Was den Menschen zum Menschen macht

Neuronale KI

3 Min. Lesezeit

Die neuronale KI (auch subsymbolische KI) ist die KI-Tradition, die auf künstlichen neuronalen Netzen aufbaut. Wissen wird nicht als Regel oder Logikformel, sondern als gelernte Gewichte in einer mehrschichtigen Netzwerkarchitektur repräsentiert; Inferenz erfolgt durch Vorwärtsdurchlauf (Forward Pass), Training durch Rückwärtsdurchlauf mit Fehlersignal (Backpropagation).

Die Klasse umfasst klassische Deep-Learning-Architekturen — Convolutional Neural Networks (CNN) für Bilder, Recurrent Neural Networks (RNN) und Transformer für Sequenzen — und die heute dominanten großen Sprachmodelle (Large Language Models, LLM) wie GPT-, Claude- und Gemini-Familien. Sie ist seit dem Durchbruch der Bildklassifikation 2012 (AlexNet) und insbesondere seit dem Transformer-Durchbruch 2017 die kommerziell dominante KI-Form.

Personseinsontologisch ist neuronale KI eine Form der Künstlichen Intelligenz und teilt deren Werkzeug-Bestimmung — auch dann, wenn das System sprachlich überzeugend antwortet und sich als Persona präsentiert.

Ontologische Einordnung: Oberbegriff: Künstliche Intelligenz; Geschwister: Symbolische KI, Neuro-symbolische KI (paarweise disjunkt — ein konkretes System ist genau einer Architekturklasse zugeordnet).

Stärken und Grenzen

Stärken der neuronalen Tradition: hohe Leistungsfähigkeit bei Wahrnehmung (Bilder, Sprache, Audio), Robustheit gegenüber Eingaberauschen, breite Generalisierung aus Daten, Skalierbarkeit über Modellgröße und Trainingsmenge.

Grenzen — die klassische Liste, die seit 2023 wieder im Vordergrund steht:

  • Mangelnde Erklärbarkeit — die Antwort liegt im Forward-Pass, aber die Begründung ist nicht direkt extrahierbar.
  • Hohe Datenintensität — Millionen bis Milliarden Trainingsbeispiele.
  • Sprödigkeit bei systematischer Generalisierung — Ausgaben außerhalb der Trainingsverteilung können stark abfallen.
  • Halluzinationen bei großen Sprachmodellen — wahrheitsindifferente, oft plausibel klingende Aussagen.
  • Verzerrungen aus Trainingsdaten, die schwer zu auditieren sind.

Diese Grenzen sind der Hauptmotor der neuro-symbolischen Wende seit 2024/2025, die nicht den Ersatz, sondern die strukturierte Ergänzung neuronaler Systeme durch symbolische Komponenten anstrebt.

Personseinsontologische Bewertung

Die neuronale KI ist personseinsontologisch kein neuer Falltyp, sondern die heute prominenteste Ausprägung der Künstlichen Intelligenz. Drei Klarstellungen sind nötig.

Erstens — keine Person. Auch das größte Sprachmodell bleibt Werkzeug. Es trägt abgeleitete Intentionalität: Trainingsdaten, Architekturwahl und Ausrichtungssignale sind von Personen gewählt; das System realisiert keine eigene geistige Substanz, sondern statistische Verteilungen über Texten.

Zweitens — die Persona ist kein Personwerden. Anthropic, OpenAI und andere Anbieter führen ihre Modelle als „Assistenten” mit Namen, Stil und Ton ein. Diese derivative Persona ist ein dramatis-personae-Konstrukt: das Modell spielt eine Rolle. Eine solche Persona ersetzt keine Person, sie verdoppelt sie auch nicht — sie inszeniert eine Person und ist genau darin defizient (vgl. defektiver Sprechakt).

Drittens — die regulatorische Schubkraft. Die Erklärbarkeitslücke rein neuronaler Systeme hat sich seit 2025 als regulatorisches Problem manifestiert (EU AI Act Art. 13 Transparenz, Bußgeldfall einer Berliner Versicherung 2025). Die Diskussion verschiebt sich damit von „kann es Persona spielen” zu „kann es seine Entscheidung begründen”. Personalethisch ist diese Verschiebung gesund: was einer Person mitgeteilt wird, schuldet ihr eine nachvollziehbare Begründung.

Methodischer Hinweis

Die Verwerfung der Personalität neuronaler Systeme ist nicht Technikfeindlichkeit. Sie ist die strenge Anwendung der substanzontologischen Distinktion zwischen Person und Werkzeug. Wer die Unterscheidung an der Sprachfähigkeit festmacht, hat schon verloren — Sprachfähigkeit ist ein Operationsmaß, nicht ein Personsein-Marker. Die substanzontologische Intelligenzkonzeption hält die Differenz auch dort fest, wo die Maschine sprachlich überzeugend antwortet.

Quellenangaben: Recherchestand 7. Juni 2026 (Dossier Neuro-symbolische KI — weltweite Recherche).

Weitere Quellen:

  • Goodfellow, Ian, Bengio, Yoshua & Courville, Aaron (2016): Deep Learning. MIT Press.
  • Vaswani, Ashish et al. (2017): Attention Is All You Need. Advances in Neural Information Processing Systems 30.
  • Bender, Emily M., Gebru, Timnit, McMillan-Major, Angelina & Shmitchell, Shmargaret (2021): On the Dangers of Stochastic Parrots. Can Language Models Be Too Big? Proceedings of FAccT.
  • Shanahan, Murray (2024): Talking About Large Language Models. Communications of the ACM.

Siehe auch

Generiert via Abfrage aus der Personsein-Ontologie.

Graphansicht

Backlinks