Der rasante Aufstieg der Künstlichen Intelligenz (KI) geht einher mit einer schnell wachsenden Terminologie, die selbst Branchenexperten vor Herausforderungen stellt. Begriffe wie LLMs, RAG, RLHF oder „opaque recurrence“ – eine von OpenAI in ihrem Astra-Modell genutzte Argumentationstechnik – prägen zunehmend Fachgespräche und Veröffentlichungen.
Künstliche Allgemeine Intelligenz (AGI) und KI-Agenten
Der Begriff Künstliche Allgemeine Intelligenz (AGI) beschreibt eine KI, die in den meisten Aufgaben über menschliche Fähigkeiten hinausgeht. OpenAI definiert AGI als „hochautonome Systeme, die Menschen bei den meisten wirtschaftlich wertvollen Arbeiten übertreffen“. Google DeepMind versteht AGI als KI, die bei den meisten kognitiven Aufgaben mindestens so fähig ist wie Menschen.
Ein KI-Agent ist ein Werkzeug, das KI-Technologien nutzt, um eine Reihe von Aufgaben autonom auszuführen. Im Gegensatz zu einfachen Chatbots kann ein Agent mehrstufige Prozesse übernehmen, wie das Einreichen von Spesenabrechnungen, das Buchen von Tickets oder die Wartung von Code. Seine Funktionen sind oft von der Verfügbarkeit der Infrastruktur abhängig und können je nach Definition variieren. Ein Coding Agent ist eine spezialisierte Form, die im Gegensatz zu Vorschlägen eigenständig Code schreibt, testet und debuggt, wodurch iterative Entwicklungsarbeiten automatisiert werden.
Grundlagen der KI: Compute und Deep Learning
Compute bezeichnet die essentielle Rechenleistung, die KI-Modelle zum Betrieb benötigen. Diese Rechenkapazität, oft bereitgestellt durch Hardware wie GPUs, CPUs und TPUs, ist die Grundlage für das Training und den Einsatz leistungsfähiger KI-Modelle.
Deep Learning ist ein Teilbereich des maschinellen Lernens, der auf mehrschichtigen künstlichen neuronalen Netzen (ANN) basiert. Diese Struktur ermöglicht komplexere Korrelationen als einfachere Machine-Learning-Systeme, inspiriert von den neuronalen Verbindungen des menschlichen Gehirns. Deep-Learning-Modelle können wichtige Datenmerkmale selbstständig identifizieren und aus Fehlern lernen, erfordern jedoch große Datenmengen und sind in der Regel aufwendiger im Training.
Spezifische Techniken: Von API-Endpunkten bis Diffusion
API-Endpunkte sind Schnittstellen in Software, die es anderen Programmen ermöglichen, Funktionen aufzurufen. Entwickler nutzen diese für Integrationen, beispielsweise um Daten zwischen Anwendungen auszutauschen oder KI-Agenten die direkte Steuerung von Drittanbieterdiensten zu ermöglichen. Mit zunehmender Fähigkeit können KI-Agenten diese Endpunkte selbstständig finden und nutzen, was neue Automatisierungsmöglichkeiten eröffnet.
Das Chain-of-Thought Reasoning (Gedankenkette) bei großen Sprachmodellen zerlegt ein Problem in kleinere, Zwischenschritte, um die Qualität des Ergebnisses zu verbessern. Dies führt zwar zu längeren Antwortzeiten, erhöht aber die Korrektheit, insbesondere bei logischen oder kodierungsbezogenen Aufgaben. Solche Modelle werden aus traditionellen Sprachmodellen entwickelt und durch Reinforcement Learning für diese Art des Denkens optimiert.
Diffusion ist eine Technologie, die in vielen generativen KI-Modellen für Kunst, Musik und Text eingesetzt wird. Inspiriert von der Physik, zerstören Diffusionssysteme die Struktur von Daten durch das Hinzufügen von Rauschen. Anschließend lernen sie einen „Reverse Diffusion“-Prozess, um die ursprünglichen Daten aus dem Rauschen wiederherzustellen.
Distillation ist eine Technik, die Wissen von einem großen „Lehrer“-Modell auf ein kleineres „Schüler“-Modell überträgt. Anfragen an das Lehrermodell und dessen Ausgaben werden aufgezeichnet und zur Schulung des Schülermodells verwendet, das darauf trainiert wird, das Verhalten des Lehrers zu approximieren.
Thema: Technologie / KI allgemein. Quelle/Inspiration: TechCrunch.