Emergenz bezeichnet Eigenschaften eines Systems, die aus dem Zusammenspiel vieler einfacher Teile entstehen, aber an keinem einzelnen Teil erkennbar sind. In der KI-Forschung spricht man von emergenten Fähigkeiten, wenn große Sprachmodelle ab einer bestimmten Größe Aufgaben wie mehrstufiges Rechnen oder Übersetzen deutlich besser lösen als kleinere Modelle. Ob solche Sprünge echt sind oder teilweise von der Art der Messung abhängen, ist in der Forschung umstritten.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenEin großes Sprachmodell (Large Language Model, LLM) ist ein neuronales Netz, das mit sehr großen Textmengen trainiert wurde und dadurch Sprache verstehen und erzeugen kann. Es arbeitet, indem es Schritt für Schritt das wahrscheinlichste nächste Token berechnet. LLMs schreiben, fassen zusammen, übersetzen, beantworten Fragen und erzeugen Code; bekannte Beispiele sind Claude, GPT, Gemini und Llama. Ohne Zugriff auf aktuelle Quellen kennen sie nur den Stand ihrer Trainingsdaten.
Ein Foundation-Modell (Basismodell) ist ein großes KI-Modell, das mit sehr umfangreichen, breit gefächerten Daten vortrainiert wurde und sich anschließend für viele unterschiedliche Aufgaben nutzen lässt. Der Begriff wurde 2021 an der Stanford University geprägt. Bekannte Beispiele sind große Sprachmodelle wie Claude oder GPT sowie Bildmodelle. Unternehmen bauen ihre Anwendungen meist auf solchen Modellen auf, statt eigene von Grund auf zu trainieren; die EU-KI-Verordnung spricht von KI-Modellen mit allgemeinem Verwendungszweck.
Künstliche allgemeine Intelligenz (Artificial General Intelligence, AGI) bezeichnet ein hypothetisches KI-System, das ein breites Spektrum geistiger Aufgaben auf menschlichem Niveau bewältigt und Gelerntes flexibel auf neue Bereiche überträgt. Heutige Systeme sind in vielen Aufgaben leistungsfähig, zeigen aber weiterhin Grenzen, etwa bei Zuverlässigkeit. Eine allgemein anerkannte Definition oder Messmethode gibt es nicht; ob und wann AGI erreicht wird, ist in der Fachwelt umstritten.
Multi-Hop-Reasoning bezeichnet die Fähigkeit eines KI-Systems, eine Frage über mehrere aufeinander aufbauende Schlussfolgerungen zu beantworten, oft mit Informationen aus verschiedenen Quellen. Beispiel: „Welche Abteilung leitet die Person, die das Projekt X verantwortet?“ erfordert zuerst die verantwortliche Person und dann deren Abteilung. Solche Fragen sind für Such- und RAG-Systeme anspruchsvoll, weil jeder Zwischenschritt korrekt gefunden und verknüpft werden muss.
