Ich schreibe nicht „künstliche Intelligenz“, weil die heutzutage damit gemeinte Technologie treffender als „künstliche Ignoranz“ beschrieben ist.
Large Language Models (kurz LLMs) sammeln abstrakte wiederkehrende Muster in unvorstellbar großen Textmengen und liefern anschließend die dem gemäß statistisch wahrscheinlichsten Ergänzungen zu den von uns später eingegebenen Texten. LLMs sind damit im Prinzip Autovervollständigungen, die sich aus unvorstellbaren Mengen von Zufallsdaten speisen.
LLMs ahmen nach, was wir Menschen tun: Sie nutzen Ähnlichkeiten und arbeiten mit Wahrscheinlichkeiten anstatt wirklich alle verfügbaren Details nachvollziehbar zu berücksichtigen, um auf diesem Weg zu zuverlässigen Ergebnissen zu kommen. Gerade weil uns die Kapazität fehlt, große Datenmengen auszuwerten, sind traditionelle Computer mit ihren sehr strikten Routinen eine so große Hilfe für uns. Es ist für uns zwar sehr langwierig und schwierig die Routinen fehlerlos zu definieren, denen sie folgen sollen, aber wenn wir Stücke davon hinreichend gut entwickelt haben, können wir sie kombinieren und so ebenso komplexe wie zuverlässige Routinen definieren, die zumindest zum Teil unsere menschlichen Fehler vermeiden.
Automatisierung ist bequem, wo sie für den beabsichtigten Zweck gut genug funktioniert. Sie kann uns aber keine Verantwortung abnehmen. Das wird besonders dort zum Problem, wo wir nicht die Expertise haben, Sinn von Unsinn zu unterscheiden. Weil wir faul sind, fällt es uns schwer, zuverlässig Ergebnisse von LLMs zu überprüfen, die für uns als Laien plausibel wirken. Deswegen fluten wir zunehmend die öffentliche Sphäre mit ungeprüften Daten, die es laufend schwerer machen, von kundigen Leuten erstellte Daten als Grundlage für unsere eigenen Prüfungen zu finden. Die allgemein verfügbaren Informationen werden somit laufend unzuverlässiger.
Der Wegfall einer gemeinsam anerkannten Faktengrundlage gefährdet auch den demokratischen Prozess. Denn wenn wir nicht übereinstimmen, was tatsächlich der Fall ist, können wir auch nicht effektiv ergründen, welche Handlungsoptionen zu den jeweils gewünschten Ergebnissen führen.
Weil praktisch alle öffentlich zugänglichen Texte, Bilder, Videos und der gesamte veröffentlichte Quellcode eingelesen wurden, können LLMs mittlerweile kreative Werke aller Art so gut nachahmen, dass sie kaum je von den Originalen unterschieden werden können, die Jahrzehnte lang geübte und besonders talentierte Menschen in hingebungsvoller und langwieriger Kleinarbeit erschaffen. Nutzer:innen solcher Werke können damit nicht mehr wirtschaftlich rechtfertigen, diese Menschen zu beauftragen, da sie in wenigen Momenten nahezu kostenlos ein für alle praktischen Zwecke ununterscheidbares Ergebnis erstellen lassen können.
Neue Technologien haben in der Menschheitsgeschichte immer wieder praktisch überflüssig gemacht, wovon viele Menschen lebten und sie mussten deswegen neue Einkommensquellen finden. Wenn diese Bevölkerungsgruppen einflussreich genug waren, wurden manchmal erstaunlich große Bemühungen unternommen, sie vor den logischen Konsequenzen dieser Technologien abzuschirmen. Meist wurden zu diesem Zweck neue Gesetze erlassen. Gleichzeitig haben diese Technologien oft auch neue Probleme geschaffen, die die jeweilige Gesellschaft erst langsam in den Griff bekommen musste.
Bekannte Beispiel-Paare dafür sind der Buchdruck und die daraus resultierenden Kopierschutzrechte, die unseren Informationsfluss noch heute erheblich behindern. Oder die Dampfmaschine und die aus der dadurch möglichen Industrialisierung notwendig gewordenen Arbeitnehmer:innenrechte. Auch die Einführung von digitalen Computern hat Heerscharen von Menschen die Möglichkeit geraubt, weiterhin ihren Lebensunterhalt wie bisher zu verdienen. Sie mussten andere Tätigkeitsfelder finden.
Freilich haben solche Technologien auch neue Tätigkeitsfelder gebracht, die es vorher nicht gab, aber wenn Automatisierung tatsächlich ihr eigentliches Ziel erreicht, bedeutet das natürlich, dass durch sie für die selben Ergebnisse weniger menschliche Arbeit nötig ist. Oft wurde das durch steigenden Wohlstand und schnelleren Wachstum ausgeglichen. Aber dafür gibt es keine Garantien.
Viele Leute verwenden auch für triviale Aufgaben LLMs, obwohl auch viel ressourcenschonendere Hilfsmittel dafür vefügbar wären. Das führt zu Engpässen in diversen anderen Bereichen, weil nicht rasch genug mit der Produktion der Komponenten und Energie nach kommen. Große Unternehmen entschlossen sich, ihre KI-Modelle entweder kostenlos oder sehr billig anzubieten. Zur Finanzierung der immensen Kosten setzen sie waghalsige Spekulationsgeschäfte ein, die möglicherweise bald implodieren. Das gefährdet nicht nur die wirtschaftliche Stabilität direkt involvierter Branchen, sondern die gesamte Weltwirtschaft, denn wenn allgemein zu große Kredite nicht mehr getilgt werden können, ist nicht mehr genug Geld für die Deckung laufender Kosten verfügbar. Abgesehen davon bauen wir gerade wie besessen Infrastruktur auf, die sich möglicherweise demnächst als nutzlos herausstellt.
Falls unser Verstehen tatsächlich bloß ein verschachteltes Mustererkennungssystem ist, könnte der Weg über LLMs tatsächlich nicht nur zu echten generellen Intelligenzen, sondern auch zu neuen Subjekten mit eigenen Absichten führen. (Etwas, das wir aus ethischen und praktischen Gründen unbedingt vermeiden sollten.) Allerdings unterscheiden sich diese Systeme auch dann wesentlich von unserem Gehirn, weil sie nicht nur wesentlich schnellere Prozesse mit unglaublich viel größeren Datenmengen nutzen können, sondern weil sie diese grandiose Skalierung sogar brauchen. In den Gehirnen von Lebewesen passieren zweifellos noch andere Dinge als in LLMs, weil wir mit wesentlich geringerem Aufwand und erheblich langsameren Abläufen zu oft erheblich nützlicheren Resultaten kommen.