Dossier: Künstliche Intelligenz

Die zunehmende Verfügbarkeit generativer KI wie ChatGPT stellt Lehrende und Lernende vor neue Chancen und Herausforderungen zugleich. Während das Potenzial zur Unterstützung von Lernprozessen in der Hochschullehre [1] und im Physik­unterricht [2] offensichtlich ist, bleibt unklar, wie Lernende verantwortungsvoll, effektiv und lernförderlich mit solchen Technologien umgehen können. Aktuelle Meta-Analysen deuten zwar vielfach auf positive Effekte von KI auf Lernleistungen [3, 4], die daraus resultierende Evidenz ist aber aufgrund extremer Heterogenität der Ergebnisse, breiter Konfidenz­intervalle und Publikations­bias1) als niedrig einzustufen. Ein zu früher oder zu umfangreicher KI-Einsatz kann demnach kritisches Denken und Gedächtnisbildung beeinträchtigen. Positive Ergebnisse scheinen erheblich überschätzt zu werden [4]. Dies unterstreicht die Notwendigkeit eines strukturierten Vorgehens.

Der AIRIS-Ansatz (AI-Augmented Inquiry with Responsible, Informed Self-Regulation [5, 6]) zielt darauf ab, Künstliche Intelligenz systematisch auf Grundlage von Theorien und Erkenntnissen aus Fachdidaktik und Lehr-Lern-Forschung zu integrieren. Forschendes Lernen (Inquiry Learning) bildet dabei eine zentrale Säule: Lernende entwickeln eigene Fragen, führen Experimente durch, lösen Probleme, analysieren Daten und kommunizieren ihre Erklärungen. Dieses Vorgehen erfordert konzeptuelles, prozedurales und epistemisches Wissen [7]. (...)

Bildinformation ist ganz natürlich in der elektro­magnetischen Strahlung verschlüsselt. In künstlichen neuronalen Netzwerken (KNN) wird diese Bildinformation gemessen und anschließend in digitale Signale für eine elektronische Auswertung umgewandelt. Diffraktive neuronale Netzwerke (DNN) nutzen das Licht als Rechenmedium und können so von all seinen Freiheitsgraden ­Gebrauch machen, bevor die Intensitätsverteilung gemessen wird. Durch gezieltes Modulieren der Wellenfronten verarbeiten sie Bild­information in Lichtgeschwindigkeit.

Digitale vs. diffraktive neuronale Netzwerke

Um das Problem greifbar zu machen, richten wir den Blick auf eine konkrete Anwendung, die Objekterkennung. Das mag vielleicht auf den ersten Blick trivial erscheinen, doch auch ein scheinbar simples Problem kann überraschend komplex sein. So zum Beispiel die knifflige Herausforderung, einen haarigen Hund von einem Wischmopp zu unterscheiden. Bei einem digitalen Lösungsansatz mit einem künstlichen neuronalen Netz startet der Prozess damit, dass das Licht der vorhandenen Szene mit einer Kamera aufgenommen und in Pixeln diskretisiert gemessen wird (Abb. 1). Der Rechner verarbeitet diese digitalisierten Daten sequenziell und ordnet jeder möglichen Kategorie (hier Hund oder Wischmopp) eine Zahl zu. Schließlich gibt er für jede Kategorie eine Zahl aus. Gewonnen hat die Kate­gorie mit dem höchsten Wert. (...)

John Hopfield und Geoffrey Hinton haben den Physik-Nobelpreis 2024 erhalten – als erste Forscher aus dem Bereich der künstlichen neuronalen Netze bzw. künstlichen Intelligenz (KI). John Hopfield, ursprünglich Quantenphysiker, nutzte physikalische Prinzipien, um neuronale Netze zu entwickeln und damit das menschliche Gehirn besser zu verstehen. Der Psychologe und Kognitionswissenschaftler Geoffrey Hinton baute darauf auf und legte die Grundlage für maschinelles Lernen und die heutige Künstliche Intelligenz.

Unser Gehirn besitzt außergewöhnliche Eigenschaften und benötigt doch erstaunlich wenig Energie, etwa 20 Watt – nicht mehr als eine alte Glühbirne. Das steht in krassem Kontrast zum hohen Energieverbrauch der Serverfarmen großer KI-Firmen. Die Anzahl möglicher Konnektome (verschiedene Gehirne) übersteigt die Anzahl der Protonen im bekannten Universum um viele Größenordnungen!

Die Physik strebt danach, die Natur in Form grund­legender Komponenten zu beschreiben, die es erlauben, alle denkbaren Erfahrungen in einem Zustandsraum durch eine neue Kombination bereits bekannter Variablen zu erklären. Dieser Ansatz hat unser Verständnis des Universums entscheidend geprägt und uns in die Lage versetzt, selbst weit entfernte oder indirekt beobachtbare Phänomene wie die Entwicklung des Kosmos zu modellieren. Wenn wir jedoch versuchen, uns als Menschen selbst zu verstehen, oder wenn wir vom Verhalten lebloser Objekte zu lebenden Systemen – insbesondere mit intelligentem Verhalten – übergehen, schien eine physikalische Modellbildung lange außer Reichweite. So wie es auch beim Verständnis chemischer Prozesse gedauert hat, alchemistische Vorstellungen auf grundlegende physikalische Modelle zurückzuführen, kann man spekulieren, dass wir uns gerade an der Schwelle zu einem Durchbruch in der physikalischen Modellierung des Gehirns befinden. Die Statistische Physik hat bereits viele wichtige Erkenntnisse geliefert, um wichtige Grundlagen des Lebens zu erklären. Zum Beispiel konnte sie erklären, wie der biologische Stoffwechsel die freie Energie als Grundlage für autonomes Handeln erzeugen kann [2]. (...)

Die Digitalisierung in Schule und Hochschule hat nicht zuletzt durch die Corona-Pandemie einen großen Schub erhalten. Onlinebasierte Formate fanden größere Verbreitung; allein die Lernplattform Moodle umfasste im September 2023 über 46 Millionen Kurse und über 394 Millionen Nutzende weltweit [1]. Dies macht digitale Daten verfügbar und verarbeit­bar, nicht zuletzt durch Methoden der Künstlichen Intelligenz. Insbesondere verdeutlicht das Sprach­modell ChatGPT von OpenAI, dass KI-basierte Anwendungen für Lernen und Lehren weit über den Rahmen­ von gängigen Lernplattformen hinausgehen [2].

Für den Einsatz von Künstlicher Intelligenz (KI) im Bildungskontext stellen sich weitreichende Fragen: Wie lassen sich Lernende durch solche Anwendungen effektiv begleiten und (frühzeitig) fördern? Auf welche Weise lassen sich personenbezogene Daten für das Training von KI-Algorithmen nutzen und gleichzeitig schützen? Genügen Menge und Qualität der anfallenden Datensätze überhaupt für eine sinnvolle Anwendung von Künstlicher Intelligenz? (...)

Was waren Ihre Schwerpunkte im Studium?

Ich habe am Karlsruher Institut für Technologie studiert und für meine Diplomarbeit untersucht, wie Halbleiter-Nanopartikel auf Polymerstrukturen wachsen. Die Frage dahinter war, ob elektronische Strukturen auch ohne litho­graphische Verfahren herstellbar sind.

Haben Sie das in der Promotion ­vertieft?

Nein, ich habe nach dem Diplom bei einer Unternehmensberatung gearbeitet. Für die Promotion an der FernUniversität in Hagen war ich freigestellt und habe mich an der wirtschaftswissenschaftlichen Fakultät mit Monte-Carlo-Verfahren befasst. (...)

Sie untersuchen die Robustheit des Sehens. Worum geht es dabei konkret?

Felix Wichmann: Robustes Sehen bedeutet, sich nicht davon beeinflussen zu lassen, dass sich die Randbedingungen radikal ändern. Das stört den Menschen praktisch nicht. Wir können Objekte erkennen, wenn sie halb
verdeckt sind oder wir sie aus einem anderen Blickwinkel sehen beziehungsweise wenn es sehr hell oder dunkel wird. Dieses robuste Sehen möchten wir den Maschinen beibringen.

Worin besteht dabei das Problem?

Matthias Bethge: Wenn neue Daten oder Probleme den Trainingsdaten ähneln, sind Maschinen meistens besser als der Mensch. Aber mit Störungen können sie schlechter umgehen. In unserem Forschungsprojekt untersuchen wir, was die Robustheit des menschlichen Sehens ausmacht.

Wie untersuchen Sie das?

Wichmann: Unser Labor ist komplett schwarz, damit wir die Versuchspersonen gezielt visuellen Reizen aussetzen können, die wir genau unter Kontrolle haben. Ich weiß also exakt, welches Licht mit welcher Wellenlänge den Menschen ins Auge fällt. Darauf bauen wir unsere Modelle auf, um daraus Verhalten vorauszusagen. (...)

Von allen Sinnesorganen des Menschen ist der Sehsinn für das Wahrnehmen der Umwelt der wichtigste: Er liefert rund Prozent aller Informationen. Sehen bedeutet, dass elektromagnetische Lichtwellen die Hornhaut und das gesamte Auge durchdringen. Auf der Netzhaut angelangt, regen sie Nervenzellen an, welche die Licht reize über den Sehnerv an das Gehirn weiterleiten. Erst dort entsteht das Bild. Im visuellen Cortex, dem Bereich des Gehirns, der für das Sehen zuständig ist, reagieren Nervenzellen auf unterschiedliche Reize wie bestimmte Farbkombinationen oder Hell-Dunkel-Kontraste. Solche Eindrücke ermöglichen durch den Vergleich mit gespeicherten Bildern das Wiedererkennen eines bekannten Gesichts. (...)

In der Physik werden aktuell Deep Learning-Verfahren bei Fragestellungen erprobt, bei denen sich ein passender Algorithmus nicht so einfach programmieren lässt. Hier weisen Deep Learning-Verfahren häufig Vorteile gegenüber bisher verwendeten Analyseverfahren auf, was zu präziseren wissenschaftlichen Resultaten führt, Erkenntnisprozesse zu mindest beschleunigt oder eventuell erst ermöglicht. Deep Learning beruht auf neuronalen Netzwerken (vgl. dazu die Artikel von Ulrich Eberl und Marco F. Huber sowie die Infoseite „Neuronale Netzwerke kurz erklärt“) [1]. Mit ihnen lassen sich flexible Modelle für beliebige funktionale Zusammenhänge realisieren (Abb. 1). (...)

Über ein halbes Jahrhundert lang spiegelte der Begriff „Künstliche Intelligenz“ (KI) eher die überzogenen Erwartungen seiner Erfinder wider, als dass er etwas mit der Realität zu tun hatte. In den Jahrzehnten nach 1956, als erstmals ein Forschungsprojekt von Wissenschaftlern um John McCarthy, Marvin Minsky und Claude Shannon so bezeichnet wurde [1], waren die Erfolge überschaubar: Eine Software, die besser Dame spielte als ihr Entwickler, erste selbsttätig fahrende Autos in den 1980er-Jahren, der IBM-Rechner Deep Blue, der 1997 den Schachweltmeister Garri Kasparow besiegte, zweibeinige Roboter wie Hondas Asimo und kleinere Neuronale Netze, welche die Steuerung von Walzwerken und Papierfabriken optimierten – das waren die wesentlichen Meilensteine. (...)

Heutzutage sind Roboter in der Industrie wichtige Helfer – sei es zum Sortieren, Verpacken, Kleben, Schweißen oder als ein Helfer in der Automobilherstellung, der schwere Einzelteile hebt und perfekt positioniert, damit der Mensch diese Lasten nicht mehr stemmen muss. Das japanische Unternehmen Yaskawa ist mit weltweit rund 15 000 Mitarbeitern einer der führenden Hersteller von Antriebstechnologie, Automation und Industrierobotern. Diese sind unter dem Label „Motoman“ bekannt und zählen weltweit zu den besten in puncto Bahn- und Wiederholgenauigkeit. Zudem können mehrere Roboter perfekt synchron arbeiten, indem sie parallel miteinander kommunizieren. Auch in Deutschland ist das Unternehmen tätig mit der Zentrale in Eschborn und einem Standort für Anlagentechnik und Robotik in Allershausen nördlich von München. Leiter dieses Standorts, an dem hochkomplexe Anlagen bis hin zu kompletten Fertigungsstraßen gebaut werden, ist seit dem letzten Jahr der Physiker Otwin Kleinschmidt.

Seit 2012 arbeitet er bei Yaskawa. Gestartet ist er dort als Leiter des Projektmanagements – eine Aufgabe, die nach dem Physikstudium nicht unbedingt nahe lag. „Nach dem Abschluss habe ich mich bewusst für den Wechsel in die Industrie entschieden. Alles weitere hat sich dann sukzessive entwickelt“, erinnert sich Otwin Kleinschmidt. Bei verschiedenen Arbeitgebern – zunächst in der Oberflächenanalytik, später in der Halbleiterfertigung – hat er im Marketing, Vertrieb und im Projektmanagement gearbeitet. „In all diesen Feldern hatte ich mit der Technologie zwar nicht direkt zu tun, aber ohne technisches Verständnis hätte ich keine komplexen Anlagen verkaufen können“, stellt er fest.