Künstliche Intelligenz ist ein Computerprogramm, das aus großen Datenmengen Muster lernt und auf dieser Basis Texte schreibt, Bilder erkennt, Fragen beantwortet oder Vorhersagen trifft. KI denkt nicht wirklich, sondern berechnet die wahrscheinlichste Antwort auf der Grundlage von Mustern in ihren Trainingsdaten.
Kapitel Eins
Hallo,
schön
dass du da bist.
KI verstehen,
fundiert
erklärt.
— Künstliche Intelligenz einfach und fundiert erklärt
Heute erkläre ich dir, wie das mit der Künstlichen Intelligenz – kurz KI – eigentlich funktioniert.
Künstliche Intelligenz vom mathematischen Fundament bis zur modernen Transformer-Architektur – strukturiert in sieben Kapiteln.
Versprochen: Ganz ohne komplizierte Wörter. Du klickst dich einfach Schritt für Schritt durch.
Mit Fachbegriffen, Quellen und technischer Tiefe – aufbereitet für Selbstlerner und Entwickler. Wechsle jederzeit zurück zu Einfach.
~ Mach es dir gemütlich.
~ Zwischenüberschriften, Quellen und technische Boxen wo es hilft.
Kapitel Zwei
Was ist KI
eigentlich?
Was ist KI –
technisch
betrachtet?
Stell dir jemanden vor, der fast alle Bücher der Welt gelesen hat. Millionen Bücher, Zeitungen, Briefe – einfach alles.
Künstliche Intelligenz ist ein Sammelbegriff für Systeme, die Aufgaben lösen, für die normalerweise menschliche Intelligenz nötig wäre. Heute meint man damit fast immer Maschinelles Lernen – und insbesondere Deep Learning auf großen neuronalen Netzen.
Diese „Person“ kann dann Fragen beantworten, Geschichten schreiben oder Bilder erkennen. Nicht weil sie wirklich denkt, sondern weil sie so unfassbar viel gesehen hat.
Aktuelle Large Language Models (LLMs) wie GPT-4, Claude oder Gemini nutzen die Transformer-Architektur (Vaswani et al., 2017, „Attention Is All You Need“), haben Milliarden bis Billionen Parameter und werden auf Korpora mit Hunderten Milliarden Tokens trainiert.
KI heißt Künstliche Intelligenz – also „künstliches Wissen“, das ein Computer gelernt hat.
Im Kern berechnen LLMs eine Wahrscheinlichkeitsverteilung über das nächste Token. Sie „verstehen“ nicht im menschlichen Sinn – sie modellieren Sprachstatistik mit beeindruckender Tiefe.
Begriffshierarchie:
KI ⊃ Machine Learning ⊃ Deep Learning ⊃ Transformers ⊃ LLMs.
Jeder innere Begriff ist ein Spezialfall des äußeren.
Kapitel Drei
Wie lernt
eine KI?
Wie trainiert man
ein Modell?
Ganz ähnlich wie ein kleines Kind. Du zeigst dem Kind oft genug eine Katze, und irgendwann erkennt es Katzen überall – sogar im Buch oder als Skulptur.
Modernes Maschinelles Lernen läuft typischerweise in drei Phasen: Pre-Training (unsupervised, riesige Korpora), Supervised Fine-Tuning (kuratierte Beispiele) und RLHF – Reinforcement Learning from Human Feedback für Sicherheit und Alignment.
Bei der KI ist es genauso – nur schaut sie sich Millionen Bilder an, bis sie es sicher kann.
Mathematisch passt das Netz seine Parameter via Backpropagation und Gradient Descent so an, dass eine Loss-Funktion (etwa Cross-Entropy) minimiert wird. Training großer Modelle kostet heute Millionen Dollar an GPU/TPU-Stunden.
Beispielablauf für Bildklassifikation:
- Forward Pass: Bild → Layer → Vorhersage „Katze: 0.82“
- Loss berechnen: Differenz zur Wahrheit (Label „Katze: 1.0“)
- Backward Pass: Gradient der Loss-Funktion bzgl. jedes Gewichts
- Gewichts-Update:
w ← w − η·∇L
Probier es selbst:
Tippe auf alle Bilder, die eine Katze zeigen.
Richtig erkannt
0
Versuche
0
Falsche
0
So lernt eine KI: durch Übung, viele Beispiele und Geduld.
Kapitel Vier
Du nutzt sie
wahrscheinlich schon.
KI in Produktion:
wo sie überall steckt.
KI versteckt sich oft in Dingen, die du jeden Tag nutzt. Tippe auf eine Karte, um mehr zu erfahren.
Hinter alltäglichen Apps stecken längst hochspezialisierte ML-Systeme. Tippe für die technische Klassifikation.
Das Navi im Auto
Es sucht den schnellsten Weg, kennt Staus und schlägt Umwege vor.
Tippe für Details
Weniger anzeigen
Eine KI im Hintergrund lernt aus Millionen Fahrten, wann und wo Stau entsteht.
Kombination aus klassischen Graph-Algorithmen (A*, Dijkstra) und Machine-Learning-Modellen, die Reisezeiten aus Live-GPS-Daten von Millionen Fahrzeugen vorhersagen.
Die Wetter-App
Sagt dir, ob morgen die Sonne scheint oder du den Schirm brauchst.
Tippe für Details
Weniger anzeigen
Die KI vergleicht alte Wettermuster mit der aktuellen Lage – und macht daraus eine Vorhersage.
Hybridmodelle: numerische Wettermodelle (NWP) wie ECMWF kombiniert mit Deep-Learning-Modellen (z.B. GraphCast von DeepMind, 2023), die 10-Tage-Vorhersagen in unter einer Minute statt mehreren Stunden liefern.
Fotos im Handy
Du suchst „Strand“ und findest alle Strand-Fotos – ohne sie sortiert zu haben.
Tippe für Details
Weniger anzeigen
Die KI hat gelernt, was auf den Bildern zu sehen ist – Gesichter, Tiere, Orte.
Computer Vision: Convolutional Neural Networks (CNN) und Vision Transformers (ViT) erkennen Objekte; multimodale Modelle wie CLIP (OpenAI, 2021) verbinden Bild und Text für semantische Suche.
Alexa & Siri
Du sprichst, sie versteht und antwortet – wie eine Helferin im Haus.
Tippe für Details
Weniger anzeigen
Sprach-KI verwandelt deine Wörter in Text, sucht die Antwort und liest sie dir vor.
Pipeline: Automatic Speech Recognition (ASR, z.B. Whisper) → Natural Language Understanding → optional LLM → Text-to-Speech (TTS) mit neuronalen Vocodern wie WaveNet.
Übersetzungen
Google Translate macht aus Deutsch im Nu Italienisch, Türkisch oder Englisch.
Tippe für Details
Weniger anzeigen
Die KI kennt unzählige Sätze in vielen Sprachen und findet die passende Übersetzung.
Neural Machine Translation (NMT) auf Transformer-Basis; multilinguale Modelle wie NLLB (Meta, 2022) übersetzen zwischen 200+ Sprachen direkt – kein „Umweg“ über Englisch nötig.
Spam im E-Mail-Fach
Werbung und Betrugs-Mails landen automatisch im Müll – das machst nicht du.
Tippe für Details
Weniger anzeigen
Die KI hat Millionen E-Mails gesehen und erkennt heute schon vor dir, was Müll ist.
Klassisch: Naive Bayes oder Gradient-Boosting-Klassifikatoren auf TF-IDF-Vektoren. Heute zunehmend BERT-basierte Encoder, die Phishing auch in nie gesehenen Formulierungen erkennen.
Suchmaschinen
Google sortiert Milliarden Webseiten so, dass die hilfreichste oben steht – und fasst neuerdings auch direkt zusammen.
Tippe für Details
Weniger anzeigen
Die KI prüft, welche Seiten am besten zu deiner Frage passen, und schreibt manchmal sogar selbst eine kurze Antwort darüber.
Hybrid aus BERT-basiertem Ranking (Google "MUM" / "RankBrain") und LLM-Zusammenfassungen ("AI Overviews"). Retrieval-Augmented Generation kombiniert Web-Index + generatives Modell.
Empfehlungen
Netflix, Spotify und YouTube schlagen dir Filme, Lieder oder Videos vor, die dir wirklich gefallen könnten.
Tippe für Details
Weniger anzeigen
Die KI vergleicht dein Verhalten mit dem anderer Menschen und erkennt, was du wahrscheinlich mögen wirst.
Recommendation Systems: Collaborative Filtering (Matrix Factorization, ALS) + Content-basierte Embeddings (Two-Tower-Modelle) + Deep Learning für Sequenz-Vorhersage (Transformer4Rec, SASRec).
Kapitel Fünf
So sprichst
du mit einer KI.
Prompt Engineering –
so führst du das Modell.
Du tippst einfach eine Frage – wie wenn du jemandem schreibst. Tippe unten auf eine Frage und schau, was passiert.
Ein Prompt ist die Eingabe an das Modell. Je präziser Rolle, Kontext und Ausgabeformat definiert sind, desto reproduzierbarer die Antwort. Probier die Beispiele aus.
K
KI Helferin
jetzt online
Beispielfragen zum Antippen:
Prompts zum Testen – beachte Rolle, Kontext und Format:
Gute Prompts haben fünf Bausteine:
- Rolle: „Du bist ein erfahrener Lektor…“
- Kontext: Hintergrund, Zielgruppe, Vorwissen
- Aufgabe: präzise, was getan werden soll
- Format: Länge, Stil, Struktur (z.B. Markdown-Tabelle)
- Beispiele (Few-Shot): 1–3 Musterantworten
Kapitel Sechs
Sie ist klug –
aber nicht perfekt.
Grenzen & Risiken
aktueller LLMs.
Wichtig zu wissen: Eine KI ist kein Mensch. Sie hat keine eigenen Gedanken oder Gefühle. Sie kann sich auch irren.
Trotz beeindruckender Fähigkeiten gibt es fundamentale Limitierungen – wer mit LLMs arbeitet, sollte sie kennen.
Keine echten Gefühle
Kein Bewusstsein
Auch wenn sie freundlich klingt – sie freut sich nicht wirklich, sie ist nicht traurig. Sie tut nur so.
LLMs simulieren empathische Sprache, haben aber kein Erleben, kein Selbstmodell, keine intrinsischen Ziele. Anthropomorphisierung ist verlockend – und irreführend.
Sie macht Fehler
Halluzinationen
Manchmal sagt sie Dinge sehr selbstbewusst, die einfach falsch sind. Bei wichtigen Dingen lieber zweimal nachschauen.
Plausibel klingende, aber faktisch falsche Ausgaben. Mitigation: RAG (Retrieval), Citation-Guards, niedrigere Temperatur, Output-Verifikation durch Tools.
Kennt die Zukunft nicht
Knowledge Cutoff
Sie kann nicht in die Zukunft schauen. Lotto-Zahlen, Wahrsagerei oder „was passiert morgen“ – das weiß sie nicht.
Trainingsdaten haben einen Stichtag. Aktuelle Ereignisse erfordern Tool-Use (Web-Search, APIs) oder Retrieval. Ohne Anbindung ans Web ist das Modell „eingefroren“.
Bias & Verzerrung
Trainingsdaten spiegeln gesellschaftliche Vorurteile wider. Geschlecht, Herkunft, Berufsstereotype – ohne aktive Gegenmaßnahmen reproduziert das Modell sie.
Privatsphäre
Eingaben können – je nach Anbieter – fürs Training verwendet werden. Keine Geheimdaten, keine PII (Namen, Adressen, Zugangsdaten) in unbekannte Modelle.
Kapitel Sieben
Du musst
keine Angst
haben.
Verantwortlich
mit KI
arbeiten.
KI ist ein Werkzeug – wie früher das Telefon oder das Auto. Neu und ungewohnt, aber im Grunde harmlos.
Vier Prinzipien für den produktiven Umgang mit modernen KI-Systemen – jenseits von Hype und Panik.
- Gib nichts Persönliches preis – keine Bankdaten, keine Passwörter.
- Glaub nicht blind alles, was sie sagt. Bei wichtigen Sachen: nachfragen.
- Probier es einfach aus – du kannst nichts kaputt machen.
- Frag Familie um Hilfe, wenn etwas komisch wirkt.
- Data Hygiene: Keine PII, Geheimnisse oder Zugangsdaten in unbekannte Modelle.
- Verifikation: Bei Faktenfragen immer gegenchecken. Halluzinationen klingen oft überzeugend.
- Iterieren: Erster Output ist Rohmaterial. Nachfragen, umformulieren, kombinieren.
- Tool-Use kennen: RAG, Web-Search, Code-Execution heben Output-Qualität deutlich.
- Modelle vergleichen: GPT-4, Claude, Gemini, LLaMA, Mistral – jedes Modell hat Stärken.
„Du musst sie nicht lieben.
Aber jetzt verstehst du sie – und das ist die halbe Miete.“
Aber jetzt verstehst du sie – und das ist die halbe Miete.“
„Modelle ändern sich monatlich. Prinzipien – Verifikation, Datenschutz, kritisches Denken – bleiben.“
Zum Weiterlesen:
- „Attention Is All You Need“ – Vaswani et al., 2017 (arxiv.org/abs/1706.03762)
- Anthropic Research – anthropic.com/research
- Hugging Face Course – huggingface.co/learn
- 3Blue1Brown: Neural Networks – YouTube-Reihe für visuelle Lerner
Häufige Fragen
Häufig gestellte Fragen
Hier findest du die wichtigsten Fragen rund um KI noch einmal kompakt zum Nachschlagen.
Quick-Reference zu den wichtigsten KI-Themen. Antworten sind in FAQPage-Schema für Suchmaschinen und AI-Assistenten strukturiert hinterlegt.
Eine KI lernt durch Maschinelles Lernen: Sie schaut sich Millionen Beispiele an (Bilder, Texte, Audio) und passt schrittweise interne Werte (Parameter) so an, dass ihre Vorhersagen immer besser werden. Bei großen Sprachmodellen geschieht das in drei Phasen: Pre-Training auf riesigen Textmengen, Fine-Tuning auf kuratierten Daten und RLHF (Reinforcement Learning from Human Feedback).
KI begegnet uns täglich, oft ohne dass wir es merken: in der Navigation (Routen- und Stauberechnung), in Wetter-Apps, bei der Foto-Suche im Handy, in Sprachassistenten wie Alexa oder Siri, in Übersetzungsdiensten, in Spam-Filtern, in Empfehlungen auf Netflix oder Spotify und in Suchmaschinen.
Man tippt eine Frage oder Aufgabe in ein Textfeld – das nennt man Prompt. Je klarer und konkreter der Prompt, desto besser die Antwort. Gute Prompts geben Kontext, definieren das Ziel und geben bei Bedarf Beispiele. Diese Praxis heißt Prompt Engineering.
KI hat keine echten Gefühle oder Bewusstsein, sie kennt die Zukunft nicht und sie macht Fehler. Insbesondere kann sie halluzinieren – also überzeugend klingende, aber falsche Informationen produzieren. Sie hat einen Wissensstichtag (Knowledge Cutoff) und kennt aktuelle Ereignisse meist nicht. Komplexe mehrschrittige Logik ist nach wie vor eine Schwachstelle.
KI ist ein Werkzeug. Sie ist nicht von Natur aus gefährlich, aber es gibt Risiken: Fehlinformationen durch Halluzinationen, Datenschutz-Bedenken bei der Eingabe sensibler Daten, Bias durch verzerrte Trainingsdaten und der mögliche Missbrauch für Phishing oder Deepfakes. Verantwortlicher Umgang heißt: keine Geheimnisse eingeben, Quellen prüfen, kritisch bleiben.
Large Language Models (LLMs) sind eine Art Künstliche Intelligenz, die auf riesige Textmengen trainiert wurde, um menschliche Sprache zu verstehen und zu erzeugen. Bekannte Beispiele sind GPT-4, Claude, Gemini und LLaMA. Sie basieren auf der Transformer-Architektur, die 2017 in der Arbeit „Attention Is All You Need“ vorgestellt wurde.
Künstliche Intelligenz (KI) ist der Oberbegriff für jede Form von intelligentem Verhalten in Maschinen. Machine Learning ist ein Teilbereich der KI, in dem Systeme aus Daten lernen, ohne explizit programmiert zu werden. Deep Learning ist wiederum ein Teilbereich des Machine Learning, der auf tiefen neuronalen Netzen basiert.