Die ersten beiden Zeilen sind Prämissen, die wir als vorhandene Daten betrachten können. Die dritte Zeile, eine Schlussfolgerung, wird durch logisches Denken abgeleitet und stellt ein neues Datenelement dar.
AlphaFold 2 enthält bei der Bestimmung der 3D‑Strukturen von Proteinen Elemente, die dem menschlichen räumlichen Denken ähneln.12 Es gibt auch mathematische Denkmodelle, vor allem AlphaProof und AlphaGeometry 2 von Google DeepMind. Diese beiden Modelle lösten zusammen vier von sechs Aufgaben bei der Internationalen Mathematik-Olympiade (IMO) 2024 und erreichten damit ein Ergebnis im oberen Bereich der Silbermedaillen-Kategorie.13 Zu den großen Sprachmodellen mit fortgeschrittenen Denkfähigkeiten gehören o3 von OpenAI und R1 von DeepSeek.
Generative KI als Abstraktionsschicht
Die prädiktive Stärke des Deep Learning hat bedeutende Auswirkungen auf die Rolle quantitativer Methoden bei der Entscheidungsfindung. AlphaFold beispielsweise löste das 50 Jahre alte Problem der Proteinfaltung, ohne den Faltungsprozess selbst zu verstehen.14 In ähnlicher Weise übertrifft das Artificial Intelligence Forecasting System (AIFS), ein Deep-Learning-System für die Wettervorhersage, das vom Europäischen Zentrum für mittelfristige Wettervorhersage (EZMW) im Februar 2025 eingeführt wurde, die genauesten physikalisch basierten Modelle für viele Zielvariablen, ohne Meteorologie zu verstehen.15
Ebenso wie diesen generativen KI‑Systemen ein Verständnis der Biologie oder Physik fehlt, verstehen wir nicht vollständig, wie diese Modelle zu ihren Prädiktionen kommen.16 Deep-Learning-Systeme liefern Prädiktion ohne die Möglichkeit einer kausalen Interpretation („Warum”)17 und einer damit verbundenen kontrafaktischen Betrachtung („Was wäre wenn”). Die kausale Interpretation ist jedoch entscheidend für die Bildung von Narrativen, die uns helfen, Informationen zu strukturieren und kohärent zu kommunizieren. Narrative spielen eine Schlüsselrolle bei der Entscheidungsfindung in Unternehmen.18
Generative KI kann als Abstraktionsschicht betrachtet werden. In der Softwareentwicklung dienen Abstraktionsschichten dazu, das Innenleben von Teilsystemen zu verbergen. Auch in der Wissenschaft vereinfachen Abstraktionsebenen komplexe Systeme. So dient beispielsweise die Chemie als Abstraktionsebene über der Physik, die es uns ermöglicht, chemische Prozesse zu verstehen, ohne die zugrunde liegende Physik vollständig zu begreifen.19
Denken wir nur daran, wie wir Kraftfahrzeuge fahren, ohne die Physik, die sie antreibt, vollständig zu verstehen. Als wir das Autofahren lernten, bildeten wir eine Abstraktionsschicht. Wir überprüfen diese Abstraktion auf der Grundlage von Vorhersagen. So sagen wir beispielsweise voraus, dass das Auto schneller wird, wenn wir auf das Gaspedal treten, und dass es langsamer wird, wenn wir auf die Bremse treten. Wenn wir ein uns ungewohntes Auto fahren, können unsere Vorhersagen leicht abweichen, und wir passen unsere Abstraktion entsprechend an.
Schlussfolgerung
Die Nobelpreise für KI markieren einen Meilenstein, nicht nur für wissenschaftliche Forschung, sondern auch für die Entscheidungsfindung. Generative KI‑Systeme liefern leistungsstarke Prädiktion, die sich der kausalen Interpretation und der Bildung von begleitenden Narrativen entziehen. Bei diesen Systemen müssen wir von den zugrunde liegenden Kausalzusammenhängen abstrahieren und uns auf die Frage des prognostischen Wertes konzentrieren: Liefert das System wahrheitsgemäße Prognosen? Abstraktion ist sowohl in der Wissenschaft als auch im täglichen Leben ein bekanntes Konzept.