Künstliche Intelligenz ist ein komplexes Feld mit einer eigenen Fachsprache, die oft schwer verständlich ist. Um Nutzern und Entwicklern den Zugang zu erleichtern, wurden die wichtigsten Begriffe in einem Glossar zusammengefasst, das kontinuierlich aktualisiert wird, um neuen technologischen Entwicklungen Rechnung zu tragen. Der Begriff Künstliche allgemeine Intelligenz (AGI) beschreibt eine hypothetische Stufe der KI, die den Menschen in den meisten Aufgaben übertreffen würde. Während verschiedene Unternehmen wie OpenAI und Google DeepMind die Definition leicht unterschiedlich handhaben, einigt man sich darauf, dass AGI autonome Systeme bezeichnet, die wirtschaftlich wertvolle oder kognitive Leistungen auf menschlichem Niveau oder besser erbringen. Ein KI-Agent geht über einfache Chatbots hinaus und führt autonome, mehrstufige Aufgaben aus, wie das Buchen von Reisen oder das Schreiben von Code, wobei er oft mehrere KI-Systeme kombiniert. Das Konzept der Denkweise (Chain of Thought) beschreibt eine Methode, bei der große Sprachmodelle komplexe Probleme in kleinere Zwischenschritte zerlegen, um logisch korrekte Ergebnisse zu erzielen. Dies verlangsamt zwar die Antwortzeit, erhöht jedoch die Genauigkeit erheblich, insbesondere bei mathematischen oder Programmieraufgaben. Die dafür notwendigen Rechenleistungen werden als Compute bezeichnet und stützen sich auf spezialisierte Hardware wie GPUs. Tiefes Lernen (Deep Learning) nutzt künstliche neuronale Netze mit vielen Schichten, um komplexe Datenmuster selbstständig zu erkennen. Diese Modelle benötigen enorme Datenmengen und Rechenzeit, können aber durch Fehlerkorrektur ihre Leistung stetig verbessern. Eine spezifische Technik ist die Diffusion, die bei der Generierung von Medien wie Bildern oder Musik eingesetzt wird. Dabei wird ein Bild schrittweise zerstört, und das Modell lernt diesen Prozess rückgängig zu machen, um neue Inhalte aus Rauschen zu erschaffen. Um effizientere Modelle zu erhalten, wird oft Knowledge Distillation angewendet. Dabei lernt ein kleineres „Schüler-Modell" das Verhalten eines größeren und leistungsfähigeren „Lehr-Modells". Eine weitere Optimierungstechnik ist das Fine-Tuning, bei dem ein bereits trainiertes Modell mit spezifischen Daten für einen engen Anwendungsbereich weiter trainiert wird. Generative Adversarial Networks (GANs) hingegen nutzen zwei konkurrierende Netzwerke, um extrem realistische Daten zu erzeugen, die für den Menschen kaum von echten Daten zu unterscheiden sind. Ein häufiges Problem ist die Halluzination, bei der KI-Fehlerhaftes oder Erfundenes als Fakten ausgibt. Dies liegt oft an Lücken in den Trainingsdaten und ist besonders bei allgemeinen Modellen schwer zu vermeiden. Inference bezeichnet den Prozess, bei dem ein trainiertes Modell auf neue Daten angewendet wird, um Vorhersagen zu treffen. Dieser Prozess ist rechenintensiv und kann durch Memory Caching optimiert werden, um wiederkehrende Berechnungen zu speichern. Große Sprachmodelle (LLMs) bilden das Rückgrat moderner KI-Assistenten und bestehen aus Milliarden von Parametern, die Beziehungen zwischen Wörtern analysieren. Die Arbeit mit diesen Modellen basiert auf Tokens, also textlichen Einheiten, die die Eingabe und Ausgabe strukturieren. Über die Anzahl der verarbeiteten Tokens erfolgt oft die Abrechnung der Dienste. Transfer Learning ermöglicht es, Wissen aus einem bereits trainierten Modell auf eine neue, ähnliche Aufgabe zu übertragen, was Entwicklungszeit und Kosten spart. Schließlich sind Gewichte (Weights) entscheidend für das Training, da sie festlegen, welche Merkmale in den Trainingsdaten wie stark gewichtet werden. Während des Lernprozesses werden diese Gewichte so angepasst, dass das Modell optimale Ergebnisse liefert. Die aktuelle Entwicklung zeigt zudem einen massiven Bedarf an Arbeitsspeicher (RAM), der aufgrund der hohen Nachfrage durch die KI-Branche zu Engpässen und steigenden Preisen in anderen Technologiebereichen führt. Diese Begriffe bilden die Grundlage für das Verständnis der aktuellen KI-Landschaft.