Was ist AI eigentlich? 🧠
Bevor wir uns in Neural Networks stürzen: lass uns kurz zusammen entwirren, was die Begriffe AI, ML, Deep Learning und LLM bedeuten — und was AI heute schon kann, was nicht, und warum gerade jetzt alle ausflippen.
01Was ist AI eigentlich?
In einem Satz, dann in drei Sätzen, dann mit dem mentalen Modell, das alles erklärt.
AI ist Software, die aus Beispielen lernt — statt dass jemand jede Regel von Hand programmiert. Das ist der ganze Trick.
Konkret: Klassisches Programmieren heisst, du schreibst wenn X dann Y für jeden Fall. AI dreht das um — du gibst dem System tausende Beispiele („Das ist ein Apfel, das auch, das auch") und es findet selbst das Muster raus. Danach kann es neue Bilder, Texte oder Audios klassifizieren, ohne dass du ein einziges if geschrieben hättest.
Das mentale Modell: Stell dir AI als extrem fleissigen Praktikanten vor, der nur durch Vor-zeigen lernt — niemals durch Vor-erklären. Du kannst ihm 10'000 Mal sagen „das ist X", und irgendwann sieht er ein neues Beispiel und ratet richtig. Aber er versteht nicht, was X bedeutet. Er hat nur ein gutes Muster-Gefühl.
02AI vs. ML vs. Deep Learning vs. LLM
Diese Begriffe werden ständig durcheinander geworfen. Sie sind aber verschachtelt wie russische Puppen:
- AI Künstliche Intelligenz – Oberbegriff. Jede Software, die scheinbar intelligent Aufgaben löst. Auch klassische Schach-Programme zählen dazu.
- ML Machine Learning – Teil von AI. Lernt aus Daten, statt fest programmiert zu werden. Beispiele: Spam-Filter, Empfehlungs-Algorithmen.
- DL Deep Learning – Teil von ML, der tiefe Neural Networks nutzt (viele Schichten). Hat alles ab ~2012 revolutioniert. Beispiele: Bilderkennung, Spracherkennung.
- LLM Large Language Models – Eine spezielle Sorte Deep-Learning-Modelle für Text. Beispiele: ChatGPT, Claude, Gemini, Llama.
03Lerne in 60 Sekunden: ein eigener Mini-Klassifikator 🎮
Statt dir Theorie zu predigen — lass uns einen echten ML-Klassifikator trainieren. Klick erst auf eine Frucht, dann auf das Diagramm, um Beispiele zu setzen. Dann klick auf "Vorhersagen" — und das System rät neue Punkte.
04Was AI heute kann — und was (noch) nicht
Wichtig fürs Bauchgefühl: nicht jedes Problem ist ein AI-Problem.
✅ AI ist exzellent bei:
- Mustererkennung in Bildern, Audio, Text
- Sprache verstehen & generieren (LLMs)
- Empfehlungen aus Verhaltensdaten
- Übersetzungen in 100+ Sprachen
- Spielen (Schach, Go, StarCraft – besser als Menschen)
- Code schreiben für bekannte Patterns
- Medizinische Bild-Analyse (Tumore, Röntgen)
❌ AI hat Mühe mit:
- Echtem Verstehen (sie pattern-matcht nur)
- Logisches Schlussfolgern über lange Ketten
- Halluzinationen – sie erfindet selbstbewusst Quatsch
- Neuen Situationen, die nicht im Training waren
- Ursache vs. Korrelation unterscheiden
- Common Sense (gesunder Menschenverstand)
- Konsistenz – gleiche Frage, andere Antwort
05Kurze Zeitleiste: von 1950 bis heute
Damit du weisst, warum gerade jetzt alle ausflippen — die Schlüsselmomente in 6 Sätzen:
Turing-Test
Alan Turing schlägt vor: Wenn eine Maschine im Chat nicht von einem Menschen unterscheidbar ist, ist sie „intelligent".
Perceptron
Frank Rosenblatt baut das erste „Neuron" als Maschine. Verspricht zu viel, AI-Hype Nr. 1 startet (und kollabiert in den 70ern → „AI Winter").
AlexNet @ ImageNet
Ein tiefes Neural Network gewinnt den Bilderkennungs-Wettbewerb mit Riesenabstand. Deep-Learning-Revolution startet.
"Attention Is All You Need"
Google-Paper stellt die Transformer-Architektur vor — die Grundlage aller modernen LLMs.
ChatGPT geht viral
100 Millionen User in 2 Monaten. Erster wirklich nutzbarer Chatbot für alle. "AI-Boom 2.0" startet.
Multimodal & Agents
Modelle wie GPT-5, Claude, Gemini können sehen, hören, sprechen, im Internet surfen, Code ausführen. Du bist mitten in der Welle.
06Warum hat AI jetzt den Durchbruch?
Es brauchte drei Sachen, die alle gleichzeitig endlich da waren:
Daten
Internet, Smartphones, Social Media → Milliarden gelabelter Bilder, Texte, Videos. Das gab's vor 2010 schlicht nicht.
Compute (GPUs)
NVIDIA-GPUs machten Training 100× schneller. Ein Modell, das früher 5 Jahre Training brauchte, kann heute in 2 Wochen trainiert werden.
Algorithmen
Transformer (2017), Diffusion (2020), RLHF (2022). Architekturen, die mit den Daten und GPUs hochskalieren — das war der Knick.
🎯Key Takeaways aus Page 01
- AI = Software, die aus Beispielen lernt — statt von Hand programmiert.
- Verschachtelt: AI ⊃ ML ⊃ Deep Learning ⊃ LLMs. Alle reden meistens von den inneren Kreisen.
- k-NN ist dein erstes ML-Modell — und es funktioniert oft schon erstaunlich gut.
- AI ist top bei Mustern, schwach bei echtem Verstehen, Logik und Common Sense.
- Der Boom kommt von Daten + GPUs + Transformer-Architektur, alle zur selben Zeit verfügbar.