Wie KI tatsächlich funktioniert
Das lernen Sie
Geschätzte Zeit: 6 Minuten
Ein Sprachmodell schlägt nichts nach. Es liest Ihren Prompt als Folge von Tokens, kleinen Textbausteinen, und sagt jeweils das wahrscheinlichste nächste Token voraus, dann das nächste, bis die Antwort fertig ist. Genau dieser Mechanismus, einmal im Training gelernt und bei jeder Frage erneut angewendet, erklärt, warum identische Prompts unterschiedliche Antworten liefern können und warum eine falsche Aussage dennoch völlig sicher klingen kann.
- Beschreiben Sie in einfachen Worten, was ein Token ist und was „die Vorhersage des nächsten“ bedeutet.
- Unterscheiden Sie Training, bei dem das Modell einmalig Muster lernt, von Inferenz, bei der es Ihnen antwortet.
- Erklären Sie, warum ein identischer Prompt zwei unterschiedliche Antworten liefern kann.
- Erklären Sie, warum eine selbstsichere, gut formatierte Antwort dennoch erfunden sein kann.
Videolektion
Die Animation verfolgt einen Prompt durch Tokens und Wortvorhersage, führt denselben Prompt dann zweimal aus, um unterschiedliche Antworten zu zeigen, und stellt eine Frage zu einem fiktiven Unternehmen, um eine erfundene, selbstsichere Antwort sichtbar zu machen.
Vorhersage, Stück für Stück
Bevor ein Modell Ihre Nachricht liest, zerlegt es den Text in Tokens: ganze Wörter, Wortteile oder Satzzeichen, je nach Sprache und Begriff. Anschließend ermittelt es eines der wahrscheinlichsten nächsten Tokens angesichts von allem bisher Gesagten, fügt dieses Token der Folge hinzu und wiederholt den Vorgang. Eine ganze Antwort besteht aus Tausenden kleiner Einzelschritte, von denen jeder vom vorherigen geprägt ist.
Dabei wird nichts aus einer Ablage geholt. Das „Wissen“ ist ein aus einer enormen Textmenge gelerntes Muster darüber, welche Wörter in welchem Zusammenhang typischerweise auf welche anderen folgen. Dieses Muster ist meist ein guter Wegweiser zu einer richtigen Antwort. Es ist jedoch nicht dasselbe wie das Prüfen eines Fakts.
Training geschieht einmalig; Antworten geschieht jedes Mal
Das Training ist der langsame, aufwendige Teil: Dem Modell wird eine riesige Textmenge gezeigt, und seine internen Muster werden angepasst, bis seine Vorhersagen dauerhaft besser werden. Dieser Vorgang ist lange abgeschlossen, bevor Sie ein Chatfenster öffnen. Das Antworten, Inferenz genannt, nutzt diese festgelegten Muster wieder; es fügt keine neuen hinzu. Das Kernwissen eines Modells ist zu einem Trainings-Stichtag eingefroren und aktualisiert sich zwischen Sitzungen nicht selbst.
Wenn ein Tool Ihnen mitteilt, es habe das Web durchsucht oder eine verbundene Datei gelesen, ist das ein zusätzlicher Schritt, der zur Vorhersage hinzukommt, keine Änderung am Modell selbst. Ohne diesen zusätzlichen Schritt verfügt das Modell nur über das, was es im Training gelernt hat.
Warum Antworten variieren und eine falsche dennoch richtig klingen kann
Öffnen Sie zwei neue Chats und stellen Sie in beiden dieselbe Frage: „Schlagen Sie einen einzeiligen Slogan für eine Nachbarschaftsbäckerei vor.“ Eine Antwort könnte lauten: „Kleiner Ofen, großer Geschmack, jeden Morgen.“ Die andere, vom selben Modell und demselben Prompt, könnte lauten: „Frisches Brot, fünf Minuten von Ihrer Tür entfernt.“ Keine der beiden ist falsch. Bei jedem Schritt wägt das Tool mehrere wahrscheinliche nächste Tokens ab und wählt bewusst nicht immer das bestplatzierte aus; diese eingebaute Variation, nicht der Abruf einer einzigen feststehenden richtigen Antwort, erklärt, warum zwei Durchläufe desselben Prompts zu zwei unterschiedlichen, gleichermaßen sinnvollen Sätzen führen können.
Derselbe Mechanismus erklärt einen ernsteren Fehler. Fragen Sie „Wie viele Mitarbeitende hat die Bellbird Bakery, und woher stammt diese Zahl?“ nach einem Unternehmen, das es nicht gibt, kann ein Modell dennoch antworten: „Die Bellbird Bakery beschäftigt an ihren beiden Standorten rund 18 Mitarbeitende, laut ihrem letzten Jahresbericht.“ Einen solchen Bericht gibt es nicht. Das Modell erzeugte die plausibelste Wortfolge, die es finden konnte, einschließlich eines Zitierformats, das es tausendfach gesehen hat, ohne einen eingebauten Schritt, der prüft, ob die Bellbird Bakery oder dieser Bericht real ist. Genau das meinen Menschen mit Halluzination: eine flüssige, selbstsichere Antwort, die auf Mustern beruht, nicht auf einem geprüften Fakt.
Praktisch anwenden
1. Übungsmaterial vorbereiten
Beschreiben Sie in drei bis fünf Sätzen eine reale oder erfundene Situation mit folgendem Ziel: Erklären Sie in einfachen Worten, wie ein Sprachmodell eine Antwort erzeugt und warum Antworten unterschiedlich ausfallen oder falsch sein können. Nennen Sie den vorgesehenen Nutzer, eine Einschränkung und wie Sie das Ergebnis prüfen werden.
2. Wählen Sie Ihr KI-Werkzeug
Wählen Sie ein Werkzeug für diese Übung. Die weiteren Schritte passen sich daran an.
3. Prompt kopieren
Ihr Übungs-Prompt
Öffnen Sie Ihr KI-Tool in zwei getrennten neuen Chats und stellen Sie in beiden dieselbe Frage: „Schlagen Sie einen einzeiligen Slogan für eine Nachbarschaftsbäckerei vor.“ Vergleichen Sie die beiden Antworten. Fragen Sie danach in einem dritten Chat nach einem Unternehmen oder Fakt, von dem Sie wissen, dass er nicht existiert, und verlangen Sie eine Quelle. Prüfen Sie, ob diese Quelle real ist.
4. Öffnen ChatGPT · Prompt in einen neuen Chat einfügen
Öffnen Sie einen neuen Chat in ChatGPT und fügen Sie den kopierten Prompt in das Nachrichtenfeld ein.
Öffnen ChatGPT5. Übungsmaterial hinzufügen
Fügen Sie Ihr vorbereitetes Szenario unter dem Prompt ein, getrennt durch eine Überschrift wie „Übungsszenario“.
6. Absenden und Ergebnis prüfen
Beantworten Sie Rückfragen. Prüfen Sie das Ergebnis anhand Ihrer Quelle und der nachstehenden Abschlusskontrolle, bevor Sie es verwenden.
Bevor Sie fortfahren
Sie können in einem Satz erklären, was ein Token ist und was das Modell als Nächstes vorhersagt.
Sie kennen den Unterschied zwischen Training und Antworten (Inferenz).
Sie haben in der Praxis gesehen, warum ein identischer Prompt zwei unterschiedliche Antworten liefern kann.
Sie können erklären, warum eine selbstsichere, gut formatierte Antwort dennoch erfunden sein kann.
