Wenn in der populären Science-Fiction der „Aufstieg der maschinellen Intelligenz“ beschrieben wird, dann meist mit Lasern, Explosionen oder – in einigen der sanfteren Beispiele – mit einem leichten philosophischen Grauen. Es besteht jedoch kein Zweifel daran, dass das Interesse an den Möglichkeiten der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) in realen Anwendungen zunimmt und täglich neue Anwendungen auftauchen.
Millionen von Nutzern auf der ganzen Welt interagieren bereits mit KI über ChatGPT, Bard und andere KI-Schnittstellen. Die meisten dieser Nutzer wissen jedoch nicht, dass ihr gemütlicher Austausch mit einem neugierigen KI-Assistenten in Wirklichkeit von riesigen Rechenzentren auf der ganzen Welt gesteuert wird.
Unternehmen investieren in KI-Cluster in ihren Rechenzentren, um ihre KI-Modelle zu entwickeln, zu trainieren und zu verfeinern, damit sie ihren Geschäftsstrategien entsprechen. Diese KI-Kerne bestehen aus ganzen Racks von GPUs (Graphical Processing Units), die die unglaubliche parallele Rechenleistung liefern, die KI-Modelle für das umfassende Training ihrer Algorithmen benötigen.
Nach dem Import der Datensätze analysiert die Inferenz-KI diese Daten und macht sie sinnvoll. Dieser Prozess bestimmt, ob ein Bild eine Katze oder einen kleinen Hund enthält, basierend auf den Merkmalen, die Katzen, aber nicht Hunden gemeinsam sind. Anschließend kann die generative KI diese Daten verarbeiten, um völlig neue Bilder oder Texte zu erstellen.
Diese „intelligente“ Verarbeitung hat die Phantasie von Menschen, Regierungen und Unternehmen auf der ganzen Welt beflügelt. Um einen nützlichen KI-Algorithmus zu entwickeln, sind jedoch riesige Datenmengen für Trainingszwecke erforderlich, und das ist ein teurer und energieintensiver Prozess.
