Computerspiele programmieren: Künstliche Intelligenz für künstliche Gehirne – Eine Einführung

Dieser Artikel bietet einen umfassenden Einblick in die Programmierung von Computerspielen mit Fokus auf künstliche Intelligenz (KI). Er richtet sich an Leser mit unterschiedlichem Vorwissen, von Schülern und Studenten mit ersten Programmierkenntnissen bis hin zu fortgeschrittenen Anwendern, die ihr Wissen vertiefen möchten.

Einführung in die KI in Computerspielen

Die Integration von KI in Computerspielen ermöglicht es, komplexere und realistischere Spielerlebnisse zu schaffen. KI-gesteuerte Charaktere können intelligenter agieren, sich an das Verhalten des Spielers anpassen und so für eine dynamischere und herausfordernde Spielumgebung sorgen. Dieser Artikel beleuchtet die Grundlagen der KI in Spielen und gibt einen Einblick in verschiedene KI-Techniken.

Grundlagen der Spieleprogrammierung

Um KI in Computerspielen zu implementieren, sind grundlegende Kenntnisse der Spieleprogrammierung erforderlich. Dies umfasst das Verständnis von Spielstrukturen, Algorithmen und Datenstrukturen.

Notwendige Programmierkenntnisse

Für die Spieleprogrammierung sind Kenntnisse in einer oder mehreren Programmiersprachen unerlässlich. Häufig verwendete Sprachen sind C++, C# und Python. C++ bietet eine hohe Leistung und Kontrolle über die Hardware, während C# in der Unity-Spielengine weit verbreitet ist. Python eignet sich gut für Prototypen und KI-Entwicklung.

KI-Techniken in Spielen

Es gibt eine Vielzahl von KI-Techniken, die in Computerspielen eingesetzt werden können. Einige der gängigsten sind:

Lesen Sie auch: StudiCare und Computerspiele

• Finite State Machines (FSM): FSMs sind ein einfaches und weit verbreitetes Verfahren zur Steuerung des Verhaltens von Spielcharakteren. Ein Charakter kann sich in einem von mehreren Zuständen befinden (z. B. "Patrouillieren", "Angreifen", "Fliehen"), und Übergänge zwischen diesen Zuständen werden durch bestimmte Ereignisse oder Bedingungen ausgelöst.
• Fuzzy Logic: Fuzzy Logic ermöglicht es, mit unscharfen oder ungenauen Informationen umzugehen. Dies ist nützlich, um menschliches Verhalten zu simulieren oder Entscheidungen auf der Grundlage unvollständiger Daten zu treffen.
• Neuronale Netze: Neuronale Netze sind komplexe Modelle, die von der Struktur des menschlichen Gehirns inspiriert sind. Sie können verwendet werden, um komplexe Verhaltensweisen zu lernen und Muster in Daten zu erkennen.
• Schwarmintelligenz: Schwarmintelligenz basiert auf dem Verhalten von sozialen Insekten wie Ameisen oder Bienen. Sie kann verwendet werden, um das Verhalten von Gruppen von Charakteren zu simulieren, z. B. die Bewegung eines Schwarms oder die Zusammenarbeit von Einheiten in einem Strategiespiel.

Künstliche Intelligenz (KI): Eine Definition

Künstliche Intelligenz (KI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens befasst. Sie imitiert menschliche kognitive Fähigkeiten, indem sie Informationen aus Eingabedaten erkennt und sortiert. Diese Intelligenz kann auf programmierten Abläufen basieren oder durch maschinelles Lernen erzeugt werden. In den vergangenen Jahren wurden vor allem im Bereich des maschinellen Lernens große Fortschritte gemacht. Das liegt vor allem an der zunehmenden Verfügbarkeit von großen Datenmengen und hoher Rechenleistung, die eine Grundvoraussetzung für die komplexen Berechnungen von Machine Learning sind.

Maschinelles Lernen: Ein Überblick

Bei maschinellen Lernverfahren erlernt ein Algorithmus durch Wiederholung selbstständig eine Aufgabe zu erfüllen. Die Maschine orientiert sich dabei an einem vorgegebenen Gütekriterium und dem Informationsgehalt der Daten. Anders als bei herkömmlichen Algorithmen wird kein Lösungsweg modelliert. Der Computer lernt selbstständig die Struktur der Daten zu erkennen. Beispielsweise können Roboter selbst erlernen, wie sie bestimmte Objekte greifen müssen, um sie von A nach zu B transportieren. Sie bekommen nur gesagt, von wo und nach wo sie die Objekte transportieren sollen.

Neuronale Netze: Die Grundlage für künstliche Gehirne

Ein Untergebiet von maschinellem Lernen sind neuronale Netze. Diese Lernalgorithmen sind von Nervenzellenverbindungen im menschlichen Gehirn inspiriert. Das Gehirn verarbeitet Informationen über Neuronen und Synapsen. Analog dazu bestehen künstliche neuronale Netze aus mehreren Reihen von Datenknoten, die mit gewichteten Verbindungen untereinander vernetzt sind. Das neuronale Netz wird trainiert, indem ihm immer wieder Daten vorgelegt werden. Durch diese Wiederholung lernt das neuronale Netz die Daten jedes Mal exakter einzuordnen. Das funktioniert, indem die Gewichtung für die einzelnen Verbindungen zwischen den Neuronen-Schichten immer wieder angepasst werden. Das in den Lerndurchläufen erzeugte Modell kann dann auch auf Daten angewandt werden, die die Künstliche Intelligenz im Training noch nicht kennengelernt hat. Haben neuronale Netze verdeckte Neuronen-Schichten, die nicht direkt an die Eingabe- oder Ausgabe-Schicht gekoppelt sind, werden sie »Deep Neural Networks« genannt. Deep Neural Networks können Hunderttausend oder Millionen Neuronen-Schichten aufweisen.

Anwendung von KI in verschiedenen Bereichen

Die Einsatzmöglichkeiten von KI sind vielfältig und reichen von der Bild- und Spracherkennung bis hin zur Prozessoptimierung und Mustererkennung.

Bilderkennung

Mit Machine-Vision-Algorithmen können Bilder erkannt und kategorisiert werden. So können sehr viele Daten blitzschnell verarbeitet werden. Maschinelles Sehen kommt unter anderem in der medizinischen Diagnostik oder bei der Gesichtserkennung zum Einsatz, kann aber auch für die Übersetzung von handschriftlichen Zeichen in Druckschrift genutzt werden. Auch für das autonome Fahren ist die Bilderkennung entscheidend.

Lesen Sie auch: Wie Computerspiele das Gehirn beeinflussen

Spracherkennung

Das Erkennen und Interpretieren von verbaler Sprache kann ebenfalls über maschinelle Lernverfahren erlernt werden. Diese Algorithmen kommen beispielsweise in Sprachassistenzsystemen zum Einsatz. Semantische Spracherkennung: Geschriebener Text kann über maschinelles Lernen semantisch interpretiert werden. Das erlaubt kontextbezogene Übersetzungsanwendungen oder Chatbots, die selbstständig sinnvolle Lösungen generieren.

Mustererkennung

Maschinelle Lernverfahren können außerdem dazu eingesetzt werden Muster in Ereignisfolgen zu erkennen, die für den Menschen durch die großen Mengen an Datenpunkten, Variablen und Abhängigkeiten nicht erkennbar sind. Beispielsweise kann KI Fehlermuster der Fahrzeugelektronik aus Daten erlernen und diese Anomalien mit dem Verhalten im Betrieb abgleichen. Anomalien werden dadurch schneller erkannt, wodurch früh entgegengewirkt werden kann. Beispielsweise durch den Austausch eines Bauteils, noch bevor es einen Fehler tatsächlich verursacht.

Prozessoptimierung

Die erkannten Muster können auch als Informationsbasis für Optimierungsprozesse genutzt werden. Ein Anwendungsfeld für maschinelle Lernverfahren sind maschinell erzeugte Prozessmodelle, die eine optimierte Prozesssteuerung ermöglichen. Automatisierte Maschinen müssen schnell und verlässlich auf ihre Umgebung reagieren können. Diese Fähigkeiten werden durch maschinelles Lernen verstärkt.

Herausforderungen und Sicherheitsaspekte

KI-Anwendungen funktionieren aber nicht per se fehlerfrei. Fehler in der Auswahl geeigneter Trainingsdaten, in der Datengenerierung und -verarbeitung können zu gefährlichen Fehlfunktionen des Systems führen, welche die KI selber nicht erkennen und verhindern kann. Der Fokus des Fraunhofer-Instituts für Kognitive Systeme IKS ist es KI-basierte Technologien durch erweiterte und anpassungsfähige Softwarearchitekturen abzusichern. Insbesondere bei sicherheitskritischen Anwendungen ist es wichtig, dass das System, in dem die Künstliche Intelligenz verbaut ist, absolut sicher und zuverlässig funktioniert. Die Herausforderungen bei der Absicherung von maschinellem Lernen aus Daten unterscheiden sich stark von den Herausforderungen bei herkömmlich programmierter Software. Die verwendeten Trainingsdaten spielen eine wichtige Rolle für die Qualität des erzeugten Neuronalen Netzes. Sind die Daten nicht repräsentativ für die Fülle der Situationen, mit denen das System später konfrontiert ist, ist das Modell nicht gut genug und trifft schlechte Entscheidungen. Damit das Modell auch für nicht gelernte Daten zutrifft, muss das Modell robust sein und abstrahieren können. Es darf also nicht zu eng an den Trainingsdaten liegen, wodurch ein Overfitting entsteht und das Modell nicht abstrakt genug für neue Daten ist. Für autonomes Fahren ist beispielsweise eine präzise Datenanalyse und Prozesssteuerung unbedingt notwendig. Die Fahrzeuge müssen in der Lage sein, ihre Umgebung zu erkennen, treffsicher zu interpretieren und daraufhin ihre Handlungen zu optimieren. Im Unterschied zu klassischen Algorithmen besteht bei maschinentrainierten Programmen das Problem, dass die einzelnen Lernschritte nicht von Menschen interpretiert werden können. Durch die automatische Anpassung der Gewichtungen in neuronalen Netzen bleiben lediglich der Input und das Ergebnis für die menschliche Kontrolle zugänglich. Ein Forschungsziel unter dem Schlagwort »Explainable AI« ist daher, neuronale Netze nachvollziehbar zu konzipieren. Denn da der Entscheidungsweg der KI undurchsichtig ist, kann die Sicherheit und Zuverlässigkeit der KI bisher nicht ohne weiteres bewertet werden. Bisher ist auch das maschinelle Sehen (Perzeption) der KI noch nicht so verlässlich, dass es für den sicherheitskritischen Einsatz in autonomen Fahrzeugen auf öffentlichen Straßen geeignet ist. Zunächst müssen daher Wege gefunden werden, Unsicherheiten der KI quantifizierbar zu machen, um die Perzeption sinnvoll bewerten zu können. Das Fraunhofer-Institut für Kognitive Systeme IKS arbeitet daran, diese Herausforderungen zu lösen und nachweisbar verlässliche Systeme zu schaffen, indem es Unsicherheiten der KI quantifiziert. So kann die bisher intransparente Klassifizierung der KI beherrschbar werden. Denn nur, wenn KI-Systeme für den Menschen nachvollziehbar sind, sind sie sicher genug, um beispielsweise beim autonomen Fahren auf öffentlichen Straßen zum Einsatz zu kommen. Ein Ansatz des Fraunhofer IKS ist es, die KI um eine erweiterte Softwarearchitektur zu ergänzen. Diese überwacht die Künstliche Intelligenz und prüft die getroffenen Entscheidungen auf Plausibilität. Gleichzeitig wird der KI durch den Ansatz des dynamischen Safety-Managements mehr Freiraum gegeben als durch klassische Safety-Ansätze, die immer vom Worst-Case-Szenario ausgehen. So können die Vorteile der schnellen Datenverarbeitung durch maschinelles Lernen genutzt und gleichzeitig mögliche Fehlentscheidungen abgefangen werden. Das ist insbesondere wichtig, wenn wie beim autonomen Fahren durch Fehlentscheidungen der KI Menschenleben gefährdet wären. Auch bei der Digitalisierung der Industrie, der sogenannten Industrie 4.0, erlaubt maschinelle Intelligenz eine optimierte Planung und bessere Voraussagen. Automatisierte und vernetzte Maschinen erkennen ihre Umgebung und können selbstständig ihre Handlungen daran anpassen. Auch die Mensch-Roboter-Kollaboration ohne Schutzzaun wird erst durch maschinelles Lernen und Künstliche Intelligenz möglich. Auch hier müssen KI-basierte Robotern abgesichert werden, um Menschenleben nicht zu gefährden. Im Gemeinschaftsprojekt »REMORA - Multi-Stage Automated Continuous Delivery for AI-based Software & Services Development in Industry 4.0« arbeitet das Fraunhofer IKS mit weiteren Partnern beispielsweise an der einfachen Integration von KI-Services in die Industrie 4.0. Ziel ist es, die Integration von KI für die Echtzeit-Maschinendaten-Analyse zu vereinfachen und Werkzeuge für qualitativ hochwertige und dynamische Maschinendaten zu erstellen.

KI im Gesundheitswesen und im autonomen Fahren

Künstliche Intelligenz, insbesondere große Sprachmodelle (LLMs), werden von vielen als Schlüsselressource für ein überlastetes Gesundheitssystem betrachtet. Besonders die KI-gestützte Automatisierung könnte bei der Bewältigung von Wissensmanagement-Aufgaben schnell Entlastung schaffen. Bevor es soweit ist, müssen Herausforderungen im Bereich Security und Safety sowie rechtliche Vorgaben berücksichtigt werden. Autonomes Fahren soll nicht nur die Straßen erobern, sondern bietet auch im Schienenverkehr enormes Potenzial für fahrerlose Züge. Die Absicherung von KI-Funktionen im Fahrzeug bleibt eine Herausforderung, die Schritt für Schritt gemeistert werden muss. Dabei gibt es sichtbare Fortschritte auf dem Weg zum autonomen Fahren. Die digitale Transformation verändert das Gesundheitswesen. Beratungsprojekte spielen eine entscheidende Rolle, um die Fraunhofer-Mission zu erfüllen, nämlich Spitzenforschung in industrielle Anwendungen zu bringen. Vor kurzem arbeitete das Fraunhofer IKS zusammen mit dem südkoreanischen Unternehmen ZIOVISION an der KI-basierten Segmentierung von Gesichtsfrakturen aus medizinischen Bildern.

Lesen Sie auch: Anleitung zum Glücklichsein

Bewertung von Machine Learning

Maschinelles Lernen (ML) wird häufig durch Metriken wie Accuracy, Precision, Recall und F1-Score bewertet. Doch wie vertrauenswürdig sind diese Kennzahlen tatsächlich? Sie spiegeln lediglich einen Teil der Realität wider und können ein irreführendes Gefühl von Sicherheit erzeugen. Dies kann insbesondere in sicherheitskritischen Bereichen gefährlich werden.

Künstliche Neuronale Netze (KNN)

Künstliche Neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfunden und werden für maschinelles Lernen und Künstliche Intelligenz eingesetzt. Computerbasiert lassen sich damit diverse Problemstellungen lösen, die für uns Menschen fast unmöglich wären. Künstliche Neuronale Netze spielen in vielen Bereichen eine wichtige Rolle. Es gibt verschiedene Arten von Künstlichen Neuronalen Netzen. Künstliche neuronale Netze sind Algorithmen, die dem menschlichen Gehirn nachempfunden sind. Dieses abstrahierte Modell miteinander verbundener künstlicher Neuronen ermöglicht es, komplexe Aufgaben aus den Bereichen Statistik, Informatik und Wirtschaft durch Computer zu lösen. Neuronale Netze ermöglichen es, unterschiedliche Datenquellen wie Bilder, Töne, Texte, Tabellen oder Zeitreihen zu interpretieren und Informationen oder Muster zu extrahieren, um diese auf unbekannte Daten anzuwenden. Künstliche neuronale Netze können unterschiedlich komplex aufgebaut sein, haben aber im Wesentlichen die Struktur gerichteter Graphen. Vereinfacht kann man sich den Aufbau eines KNN wie folgt vorstellen: Das Modell des Neuronalen Netzes besteht aus Knoten, auch Neuronen genannt, die Informationen von anderen Neuronen oder von außen aufnehmen, modifizieren und als Ergebnis wieder ausgeben. Die Information wird durch die Input-Neuronen aufgenommen und durch die Output-Neuronen ausgegeben. Die Hidden-Neuronen liegen dazwischen und bilden innere Informationsmuster ab. Die Neuronen sind miteinander über sogenannte Kanten verbunden.

Struktur eines KNN

• Eingabeschicht: Die Eingangsschicht versorgt das neuronale Netz mit den notwendigen Informationen. Die Input-Neuronen verarbeiten die eingegebenen Daten und führen diese gewichtet an die nächste Schicht weiter.
• Verborgene Schicht: Die verborgene Schicht befindet sich zwischen der Eingabeschicht und der Ausgabeschicht. Während die Ein- und Ausgabeschicht lediglich aus einer Ebene bestehen, können beliebig viele Ebenen an Neuronen in der verborgenen Schicht vorhanden sein. Hier werden die empfangenen Informationen erneut gewichtet und von Neuron zu Neuron bis zur Ausgabeschicht weitergereicht. Die Gewichtung findet in jeder Ebene der verborgenen Schicht statt. Die genaue Prozessierung der Informationen ist jedoch nicht sichtbar. Daher stammt auch der Name, verborgene Schicht.
• Ausgabeschicht: Die Ausgabeschicht ist die letzte Schicht und schließt unmittelbar an die letzte Ebene der verborgenen Schicht an.

Tiefes Lernen

Tiefes Lernen ist eine Hauptfunktion eines KNN und funktioniert wie folgt: Bei einer vorhandenen Netzstruktur bekommt jedes Neuron ein zufälliges Anfangsgewicht zugeteilt. Das Ergebnis dieser Berechnung wird an die nächsten Neuronen der nächsten Schicht oder des nächsten Layers weitergegeben, man spricht auch von einer „Aktivierung der Neuronen“. Natürlich sind, wie bei jedem maschinellen Lernverfahren, nicht alle Ergebnisse (Outputs) korrekt und es treten Fehler auf. Diese Fehler sind berechenbar, ebenso wie der Anteil eines einzelnen Neurons am Fehler. Im nächsten Durchlauf wird der Fehler erneut gemessen und angepasst. Dieser Prozess ist dem menschlichen Entscheidungsprozess sehr ähnlich.

Anwendungen von KNN

Typischerweise sind KNNs prädestiniert für solche Bereiche, bei denen wenig systematisches Wissen vorliegt, aber eine große Menge unpräziser Eingabeinformationen (unstrukturierte Daten) verarbeitet werden müssen, um ein konkretes Ergebnis zu erhalten. Das kann zum Beispiel in der Spracherkennung, Mustererkennung, Gesichtserkennung oder Bilderkennung der Fall sein. Zahlreiche Produkte und Dienstleistungen, die auf künstlichen neuronalen Netzen basieren, haben bereits Einzug in unseren Alltag gehalten.

Arten von neuronalen Netzwerk-Architekturen

Es gibt unzählig viele Typen von neuronalen Netzwerk-Architekturen.

• Perzeptron: Das einfachste und älteste neuronale Netz. Es nimmt die Eingabeparameter, addiert diese, wendet die Aktivierungsfunktion an und schickt das Ergebnis an die Ausgabeschicht. Das Ergebnis ist binär, also entweder 0 oder 1 und damit vergleichbar mit einer Ja- oder Nein-Entscheidung. Die Entscheidung erfolgt, indem man den Wert der Aktivierungsfunktion mit einem Schwellwert vergleicht. Bei Überschreitung des Schwellwertes, wird dem Ergebnis eine 1 zugeordnet, hingegen 0 wenn der Schwellwert unterschritten wird. Darauf aufbauend wurden weitere Neuronale Netzwerke und Aktivierungsfunktionen entwickelt, die es auch ermöglichen mehrere Ausgaben mit Werten zwischen 0 und 1 zu erhalten. Am bekanntesten ist die Sigmoid-Funktion, in dem Fall spricht man auch von Sigmoid-Neuronen. Der Ursprung dieser neuronalen Netze liegt in den 1950 Jahren. Sie zeichnen sich dadurch aus, dass die Schichten lediglich mit der nächst höheren Schicht verbunden sind. Es gibt keine zurückgerichteten Kanten.
• Faltende Neuronale Netze (CNN): Faltende Neuronale Netze oder auch Convolutional Neural Networks (CNN), sind Künstliche Neuronale Netzwerke, die besonders effizient mit 2D- oder 3D-Eingabedaten arbeiten können. Der große Unterschied zu den klassischen neuronalen Netzen liegt in der Architektur der CNNs, die auch den Namen „Convolution“ oder „Faltung“ erklärt. Bei CNNs basiert die verborgene Schicht auf einer Abfolge von Faltungs- und Poolingoperationen. Bei der Faltung wird ein sogenannter Kernel über die Daten geschoben und währenddessen eine Faltung berechnet, was mit einer Multiplikation vergleichbar ist. Die Neuronen werden aktualisiert. Die anschließende Einführung einer Pooling-Schicht sorgt für eine Vereinfachung der Ergebnisse. Dies sorgt auch dafür, dass die 2D- oder 3D-Eingangsdaten kleiner werden. Setzt man diesen Prozess fort, so erhält man am Ende in der Ausgabeschicht einen Vektor, den „fully connected layer“.
• Rekurrente Neuronale Netze (RNN): Recurrent Neural Networks (RNN) fügen den KNN wiederkehrende Zellen hinzu, wodurch neuronale Netze ein Gedächtnis erhalten. Das erste künstliche, neuronale Netzwerk dieser Art war das Jordan-Netzwerk, bei dem jede versteckte Zelle ihre eigene Ausgabe mit fester Verzögerung - eine oder mehrere Iterationen - erhielt. Natürlich gibt es viele Variationen, wie z.B. die Übergabe des Status an die Eingangsknoten, variable Verzögerungen usw., aber die Grundidee bleibt die gleiche. Diese Art von NN wird insbesondere dann verwendet, wenn der Kontext wichtig ist. In diesem Fall haben Entscheidungen aus früheren Iterationen oder Stichproben einen signifikanten Einfluss auf die aktuellen Iterationen. Da rekurrente Netze jedoch den entscheidenden Nachteil haben, dass sie mit der Zeit instabil werden, ist es mittlerweile üblich, sogenannte Long Short-Term Memory Units (kurz: LSTMs) zu verwenden. Das häufigste Beispiel für solche Abhängigkeiten ist die Textverarbeitung - ein Wort kann nur im Zusammenhang mit vorhergehenden Wörtern oder Sätzen analysiert werden. Ein weiteres Beispiel ist die Verarbeitung von Videos, z.B. beim autonomen Fahren.

Wie KI lernt

KI-Programme können aus Texten, Bildern, Videos oder Geräuschen lernen. So ein Programm hat keinen Gehirn, sondern einen Speicher, in dem es Informationen sammelt und miteinander verknüpft. Mit Bildern kann ein KI-Programm zum Beispiel lernen, Maus und Elefant zu unterscheiden. Dafür werden dem Programm ganz viele Bilder von der Maus und ganz viele Bilder vom Elefanten gezeigt. Auch hier geht es wieder darum, Muster zu erkennen: Braune Ohren und Schnurrhaare - das ist die Maus. Blaue Ohren und Rüssel - das ist der Elefant. In einem ersten Test würde das Programm dann wahrscheinlich noch ein paar Fehler machen und die beiden mal verwechseln. Wenn ein Mensch diese Fehler dann im Programm markiert und korrigiert - so wie deine Lehrerin in einer Klassenarbeit - wird das Programm diese Fehler bei einem nächsten Versuch nicht mehr machen.

KI lernt also aus Texten, die Menschen geschrieben haben und versucht, das System oder Muster hinter der Sprache zu verstehen. Dafür zählt es zum Beispiel die Buchstaben, Wörter oder Wortkombinationen. Für KI-Programme bedeutet Lernen also vor allem, aus möglichst vielen Daten Muster zu erkennen.

KI im Alltag

KI begegnet uns heute schon an ganz vielen Stellen im Alltag, ohne dass wir das unbedingt merken. Zum Beispiel in manchen Schwimmbädern, wo ein KI-Programm als Bademeister mitarbeitet. Es gibt also ganz viele verschiedene KI-Programme, die ganz unterschiedliche Dinge besonders gut können, zum Beispiel Bilder und Stimmen erkennen, selbst sprechen oder Musik komponieren.

Prompten

Prompten - so nennt man es, wenn man einer KI sagt oder schreibt, was sie tun soll. Je nach Aufgabe können dabei viele verschiedene Prompts entstehen, in denen man der KI immer genauer erklärt, was sie tun soll und die KI wiederum Fragen stellt oder beantwortet. Manche KI Programme können die menschliche Kommunikation so gut nachmachen, dass man irgendwann das Gefühl bekommt, man spricht mit einem richtigen Menschen. Also kann man sich doch auch mal bedanken, zum Beispiel, wenn die KI eine Aufgabe gut erledigt hat. Oder? Alle Prompts werden in riesigen Rechnerzentren verarbeitet, die sehr viel Energie verbrauchen - und auch Wasser, um die Maschinen in den Rechenzentren zu kühlen. Bereits heute werden täglich bereits Milliarden Aufgaben von KI erledigt und Fachleute haben ausgerechnet, dass der weltweite Energieverbrauch im Jahr 2026 schon doppelt so hoch sein wird wie im Jahr 2022, vor allem wegen des Einsatzes von KI.

KI: Freund oder Helfer?

KI-Programme sind nie müde: Wenn ihr sie fragt, haben sie immer Lust zu spielen oder Geschichten zu erfinden oder Fragen zu beantworten. Anders als echte Freunde oder Freundinnen, die auch mal keine Zeit haben oder schlechte Laune. Das klingt ja so, als könnten KI-Programme super Freunde sein - aber stimmt das?

Hausaufgaben mit KI?

Man sollte aber nicht allen Antworten glauben. Denn auch eine KI macht Fehler. Und noch schlimmer: Wenn sie etwas nicht weiß, dann denkt sie sich manchmal einfach etwas aus.

tags: #computerspiele #programmieren #kunstliche #intelligenz #fur #kunstliche