Generative KI: Vom Reagieren zum Kreieren
von Raffael Karlovich - 02. Februar 2025
Herkömmliche KI, wie wir sie schon lange kennen, ist fest in der Technik verankert.
Sie analysiert Daten, erkennt Muster und trifft darauf basierende Entscheidungen.
Solche Systeme bestimmen seit Jahren unser digitales Leben – von Spam-Filtern über Empfehlungssysteme bis hin zu Suchmaschinen.
Generative KI bringt jedoch eine neue Dimension mit sich.
Sie geht über reine Mustererkennung hinaus und kann Inhalte selbstständig erzeugen.
Während eine herkömmliche KI lediglich Spam identifiziert, könnte eine generative KI zusätzlich eine individuelle Antwort formulieren – in deinem Stil, mit deinem Ton und auf deinen Kontext abgestimmt.
Die klassische KI sagt: „Das ist Spam.“
Die generative KI sagt: „Das ist Spam – und hier ist eine passende Antwort für dich.“
Diese Fähigkeit zur kreativen und kontextbezogenen Generierung von Inhalten eröffnet neue Möglichkeiten und verändert, wie wir mit Technologie interagieren.
Schauen wir uns 5 Punkte an, die aufzeigen wie generative KI funktioniert.
1. Multimodale Generierung: Multi-Tasking
Herkömmliche KI-Systeme waren typischerweise auf eine einzige Modalität beschränkt:
Entweder Text, Bild, Audio oder Video.
Generative KI kann hingegen mehrere Modalitäten gleichzeitig verstehen und generieren.
Sie kann aus einer Textbeschreibung ein passendes Bild erzeugen und umgekehrt.
Stell dir vor, du beschreibst einer generativen KI mündlich ein Produkt, das du entwickeln möchtest.
Das System könnte in Echtzeit:
- Ein visuelles Konzept erstellen
- Eine Marketingbeschreibung verfassen
- Eine passende Hintergrundmusik komponieren
- Eine Animation des Produkts in Verwendung zeigen
- Alles in ein kohärentes, harmonisches Ganzes integrieren
Diese nahtlose Integration verschiedener Modalitäten war mit herkömmlicher KI schlichtweg unmöglich.
2. Kontextuelle Kreation: Das Verstehen feiner Nuancen
Übliche KI-Systeme konnten begrenzt mit Kontext umgehen, meist nur innerhalb enger, vordefinierter Parameter.
Generative KI hingegen versteht und berücksichtigt feine Nuancen und implizite Hinweise.
Ein konkretes Beispiel:
Ein traditionelles Übersetzungssystem (übliche KI) kann wörtliche Übersetzungen liefern, versteht aber oft kulturelle Referenzen oder Idiome nicht.
Eine generative KI kann einen Text nicht nur übersetzen, sondern dabei kulturelle Kontexte, regionale Besonderheiten und sogar den Ton und Stil des Originals berücksichtigen.
Sie kann einen wissenschaftlichen Text nicht nur in eine andere Sprache übertragen, sondern gleichzeitig auch für ein Laienpublikum umschreiben, wenn das gewünscht ist.
3. Iterative Verfeinerung: Dialog mit generativer KI
Traditionelle KI arbeitete oft nach dem Prinzip “Eingabe → Verarbeitung → Ausgabe”, ohne echte Möglichkeit zur Nachbesserung oder Diskussion.
Generative KI ermöglicht einen echten Dialog, ein iteratives Hin und Her, bei dem die Ausgabe schrittweise verfeinert werden kann.
Stell dir vor:
Du möchtest einen Businessplan erstellen. Mit herkömmlicher KI hättest du vielleicht ein Template bekommen können.
Mit generativer KI kannst du:
- Eine erste Version generieren lassen
- Feedback geben: “Mehr Fokus auf Nachhaltigkeit”
- Die KI passt den Plan an
- Du präzisierst: “Ich meinte spezifisch Energieeffizienz”
- Die KI verfeinert den Plan weiter
Dieser iterative Prozess ermöglicht ein Mass an Kollaboration, das mit traditioneller KI undenkbar war.
4. Emergente Fähigkeiten: Wenn das Ganze mehr ist als die Summe seiner Teile
Eine der faszinierendsten Eigenschaften moderner generativer KI-Systeme sind ihre emergenten Fähigkeiten – Funktionen, die nicht explizit trainiert wurden, sondern erst ab einer gewissen Komplexitätsstufe “auftauchen”.
Ein Beispiel:
Niemand hat ChatGPT-4 explizit beigebracht, Programmiercode zu debuggen.
Doch mit zunehmender Modellgrösse und Komplexität entwickelte es plötzlich die Fähigkeit, Fehler in Programmiercode zu finden und zu beheben – eine Fähigkeit, die in keinem der Trainingsziele explizit definiert war.
Herkömmliche KI-Systeme zeigen solche emergenten Eigenschaften nicht – sie können nur das, wofür sie explizit trainiert wurden.
5. Adaptives Lernen: Anpassung in Echtzeit
Traditionelle KI-Systeme erforderten umfangreiche Neutrainings, um sich an neue Anforderungen anzupassen.
Moderne generative KI kann sich durch Techniken wie In-Context Learning oder Reinforcement Learning from Human Feedback (RLHF) in Echtzeit anpassen – ohne komplettes Neutraining.
Ein anschauliches Beispiel:
Stell dir vor, du interagierst mit einer generativen KI und erklärst ihr ein spezifisches Format, in dem du deine Daten haben möchtest. Du gibst ein oder zwei Beispiele, und das System passt sich sofort an – ohne dass es jemals speziell für diese Aufgabe trainiert wurde.
Diese Fähigkeit zur schnellen Anpassung an neue Situationen und Anforderungen unterscheidet generative KI fundamental von herkömmlichen Systemen.