KI-Glossar
Die wichtigsten Begriffe aus der Welt der Künstlichen Intelligenz – klar und verständlich
Maschinelles Lernen (Machine Learning)
Maschinelles Lernen ist ein Teilgebiet der KI, bei dem Algorithmen nicht explizit programmiert werden, sondern aus Daten eigenständig Muster erkennen und Entscheidungen treffen. Tiefes Lernen (Deep Learning) mit mehrschichtigen neuronalen Netzen bildet heute die Grundlage für Sprachassistenten, Bilderkennungssysteme und autonomes Fahren.
Neuronales Netz
Vom menschlichen Gehirn inspiriert, besteht ein künstliches neuronales Netz aus Schichten miteinander verbundener Knoten (Neuronen). Eingabedaten durchlaufen diese Schichten, werden gewichtet und transformiert, bis ein Ergebnis entsteht – etwa eine Bildklassifikation oder eine Textantwort. Je tiefer das Netz, desto komplexere Zusammenhänge kann es erlernen.
Large Language Model (LLM)
Large Language Models sind KI-Modelle, die auf riesigen Textmengen trainiert wurden und menschliche Sprache verstehen und generieren können. Bekannte Beispiele sind GPT-4, Claude oder Gemini. Das Training eines einzigen großen Modells kann viele Millionen Euro kosten und Tausende Grafikkarten über Wochen oder Monate auslasten.
GPU-Computing
Grafikkarten (GPUs) wurden für 3D-Spielegrafik entwickelt, sind aber heute das Herzstück des KI-Trainings. Ihre massiv parallele Architektur – Tausende kleiner Rechenkerne statt weniger leistungsstarker – macht sie ideal für matrizenbasierte Berechnungen. Bitcoin-Mining lief in den Anfangsjahren ebenfalls auf GPUs, seit etwa 2013 aber ausschließlich auf spezialisierten SHA-256-Chips (ASICs), die einer Grafikkarte um Größenordnungen überlegen sind. Gemeinsam ist beiden Welten der Bedarf an günstigem, planbarem Strom und guter Kühlung.
Prompt Engineering
Prompt Engineering ist die Kunst, KI-Sprachmodelle durch präzise formulierte Eingaben zu optimalen Ergebnissen zu führen. Ein guter Prompt gibt dem Modell Kontext, Rolle, Format und Ziel vor. Da LLMs keine klassischen Programme sind, ergänzt Prompt Engineering in vielen Aufgaben die klassische Programmierung und wird zunehmend zur gefragten Fachkompetenz im Umgang mit KI-Systemen.
KI & Energieverbrauch
KI-Training ist extrem energiehungrig: Das Training eines großen Modells wie GPT-4 verbrauchte nach unabhängigen Schätzungen rund 50.000 Megawattstunden, so viel wie etwa 15.000 deutsche Haushalte in einem Jahr; offizielle Zahlen veröffentlicht OpenAI nicht. Auch der laufende Betrieb (Inferenz) wächst rasant – Milliarden von Anfragen täglich summieren sich zu gigantischem Energiebedarf. Große Tech-Konzerne investieren daher massiv in Solar- und Windkraft für ihre Rechenzentren – ein Trend, der KI und erneuerbare Energien direkt verbindet.