Was unterscheidet schwache KI & starke KI?

Schwache vs. starke KI: Unterschiede & Beispiele
•5 Minuten
allgemein
Was unterscheidet schwache KI & starke KI?

Künstliche Intelligenz (im engl. abgekürzt als AI) ist bereits heute nicht mehr aus unserem Alltag wegzudenken. Privatpersonen kommen bspw. über Sprachassistenten und Produktempfehlungen tagtäglich mit Künstlicher Intelligenz in Berührung. Unternehmen profitieren vor allem bei ihrer Datenanalyse von der Schnelligkeit und Zuverlässigkeit von KI. In beiden Fällen handelt es sich um Narrow AI / Artificial Narrow Intelligence; zu deutsch: schwache KI.

Diese Form Künstlicher Intelligenz ist erst der Anfang. Die nächste Stufe wird als General AI (bzw. Artificial General Intelligence) bezeichnet. Und sogar darauffolgend soll es mit Super AI (bzw. Artificial Super Intelligence) irgendwann eine weitere KI-Evolution geben. Aber beginnen wir in der Gegenwart.

Welche Arten von KI gibt es?

Für die Einteilung Künstlicher Intelligenz gibt es zwei gängige Modelle. Sie beantworten unterschiedliche Fragen und werden deshalb oft verwechselt.

Nach Leistungsfähigkeit: drei Stufen

Die bekannteste Einteilung fragt, wie breit eine KI einsetzbar ist:

  • Schwache KI (Narrow AI, ANI): löst eine klar umrissene Aufgabe, etwa Bilder erkennen, Texte übersetzen oder Absatzmengen prognostizieren. Alle KI-Systeme, die heute im Einsatz sind, gehören zu dieser Stufe.
  • Starke KI (General AI, AGI): könnte ihr Wissen auf beliebige neue Aufgaben übertragen und dabei mindestens so gut abschneiden wie ein Mensch. Sie existiert bisher nicht.
  • Super-KI (Super AI, ASI): würde die menschliche Intelligenz in praktisch allen Bereichen übertreffen. Sie ist bislang ein Gedankenmodell.

Wenn von den „3 Arten von KI“ die Rede ist, sind meist diese Stufen gemeint. Weiter unten stellen wir jede einzeln vor.

Nach Funktionsweise: vier Typen

Ein zweites Modell ordnet KI danach, wie sie mit Informationen umgeht:

  • Reaktive Maschinen: reagieren nur auf die aktuelle Eingabe und haben kein Gedächtnis. Ein klassisches Beispiel ist der Schachcomputer Deep Blue.
  • Begrenztes Gedächtnis (Limited Memory): lernen aus Daten der Vergangenheit. Dazu zählen fast alle heutigen Machine-Learning-Systeme, von Empfehlungsalgorithmen bis zu Sprachmodellen.
  • Theory of Mind: würde Absichten und Gefühle von Menschen erkennen und berücksichtigen. Das ist bisher Forschungsgegenstand.
  • Selbstbewusste KI: hätte ein eigenes Bewusstsein. Das ist rein hypothetisch.

Beide Modelle passen zusammen: Alles, was heute im Einsatz ist, fällt unter die ersten beiden Typen und damit unter schwache KI.

Entwicklungsstufen von AI

Narrow AI

Wir befinden uns aktuell auf der ersten Entwicklungsstufe Künstlicher Intelligenz. Hierbei wird KI in der Regel nur für eine spezifische, vordefinierte Aufgabe genutzt. Das liegt unter anderem daran, dass schwache Künstliche Intelligenzen die benötigten Informationen lediglich aus bestimmten Datensätzen entnehmen und somit an diese gebunden sind. Im Alltag sind viele mit solchen KI-Systemen bereits, bewusst oder unbewusst, in Berührung gekommen. Man findet sie z.B in Sprachassistenz-Systemen oder bei der Online-Bildersuche. Auf ihrem entsprechenden Gebiet agieren die Systeme aber in Echtzeit und übertreffen in ihrer Arbeit bereits häufig menschliche Effizienz.

General AI

Im Gegensatz zu schwacher KI kennt General AI keine Beschränkungen. Die Systeme sind imstande, ihr Wissen und ihre Fähigkeiten in den verschiedensten Kontexten anzuwenden. Sie führen jede ihnen gestellte Aufgabe aus und agieren dabei auf demselben Niveau wie ein Mensch, vermutlich sogar weitaus schneller und effizienter. Von General AIs wird erwartet, dass sie argumentieren, unter Unsicherheit urteilen, planen und sogar einfallsreich und kreativ sein können.

Diese Form Künstlicher Intelligenz ist bisher nur Science-Fiction. Bis wir künstliche Assistenten wie „Jarvis“ aus Ironman haben werden oder uns sogar in solche Systeme verlieben, wie im Film Her , dauert es wohl noch. Experten sind sich uneinig, ob und wenn ja, wann General AI Wirklichkeit wird. Die Schätzungen reichen von 2030 bis 2060.

Super AI

Artificial Super Intelligence ist vorerst die letzte Entwicklungsstufe, die wir uns mit heutigem Wissen vorstellen können. Dank dystopischer Science-Fiction-Filme fürchtet sich vermutlich ein Großteil davor. Super AI übersteigt die menschliche Intelligenz um ein Vielfaches. Kein Wunder, dass es längst unzählige düstere Zukunftsvisionen gibt, in denen Maschinen die Weltherrschaft übernehmen. Wird es wirklich so weit kommen?

Ray Kurzweil, Director of Engineering bei Google, ist sich sicher: „KI wird uns nicht verdrängen, sie wird uns verbessern“. Statt eines erbitterten Machtkampfes, würden Menschen und Maschinen viel mehr koexistieren. Vor allem die Menschheit würde von dieser Symbiose profitieren. Laut Kurzweil soll es uns bis 2045 mit Hilfe einer hybriden KI möglich sein, eine Neocortex-Verbindung zu Cloudsystemen, sogar zu anderen Menschen, herzustellen. Die Daten, auf die wir damit über unser Gehirn zugreifen könnten, wären quasi unendlich. Das würde nicht nur die technische Evolution rasant voranbringen, sondern auch unsere eigene.

Bis jetzt liegen General und Super AI noch in unerreichbarer Ferne. Niemand kann mit Sicherheit sagen, wann wir die erste der beiden Stufen wirklich erreichen werden. Experten gehen jedoch davon aus, dass der nächste Schritt zwischen den beiden KI-Formen vergleichsweise klein ausfallen wird.

In bestimmten Feldern übertrifft KI heute schon die menschliche Leistungsfähigkeit. Insbesondere dann, wenn es um die schnelle Verarbeitung von vielen Informationen in kürzester Zeit und das Erkennen von datenseitigen Mustern geht. Durch unsere Fähigkeiten, wie abstraktes, kreatives Denken, der Entwicklung von Strategien oder der Entscheidungsfindung basierend auf Erfahrungen und Erinnerungen, sind wir KI-Systemen in komplexen Situationen noch weit überlegen. Vor allem dann, wenn es um die Kombination von mehreren Wahrnehmungsebenen und nicht rein logikbasierte Aufgaben geht. Diese komplexen Strukturen künstlich in eine Maschine zu replizieren, stellt aktuell eine unüberwindbare Hürde dar. Auch die Rechenleistung, mit der unser Gehirn Daten verarbeitet, kann zu diesem Zeitpunkt kein Computer der Welt aufbringen.

epicAi

Ein Beispiel für die Leistungsfähigkeit schwacher KI ist unser hauseigenes KI-Framework epicAi. Integriert in einen Onlineshop erfasst und analysiert die Künstliche Intelligenz Verhaltensdaten und segmentiert vollkommen unbekannte Nutzer binnen Millisekunden anhand ihrer Eigenschaften und Interessen. Mit Hilfe unserer sogenannten Fluiden Personas wird die Veränderlichkeit der unterschiedlichen Nutzersegmente nachvollziehbar. Dadurch werden neue, bisher ungeahnte, Handlungsoptionen sichtbar.

Augmented Data Discovery at its best.

Häufige Fragen zu schwacher und starker KI

Was versteht man unter schwacher KI?

Schwache KI ist ein System, das für eine bestimmte Aufgabe entwickelt oder trainiert wurde und nur innerhalb dieser Aufgabe zuverlässig funktioniert. Außerhalb ihrer Daten und ihres Zwecks kann sie nichts. Andere Bezeichnungen sind Narrow AI sowie schmale oder methodische KI.

Was ist der Unterschied zwischen starker und schwacher KI?

Schwache KI löst eine einzelne Aufgabe, oft schneller und genauer als ein Mensch. Starke KI könnte wie ein Mensch beliebige Aufgaben verstehen, lernen und lösen, auch solche, für die sie nie trainiert wurde.

Gibt es schon starke KI?

Nein. Auch große Sprachmodelle wie ChatGPT gelten nach gängiger Definition als schwache KI. Sie sind sehr vielseitig, arbeiten aber auf Basis ihrer Trainingsdaten, und ob sie die Welt tatsächlich verstehen, ist umstritten. Wann oder ob starke KI kommt, weiß niemand; die Schätzungen von Fachleuten gehen weit auseinander.

Welche Beispiele für schwache KI gibt es?

Sprachassistenten wie Siri und Alexa, Übersetzungsdienste, Spamfilter, Produktempfehlungen in Onlineshops, Bilderkennung in der Qualitätskontrolle und Absatzprognosen in der Warenwirtschaft. Wie Unternehmen solche Systeme gezielt einsetzen, zeigen wir unter KI im Unternehmen.

Aus dem Blog

Weitere Insights & Aktuelles.

AI Evals: Fünf Dimensionen für produktive KI-Systeme
•7 Minuten

AI Evals: Fünf Dimensionen für produktive KI-Systeme

Im laufenden Betrieb Ihres KI-Systems fallen Ihnen drei Dinge auf. Der Token-Verbrauch steigt von einem Sprint zum nächsten um 40 %, ohne dass eine Konfigurationsänderung das erklären würde. Nach einem Prompt-Update verändert sich die Antwortqualität spürbar; das Team empfindet sie als schlechter, kann aber nicht benennen, warum. Und Ihr RAG-System liefert Aussagen, die in keinem […]

Mehr lesen→
LLM-Halluzinationen: Warum korrekte Daten das Problem nicht lösen
•6 Minuten

LLM-Halluzinationen: Warum korrekte Daten das Problem nicht lösen

Ein KI-System hat die AGB Ihres Unternehmens vollständig geladen. Es kennt jeden Paragraphen. Und trotzdem verspricht es einem Kunden eine Leistung, die rechtlich nicht gedeckt ist. Das passiert täglich in Systemen, die längst als produktionsreif gelten. Der Grund liegt nicht im fehlenden Datenzugriff. Er liegt darin, wie das Modell mit den Daten umgeht. Was ist […]

Mehr lesen→
Fehlerfreie KI-Anwendungen entwickeln: Die Vorteile von AI-Evaluations
•6 Minuten

Fehlerfreie KI-Anwendungen entwickeln: Die Vorteile von AI-Evaluations

Die Herausforderungen in KI-Projekten verschieben sich drastisch: Wir sprechen nicht mehr von Systemabstürzen, sondern vom sogenannten „Silent Failure“. Anwendungen liefern technisch einwandfreie Datenpakete aus, während der inhaltliche Kern zu halluzinieren beginnt, Compliance-Richtlinien verletzt werden oder die Markenreputation durch einen falschen Tonfall gefährdet wird. Technisch gesehen ist das System ein Erfolg. Der Live-Betrieb liefert jedoch andere […]

Mehr lesen→
Glossar: RAG-Systeme, Embeddings und KI-Evaluationen verstehen
•6 Minuten

Glossar: RAG-Systeme, Embeddings und KI-Evaluationen verstehen

Warum dieses Glossar? In fast jedem Discovery-Gespräch passiert dasselbe: Der Entscheider nickt bei ‚RAG‘, aber meint etwas anderes als der Entwickler im selben Raum. Dieses Glossar soll hier Abhilfe schaffen.

Mehr lesen→
„Black-Box RAG?“ – Warum RAG-Systeme still versagen und wie man es früh erkennt
•12 Minuten

„Black-Box RAG?“ – Warum RAG-Systeme still versagen und wie man es früh erkennt

In fast jedem Discovery-Gespräch kommt derselbe Moment: Das RAG-System läuft seit Wochen in Produktion, die Entwickler sind zufrieden, das Management hat abgenickt. Dann fragt jemand das System nach einem internen Prozess und bekommt eine Antwort, die sachlich klingt, aber veraltet ist. Niemand hat es gemeldet. Niemand hat es gemessen. Das ist kein Einzelfall. Qualitätsverluste in […]

Mehr lesen→
Nichts mehr verpassen?

Praxiswissen statt KI-Hype.

Erhalten Sie regelmäßig fundierte Einblicke, wie Sie KI-Projekte im Mittelstand messbar, rentabel und auditsicher umsetzen.

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu. Jederzeit widerrufbar.