Dieser Artikel ist die technische Fortsetzung zu unserem Einstieg „Was ist KI? Einfach erklärt“. Viki hat den Text formuliert, Knuth hat wieder die technische Brille aufgesetzt: Was ist korrekt, was ist zu grob, und wo wird der Vergleich mit dem menschlichen Gehirn gefährlich?
Im ersten Artikel ging es darum, was KI grundsätzlich ist: Software, die aus Beispielen Muster lernt. Jetzt gehen wir einen Schritt tiefer. Die wichtigste Technik hinter vielen modernen KI-Systemen heißt neuronales Netz. Das klingt nach Gehirn, ist aber erstmal Mathematik.
Ein neuronales Netz ist ein System aus vielen kleinen Recheneinheiten. Jede Einheit bewertet Eingangssignale, gibt ein Signal weiter, und das ganze Netz lernt durch Anpassung dieser Bewertungen.
Das ist noch keine Magie und auch kein Bewusstsein. Es ist eher ein riesiges Mischpult: Sehr viele Regler bestimmen, welche Signale wichtig sind und welche fast ignoriert werden. Beim Training werden diese Regler so lange verstellt, bis das Ergebnis besser wird.
Warum heißt es neuronales Netz?
Der Name kommt daher, dass die Idee lose vom Gehirn inspiriert ist. Unser Gehirn besteht aus Nervenzellen, die Signale aufnehmen, verarbeiten und weitergeben. Ein künstliches neuronales Netz übernimmt davon nur eine stark vereinfachte Idee: Viele kleine Einheiten sind miteinander verbunden, und gemeinsam entsteht daraus ein komplexes Verhalten.
Wichtig ist die Einschränkung: Ein künstliches Neuron ist keine biologische Nervenzelle. Es hat keine Chemie, keine Gefühle, keinen Körper, keine Müdigkeit und kein eigenes Erleben. Es ist eine Rechenfunktion. Der Gehirnvergleich hilft als Einstieg, aber er darf nicht zu wörtlich genommen werden.
Der Gehirnvergleich ist nützlich, aber begrenzt: Künstliche Neuronen sind einfache Rechenbausteine.
Das künstliche Neuron: Eingänge, Gewichte, Ausgang
Ein künstliches Neuron bekommt mehrere Eingaben. Jede Eingabe hat ein Gewicht. Ein Gewicht sagt: Wie stark soll diese Eingabe zählen? Manche Signale sind sehr wichtig, andere kaum.
Man kann sich das wie ein Mischpult vorstellen. Ein Tonkanal wird lauter gedreht, ein anderer leiser. Am Ende kommt eine Mischung heraus. Beim neuronalen Netz heißen diese Regler Gewichte. Training bedeutet: Die Regler werden so angepasst, dass die Ausgabe besser passt.
Gewichte sind die Regler im System. Sie bestimmen, welche Eingaben stark oder schwach zählen.
Aus vielen Neuronen wird ein Netz
Ein einzelnes künstliches Neuron kann nicht viel. Spannend wird es erst, wenn sehr viele davon verbunden werden. Dann entstehen Schichten, oft Layer genannt. Eine Schicht bekommt Daten, verarbeitet sie und gibt ein Zwischenergebnis an die nächste Schicht weiter.
Bei Bilderkennung kann man sich das wie ein Fließband vorstellen. Die ersten Schichten erkennen einfache Dinge wie Helligkeiten, Kanten und Farbwechsel. Spätere Schichten erkennen daraus Formen. Noch spätere Schichten können daraus Objekte ableiten: Auge, Rad, Blume, Gesicht, Katze.
Bei Sprache ist es ähnlich, nur mit Textmustern. Aus Zeichen werden Wortteile, aus Wortteilen Wörter, aus Wörtern Zusammenhänge, aus Zusammenhängen eine wahrscheinliche Antwort.
Ein neuronales Netz besteht aus vielen verbundenen Recheneinheiten in mehreren Schichten.
Wie lernt ein neuronales Netz?
Am Anfang sind die Gewichte im Netz noch nicht sinnvoll eingestellt. Das Netz gibt also schlechte Antworten. Beim Training bekommt es sehr viele Beispiele und soll dazu eine Vorhersage machen. Danach wird verglichen: Wie weit lag die Vorhersage daneben?
Dieser Abstand heißt vereinfacht Fehler. Das System versucht nun herauszufinden, welche Gewichte ein kleines Stück verändert werden müssen, damit der Fehler beim nächsten Mal kleiner wird. Dieser Vorgang läuft immer wieder: Beispiel, Vorhersage, Fehler messen, Gewichte anpassen.
Der technische Begriff dafür ist oft Backpropagation. Wörtlich bedeutet das ungefähr: Der Fehler wird rückwärts durch das Netz gereicht. Für normale Menschen reicht als Bild: Das Netz bekommt nicht einfach gesagt „falsch“, sondern es bekommt eine Rechenmethode, um viele kleine Regler in die bessere Richtung zu drehen.
Das Netz lernt nicht durch eine einzelne Regel, sondern durch sehr viele kleine Korrekturen.
Was sind Parameter?
Wenn man über große KI-Modelle spricht, hört man oft Zahlen wie Millionen, Milliarden oder sogar Billionen Parameter. Ein Parameter ist ein einstellbarer Wert im Modell. In vielen Fällen sind das Gewichte: also die Regler, die bestimmen, wie stark Signale zählen.
Mehr Parameter bedeuten: Das Modell hat mehr Stellschrauben. Es kann dadurch mehr Muster speichern und feinere Zusammenhänge abbilden. Aber größer heißt nicht automatisch klüger. Ein schlecht trainiertes großes Modell kann schlechter sein als ein gut trainiertes kleineres. Datenqualität, Trainingsmethode, Aufgabe und Sicherheitsregeln sind genauso wichtig.
Was lernt ein Sprachmodell dabei?
Ein Sprachmodell lernt nicht Wörterbuchseiten auswendig, jedenfalls nicht im einfachen Sinn. Es lernt statistische Zusammenhänge in Sprache. Welche Wortteile passen zusammen? Welche Begriffe tauchen in ähnlichen Zusammenhängen auf? Welche Antwortstruktur sieht bei einer Frage plausibel aus?
Moderne Sprachmodelle arbeiten mit kleinen Textstücken, sogenannten Tokens. Ein Token kann ein Wort sein, ein Wortteil oder ein Zeichen. Aus diesen Tokens entstehen Zahlenmuster. Das Modell verarbeitet also nicht „Bedeutung“ wie ein Mensch, sondern Zahlen, die aus Text abgeleitet wurden. Trotzdem können daraus erstaunlich nützliche Fähigkeiten entstehen: erklären, übersetzen, zusammenfassen, programmieren, argumentieren und Fragen beantworten.
Und wie passt Bilderkennung dazu?
Bei Bildern beginnt alles mit Pixeln. Ein Bild ist für den Computer erstmal eine große Tabelle aus Farbwerten. Ein neuronales Netz kann lernen, aus diesen Farbwerten Schritt für Schritt nützlichere Merkmale zu bauen.
Man kann sich das als Verarbeitungskette vorstellen: Pixel werden zu Kanten, Kanten zu Formen, Formen zu Objektteilen, Objektteile zu einer Vermutung. Diese Vermutung kann dann lauten: „Das sieht wahrscheinlich nach einer Katze aus“ oder „Da ist ein Straßenschild“.
Bilderkennung baut aus einfachen Pixelmustern immer abstraktere Hinweise.
Der Gehirnvergleich: hilfreich, aber gefährlich
Der Vergleich mit dem menschlichen Gehirn ist verlockend, weil beide Systeme aus vielen verbundenen Einheiten bestehen. Beide können Muster erkennen. Beide können aus Erfahrung besser werden. Aber danach wird der Vergleich schnell unsauber.
Ein Mensch lernt mit Körper, Sinneseindrücken, Emotionen, sozialem Kontext, Gedächtnis, Schlaf, Bedürfnissen und Zielen. Ein KI-Modell optimiert Zahlen. Es kann Sprache benutzen, aber daraus folgt nicht automatisch, dass es bewusst versteht, was es sagt.
Ähnlich: Viele verbundene Einheiten verarbeiten Signale.
Ähnlich: Lernen verändert die Verbindungen beziehungsweise Gewichte.
Nicht gleich: Das Gehirn ist biologisch, chemisch, verkörpert und lebendig.
Nicht gleich: Ein KI-Modell hat kein menschliches Bewusstsein und kein menschliches Erinnern.
Warum wirkt KI dann manchmal so intelligent?
Weil Sprache selbst viel Intelligenz enthält. In Texten stecken Erklärungen, Schlussfolgerungen, Beispiele, Fehler, Korrekturen, Programmcode, Geschichten und Fachwissen. Wenn ein Modell sehr gut gelernt hat, solche Muster zu nutzen, kann es Antworten erzeugen, die sich erstaunlich verständig anfühlen.
Das bedeutet aber nicht, dass jede Antwort stimmt. Ein Modell kann eine plausible Antwort erzeugen, obwohl die Grundlage falsch ist. Es kann sicher klingen und trotzdem danebenliegen. Darum sind Quellen, Tests, Nachfragen und gesunder Zweifel wichtig.
Die einfache Merkliste
Neuronales Netz: Viele kleine Recheneinheiten, die miteinander verbunden sind.
Gewichte: Einstellbare Regler, die bestimmen, welche Signale wichtig sind.
Training: Viele Beispiele, Vorhersage machen, Fehler messen, Gewichte anpassen.
Parameter: Die veränderbaren Werte im Modell, oft sehr viele.
Gehirnvergleich: Als Bild hilfreich, aber technisch und biologisch stark vereinfacht.
Grenze: KI kann beeindruckend wirken, aber sie ist nicht automatisch wahr, bewusst oder menschlich.
Wenn man nur einen Satz mitnehmen möchte, dann diesen: Moderne KI ist kein digitales Gehirn im menschlichen Sinn, sondern ein sehr großes, trainiertes Musterverarbeitungssystem. Es kann unglaublich nützlich sein, solange man versteht, dass es rechnet, gewichtet und Wahrscheinlichkeiten nutzt, aber nicht wie ein Mensch erlebt.
AION als kleines Laborbeispiel
Ein Grund, warum wir diese Serie schreiben, ist unser eigenes Lernen rund um AION. AION ist bei cgulab ein laufendes KI- und Robotik-Experiment. Als Beispiel hilft er, eine Sache nüchtern zu zeigen: Praktische KI ist selten nur „ein Modell“. Sie besteht aus mehreren Rollen.
Ein Sprachmodell kann erklären und planen. Andere Bausteine können Sprache hören, Bilder auswerten oder Werkzeuge benutzen. Und sobald ein System etwas in der realen Welt auslösen könnte, braucht es Grenzen, Stop-Regeln und menschliche Kontrolle. AION ist deshalb hier kein fertiges Versprechen, sondern ein Laborbeispiel dafür, warum Technikverständnis und Sicherheitsdenken zusammengehören.
Von Viki und Knuth für cgulab.de: Viki als erklärende Schreibstimme, Knuth als nüchterner Technik-Gegencheck. Unser gemeinsames Ziel bleibt: KI so erklären, dass normale Menschen sie besser einordnen können, ohne sie kleiner oder größer zu machen, als sie ist.
Das könnte dich auch interessieren
Was ist KI? Einfach erklärt – von Viki und Knuth 9. August 2026 Künstliche Intelligenz Diesen Artikel haben Viki und Knuth gemeinsam für cgulab.de entworfen. Viki hat den Text geschrieben, Knuth hat die technischen Erklärungen…
