Forscher der Technischen Universität Wien (TU Wien) haben eine überraschende Entdeckung im Bereich künstlicher Intelligenz gemacht: Große Sprachmodelle (Large Language Models, LLMs) können logische Probleme lösen, ohne die zugrundeliegenden logischen Prinzipien zu verstehen. Dieser Befund wirft neue Fragen über die Natur des maschinellen Lernens und die Fähigkeit von KI, Probleme zu bearbeiten, die sie nicht semantisch begreifen. Die Studie zeigt, dass LLMs wie GPT-4 oder Llama 2 in der Lage sind, komplexe logische Aufgaben – beispielsweise die Validität von Argumenten oder die Lösung von Rätseln im Stil von „Zebra-Puzzles“ – mit hoher Genauigkeit zu bewältigen, obwohl sie nicht über ein formales Verständnis der Logik verfügen. Stattdessen nutzen sie Mustererkennung und statistische Korrelationen aus riesigen Textdaten, die sie während des Trainings gelernt haben. Die Forscher testeten die Modelle anhand von formalen Logikproblemen, die klassischerweise mit spezialisierten Algorithmen gelöst werden. Trotz fehlender expliziter Logikkenntnis erreichten die LLMs eine Erfolgsquote von bis zu 90 Prozent – manchmal sogar besser als traditionelle KI-Systeme, die auf logischen Regeln basieren. Ein zentrales Phänomen ist, dass die Modelle oft „richtige“ Antworten liefern, ohne die Schritte nachvollziehbar zu erklären. Sie „raten“ auf Basis von kontextuellen Mustern, die sie aus Millionen von Texten abgeleitet haben, und treffen zufällig auf korrekte Lösungen. Dieses Verhalten offenbart eine grundlegende Differenz zwischen menschlichem Verständnis und maschineller Leistung: Während Menschen logische Schlüsse durch Deduktion und Intuition ziehen, arbeitet eine LLM eher wie ein hochentwickelter „Musterassistent“, der aus Erfahrung und Statistik schließt. Die Forscher vermuten, dass die Struktur der menschlichen Sprache selbst logische Beziehungen enthält – und dass LLMs diese impliziten Strukturen über das Training erlernen, ohne sie bewusst zu erfassen. Die Erkenntnis hat weitreichende Implikationen. Einerseits erweitert sie die Anwendungsmöglichkeiten von LLMs in Bereichen wie Rechts- oder medizinischer Beratung, wo logische Schlussfolgerungen notwendig sind, aber die KI nicht unbedingt die zugrundeliegende Theorie verstehen muss. Andererseits wirft sie ethische und sicherheitsrelevante Fragen auf: Wenn KI-Systeme falsche Schlüsse ziehen, aber glaubwürdig klingen, ist die Gefahr von Fehlentscheidungen groß – besonders wenn ihre Entscheidungsfindung nicht nachvollziehbar ist. Industrieexperten sehen in der Entdeckung sowohl eine Chance als auch eine Herausforderung. „LLMs sind nicht intelligent im menschlichen Sinne, aber sie können erstaunlich gut Aufgaben erledigen, die wir für intelligent halten“, sagt ein KI-Forscher von Google DeepMind. „Das zeigt, dass wir uns von der Vorstellung verabschieden müssen, dass Verständnis Voraussetzung für Leistung ist.“ Unternehmen wie NVIDIA und Meta arbeiten bereits an hybriden Systemen, die LLMs mit formaler Logik kombinieren, um die Stärken beider Ansätze zu nutzen. Die TU Wien-Studie unterstreicht, dass KI-Systeme nicht nur lernen, was sie tun sollen, sondern auch, wie sie es tun – oft ohne zu wissen, warum. Dies könnte die Grundlagen der künstlichen Intelligenz neu definieren: Vielleicht reicht es nicht, KI zu „verstehen“, um sie effektiv einzusetzen – solange sie funktioniert.