Schlagwort: #Vergangenheit

Digitalisierung der Vergangenheit
Wenn wir an das Prinzip der kreativen Zerstörung des tschechisch-amerikanischen Ökonomen Joseph Alois Schumpeter (1883-1950) denken (Siehe dazu auch Blog #418), liegt unser Problem weniger im Mangel an Kreativität, sondern am fehlenden Mut zur «Zerstörung» dessen, was aktuell noch mehr oder weniger funktioniert. Wir halten zu lange an Arbeits-, Denk- und Organisationsformen fest, die bequem, aber nicht mehr zukunftsfähig sind. Wir digitalisieren Prozesse, aber transformieren keine Systeme. Wir führen KI ein, aber verharren in alten Denkschemata – als wäre KI nur ein Werkzeug statt ein Weckruf, schreibt Hanspeter Beerli, Zukunfts-Coach und Talentarchitekt im Kommentar auf LinkedIn. Kurzum: Wir digitalisieren die Vergangenheit, statt unsere Zukunft zu gestalten.

Wie wir unsere Systeme zum Lernen bringen
Im dritten Teil der Serie zu den grössten Erkenntnissen der Wissenschaft, schreibt Martin Amrein, in der NZZ vom 30.September 2025, wie Forschende ihre Systeme zum Lernen bringen und immer wieder scheiterten. Lange programmierten sie Befehl um Befehl, Zeile um Zeile, damit Computer Dinge taten, die von einem Menschen Intelligenz verlangen. Eine Entdeckung in der Hirnforschung war Ausgangspunkt für ein neues Prinzip. Die synaptische Plastizität: Beim Lernen verändern sich die Synapsen. Das sind die Kontaktstellen zwischen den Neuronen, den Ner­ven­zellen im Gehirn. Wird eine Synapse wiederholt aktiviert, wird sie effizienter und die Signalübertragung stärker. Das macht Lernen aus, und diese Lernfähigkeit wollten die Forschenden durch Nutztung von Algorithmen – für Computer lesbare Anleitungen – imitieren. Sie bauten diese Netzwerke rein digital nach. Diese künstlichen Neuronen übertrugen einander Signale.

Menschliche und künstliche Neuronen
Das erste künstliche neuronale Netz mit mathematischen Werten, sogenannten Ge­wich­ten, schuf der amerikanische Psychologe und Informatiker Frank Rosenblatt (1928-1971) in 1957. Es handelte sich um eine grosse Maschine. Rosenblatt nannte sie Perzeptron. Damit simulierte er das Auge und das Gehirn des Menschen mit wenigen Neuronen. Durch Trainingsdaten konnte das System die gewichteten Verbindungen zwischen den künstlichen Neuronen justieren, was ihm das Lernen ermöglichte. Dieses Konzept ist bis heute die Grundlage für neuronale Netze.

Von KI-Winter bis Videospiele
Auf diese Anfangszeit bis in die 1960er Jahre folgte eine Zeit, die als KI-Winter bekannt wurde. Erst in den 1980er Jahren entwickelten Forscher komplexere neuronale Netze. Algorithmen unterstützten sie beim Training – dem Lernen – um die Neuronenverbindungen richtig zu gewichten. Ihr Wissen war weiterhin in den Gewichten gespeichert, nicht in programmierten Regeln. Einer der bedeutendsten KI-Forscher der 1980er Jahre war der aus England stammende Psychologe Geoffrey Hinton (78). Er entwickelte Lernalgorithmen für grosse neuronale Netze, die bis heute im Einsatz sind. Mit dem Boom der Videospiele in den 1990er Jahren und ihren dreidimensionalen Welten, stieg die Nachfrage nach immer besseren Visualisierungen und trieb die Entwicklung ultraschneller Grafikprozessoren an. Diese eigneten sich perfekt auch für die Re­chen­opera­tio­nen neuronaler Netze und plötzlich waren diese höchst effizient. Durch Verbinden von unzähligen Neuronen entstanden tiefe Netze. Von Deep Learning war deshalb die Rede. Selbstlernende Systeme wurden damit realisierbar.

Wie ein Taxiunternehmen Daten sammelt
Ursprünglich hatten KI-Firmen Daten zum Training ihrer KI-Modelle aus dem World Wide Web abgegriffen. Rechtlich ist dies jedoch enorm umstritten. Deshalb suchen KI-Firmen nun immer öfter nach legalen Quellen. Wie Marie-Astrid Langer, San Francisco, in der NZZ vom 21.Oktober 2025 unter dem Titel «Neues Angebot: Uber-Fahrer trainieren nun KI-Modelle» beschreibt, sollen künftig Uber-Fahrer ins Geschäftsmodell der Tochterfirma «Uber AI Solutions» eingebunden werden. Das neue Programm bezahlt die Fahrer in den USA dafür, dass sie während Pausen Daten generieren, um KI-Modelle zu trainieren. Die Fahrer laden Fotos von Gegenständen hoch, erstellen Kurzvideos in ihrer Muttersprache oder nehmen «data labeling» vor – also Rohdaten so zu beschreiben, dass ein KI-Modell den Inhalt eines Bildes erkennt. Das alles geschieht in der Uber-App, welche die Fahrer für die Suche nach ihrem nächsten Gast nutzen. Weltweit arbeiten mehr als 8,8 Millionen Personen für Uber als Fahrer oder Lieferanten. Viele von ihnen sprechen neben Englisch andere Sprachen fliessend – das sind ideale Voraussetzungen, damit KI-Modelle Sprachen lernen. Manche KI-Modelle können sich inzwischen auch selbständig verbessern und sich selbst, basierend auf KI-generierten Daten («synthetischen Daten»), trainieren, aber bei weitem nicht alle.

KI hat ein Inzestproblem
Unter dem Titel «KI hat ein Inzestproblem: Warum unsere Zukunft in der Vergangenheit hängenbleiben wird» beleuchtet der Kultur- und Medienwissenschafter Roberto Simanowski (62) im Feuilleton der NZZ vom 21.Oktober 2025 eine weitere Herausforderung selbstlernender Systeme. KI lernt, je mehr sie benutzt wird, auch aus Daten die sie selbst erzeugt hat. Das verändert unser Bild der Welt. Grosse Sprachmodelle lernen an Daten aus der Vergangenheit das «Denken». Gemäss Simanowski wird dabei der soziale Fortschritt behindert, wenn Sprachmodelle sich an Daten von gestern ausrichten. Politisch korrektere Perspektiven bestimmen auch das Denken ihrer Nutzer. So verstärkt sich die gestrige Perspektive auf die Welt exponentiell im Datensatz der KI und immunisiert sich gegen jede Neubewertung. Damit bestimmt nun die Vergangenheit, was die Gegenwart über sie und sich selber denkt. Und insofern der Mensch kaum noch ohne KI auf die Welt schaut, bleibt auch er schliesslich im Gestern stecken. Ende der Innovation, Ende der Geschichte, ewige Wiederkehr des Gleichen.

«Alte» definieren Unsinn
Ein Vorschlag zur Modellkollapsvermeidung solcher Systeme läge darin, die von der KI generierten Texte einer menschlichen Bewertung zu unterziehen, um unsinnige Texte aus dem Datenpool der nächsten KI-Generation auszuschliessen. Das ist eine neue Aufgabe für uns kompetente und aufgeschlossene «Alte». Aber wie definiert man Unsinn? Nach den Kriterien von gestern? Die Identifizierung synthetischer Texte verlangt eine lückenlose Aufdeckung der eingesetzten Hilfsmittel: Half die KI schon bei der Strukturierung des Textes oder nur beim Feinschliff? Oder half sie gar schon beim Lesen jener Texte, auf die sich der geschriebene Text bezieht? Zu wissen, wann und wie man KI-Systemen vertrauen kann ist eine Fähigkeit die sich nicht aus Büchern lernen lässt. Dazu braucht es mehr als Programmier-Kompetenzen: Wir «Alten» bringen Erfahrung, Business-Verständnis und die Fähigkeit, KI-Systeme kritisch zu hinterfragen ins Team. KI-Tools übernehmen Routineaufgaben, erhöhen aber gleichzeitig die Anforderungen an Architektur, Code-Qualität und Wartbarkeit. Das sind Kompetenzen, die man nur durch Erfahrung erwerben kann.