Schön sei, sagt Kant, was ohne Interesse gefällt. Daran
mag die Klugheit stochern wie sie will, sie beißt auf Granit. Sie kann
den Satz höchstens ausweiten: Ästhetisch ist, was ohne Interesse gefällt
oder abstößt. So
geheimnisvoll wie das Ästhetische war immer auch das Komische, und
manch einer meinte, sie müssten auch sonst etwas gemeinsam haben. Nicht sonst etwas, sondern gerade dies: Ob bejahend, ob verneinend - sie sprechen an. Und zwar, bevor Begriffe im Spiel sind. In den Begriffen sind Qualitäten ins Verhältnis gesetzt. Im ästhetischen Urteil werden Qualitäten als solche,
ohne Be-griff, ohne Verhältnis, begrüßt oder verabscheut. Der Begriff
bezeichnet, welches Interesse das Subjekt an dieser oder der andern Qualität nehmen kann. Nämlich in welchem Verhältnis es zu ihnen steht. Komik ensteht, wo Qualitäten, die als solche lediglich an sich sind, zu einander in ein Verhältnis geraten; nämlich durch ein Interesse gesetzt
werden: mit andern Wor-ten, nicht länger qualitativ, sondern relativ
erscheinen. Der komische Effekt - Affekt - entsteht, weil offen bleibt,
ob die eine Qualität auf Kosten der andern, oder die andere Qualität auf
Kosten der einen relativiert wird: Es schwebt. Und selbstverständlich sind sowohl der Effekt als auf der Affekt nur solange mög-lich, wie das Subjekt vom Interesse zu abstrahieren weiß. Und diese Fähigkeit heißt Humor.
26. 9. 17
PS.Ästhetische Qualitäten sind Bedeutungen, bevor sie in Begriffe gefasst und da-durch zu andern Bedeutungen in Relation gebracht werden.
PPS.Eine Vorstellung wird, sobald sie durch eine Bedeutung bestimmt wurde, eo ipso zu einem Begriff.
aus derStandard.at, 10. 6. 2026 Ein Zaun in Nogales in Arizona an der Grenze zu Mexiko. 13 Millionen Menschen kamen seit 1990 aus Mexiko in die USA. zuöffentliche Angelegenheiten
Menschliche Mobilität
Die jährliche globale Migration hat sich seit dem Jahr 2000 fast verdreifacht
Zwei Forscher
füllten mit KI-Methoden bisherige Lücken im Wissen um die weltweiten
Migrationsbewegungen – mit einigen überraschenden Ergebnissen
von Klaus Taschwer
Es ist offensichtlich, dass unsere Welt und unsere Gesellschaften im
21. Jahr-hundert immer vielfältiger werden. Soziologinnen und
Demografinnen sprechen seit Jahren
Einen gewissen Überblick geben die Daten, die alle fünf Jahre von den
Vereinten Nationen und alle zehn Jahre von der Weltbank veröffentlicht
werden und die Zahl der Migranten in jedem Land nach Geburtsland
aufschlüsseln. Aber diese Zahlen bieten nur eine Momentaufnahme zu einem
bestimmten Zeitpunkt. Infolgedessen wurden große Ereignisse – wie
Kriege, Rezessionen, Pandemien oder Klimakatastrophen – bei der
Datenerfassung manchmal übersehen.
Bessere Daten dank KI
Das haben
nun zwei Migrationsforscher und KI-Fachleute geändert: Thomas Gaskin
(London School of Economics and Political Science) und Guy Abel
(Universität Hongkong und IIASA in Laxenburg) haben Mithilfe von Deep
Learning den ersten Datensatz zu Migrationsströmen zwischen allen
Ländern für den Zeitraum von 1990 bis 2023 erstellt. Dieser Datensatz,
der am Mittwoch im Fachblatt Nature veröffentlicht wurde,
liefert ein weitaus detaillierteres Bild der globalen Mobilität als die
bisherigen Daten, die stark fragmentiert sind.
Das Hauptergebnis der aufwendigen KI-gestützten Recherchen und
Berechnungen: Die weltweite Migration ist von etwa 13 Millionen Menschen
pro Jahr im Jahr 2000 auf rund 35 Millionen Menschen pro Jahr im Jahr
2023 stark angestiegen. Rückgänge gab es lediglich während der
Finanzkrise 2008 und 2009 sowie der Covid-19-Pandemie.
Das Hauptergebnis der Studie in einer Grafik: Seit dem Jahr 2000
stiegen die Migrationszahlen weitweit stark an (vertikale Achse: Zahlen
in Millionen).
Dieser nun ermittelte Anstieg übertrifft den Anstieg der weltweiten
Bevölkerungszahlen deutlich und zeigt ein echtes pro-Kopf-Wachstum der
menschlichen Mobilität. Der Trend steht im Widerspruch zu den
Ergebnissen früherer Forschungsbemühungen, globale Migrationsströme zu
quantifizieren.
Regionale Verteilungen
Weltweit
verzeichnete der Nahe Osten den höchsten Gesamtzustrom von Migranten,
hauptsächlich aus Südasien und den Philippinen, wobei allein die
Einwanderung aus Bangladesch nach Saudi-Arabien ab 2010 durchschnittlich
rund 300.000 Menschen pro Jahr betrug. Die beiden Forscher schätzen,
dass seit 2010 insgesamt 19 Millionen Menschen, durchschnittlich 1,35
Millionen pro Jahr, aus Indien, Pakistan und Bangladesch nach
Saudi-Arabien, Katar, Bahrain und in die Vereinigten Arabischen Emirate
migriert sind. Im Vergleich dazu gab es seit 1990 insgesamt 13,6
Millionen Migrationsbewegungen von Mexiko in die USA.
Europa rangiert durchweg als die Region mit dem höchsten Volumen an
intraregionaler Migration und wurde nur einmal, nämlich Anfang der
1990er-Jahre während des Bürgerkriegs in Ruanda, von Subsahara-Afrika
übertroffen.
Der neue Datensatz ist auch deshalb besonders nützlich, da er
Aufschluss über Migrationsbewegungen im Globalen Süden gibt, wo
Migrationsdaten traditionell weniger zahlreich und detailliert sind als
im Globalen Norden. Mitte der 2010er-Jahre kam es beispielsweise in
Subsahara-Afrika zu mehreren groß angelegten Migrationsereignissen. Der
Bürgerkrieg im Südsudan ab 2013 führte zu einer großen Fluchtbewegung in
das benachbarte Äthiopien.
Die Gewalt in Westafrika, als Boko Haram 2009 in Nigeria einen
Aufstand auslöste und die Angriffe 2014 eskalierten, einschließlich der
Entführung von fast 300 Schulmädchen, führte dazu, dass schätzungsweise
79.000 Nigerianer in Nachbarländer flohen, wobei die meisten (45.000)
zwischen 2013 und 2014 nach Niger gingen.
Potenzial der neuen Methode
"Unsere
Schätzungen wurden durch die Kombination klassischer
Strömungsmodellierung mit Deep Learning gewonnen, wobei eine breite
Palette von Daten für die Modelleingabe und das Training genutzt wurde",
sagt Erstautor Gaskin zur innovativen Vorgangsweise: "Ich denke, der
Umfang und die Breite dieses Datensatzes zeigen wirklich das Potenzial
dieser Art von Hybridmodellierung in den Computerwissenschaften."
"Da frühere Schätzmethoden auf groben Fünfjahres-Momentaufnahmen
beruhten, lieferten sie nur sehr wenige Datenpunkte und vermittelten den
Eindruck, dass die Rate der globalen Migrationsströme stabil sei",
ergänzt Mitautor Guy Abel. "Unsere jährlichen Daten liefern ein klareres
Bild und zeigen, dass diese Rate seit 2000 tatsächlich gestiegen ist.
Dieser Aufwärtstrend scheint eher durch langfristige demografische
Verschiebungen und wirtschaftliche Entwicklung als durch plötzliche,
isolierte Krisen getrieben zu sein."
Relevanz für die Politik
Detailliertere
Migrationsdaten sind wichtig, da sie nicht nur zeigen, wie viele
Menschen sich bewegen, sondern auch wann, wohin und warum – was
politischen Entscheidungsträgern hilft, auf Krisen zu reagieren,
Dienstleistungen zu planen und globale Trends zu verstehen. Durch den
Einsatz fortschrittlicher maschineller Lernverfahren zur Verknüpfung von
amtlichen Statistiken, Volkszählungsdaten und anderen Quellen mit
geografischen und wirtschaftlichen Faktoren hilft der neue Datensatz,
die bisherigen Lücken zu schließen.
Oktopusse
haben ein gutes Gedächtnis und erkennen Menschen als Individuen. Jetzt
haben Forschende eine weitere erstaunliche Fähigkeit entdeckt: Kraken
können mit Spiegeln versteckte Beute lokalisieren.
Oktopusse
haben acht Arme, drei Herzen und ein Gehirn, das über ihren ganzen
knochenlosen Körper verteilt ist. Wie genau es funktioniert, weiß
niemand. Klar ist aber, dass die Tiere
damit kognitive Höchstleistungen vollbringen, die denen des Menschen
mit seinem ganz anders aufgebauten, zentralen Gehirn gar nicht so
unähnlich sind.
Die
Kraken haben ein hervorragendes Gedächtnis, sie lernen, sie spielen und
sie erkennen nicht nur Artgenossen, sondern auch andere Lebewesen,
einschließlich des Menschen, als Individuen. Filmreif ist der Ausbruch
des Kraken „Inky“ vor zehn Jahren aus dem National Aquarium in
Neuseeland: Der Oktopus quetschte sich durch einen Spalt in seinem
Becken, kroch über den Fußboden und robbte durch ein 15 Zentimeter
schmales Abflussrohr in den Pazifik und in die Freiheit. Zurück blieben
nur seine nassen Spuren auf dem Boden.
Mit dem Experiment wurde erstmals gezeigt, dass ein Nichtwirbeltier das Prinzip eines Spiegels durchschaut
Im ersten Schritt ihres Experiments gewöhnten die Forschenden drei Kalifornische Zweipunktkraken (Octopus bimaculoides) an
einen Spiegel im Aquarium. Dann versteckten sie eine Krabbe in einer
Ecke, die die Oktopusse nur mit dessen Hilfe einsehen konnten. Schnell
lernten die Kraken, dass der Spiegel nur ein Bild der Beute zeigte – und
wie sie ihn nutzen konnten, um die wirkliche Position der Krabbe zu
lokalisieren.
Im
dritten Teil saßen die Kraken in einer undurchsichtigen Box, die nur
vorn und oben offen war. Direkt vor ihnen befand sich ein Spiegel, in
dem sie das Bild einer Krabbe sehen konnten, das die Forschenden hinter
die Tiere an die linke oder rechte äußere Wand projizierten. „Wir haben
eine virtuelle Krabbe benutzt, um sicherzustellen, dass die Oktopusse
die Krabbe nur visuell lokalisieren“, schreiben sie. Die Tiere haben
nämlich einen hervorragenden Geruchssinn und registrieren kleinste
Bewegungen ihrer Beute.
Tiere,
die das Prinzip des Spiegels nicht verstehen, würden bei diesem
Versuchsaufbau direkt auf das Glas vor ihnen zulaufen und versuchen, das
dort reflektierte Bild zu verschlingen. Nicht so die Oktopusse: Die
Kraken machten eine 180-Grad Wendung nach links oder rechts, je nachdem,
auf welche Seite der Box die virtuelle Krabbe projiziert wurde.
Manchmal nahmen sie sogar eine Abkürzung, kletterten über die Wand ihrer
Box und stürzten sich von oben auf die vermeintliche Beute.
Mit
dem Experiment wurde erstmals gezeigt, dass ein Nichtwirbeltier das
Prinzip eines Spiegels durchschaut. Manche Neuropsychologen halten diese
Fähigkeit für eine Vorstufe von Selbst-Bewusstsein, also der Fähigkeit
zu erkennen, wer man ist und dass es außer einem selbst noch andere
Lebewesen gibt. In jedem Fall bekräftigt das Experiment aber, dass
Oktopusse das Ergebnis einer „konvergenten Evolution“
zu der des Menschen sind: Obwohl beide Arten nicht miteinander verwandt
sind, haben sie unabhängig voneinander ähnliche Lösungen für dieselben
kognitiven Herausforderungen gefunden.
Aufmerksamkeit ist gerichtet,
sonst wäre sie keine. Richte ich sie auf dieses, ziehe ich sie ab von
jenem. Indem ich auf den Gegenstand merke, kann ich nicht auf mich
merken, und umgekehrt. Das ist keine Besonderheit der menschlichen
Aufmerksamkeit: Dem Tier geht es nicht anders. Die Besonderheit der
menschlichen Aufmerksamkeit ist: Wir können unse-re Aufmerksamkeit willkürlich lenken. Das kann das Tier nicht.* Es kann aufsich nicht auf-merksam werden.
*) Es sei denn, wenn es klug ist – wie manche Affen und wohl auch Raben –, im Spiegel. 26. 6. 17
Es
dreht sich im Kreis: Will ich meine Aufmerksamkeit auf mich richten,
muss ich sie von allem andern abziehen. Doch dazu muss ich mich vom
Andern unterschieden haben - was auf dasselbe hinausläuft.
25. 11. 21
Nota.Das
obige Bild gehört mir nicht, ich habe es im Internet gefunden. Wenn Sie
der Eigentümer sind und seine Verwendung an dieser Stelle nicht
wünschen, bitte ich um Nachricht auf diesem Blog. JE
aus derStandard.at, 7. Juni 2026 Eine Hummel hat sich einen
Kunststoffball hergerollt, um mit
ihrem Rüssel an Futter zu gelangen. zuJochen Ebmeiers Realien
Kleines Hirn, große Leistung
Hummeln stellen Wissen über Intelligenz bei Insekten auf den Kopf
Eine neue Studie
zeigt, dass die dicken Brummer zielgerichtet im Voraus planen können–
was bisher nur bei höherentwickelten Tieren und dem Menschen denkbar
schien
von Klaus Taschwer
Wer schon einmal vor einer hohen Bücherwand stand, kennt das Problem:
Das gewünschte Buch ist sichtbar, aber außer Reichweite. Die mehr oder
weniger triviale Lösung besteht darin, ein Hilfsmittel zu besorgen –
etwa einen Stuhl oder eine Leiter. Dieser scheinbar banale Vorgang setzt
freilich eine nicht unbeträchtliche geistige Leistung voraus: Das
Gehirn muss das Ziel erkennen, eine zukünftige Handlung antizipieren und
mehrere Schritte im Voraus planen.
Genau eine solche Fähigkeit haben finnische Forschende um Olli Loukola (Universität Oulu) nun erstmals bei Hummeln nachgewiesen. In einer Studie, die am Donnerstag im Fachblatt Science veröffentlicht
wurde, zeigen die Tiere Verhaltensweisen, die auf eine Form von
Vorausplanung hindeuten. Damit wäre erstmals dokumentiert, dass ein
Insekt zielgerichtet auf ein zukünftiges Problem hinarbeitet, anstatt
lediglich auf unmittelbare Reize zu reagieren. Die Ergebnisse könnten
weitreichende Folgen für das Verständnis tierischer Intelligenz haben.
Herausforderndes Experiment
Das
Forschungsteam mit Erstautor und Dissertant Akshaye Bhambore (ebenfalls
Uni Oulu) entwickelte eine Versuchsanordnung, die Hummeln vor eine
ungewöhnliche Herausforderung stellte. Die Tiere sollten eine Belohnung
erreichen, die sich auf einer erhöhten Plattform befand. Direkt dorthin
gelangen konnten sie jedoch nicht. Um das Ziel zu erreichen, mussten die
Hummeln zunächst ein Objekt finden und an die richtige Stelle bewegen.
Erst dadurch entstand eine Erhöhung, die ihnen den Zugang zur Belohnung
ermöglichte.
Entscheidend war dabei, dass die Tiere nicht einfach auf ein
bekanntes Signal reagierten. Die finnischen Forschenden erschwerten die
Aufgabe schrittweise, indem sie den direkten Blick auf die Belohnung
einschränkten. Die Hummeln konnten also nicht permanent sehen, worauf
sie hinarbeiteten. Dennoch bewegten sie die notwendigen Hilfsmittel
gezielt an den richtigen Ort und lösten anschließend das Problem. Nach
Ansicht des Teams spricht dies dafür, dass die Tiere eine mentale
Repräsentation des Ziels aufrechterhalten konnten und ihr Verhalten
entsprechend planten.
Mehr als nur Lernen
In der
Verhaltensforschung gilt die Frage nach Planung als besonders
anspruchsvoll. Viele Tiere können komplexe Aufgaben bewältigen, wenn sie
diese durch Versuch und Irrtum gelernt haben. Vorausplanung geht jedoch
einen Schritt weiter: Sie setzt voraus, dass ein Organismus eine
zukünftige Situation berücksichtigt und sein aktuelles Verhalten daran
ausrichtet.
Bei Menschen gilt diese Fähigkeit als grundlegender Bestandteil
intelligenter Problemlösung. Auch bei einigen Primaten, Rabenvögeln und
bestimmten Säugetieren wurden Hinweise darauf gefunden. Für Insekten
schien eine solche Leistung lange Zeit unwahrscheinlich. Ihr
Nervensystem ist im Vergleich zu jenem von Wirbeltieren äußerst klein.
Das Gehirn einer Hummel umfasst weniger als eine Million Nervenzellen –
ein winziger Bruchteil der rund 86 Milliarden Nervenzellen des
menschlichen Gehirns.
Clevere Hummeln
Bereits in den
vergangenen Jahren haben Studien, insbesondere der finnischen
Forschenden, gezeigt, dass Hummeln erstaunlich lernfähig sind. Sie
können Farben unterscheiden, komplexe Suchstrategien entwickeln und
sogar voneinander lernen. Besonders bekannt wurden Experimente, bei
denen Hummeln an einer Schnur ziehen mussten, um an Nahrung zu gelangen.
Die Tiere konnten diese Aufgabe nicht nur erlernen, sondern auch durch
Beobachtung ihrer Artgenossen übernehmen.
Die neue Untersuchung geht jedoch über solche Lernleistungen hinaus.
Statt eine bekannte Technik anzuwenden, mussten die Hummeln mehrere
Handlungsschritte koordinieren und dabei ein Ziel verfolgen, das
zeitweise nicht sichtbar war. Olli Loukola, Akshaye Bhambore und ihr
Team sprechen daher von der ersten überzeugenden Demonstration
zielgerichteter Problemlösung dieser Art bei einem Insekt.
Weitreichende Konsequenzen
Die
Studie wirft grundlegende Fragen über die Entstehung von Intelligenz
auf. Lange Zeit dominierten Vorstellungen, wonach komplexe kognitive
Fähigkeiten große Gehirne voraussetzen. Die Ergebnisse deuten nun darauf
hin, dass zumindest einige geistige Leistungen auch mit deutlich
einfacheren neuronalen Strukturen möglich sind. Das bedeutet nicht, dass
Hummeln denken wie Menschen. Auch von Bewusstsein oder abstraktem
Denken kann aus den Experimenten nicht direkt geschlossen werden.
Dennoch zeigen die Tiere offenbar Fähigkeiten, die bislang nur wenigen
Tiergruppen zugeschrieben wurden.
Für die Forschung eröffnet sich damit ein neues Feld. Wenn Insekten
mit vergleichsweise geringem neuronalen Aufwand komplexe Probleme lösen
können, könnte dies auch für die Entwicklung künstlicher Intelligenz von
Interesse sein. Effiziente Problemlösungsstrategien müssen
möglicherweise nicht auf riesigen Netzwerken beruhen, sondern können
auch aus relativ einfachen Strukturen entstehen. Dass ein Tier mit einem
Gehirn von Stecknadelkopfgröße Aufgaben bewältigen kann, die ein
gewisses Maß an Zukunftsorientierung erfordern, stellt jedenfalls
grundlegende Annahmen über Intelligenz infrage.
Nota. - Der Begriff Intelligenz scheint immer weniger geeignet, einen Unterschied zwischen Mensch und Tier markieren zu können. Man sollte vielmehr von Denken in specie reden - und das bedeutetReflexion, nämlich Rückbeziehung eines Gemein-ten sowohl auf einen Gegenstand als auch auf 'mich', nämlich meine Absicht - derer ich mir ipso facto 'bewusst' werde.Ganz soweit ist die Hummel dann doch noch nicht. JE
Der Philosoph Tim Crane über Wikipedia, KI und Chatbot-Fehler
Wenn wir nicht
verstehen, wie Chatbots mit Fakten über Wahrheit und Wissen umgehen,
werden wir uns weiter in dem Netz aus Nichtwissen verwickeln, das die
KI-Unternehmen über uns ausspannen
von Tim Crane
Als Wikipedia das Internet eroberte, misstrauten viele Forscher:innen
und Intellektuelle der Online-Enzyklopädie zu Beginn. Wie in aller Welt
sollten die Beiträge der Schwarm-Intelligenz zu jedem nur denkbaren
Thema korrekt sein? Wikipedia schien verlässlich, wenn man sich über
Dinge informieren wollte, über die man kaum etwas wusste. Sobald man
jedoch Themen nachschlug, die das eigene Fachgebiet betrafen, machten
sich Fehler, Kuriositäten, Willkür und Ungenauigkeit bemerkbar. Fast so,
als würde man die Zeitung lesen. Grundsätzlich vertraue ich den
Print-Ausgaben seriöser Zeitungen, solange sie über Politik und das
Weltgeschehen berichten, aber jedes Mal, wenn ich einen Artikel über
etwas lese, womit ich mich auskenne – wie etwa Philosophie oder
Wissenschaft –, stoße ich auf kleine, aber ärgerliche Fehler
(erstaunlicherweise hat dies jedoch nie meine Meinung über die restliche
Berichterstattung in den Zeitungen beeinflusst).
Früher wies ich
meine Philosophiestudierenden an, Wikipedia-Einträge über Philosophie zu
meiden. Aber die Dinge ändern sich. Wikipedia hat sich immens
verbessert und wird stetig noch besser. Mittlerweile sage ich
Studierenden, dass Wikipedia für gewöhnlich eine zuverlässige Quelle
ist, doch sie müssten aufpassen, nicht Teile daraus "unabsichtlich" in
ihre Aufsätze zu übernehmen. Wikipedia ist heute eine der vielen
wundervollen, oft kostenfreien und großteils sorgfältig editierten
Onlinequellen, die Studierenden zur Verfügung stehen.
Wesentliche Unterschiede
Der
Siegeszug der generativen KI lenkt uns nun jedoch in eine andere
Richtung. Chatbots wie ChatGPT und Claude werden nicht nur zur
Texterstellung verwendet, sondern auch um das Internet zu durchforsten,
Fragen beantworten zu lassen und Informationen oder Fakten zu finden.
Googles Gemini zählt zu den beliebtesten KI-Chatbots und wird künftig
fix als KI-Assistent in die Google-Umgebung integriert sein. Eine
bedeutungsvolle neue Entwicklung besteht darin, dass jede Google-Suche
per Standardeinstellung nun auch eine "Übersicht mit KI" liefert.
Der Nobelpreisträger und Gründer von Google DeepMind, Sir Demis
Hassabis, sagte kürzlich in einem Interview, dass Large Language Models
(LLMs, die Sprachmodelle hinter den heute verbreiteten KI-Chatbots)
unter anderem deshalb so erfolgreich seien, weil "ihr Ausgangspunkt die
Gesamtheit menschlichen Wissens, all das, was wir ins Internet stellen"
sei. Diese Behauptung ist schlichtweg falsch, findet Tim Crane.
Dies erscheint zunächst unproblematisch – nutzen wir nicht
schließlich alle Google und Wikipedia, als wären sie ein und dasselbe,
und verlassen uns ohne Weiteres auf die Ergebnisse? Macht es einen
Unterschied, ob man etwas auf Wikipedia oder in Googles KI-Übersicht
nachliest? Ist das nicht im Prinzip dasselbe?
Meiner Ansicht nach besteht allerdings ein wesentlicher Unterschied,
der sich aus der grundlegenden Natur des Wissens ergibt. Wikipedia kann
zu Recht als Wissensspeicher bezeichnet werden, KI-Chatbots nicht.
Lassen Sie mich dies näher ausführen.
Der Nobelpreisträger und Gründer von Google DeepMind, Sir Demis
Hassabis, sagte kürzlich in einem Interview, dass Large Language Models
(LLMs, die Sprachmodelle hinter den heute verbreiteten KI-Chatbots)
unter anderem deshalb so erfolgreich seien, weil "ihr Ausgangspunkt die
Gesamtheit menschlichen Wissens, all das, was wir ins Internet stellen"
sei. Diese Behauptung spricht Bände. Oberflächlich betrachtet scheint
sie plausibel, wenn auch etwas übertrieben. Sie ist jedoch schlichtweg
falsch.
Dinge, die nicht stimmen
Beginnen
wir mit einem weit verbreiteten Phänomen: Fehlern. Es ist allgemein
bekannt, dass Chatbots Fehler machen. Genau genommen behaupten sie
Dinge, die nicht stimmen. Das haben wir wohl alle schon einmal
beobachtet, und auch die modernsten Modelle haben dieses Problem bislang
nicht in den Griff bekommen (so schreibt Google standardmäßig unter die
KI-Übersicht: „KI-Antworten können Fehler enthalten.“).
KI-Forscher:innen bezeichnen diese Fehler als Halluzinationen. Dazu
zählen das Erfinden von wissenschaftlichen Artikeln, Rechtstexten oder
Geschichten über real existierende Personen wie auch Rechen- und
Logikfehler.
Viele KI-Forscher:innen tun diese Halluzinationen als
Kinderkrankheiten ab; sie seien nichts weiter als kleine
Funktionsstörungen, die mit fortschreitender Entwicklung und anhaltendem
Training der Modelle verschwinden würden. Aus dem Blickwinkel der KI
selbst jedoch, das heißt in Hinblick auf ihr Entwicklungsziel, sind
Halluzinationen keine Funktionsstörung. Chatbots wurden mit dem Ziel
entwickelt, in grammatikalisch korrekten Sätzen auf einen Prompt zu
reagieren und dabei Inhalte, die zu diesem Prompt passen, zu
produzieren. Halluzinationen sind daher keine Funktionsstörung, weil die
Maschine genau das tut, wofür sie geschaffen wurde.
Die suggestive Bezeichnung "Halluzination" ist daher zutiefst
irreführend. Eine visuelle Halluzination liegt vor, wenn das optische
System Erfahrungen erzeugt, die die Realität völlig verzerrt darstellen:
Als Beispiele ließen sich hier drogeninduzierte Trips während eines
LSD-Rauschs oder, in tragischeren Fällen, Halluzinationen von Menschen,
die am Charles-Bonnet-Syndrom oder an Alkoholismus leiden, anführen.
Halluzinationen sind ein Versagen beziehungsweise eine Funktionsstörung
des optischen Systems. Es erfüllt seinen evolutionären Zweck, die Welt
visuell akkurat darzustellen, nicht. Die "Halluzinationen" von großen
Sprachmodellen haben damit nichts zu tun.
Wahres Wissen
Dass LLMs nicht darauf
ausgerichtet sind, Sachverhalte korrekt wiederzugeben, erklärt zudem,
warum es aus ihrer Sicht belanglos ist, dass nicht alle ihre
Trainingsdaten der Wahrheit entsprechen. Manches davon ist
missverständlich, unvollständig oder sogar bewusst irreführend. Für eine
Maschine, die auf die Ausgabe grammatikalisch korrekter Sätze
ausgerichtet ist, spielt das keine Rolle. Wenn LLMs jedoch Wissen
generieren sollen, ist es durchaus von Bedeutung.
Hassabis Behauptung, dass LLMs basierend auf der "Gesamtheit
menschlichen Wissens" trainiert werden, ist nicht nur deshalb
problematisch, weil das im Internet verfügbare Wissen unvollständig ist
und daher nicht die Gesamtheit des Wissens darstellt; noch
gravierender kommt zum Tragen, dass vieles von dem, was sich im Internet
findet, gar nicht als Wissen bezeichnet werden kann. Wissen muss
naturgemäß (man könnte auch sagen, definitionsgemäß) wahr sein. Wer
behauptet zu wissen, die Sonne drehe sich um die Erde, hat damit unrecht
und kann dies daher nicht wissen. Die Person mag annehmen, es zu
wissen, aber sie weiß es nicht. Und wer behauptet, die MMR-Impfung
verursache Autismus, hat unrecht und kann dies daher nicht wissen, egal
wie überzeugt die Person davon ist.
Manche mögen nun einwenden, es gebe unterschiedliches "Wissen" und
man solle sich nicht gegen alternative Sichtweisen stellen. Das ist aber
ein Missverständnis. Es steht außer Frage, dass Menschen
unterschiedliche und oft inkompatible Perspektiven haben, und wie wir
mit diesen umgehen, ist eine wichtige ethische und politische Frage.
Doch wenn diese Sichtweisen nicht korrekt sind, stellen sie kein Wissen
dar. Wissen gibt die Realität ausnahmslos wahrheitsgemäß und korrekt
wieder.
Drehen am Rad der Wissensgeschichte: Die zwei Cover der
2025er-Person of the Year-Ausgabe des "Time Magazine", die Jensen Huang,
Präsident und CEO von Nvidia; Elon Musk, xAI; Dario Amodei, CEO von
Anthropic; Lisa Su, CEO von AMD; Mark Zuckerberg, CEO von Meta; Demis
Hassabis, CEO von DeepMind Technologies; Fei-Fei Li, Co-Director des
Stanford University Human-Centered AI Instituts und CEO von World Labs;
sowie Sam Altman, CEO von Open AI, zeigen.
Man kann gar nicht genug betonen, wie wichtig dieser Punkt ist. Das
Konzept von Wissen ist in allen menschlichen Kulturen zentral: Während
einige Sprachen keine eigenen Wörter für essen und trinken oder er und sie
kennen, gibt es in allen menschlichen Sprachen ein Wort für Wissen, das
mit dem Begriff "Wahrheit" im Zusammenhang steht. Wissen – wie auch
immer es in einer Sprache bezeichnet werden mag – bedeutet eine
bestimmte korrekte und wahrheitsgetreue Darstellung. Wenn etwas nicht
wahr ist, kann es nicht Wissen sein. Es gibt kein falsches Wissen.
LLMs können diesen Unterschied zwischen Wahrheit und Unwahrheit nicht
erkennen. Sie fabrizieren Sätze, indem sie mit Milliarden von Texten im
Internet interagieren. Es ist jedoch weder ihre Aufgabe noch die
Aufgabe von unterbezahlten Klickarbeiter:innen, die KI-Outputs
klassifizieren, zwischen wahrheitsgemäßen Texten und solchen, die
Unwahres enthalten, zu unterscheiden. Jeder Text ist gut genug, wenn er
nur zum Prompt passt.
Echte Modelle der Welt
Und das
ist auch der Schlüssel zum Verständnis des Unterschieds zwischen
Wikipedia und LLMs. Wikipedia ist bestrebt, Sachverhalte korrekt
darzustellen, und verfolgt dieses Ziel mithilfe einer immensen Anzahl an
Freiwilligen, die ihre Einträge im Einklang mit den relativ strengen
Wikipedia-Regeln fortlaufend aktualisieren und die Interventionen
anderer korrigieren. Ihr Ziel ist eine korrekte Darstellung, wovon
Wahrheit eine bestimmte Version ist. Manchmal machen Autor:innen Fehler,
die dann von anderen korrigiert werden. Einige Fehler werden dabei ohne
Zweifel unentdeckt bleiben. Doch im Gegensatz zu einem LLM verfolgt
Wikipedia die Absicht, von den Meinungen zur echten Welt, die die
Freiwilligen beisteuern, zu lernen, um so das übergeordnete Ziel zu
erreichen, die Welt wahrheitsgetreu darzustellen.
Dies ist auch der Grund, warum einige führende Wissenschaftler:innen,
die LLMs kritisch gegenüberstehen – darunter Gary Marcus und Yann LeCun
–, ins Treffen führen, dass KI-Anwendungen zusätzlich zu ihren
Textproduktionsprogrammen echte "Modelle der Welt" benötigen. Ob dieser
Vorschlag Gehör finden wird, zählt derzeit zu den interessantesten
Fragen in der KI-Welt.
Vielleicht denkt jetzt jemand, dass die meisten LLMs sich ja ohnehin
Wikipedia einverleibt haben und es deshalb keinen nennenswerten
Unterschied zwischen den beiden Systemen mehr gebe.
Natürlich ist es sinnvoll, dass LLMs sich auf Wikipedia stützen,
anstatt sich ausschließlich aus Webseiten voller Verschwörungstheorien
zu speisen. Der Unterschied besteht aber dennoch in den Zielen
der Systeme, nicht nur in ihren Trainingsgrundlagen. Auch wenn Wikipedia
falsche Informationen enthält, so ist es doch ihr dezidiertes Ziel,
wahrheitsgetreue und korrekte Informationen anzubieten. Ein Fehler in
einem Wikipedia-Eintrag ist ein Makel, eine Halluzination eines Chatbots
ist jedoch, wie wir gesehen haben, angesichts seiner Aufgabe kein
Makel. Wikipedia-Autor:innen verfolgen das Ziel, die Einträge so korrekt
wie möglich zu gestalten; für Klickarbeiter:innen, die die Daten in
LLMs klassifizieren, ist das bedeutungslos.
Ernstzunehmende Probleme
Wikipedia
liefert keine Garantie dafür, dass alle Informationen stimmen – eine
solche existiert grundsätzlich nicht. Was Wikipedia allerdings bietet,
ist eine verlässliche Methode, etwas über die Welt herauszufinden. LLMs
bieten eine verlässliche Methode, binnen Sekunden kohärente Texte zu
produzieren. Aber sie stellen keine verlässliche Methode zur
Verfügung, etwas über die Welt zu lernen. Aus diesem Grund kann
Wikipedia eine Wissensquelle sein, während LLMs dies nicht sind, denn
Verlässlichkeit ist ein grundlegendes Element der Wissensgenerierung.
Wissen braucht Wahrheit, aber Wahrheit allein ist nicht genug – man kann
ja auch aus Zufall auf die Wahrheit stoßen (zum Beispiel, indem man mit
Glück etwas richtig errät). Um Wissen zu erwerben, braucht man
verlässliche Methoden der Wahrheitsfindung – beispielsweise etwas mit
eigenen Augen zu sehen, sich an etablierte, vertrauenswürdige
Autoritäten zu wenden oder durch wissenschaftliche Experimente Theorien
zu bestätigen. Das Konzept einer verlässlichen Methode zur
Wahrheitsfindung bildet daher den Kern von Wissen.
Tim Crane, geb. 1962, ist ein britischer Philosoph und einer der
führenden Vertreter der Philosophie des Geistes. Er ist ist Director of
Research des FWF- Exzellenzclusters "Knowledge in Crisis" und Professor
für Philosophie sowie Pro-Rektor der Central European University in
Wien. Er hat das Institute of Philosophy der University of London
gegründet und war Knightbridge-Professor an der University of Cambridge.
Der Essay erschien kürzlich im Jahresbericht des Wissenschaftsfonds
FWF: www.fwf.ac.at
Im FWF-Exzellenzcluster "Knowledge in Crisis" wenden wir diese
grundlegenden Ideen der Erkenntnistheorie (Epistemologie) auf alle
heutigen Wissenskrisen an – und die KI-Krise ist nur eine davon. Wir
veranstalten Workshops und öffentliche Diskussionsrunden, in denen wir
uns mit der Relevanz philosophischer Theorien zu Wissen und
Erkenntnisgewinn für die derzeitigen Krisen befassen, und die
Wissenschaftler:innen dieses Clusters publizieren Artikel und Bücher zu
diesem Thema. Zusammen mit Forscher:innen anderer Disziplinen – wie etwa
Wissenschaftskommunikation, Sozialwissenschaften, Psychologie und
Wirtschaftswissenschaften – befassen wir uns auch mit Fragen, die für
uns alle wesentlich sind. Dieses Jahr werden wir gemeinsam mit dem
FWF-Exzellenzcluster "Bilateral Artificial Intelligence" öffentliche
Veranstaltungen organisieren, um die Bedeutung von KI in der heutigen
Zeit zu diskutieren.
Es ist bemerkenswert, wie tief diese Krisen philosophisch verwurzelt
sind. Manchmal werden diese Wissenskrisen ausschließlich in Hinblick auf
Wissenschaftsfeindlichkeit (etwa in Bezug auf die Ablehnung von
Impfungen) oder Probleme, die durch die Verbreitung von
Falschinformation und Desinformation ausgelöst werden, diskutiert,
beispielsweise wenn Nutzer:innen auf sozialen Medien absichtlich zu
politischen Themen in die Irre geführt werden. Das sind sehr
ernstzunehmende Probleme, mit denen wir uns im Rahmen unseres
Exzellenzclusters intensiv beschäftigen. Die Epistemologie von KI –
insbesondere von LLMs – ist jedoch noch viel subtiler und
tiefgreifender: Sie bedroht die Grundfesten unserer Methoden der
Wissensproduktion. Wenn wir nicht lernen zu verstehen, wie die Maschinen
mit Fakten über Wahrheit und Wissen umgehen, werden wir uns immer
weiter in dem Netz aus Nichtwissen und Chaos, das die KI-Unternehmen
über uns ausspannen, verwickeln. Darum gehört es zu den Zielen des Teams
von "Knowledge in Crisis", dieses Verständnis zu fördern und allen zur
Verfügung zu stellen.
Nota. - 1° Die Welt ist keine Gegend, die man ausmessen und - sichtbar, hörbar oder definierbar - wiedergeben kann; sondern ein Horizont, in den man alle Infor-mationen, denen man in reellen Gegenden begegnet, einpassen kann. Ob alles passt - "stimmt" -,
kommt nicht bloß auf den Horizont, sondern ebensosehr auf die
In-formationen an. Gegebenfalls muss man jenen oder diese oder alle neu
justieren, um sie passgerecht zu machen. Ob es gelingt, kann nur der Versuch erweisen.
Daraus folgt 2°, dass Wahrheit keine Gegebenheit, sondern eine Aufgabe - gr. pro-blêma - ist. Kein terminus a quo, sondern ein terminus ad quem.
Werden die Anforderungen an Wissen und Wahrheit dadurch lockerer oder stren-ger?
Strenger,
weil sie sowohl gedanklich als auch phänomenal stets die engst-mögliche
Bestimmung verlangen - die aber nur pragmatisch gesucht,nicht aber dogmatisch berechnet werden kann. JE , 6. 6. 26
Was stellten
Forschende mit der "Großen Elektrisiermaschine" an? Wie bedient man bei
arktischer Kälte Messgeräte? Antworten gibt es im Technischen Museum
Wien
von Norbert Regitnig-Tillian
In der neuen Dauerausstellung "Wissenschaft im Wandel",
die gemeinsam mit der Universität Wien und der Österreichischen
Akademie der Wissenschaften entwickelt wurde, soll für Besucher spürbar
werden, wie Spitzenforschung funktioniert. Dafür wurde die Gruppe des
Quantenoptikers Markus Aspelmeyer eingeladen, ihr Labor für
Museumsbesucher nachzubauen. Sehr realistisch, mit wirrem Kabelsalat,
Messinstrumenten und optischen Tischen, inklusive Original-Flipchart mit
handschriftlichen Notizen, Formeln und Insider-Witzen wie "Evil
Detectors" – ganz so, als ob das Team gerade auf Kaffeepause gegangen
wäre.
Spitzenforschung im Museum
Als
Gast der Ausstellung merkt man: Hier wurde nicht dekoriert, sondern
übersetzt. Wenn man genau schaut, sieht man in einem Vakuumgefäß auch
einen kleinen grünen Punkt leuchten. "Da schwebt eine unsichtbare
Glaskugel auf einem Laser", sagt die Physikerin und Leiterin der
STANDARD-Wissenschaftsredaktion Tanja Traxler, die im Kuratorenteam
mitgearbeitet hat. Jeder Transistor und jedes Handy funktioniert nach
den Prinzipien der Quantenphysik. Heute versucht die Forschung zu
klären, wie weit die Welt der Quanten reicht. Während man früher
einzelne Elektronen untersuchte, sind es heute bereits deutlich größere
Systeme. Die schwebende Glaskugel steht genau an dieser Grenze – dort,
wo die Quantenwelt beginnt, in unsere alltägliche Realität überzugehen.
Die neue Dauerausstellung im Technischen Museum Wien will einen Blick
hinter die Kulissen der Wissenschaft ermöglichen. "Die Ausstellung
zeigt Wissenschaft als lebendigen, oft widersprüchlichen Prozess", sagt
Peter Aufreiter, Generaldirektor des Museums. Dafür spannt sie auf 800
Quadratmeter Ausstellungsfläche einen Bogen über mehrere Jahrhunderte
Forschung – und schickt Besucherinnen und Besucher auf die Reise durch
eine "Stadt des Wissens".
"Der Weg hindurch ist nicht vorgegeben, man kann sich darin auch
verlaufen, aber das ist gewollt", sagt der leitende Kurator Jochen
Hennig. "Es gibt keinen festen Weg, sondern Disziplinen, die
nebeneinanderliegen: Astronomie, Elektrizität, Quantenphysik,
Gehirnforschung. Wir erzählen das Narrativ eines Prozesses, der über
Jahrhunderte läuft, anhand unserer Objekte."
Risiken und Radioaktivität
Die
Schau gibt viele neue Einblicke frei und zeigt etwa, wie Wissenschaft
in der Barockzeit funktionierte. Die "Große Elektrisiermaschine", ein
wuchtiges Gerät aus Holz und Glas aus dem 18. Jahrhundert, war ein
Spektakel für die Salons. Menschen wurden damit elektrostatisch
aufgeladen, Funken konnten aus ihren Schläfen gezogen werden.
"Wissenschaft war damals auch Unterhaltung", sagt Hennig. Für kurze Zeit
war sie sogar vergleichsweise zugänglich für Frauen, die ihren Platz in
der Forschung später erst wieder zurückerobern mussten.
Gleich daneben geht es zur elektrischen Risikoforschung, zu frühen
Wiederbelebungsgeräten und Relikten aus der elektropathologischen
Sammlung. Das klare Ergebnis auch für weiterführende Forschungen
lautete, dass Wiederbelebung nach Elektrounfällen über einen längeren
Zeitraum hinweg Sinn ergibt. Der Weg vom Staunen zum gesicherten Wissen
war kein gerader, sondern führte oft über Irrtümer und Schäden. Der
Entwicklungsprozess im Bereich der Elementarteilchen erzählt sein
eigenes Auf und Ab, den Anfang markiert ein unscheinbares Stück Gestein:
die sogenannte Pechblende. Lange galt sie als wertlos, bis aus ihr
kleinste Mengen radioaktiven Materials isoliert wurden – ein
Zufallsfund, der ein neues Forschungsfeld eröffnete.
In die Irre geführt
Von hier führt
der Weg zur modernen Physik: Ein frühes Elektronenmikroskop steht neben
einem ausgemusterten Quadrupol-Magneten des Teilchenbeschleunigers am
CERN. Solche Magnete bündeln Teilchen und halten sie auf ihrer Bahn, um
sie gezielt zur Kollision zu bringen. Für einen Moment steht die größte
Maschine der Welt im Raum. Verbunden werden die Themenbereiche durch
leuchtend gelbe Frageinseln. Darin wird das Publikum selbst zum
Experimentator und Versuchskaninchen und kann sich im Selbsttest
skeptische Fragen stellen, etwa: Wie objektiv ist Wissenschaft?
Vor einem Bildschirm laufen Gesichter in schneller Abfolge. Für einen
Moment sind es normale Porträts, dann verzerren sich die Gesichtszüge
plötzlich zu Fratzen. Das Auge kommt nicht mehr mit, das Gehirn
verarbeitet die Informationen falsch. Ein paar Schritte weiter laufen
Videos. Jemand spricht Silben, aber die Lippen zeigen etwas anderes. Man
ordnet falsch zu und erlebt dadurch den sogenannten McGurk-Effekt. Dann
gibt es auch noch eine Tonleiter, die niemals aufhört: die
Shepard-Tonleiter. Sie steigt und steigt – und kommt nie an. Auch das
ist ein irrealer Effekt.
Messgeräte in der Arktis bedienen
An
diesen Beispielen zeigt sich, wie leicht man sich täuschen lässt – ganz
ohne KI-Fakes. Wenn schon die Wahrnehmung wackelt, dann fragt sich,
worauf objektives Wissen steht. Wissenschaft ist harte Arbeit, mitunter
auch körperlich. Das zeigt die Arktis-Station. Mit dicken Handschuhen
soll ein Messgerät bedient werden, was kaum gelingt. Im Video darüber
kämpft ein Arktis-Forscher mit genau diesem Problem. Bei minus 40 Grad
zieht er die Handschuhe aus und beginnt bald zu hüpfen – wohl um sich
aufzuwärmen. Einen kurzen Moment fühlt man sich selbst als Teil des
Forschungsteams.
Am Ende des Rundgangs landet man wieder vor einer großen Wand. Die
Geschichte der Quantenphysik – von den ersten Ideen bis zur Gegenwart.
Und davor ein schlichter Kubus. Darin: Schrödingers Katze. Ein berühmtes
Gedankenexperiment – von Erwin Schrödinger als Kritik an der
Quantentheorie gedacht. Die Katze im Inneren muss man sich vorstellen.
Laut Quantentheorie ist sie zugleich tot und lebendig. Zerfällt ein
radioaktives Atom, wird eine Giftphiole zerbrochen. Ob das passiert,
entscheidet der Zufall. Ein Knopfdruck im Technischen Museum Wien. Ein
Glücksrad beginnt zu rotieren. In der Logik der Quantenwelt geht es
jetzt um Leben und Tod. Erst mit dem zweiten Klick fällt die
Entscheidung. Der Deckel öffnet sich. Ein Katzenbild erscheint. Sie
lebt. Dieses Mal.
Giandomenico Tiepolo aus Geschmackssachen
