Wie leistungsstarke neue KI-Systeme wie ChatGPT funktionieren

Generative künstliche Intelligenz (KI) hat die Tech-Welt im Sturm erobert, mit Schlagzeilen über die bemerkenswerten Fähigkeiten von Systemen wie OpenAIs ChatGPT, das Texte fast ununterscheidbar von menschlichem Schreiben erzeugen kann. Aber was ist generative KI genau, und wie unterscheidet sie sich von traditionellen KI-Modellen? 

In der nicht allzu fernen Vergangenheit drehten sich Diskussionen über KI hauptsächlich um prädiktive Modelle. Diese Modelle wurden darauf trainiert, Vorhersagen auf der Grundlage von Daten zu treffen, sei es bei der Identifizierung von medizinischen Zuständen aus Röntgenbildern oder bei der Bewertung der Kreditwürdigkeit von Kreditnehmern. Sie lernten aus großen Datensätzen, um fundierte Entscheidungen über bestimmte Aufgaben zu treffen.

Generative KI hingegen stellt eine Abkehr von der vorhersageorientierten KI dar. Es handelt sich um ein maschinellen Lernens Modell, das darauf ausgelegt ist, völlig neue Daten zu erstellen, anstatt Ergebnisse innerhalb eines vordefinierten Datensatzes vorherzusagen. Ein generatives KI-System lernt, Daten zu erzeugen, die den Trainingsdaten ähneln, mit denen es konfrontiert wurde. Während die Grenzen zwischen generativer und prädiktiver KI verschwimmen können, repräsentieren sie unterschiedliche Ansätze zur KI.

Von Markov-Ketten zu komplexen Modellen

Die Wurzeln der generativen KI lassen sich auf einfachere Modelle wie Markov-Ketten zurückführen, benannt nach dem russischen Mathematiker Andrei Markov, der diese statistische Methode 1906 einführte. Markov-Modelle wurden zunächst für Aufgaben wie die Vorhersage des nächsten Wortes eingesetzt, ähnlich wie die Autovervollständigungsfunktion in E-Mail-Programmen. Aufgrund ihrer begrenzten Fähigkeit, nur wenige vorangehende Wörter zu berücksichtigen, waren sie jedoch weniger effizient beim Erzeugen zusammenhängender Texte.

In den letzten Jahren hat sich der Fokus auf komplexere Deep-Learning-Architekturen verschoben, die den Boom der generativen KI antreiben. Ein bedeutender Durchbruch war die Einführung von Generative Adversarial Networks (GANs) im Jahr 2014, die die Erzeugung realistischer Ausgaben ermöglichten, indem zwei Modelle gegeneinander ausgespielt wurden – eines erzeugt die Zielausgabe (z. B. Bilder), während das andere echte Daten von generierten Daten unterscheidet.

Darüber hinaus verfeinern Diffusionsmodelle, die 2015 eingeführt wurden, ihre Ausgabe iterativ, um Datenproben zu erstellen, die denen im Trainingsdatensatz sehr ähnlich sind. Die Transformer-Architektur, die 2017 von Google eingeführt wurde, spielt eine entscheidende Rolle bei großen Sprachmodellen wie ChatGPT. Sie kodiert Text als Token und nutzt Aufmerksamkeitskarten (Attention Maps), um den Kontext beim Generieren von neuem Text zu verstehen.

Diese Fortschritte in den KI-Architekturen haben das Feld der generativen KI auf neue Höhen getrieben.

Die Token-Transformation: Ein gemeinsamer Nenner

Ein definierendes Merkmal generativer KI-Ansätze ist die Umwandlung von Eingabedaten in Token – numerische Darstellungen von Datenblöcken. Solange Daten in dieses standardisierte Token-Format umgewandelt werden können, können generative KI-Methoden angewendet werden, um neue Daten mit ähnlichen Eigenschaften zu erstellen. Diese Vielseitigkeit öffnet die Tür zu einer breiten Palette von Anwendungen.

Zum Beispiel verwenden Forscher generative KI, um synthetische Bilddaten für das Training von Computer-Vision-Modellen zu erstellen. Diese Modelle können lernen, Objekte und Muster effektiver zu erkennen.

In einem anderen Bereich entwirft generative KI neuartige Protein- und Kristallstrukturen, die bei der Entwicklung neuer Materialien und Medikamente entscheidend sein können. Durch das Lernen der Abhängigkeiten in den Daten können diese Modelle stabile und realisierbare Strukturen vorschlagen.

Es ist jedoch wichtig zu beachten, dass generative KI nicht bei allen datenbezogenen Aufgaben hervorragend abschneiden wird, insbesondere bei solchen, die strukturierte Daten wie Tabellenkalkulationen betreffen. Traditionelle maschinelle Lernmethoden können in solchen Szenarien generativen Modellen überlegen sein.

Eine Brücke zwischen Mensch und Maschine

Einer der wichtigsten Vorteile der generativen KI liegt in ihrer Fähigkeit, als Schnittstelle zwischen Mensch und Maschine zu dienen. In der Vergangenheit mussten Menschen mit Maschinen in spezialisierten Sprachen kommunizieren. Generative KI hat diese Lücke geschlossen, indem sie Maschinen ermöglicht hat, in menschlicherfreundlicheren Begriffen zu verstehen und zu kommunizieren. Diese Entwicklung hat weitreichende Auswirkungen auf die Mensch-Computer-Interaktion.

Obwohl generative KI enormes Potenzial birgt, wirft sie wichtige Herausforderungen und ethische Bedenken auf. Beispielsweise kann ihr Einsatz in Callcentern zur Bearbeitung von Kundenanfragen zu Arbeitsplatzverlusten führen. Darüber hinaus können generative KI-Modelle Verzerrungen in den Trainingsdaten übernehmen und verstärken, Hassrede und falsche Informationen verbreiten und sogar Inhalte erzeugen, die spezifische menschliche Schöpfer stark imitieren, was potenziell Urheberrechtsfragen aufwerfen kann.

Positiv betrachtet hat generative KI das Potenzial, Künstler zu stärken, indem sie Werkzeuge für die Erstellung kreativer Inhalte bereitstellt, auf die sie sonst möglicherweise keinen Zugriff hätten.

Die Zukunft der generativen KI

Generative KI ist darauf vorbereitet, in verschiedenen Bereichen erhebliche Veränderungen herbeizuführen. Eine vielversprechende Anwendung liegt im Bereich der Fertigung, wo generative KI über das Erstellen von Bildern und Designplänen für physische Objekte hinausgehen und die Herstellungsprozesse revolutionieren könnte.

Generative KI hält auch den Schlüssel zur Entwicklung intelligenterer KI-Agenten bereit. Gleichzeitig bestehen Unterschiede zwischen der Funktionsweise dieser Modelle und der Funktion des menschlichen Gehirns; sie ähneln sich jedoch in ihrer Fähigkeit, neue Ideen und Pläne zu generieren. Generative KI könnte entscheidend dabei sein, KI-Agenten zu befähigen, kreativ zu denken.

Generative KI stellt einen bemerkenswerten Fortschritt in der künstlichen Intelligenz dar, der in der Lage ist, Daten zu erstellen und die Lücke zwischen Mensch und Maschine zu schließen. Obwohl sie Chancen und Herausforderungen mit sich bringt, ist ihr Potenzial, Branchen neu zu gestalten und Innovationen voranzutreiben, unbestreitbar. Da sich generative KI weiterentwickelt, wird ihre Auswirkungen auf unsere Welt exponentiell zunehmen.