KI Panorama

Wissensstufe: Einfach

  • World Models: gelernte Modelle einer Umgebung

    World Models lernen nicht die gesamte Wirklichkeit. Sie bilden diejenigen Zusammenhänge ab, die in den Trainingsdaten und für eine bestimmte Aufgabe sichtbar sind. Ein Agent kann solche Modelle nutzen, um mögliche Folgen von Handlungen zu simulieren, bevor er handelt.

    Einfach erklärt

    Ein World Model ist eine gelernte Simulation. Es versucht vorherzusagen, wie eine Szene oder ein System nach einer Aktion aussehen könnte.

    Grundidee

    • Beobachtungen werden in eine kompakte Repräsentation übersetzt
    • Ein Dynamikmodell sagt den nächsten Zustand voraus
    • Ein Agent bewertet mögliche Handlungen in dieser internen Simulation
    • Die gewählte Handlung wird in der realen oder virtuellen Umgebung ausgeführt

    Einsatzfelder

    • Robotik und autonome Systeme
    • Spiele und interaktive Umgebungen
    • Planung von Handlungsfolgen
    • Simulation physikalischer oder visueller Prozesse

    Grenzen

    • Unbekannte Situationen werden möglicherweise falsch simuliert
    • Seltene Ereignisse fehlen oft in den Daten
    • Visuell plausible Vorhersagen können physikalisch falsch sein
    • Fehler wachsen bei langen Simulationen schrittweise an

    Expertenwissen

    Frühe World-Model-Architekturen kombinierten einen visuellen Autoencoder, ein rekurrentes Dynamikmodell und einen kompakten Controller. Neuere Ansätze verwenden Transformer und generative Modelle, um hochdimensionale Umgebungen und interaktive Szenen abzubilden.

    Primärquellen

  • Vision-Language-Action-Modelle (VLA)

    Ein Vision-Language-Action-Modell verarbeitet Bilder oder Kameradaten und eine sprachliche Anweisung. Seine Ausgabe beschreibt nicht nur Text, sondern Aktionen für einen Roboter. Damit wird multimodales Lernen auf die physische Welt erweitert.

    Einfach erklärt

    Ein VLA-Modell kann sehen, eine Anweisung verstehen und daraus eine Bewegung ableiten, etwa einen Gegenstand greifen oder sortieren.

    Funktionsweise

    • Kameras liefern visuelle Beobachtungen
    • Sprache beschreibt Ziel oder Aufgabe
    • Das Modell verbindet Objekte, räumliche Beziehungen und mögliche Handlungen
    • Aktionsausgaben werden in Steuerbefehle des Roboters übersetzt
    • Neue Kameradaten ermöglichen laufende Korrekturen

    Warum Webdaten helfen können

    Modelle können visuelle und sprachliche Begriffe aus großen Bild-Text-Datensätzen lernen. Für sichere Bewegungen benötigen sie zusätzlich Roboteraktionen, Sensordaten und Training in kontrollierten Umgebungen.

    Möglichkeiten

    • Allgemeinere Roboteranweisungen in natürlicher Sprache
    • Übertragung gelernter Konzepte auf neue Objekte
    • Planung mehrstufiger Manipulationsaufgaben
    • Lokale Ausführung mit geringer Latenz bei spezialisierten Modellen

    Grenzen und Sicherheit

    • Demonstrationen zeigen keine garantierte Zuverlässigkeit
    • Physische Fehler können Menschen oder Gegenstände gefährden
    • Unbekannte Umgebungen und verdeckte Objekte bleiben schwierig
    • Not-Aus, Geschwindigkeitsgrenzen und räumliche Schutzbereiche sind erforderlich

    Primärquellen

  • KI-Benchmarks und Evaluationen

    Benchmarks vergleichen Modelle unter festgelegten Bedingungen. Praktische Evaluationen müssen zusätzlich reale Aufgaben, Daten, Fehlerfolgen, Kosten und menschliche Kontrolle abbilden. Besonders agentische Systeme benötigen mehrstufige Tests in einer realistischen Umgebung.

    Einfach erklärt

    Ein Benchmark ist eine standardisierte Prüfung. Ein gutes Ergebnis dort bedeutet nicht automatisch, dass das Modell in deinem Arbeitsablauf ebenso gut funktioniert.

    Arten von Evaluationen

    • Wissens- und Verständnisfragen
    • Code- und Mathematikaufgaben
    • Faktentreue und Quellenbindung
    • Bild-, Audio- oder Videoverständnis
    • Sicherheitstests und Red Teaming
    • End-to-End-Aufgaben mit Werkzeugen

    Warum Ergebnisse schwanken

    • Prompt und Systemanweisung beeinflussen das Ergebnis
    • Modelle und Dienste werden laufend aktualisiert
    • Bewertungsmodelle können eigene Verzerrungen besitzen
    • Trainingsdaten können Testaufgaben enthalten
    • Zufälligkeit und Werkzeugfehler verändern einzelne Läufe

    Praxisnahe Evaluation

    1. Repräsentative Aufgaben aus dem eigenen Betrieb sammeln
    2. Erwartete Ausgabe und Fehlerklassen definieren
    3. Mehrere Durchläufe und schwierige Randfälle testen
    4. Qualität, Zeit, Kosten und Sicherheitsvorfälle messen
    5. Ergebnisse regelmäßig nach Modellupdates wiederholen

    Agenten testen

    Bei Agenten zählt nicht nur die Endantwort. Auch Werkzeugwahl, Zwischenzustände, Berechtigungen, Abbruchverhalten und die Fähigkeit zur Übergabe an Menschen müssen geprüft werden.

    Primärquellen

  • Lokale KI und Quantisierung

    Bei lokaler KI laufen Modell und Daten auf dem eigenen Gerät oder einer selbst kontrollierten Infrastruktur. Quantisierung reduziert Speicherbedarf und Rechenaufwand, kann aber Qualität oder Geschwindigkeit je nach Modell, Hardware und Verfahren unterschiedlich beeinflussen.

    Einfach erklärt

    Ein großes Modell speichert sehr viele Zahlen. Werden diese Zahlen mit weniger Stellen gespeichert, benötigt das Modell weniger Speicher. Das ähnelt einer komprimierten Darstellung, bei der möglichst wenig nutzbare Genauigkeit verloren gehen soll.

    Vorteile lokaler Ausführung

    • Daten müssen nicht zwangsläufig an einen externen Dienst übertragen werden
    • Feste Kosten statt nutzungsabhängiger API-Gebühren können möglich sein
    • Offline-Betrieb und geringe Netzwerklatenz
    • Eigene Kontrolle über Version und Konfiguration

    Typische Präzisionen

    • FP32: hohe Genauigkeit, hoher Speicherbedarf
    • FP16 oder BF16: verbreitet für moderne Beschleuniger
    • INT8: deutlich kleiner, häufig mit geringer Qualitätseinbuße
    • INT4 und darunter: starke Kompression mit höherem Abstimmungsbedarf

    Grenzen

    • Lokale Verarbeitung ist nicht automatisch datenschutzkonform
    • Hardware, Stromverbrauch und Wartung bleiben erforderlich
    • Sehr große Modelle passen auch quantisiert nicht auf jedes Gerät
    • Manche Aufgaben verlieren durch starke Quantisierung messbar an Qualität

    Auswahlkriterien

    • Aufgabe und benötigte Modellqualität
    • Verfügbarer RAM oder Grafikspeicher
    • Unterstützung der konkreten CPU, GPU oder NPU
    • Lizenz und erlaubte Nutzung
    • Update- und Sicherheitskonzept

    Primärquellen

  • AlphaFold 3: Strukturen biomolekularer Wechselwirkungen

    AlphaFold 3 nutzt eine deutlich veränderte, diffusionsbasierte Architektur zur gemeinsamen Strukturvorhersage biomolekularer Komplexe. Es ist ein Forschungswerkzeug für Hypothesen und Strukturmodelle, kein Ersatz für experimentelle Validierung oder klinische Entscheidungen.

    Forschungsfrage

    Wie lassen sich nicht nur einzelne Proteine, sondern die räumlichen Strukturen und Wechselwirkungen verschiedener Biomoleküle vorhersagen?

    Ansatz

    Das Modell verarbeitet Sequenzen und chemische Komponenten gemeinsam und erzeugt atomare 3D-Strukturen mit einem Diffusionsmodul. Konfidenzwerte helfen dabei, Vorhersagen einzuordnen.

    Validierte Ergebnisse

    • Die Nature-Arbeit berichtet verbesserte Genauigkeit für mehrere Klassen biomolekularer Interaktionen
    • Unterstützt werden unter anderem Proteine, Nukleinsäuren, kleine Moleküle, Ionen und modifizierte Reste
    • Der AlphaFold Server ermöglicht ausgewählten Forschungsnutzungen ohne eigene Hochleistungsinfrastruktur

    Bedeutung

    • Hypothesen über Protein-Ligand- und Protein-Nukleinsäure-Interaktionen
    • Unterstützung früher Phasen biologischer und pharmazeutischer Forschung
    • Gemeinsame Betrachtung verschiedener Molekülklassen in einem Modell

    Grenzen

    • Vorhersagen ersetzen keine Labor- oder klinischen Daten
    • Beweglichkeit, Reaktionsabläufe und zelluläre Bedingungen werden nur begrenzt abgebildet
    • Konfidenzwerte müssen für jede Komponente und Interaktion geprüft werden

    Status

    Veröffentlichtes Forschungssystem; Nutzung und Lizenzbedingungen unterscheiden sich zwischen Server, Code und Gewichten.

    Primärquellen

  • KI-Agenten: planen, handeln und Ergebnisse prüfen

    Ein KI-Agent beantwortet nicht nur eine einzelne Eingabe. Er kann ein Ziel in Schritte zerlegen, Werkzeuge aufrufen, Zwischenergebnisse auswerten und seinen Plan anpassen. Autonomie bedeutet dabei nicht Zuverlässigkeit: Berechtigungen, Grenzen und menschliche Kontrolle bleiben entscheidend.

    Einfach erklärt

    Ein Chatbot liefert gewöhnlich eine Antwort. Ein Agent versucht dagegen, eine Aufgabe über mehrere Schritte zu erledigen. Er kann beispielsweise Informationen suchen, eine Datei bearbeiten und danach prüfen, ob das Ergebnis zum Ziel passt.

    Typischer Ablauf

    1. Ziel und verfügbare Werkzeuge erfassen
    2. Nächsten sinnvollen Schritt auswählen
    3. Werkzeug ausführen und Ergebnis zurücklesen
    4. Plan anhand des Ergebnisses anpassen
    5. Bei Unsicherheit nachfragen oder an einen Menschen übergeben

    Fortgeschritten

    Agentische Systeme bestehen häufig aus einem Sprachmodell, einem Orchestrierungsprogramm, Werkzeugdefinitionen, einem Arbeitsgedächtnis und Regeln für Abbruch oder Freigabe. In der Forschung verbindet ReAct sprachliches Schlussfolgern mit Aktionen in einer Umgebung.

    Was Agenten gut können

    • Mehrstufige Recherche mit klaren Quellenregeln
    • Wiederholbare Bearbeitung vieler ähnlicher Dateien
    • Softwareentwicklung mit Tests und Versionskontrolle
    • Koordination klar definierter Geschäftsprozesse

    Grenzen und Risiken

    • Fehler können sich über mehrere Schritte fortpflanzen
    • Werkzeuge können reale Daten verändern oder Kosten verursachen
    • Unklare Ziele führen zu unnötigen oder falschen Aktionen
    • Lange Aufgaben benötigen Zustandskontrolle, Protokolle und Abbruchkriterien

    Sichere Gestaltung

    • Nur notwendige Berechtigungen vergeben
    • Kritische Aktionen bestätigen lassen
    • Eingaben und Werkzeugergebnisse validieren
    • Jeden Schritt protokollieren
    • Klare Übergabe an Menschen vorsehen

    Primärquellen

  • Workflows und Agenten: der wichtige Unterschied

    Nicht jede Automatisierung braucht einen autonomen Agenten. Vorhersehbare Aufgaben sind mit festen Workflows oft günstiger, kontrollierbarer und leichter zu testen. Agenten sind vor allem dann sinnvoll, wenn der Lösungsweg nicht vollständig im Voraus festgelegt werden kann.

    Einfach erklärt

    Ein Workflow ist wie ein Rezept mit festen Schritten. Ein Agent ist eher wie eine Fachkraft, die ein Ziel erhält und innerhalb vorgegebener Grenzen entscheidet, welche Schritte nötig sind.

    Typische Workflow-Muster

    • Nacheinander ausgeführte Schritte
    • Verzweigung nach festen Regeln
    • Mehrere Modelle arbeiten parallel
    • Eine Instanz bewertet das Ergebnis einer anderen
    • Menschliche Freigabe an definierten Punkten

    Wann ein Workflow genügt

    • Eingaben und Ausgaben sind klar definiert
    • Der Prozess ändert sich selten
    • Fehler müssen leicht nachvollziehbar sein
    • Rechtliche oder finanzielle Risiken verlangen feste Kontrollen

    Wann ein Agent sinnvoll sein kann

    • Die Aufgabe erfordert flexible Recherche
    • Unterschiedliche Werkzeuge müssen situationsabhängig kombiniert werden
    • Zwischenergebnisse verändern den weiteren Lösungsweg
    • Es gibt eine messbare Erfolgsbedingung und sichere Grenzen

    Praxisregel

    Zuerst den einfachsten kontrollierbaren Workflow bauen. Agentische Entscheidungen nur dort ergänzen, wo feste Regeln den tatsächlichen Varianten nicht gerecht werden.

    Primärquellen

  • Reisen und Alltag mit KI planen

    Planungen sind nützlich als Ausgangspunkt. Öffnungszeiten, Preise, Fahrpläne, Einreisebestimmungen und Barrierefreiheit müssen aktuell aus offiziellen Quellen geprüft werden.

    Geeignet für

    • Reiseplanung
    • Einkaufs- und Aufgabenlisten
    • Freizeit und Organisation

    Voraussetzungen

    Zeitraum, Budget, Interessen, Einschränkungen und aktuelle verlässliche Datenquellen.

    Vorgehensweise

    1. Ziele und feste Bedingungen notieren.
    2. Mehrere Planvarianten erzeugen.
    3. Zeiten, Wege und Reserven prüfen.
    4. Aktuelle Angaben bei offiziellen Stellen bestätigen.
    5. Plan und Notfallinformationen offline sichern.

    Beispiel

    Für ein Wochenende entsteht ein realistischer Tagesplan mit Alternativen bei schlechtem Wetter.

    Qualitätskontrolle

    • Alle zeitabhängigen Angaben aktuell prüfen.
    • Keine medizinischen oder rechtlichen Einreisefragen allein auf KI-Antworten stützen.
    • Puffer und Alternativen vorsehen.

    Grenzen und Risiken

    • Modelle können veraltete oder erfundene Orte, Verbindungen und Öffnungszeiten nennen.
    • Persönliche Standort- und Reisedaten können sensibel sein.

    Passende Tools und Modelle

    Sprachmodelle mit Webzugriff, Karten- und Reiseportale sowie Kalenderwerkzeuge.

    Quellen und Leitlinien

  • Bewerbungsunterlagen vorbereiten

    Die Unterlagen müssen wahr, persönlich und nachweisbar bleiben. Erfundenes Wissen, generische Aussagen und unnötige personenbezogene Daten sind zu vermeiden.

    Geeignet für

    • Lebenslauf
    • Anschreiben
    • Vorbereitung auf Gespräche

    Voraussetzungen

    Eigene nachweisbare Erfahrungen, Stellenbeschreibung und gewünschter Ton.

    Vorgehensweise

    1. Relevante Anforderungen der Stelle herausarbeiten.
    2. Eigene passende Erfahrungen zuordnen.
    3. Struktur und Formulierungsvarianten erzeugen.
    4. Alle Aussagen auf Wahrheit und Belegbarkeit prüfen.
    5. Unterlagen persönlich überarbeiten und formatieren.

    Beispiel

    Aus vorhandenen Projekterfahrungen entsteht ein kurzer Abschnitt, der auf die konkrete Stellenausschreibung eingeht.

    Qualitätskontrolle

    • Keine Qualifikation oder Erfahrung erfinden.
    • Persönliche Sprache und konkrete Beispiele erhalten.
    • Datenschutz bei Lebenslauf und Zeugnissen beachten.

    Grenzen und Risiken

    • Texte können austauschbar wirken oder Behauptungen übertreiben.
    • Sensible Bewerbungsdaten können bei Cloud-Diensten gespeichert werden.

    Passende Tools und Modelle

    Sprachmodelle, Textverarbeitung und Bewerbungsplattformen.

    Quellen und Leitlinien

  • Ideen, Konzepte und Alternativen entwickeln

    Der Wert liegt in Breite und Anregung, nicht in automatischer Auswahl. Ziele, Machbarkeit, Originalität und Folgen müssen vom Menschen bewertet werden.

    Geeignet für

    • Produktideen
    • Projekte
    • Geschichten
    • Problemlösung

    Voraussetzungen

    Eine klare Fragestellung, Bewertungskriterien und Wissen über den Kontext.

    Vorgehensweise

    1. Problem und Ausschlusskriterien beschreiben.
    2. Bewusst unterschiedliche Ansätze erzeugen lassen.
    3. Ideen gruppieren und kombinieren.
    4. Mit Fakten, Aufwand und Risiken bewerten.
    5. Ausgewählte Idee durch eigene Recherche und Tests weiterentwickeln.

    Beispiel

    Für einen lokalen Verein entstehen zehn Veranstaltungsansätze, die anschließend nach Kosten und Zielgruppe bewertet werden.

    Qualitätskontrolle

    • Quantität nicht mit Qualität verwechseln.
    • Ähnliche bestehende Lösungen recherchieren.
    • Auswirkungen und unerwünschte Nebenfolgen prüfen.

    Grenzen und Risiken

    • Vorschläge können Klischees reproduzieren oder bekannte Ideen nur neu formulieren.
    • Ohne Kontext wirken Ideen plausibel, können aber praktisch ungeeignet sein.

    Passende Tools und Modelle

    Allgemeine Sprachmodelle, Whiteboard- und Recherchewerkzeuge.

    Quellen und Leitlinien