Was ist ein großes Sprachmodell?

KI-Tools sind heute überall. Für jemanden, der völlig neu darin ist, ist die erste Reaktion oft: Wo soll ich anfangen? Dieses Kapitel erklärt zunächst, was ein großes Sprachmodell (LLM) ist, und erörtert dann, wie man es nutzt.

Was meinen wir mit KI?

Wenn du in letzter Zeit Freunden zugehört hast, drehen sich acht von zehn Sätzen vielleicht um „KI“. Aber wusstest du? Die KI, über die jetzt alle reden, ist nicht dieselbe wie die KI von vor ein paar Jahren.

Die KI, die gerade das Internet im Sturm erobert, hat einen Fachnamen: Generative KI.

Was bedeutet das? Einfach gesagt: Du gibst ihr einen Satz, und sie kann einen Artikel für dich generieren; du gibst ihr eine Idee, und sie kann ein Bild generieren; du gibst ihr eine Anforderung, und sie kann Code schreiben.

Es ist wie ein unglaublich intelligenter Assistent. Du sagst „Schreib mir ein Kündigungsschreiben“, und sie schreibt tatsächlich eines; du sagst „Zeichne eine Katze im Anzug“, und sie zeichnet tatsächlich eine. Diese Fähigkeit, „aus dem Nichts Inhalte zu erschaffen“, ist der Kern von „generativ“.

Die, von denen wir oft hören – ChatGPT, Claude, DeepSeek – gehören alle zu dieser Kategorie. Ihr Wesen ist ein Large Language Model (LLM), das lernt, menschliche Sprache zu verstehen und zu generieren, indem es mit riesigen Textmengen trainiert wird.

Aber hier ist ein wichtiges Geheimnis:

KI versteht nicht wirklich, was du sagst; sie „berechnet nur Wahrscheinlichkeiten“.

Das klingt vielleicht kontraintuitiv, aber lass es mich erklären:

Wenn du die KI fragst „Welche Farbe hat der Himmel?“, schaut sie nicht wirklich in den Himmel, noch versteht sie wirklich die Konzepte von „Himmel“ und „Farbe“. So funktioniert es:

Basierend auf den Hunderten von Millionen Artikeln, die sie gelesen hat, ist die Wahrscheinlichkeit, dass das nächste Wort „blau“ ist, wenn der vorherige Text „Welche Farbe hat der Himmel“ ist, 82 %, „grau“ 10 %, „rot“ 5 % … und dann wählt sie das Wort mit der höchsten Wahrscheinlichkeit.

Hier ist ein anschaulicheres Beispiel:

Du fragst: „Was ist 1+1?“

• KI „rechnet“ nicht; sie stellt fest, dass in all den Texten, die sie gesehen hat, auf „1+1 ergibt“ zu 99,9 % „2“ folgt.
• Also antwortet sie „2“.

Du fragst: „Empfiehl einen guten Film.“

• KI hat keine Filme gesehen; sie analysiert, dass in den Texten, die sie gelernt hat, auf „gute Filme“ oft Wörter wie „Die Verurteilten“, „Titanic“ usw. folgen.
• Sie empfiehlt die mit hoher Wahrscheinlichkeit.

Es ist wie ein Super-Streber, der alle Bücher der Welt gelesen hat, aber:

• Er kann dir sagen „Paris ist die Hauptstadt von Frankreich“ (weil die Bücher das sagen).
• Aber er war noch nie in Paris und weiß nicht einmal, was „Hauptstadt“ bedeutet.
• Er erinnert sich nur, dass auf „Paris ist“ am häufigsten „die Hauptstadt von Frankreich“ folgt.

KI kann also einige seltsame Probleme haben:

• Manchmal „redet sie selbstbewusst Unsinn“ (erfindet nicht existierende Fakten).
• Sie könnte einfache Matheaufgaben falsch machen (weil sie nicht wirklich rechnet).
• Sie kann widersprüchliche Antworten geben (inkonsistente Wahrscheinlichkeitsberechnungen).

Dieses Phänomen des „selbstbewussten Unsinnredens“ hat einen Fachbegriff: Halluzination. Wie Menschen träumen, „träumt“ KI Dinge, die nicht existieren, und sagt sie mit großer Zuversicht.

Wie man Halluzinationen mit Reasoning löst

Da KI so fehleranfällig ist, was können wir tun? Wissenschaftler haben eine Lösung gefunden: Lass die KI „denken“, bevor sie antwortet.

Diese Technik heißt „Thinking“ oder „Chain of Thought“.

Wie traditionelle KI funktioniert:

• Du stellst eine Frage → KI spuckt sofort eine Antwort aus.
• Wie ein Schüler, der eine Aufgabe sieht und die Antwort herausplatzt, ohne sie auf dem Schmierpapier zu berechnen.

KI mit Reasoning:

• Du stellst eine Frage → KI berechnet und denkt zuerst auf dem „Schmierpapier“ → dann gibt sie dir die Antwort.
• Wie ein Schüler, der zuerst Schritte auflistet, sie überprüft und dann die endgültige Antwort schreibt.

Ein praktisches Beispiel:

Du fragst: „Xiao Ming hat 15 Äpfel. Er gibt 3 an Xiao Hong und kauft dann 8 weitere. Wie viele hat er jetzt?“

Traditionelle KI könnte:

• Die Zahlen „15, 3, 8“ sehen.
• Basierend auf Wahrscheinlichkeit denken, dass sie addiert werden sollten.
• Antworten: „26“ (falsch!)

KI mit Reasoning würde:

• Zuerst analysieren: „Xiao Ming hat anfangs 15.“
• „Gibt 3 an Xiao Hong, also 15-3=12.“
• „Kauft 8 weitere, also 12+8=20.“
• Schließlich antworten: „20“ (richtig!)

Vorteile von Reasoning:

1. Reduziert Halluzinationen – Weil KI ihre eigenen Gedanken „überprüft“, redet sie seltener Unsinn.
2. Logik ist strenger – Schrittweise ableiten, ohne Schritte auszulassen.
3. Erklärbar – Du kannst sehen, wie KI denkt (auch wenn dieser Denkprozess meistens verborgen ist).
4. Bewältigt komplexe Probleme – Die Genauigkeit verbessert sich deutlich bei Problemen, die mehrschrittiges Denken erfordern.

Aber Reasoning hat auch Nachteile:

• Langsamere Geschwindigkeit (weil es „denken“ muss).
• Höhere Kosten (mehr Rechenleistung).
• Nicht alle Probleme benötigen Reasoning (z. B. „Hallo“ braucht keinen halben Tag Denken).

Jetzt haben die meisten KIs diese Reasoning-Fähigkeit hinzugefügt. Zum Beispiel das Denkmodell von ChatGPT, der Tiefenmodus von DeepSeek.

Eine kurze Zusammenfassung:

• Normale KI = ein Schüler, der schnell Antworten herausplatzt (kann falsch sein).
• Reasoning-KI = ein Schüler, der sorgfältig auf dem Schmierpapier arbeitet (höhere Genauigkeit).

Das bedeutet nicht, dass KI wirklich „denken“ kann; es fügt nur ein paar Überprüfungsschritte vor der Wahrscheinlichkeitsberechnung hinzu. Aber der Effekt ist klar – weniger Halluzinationen, zuverlässigere Antworten.

Um die treffendste Analogie zu verwenden: Generative KI ist wie ein „Super-Geisteswissenschaftler“, der unzählige Bücher gelesen und die Welt gesehen hat. Du kannst ihn alles fragen, er kann mit dir plaudern und dir beim Schreiben helfen. Allerdings antwortet er, indem er sich an die „Fragensammlung erinnert“, anstatt Wissen wirklich zu verstehen. Die neuen Versionen beginnen zu lernen, „auf dem Schmierpapier zu arbeiten“.

Eigentlich ist die KI-Familie riesig

Viele denken, KI sei nur ChatGPT, aber das stimmt nicht. Die KI-Familie hat viele Mitglieder:

1. Erkennungs-KI – Die, die klar sieht

• Gesichtserkennung (Handy-Entsperren, Bezahlen mit Gesicht)
• Bilderkennung (Pflanzen per Foto identifizieren, Text erkennen)
• Spracherkennung (Siri, Xiao Ai verstehen deine Sprache)
• Diese KIs sind spezialisiert auf „Erkennen“, nicht „Erschaffen“.

2. Empfehlungs-KI – Die, die dich am besten kennt

• Douyin (TikTok) empfiehlt dir Videos.
• Taobao empfiehlt Produkte.
• NetEase Cloud Music empfiehlt Lieder.
• Sie sind hervorragend darin, „zu erraten, was dir gefällt“, generieren aber keine neuen Inhalte.

3. Entscheidungs-KI – Die, die gut in Schach und Spielen ist

• AlphaGo (Go spielen)
• Spiel-KI (wie der Computergegner in StarCraft)
• Sie konzentrieren sich auf „Entscheidungen treffen“ und übertreffen Menschen in bestimmten Bereichen.

4. Generative KI – Die aktuelle Welle

• Textgenerierung: ChatGPT, Claude, DeepSeek
• Bildgenerierung: Midjourney, Stable Diffusion, DALL-E
• Videogenerierung: Sora, Runway
• Musikgenerierung: Suno, Udio

Zusammenfassung

Eine kurze Zusammenfassung: Wenn wir KI mit einem Werkzeugkasten vergleichen, ist Erkennungs-KI eine „Lupe“, Empfehlungs-KI ein „Kompass“, Entscheidungs-KI ein „Schachhandbuch“ und generative KI ein „Zauberstab“ – sie kann hervorzaubern, was du willst.

Aber dieser „Zauberstab“ ist eigentlich ein „Wahrscheinlichkeitsrechner“. Er ist mächtig, aber nicht allmächtig. Und dieses Tutorial handelt hauptsächlich davon, wie man diesen „Zauberstab“ gut nutzt.