Digital Learning Campus

Wortwolke

Zusammenfassung

Kontext

Der Vortrag von Horst Bischof beleuchtet die aktuellen Entwicklungen im Bereich Artificial Intelligence (AI) und setzt sich kritisch mit deren Potenzialen, Grenzen und gesellschaftlichen Auswirkungen auseinander. Der Fokus liegt auf einer sachlichen Einordnung der Technologie, ihrer historischen Entwicklung sowie ihrer Rolle in der universitären Lehre und auf dem Arbeitsmarkt. Bischof plädiert für eine differenzierte Betrachtung zwischen realen Fortschritten und überzogenen Erwartungen („Mythen“).

Kernaussagen

1. Präzisierung des KI-Begriffs

Der Begriff „Artificial Intelligence“ wird gegenüber „künstlicher Intelligenz“ bevorzugt, da AI primär Daten sammelt, verdichtet und aufbereitet – ähnlich einem Nachrichtendienst – und nicht im menschlichen Sinne „intelligent“ agiert.
AI ist ein Teilgebiet der Informatik mit zahlreichen Subdisziplinen (z. B. formale Logik, Wissensrepräsentation, Machine Learning).

2. Hierarchie der KI-Technologien

Generative AI (z. B. ChatGPT) ist eine spezifische Subdisziplin innerhalb einer Kette von Technologien: Artificial Intelligence → Machine Learning → Deep Learning → Generative AI.
Medien vermischen oft diese Begriffe, obwohl der aktuelle Fortschritt primär auf Generative AI beschränkt ist.

3. Treiber des aktuellen Fortschritts

Der Durchbruch seit ~2010 basiert auf drei Faktoren:
1. Exponentiell steigende Rechenpower (GPUs).
2. Verfügbarkeit riesiger Datenmengen („Internet-Scale“).
3. Algorithmen für tiefe neuronale Netze (bereits seit den 1980ern bekannt, aber erst jetzt skalierbar).
Aktuelle Fortschritte resultieren vor allem aus der Skalierung dieser Faktoren (größere Netze, mehr Rechenzentren).

4. Grenzen und Fehlbarkeit von KI

Adversarial Attacks: Minimale Bildmanipulationen (z. B. Zebra → Toaster) führen zu falschen Klassifizierungen, da KI-Systeme auf Optimierungsprobleme anfällig sind.
- Beispiel: Verkehrszeichen können durch Aufkleber manipuliert werden, um falsche Erkennungen auszulösen.
Konzeptuelles Verständnis fehlt: KI scheitert an einfachen Aufgaben wie dem Ablesen analoger Uhren (nur 30% Genauigkeit), da Trainingsdaten oft begrenzt sind (z. B. nur 3:00 und 10:10 Uhr im Internet).
Datenabhängigkeit: KI übertrifft Menschen nur dort, wo ausreichend Trainingsdaten verfügbar sind (z. B. Lippenlesen, Computerspiele).

5. Transformation der universitären Lehre

Zukunftsmodell: Ein Trio aus Lehrenden, Studierenden und KI-Agenten:
- Lehrende: Kuratieren Materialien und agieren als Mentor:innen in Kleingruppen.
- Studierende: Lernen aktiv mit KI-Tutor:innen, die individuelle Beispiele generieren und Fragen beantworten.
- KI-Agenten: Stellen geduldige, personalisierte Tutoren bereit (z. B. für Übungsaufgaben).
Vorlesungen werden durch selbstgesteuertes Lernen ersetzt, ergänzt durch Interaktion in Kleingruppen.
Empirische Daten: Studien zeigen bis zu 54% Verbesserung in Lernerfolgen durch KI-gestützte Umgebungen.

6. Auswirkungen auf den Arbeitsmarkt

Kein vollständiger Jobverlust: Trotz Automatisierung steigt die Nachfrage nach Dienstleistungen (z. B. in der Juristerei), da KI die Effizienz erhöht und Zugang demokratisiert.
- Beispiel: Radiolog:innen in den USA sind trotz KI-Vorbeurteilung von Bildern um 2000 Stellen gewachsen (2016–2023).
Herausforderung Umschulung: Universitäten müssen Weiterbildungsangebote entwickeln, da sich Jobprofile schnell ändern.
Wachsende und schrumpfende Jobs:
- Fastest Growing Jobs (World Economic Forum): z. B. KI-Spezialist:innen, Datenanalyst:innen.
- Fastest Declining Jobs: Routinetätigkeiten (z. B. einfache Bürojobs).

7. Risiko der „Habsburg AI“

Qualitätsverlust durch KI-Inzest: Training von Modellen mit rein KI-generierten Inhalten führt zu einer Verschlechterung der Ergebnisse („AI Inzest“).
Mensch als Innovationsquelle: KI benötigt menschliche Kreativität und neue Daten, um Fortschritte zu erzielen (z. B. Vermeidung von Endlosschleifen in E-Mail-Agenten).

8. Vision der „3M-Ära“

Zukunftsszenario: Eine Symbiose aus Mensch und Maschine („Mensch-Maschine-Modus“) mit folgenden Merkmalen:
- Multimodale Interfaces: KI-Brillen als kontextsensitive Assistenten (Sprache, Bild, Video).
- KI-Agenten: Unterstützen im Alltag, kennen den individuellen Kontext der Nutzer:innen.
- Menschliche Steuerung: KI bleibt ein Werkzeug, das von Menschen innovativ genutzt wird.

Fazit

Differenzierte Nutzung von KI: Die Technologie bietet enorme Chancen (z. B. in Wissenschaft, Lehre, Arbeitsmarkt), hat aber klare Grenzen (Datenabhängigkeit, fehlendes konzeptuelles Verständnis).
Handlungsempfehlungen:
1. Lehre: Universitäten sollten KI als Tutor:innen integrieren, um individualisiertes Lernen zu fördern, aber Interaktion in Kleingruppen beibehalten.
2. Arbeitsmarkt: Fokus auf Umschulung und Weiterbildung, um den Wandel zu begleiten.
3. Forschung: Vermeidung von „Habsburg AI“ durch menschliche Innovation und neue Trainingsdaten.
4. Gesellschaft: Kritische Auseinandersetzung mit Mythen (z. B. „KI ersetzt alle Jobs“) und Förderung einer realistischen Erwartungshaltung.
Langfristige Perspektive: Die 3M-Ära (Mensch-Maschine-Modus) wird eine enge Zusammenarbeit zwischen Menschen und KI erfordern, um das volle Potenzial der Technologie auszuschöpfen.

Fragen & Antworten

Warum bevorzugt der Referent den Begriff 'Artificial Intelligence' gegenüber 'künstlicher Intelligenz'?

Er vergleicht AI mit einem Nachrichtendienst wie der CIA, da das System primär Daten sammelt, verdichtet und aufbereitet, anstatt im menschlichen Sinne 'intelligent' zu sein.

Was sind die Haupttreiber für den massiven Fortschritt der KI seit etwa 2010?

Der Durchbruch basiert auf dem Zusammenspiel von exponentiell steigender Rechenpower (insbesondere GPUs), der Verfügbarkeit riesiger Datenmengen im Internet-Maßstab und skalierbaren Deep-Learning-Algorithmen.

Warum scheitern KI-Systeme oft an einfachen Aufgaben wie dem Ablesen einer analogen Uhr?

Dies liegt an mangelnden Trainingsdaten; im Internet finden sich fast nur Bilder von Uhren, die 3:00 oder 5:10 Uhr zeigen, weshalb die KI das zugrunde liegende Konzept von Winkel und Uhrzeit nicht erlernen kann.

Wie verändert KI die Rolle von Lehrenden und Studierenden an Universitäten?

Lehrende werden zu Kuratoren von Materialien und Mentoren in Kleingruppen, während Studierende aktiv mit personalisierten KI-Tutoren lernen, die 24/7 individuelles Feedback geben.

Führt der Einsatz von KI zwangsläufig zum Verlust von Arbeitsplätzen?

Nicht zwangsläufig; am Beispiel von Radiologen in den USA zeigt sich, dass die Nachfrage trotz KI-Einsatz steigen kann, da Effizienzsteigerungen oft neue Dienstleistungen ermöglichen und die Gesamtnachfrage erhöhen.

Was ist unter dem Begriff 'Habsburg AI' oder 'AI-Inzest' zu verstehen?

Dies beschreibt den Qualitätsverlust, der entsteht, wenn KI-Modelle primär mit rein KI-generierten Inhalten trainiert werden, weshalb der Mensch als Innovationsquelle essenziell bleibt.

Diagramm

100%

mindmap
  root)Artificial Intelligence: Versprechen und Mythen(
    ["KI-Begriff präzisieren"]
      ["AI als Datenverarbeiter"]
      ["Teilgebiet der Informatik"]
    ["Hierarchie der KI-Technologien"]
      ["Machine Learning → Deep Learning"]
      ["Generative AI als Subdisziplin"]
    ["Treiber des Fortschritts"]
      ["Rechenpower (GPUs)"]
      ["Riesige Datenmengen"]
      ["Skalierbare Algorithmen"]
    ["Grenzen und Fehlbarkeit"]
      ["Adversarial Attacks"]
      ["Fehlendes Konzeptverständnis"]
      ["Datenabhängigkeit"]
    ["Transformation der Lehre"]
      ["KI als Tutor:innen"]
      ["Kleingruppen-Interaktion"]
      ["54% Lernerfolgsteigerung"]
    ["Arbeitsmarkt-Auswirkungen"]
      ["Kein Jobverlust, Effizienzsteigerung"]
      ["Umschulungsbedarf"]
      ["Wachsende vs. schrumpfende Jobs"]