ich wusste aber, dass es geht. Und da habe ich einfach mit Gemini drüber gesprochen und jetzt kommt
24:27 das Verrückte. Also dieses Problem, dass ich da hatte, ist nicht wirklich Rocket Science. Also es ist definitiv Unimatteniveau,
24:35 mindestens Bachelor, vielleicht nicht Master, nicht Rocket Science und es wird im Internet auch behandelt. Das tritt im Zusammenhang mit Markofmodellen auf und
24:45 da habe ich dann mit mit klassischer Websuche relativ schnell festgestellt, dass wirklich, also ich sag mal sowas wie 97,5%
24:55 aller Webseiten zu dem Thema ähm diesen Beweis falsch führen. Nicht wirklich falsch, aber eigentlich nur einen Spezialfall beweisen, nicht
25:05 das nicht das Allgemeine. Und da war mir sofort klar, das wollte ich nicht. Also, ich will den allgemeinen Beweis haben. Habe das mit Gemini besprochen und jetzt
25:13 kommt's. Gemini hat dann drei oder vier mal diesen unvollständigen Spezialfallbeweis wiederholt,
25:23 bis ich sozusagen so gepromptet habe, dass ich gezwungen habe. Nein, ich will das nicht über diese Annahme mit den Peron Promen sondern ich will den ah so
25:33 und dann kam tatsächlich dann doch endlich auch der richtige Beweis und der war dann auch richtig. Ich kann, das ist ja einfach ein Beweis nachzuvollziehen.
25:40 Selbst zu machen ist oft schwieriger, aber nachzuvollziehen kann und da habe ich halt gelernt, dass es auch gefährlich ist, dass in
25:47 diesen Modellen das ganze Internet drin ist, weil wenn 97,5% des Internets zu diesem Spezialth Blödsinn erzählen, dann ist halt in den
25:56 Modellen auch viel Blödsinn drin. Da ist auch 2,5% sozusagen richtige Information codiert, aber die muss man dann wirklich
26:04 aggressiv rauskitzeln. Und da komme ich gleich auch drauf zu sprechen. So dieses hybride KI Expertenwissen, wo muss der Mensch mit rein?
26:17 Wo war es vielleicht nicht ganz so gut, nur das Internet zu durchforsten und äh Wiki und Reddit zu nehmen. Aber ich habe nur eine Sache, dann bin
26:27 ich aber auch durch, weil das fand ich auch noch spannend. Das ist die autonome Arbeitsleistung, die du auch muss dazu sagen, weiß gar nicht, ob ich
26:36 die Slides mal einblende. Ähm, die Kurven, die du ja auch erwähnst, sind lineare Funktionen aufgrund der Tatsache, dass du die
26:45 Achsenskalierung auf der Y-Achse logarithmisch hast. Mhm. Ansonsten wäre es eine Stick fast senkrecht nach oben Kurve,
26:55 aber es geht um die die Leistung, wenn du einem KI Modell etwas gibst, wie lange kann es selbstständig operieren?
27:04 Ja, und vielleicht, dass du da auch noch mal kurz von deiner Seite aus hast, dann bin ich aber auch durch, weil das ist
27:09 natürlich auch noch mal extrem interessant, wenn du laufen lässt, ja, dann haben wir glaube ich im
27:14 Sekundenbereich ca. gestartet. Ja, im Jahr 2020 21 22. Ja, genau. Als mit GPT 12, also noch vor
27:23 Chat GPT. So und wo wie ist die Entwicklung? Weil es kommt auch so ähnlich wieder auf so ein Jahr so zwischen 20, 28 und
27:32 30 auf einen eine Zahl hinaus. Genau. Ja. Ähm, die Daten, über die du da sprichst, wo man diese exponentielle Kurve drin sehen kann, die werden
27:43 erhoben von einem Forschungsinstitut, das heißt Mieter Institut. Also, es wird geschrieben Mr. Mieter, nicht Meter wie Meter.
27:51 Nicht Meter wie Meter, sondern Mieter. Mieter. Ähm, die sitzen in Kalifornien. Das ist äh ein ein öffentliches Institut im Sinne von, ich glaube, die sind sogar
28:02 komplett nur von Patreon gefundet. Also ist keine keine Firma dahinter, ist auch keine Uni dahinter, aber das sind alles
28:11 Wissenschaftlerinnen und ähm deren Job, was die machen, ist die die schauen sich immer die neuesten äh letzten Releases von den
28:22 Fundamentalmodellen an. Also, keine Ahnung, GPT 51, 52, 53, 54, Clot aktuell 46,47 ähm und machen Tests mit denen, also was können die eigentlich und
28:36 insbesondere versuchen die zu messen. Ähm hier ist ein eine Aufgabe, da gehen wir davon aus, wir haben irgendwie mit Menschen diese Aufgabe bearbeiten
28:45 lassen. absoluter Topxerte für das Problem, um das da geht, braucht für diese Aufgabe, sagen mal 2 Stunden oder zwei Tage oder zwei Monate. Ähm, jetzt
28:57 geben wir die Aufgabe dem KI System. Wir gucken mal, wie lange das braucht, um diese Aufgabe richtig zu lösen. Und wir machen das zehn mal. Und wenn es in zehn
29:09 Läufen die Aufgabe fünf mal richtig gelöst hat, dann zählen wir das als ein Erfolg und sagen, ähm dieses KI System kann in so und so viel Zeit eine Aufgabe
29:21 lösen, für die ein Mensch so und so viel Zeit bräuchte. Und da ist es jetzt so, da hast du gesagt, richtig gesagt, also äh vorer Jahren waren wir da konnte KI
29:33 Problem lösen, wo ein Mensch eine Sekunde für braucht. [gelächter] Dafür braucht man keine KI. Und äh dann vor 3 Jahren war es eben dann halt so
29:43 keine Ahnung 10 Sekunden und das ist schon deutlich viel mehr als eine Sekunde. Und dieses diese Zunahme der Leistungsfähigkeit,
29:51 die wächst halt auch exponentiell und das geht sogar immer schneller. Ähm, Ende letzten Jahres hätte man noch gesagt, okay, zurzeit kann ein KI System
30:03 eine Aufgabe lösen, wo ein Mensch 2 Stunden für braucht oder zweieinhalb Stunden und dann kam äh Clode Opus 46 und er kann schon 78 Stunden. So und die
30:16 brauchen ja nicht 78 Stunden für die Lösung. Also der Mensch bräuchte, der menschliche Expertin bräuchte 78 Stunden und hier promptet man einfach das
30:25 System. Diese Aufgabe ist zu lösen. Vielleicht sagt man, bedenke bitte folgendes, vielleicht sagt man das nicht. Und dann ist es ja typischerweise
30:33 in innerhalb von einigen Minuten damit fertig. Hat irgendwie Code geschrieben, mathematischen Beweis geführt, was auch immer. Und wie gesagt, wenn ein Mensch
30:42 das gemacht hätte, hätte er 78 Stunden dafür gebraucht. Und wenn man das jetzt dann auch wieder, dann kann man sagen, okay, so war die Entwicklung über die
30:51 Zeit, so und so viel Sekunden, 2 Sekunden, 8 Sekunden, 32 und exponentielles Wachstum. Da wäre man dann auch wieder im Jahr 202
31:01 bei einer Leistungsfähigkeit, wenn das so weitergeht wie jetzt, wo die auf einen Promptin quasi 10 Jahre Arbeit eines Menschen erledigen können. Und das
31:12 ist, was mich halt nicht schlafen lässt. Ähm, da hatten wir ganz am Anfang, was bedeutet das? Also, wenn wenn ich eine Firma habe, ich habe äh ein Startup zehn
31:22 Mitarbeitende, jeder von denen kann pro Jahr ein Jahr Arbeit leisten. [gelächter] Ich habe zehn davon. Wenn man das gut
31:29 aufteilt, dann können die in einem Jahr so viel Arbeit leisten wie zehn Leute zusammen und kommt was bei raus. Und und jetzt kann ich jetzt schon überlegen,
31:40 demnächst wird es möglicherweise KI Systeme geben, die promte ich und dann habe ich nach 20 Minuten das, was die zehn Leute in einem Jahr erarbeiten
31:50 könnten. Was wird das mit der Wirtschaft machen? Was wird das mit der Gesellschaft machen? Was wird das mit uns machen? Das
32:00 ist so die Frage, die die mich am meisten umtreibt momentan. Und ich hoffe, es ist schon jetzt einigermaßen deutlich geworden, wie transformativ
32:11 oder du hast gesagt disruptiv das jetzt tatsächlich ist und das ist nicht, wen wir zurückgehen, ja, vielleicht von von Agrarwirtschaft zur Industrie, das
32:22 war ja eine massive Transformation, [räuspern] wo ich keine Ahnung 95% der Menschen am am Feld waren
32:30 und keine Ahnung, paar Jahre später waren sie in der Industrie, also es war ja wirklich Ja. Ja. So, aber das geht ja jetzt a in
32:37 einem Speedprozess, weil ja jetzt auch nicht, also vielleicht nicht mehr die Muskelkraft angegriffen wird, sondern jetzt ja das das geistige gut. Ja,
32:46 genau. Also was macht das? Und da bin ich auch voll bei dir. Ende letzten Jahres hat Emak Gründer von
32:52 Stability ein Buch geschrieben, das heißt The Last Economy. Der ist wirklich auch in Fragestellt, was bedeutet das für die, du sagst auch für die
32:58 Wirtschaft, für die Ökonomie, für Geldflüsse, wer verdient eigentlich Geld? Was ist, wenn ich jetzt den Roboter einstelle?
33:04 äh Monatssoftware versus Arbeitgeberanteil 100.000 € für ein Mitarbeiter äh im Schnitt 5000 für ein Roboter. Wie versichere ich den? Der
33:13 kriegt überhaupt noch Geld. Wo gibst du es aus? Großes großes Thema. Ein Grund mehr, dass man ja wissender
33:23 macht, darüber nachdenkt, kontrovers ähäh diskutiert, die Menschheit abholt und es wirklich bewusst macht, an welchem Punkt wir gerade stehen.
33:32 Ja, so viel sei dazu gesagt. Vielleicht dazu noch eine Sache. Ähm was wir da gerade beobachten, es ist
33:40 sozusagen, wir haben es eben gesagt, wir haben uns 2016 das erste Mal drüber unterhalten. Es war absehbar.
33:48 Aber ähm trotzdem ist greatest shortcoming of the human race our inability to understand the exponential function, weil du und ich, wir haben das
33:57 2016 schon gesehen, dass das jetzt exponentiell schnell sich weiterentwickelt und trotzdem habe ich erst in diesem Jahr, also 2026
34:06 begriffen, was das heißt, wenn die Dinger plötzlich coden können. Ja. Ähm, das hätte ich mir 2016 überlegen können, aber ich konnte das
34:13 damals noch nicht verstehen. Und jetzt sehe ich es und ähm, also ich ich selbst kämpfe ja damit. Jetzt, wo wir in wirklich wo wo diese exponentielle
34:22 Dynamik voll im Gang ist, kämpfe ich ja selbst damit äh zu überlegen, was das eigentlich bedeutet. Und dafür ist die beste Guideline, die wir als Menschheit
34:32 zur Zeit haben, Science Fiction Literatur und Science Fiction Filme. Und ich weiß nicht, ob du das Buch kennst. Es gibt von Charles Stros heißt das, ist
34:42 ein englischer Science Fiction Autor aus den späten 90ern ein Buch, das heißt Accelerando, also sozusagen Beschleunigung. Okay.
34:50 Axelando und ähm ist eins der besten Science Fiction Bücher, dass ich kenne und es ist gerade in Action
34:59 und [gelächter] ähm nur so als ein Beispiel, also Science Fiction Autoren in den 90er Jahren. Ich ich sage jetzt mal einfach
35:05 ein paar Sachen, die in dem Moment, wo ich sie gesagt habe, ist offensichtlich, dass das kommen wird. Ähm, wir haben jetzt schon äh
35:13 spezifische Informationsaustauschprotokolle für diese Agenten. Ich habe jetzt leider vergessen, es heißt gibt's eins, wenn
35:21 die sich unterhalten, das ist wirk nur noch so ein Gepiepe. Also, die können innerhalb von Sekunden wesentlich mehr Information übertragen, als wir mit
35:27 Sprache übertragen können. Das ist auch überhaupt gar kein das ist okay. Also das, dass man irgendwie die Länge eines Signals komprimieren kann, das völlig
35:36 okay. Also man sieht jetzt schon, wenn diese Maschinen so Protokolle haben, mit denen sich untereinander effizienter verständigen können, in so agentischen
35:45 Settings, ist das ja eine gute Sache. Ähm, dann sind die in noch kürzerer Zeit in der Lage Sachen zu machen, die wir als Menschen nicht machen können. Ähm,
35:53 an welchen Stellen braucht man denn möglicherweise besonders effiziente Protokolle? Äh, wir kennen ja auch jetzt diese
36:01 Anekdoten von KI hier, Moldbot, äh, Claudbot, die in der Lage sind, Aktien zu handeln und so weiter. Ähm, wenn man das sehr schnell machen kann, so wie
36:15 sagen wir Wall Street Goldman and Sax, dann hat man natürlich ein Vorteil anderen gegenüber. Jetzt kann man sich fragen,
36:23 ähm braucht man denn eigentlich, wenn man irgendwie so eine so eine Wirtschaft mit mit Aktienhandel und Investments und so weiter, sind Aktien das beste
36:31 Instrument? Gibt's vielleicht andere Finanzinstrumente sowie diese äh äh Assets, die 2008 zur Finanzkrise geführt haben, wo Hauskredite gebündelt wurden,
36:43 immer gebündelt wen irgendwie große Pakete äh getradet wurden, die dann hinter all in sich zusammengebrochen sind, weil die Hauskredite, auf denen
36:51 das alles beruhte letztendlich nicht mehr bezahlt werden konnten. Also gibt es möglicherweise Finanzprodukte, mit denen man effizient irgendwie
36:59 Finanzwirtschaft betreiben kann. Wo werden die herkommen? aus den KI und dann werden wir äh plötzlich in der Situation sein, dass ähm immer mehr von
37:07 der Welt, in der wir leben, äh stattfinden wird in dieser virtuellen digitalen Welt der fundamentalen Modelle, die dann eigene
37:20 Finanzprodukte entwickeln, die untereinander traden, die dann eben halt möglicherweise sich wirklich untereinander über neueste
37:26 wissenschaftliche Erkenntnisse unterhalten und so weiter und so fort. und wir als Menschheit da gar nicht mehr hinterherkommen. Das kann passieren und
37:32 darüber ist dieses Buch Accelerando, also wo diese [gelächter] Entwicklung hinführt. [räuspern] Okay, also ein Tipp: Science Fiction
37:41 Bücher lesen, es wird wahr. wie in den 60er 70er Star Trek, du klappst Handy auf, ist vielleicht mal irgendwann und dann
37:50 hat man irgendwann Klapphänden, hat man irgendwann iPhone, aber halt 70 Jahre später oder 50 Jahre später, jetzt äh ist der Speed äh
38:02 ja, jetzt geht's im im Minutentakt nach vorne. Ja.
38:07 Okay, [räuspern] lass mal über deinen, ich sage jetzt mal vielleicht Schwerpunkt Hybrides Inform Machine Learning sprechen.
38:17 Das Thema Lernen aus Daten plus Weltwissen, Expertenregeln.
38:24 Vielleicht kannst du mal kurz beschreiben, was ist da dein Ansatz? Also, worauf bist du hinaus? ist vielleicht auch eine
38:30 Gefahr, wenn ich jetzt einfach nur diesen Moment KI System es überlasse, hilf mir mal, was ist da dein deine Aufgabe?
38:41 Ja, das fundamentale Problem ist, dass diese Transformerbasierten Foundation Models, ob die jetzt ähm Sprache erzeugen, natürlich erst Sprache
38:52 lesen irgendwie verstehen. Jetzt kann man argumentieren, verstehen die das wirklich? Äh, aber warum verstehen wir das? ist auch bei uns im Gehirn
39:00 irgendwelche Neuronenaktivitäten, das ist Verständnis und in diesen künstlichen neuronalen Netzen, irgendwelche Neuronenaktivitäten ist das
39:07 verstehen. Wir können drüber argumentieren, aber ähm das ist basierend momentan zu einem sehr sehr großen Teil auf auf so Transformernetzen
39:17 oder Diffusion Modellen und wir sind halt sehr rechenintensiv. Also das Training von diesen, sagen wir dieses mythische Mythos von von Anthropic, was
39:30 in den letzten zwei Monaten fiel in den Medien war, ähm das hat angeblich im Training ähm 100 Millionen Dollar gekostet. Und und wenn
39:42 ich sage 100 Millionen Dollar kostet das Training, das ist ein bisschen das Gehalt von den Leuten, die auf die Knöpfe drücken und das starten und so
39:49 weiter. Im Wesentlichen ist es wirklich der Strom, die Energiekosten, die verbraucht werden, um diese zwei, drei Rechenzentren, in denen das Training
39:59 passiert, äh äh am Leben zu halten und und zu kühlen. So, keine Ahnung, Kühlung und Energie für den Trainingsprozess, was halt wirklich im Grunde eine riesige
40:11 Rechnung ist, die die durchgeführt werden muss und am Ende ist das ist das Netz trainiert und kann kann mit dir über Sachen sprechen. Ähm, so und das
40:20 ist lange bekannt, mittlerweile auch in der Öffentlichkeit, von da ist das kein große Geheim. Das geht ja eigentlich nicht. Also, das ist ja nicht nachhaltig
40:27 oder sustainable, wie man sagen würde, weil wir sehen das auch jetzt schon, dass das eben äh also die Kosten, die Open AI und Anthropic und so
40:37 weiter haben, liegen halt hauptsächlich im im Betrieb ihrer ihrer Rechenzentrin, verbrennt wahnsinnige Milliardenbeträge jedes Jahr, äh verbraucht sehr viel
40:47 Strom, der dann an anderer Stelle nicht mehr zur Verfügung steht, braucht Kühlwasser, was was auch ökologisch nicht so gut ist. Man kann sich fragen,
40:54 muss das denn sein? Weil z.B. und das habe ich tatsächlich neulich erst auch wieder für die Vorlesung ausgerechnet, deswegen bin ich mir bei den Zahlen so
41:01 sicher. Also so ein Rechenzentrum, ein Standard Hochleistungsrechenzentrum, wie die das da in den USA gerade brauchen, das hat so äh Verbrauch äh 10 Megwatt 10
41:12 Megwatt am Tag, das sind 10 Millionen Watt und äh dein Gehirn, mein Gehirn in etwa 24 Watt. So, da liegen äh drei Größenordnungen
41:23 dazwischen. Das ist, wir wissen, dass es prinzipiell auch günstig geht. Wir müssen halt jeden Tag ein bisschen was essen, sagen wir 2000 Kalorien aufnehmen
41:33 und dann kann unser Gehirn das und so ein Hochleistungsrechenzentrum auch halt ja exponentiell viel mehr Energie, um diese Art von Berechnungen
41:44 durchzuführen. Ähm natürlich und das hatten wir im Vorgespräch schon gesagt, was was wir als Menschen nicht sind. Wir sind keine
41:53 alles Könner. Ja, wir können eigentlich alles, aber nichts, wenn es jetzt um irgendwie sagen mal lesen, verstehen, schreiben geht, nicht
42:02 so gut wie wie diese aktuellen Front Modelle, weil mit denen kann ich mich über Weinbau unterhalten, über Quantencomputing,
42:08 über Sport, über Kunstgeschichte. Das sind jetzt alles Themen, da könnte ich selbst noch was zu sagen, aber du kannst noch zehn weitere in den Ring schmeißen.
42:15 Irgendwann kommt eins, wo ich absolut nichts zu sagen kann. Die können das aber jetzt kann man sagen, vielleicht ist das nötig äh wenn man alles können
42:23 will, dass dass ähm man so viel Energie braucht, um alles zu können. Da kann man aber fragen, als Menschheit ist es ja auch so, jeder von uns ist auf eine Art
42:32 und Weise für irgendwas Spezialist. Und wenn ich ähm [räuspern] könnte selbst ein Brot backen, aber ich kann es in der Bäckerei auch kaufen, also mich drauf
42:40 verlassen, dass ein Spezialist das gemacht hat. Ähm, was ich gut kann, ist, ich kann ähm über Wissenschaft reden und da Sachen ins Internet stellen. Wenn der
42:50 Bäcker das bräuchte, dann würde er es das nicht selbst machen müssen, sondern ich hätte das gemacht. Also jeder von uns hat so seine Rolle und eben hatte
42:58 ich das schft gesagt, wenn ich, sagen mal, die Buchhaltung in einer Firma mache, da muss ich für die Buchhaltung nicht wissen, unter welchen klimatischen
43:06 Bedingungen der Shadone in Kalifornien besonders gut gedacht. Eigentlich brauche ich ja auf eine Art und Weise kein so ein universelles Modell,
43:16 sondern vielleicht reicht es, wenn ich hunderte kleine Spezialisten hätte, die dann ähm nicht so ganz so energieintensiv sind.
43:27 Und da ist eine Debatte zurzeit. Es gibt Leute, die sagen: "Nein, nein, nein, das muss so groß sein, weil unsere Erfahrung bislang zeigen, dass diese kleinen
43:34 Modelle nicht wirklich Verständnis haben, auch nicht für Spezialbereiche. Äh, ich selbst glaube das nicht. Erstmal aus praktischer Erfahrung heraus mit
43:42 Modellen, die wir selbst ins tatsächlich für Buchführung [gelächter] entwickelt haben, die können das ganz gut. Ähm und und das ist jetzt die
43:51 Frage, wenn ich für das Training von so einem Fundamentalmodell das ganze Internet Datenvolumen brauch und ein ganzes
44:00 Rechenzentrum brauch und dann zwei Monate, also dann drücke ich auf Return und dann geht's los und das braucht ist das eigentlich könnte ich nicht viel
44:08 mehr sagen, okay, ich habe hier ein Modell, das kann schon sprechen, das ist irgendwie ganz gut in der Lage. Es weiß nichts über Shadon in Kalifornien, es
44:15 weiß nichts über Buchführung, aber wenn ich dann sage, hier ist ganz viel Datenmaterial zum Thema Buchführung, kann ich das dann nicht, man sagt fine
44:24 tunen, dass es ein Experte für Hochführung wird. Ähm was in den letzten anderthalb Jahren dazu gekommen ist bei den Fundamental insbesondere diese
44:34 Reasoning Capabilities, also das sieht man jetzt auch äh der Nutzer will von mir das, da muss ich erst das machen ja und dann kommt erst die Antwort. ähm
44:42 kann ich nicht bei dem Post Training, wo man mit diesen Reasoning Traces arbeitet, kann ich nicht da spezielles Wissen benutzen. Muss ja nicht über
44:51 alles nachdenken können, das Modell, sondern vielleicht kann ich die Daten so aufbereiten, dass es dann in gut in der Lage ist über Buchhaltung nachzudenken.
45:00 Und da käme dann eben halt, wie du gesagt hast, Expertinnenwissen zum Einsatz. Also ich weiß, ich will eine KI haben, die Buchhaltung machen kann und
45:08 ich will eine KI haben, die Auto fahren kann oder was auch immer. Dann reicht es doch vielleicht, wenn ich die KI speziell darauf auslege. Und das ist
45:18 nicht der aktuelle Trend. Es geht halt zu immer größeren Modellen. Scaling, Scaling, Scaling. Aber meine mein wissenschaftliches Interesse ist halt,
45:27 muss das sein? Kann man damit mit gut aufbereiteten Daten was machen, dass es nicht so viele Daten braucht? Kann man damit spezifischen Daten dafür sorgen,
45:39 dass es ähm Experte für etwas wird, dann habe ich ein kleines Modell, das genau das tut, wofür ich es brauche. Und
45:49 ich habe ich habe damals, das habe ich tatsächlich auch von dir geklaut. Ähm das war so eine einfache Gleichung. Ich glaube, das war damals Big Data
45:59 plus äh neuronale Netze plus Open Source Modelle gleich Fortschritt in KI. Und jetzt habe ich hier zum Thema, wir haben
46:11 ja jetzt mal wieder, obwohl wir ja schon zwar ich me ich habe ja damals auch schon probiert diese KI, da passiert etwas, liebe
46:21 Unternehmen, kümmert euch drum und AI first und macht doch und jetzt äh schon wieder gibt es die neuen Firmen wie Anthropic und Open AI und sie sind
46:30 wieder in den USA und kriegen wieder die großen Finanzierung. Warum haben wir es nicht gemacht? Ich habe da eine Gleichung
46:37 Hybride KI plus Quantum Machine Learning plus Souveränität gleich europäische Blaupause für unabhängige KI Führerschaft 2030.
46:46 Das wäre natürlich der Traum. So, wie kommen wir denn zu diesem Traum? Ja, ähm Wür so langsam ein bisschen politisch. Ähm,
46:56 ich denke, wir müssen uns in Europa auf das, was man jetzt irgendwie auch auf amerikanisch The Verticals nennt, äh konzentrieren. Aktuell ist es ähm nicht
47:08 möglich, so ein Anthropic Mythos Ding in Europa zu trainieren. Mhm.
47:14 Ähm, da gibt es viele Gründe. Erstmal bezahlen möchte, dass in Europa keiner, weder die Wirtschaft noch die Politik. Ähm, wir hätten die Rechenpower wäre da,
47:26 müsste halt bezahlt werden. Äh, aber die Maschinen stehen rum. Also das das ist nicht das Problem. großes Problem, das muss man ja einfach
47:35 mal kritisieren bei den Amerikanern und Chinesen. Ähm, die nehmen ja wirklich alle Daten, die sie kriegen können, ohne Rücksicht auf Verluste und wenn das
47:44 irgendwie copyrighted Material ist oder oder von von Künstlerinnen äh ins Internet gestellte B, es wird ja einfach alles alles ins Training genommen. Das
47:55 ist in Europa legal so nicht so möglich, da müssen wir aufpassen. Den Amerikanern ist es egal. warten dann halt den Class Action
48:02 Lawsuit ab und zahlen 100 Millionen. Das ist ja nichts äh bei Billion Dollar Companies these days. Ähm die Chinesen ist es aus anderen Gründen egal. Wir
48:12 haben halt in Europa relativ strikte rechtliche Rahmenbedingung. Das ist eigentlich auch gut so. Das ist eigentlich auch gut so. Ähm das ist
48:21 natürlich, wenn es um die Entwicklung von diesen Fundamentalmodellen geht, ein Standortnachteil. Aber was wir in Europa auch haben, ist
48:29 nach wie vor z.B. wirklich gutes Knohow in ganz vielen Industriebereichen ist in der in der Fertigungsindustrie, was ja in USA kaum noch stattfindet, in China
48:40 natürlich mittlerweile auch schon. Ähm und diese Firmen z.B., die wissen sehr viel darüber, wie man, ich sag mal, Klimaanlage bauen muss, was da für
48:49 Schritte, was für Materialflüsse, also wann was, wie, wo man was kaufen kann. Also ganz viel in der Datenbanken steckt so viel NOH drin, dass tatsächlich
48:59 in den Entropic Modellen nicht drin sein kann, weil diese Daten sind nicht öffentlich. Also die die sind halt zwar elektronisch vorhanden, aber nicht im
49:07 Internet. Und das meine ich mit verticals, also es gibt halt diese Spezialdaten für aus der Industrie oder so, wo man dann eben
49:16 versuchen könnte, so spezialistische Modelle äh zu erzeugen. Ähm und das wäre die Chance, die ich für Europa bis 2030 sehe. Du hattest Quantum
49:27 Machine Learning erwähnt. Ähm, das sehe ich aktuell bis 2030 nicht. Ich würde mich freuen, wenn ich da falsch liege, aber ah das ist halt auch so ein
49:39 Hypthema und im Gegensatz zu künstlicher Intelligenz, wo wirklich fundamentale Fortschritte sehen, sehen wir das beim Quantencomputing und Quantenmachine
49:50 Learning noch nicht. Das wird seit Jahren versprochen, aber das ist halt so ein Hype Thema. Ähm, der Vorteil wiederum ist dadurch aber auch, dass das
50:00 Rennen da noch nicht vorbei ist. Also, wenn jemand in Europa eine wirklich gute Idee hätte, wie man so Quantencomputer baut und wie man die in der Lage
50:09 versetzt, KI Systeme zu trainieren, dann dann wäre das was Anthropic so nicht hat. Vielleicht hört gerade einer zu oder
50:18 schaut einer zu, der [räuspern] ihr seid willkommen, meldet euch gerne. Ja, nee, auf jeden Fall. Also, da würde ich mich freuen. Das wäre das wäre
50:25 fantastisch, wenn da wenn da jemand echt neue Ideen hat, vielleicht sogar auch aus einer Diskussion mit einer KI heraus.
50:32 [gelächter] Ja, nein, ich gehe davon aus, das wird das wird ähm so so wird da der nächste [räuspern] Durchbruch kommen aus
50:39 Diskussion mit KI. Du hast es gerade erwähnt, dieses du hast jetzt am Beispiel in der Klimaanlage die Fertigungsprozesse diese
50:47 ganzen Daten, die nicht öffentlich, wo jetzt [räuspern] kein Hyperscaler gesagt hat, so wir gehen jetzt Wiki durch, wir gehen Reddit durch, wir nehmen die
50:54 Daten, wir trainieren da drauf, wir machen [räuspern] wir rufen vielleicht noch in Südafrika
50:59 an wie Open damals und lassen noch von den Menschen nachlabeln. Ja, ist richtig. Nein, vielleicht diese Daten sind nicht da,
51:05 die sind aber da. Was würdest du denn jetzt z.B. für auch einen klassischen Mittelstempler, das
51:12 für mich immer noch [räuspern] das Rückrad unserer Nation raten, die diesen Schatz an Daten, den man hat. Mhm.
51:20 Was mache ich denn jetzt damit? Mm. Ich bin Mittelständner, ich höre jetzt überall KI. Ja,
51:25 was soll ich machen? Ähm, als allererstes natürlich drüber nachdenken, was bräuchte ich eigentlich? Also, äh, KI, nur wegen KI ist auch
51:37 sinnlos. Also gerade die mittelständlerischen Firmen, die haben alle gut eingespielte Prozesse. Das das läuft
51:46 bei denen. Könnten vielleicht hier ein bisschen was bei den Materialkosten sparen, da ein bisschen effizienter arbeiten, was auch immer. Was ist
51:53 eigentlich der Painpoint? Was was ist das Problem? Wo wo denke ich, wenn ich das in meiner Firma gelöst oder in meinem Unternehmen gelöst kriege, was
52:01 hätte ich davon? Was was brauche ich eigentlich? Und da ist es jetzt wirklich so, wenn man sozusagen den Painpoint für sich identifiziert hat, gehe ich im Jahr
52:13 2026 davon aus, dass man von da an über KI nachdenken sollte, weil so wie es zur Zeit aussieht, gibt's eigentlich wirklich nichts, wo die KI nicht ein
52:26 bisschen hilfreich sein kann, wenn man genau weiß, wie damit umzugehen ist oder wie man sie zu bauen hat, um das zu erreichen, was man gerne hätte. Und wenn
52:37 man jetzt soweit ist, dass man sagt, okay hier, das ist mein Problem und ich habe auch vielleicht schon gibt ja sowas wie KI NRW ähm wo Unternehmen mit mit KI
52:48 Expertinnen zusammengebracht werden, um so zu checken, ist das eine sinnvolle Idee oder nicht? Und auch den Schritt habe ich schon gemacht und dann ähm kann
52:57 man da dann eben halt mit diesen Expertinnen gerne hier auch mit uns bei Frauenhof oder so [gelächter] ähm dann über die technische Umsetzung
53:07 nachdenken und da wäre zurzeit halt wirklich sag's ein das ist kein Geheimnis. Äh, die Daten sind der Schatz, deswegen kann man das öffentlich
53:13 sagen. So wie man das heutzutage machen würde, man würde ein äh gut funktionierendes ähm Medium Size Modell nehmen, also Modellgrößen. Äh es ist
53:23 immer diese Anzahl der künstlichen Synapsen in diesen künstlichen neuronalen Netzen. Und da sind wir jetzt, wie gesagt, bei den aktuellen
53:31 Frontier, also Cutting Edge an der an der Grenze des machbaren Modellen. Frontier Modelle sind an der Grenze des aktuell technisch machbaren. Die
53:39 erreichen jetzt auf englisch eine Trillion Parameter und auf Deutsch wäre das Billionen.
53:47 Und ähm so diese Dinger, die wir alle kennen, GPT5 irgendwas, Clot 4 irgendwas, die sind so im 100 Milliarden Bereich. Äh, also hunderte Milliarden
54:02 sollte ich sagen. Ähm, keine Ahnung, 500, 600, irgendwie sowas. Äh, medium size wäre zwischen 10 und 100 Milliarden. Small ist heutzutage alles
54:14 unter 10 Milliarden. Und man würde also ähm ein funktionierendes Medium Size Modell nehmen und dann feet Tunen mit den Daten aus den Unternehmen und Post
54:27 trainieren mit entsprechenden Reasoning Verfahren, da vielleicht auch wieder strukturierte Repräsentation von Wissen benutzen. Das das kann man schon machen
54:37 und dann hätte das Unternehmen ein eigenes Modell, das auf einem eigenen Computer läuft, kein Rechenzentrum nötig, da reicht irgendwie ein
54:46 Serverschrank oder vielleicht sogar ein guter Gaming PC. Äh, da würde das dann drauf laufen und könnte eben mit den Mitarbeitenden des Unternehmen über
54:56 deren Fragen, keine Ahnung, im Produktdesign, äh, in der Buchhaltung, was auch immer besprechen.
55:03 Ist das das Thema lokale KI versus ich gehe zu einem der großen Anbieter in deren Cloud und bin mir nicht sicher, was mit den
55:12 Daten passiert. Das ist ein Thema. Natürlich haben die großen Anbieter, insbesondere Microsoft mit Copilot und so weiter, aber auch
55:20 GitHub auch zu Microsoft. ähm auch die anderen ähm bieten Lösung an, die dann auf europäischen Rechenzentren installiert würden und dann nach
55:31 europäischen Maßgaben betrieben würden. Aber ähm es gibt halt keine Garantie, dass die Daten nicht letztendlich doch auf
55:40 amerikanischen oder chinesischen Servern landen. Und das muss man sich dann als Unternehmen klar machen, also wenn man mit diesen ähm von den Amerikanern oder
55:49 Chinesen produzierten System arbeitet und da irgendwie noch eigene Daten mit reintut oder auch nur durch die Gespräche, die man denen hat, äh lernen
55:59 die ja etwas über die Probleme, die man gerne diskutieren möchte. Ähm, das endet in der Regel dann äh in amerikanischen und chinesischen Datenbanken, äh, die
56:10 dann in nächsten Schritt wieder zum Training benutzt werden. Und das würde dann bedeuten, dass ähm dann plötzlich die Konkurrenz [gelächter]
56:17 ein KI System hat, in dem mein Wissen aus meinem Unternehmen drin ist. Das heißt, das ist ja ein ähnlicher Punkt wie
56:27 damals. Wir haben Daten und die Daten müssen irgendwo hin. Wir wollen sie aber nicht in die Cloud packen, sondern wir nehmen
56:33 ein eigenes Datenzentrum. Menauso ist es jetzt mit äh ja, es gibt KI Modelle, die aber auf fremden Servern laufen. Also baue ich
56:45 mir lieber oder ich installiere mir oder denke drüber nach, wie groß muss es sein, ein eigenes KI Modell. Genau. Und das kann nach aktuellem
56:57 technischen Stand dann kein sehr großes sein, weil wirklich diese sehr großen Modelle, über die wir immer lesen, hören und mit dem wir da äh interagieren, wenn
57:07 wir die Token bezahlen, ähm das sind wirklich das sind nur Computerprogramme
57:14 oder Apps, die aber so viel Speicherbedarf haben und so viel Berechnungen durchführen müssen, dass das so ein Modell, so ein Programm, so
57:24 eine App ein ganzes Rechenzentrum braucht, um überhaupt laufen zu können. Und ähm das ist, das wäre technisch in Europa zurzeit nicht machbar. Ich wüsste
57:35 nicht, wie wie deutsche Mittelständler überall Rechenzentren bauen sollten. Also, da muss eigentlich das Ziel sein, äh mit Medium size oder
57:45 Small Size Modellen zu arbeiten. Und das meinte ich eben mit vertikal. Also, die können dann nicht alles wissen, aber die könnten Spezialisten für, sagen wir mal,
57:54 von vom Einkauf über die Herstellung bis zum Verkauf, was immer das Problem in der Industrie ist, äh die die könnten halt ähm da weiterhelfen bei solchen
58:06 Schritten in der in der Vertikale, ohne dass sie das noch mal über Shadon in Californien Bescheid wissen. Ich habe vor bis mittlerweile auch, ich glaub 6
58:17 Jahre her ein Buch empfohlen, das heißt ähm AI First Company, wo explizit drin beschrieben wird, wenn Sie jetzt nicht ihre Firma
58:30 AI First, also KI zuerst denken, eine Abteilung aufbauen. Mhm. Eine, ich nenn es jetzt mal KI
58:37 Abteilung. Mhm. wo du das schon alles hättest machen sollen und so wenn sie das nicht machen, sind sie potenziell in den
58:45 nächsten 10 Jahren weg. Ja, [räuspern] ich will jetzt keine Angst machen. Ich habe ja auch heute, ich hab's ja hier
58:52 aufgebaut, dass es n mal eben ein Punkt ist, der nicht mehr umkehrbar ist. Es ist da, es zieht auch keiner ein Stecker und dann sind wir wieder im vergangenen
58:59 Jahrhundert. Mhm. Was ist denn, wenn du jetzt, ob das jetzt von mir ist ein klassischer
59:05 Mittelständler ist, ähm oder wer auch immer, warum muss man das denn machen? Oder sagst du auch, pass mal auf, nein,
59:13 lass lass sein. Das ist jetzt ein kleiner Hype. Nein, also ein Hype ist das nicht. Es ist natürlich völlig überhitzt das
59:21 Thema. Also in die Art und Weise, wie es in in den Medien dargestellt wird, wie wir es halt meistens äh präsentiert bekommen, das das ist absolut überhitzt,
59:30 aber diese Fortschritte sind real. Äh da sind reale Vorteile, die werden nicht weggehen. Dann heißt immer ja, aber der halluziniert oder ja, aber der kann über
59:40 zwei Zahlen multiplizieren. Das sind immer Einwende von Leuten, die nicht auf dem neuesten Stand sind, weil die ganzen Jahs, die den letzten zwei Jahren gehört
59:47 haben, die hatten sich immer drei Monate später erledigt. [gelächter] Dann musste man nächste Jahr aber
59:52 finden. Also das ist ähm die Vorteile sind da. Die Technologie zeigt dramatische Leistungszunahmen und wir stehen bei einem exponentiellen
1:00:00 Wachstum. Da, wo wir sind, ist immer der Anfang, denn [gelächter] denn das ist das Wesen von von exponentiell, dass sozusagen der nächste
1:00:11 Schritt ist mehr da, als jemals zuvor da war. Das ist eine andere Charakterisierung von von exponentiell. Ähm, das heißt, auf dieser
1:00:20 Entwicklungsdynamik, auch wenn jetzt Sachen gehen, die vor 3 Jahren Science Fiction waren, das ist immer noch der Anfang im Vergleich zu
1:00:27 dem, was wir nächstes Jahr sehen werden. So, das ist real. Also, es ist kein Hype. Und ähm jetzt diese Sache mit braucht man KI nennen,
1:00:37 kann niemanden zwingen, aber ich kann z.B. sagen, dass sich äh das ist auch kein Geheimnis, unter anderem die deutsche Autoindustrie für unangreifbar
1:00:47 gehalten hat. Und mittlerweile ist es so, dass sowohl die technisch als auch ökonomisch besten E-Autos der Welt nicht aus Deutschland kommen, sondern aus
1:00:57 China. Ich habe tatsächlich vorgestern erst in der Zeitung gesehen so eine Kurve, wo ich mach sie die Richtung, [gelächter]
1:01:05 so eine Kurve, wo zwei Kurven äh auseinander driften. Die fangen beide im Jahr 2018 gemeinsam ein. Das eine ist sozusagen die äh Einboßen bei den
1:01:14 deutschen Industriexporten und das andere ist die Kurve, die äh Zugewinne bei den chinesischen Industriexporten. Undusagen, was die Chinesen in 8 Jahren
1:01:23 dazu gewonnen haben, ist genau das, was die Deutschen ja verloren haben. Das hätte man 2016 äh mit allen möglichen Expertinnen in Deutschland diskutieren.
1:01:32 Hätten alle gelacht? Hätten alle gelacht. So, wir sehen also, dass es gefährlich ist, ähm, sich seiner Sache zu sicher zu sein. Ähm es gibt Player
1:01:42 auf der Welt, die in der Lage sind, plötzlich sehr schnell aufzuheben, aufzuholen. Wenn die das ähm ohne Unterstützung von Computern machen
1:01:52 würden, dann könnten die nicht so schnell sein. Ähm so und treten halt jetzt in ein Zeitalter besondere in der IT-industrie
1:02:00 ist es schon ganz klar, aber auch in der Produktionsindustrie. Es gibt mittlerweile viele Startups, die kommen meistens tatsächlich aus Europa, wo
1:02:09 versucht wird mit KI zusammen äh neue Materialien äh zu finden. Und wenn ich sage neue Materialien, dann heißt es im Wesentlichen immer Batterietechnologie.
1:02:18 Kann man Batterien besser bauen? Ähm, als Menschheit haben wir da so ein Plateau erreicht mit unseren Ideen, wie man das macht. Vielleicht kann die KI,
1:02:26 wenn man clever mit ihr arbeitet, sagen, mach das doch so. Und dann hat man eine größere Batterieeffizienz. Das ist ein so ein so ein Beispiel. Also KI ist
1:02:35 mittlerweile in der Lage, Probleme zu lösen, die wirtschaftlich relevant sind. Und ähm ja, dann kann man sagen, ich brauche das nicht. Ähm,
1:02:47 es wird es wird über kurz oder lang dazu führen, dass man dann den Wettbewerbern gegenüber deutlich im Nachteil ist. Und just heute morgen habe ich in der
1:02:58 Zeitung gelesen, dass Argentinien äh jetzt eine sehr deregulative KI Politik fahren möchte, z.B.
1:03:11 dass es in Argentinien jetzt bald möglich sein soll. reine KI Firmen zu betreiben, also wo wirklich eigentlich gar kein
1:03:21 Mensch mehr, aber sagen wir so so Sachen wie Steuerberatung oder so, das muss kein Mensch mehr machen. Das könnte man komplett automatisieren. Das ist im Jahr
1:03:28 2026 ohne Probleme möglich, aber rechtlich geht das z.B. in Europa nicht. Ähm, in Argentinien soll das bald gehen. Sagt, ich habe da eine Firma angemeldet,
1:03:38 ich bin der Chef, wo sind meine Mitarbeiter auf diesem Rechner? Und äh die arbeiten halt in 2 Minuten so viel weg wie menschliche Mitarbeitende in 2
1:03:48 Jahren oder so, was auch immer. Ähm da kann man jetzt sagen, betrifft mich nicht, das in Argentinien, aber wirklich, also wenn man mal überlegt,
1:04:00 ähm z.B. Chipherstellung findet größtenteils in Taiwann statt, aber was die dort machen, ist die nehmen
1:04:09 Baupläne, die sie aus Amerika geliefert kriegen und setzen das in die Realität um. Also die eigentliche Wertschöpfung der Firma
1:04:17 liegt in den Bauplänen. Also wenn Nvidia Chips macht, dann dann ist das sozusagen der Bauplan. Der wird dann zwar in Taiwan äh produziert, aber der Bauplan
1:04:26 ist ist der eigentliche eigentliche Wertfaktor und das ist halt kognitive Arbeit, nicht so sehr marchell. Und wenn ich die künftig problemlos in
1:04:35 Argentinien erledigen lassen kann, ähm dann ist das auch wieder schlecht. Das heißt, also wenn man sich da überhaupt nicht drauf vorbereitet, dass
1:04:42 möglicherweise die Konkurrenz das demnächst machen wird auf so eine Art und Weise, dann kann man eigentlich jetzt den Laden schon zumachen. Also das
1:04:51 klingt total alarmistisch, aber ich bin wirklich der Meinung bei dem, was wir über die letzten 18 Monate gesehen haben, man muss sich
1:04:58 auf alles mögliche vorbereiten, wo man bislang gedacht hat, das betrifft mich nicht. Äh und bevor ich auf das Thema äh
1:05:05 Bildung und Lernen komme, noch als, ich sag mal, als Abschluss, ähm get your boat ready, the storm is coming. Ähm äh prepare for it. Wenn
1:05:18 jetzt das habe ich gestern glaub ich, wenn der letzte jetzt sag so ein klassischer Maschinenbau Maschinenhersteller sagt, ich habe hier
1:05:25 den Menschen. Ja, der der geht dann noch mit seinen Händen umher, dass also der also das schön da mit deiner KI und LMs und Hirn und Klasse.
1:05:36 Aber der Mensch, der geht daher. Und wenn ich jetzt, ich hab dann ich bin da mal sehr vorsichtig, weil das glaube ich wieder ich w ob den Rahmen
1:05:47 sprengend. Ich habe dann ein Chart von Dark Factories in China. Ich verfolg dann den Markt, dass jetzt Jeff Bezos, der Emerson Gründer, wieder zurück ist
1:05:57 mit seiner neuen Firma Prometois. Welch wel Namenü welchen Namen sie wählen. Ja, ob das jetzt hieropic ist mit Mythos, Fable,
1:06:06 Prometus, also egal. Ja, sie machen es natürlich sehr geschickt fürs Marketing. Wo drauf ich hinaus sollte, ist das ganze Thema
1:06:15 Physical AI Robotik, wo ich auch damals Thorsten Leinbach war ja hier auch im im Podcast, wir damals auch schon drüber gesprochen,
1:06:24 äh, dass du kit spielerisch an dieses ganze Thema Robotik. Was ist Robotik? Äh mittlerweile ist ja ein Toaster, ein Roboter. Äh ein Kühlschrank ist ein
1:06:31 Roboter. M aber wovon ich jetzt spreche, das sind auch diese Human Neid Robots. Ähm was was glaubst du? Ich sag immer, das
1:06:42 wird nicht mehr lange dauern, ne? Bis ein Roboter wirklich so wie wir jetzt die Freiheitsgrade sind, glaube
1:06:48 ich, schon gelöst. Mit den Trainings Möglichkeiten könnte es ja in sehr naher Zukunft sein, dass die
1:06:57 geläufig erschwingbar sind. Hast du die Videos vom Februar diesen Jahres gesehen von dem chinesischen Neujahrsfest? Das war so eine
1:07:05 Propagandaveranstaltung in [gelächter] Peking, wo auf der Bühne dutzende Furoboter waren. Ähm, ich habe das gesehen und gedacht,
1:07:16 die dürften eigentlich noch gar nicht da sein, aber die sind jetzt da. Und dann habe ich dann auch wieder keine Ahnung online in den ganzen deutschen
1:07:24 Zeitungen nachgelesen, wie der Industriestandort gerade zusammenbricht und wie die Chinesen uns überholen und dann in den Kommentaren da drunter, ja,
1:07:32 aber [gelächter] das ist alles nur vorprogrammiert. Das mag sein, aber dass die Dinger überhaupt nicht umfallen, ist ein Wunder. Also dieses Jahr aber ist
1:07:42 das duseligste, was man machen kann. Das ist das Dümmste. Das darf nicht passieren. Dies Jahr aber kann ich nicht mehr ertragen. die Tatsache, dass wir im
1:07:51 Jahr 2006 paar Dutzend so Kong Fu Roboter auf einer chinesischen Bühne haben, die Sachen machen, die letztes Jahr reine
1:08:00 Science Fiction war und die das so robust machen, auch wenn es alles nur vorprogrammierte Choreografien sind, die Flickflack und Salto machen ohne
1:08:10 umzufallen, dass die Chinesen sich das trauen, das weil wenn die da umgefallen wären, hät ja peinlich ausgesehen. Also die
1:08:16 wussten, dass das nicht passieren wird. Ähm, das hätte eigentlich im Jahr 2026, nach allem, was ich über Robotik weiß, noch gar nicht existieren dürfen. Wir
1:08:27 kennen Boston Dynamics und diese ganzen Sachen und wir wissen, dass die Salto machen können, aber das sehen wir immer ein und nicht 20 nebeneinander, die
1:08:36 interagieren und also es ist es geht sehr schnell aktuell und auch da, wenn man es versucht sich von diesem Jahr aber freiumachen und nicht linear denkt,
1:08:50 sondern halt jährlich verdoppelt, dann kann man sich wirklich fragen, wie lange wird es dauern, bis diese Maschinen in ähm in einem in einer Fabrikhalle
1:08:59 umhergehen können oder hier in dem Haushalt oder wo auch immer ähm ohne umzufallen in der Lage sind wirklich Türen aufmachen, das können ja alles
1:09:08 jetzt schon ähm wo die auch irgendwie mit ihren Händen, die müssen nicht so aussehen wie menschliche Hände, aber wo die halt so eine so eine Feinmechanik
1:09:15 haben, um wirklich ähm Büroklammern oder sowas zu greifen und auch zu manipulieren. Das wird nicht mehr lange dauern. Und Mask hat ja schon
1:09:25 äh im Angebot äh Haushaltsrober, die sind natürlich absolut albern zurzeit, aber sie sind kaufbar und immer in dem Moment, wo eine Technologie als Produkt
1:09:34 auf dem Markt auftritt, als Konsumerprodukt, da geht das wirklich immer schnell und das mit den Robotern, das wird jetzt auch sehr schnell gehen.
1:09:43 Und dazu komme ich zurück auf den Anfang, was ich vorgelesen habe, dass Alibaba jetzt ein ja AI Brains Design for Robots vorgestellt hat. Äh, also
1:09:53 Quen ist ja, glaube ich, Quen ist ja das Modell von Alibaba für die, die es nicht kennen. Gibt ja neben Anthropic, Open AI, Gemini von
1:10:03 Google auch die chinesischen Modelle, ob es Deepseek ist, ob es Kimi ist oder Quen. Und jetzt gibt's halt noch die Quen Robot Suite.
1:10:11 Da wollte ich dich mal fragen, ich verfolge auch äh Jan Lecon sehr stark. Mhm. einer der sogenannten Gottvaters of AI, der gesagt hat, auf LM Basis wirst
1:10:23 du jetzt nicht äh in Zukunft äh noch spektakulärere Dinge machen. Es ist einfach, du brauchst so ein Weltmodell, weil es ist noch mal eben,
1:10:33 wenn du jetzt als Kind groß wirst, erlebst du die Welt ja anders. Du tastest, du balancierst, du musst einschätzen und sofern ich habe jetzt
1:10:42 den Bericht heute morgen, das nur kurz überflogen, weil es wohl wenn du die trainierten LMs nimmst und die Roboter, die irgendwie trainiert sind und die
1:10:53 merch, das ist irgendwie das klappt irgendwie nicht von den Daten, aber jetzt sind sie irgendwie dran, das irgendwie mit Weltmodellen zu lösen.
1:11:01 Vielleicht kannst du mal ja Input dazu geben, wie sieht das aus mit diesem Lernen nicht auf Textbasis, sondern auf einem Weltmodell.
1:11:10 Ja. Ähm, zunächst mal Weltmodell ist ja fast eigentlich nur ein anderer Begriff für was wir eben Hybride KI, wo man mit Daten, aber auch mit Vorwissen und Daten
1:11:20 und Vorwissen zusammenbringt, um vielleicht effizientere, da jetzt ging es ja vor vor paar Minuten um Effizienz, effiziente kleinere energiegünstigere
1:11:29 Modelle zu machen, die die auch so Weltmodell ist eigentlich nichts anderes. nur Texte und Bilder und Videos ähm bildet nicht die gesamte menschliche
1:11:38 den gesamten menschlichen Erfahrungshorizont ab. In so gesehen ist der Leon da quasi auf der Linie, die wir eben diskutiert haben. Ähm
1:11:49 er kritisiert die LMs tatsächlich immer sehr sehr stark. Ähm ich finde die auch duselig. Also das was ein Transformer macht ist ist ist, sagen mal theoretisch
1:12:00 gesehen katastrophal. Also das ist das Dümmste. Es ist wirklich, wenn wenn wir jetzt über die technischen Details diskutieren würden, dann bräuchte ich
1:12:08 kein Transformernetz, sondern möglicherweise einfach eine SQL Datenbank mit einer äh Trillion Parameter. Dann könnt ihr das gleiche
1:12:16 machen. Das macht nur keiner, ich bin mir sicher, wenn es mal einmal ausprobiert werden würde für eine SQL Datenbank das gleiche erreichen, denn
1:12:23 das sind wirklich im wesentlichen Lookup Tables. Welches Wort kommt jetzt als nächstes? Ähm, man kann aber natürlich mit den
1:12:31 Fähigkeiten, die diese Technologie erreicht hat, da darüber kann man nicht argumentieren. Ich bin wirklich kein Freund von den Transformern, weil
1:12:40 Attention ist all you need, aber ich bin immer wieder überrascht, was damit möglich ist. Und es ist schon möglicherweise so eine aktuelle
1:12:52 technologische Sackgasse oder wenn man in über Fitnesslandschaften spricht, so ein aktuelles lokales Optimum und Lec sagt, wir müssen da runter, da hinten
1:13:01 geht's noch viel weiter rauf. Ähm, da bin ich, da bin ich ganz dabei. Ähm, ich frage mich halt, wie wie ernst sie das dann wirklich mein mit Weltmodell, denn
1:13:14 zwei Sachen dazu und dann sozusagen die technische Sache. Ähm, du hast es gerade gesagt, wenn ein Kind geboren wird, da kann es weder sprechen, noch gehen, äh
1:13:25 geschweige Baseballs werfen oder was auch immer. Ähm, das lernt man halt im Laufe des Lebens, weil keine, wir können fühlen, wir können hören, wir können
1:13:34 sehen, können schmecken, ähm wir merken, wenn uns irgendwas piakt, wir merken, wenn wir hinfallen. Das ist so ein sehr, sehr reiches äh sensorisches Erleben,
1:13:45 was wir haben. Und all diese Eindrücke, die ähm nutzt das menschliche Gehirn, um zu lernen. Und der wesentliche Kritikpunkt, den ich maschinellen lern
1:13:56 habe, das menschliche Gehirn fängt nicht bei null an. Also, wenn wenn das rein sozusagen zufällige Neuronenaktivität im Kopf wä,
1:14:04 wenn wir geboren werden, da ist nichts zu machen. Das hat äh paar Millionen Jahre gedauert äh bis die Biologie soweit war, dass wir sagen mal, ich
1:14:14 sollte es nicht sagen, aber ich sag's, ein Computer im Kopf haben, der sich jetzt auf Eingaben freut, mit den er noch mehr machen kann. Also, wenn der
1:14:21 sozusagen wie die künstlichen neuronalen Netze immer bei null anfangen müsste, da geht da gar nichts. Das heißt, viel von dem, was Lec so vorschwebt, ist da schon
1:14:31 eingebaut, ne? Frage ich mich, wie will er das äh technisch nachbauen? Das Problem, dass viele Leute sagen, ja, aber die Trainingsdaten gibt's ja gar
1:14:42 nicht für Roboter z.B. Das stimmt nicht. Nvidia war früher, wir wissen es alle, hauptsächlich eine Firma, die Grafikkarten für Computer Games
1:14:50 hergestellt hat und als solches ähm hat Nvidia natürlich auch Graphics Engines äh gebaut, mit denen sozusagen die Performance ihrer Karten testen konnten.
1:15:03 Und für so Spiele braucht man auch Physics Engines. Wenn man irgendein Objekt hochwirft, kommt es mit quadratischer Beschleunigung wieder
1:15:09 runter und solche Geschwindigkeit wieder runter. Ähm, also die haben bei sich im Haus wirklich gute Simulationsumgebung für die Welt und in solchener
1:15:21 Simulationsumgebung kann man äh Roboter Treppen steigen lassen und jeder von diesen virtuellen Robotern kann leicht unterschiedliche Beinlänge haben oder
1:15:33 Motorgeschwindig, das kann man ja alles simulieren, Motorgeschwindigkeit. Ähm, da kann man gucken, was passiert, wenn plötzlich die Treppe rutschig wird.
1:15:41 Und ähm die haben so ein Ding, das heißt Isaac Jym, wo der Name jetzt wieder herkommt, auch so biblisch, ich weiß es nicht.
1:15:47 [gelächter] Ähm, aber da lässt Nvidia über Nacht 10 Millionen virtuelle Roboter durch virtuelle Welten laufen und da werden
1:15:56 virtuelle Daten aufgenommen, die aber physikalisch plausibel sind und dann eben genutzt werden können, um echte Roboter zu trainieren, eine rutschige
1:16:07 Treppe raufzugehen und so weiter. Also, das ist schon möglich, aber wie gesagt, das große Problem, dass ich mit den Weltmodellen habe, ist, dass im
1:16:14 menschlichen Gehirn, die fangen nicht bei null an. Da da ist 10 Millionen Jahre Evolution Evolution davor gewesen, dass wir wenn wir geboren werden, freut
1:16:22 sich unser Gehirn die Sprache der Mutter und des Vaters zu hören, freut sich darüber irgendwie gehen zu lernen. Ähm wenn das überhaupt nicht angelegt wäre,
1:16:32 dann würde das nicht gehen in 70 Jahren Lebenszeit. Also, man könnte nicht ohne ohne dass die Hardware schon gut wäre, nicht in 70 Jahren lernen zu gehen.
1:16:40 Ausgeschlossen. [seufzt] Was was erwartet uns dann ähm in der Robotik? Stell mir so vor, wenn ich
1:16:50 jetzt eine KI fragen würde, die würden ja jetzt nicht äh Roboter bauen wie wir. machen wir ja wahrscheinlich grob nur, weil wir die Welt so gebaut haben,
1:16:59 ja, und die Arbeit so funktioniert. Ähm, aber ob man jetzt Elon nimmt, der keine
1:17:07 Ahnung in den nächsten keine Ahnung 5 Jahren 100 Millionen Tesla oder wer es auch immer macht, Figer AI, sie sie sprießen ja jetzt gerade raus. Ja,
1:17:16 haben wir in 5 Jahren äh einen signifikanten Teil Haushaltsroboter. Äh äh fehlt da noch eine Revolution? Ob es jetzt damals das Transformermodell, du
1:17:28 hast jetzt gesagt, ob du jetzt kannst auch mit der SQL Daten es war jetzt da und es hat die Chat GPTS und Clouds erst ermöglicht. Fehlt da
1:17:36 noch eine große Revolution? Ich weiß jetzt nicht, ob es Alibaba mit ihrem Quen Robot Suite ist. Wer wir sehen, kann ja sein. Also, aber genau nicht das
1:17:43 Jahr, aber s Nee, nee. Äh und vor allem was heute, also 5 Jahre äh das war mal 20 Jahre. Also sozusagen der der
1:17:54 Fortschritt, der früher 20 Jahre gebraucht hat, der der passiert jetzt in in 5 Jahren. Und ähm
1:18:01 meine Güte, also wirklich, ich meine 5 Jahre klingt so viel, aber das ist dann auch wieder so linear gedacht. Ähm, weil im nächsten Jahr wird mehr passieren als
1:18:08 in all den Jahren davor und im Jahr da drauf wird dann wieder mehr passieren, als im nächsten Jahr passiert sein wird. Das heißt, ich gehe davon aus, ohne es
1:18:17 wirklich sagen, plausibel machen zu können am heutigen Stand der Kunst, dass das jetzt echt schnell gehen wird, dass dass die Zunahme der Fähigkeiten
1:18:28 von Robotern äh sehr schnell wachsen wird, einfach weil plötzlich KI so gut ist und dann wie gesagt, wie du gesagt hast, sagen kann, wenn
1:18:40 Ingenieur Ingenieurin sich mit mit der KI über sagen mal Konstruktion von von dem Gelenkmotor unterhält, dann ist es, ich erlebe das selbst, dass
1:18:49 die KI dann sagt, ja, man könnte das auch so machen. Äh und dann habe ich ja noch nie dran gedacht und und dann haben wir plötzlich irgendwie
1:18:57 viel effizienteren Gelenkmotor und vielleicht ist der dann billiger und dann ist plötzlich der ganze Roboter billiger und dann ist das was Leute
1:19:04 kaufen können und dann gibt's andere Firmen, die denken, das kann ich auch herstellen, ich will ein Kuchen was von dem Kuchen abhaben, ich mache jetzt auch
1:19:10 meine Roboter und dann man da plötzlich irgendwie so Konkurrenz bei humanoiden Roboter, wie wie wir das ja jetzt schon sehen und dann es wird jetzt schnell
1:19:18 gehen, nur weil es die letzten 30 Jahre nicht schnell gegangen ist, weiß es nicht, dass es plötzlich schnell geht. Okay.
1:19:25 Ja, dann komme ich jetzt äh zu dem Thema. Ich denke mal, wir sollten als Mensch jetzt noch ein paar Jahre immer dazu
1:19:34 lernen und wenn ich jetzt so den Zyklus äh nehme, wir haben den Bereich Schüler, wir haben den Bereich Studenten und dann haben wir
1:19:41 irgendwann noch ich bin Mitarbeiter oder bin eine Führungsebene oder Geschäftsführer. Ich fange mal bei den Firmen an.
1:19:52 Ähm, was würdest du jetzt Firmen raten? Ja, du bist jetzt entweder Geschäftsführer, du bist eine Führungsebene oder du bist Mitarbeiter.
1:20:02 Die sind jetzt gerade erschlagen, welch Wunder. Die Tsunamwelle rollt an. Jeden Tag kommen 50.000 neue Tools. Was soll ich machen?
1:20:11 Ja, was soll, also was mache ich jetzt als Geschäftsführer Führung? Vielleicht, wenn ich auch Mitarbeiter bin und der
1:20:18 Geschäftsführer sagt, ist mir egal, aber ich sehe das, ich möchte etwas wie fängt man dort pragmatisch an, wenn man in seinem Daily Job erreibt?
1:20:26 Man muss sich Zugang zu Expertise schaffen, wo man gegebenenfalls kurzfristig anrufen kann, sag, ich habe jetzt das gesehen oder auf der Messe war
1:20:35 so und so und hat das präsentiert und was was mache ich jetzt? Ähm, da muss jemand sagen, ja, nicht so, keine Sorge, da können wir schon hinkriegen, machen
1:20:44 wir dies und das. Muss man diese Expertise im Haus haben? Glaube ich nicht. Also, weil dann es wird dazu führen, dass wirklich jedes kleinere
1:20:52 mittlere Unternehmen KI Abteilung braucht. Ähm, es gibt ja, es gibt ja wirklich so Plattformen, ich habe es eben schon mal gesagt, KI NRW oder so,
1:21:01 ähm, wo man eigentlich diesen Zugang hat, wo man gegebenenfalls anrufen kann, sagen, ich weiß jetzt nicht, was ich machen soll. Dann sind da Leute, die
1:21:07 sich mit der KI auskennen. Man selber kennt sich mit der, sagen wir Produktion, worum es immer geht aus. braucht man irgendwie 10 Minuten, bis
1:21:15 man die gleiche Sprache spricht und dann kann man darüber sprechen, was zu tun ist. Ähm natürlich ist dieser Zugang auch nicht umsonst. Also ohne dass man
1:21:23 das als dass man es ins Budget mit reinnimmt, wird's nicht gehen. Man muss irgendwie gewissen Anteil an an KI Budget haben, ob man die Leute im Haus
1:21:32 hat, ob man die KI kauft, ob man Token kaufen muss. Ähm, da sollte man Budget für einplanen. Selbst wenn man jetzt irgendwie mit externen Partnerinnen
1:21:40 arbeitet, die werden das auch nicht umsonst machen. Also, da braucht man Budget dafür. Das das wäre das, was ich wirklich jetzt allen Firmen raten würde,
1:21:47 allen Unternehmen. Ähm schafft euch Zugang zur Expertise, die musst nicht im Haus sein, aber die muss schnell erreichbar sein, wenn wenn es brennt.
1:21:56 Dann schaue ich mir die Wir sitzen jetzt auch in der Universität äh und du bist ja auch Professor. Schaue ich mir Studenten, aber auch die Lehrenden an.
1:22:06 Mhm. Jetzt wird's heiß. Ja. [gelächter] Das das große Thema,
1:22:13 in welcher Form baue ich KI ein? Also, es geht ja bis hin zu wie mache ich Prüfung. Ja, du hast ä LLM erwähnt. Ähm,
1:22:25 wir wissen alle, was aktuelle Chatboard zu können. Selbst die Dinger, die die frei verfügbar sind, wo man Token nicht bezahlen muss oder so, können wir z.B.
1:22:36 Code schreiben, was für uns äh als Informatikprofessorin wirklich echt eine neue Situation ist. Ähm Harvard hatte neulich Law School irgendwie nichts darf
1:22:49 auch nur im Ansatz mit KI gemacht werden, sind dafür gefeiert worden. Das ist der größte Schwachsinn, den ich je gesehen habe. Das ist so, als ich in den
1:22:57 80er Jahren in der Schule war, war eine super heiße Diskussion. Dürfen die Kinder im Matheunterricht Taschenrechner benutzen oder ist das der Untergang des
1:23:05 Abendlandes? wenn keiner mehr Kopf rechnen kann. Ähm, stellt sich raus, war es nicht, war vielleicht sogar, ich meine, es ist gut kopfrechnen zu können,
1:23:13 brauchen wir nicht drüber reden, aber vor jetzt ist 2026, sag mal vor 100 Jahren, vielleicht sagen wir großig 110 Jahren, also z 1916 oder so, da wussten
1:23:26 80% aller Leute in Deutschland, wie man eine Kuh melkt. Ähm, das weiß heute keiner mehr und wir leben
1:23:34 trotzdem noch. Äh Kopfrechnen ist gut. So, KI ist natürlich noch mal eine neue Dimension, denn
1:23:42 ich habe in diesem Jahr wirklich schockierende Sachen gesehen. Ich habe im letzten Semester, jetzt ist das erste Semester, wo ich äh offensiv unter KI
1:23:51 Bedingungen unterrichte, aber im letzten Semester war es noch passiv. Äh Sachen gesehen, die sind schockierend. Also, insbesondere, wenn man mit mit ähm
1:24:02 äh kommerziellen KI arbeitet. Tutor aus ein Doktorant von mir, der Tutor war in der Vorlesung im letzten Jahr, hieß Princip of Machine Learning die
1:24:11 Vorlesung hat mir gezeigt, wie wie er die Übungsaufgaben löst mit GPT52 und Codex Plugin. Read exercise sheet 4 and solve all the
1:24:25 problems. necessary provide Python code and run it as asked where necessary provide step by step mathematical proofs. Once you have
1:24:40 solved all the problems, gather your solutions in a latex file and compile it to PDF such that is in accordance with the
1:24:52 submission guidelines return. Was daran an dem Prompt interessant ist, der ist ja problemagnostisch.
1:25:01 Da wird ja gar nicht gesagt, hier auf diesem Übungsblatt geht es um ja äh sagen wir Support Vektor Maschine oder was auch immer. Und dazu hatten wir
1:25:09 in der Vorlesung schon das und das gelernt und jetzt soll ich das und das read exercise sheet 4 and solve it. Und dann hat er return gerückt und dann
1:25:17 saßen wir da gemeinsam davor. 17 Minuten hat das gedauert. Das ist halt wieder diese, wie viel Arbeitszeit erledigt ein ein eine Maschine.
1:25:25 Nach 17 Minuten war die Lösung da, das PDFile äh für die Submission fertig, perfekt, fehlerfrei. An einigen Stellen, for the fun of it auch noch Kurven äh
1:25:34 produziert, nach denen gar nicht gefragt war, aber so so ein bisschen implizit äh ist das schneller als das andere. ähm 17 Minuten. Und das ist so eine
1:25:43 Sache, das die Aufgaben, die ich in der Vorlesung, die habe ich seit über 10 Jahren. Die sind ausgelegt, dass so Teams von vier bis fünf Studierenden
1:25:51 vielleicht ein bis zwei Tage daran arbeiten. 17 Minuten. Problemagnostisch. Ich habe seit 2023 den Studies auch immer gesagt, ähm
1:26:01 löst die Aufgaben zusammen mit KI und guckt, was passiert. Berichtet mir eure Erfahrung. Das war bis zum äh letzten Jahr waren die alle super zurückhalten,
1:26:11 aber die KI waren auch nicht so gut. Im letzten Semester war zum ersten Mal, dass alle alle Aufgaben mit KI gelöst haben. Alle Lösungen, die wir bekommen
1:26:21 haben, waren perfekt, fehlerfrei. Ähm, das bedeutet auch, dass wir es nicht mehr benutzen können, äh, um sozusagen die Klausurzulassung zu
1:26:31 entscheiden. Das ist ja traditionell seit 70 Jahren. Man gibt diese Übungszettel raus. Die Studierende, die am Ende des Semesters 50% richtig haben,
1:26:40 die werden zu Klausur zugelassen, die nicht in der Lage waren, 50% der Aufgaben richtig zu machen. Es gibt auch welche schaffen 100, also das ist nicht
1:26:48 der der Punkt, aber sozusagen 50 ist ist die Zulassung. Die schaffen, müssen halt im nächsten Semester die Klausur schreiben. Das geht nicht mehr. ist
1:26:56 vorbei. Das ist vorbei. Und wie gesagt, auf den Aufgabenzetteln, da geht's um Beweisführung und Coding und das ist natürlich nicht Rocket Science, also es
1:27:03 sind so Master Level Aufgaben. Das ist Master Level äh Universitätsaufgaben für für die KI heutzutage überhaupt kein Problem. Alle hatten alles richtig. Und
1:27:15 das war nicht nur in meiner Vorlesung so, äh sondern das berichteten mir sehr viele Kolleginnen. Die Tutoren waren alle völlig frustriert, weil sie ja da
1:27:23 da mussten als Menschen die KI generierten Lösungen korrigieren. Ja, also es das geht auch nicht. Das ist Verschwendung von Arbeitszeit.
1:27:32 Ähm ein negativer Effekt war, dass die Klausuren am Ende des Semesters bei allen, mit denen ich gesprochen habe, schlechter ausgefallen sind als
1:27:41 jemals zuvor. Mm. Und das ist letzte Woche gab es eine Studie aus China quasi bestellt. Die haben 20.000 1000 Schülern geschaut, die durften ihre Hausaufgaben
1:27:49 mit KI machen. Das war 20% richtiger, 20% schneller, aber bei der Arbeit am Ende des Semesters waren sie 20% schlechter und
1:28:00 das ist die Herausforderung, vor der wir plötzlich stehen. Natürlich sind alle produktiver, wenn sie das mit ich würde es ja auch
1:28:06 machen. W bescheid ich. Ähm, aber wie stellen wir jetzt sicher, dass sich die Leute nicht darauf verlassen, weil wir sehen die negativen
1:28:14 Effekte. verlassen sich drauf, denken, ah, das war ja einfach sieht alles gut aus und dann in der Klausur ähm was muss ich eigentlich machen? Ähm was machen
1:28:23 wir da? Jetzt kann man fragen, muss auch Klausuren schreiben, aber [gelächter] ja, das ist auch eine legitime Frage. Da gibt's da gibt's juristische Gründe. Wir
1:28:31 müssen ja Prüfungsleistung erbringen, weil sonst könnte ja jeder Master oder Bachelor sein. Man muss ja beweisen, dass man Master oder Bachelor
1:28:37 ist und es muss juristisch. Deswegen Klausuren halt so ein rechtliches Instrument natürlich albern, weil äh in dem Moment, wo du aus der Uni raus bist,
1:28:46 machst du in deinem Leben sehr selten, wenn ich irgendeine Fortbildung machst, ähm sowas wie eine Klausur. Wir stehen vor einer völlig neuen Situation.
1:28:55 Ja, das ist krass. Ähm dieses Thema, wie gestaltest du Prüfungen gemixt mit was musst du eigentlich noch können? Ja,
1:29:03 worauf verlässt du dich? Kann ich dir sagen, okay, was muss Okay, dann gehen wir den Was musst du denn noch können? Was macht
1:29:10 den Mensch denn in den nächsten Ich spiel jetzt mal hoch Jahrzehnten ja denn aus? Also werden wir vielleicht
1:29:17 wein trinkend uns liebend die Roboter laufen und her machen die ganze Wirtschaft und wir genießen einfach uns. Das ist ja auch keine
1:29:26 vielleicht jetzt fast zu philosophisch ist ja schon wirklich überlegenswert. Also müssen wir überhaupt noch irgendwo ja
1:29:34 etwas können, das ja wirklich ja also ja
1:29:39 ähm weil ich ja Professor für Informatik bin, kann ich insbesondere sozusagen anhand der Informatik überlegen. Also dass wir in einer utopischen Welt leben
1:29:49 werden, das halt ja für unwahrscheinlich einfach, weil die Menschheit immer alles verbockt. [gelächter]
1:29:54 So, wir könnten ja jetzt schon in der Utopis jemand der aus dem Mittelalter mit einer Zeitmaschine hier hinter der das
1:30:04 wird ja mindblow und dann guckst sie an wie die Welt so aussieht d fragst das muss doch gar nicht sein. Also für jemand aus dem Mittel oder aus der
1:30:11 Antike wäre ja alles was wir haben das was sie damals unter Paradies der Essen also normalerweise kein kein Problem. Damals war wo kommt mein Essen her?
1:30:19 Heute ist einfach da und trotzdem ist die Welt nach wie vor doof. Ähm, so ähm also man kann argumentieren könnte, dass man äh eigentlich nicht mehr
1:30:31 programmieren lernen muss. Das ist nicht falsch. Ähm, was man aber noch können muss und sicherlich
1:30:42 längerfristig immer können muss, ist zu überlegen, okay, ich habe jetzt hier was gepromptet und ich habe was zurückbekommen. Ist das
1:30:50 denn überhaupt das, was ich brauche? Ähm ist das denn ich ich jetzt lass das da habe ich eine Coding Aufgabe gestellt, die drei Agenten parallel und
1:30:59 whatever und jetzt habe ich das hier. Ähm ich lasse das laufen, sieht gut aus. Ja, vielleicht bin ich super gründlich und mache irgendwie äh klar definierte
1:31:08 Unitests und es alle alle Tests werden geschafft. Ähm da kann man sagen, okay, das reicht. Das glaube ich nicht. Also, weil
1:31:16 letztendlich wird man immer Menschen brauchen, die sagen, okay, hier bis da, okay, an der Stelle, das ist wirklich seltsam, was
1:31:23 die Maschine macht. Das scheint zu funktionieren, aber wenn die jetzt dann folgende Eingabe käme, dann könnte das zusammenbrechen. Wobei auch das kriegt
1:31:30 ja Mythos scheinbar gut hin jetzt mit Cyber Security und so weiter, aber irgendwie ist es sicherlich nicht schlecht, wenn
1:31:38 wir nach wie vor in der Lage sind zu verstehen, was passiert denn da eigentlich. Das bedeutet, wir brauchen eigentlich sicherlich nicht mehr so viel
1:31:45 10x Programmers, wie immer geredet wird, aber wir brauchen trotzdem Leute, die in der Lage sind ähm nachzuvollziehen, okay, was ist das da? Ist das
1:31:55 verlässlich? Ist das vielleicht oder habe ich ja noch nie drauf gekommen, das ist so großartig. Da kann man jetzt, wo ich das sehe, kann ich ja folgenden
1:32:02 Prompt benutzen und so weiter. Also, so diese Expertise wird man schon noch brauchen. Man wird sicherlich nicht mehr so viele Leute ausbilden müssen, wie das
1:32:10 zur Zeit passiert, eben, weil weniger in Zusammenarbeit mit so KI Agenten sehr produktiv sein können, brauchen aber nach wie vor ein Verständnis. Und jetzt
1:32:22 was ich sagte eben als gesagt, ich kann es dir sagen, dieses Verständnis muss breit sein. Also Tiefenexpertise ähm ist eine sehr schöne Sache, aber da
1:32:32 ist davon auszugehen, dass ähm die nächste und übernächste und überübernächste Generation der KI ähm eine Tiefenexpertise haben wird, wo man
1:32:43 als Mensch nicht mehr hinterherkommt. Und früher nannte man die Leute dieses gesamtüberwickte Systemarchitektinnen oder sowas. Also so man muss man muss
1:32:54 ähm in der Lage sein, was brauche ich eigentlich? Natürlich kann so ein Reasoning Agent auch Reason, ich muss
1:33:00 oft erst das machen, dann brauche ich das und das und so weiter. Das Reasoning können die auch machen, aber aber wirklich so dieses ähm Querbezüge
1:33:10 herstellen, das das ist äh auch das können KI, aber da hatten wir eben drüber gesprochen, im Internet ist auch viel Blödsinn.
1:33:20 Mhm. Und das ist so ein bisschen dieses Data Poisoning, also viel von dem, was man im Internet an Daten finder an Text über Mathe findet, ist nicht immer ganz
1:33:29 richtig, was dazu führt, dass die Modelle äh nicht immer so Antworten generieren, wie man es eigentlich gerne hätte.
1:33:37 Und das muss man merken. Man muss in der Lage sein zu merken, das ist eigentlich nicht, was ich rechte. Das das sieht super aus, aber das ist auch nicht
1:33:45 falsch, aber es ist auch nicht ganz richtig. Und um das erkennen zu können, muss man in dem Thema drin sein. und jetzt
1:33:54 wirklich nicht unbedingt so bis ins letzte Epsilon, aber aber ich habe doch hier damals habe ich doch gelernt, das ist das und das hier sieht genauso aus
1:34:01 und d brauch ich irgendwie was da und das was er mir da jetzt zurückgeliefert hat, das ist aber nicht das was ich da muss diese Analogien Assoziation
1:34:10 Kreativität da ist äh und da versuche ich halt jetzt in den in den Vorlesung, also mehr noch als jemals Analogien, Assoziationen, wenn das so ist, könnte
1:34:20 das dann so sein, diese Sachen, ob Das funktioniert, werden wir demnächst sehen. Ja, ich finde es interessant, wie du sagst, du brauchst nicht die ganz
1:34:28 tiefen Expertise. ist ja auch so eine Frage, wie wie viele klassische Doktoren wird es noch geben, wo du jahrelang in
1:34:39 einem Gebiet so weit in die Tiefe gehst und dann eher sagst, werde ich multidisziplinärer in jetzt auch nicht zich Gebieten, aber
1:34:49 ich weiß nicht fünf, wo ich nicht ganz tief reingehe, aber dann ja in Zusammenarbeit mit KI
1:34:56 dann forschen kann. Ja. Ja. Ja. Ne, so als Beispiel was mit mit Tiefe meine, also das ist jetzt wieder der Taschenrechner, [gelächter]
1:35:03 keiner von uns, es gibt Leute, die das können, aber keiner von uns kann zwei 20 stellige Zahlen im Kopf multiplizieren. Das muss ich aber auch nicht können,
1:35:12 weil dafür habe ich ein Gerät, das kann. Genau. Das heißt, diese Tiefen exp, also ich muss schon wissen, was ist
1:35:18 Multiplikation, aber ich muss nicht in der Lage sein, genau das wirklich bis zum letzten durchzuexieren. Selbst wenn ich auf mit sozusagen schriftlich
1:35:25 multipliziere, auch das könnte ich nicht. Ich meine, könnte es können, aber das will man ja gar nicht, ne? Das meine ich mit mit Tiefen Expertise. Also, wenn
1:35:33 man jetzt irgendwie Informatikerin ist, s KI auskennt, da muss man schon sehr viel über KI wissen. Also jetzt nicht so sag ist, wenn eine Maschine denken kann,
1:35:41 das das reicht nicht. Schon wissen, aber eben halt auch wissen irgendwie so rechts und links dessen, was man normalerweise als eine
1:35:49 Doktorarbeit bezeichnet. Rechts und links davon existiert auch was. Und wenn ich so die diese Breite habe, dann dann habe ich ähm äh möglicherweise etwas,
1:35:59 mit dem ich arbeiten kann, um einzuschätzen, was passiert eigentlich, wenn ich in der Arbeitswelt mit einer KI an etwas arbeite. Dann hat mir das Ding
1:36:07 mit großer Überzeugung zurückgeliefert. Hier ist ist die Lösung und sieht gut aus. Ich lass läuft, ich mache die Unitests läuft, aber ähm was passiert da
1:36:19 eigentlich unter der Haube? Warum läuft das? Könnte es noch besser laufen? Hat es das so nur zurückgegeben, weil es auf irgendwelchen Blogs gelesen hat? So ist
1:36:27 das aber könnte das nicht noch besser laufen? Also dieses diese diese zusätzliche kognitive Fragestellung, ist das das
1:36:35 Beste? Kann ich mich drauf verlassen? Äh geht das effizienter? Geht das schneller? Speichereffizienter? Da da braucht man halt das da muss die
1:36:43 Ausbildung heutzutage ein bisschen mehr in die Breite gehen. Die müssen mehr über Sachen lernen, die nebeninander sind und erkennen können, wenn das so
1:36:51 ist, dann dann geht das. Das glaube ich. Also, das ist ein Schüler und ich nehme jetzt die frühkindliche
1:36:59 Phase raus, das ist ein eigenes Thema, aber jemand der jetzt so 15, 16, 17, 18 Gen Abitur geht, ich sehe viele im Internet gerade, ich habe auch letztens
1:37:11 mit einem gesprochen, der hat letztes Jahr gemacht, hat sich überlegt, soll ich Informatik studieren, hat sich dann gesagt, geh jetzt all in, mm,
1:37:18 mach jeden Tag nichts anderes als Flot, ja, ChatPT jetzt mit Codex. Ich teste alles, was geht. Ich saug alles
1:37:29 auf. Und der ist jetzt, glaub, der ist jetzt bei Tag 120 und hat die ersten Kunden von Firmen die er endgeltlich berätt, um Systeme
1:37:39 einzuführen. Keine Frage. Genau. Solche Leute brauche es. Nein, das ist das ist das Beste, was man zurzeit machen kann. Also, wenn man sich für Informatik. Ja.
1:37:48 Ähm überhaupt keine Frage. Sollen wir Informatik studieren? Also, ich sag wie es ist, äh das war bis vor kurzem bis
1:37:57 letztes Jahr äh generell ein Studium, wo man die Sicherheit haben konnte, dass man mit einem Abschluss vergleichsweise gut bezahlt werden wird.
1:38:12 ist vorbei. Äh, das ist vorbei. Da da braucht man nicht mehr drüber reden. Das ist vorbei. So offen muss man sein. So ehrlich muss
1:38:19 man sein. Das hat dazu geführt, dass sehr viele Leute äh das studiert haben, nicht weil es sie interessiert hat oder weil sie
1:38:31 für Denken in Strukturen und Prozessen begeistern konnten, sondern einfach, weil da verdiene ich Geld. Ähm, für die Leute, das das macht keinen
1:38:41 Sinn mehr. Äh, wer nicht so wie der, von dem du gerade gesprochen hast, denkt, wird damit kein Geld mehr verdienen. Die Leute, die intrinsisch motiviert sind,
1:38:51 also ich will das jetzt wissen, ich gucke mir an, ich ziehe das jetzt jeden Tag durch. Das sind genau die, die es jetzt brauchen. Das war aber schon immer
1:38:58 so. Nur wie gesagt, dadurch, dass wir sehr großen Bedarf an menschlichen Programmierin hatten, haben das viele Leute studiert, die die es eigentlich
1:39:05 gar nicht interessiert hat. für die es dann ein Job war, die dann [räuspern] die Qualifikation hatten, einen Job zu erledigen. Und das ist eben halt einer
1:39:12 der Aspekte in unserer Gesellschaft, der durch KI gerade umgewirbelt wird. So dieses interessiert mich zwar nicht, aber es
1:39:24 ist irgendwie ein guter Job. Zieh das jetzt, ich mache das jetzt. Äh finde ich blöd. Das das ist nicht mehr, das geht nicht mehr. Also, wer wer da nicht ähm
1:39:33 wirklich dran interessiert ist und dann eben halt so denkt wie der, von dem du gerade gesprochen hast, ist aussichtslos. Da ist da können Maschinen
1:39:41 besser. Aber was der ja gerade macht, ist ja sozusagen, ich nehme den, ich gucke den Agenten an, der kann das besser. An der Stelle nehme ich den, der
1:39:48 baut sich ja sozusagen die die Querbezüglich die Analogien, die Assoziationen baut er sich ja gerade selber. Ist genau das, was es jetzt
1:39:55 braucht. Und wenn es das Problem, dann kann das nicht. Aber wenn ich das jetzt so prompte, dann geht das wieder. Warum muss ich den Promt so schreiben? Dann
1:40:02 fängt an drüber nachzudenken, was passiert eigentlich in so einer KI? Warum ist es so entscheidend wie ich promte? Könnte man das nicht besser
1:40:07 machen? Also, wenn man dafür brennt, dann gab es nie ein Problem und wird's weiterhin keins geben. Ich äh habe versprochen gestern äh, dass
1:40:21 ich eine Frage stelle und da geht's darum, versuch's mal noch hinzubekommen. Wie wäre es jetzt, wenn mehr Frauen
1:40:34 in der KI arbeiten würden, wenn mehr Frauen keine Ahnung geforscht hätten.
1:40:45 Ich kann dir ehrlicherweise gar nicht sagen, wie der aktuelle Stand ist. Ich habe Rückmeldungen aus meinen Präsentationen, warum so
1:40:51 viele Männer drin sind. Ich war jetzt bei, ich war jetzt bei Google ähm und dort hat auch wieder von Deepmind eine Frau, die
1:41:00 irgendwie Chefresearcherin ist und auch mit Demis gearbeitet hat, fantastischen Vortrag über KI Tutoren gehalten, woran sie forschen.
1:41:09 Ich wüsste gar nicht, wie der Stand gerade ist. Ähm, ich weiß noch damals im mit dem Thorsten Leinbach und Open Roberta, dass du halt
1:41:18 gerade Kids auch die Damenwelt dazu befeuerst. Es ist Mint ist nichts schlechtes, sage ich es mal in kurzer
1:41:28 Form. Ich weiß gar nicht, weißt du, wie der aktuelle Stand ist? Gibt es äh einen signifikanten Teil an forschenden Frauen?
1:41:35 Ja, ich schätze, das ist mindestens Viertel natürlich. die Hälfte wäre toller. Mhm.
1:41:40 Äh da sind wir nicht. Ähm und das ist aber tatsächlich ein ein Problem, das äh in der frühen Kindheit liegt. Ähm
1:41:47 da ist tatsächlich was in den ersten drei Jahren des Lebens passiert und aus irgendeinem Grund ist es immer noch so, dass ähm Jungen eher
1:41:55 technologieorientiertes Spielzeug kriegen und Mädchen eher ja, ist ja so sozial orientiertes Spielzeug. einen spielen schon früh mit Baggern und die
1:42:06 anderen kriegen eine Puppenstube oder sowas. Ähm das das liegt da da bin ich besser ist in keinster Weise irgendwie ähm biologisch determiniert, dass dass
1:42:16 äh Frauen das nicht könnten. Ähm werden halt wirklich leider in unserer Gesellschaft nach wie vor von der frühsten Kindheit an äh ferhalten von
1:42:28 von dem Thema. Und das führt dann dazu, dass es in den Schulen schon klar ist, dass sie sagen, als Mädchen interessiere ich mich nicht für Mathe.
1:42:36 Und ich mache natürlich jetzt absolute Übertreibung. Also natürlich interessieren sich super viele Mädchen von Matte, wissen auch, dass dass ich
1:42:43 auf reine Mädchenschulen gehen oder so in keinsterweise irgendwie ist das gleiche Niveau wie an anderen Schulen auch so so viel sehr gut in Matte und so
1:42:50 so viel sehr schlecht in Matte. Das das daran liegt es nicht. Ähm, ich glaube, dass das liegt an der an der frühen Kindheit und da ist dann wirklich
1:42:59 späteren Lebensphasen nur sehr sehr schwer was zu machen. Warum äh gehen denn so viele Männer in die KI? Du hast gesagt, du hast es äh gehört, was der
1:43:07 Grund ist, warum Männer KI Nee, nein, keine Ahnung. Ich dachte, du Okay, ich kann tatsächlich sagen, ich selber äh als als kleiner Junge äh ich
1:43:17 hatte nur technisches Spielzeug, also ich hat zwar auch Stoffbeären und sowas, aber aber dann wirklich super schnell äh Fischertechnik und und äh Lego gab's
1:43:29 damals die ersten ähm so so Technikleo Zeugs. Äh, dann habe ich keine Herz zehnjährige angefangen mit so Elektronik Baustein, die man als Spielzeug kaufen
1:43:42 konnte. Und äh ich habe auch als kleiner Junge ständig Bücher geschenkt gekriegt, die relativ technischen Inhalt hatten. Und das war so äh das haben meine Eltern
1:43:55 wahrscheinlich gar sich gar nichts dabei gedacht. Das ist einfach hier so das ein Junge, der interessiert sich. habe ich mich auch und ich hab mich
1:44:01 deswegen tatsächlich schon als Kind äh für Computer interessiert. Meinen ersten hatte ich mit 10. äh hab dann auch mit 10 angefangen
1:44:09 programmieren zu lernen und wirklich, weil ich damals schon so viel technikorientierte Bücher ständig zu lesen hatte, damals schon drüber
1:44:17 nachgedacht, was heißt das, wenn Computer intelligent ist, also ohne, dass ich das Wort kannte, damals schon über KI oder mich für KI interessiert.
1:44:26 Das ist in meiner ganz frühen Kindheit mir so mitgegeben worden und gar nicht irgendwie strategisch von meinen Eltern so, die wollten gar nicht, dass ich
1:44:34 Informatiker werde, sondern da Jungen interessieren sich für Technologie. Ich überlege immer, weil [räuspern] ich habe immer die Beispiele, weil es
1:44:41 vielleicht sind die Männer auch mehr die Rampensäue. Mm. Wenn ich jetzt der Missasabis sehe, der ständig jetzt in Talks ist
1:44:49 am Modi von ähm Anthropic. Mhm. Allerdings hat ja auch Anthropic Modi eine Frau, die mit dabei ist. Bei Demis gibt es auch eine Frau, die
1:45:00 research. Vielleicht wollen die einfach Ja, also ich weiß, dass Wolf äh Alpha Alpha Fold Team äh mindestens ein Drittel Frauen, also ja,
1:45:11 aber es war Luft nach oben. Es ist definitiv Luft nach oben, aber das Problem liegt da in der frühen Kindheit äh tatsächlich würde ich
1:45:19 sagen in der Phase, bevor die Kinder in Kindergarten kommen. Ähm da ist das Problem, da ist, weil wirklich da, wenn wenn da schon klar ist, du spielst nur
1:45:28 mit Puppen und der spielt nur mit Baggern. Ähm was was passiert dann? Ja. Ja, wir geben unser Bestes. Ähm
1:45:39 warum bei all dem, was du machst, bist du jetzt auch noch Codirektor vom Lama Institut? Also dein Tag
1:45:49 du wahrscheinlich willst mehr beantragen tatsächlich ja wäre super, also wenn man [gelächter] nicht schlafen müsste und das Dumme ist, ich bin mittlerweile auch
1:45:59 nicht mehr so jung wirklich als ich als ich Postock war, da konnte ich drei Tage durcharbeiten. Das äh das schaffe ich heute nicht mehr so. Da
1:46:07 muss ich ab und zu wirklich mal schlafen. [gelächter] Wäre toll, wenn das wenn das nicht nicht sein müsste. Ähm das Lamar Institut für
1:46:14 maschinelles Lernen und künstliche Intelligenz ist eines von sechs ähm Kompetenzzentren für KI in Deutschland. Ähm das geht
1:46:23 ursprünglich drauf zurück. 2018 hatte damals noch die Merkel Regierung größere Fördersummen für KI Entwicklung, insbesondere angewandte KI Entwicklung
1:46:33 in Deutschland äh Programm geschaffen dafür. Da gab es dann auch große Forschungsprojekte, die speziell darüber gefördert wurden und dann sollte
1:46:44 eigentlich die Industrie mit dem Geld sich fit machen für KI. Ähm, wir hatten damals eins von diesen großen
1:46:53 Forschungsprojekten. Die Industrie hat ähm das Geld nicht so angenommen, wie die Politik gehofft oder gedacht hatte, aus was immer welchen Gründen.
1:47:03 Vielleicht war es zu bürokratisch, vielleicht I don't know. Ähm, jedenfalls hat man dann festgestellt, dass ähm mehr Geld bereitgestellt worden war, als
1:47:14 abgerufen wurde, sodass aus diesen Projekten dann diese Kompetenzzentren wurden. Und ähm da wie gesagt gibt's sechs. Wir haben eins hier in
1:47:22 Nordreinwestfalen. Das ist also sousagen das Geld kommt ähm immer vom Bund und zur Hälfte von dem sogenannten Sitzland. Also in unserem Fall Lama Institut ist
1:47:30 das halb äh Berlin, halb Düsseldorf, wo das Geld herkommt. Ähm bei den anderen, die sind in ähm Bayern, in Badenwürtemberg, in Berlin und in
1:47:40 Sachsen und dann ist das DFKI mit dazug traditionell im Saarand. Ähm, das sind also sechs ähm dauerhaft laufende Großprojekte,
1:47:52 die dafür sorgen sollen, dass ähm eben die Forschung zur künstlichen Intelligenz zum Maschinellen Lernen in Deutschland weiter vorankommt. Es ist ja
1:48:01 generell, sagen wir, auf der theoretischen Ebene sehr sehr gut in Deutschland immer schon gewesen. Ein bisschen Hagt so mit der Infrastruktur.
1:48:08 Äh, die Preise haben sich da in eine Richtung entwickelt, wo auch die 2 Milliarden äh nicht ausreichen. Das muss man so sagen. Also halt wirklich die äh
1:48:17 Kosten, die beim aktuellen Stand der Kunst äh anfallen, die sind die sind exorbitant. Muss man halt gucken, dass man in Deutschland trotzdem am Ball
1:48:25 bleibt. Das machen wir. Und ähm wir hatten halt, als es alles soweit war, dann eben ähm vorgeschlagen so ein so ein äh Kompetenzzentrum hier für
1:48:35 Nordrinwestfalen. Unser Vorschlag ist dann für gut befunden worden und dann hat man das, dann muss das auch gemanaged werden. Da bin ich einer einer
1:48:41 der Manager. Und was ist jetzt gerade so euer Ziel?
1:48:50 Ja, was was könnt ihr noch machen? Ja, also ähm wie heben wir die deutsche Wirtschaft in
1:48:55 die KIB? Ja. Wir sind ähm als Lamar Institut sehr stolz drauf, dass wir ähm praktisches Knohow im Bereich von
1:49:03 Fundamentalmodellen haben. Ähm wir waren schon beteiligt an der Open GPTX Initiative, kann man tun halten, was man möchte. Jetzt sind wir beteiligt an dem
1:49:12 Sofi Projekt. Da wird ein ähm europäisches, also deutsches äh großes Modell trainiert. Sind jetzt mit dem Medium fertig. Jetzt fen wir gerade mit
1:49:23 dem 120 Milliardenmodell an. Das ist nichts im Vergleich zu dem, was ein Tropic hat, aber ähm wir machen das mit europäischen Sprachen und die
1:49:30 Kolleginnen, die das machen, sind absolute Toppexerten. Da sind wir als Lamarinstitut stolz drauf, dass wir das haben, dass wir bei dem SOPI Konsortium
1:49:38 äh federführend mit dabei sind. Wir wissen, wie man die Dinger macht. Wir wissen das in Deutschland, wenn man mehr Computer und äh größere Datenreserven
1:49:47 hätte, die man Europa gut nutzen kann, dann könnten wir sowas machen wie Entropic, das so ein was wäre, wenn Szenario. Das da sind wir sehr stolz
1:49:54 drauf. Ich hatte ja eben schon gesagt, dass dass wir jetzt versuchen mit so Mitzeellen äh so viel wie möglich Potenzial zu
1:50:02 erschließen, also mit so Expertenmodellen für spezifische Buchhaltung, keine Ahnung, Produktdesign, äh Auspuffentwurf, der
1:50:09 Auspuff ist jetzt schlecht, sagen wir Batterieentwurf, sowas, [gelächter] sorry. Äh ich komme auf Auspuff, weil das das
1:50:17 hatten wir tatsächlich, das ist 10 Jahre her. äh deutschen Mittelständler, der uns gefragt, kann ich KI nicht irgendwie erklären, wie wir unsere Auspuffanlagen
1:50:25 zu bauen haben. Das war damals zu früh, jetzt wäre das überhaupt kein Problem mehr. Deswegen sage ich immer noch Auspufflage, wenn es um Produktdesign
1:50:33 geht, aber wäre heute natürlich ähm Batterie viel besser. Ähm so das können wir unser unsere Zielrichtung ist halt wirklich können wir Expertinnenwissen in
1:50:42 das Training mit reinkriegen, um diese Mitzahlsmodelle so gut wie möglich zu machen, s dass wir nicht diese Riesenergieverbrauch
1:50:48 äh haben, den den man zurzeit sieht. Das das ist unsere Hauptfragestellung sagen, geht das für die Robotik? geht das in der äh Sprachverarbeitung,
1:51:00 kann man das in der Physik nutzen, hilft das in der Logistik, hilft das bei industriellen Produktionsprozessen? Also, wir haben einige ähm theoretisch
1:51:07 motivierte Fragestellung und dann andere praktisch motiviert und es greift so ineinander. Ich muss noch eine Sache fragen. Ich
1:51:16 will gar nicht sowieso ich nicht zu weit gegriffen, aber ich habe noch eine Frage zum Thema Quantencomputing.
1:51:27 Ja. Und zu dem Thema Hopfield Netz. Mhm. Was hat es damit auf sich?
1:51:32 Ah, okay. Habe ich ein Buch zugeschrieben. Ja. [gelächter] Da kannst du das kurz vielleicht sagen,
1:51:36 was da anders ist, was ähm Hopfnetze sind tatsächlich auch neuronale Netze. Es ist wirklich im großen und ganzen eigentlich neuronale Netze, wie all die
1:51:51 KI, die wir zurzeit sehen, momentan vor allem auf neuronalen Netzen basiert. Ähm, gehen wir mal nicht auf die Mathematik
1:52:00 im einzelnen ein, aber so ein Hopfield neuronales Netz ist, ein rekurrentes neuronales Netz. Das bedeutet, wenn ein Neuron äh eine Ausgabe produziert, kann
1:52:10 es die sich selbst wieder als Eingabe zuführen. Das ist bei den Transformer z.B. wird so schichtenweise Information von unten nach oben
1:52:19 verarbeitet. In einem rekurrenten Neuronalen Netz kann ich frei hin und her fließen zwischen den Neuronen. Hopfield hat 2024, der ist tatsächlich
1:52:27 Physiker, äh Nobelpreis für Physik bekommen, weil er in den 80er Jahren, die Idee hatte er nicht selbst, aber die hatten andere schon, aber er war der
1:52:34 erste, der gezeigt hat, dass sich diese Hopfield Neuronalen Netze verhalten wie gewisse äh physikalische Systeme, die man aus dem Bereich der ähm äh
1:52:45 Oberflächenphysik oder Quantenmechanik, Easing Modelle und so weiter. Ähm, wir haben eins zu eins so Eigenschaften, die man
1:52:53 die Energie eines Systems nennen würde, die die globale Energie, lokale Energiewerte. Ähm, da gibt's wirklich ganz enge Zusammenhänge zwischen
1:53:01 zwischen diesen rekurrenten neuronalen Netzen und ganz traditionellen Modellen aus der Physik. Und ähm da stellt sich dann raus, dass da tatsächlich auch
1:53:11 Zusammenhänge ähm zur Quanteninformationsverarbeitung bestehen. Und das ist ähm weswegen Raffit und ich
1:53:20 dieses Buch geschrieben haben, haben einfach gesagt, okay, Quantencomputing ist ziemlich hot zur Zeit auch. Es ist überhaupt gar keine Frage. Und wenn ein
1:53:27 Quantencomputer kommt, der wirklich gut ist, dann passiert noch mal mehr. wollen wir gar nicht drüber sprechen. Äh, aber es ist schwierig zu unterrichten. Ähm,
1:53:38 ich selbst kann das nur machen, weil ich theoretisch Physik und Informatik studiert habe. Sonst ohne Physik könnte ich gar nichts zu Quantencomputing
1:53:45 sagen. Und ähm da war jetzt unsere Idee, kann man nicht kann man nicht so ein Buch über Quantencomput für Leute schreiben, die sich mit Machine Learning
1:53:55 auskennen, weil das da kann man von ausgehen, das gibt zur Zeit viele. wird überall unterrichtet, wenn man die da abholt und sagt: "Hey, ich habe hier so
1:54:02 ein neuronales Netz." Das sieht klein bisschen anders aus als die, die du sonst so hast, aber es ist ein neuronales Netz. Und hier schau, das
1:54:07 sind die Eigenschaften, die das hat. Und hier schau, das sind die Probleme, die man damit lösen kann. Das ist hauptsächlich im Bereich der
1:54:14 kombinatorischen Optim Optimierung. Das kann man damit machen. Hier ist wie das geht. So, jetzt wissen wir das. Jetzt lass mal überlegen. Stell dir vor, diese
1:54:22 Neuronen werden alle Elektronen mit Spin up down. Wie würde sich das verhalten? Na, und jetzt ne, ist das gleiche. Und wenn wir schon soweit sind, dann sieht
1:54:29 man auch, dass man das noch auf einem Quantencomputer zum Laufen bringen kann. Und das war die Idee hinter diesem Buch. Das
1:54:38 wir können noch Stunden noch drüber weiter sprechen, aber wir haben wir haben schon äh äh äh ich in weiser Voraussicht, wenn wir in 1919, jetzt
1:54:48 sind 7 Jahre vergangen, wenn wir in 7 Jahren Nein, kann ich frag's gar nicht, wir können wir können wir können es nicht
1:54:56 mehr sagen, ne? Nein, das wirklich die nächsten paar Jahre werden die spannendsten in der Menschheitsgeschichte.
1:55:01 Was dann ist, ist wirklich nicht mehr. Also die einzige Richtschnur ist Science Viction einzige Richtschnur. Ja,
1:55:10 get ready. Das allerwichtigste für alle, die hier zu zuschaut. Ja, aber gilt nicht. Ja, aber ist vorbei.
1:55:17 Muss man sich von frei machen und äh fragen, wo kann ich denn jetzt noch gestaltend äh mit? Ja, aber ist vorbei. Schöne Abschlussworte. Vielen Dank,
1:55:28 Daniel.