Die generative künstliche Intelligenz (KI) wurde 2024 mit zwei Nobelpreisen ausgezeichnet – eine bemerkenswerte Leistung, wenn man bedenkt, wie jung diese Technologie ist. Die die generative KI ermöglichende Deep-Learning-Revolution begann im Jahr 2012, als ein tiefes neuronales Netzwerk namens AlexNet den ImageNet-Computer-Vision-Wettbewerb gewann. Der Leiter des Teams, Geoffrey Hinton von der Universität Toronto, wurde zusammen mit John Hopfield, einem weiteren Mitwirkenden an den algorithmischen Grundlagen der künstlichen Intelligenz, mit dem Nobelpreis für Physik ausgezeichnet.¹

Der Nobelpreis für Chemie wurde drei Forschern verliehen, die generative KI zur Bestimmung der dreidimensionalen Struktur von Proteinen eingesetzt haben. Zu den Preisträgern gehörte Demis Hassabis, dessen Team bei Google DeepMind AlphaFold entwickelte, ein Deep-Learning-System, das mit hoher Genauigkeit die Strukturen aller bekannten Proteine (ca. 200 Millionen) bestimmte. Zwischen dem Sieg von AlphaFold 2 beim Wettbewerb CASP14 zur Bestimmung von Proteinstrukturen im Jahr 2020² und der Veröffentlichung der AlphaFold Protein Structure Database im Jahr 2021³ verging nur wenig Zeit, bis das Nobelpreiskomitee diese Arbeit auszeichnete.

Von der Ursachenmodellierung bis zur Herstellung von Zusammenhängen

Die Quantifizierung war lange Zeit von der Newtonschen Mechanik beeinflusst, die im 17. Jahrhundert entstand und den Grundstein für neue quantitative Methoden legte. In ihrem Bestreben, die Bewegungen von Himmelskörpern anhand unpräziser Beobachtungen zu beschreiben, entwickelten Carl Friedrich Gauß und Adrien-Marie Legendre um die Wende zum 19. Jahrhundert die Methode der kleinsten Quadrate.⁴ Erst als Sir Francis Galton in den 1870er-Jahren die biologische Vererbung untersuchte, wurde die Methode der kleinsten Quadrate zur Quantifizierung kausaler Zusammenhänge eingesetzt.⁵ Diese strukturellen Regressionsmodelle mit hypothetischen kausalen Effekten bilden seit Langem das Rückgrat der prädiktiven Modellierung im Versicherungswesen, insbesondere mit dem Aufkommen verallgemeinerter linearer Modelle (generalized linear models, auch bekannt als GLMs) in den 1980er‑Jahren.

Das Aufkommen des maschinellen Lernens hat die Vorherrschaft von strukturellen Modellen bei der prädiktiven Modellierung infrage gestellt. Strukturelle Modelle erstellen Prädiktion auf der Grundlage der Quantifizierung manuell festgelegter Beziehungen, und diese Beziehungen werden in der Regel als kausal interpretiert. Die kausale Interpretation wird mit der Stabilität der geschätzten Beziehung verbunden, ein Zusammenhang, der in der physikalischen Welt stärker sein mag als in sozialen und wirtschaftlichen Bereichen. Das maschinelle Lernen hingegen ist unabhängig von kausalen Beziehungen und erstellt Prädiktion ausschließlich auf der Grundlage von Verknüpfungen.⁶

Bei der Regressionsanalyse kann die Anzahl der erklärenden Variablen die Anzahl der Beobachtungen nicht übersteigen, und die funktionale Form ihrer Einflüsse muss manuell festgelegt werden.⁷ Im Gegensatz dazu ist das maschinelle Lernen nicht durch die Anzahl der Variablen eingeschränkt, die zur Prädiktion beitragen können, und die Form dieser Beiträge muss nicht im Voraus bestimmt werden. Beim traditionellen maschinellen Lernen müssen vor der Verarbeitung durch den Algorithmus Menschen die Attribute extrahieren, die die Rohdaten repräsentieren.⁸ Deep Learning hingegen führt eine automatische Merkmalsextraktion durch, sodass weniger menschliche Eingriffe erforderlich sind.⁹

Von der Mittelwertbildung über vorhandene Daten zur Erstellung neuer Daten

Im Kern erstellen Deep-Learning-Systeme wie GPT‑4 von OpenAI für die Texterstellung und DALL‑E 3 für die Bilderstellung Inhalte durch Mittelwertbildung über vorhandene Daten, eine Methode, die ihren Ursprung in Regressionsmodellen hat. Gauß und Legendre entwickelten die gewöhnliche Methode der kleinsten Quadrate, um eine Linie durch den Mittelpunkt einer Datenwolke zu ziehen, wobei der Mittelpunkt durch das arithmetische Mittel der Variablen auf beiden Seiten der Regressionsgleichung definiert ist. Neben dem Mittelwert gibt es weitere wichtige statistische Durchschnittswerte wie den Median (den zentralen Wert geordneter Daten) und den Modus (den wahrscheinlichsten Wert).

Bei der herkömmlichen Texterstellung sagt ein großes Sprachmodell das nächste Wort voraus, indem es den Modus aufruft und das Wort auswählt, das im gegebenen Kontext am wahrscheinlichsten vorkommt. Ähnlich verhält es sich, wenn ein Bilderzeugungsmodell eine Katze erzeugen soll: Das System erzeugt eine „durchschnittliche Katze”.¹⁰

Logisches Denkvermögen erweitert die Funktionalitäten generativer KI‑Modelle über die bloße Mittelwertbildung über vorhandene Daten hinaus auf die Generierung neuer Daten. Um dies anschaulich zu machen, betrachten wir ein beliebtes syllogistisches Argument:

Die ersten beiden Zeilen sind Prämissen, die wir als vorhandene Daten betrachten können. Die dritte Zeile, eine Schlussfolgerung, wird durch logisches Denken abgeleitet und stellt ein neues Datenelement dar.

AlphaFold 2 enthält bei der Bestimmung der 3D‑Strukturen von Proteinen Elemente, die dem menschlichen räumlichen Denken ähneln.¹² Es gibt auch mathematische Denkmodelle, vor allem AlphaProof und AlphaGeometry 2 von Google DeepMind. Diese beiden Modelle lösten zusammen vier von sechs Aufgaben bei der Internationalen Mathematik-Olympiade (IMO) 2024 und erreichten damit ein Ergebnis im oberen Bereich der Silbermedaillen-Kategorie.¹³ Zu den großen Sprachmodellen mit fortgeschrittenen Denkfähigkeiten gehören o3 von OpenAI und R1 von DeepSeek.

Generative KI als Abstraktionsschicht

Die prädiktive Stärke des Deep Learning hat bedeutende Auswirkungen auf die Rolle quantitativer Methoden bei der Entscheidungs­findung. AlphaFold beispielsweise löste das 50 Jahre alte Problem der Proteinfaltung, ohne den Faltungsprozess selbst zu verstehen.¹⁴ In ähnlicher Weise übertrifft das Artificial Intelligence Forecasting System (AIFS), ein Deep-Learning-System für die Wettervorhersage, das vom Europäischen Zentrum für mittelfristige Wettervorhersage (EZMW) im Februar 2025 eingeführt wurde, die genauesten physikalisch basierten Modelle für viele Zielvariablen, ohne Meteorologie zu verstehen.¹⁵

Ebenso wie diesen generativen KI‑Systemen ein Verständnis der Biologie oder Physik fehlt, verstehen wir nicht vollständig, wie diese Modelle zu ihren Prädiktionen kommen.¹⁶ Deep-Learning-Systeme liefern Prädiktion ohne die Möglichkeit einer kausalen Interpretation („Warum”)¹⁷ und einer damit verbundenen kontra­faktischen Betrachtung („Was wäre wenn”). Die kausale Interpretation ist jedoch entscheidend für die Bildung von Narrativen, die uns helfen, Informationen zu strukturieren und kohärent zu kommunizieren. Narrative spielen eine Schlüsselrolle bei der Entscheidungs­findung in Unternehmen.¹⁸

Generative KI kann als Abstraktions­schicht betrachtet werden. In der Software­entwicklung dienen Abstraktions­schichten dazu, das Innenleben von Teilsystemen zu verbergen. Auch in der Wissenschaft vereinfachen Abstraktions­ebenen komplexe Systeme. So dient beispielsweise die Chemie als Abstraktions­ebene über der Physik, die es uns ermöglicht, chemische Prozesse zu verstehen, ohne die zugrunde liegende Physik vollständig zu begreifen.¹⁹

Denken wir nur daran, wie wir Kraftfahrzeuge fahren, ohne die Physik, die sie antreibt, vollständig zu verstehen. Als wir das Autofahren lernten, bildeten wir eine Abstraktions­schicht. Wir überprüfen diese Abstraktion auf der Grundlage von Vorhersagen. So sagen wir beispielsweise voraus, dass das Auto schneller wird, wenn wir auf das Gaspedal treten, und dass es langsamer wird, wenn wir auf die Bremse treten. Wenn wir ein uns ungewohntes Auto fahren, können unsere Vorhersagen leicht abweichen, und wir passen unsere Abstraktion entsprechend an.

Schlussfolgerung

Die Nobelpreise für KI markieren einen Meilenstein, nicht nur für wissenschaftliche Forschung, sondern auch für die Entscheidungsfindung. Generative KI‑Systeme liefern leistungsstarke Prädiktion, die sich der kausalen Interpretation und der Bildung von begleitenden Narrativen entziehen. Bei diesen Systemen müssen wir von den zugrunde liegenden Kausalzusammenhängen abstrahieren und uns auf die Frage des prognostischen Wertes konzentrieren: Liefert das System wahrheitsgemäße Prognosen? Abstraktion ist sowohl in der Wissenschaft als auch im täglichen Leben ein bekanntes Konzept.