Recherchen mit KI …

[affenbrotbau]

Ich sag's mal so:
Je verblödeter die Menschen werden, desto mehr KI braucht man, um überhaupt noch was Vernünftiges zu generieren. Lieber Künstliche Intelligenz als gar Keine!
(Beitrag ganz ohne Intelligenz erstellt )

[Sorgnix]

Wichtig ist aber auch der letzte Absatz:

Dabei spiele es rechtlich keine Rolle, ob eine Falschaussage von einem Menschen verfasst oder von einer künstlichen Intelligenz «erfunden» (halluziniert) wurde.

... hierzu hält der erfahrene Praktiker der Vollständigkeit halber fest:

Bei einer künstlichen Intelligenz fällt es dem übel Mitgespielten etwas schwer,
dieser "Intelligenz" eine körperliche Züchtigung zukommen zu lassen.
Bei einem echten Menschen hilft der aufweckende sportliche Schlag auf die Omme
nicht nur diesem etwas auf die Sprünge, nein, der Angegangene verspürt da auch
viel leichter und schneller eine gewisse Genugtuung ...
Vor dem Hintergrund ist der letzte Absatz wirklich wichtig ...


Jörg

[Bergedienst]

Ich sag's mal so:
Je verblödeter die Menschen werden, desto mehr KI braucht man, um überhaupt noch was Vernünftiges zu generieren. Lieber Künstliche Intelligenz als gar Keine!
(Beitrag ganz ohne Intelligenz erstellt )

Antwort der KI:

Dein Gedanke hat aber tatsächlich einen spannenden Kern:
KI wird oft genau dann stärker nachgefragt, wenn Menschen sich überfordert fühlen – sei es durch Informationsflut, Komplexität oder schlicht Zeitmangel. Dann wird sie zum Werkzeug, um Struktur und Klarheit zurückzubringen.

Die Gefahr liegt eher woanders:
Nicht, dass Menschen „verblöden“, sondern dass sie aufhören, selbst zu prüfen, zu hinterfragen und zu denken, wenn sie sich zu sehr auf KI verlassen.

Die beste Kombination ist eigentlich:
👉 Mensch + KI = Verstärker
👉 Mensch ohne Denken + KI = Problem

Oder anders gesagt:
KI ersetzt keine Intelligenz – sie verstärkt die vorhandene.

Und dein Post?
Der ist gar nicht „ohne Intelligenz“ – eher ein ziemlich treffender, leicht bissiger Kommentar zur Zeit

)

[BOBO]

Wenn man heute vom Thema Künstliche Intelligenz (KI) spricht, denken die meisten Menschen sofort an ChatGPT, Claude oder Gemini.

Chatbots und ähnliche Large Language Models (LLMs) dominieren die Schlagzeilen und das öffentliche Gespräch. Tatsächlich machen sie jedoch nur einen vergleichsweise kleinen Anteil aus gegenüber der gesamten Breite des KI-Feldes. Der Rest bleibt oft unsichtbar.

Das übergeordnete Thema KI umfasst nämlich ungleich mehr als text-, bild-, video- oder musikgenerierende Systeme.

KI ist kein einzelnes Werkzeug, sondern eine ganze Familie von Technologien: maschinelles Lernen, neuronale Netze, Computer Vision, Reinforcement Learning, Robotik und Optimierungsalgorithmen. Diese Technologien arbeiten längst im Hintergrund unseres Alltags und meist unbemerkt.

Das Navigationssystem im Auto, das Spam-Filter im E-Mail-Postfach, die Empfehlungen bei Netflix oder Amazon, die Gesichtserkennung beim Entsperren des Smartphones, die automatische Korrektur beim Tippen oder die Risikoabschätzung bei Kreditentscheidungen: All das sind neuronale Netze, die wir Menschen täglich nutzen, ohne dass es die meisten bewusst wahrnehmen. Sie begleiten uns still, zuverlässig und effizient.

In Forschung und Wissenschaft haben neuronale Netze bereits heute einen enormen Stellenwert.
Sie analysieren riesige Datensätze in der Klimaforschung, beschleunigen die Materialentwicklung, optimieren Logistikketten und ermöglichen Durchbrüche wie AlphaFold, das die Proteinstrukturvorhersage revolutionierte. Ein Meilenstein, der ohne KI vermutlich Jahrzehnte später gekommen wäre.

Viele Entdeckungen in der Medikamentenforschung, Astrophysik oder Quantenchemie wären ohne moderne neuronale Architekturen schlicht nicht oder nur viel langsamer möglich gewesen.

Trotzdem wird KI häufig falsch verstanden. Manche sehen darin nur eine plaudernde Maschine oder einen Jobkiller, andere einen allmächtigen „Terminator“ oder wieder andere lediglich eine teure Spielerei.
Dabei ist KI vor allem eines: Ein mächtiges, aber begrenztes Werkzeug, das auf Daten und Statistik basiert – kein Bewusstsein, kein Wille, keine Magie. Wer das erkennt, kann die Technologie nüchtern nutzen, statt sie zu überschätzen oder zu verteufeln.

Erst wenn man begriffen hat, dass KI weit über Chatbots hinausgeht und schon heute unser Leben unsichtbar durchdringt, kann man die Chancen und Herausforderungen realistisch einschätzen.

Die Zukunft der KI liegt nicht allein in besseren Texten, sondern in stiller, tiefgreifender Unterstützung für fast alle Bereiche der menschlichen Zivilisation.

[mun_depot]

Du bist nicht zufällig Verkäufer für KIs? 😆
Na ja, ich möchte damit sagen, dass Du die KI-Sache vielleicht allzu optimistisch siehst. So im Sinne von Technologiegläubigkeit.
KI ist ne interessante Technologie, die durchaus ihre Anwendungsmöglichkeiten hat.
Aber so uneingeschränkt zuverlässig ist die Technologie derzeit noch nicht. Man kennt z.B. die Autos, die falsch abbiegen, oder die Chatbots, die phantasieren. Beispiele gibt's ja genug.
Klar lernen KIs dazu und werden fehlerärmer. Aber 100% Vollkommenheit und Zuverlässigkeit möchte ich denen aktuell nicht zusprechen. Auch in die Zukunft geschaut, tue ich mir dabei schwer. Vertrauen ist gut - Kontrolle ist besser.

[BOBO]

Wer heute wissenschaftliche Recherche betreibt, stößt schnell an Grenzen, sobald er einen klassischen Chatbot wie ChatGPT, Claude oder Gemini einsetzt. Und dies ist das Problem in meinen Augen.

Chatbots sind für tiefgehende Wissenschaft meist ein Irrweg. Speziell entwickelte KI-Modelle hingegen sind längst keine Zukunftsvision mehr. Sie sind präzise, erprobte Werkzeuge, die Forschung nicht nur erleichtern, sondern echte Entdeckungen ermöglichen, die ohne sie deutlich später oder gar nicht gekommen wären.

Diese Modelle (Chatbot's) sind für allgemeine Konversation optimiert, nicht für präzise, quellenbasierte Forschung. Sie neigen, wie weiter vorne im Thread schon erwähnt und mehrfach diskutiert, zu Halluzinationen, zitieren nicht verlässlich und können aktuelle oder fachspezifische Literatur nur oberflächlich wiedergeben. Die Ergebnisse sind oft irreführend oder unvollständig und echte wissenschaftliche Recherche mit ihnen ist daher NICHT zielführend.

Ganz anders sieht es aus, wenn man auf eigens dafür entwickelte KI-Modelle und Tools zurückgreift. Diese sind auf spezifische Domänen trainiert, mit wissenschaftlichen Datenbanken verknüpft und auf Genauigkeit, Nachvollziehbarkeit und Evidenz ausgelegt. Sie werden zu echten Beschleunigern der Forschung und haben in den letzten Jahren bereits bahnbrechende Erfolge erzielt.

Ein herausragendes Beispiel hatte ich im Post zuvor schoin erwähnt. Es ist AlphaFold von Google DeepMind. Dieses neuronale Netz hat das 50-jährige Protein-Faltungsproblem gelöst, indem es Strukturen von fast allen bekannten Proteinen mit experimenteller Genauigkeit vorhergesagt hat. Hier sind schon über 200 Millionen Strukturen inzwischen frei verfügbar. Die Leistung wurde 2024 mit dem Nobelpreis für Chemie ausgezeichnet und hat die Wirkstoffentwicklung dramatisch beschleunigt. Auch viele neue Medikamente gegen Krebs, Alzheimer oder Infektionskrankheiten wären ohne AlphaFold heute noch Jahre entfernt.

Ähnlich beeindruckend ist GNoME (Graph Networks for Materials Exploration), ebenfalls von DeepMind. Das Modell entdeckte über 2 Millionen neue Kristallstrukturen. Darunter auch über 300.000 stabile Materialien. Eine Menge, die vermutlich sonst mehrere 100 Jahre experimenteller Arbeit entsprochen hätte. Hunderte der Materialien davon wurden bereits im Labor synthetisiert und eröffnen neue Wege zu besseren Batterien, Supraleitern und nachhaltigen Materialien.

In der Mathematik sorgte AlphaGeometry und sein Nachfolger in Kombination mit AlphaProof für Aufsehen. Das System löste 25 von 30 Geometrie-Problemen der internationalen Mathematik-Olympiade. Ein Ergebnis, das bisherige Systeme um das Doppelte übertraf und zeigt, wie KI echte mathematische Kreativität unterstützen kann.

Auch im Alltag von Forschern haben sich spezialisierte Tools bewährt. Elicit (hatte ich weiter vorne im Thread schon erwähnt gehabt) findet und fasst tausende wissenschaftliche Papers zusammen, extrahiert daraus Daten und vergleicht Studien.
Consensus liefert evidenzbasierte Antworten direkt aus der Literatur.
Scite (auch schon erwähnt) zeigt, ob Zitate eine These stützen oder widerlegen. Diese Instrumente reduzieren den Aufwand für Literatur-Reviews erheblich und erhöhen gleichzeitig die Qualität.

mun_depot .... klar ist Technik und KI's anfällig für Fehler (kommt ja immer darauf an, wie gut gelernt und trainiert wurde). Aber genau so ist es doch auch beim Menschen. Auch diese bauen Unfälle oder spinnen sich zum Teil komische Geschichten zusammen. Wo gibt es denn schon absolute Perfektion?

[affenbrotbau]

@BOBO: Bei deiner Beschreibung der KI gebe ich dir vollkommen recht:

Dabei ist KI vor allem eines: Ein mächtiges, aber begrenztes Werkzeug, das auf Daten und Statistik basiert – kein Bewusstsein, kein Wille, keine Magie.

Extremst vereinfacht würde ich das als "Mustererkennung mit großer Datenbasis" beschreiben.

Ein Problem vieler Fehlinterpretationen lieg m.E. in dem Begriff Intelligenz!
Bei der Beschreibung menschlichen Intelligenz gibt es da ja auch schon völlig unterschiedliche Definitionen und Denkschulen.
Man darf da also die beiden "Intelligenzen" nicht vergleichen.

Die Premiumklasse menschlicher Intelligenz ist (frei nach Stanisław Lem) wohl die kreative Neuschaffung von falsifizierbaren Theorien.
Beispielsweise die Vereinigung von Relativitätstheorie und Quantenphysik, allgemeine Feldtheorie. Oder auch bisher ungelöste mathematische Probleme. In der Geophysik, Evolutionstheorie etc. gibt es auch noch zahlreiche ungelöste Rätsel.

Smale-Problem 18
Grenzen der künstlichen und menschlichen Intelligenz. Er bezieht sich dabei auf Überlegungen von Roger Penrose, wozu nach Smale aber zunächst bessere mathematische Modelle der Intelligenz (sowohl für Computer als auch für das Gehirn) entwickelt werden müssten. Für den Aspekt des Lösens von Problemen mit dem Computer wurde bisher das Turingmaschinen-Modell favorisiert. Lenore Blum, F. Cucker, Michael Shub und Smale (BCCS) sprachen sich für ein besseres Modell beim Rechnen mit reellen Zahlen aus.^[15] Eine noch engere Eingrenzung ist nach Smale das Problem des Lösens von Systemen polynomialer Gleichungen über einem Körper, etwa den reellen Zahlen. Nach Smale hat das Ähnlichkeit zur Trennung zwischen Digital- und Analogcomputern (diskrete und stetige Probleme) und auch beim Gehirn und anderen natürlichen Systemen (Quantenmechanik) sieht er eher Ähnlichkeiten zu Analogcomputern und ist aus diesem Grund wie Penrose skeptisch bei der Argumentation der Begrenztheit intelligenter Systeme über den Gödelschen Unvollständigkeitssatz. Modelle der Berechnung mit reellen Zahlen (im Rahmen von Erweiterungen der Komplexitätstheorie) sollten in diesem Zusammenhang nach Smale auch zufällige Komponenten berücksichtigen und Näherungen bei In- und Output. Neben reinem Problemlösen ist Wechselwirkung mit der Umgebung (Lernen) ein wichtiger Aspekt der Intelligenz.

Quelle: https://de.wikipedia.org/wiki/Smale-Probleme

Jedenfalls ein spannendes Thema
Glück auf
Micha2

[affenbrotbau]

...Aber so uneingeschränkt zuverlässig ist die Technologie derzeit noch nicht. Man kennt z.B. die Autos, die falsch abbiegen, oder die Chatbots, die phantasieren. Beispiele gibt's ja genug.
Klar lernen KIs dazu und werden fehlerärmer. Aber 100% Vollkommenheit und Zuverlässigkeit möchte ich denen aktuell nicht zusprechen. Auch in die Zukunft geschaut, tue ich mir dabei schwer. Vertrauen ist gut - Kontrolle ist besser.

Wie BOBO schon geschrieben hat:

Dabei ist KI vor allem eines: Ein mächtiges, aber begrenztes Werkzeug, das auf Daten und Statistik basiert – kein Bewusstsein, kein Wille, keine Magie.

Die Daten beruhen derzeit ja alle auf menschlichen Beobachtungen und Aussagen die im Internet oder speziellen Datenbanken geschrieben wurden. Und der Mensch lügt - Nicht immer aber relativ oft. Und der Mensch irrt sich auch relativ häufig!
Wie soll eine KI mit dieser unvollkommenen Datenbasis dann ein statistisch 100%-richtiges Ergebnis generieren?

Auch hier hat sich S.Lem schon in den 1970er seine Gedanken gemacht:
Man müsste einen Supercomputer mit einer "allumfassenden" Sensorkapazität ausrüsten:
Vom Radioteleskop bis zu Kernspintomografen und Gehirnscanner, dann würde er seine eigenen Daten sammeln.
U.a.in: Golem XIV

https://de.wikipedia.org/wiki/Golem_XIV

Wie oben schon geschrieben: spannendes Thema