Künstliche Intelligenz

Begriff, Ziele und Entwicklung

Künstliche Intelligenz (KI; englisch artificial intelligence, AI) ist ein Forschungs- und Anwendungsgebiet der Informatik. Sie umfasst verschiedene Klassen von Problemlösungsverfahren, die Eingaben aus ihrer Umgebung verarbeiten und daraufhin Handlungen ausführen. KI kann die Nachbildung menschlichen Verhaltens, etwa bei Bilderkennung oder menschlicher Sprache, ebenso meinen wie rationales, logikbasiertes Schlussfolgern.

Maschinelles Lernen und darauf aufbauende Chatbots werden öffentlich oft mit KI gleichgesetzt. Maschinelles Lernen ist jedoch nur ein Teilgebiet. Daneben gibt es traditionelle symbolische KI: logik- und regelbasierte Verfahren, die auch ergänzend in Chatbots eingesetzt werden. Praktische Umsetzung betrifft beispielsweise Multiagentensysteme, Expertensysteme, Transformer und serviceorientierte Architekturen.

Der Begriff artificial intelligence wurde 1955 von John McCarthy für das Dartmouth Summer Research Project on Artificial Intelligence geprägt, das im Sommer 1956 mit zehn Wissenschaftlern etwa acht Wochen stattfand. Vorläufer waren künstliche neuronale Netze von Warren McCulloch und Walter Pitts (1943), Alan Turings Überlegungen um 1950 sowie Frank Rosenblatts Perzeptron ab 1957. Enttäuschte Erwartungen an Expertensysteme führten zum ersten KI-Winter; weitere nicht erfüllte Erwartungen ab Ende der 1980er zum zweiten. Als wichtige Erfolge nennt der Artikel Deep Blue im Schach (1997), AlphaGo im Go (2017) und den Durchbruch großer Sprachmodelle (LLM) 2022.

Definitionen und Formen von KI

Eine einheitliche Definition gibt es nicht. Stuart J. Russell und Peter Norvig ordnen KI nach vier Zielrichtungen: menschliches Verhalten nachbilden, menschliches Denken nachbilden, rational denken oder rational handeln.

Bei der Nachbildung menschlichen Verhaltens ist der Turing-Test ein Kriterium: Ein Mensch stellt über ein Terminal Fragen, ohne zu wissen, ob die Antworten von einem Menschen oder einer Maschine stammen. Kann er die Maschine nicht unterscheiden, erfüllt sie nach Turing das Intelligenzkriterium. Bei der Nachbildung menschlichen Denkens sollen tatsächlich ermittelte Denkprozesse des Menschen als Software modelliert werden. Beide Ansätze werden heute als verschieden betrachtet.

Rationales Denken bildet Aussagen nach formalen Regeln ab, damit logische Schlüsse möglich werden; daraus gingen logische Programmiersprachen hervor. Rationales Verhalten bedeutet nach Russell und Norvig, Handlungen auf das beste oder erwartbar beste Ergebnis zu optimieren. Neuronale Methoden verfolgen dabei eher einen Bottom-up-Ansatz: Sie approximieren Funktionen des Gehirns mathematisch. Symbolische KI arbeitet Top-down, also von Begriffen und Regeln aus. Heuristiken sind erfahrungsbasierte Lösungsverfahren; heute sind außerdem Statistik, mathematische Programmierung und Approximationstheorie wichtig.

Die EU-KI-Verordnung definiert ein KI-System in Artikel 3 als ein „maschinengestütztes System“, das für unterschiedlich autonomen Betrieb ausgelegt ist, nach der Betriebsaufnahme anpassungsfähig sein kann und aus Eingaben für explizite oder implizite Ziele Ausgaben wie „Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen“ ableitet, welche physische oder virtuelle Umgebungen beeinflussen können. Sie umfasst sowohl maschinelles Lernen als auch logik- und wissensgestützte Systeme.

Als Eigenschaften von Intelligenz nennt der Artikel unter anderem Wahrnehmen, Informationsaufnahme und -verarbeitung, Speichern als Wissen, Sprachverstehen und -erzeugung, Problemlösen, Handeln, Zielsetzung und autonome Entscheidungen. Der „AI effect“ beschreibt, dass erfolgreiche KI-Anwendungen häufig nicht mehr als KI wahrgenommen werden. Metaphern wie „Black Box“ verweisen auf Intransparenz; „stochastische Papageien“ sollen ausdrücken, dass große Sprachmodelle Text erzeugen, ohne Inhalt wirklich zu verstehen. Solche menschenähnlichen Metaphern sind umstritten.

Schwache und starke KI, Forschungsfelder

Schwache KI löst konkrete Anwendungsprobleme und unterstützt menschliches Denken oder technische Anwendungen in einzelnen Bereichen. Sie simuliert intelligentes Verhalten mit Mathematik und Informatik, ohne Bewusstsein oder ein tieferes Verständnis von Intelligenz schaffen zu wollen. Beispiele sind Fehlererkennung in Geweben, Wettervorhersage, automatisiertes Netzwerkmanagement und große Sprachmodelle.

Starke KI bezeichnet kognitive Systeme, die schwierige Aufgaben auf Augenhöhe mit Menschen bewältigen könnten. Sie untersucht Grundsatzfragen wie Bewusstsein, Wissensrepräsentation, den Umgang mit Widersprüchen und den Nachweis von Intelligenz. Ob starke KI grundsätzlich möglich ist, bleibt offen; die Grenzen zwischen starker und schwacher KI sind nicht scharf. Philosophisch steht der Auffassung, eine KI könne handeln, aber kein Bewusstsein haben, die Annahme eines möglichen künstlichen Bewusstseins gegenüber. Auch dies ist ungeklärt.

KI ist kein geschlossenes Forschungsgebiet. Sie nutzt Ergebnisse aus Informatik, Psychologie, Neurologie und Neurowissenschaften, Mathematik und Logik, Kommunikationswissenschaft, Philosophie und Linguistik. Wichtige Teilgebiete sind Muster- und Spracherkennung, Software-Agenten, Wissensmodellierung, Expertensysteme, Frage-Antwort-Systeme, Chatbots, maschinelles Lernen, neuronale Netze und Deep Learning, Computer Vision, Robotik und universelle Spieleprogramme. Das Fernziel einer künstlichen allgemeinen Intelligenz wäre ein Agent, der jede intellektuelle Aufgabe verstehen oder lernen kann, die Menschen oder andere Lebewesen bewältigen können.

AI-Alignment untersucht, wie KI mit menschlichen Werten und Normen ausgerichtet werden kann. Trainingsfehler oder -lücken können Verhalten erzeugen, das diesen Werten widerspricht. Das Alignment-Problem ist daher die Herausforderung, KI-Systeme mit menschlichen Werten in Einklang zu bringen.

Zentrale Methoden und Anwendungen

Bei Suchproblemen werden Lösungen mit Suchalgorithmen gefunden. Ein Beispiel ist die Wegfindung in Computerspielen, etwa mit dem A*-Algorithmus. Planung besteht aus Zielformulierung und Problemformulierung: Zuerst wird aus dem aktuellen Weltzustand ein Ziel als Menge von Weltzuständen mit erfülltem Zielprädikat bestimmt. Danach wird festgelegt, welche Aktionen und Zustände berücksichtigt werden. Planungssysteme erzeugen daraus Aktionsfolgen für Agentensysteme.

Viele Aufgaben sind Optimierungsprobleme. Sie werden mit Suchalgorithmen oder mathematischer Optimierung gelöst; evolutionäre Algorithmen sind bekannte heuristische Verfahren. Beim logischen Schließen wird Wissen formal und maschinenlesbar repräsentiert, etwa in Ontologien. Automatische Beweissysteme sollen beim Beweisen und Programmieren helfen. Natürlichsprachlich nahe Beschreibungssprachen führen jedoch oft zu sehr aufwändigen Suchproblemen. Unvollständiges oder unsicheres Wissen ist ebenfalls schwierig; modernere Systeme modellieren dies ausdrücklich mit Wahrscheinlichkeitsverteilungen. Induktion verallgemeinert Beispiele zu Regeln und ist eine Form des maschinellen Lernens.

Approximationsmethoden leiten aus Daten eine allgemeine Regel ab. Künstliche neuronale Netze können als universale Funktionsapproximatoren dienen, sind aber bei vielen verdeckten Schichten schwer analysierbar. Deep Learning simuliert grob vom Gehirn inspirierte Netze auf dem Computer. Der Artikel nennt Handschrift-, Sprach- und Gesichtserkennung, autonomes Fahren, DeepL, AlphaGo, ChatGPT und DeepSeek als Erfolge dieser Technik.

Wissensbasierte Expertensysteme beantworten Fragen mithilfe formalisierten Fachwissens und logischer Schlüsse, etwa bei Krankheitsdiagnosen oder technischen Fehlern. Mustererkennung verarbeitet Bilder, Handschriften, Gesichter, Fingerabdrücke oder Irisdaten; Sprachsynthese wandelt Text in Sprache, Spracherkennung Sprache in Text um. Mustervorhersage kann aus Bildfolgen den nächsten Ort eines Objekts ableiten. Robotik automatisiert etwa Minensuche, Schweißen oder Lackieren. KI überschneidet sich außerdem mit künstlichem Leben.

Grenzen, Bewusstsein und Folgen

Der Artikel nennt bei Deep-Learning-basierter KI Halluzinationen: plausibel klingende, aber erfundene Inhalte. Weitere genannte Risiken sind die Abhängigkeit von Trainingsdaten, Manipulierbarkeit durch deren Auswahl, hoher Entwicklungsaufwand und Marktkonzentration, Datenschutz- und Sicherheitsprobleme bei Cloud-Verarbeitung sowie die Reproduktion gesellschaftlicher Diskriminierung durch verzerrte Daten (Bias). Der betreffende Abschnitt weist selbst auf grundlegende Schwachstellen hin und enthält teils Aussagen mit eingeschränkter Beleglage.

Ob KI Bewusstsein haben kann, ist hoch spekulativ. Nach Jürgen Schmidhuber kann ein digitales Weltmodell bei autonomen Robotern funktional nützlich sein; damit sind nicht subjektive Erlebnisqualitäten gemeint. Es gibt keine allgemein akzeptierte Definition oder Theorie des Bewusstseins und keine empirischen Belege für ein KI-Bewusstsein. Aktuelle KI beruht auf Algorithmen, neuronalen Netzen und statistischen Modellen; ihre Intelligenz wird als funktional und instrumental beschrieben. Innere Zustände lassen sich nicht beweisen.

KI kann Nachhaltigkeit fördern, etwa durch effizientere Produktionsprozesse und Ressourcenschonung. Zugleich verbrauchen große Modelle Strom und Kühlwasser. Laut Artikel benötigt eine ChatGPT-Anfrage zehn- bis zwanzigmal so viel elektrische Energie wie eine herkömmliche Google-Suche. Die IEA schätzte im Januar 2024, dass sich der Stromverbrauch von Rechenzentren bis 2026 gegenüber 2022 verdoppeln könnte; genaue Verbrauchsdaten fehlen oft. Eine Studie sieht mögliche positive Effekte bei 79 % der Ziele für nachhaltige Entwicklung, aber mögliche negative bei 35 %.

Soziale Fragen betreffen Automatisierung, Arbeit, Verteilung, Datenschutz, Desinformation und Kommunikation. Eine IAB-Studie von 4/2018 schätzte, dass in naher Zukunft 70 % menschlicher bezahlter Tätigkeiten von Maschinen übernommen werden könnten, zugleich aber neue Berufsfelder entstehen. Der Artikel betont Umschulung und lebenslanges Lernen. Technologische Singularität bezeichnet hypothetisch den Zeitpunkt, an dem KI menschliche Intelligenz übertrifft und die technische Entwicklung vor allem selbst vorantreibt.

Regulierung und verantwortlicher Einsatz

Die EU-KI-Verordnung, der AI Act, ist laut Artikel die weltweit erste umfassende KI-Regulierung. Die Europäische Kommission schlug sie am 21. April 2021 vor; veröffentlicht wurde die Verordnung (EU) 2024/1689 am 12. Juni 2024. Sie regelt Inverkehrbringen, Inbetriebnahme und Verwendung von KI-Systemen, nennt verbotene Praktiken in Kapitel II und Kriterien für Hochrisiko-KI-Systeme in Kapitel III. Für Hochrisiko-Systeme soll eine EU-Datenbank entstehen. Bei Verstößen drohen Geldbußen von 35 Millionen Euro oder sieben Prozent des weltweiten Umsatzes des Unternehmens. Eine EU-Konformitätserklärung ist vorgeschrieben.

In den Vereinigten Staaten gab es laut Artikel bislang keine umfassende Bundesgesetzgebung speziell für KI. Kaliforniens Assembly Bill 3030 gilt seit 1. Januar 2025 für KI-generierte Patientenkommunikation mit klinischen Informationen. Assembly Bill 489 tritt am 1. Januar 2026 in Kraft und verbietet irreführende Darstellungen einer medizinischen Zulassung. Illinois untersagte 2025 Therapie- oder Psychotherapieleistungen durch KI ohne zugelassene Fachkraft; weitere Bundesstaaten regulierten KI-Chatbots in diesem Bereich ebenfalls strenger.

Vorgeschlagene Leitlinien betonen eine menschenzentrierte, transparente, nachvollziehbare und erklärbare KI, besonders wenn Systeme über Menschen urteilen. Der Abschlussbericht der Enquete-Kommission Künstliche Intelligenz vom 28. Oktober 2020 fordert eine demokratische Gestaltung zum Wohl und zur Würde der Menschen. Das seit März 2020 bestehende KI-Observatorium des Bundesministeriums für Arbeit und Soziales untersucht Auswirkungen auf Arbeit und Gesellschaft. Seine Handlungsfelder reichen von Technikfolgenabschätzung über KI in Arbeits- und Sozialverwaltung bis zu Ordnungsrahmen, internationalen Strukturen und gesellschaftlichem Dialog.