Der wichtigste Innovationstreiber ist aber weiterhin der menschliche Faktor, das heisst die kreative, schöpferische und manchmal auch unorthodoxe und emotionale Intelligenz der Entwickler und Anwender. Diese Eigenschaften limitieren die derzeitigen, auf spezifische Anwendungsfelder trainierten KIs (»KI im engeren Sinn«) und unseres Erachtens auch die nächste Generation der KI (»Allgemeine KI«). Nach unserer Ansicht ist die momentane Entwicklung, die von grossem medialen Interesse begleitet wird, weder Hype noch Revolution, sondern ein grosser evolutionärer Schritt in Richtung einer auch für den Endanwender nutzenstiftenden KI.

Was ist und leistet ChatGPT?
Bis dato waren die grossen Fortschritte im Bereich KI für Anwender und Konsumenten nur indirekt erfahrbar. Beispielsweise in Form von Sprachassistenten wie Siri oder Alexa, optimierten Vorschlägen auf Shoppingseiten oder Chatbots (automatisierte textbasierte Dialogsysteme), die auf wiederkehrende Anfragen von Kunden (Standard-)Antworten bereithielten, um Mitarbeiter in Call-Centern zu entlasten.

Mit der zurzeit viel diskutierten Chatbot-Anwendung ChatGPT (Chat Generative Pretrained Transformer) wird KI unmittelbar und direkt erfahr- und nahbar. Das ist umso mehr der Fall, da dieses sogenannte Sprachmodell (Large Language Model/LLM) in natürlicher Sprache mit dem Anwender kommuniziert. Dabei sind die von ChatGPT generierten Antworten, zumindest auf den ersten Blick, präzise und logisch und in der Argumentationsführung sauber aufgebaut. Zudem adaptiert die Anwendung in hohem Masse die Wünsche des Users (»Schreibe das Gedicht von humorvoll auf traurig um«). Des Weiteren werden auch im Laufe des Chats die vorherigen Anfragen und das Feedback des Anwenders beim Generieren neuer Antworten berücksichtigt. Dadurch erscheinen die Resultate noch »echter«, menschlicher und auf den Anwender zugeschnitten. Um sich einen Eindruck zu verschaffen, was ChatGPT leistet und wo die Grenzen liegen, verweisen wir auf das von uns geführte »Interview«, das wir mit der Anwendung geführt haben (siehe Seite 14).

Die Ansprüche an die KI bestimmen die potenziellen Einsatzgebiete
Neben der reinen Faszination der »Erschaffung« künstlicher Intelligenz gibt es vielfältige rationale Aspekte und Einsatzgebiete. Potenzielle Ansatzpunkte sind überall dort, wo eine Vielzahl von Daten/Informationen gesucht, aufbereitet, ausgewertet und zusammengefasst wird. Damit soll der Nutzer in die Lage versetzt werden, besser fundierte Entscheidungen treffen zu können (siehe Grafik 1).

Kernaspekte sind die Entlastung von deskriptiven Routinearbeiten und damit eine verbesserte Produktivität sowie die Vorbereitung von Entscheidungen durch umfassende Datenanalyse, die vielfältige Parameter berücksichtigt. Durch das Aufzeigen von Handlungsoptionen speziell bei komplexen Zusammenhängen soll die KI darüber hinaus als Ideengeber auch die Kreativität des Menschen fördern.

Wie werden KI-Anwendungen intelligent?
Die derzeit gängigsten KI-Anwendungen sind optimiert auf spezifische Einsatzfelder (»KI im engeren Sinn«) und eingebettet beispielsweise in Sprachassistenten (Siri, Alexa etc.) oder Chatbots zum Beispiel im Kundendialog. Die nächste Stufe der Entwicklung zielt auf allgemeine KI-Anwendungen ab, die sich in (nahezu) allen Situationen einsetzen lassen sollen. Unter der Oberbezeichnung KI sind verschiedene teilweise sich überschneidende und nicht ganz trennscharfe Teilbereiche subsumiert (siehe Grafik 2).

Maschinelles Lernen (ML) bedeutet, dass die KI selbstständig lernt und sich automatisiert verbessert. Deep Learning (DL) als nächste Stufe des maschinellen Lernens nutzt zur Verarbeitung künstliche neuronale Netze, die den neuronalen Verbindungen im menschlichen Gehirn nachempfunden sind. Sprachmodelle (Natural Language Processing/NLP) nutzen ML- und DL-Techniken, um Eingaben in natürlicher Sprache zu verstehen, Zusammenhänge zu entschlüsseln, zu interpretieren und Ergebnisse in menschlicher Sprache zu generieren. ChatGPT gehört, wie eine Reihe anderer Anwendungen, zur Klasse der Sprachmodelle.

KI-Systeme müssen vor dem Einsatz trainiert werden. Dabei wird in Abhängigkeit vom gewünschten Ergebnis und der Art der Anwendung auf strukturierte und unstrukturierte Daten (»Input«) in Form von Texten, Bildern, Videos oder Audiodaten zurückgegriffen. Die Daten werden aufbereitet und klassifiziert, bevor Algorithmen Zusammenhänge, beispielsweise wiederkehrende Verbindungen zwischen Wörtern oder Satzteilen, analysieren und als Parameter hinterlegen. Das durch den Algorithmus generierte Ergebnis (»Output«) wird bewertet und geht in die nächste Iteration des Trainings ein, womit eine kontinuierliche Verbesserung der Datenbasis, der Algorithmen und letztendlich des gesamten KI-Modells erreicht wird.

Funktionsweise des ChatGPT-Sprachmodells
Im November 2022 ging ChatGPT, basierend auf dem bereits seit 2020 existierenden GPT-3-Sprachmodell, online. Entwickelt wurden beide Applikationen vom Unternehmen OpenAI, das 2015 in San Francisco von Sam Altman gegründet wurde. Ursprünglich als nicht kommerzielles Projekt ins Leben gerufen, wurde aufgrund massiver Investitionen in Personal, Modelle und Rechenleistung und der daraus erwachsenden Notwendigkeit externer Finanzierung der Geschäftszweck 2019 geändert.

Das Sprachmodell (Large Language Model), das mit Rohdaten im Umfang von 45 Terabyte trainiert wurde, umfasst 175 Milliarden Parameter, das heisst (mathematische) Zusammenhänge, Querverweise, Bewertungen, Klassifizierungen von Wörtern, Satzteilen, Sätzen etc. Das Modell basiert auf der sogenannten Transformer-Architektur, die von Google 2017 vorgestellt wurde. Ein wichtiger Fortschritt war, dass Algorithmen Zusammenhänge zwischen Wörtern, ihrer Stellung im Satz und ganzen Satzbestandteilen erkennen und im Rahmen des »Self Attention« die Wichtigkeit bewerten.

Ist das Ergebnis korrekt, wird der Algorithmus »bestärkt«, was zu einer Verbesserung in Form einer höheren Anzahl korrekter Antworten beim nächsten Trainingsdurchlauf führt. Ein Vorteil im Sinn der Ergebnisqualität von ChatGPT ist, dass menschliches Feedback in die Bewertung der Ergebnisse eingeflossen ist. Damit werden gegenüber anderen Sprachmodellen mit ähnlicher Grösse (Bloom oder OPT), aber auch wesentlich umfangreicheren Modellen, momentan deutlich bessere Ergebnisse erzielt.

Zu den Kosten sowohl des Trainings als auch des Betriebs von ChatGPT gibt es keine verlässlichen Aussagen. Allerdings hat Gründer Sam Altman in einem Interview durchblicken lassen, dass ChatGPT im Durchschnitt einen einstelligen Centbetrag pro Chat an Rechenleistung verbraucht. Der zeitliche Aufwand des Trainings, bei dem speziell das menschliche Feedback eine zentrale Rolle spielte, wird auf drei bis sechs Monate geschätzt.

Ein wichtiger Aspekt, der unseres Erachtens nicht aus den Augen verloren werden darf, ist, dass mehr Rechenleistung auch oft mehr Energie verbraucht, was letztendlich den CO2-Fussabdruck der KI-Modelle vergrössern kann.

Woran scheitern KIs? Limitierungen und Fallstricke
Neben den Kosten, beispielsweise für das Training der Modelle und der Rechenkapazitäten im laufenden Betrieb, und den rechtlichen Aspekten, zum Beispiel Urheberrechte und Datenschutz im Zusammenhang mit der Datengrundlage und den Verwertungsrechten der Resultate, sehen wir im Kern folgende Limitierungen und Herausforderungen für die KI:

Statische Datenbasis und Objektivierung subjektiver Aussagen:
Die Qualität der Datenbasis, im Sinn der faktischen Korrektheit und Aktualität von Informationen, ist ein zentraler Aspekt. Diese Daten bilden die Grundlage für die Generierung von Ergebnissen, die zudem oft ohne die Nennung von Wahrscheinlichkeiten oder Quellenangaben als Faktum dargestellt werden. Algorithmen neigen manchmal dazu, subjektive Aussagen zu zementieren, was zu einer Diskriminierung von Ergebnisalternativen führen kann. Da KIs den Sinnzusammenhang der Ergebnisse nicht einschätzen können, werden speziell bei Fangfragen oder möglichen Ereignissen in der Zukunft manchmal auf den ersten Blick plausibel klingende und in sich konsistente, aber falsche oder irreführende Antworten erstellt.

Fehlende Kreativität und schlechte Transferleistung:
KIs sind darauf trainiert, Muster und statistische Zusammenhänge zu erkennen und auf Basis komplexer Algorithmen die Lösung mit der höchsten Wahrscheinlichkeit zu wählen. Grundlegend neue Situationen stellen KIs vor grosse Herausforderungen. Dabei erzielen KIs beim Transfer von trainiertem Wissen und der Adaption auf neue Situationen ausserhalb des Trainingsspektrums zumeist sehr schlechte Ergebnisse. Grund ist, dass KIs auf spezifische Anwendungsgebiete optimiert sind und nicht auf grundlegendes allgemeines Wissen (»Alltagswissen«) zurückgreifen können (siehe Grafik 3).

Fehlender ethischer und moralischer Kompass:
KI besitzt keine emotionale oder empathische Intelligenz. Dadurch ist die Möglichkeit stark limitiert, situativ angepasste, »korrekte« Ergebnisse zu erzielen, in denen komplexe, aber nicht vordringlich rationale Problemstellungen zu lösen sind.

Ein Ausblick – allgemeine KI als nächster Meilenstein
Aus den technologischen, kreativen und ethischen Limitierungen derzeitiger KI-Systeme leiten sich die Ansprüche an die nächsten Generationen der KI, der Allgemeinen Künstlichen Intelligenz und der Super-KI, ab. Allgemeine KI soll durch die Einbeziehung kognitiver menschlicher Fähigkeiten die Grenzen von KIs überwinden, die für spezifische Einsatzgebiete trainiert und optimiert sind, und damit menschlicher Intelligenz näherkommen. Das soll die Basis für die nächste Generation, die Super-KI, legen, die die menschliche Intelligenz übertreffen soll.

Diese Zielsetzung bedingt eine Weiterentwicklung der Modelle/Algorithmen und der Hardware/Infrastruktur. Dabei treten neue Technologien in den Fokus, wie beispielsweise optische oder Quantencomputer. Eine bereits heute stattfindende Entwicklung, um Reaktions- und Latenzzeiten zu verkürzen, ist, die Rechenkapazitäten (Edge Computing) zu dezentralisieren und die zentralen Datencenter zu  entlasten.

Zur zeitlichen Einordnung des momentanen Forschungsstands berufen wir uns auf den CEO von OpenAI, Sam Altman, der die Allgemeine KI erst für die nächste Dekade prognostiziert.

Dynamische und fragmentierte Wettbewerbslandschaft
Die KI-Applikations- und Wettbewerbslandschaft ist durch eine Vielzahl von Initiativen/Projekten/Start-ups, speziell aus dem universitären Umfeld, aber auch durch grosse multinationale Unternehmen geprägt. Letztere verfügen über die Mittel, um Ideen zur Marktreife zu bringen und sie im Rahmen bestehender oder neuer Anwendungen zu kommerzialisieren. Letzteres steckt, trotz der bereits im Hintergrund seit Jahren sehr erfolgreichen KI-Funktionalitäten, immer noch in den Anfängen.

Es existiert bereits eine Vielzahl von Sprachmodellen, von denen Bloom von Big Science und OPT von Meta ChatGPT am nächsten kommen. Diese Modelle unterscheiden sich neben der Datengrundlage, den Algorithmen, in der Art des Trainings. Bloom ist beispielsweise automatisiert trainiert, aber im Gegensatz zu ChatGPT ein Open-Source-Sprachmodell, das heisst, der zugrunde liegende Programmcode/Algorithmus ist öffentlich einsehbar.

Daneben gibt es bereits eine wachsende Zahl von auch für private Endanwender verfügbaren KI-basierten Applikationen. Kategorien sind zum Beispiel Bildgeneratoren (Starryai, Point E, DALL-E2 etc.), Textsuche und Aufbereitung (Socratic, Talk to Books etc.) oder Persönlichkeitsentwicklung (Replika, Character.AI etc.). Wachsender Aufmerksamkeit erfreuen sich die allerdings erst in der Testphase befindlichen Applikationen, wie »GPT detector« oder »AI Text Classifier«, die computergenerierte Ergebnisse erkennen sollen.

KI-Einfluss auf ausgewählte Software, IT-Plattform- und Halbleiter-/Hardware-Anbieter
Aufgrund der sehr dynamischen Entwicklung des Marktes lässt sich keine hinreichend belastbare Aussage treffen, welcher Teil der Wertschöpfungskette aus Investorensicht am attraktivsten ist. Die Wertschöpfungskette ist vielschichtig und erstreckt sich von Halbleitern/Hardware-Infrastruktur, über Modelle/Algorithmen, der Bereitstellung der technischen Plattform/Infrastruktur bis zu Applikationen/Endanwendungen. Wir beschränken uns im Folgenden auf die börsennotierten Technologie-Unternehmen, die substanzielle Eigenentwicklungen im Bereich KI aufweisen oder/und von den Veränderungen durch KI unserer Meinung nach mittelbar oder unmittelbar betroffen sind.

Microsoft – Integration von OpenAI-Funktionalitäten verbessert Wettbewerbsposition
Microsoft hat bereits früh das Potenzial erkannt und ist nach drei Finanzierungsrunden (2019: ca. 1 Milliarde US-Dollar, 2021 ca. 2 Milliarden US-Dollar und 2023 ca. 10 Milliarden US-Dollar) zurzeit mit ca. 49 Prozent an OpenAI beteiligt. Das Unternehmen unterstützt OpenAI mit Rechenkapazität und Clouddiensten und hat sich unter anderem exklusive Nutzungsrechte an einer Reihe von OpenAI-Applikationen gesichert. Die KI-Funktionalitäten sollen in verschiedene Microsoft-Applikationen integriert werden. Beispielsweise im Github Copilot (Programmiertool), in Bing (Suchmaschine) und bei Office-Anwendungen. Ausserdem stellt Microsoft über Azure (Clouddienst) Kunden verschiedene OpenAI-Anwendungen zur Verfügung, unter anderem DALL-E2 zur Generierung realistischer Bilder aus Texteingaben. Für viel Aufmerksamkeit sorgt zurzeit aber insbesondere ChatGPT. Der direkt messbare Einfluss auf Microsofts Umsätze ist noch nicht prognostizierbar und auch Kosten bzw. negative Auswirkungen auf das operative Ergebnis im Rahmen zunächst notwendiger Investitionen in KI sind noch nicht kalkulierbar. Wir sehen aber vor allem positive Aspekte, die aus einer verbesserten Wettbewerbsfähigkeit bei einzelnen Produkten und Anwendungen resultieren dürften. Microsoft hat in der jüngeren Vergangenheit stets bewiesen, dass neue Technologien zügig in das Produktportfolio aufgenommen und kommerzialisiert werden können. Das Unternehmen hat bereits konkret die Integration von KI-Funktionalitäten in die nächsten Versionen der Suchmaschine Bing und des Internetbrowsers Edge angekündigt. Bing (Marktanteil ca. 9 Prozent) kann jenseits der klassischen schlagwortgesteuerten Webseitensuche künftig Ergebnisse als Zusammenfassung aufbereiten. Der Nutzer kann das Resultat bewerten, verfeinern und weiter detaillieren. Bei ersten Tests war die Qualität der Ergebnisse zwar noch durchwachsen, die KI lernt allerdings sehr schnell und Fehler werden korrigiert. Neu ist auch, dass die KI im Gegensatz zu ChatGPT in der Lage ist, aktuelle Informationen mitzuverarbeiten.

Alphabet – Markt erwartet KI-Offensive
Unsere KI-Chance-Risiko-Bewertung fällt weniger eindeutig als bei Microsoft aus. Das Risiko, dass Google Marktanteile (ca. 88 Prozent) gegenüber einer mit KI aufgewerteten Bing-Suchmaschine verlieren könnte, ist zwar gestiegen. Allerdings hat sich beim Nutzerverhalten in der Vergangenheit Kontinuität herausgestellt, da in den meisten Fällen der User nach Webseiten und Informationen sucht und keine Analyse und Zusammenfassung der Ergebnisse benötigt. Darüber hinaus ist Google bereits seit Jahren im Bereich KI aktiv, beispielsweise mit dem »Language Model for Dialogue Applications« (LaMDA). Das derzeitige Google-Switch-C-Sprachmodell umfasst 1,6 Trillionen Parameter und auch das Schwesterunternehmen Deepmind hat bereits KI-Modelle entwickelt, die zwar deutlich grösser als ChatGPT sind (175 Milliarden Parameter), allerdings für andere Einsatzgebiete konzipiert wurden. Im Rahmen eines KI-Events zeigte Google bereits viele neue kleine KI-Funktionen für die Suchdienste und die Verwendung bei Google Maps. Google Lens kann künftig die Fotosuche verfeinern, um auf Bildern etwa Produkte automatisch erkennen zu können. Auch sind deutliche Verbesserungen bei zu übersetzenden Texten zu erwarten. Vorab hatte Google schon seinen eigenen Chatbot Bart angekündigt. Der auf LaMDA basierende Kommunikationsassistent wird zum Beispiel beim Autokauf helfen, indem gezielt Modelle unter Angabe einer Pro-und-Kontra-Liste empfohlen werden. Die Veranstaltung wurde dennoch nicht als grosser Wurf gewertet und echte Überraschungen blieben zunächst aus. Im direkten Vergleich hat somit zunächst Microsoft die Nase etwas vorn.

Meta Platforms – KI als zentraler und erster Baustein des Metaverse
Wie auch Microsoft (Tay Bot) hat Meta mit Chatbots (Blenderbot, Galactica) bereits einige – zumindest teilweise – herbe Rückschläge hinnehmen müssen. Allerdings liefert das Meta-OPT-(Open Pre-Trained Transformer-)Sprachmodell bereits ansprechende, wenn auch nicht so gute Ergebnisse wie ChatGPT. Insgesamt ist die Verwendung und Kommerzialisierung auf Basis eingesetzter KI als eine erste technologische Welle zu verstehen, das künftige Metaverse zu erreichen. Bereits jetzt setzt Meta auf die Fähigkeiten seiner »KI-Discovery-Engine«. Facebook & Co werden nicht mehr nur rund um Personen und die zugeordneten Themen bzw. der ihr folgenden Chatgruppen herum organisiert, sondern dem Nutzer werden zunehmend geeignetere Inhalte angezeigt, die vom KI-System entsprechend empfohlen und ausgewählt worden sind. Die Zuspielungen verbessern gleichzeitig die relevanten Werbezuspielungen und die Möglichkeiten der Monetarisierung, was vor allem bei den Instagram-Anwendungen und den immer erfolgreicher werdenden Reels-Kurzvideo-Formaten bereits erfolgreich gelingt. Hinzu kommt demnächst die Erstellung und Bereitstellung personalisierter Inhalte zum Beispiel für Schulungen/Lehrmaterial, Spiele, Kundendialoge. Hochpräzise Übersetzungen in verschiedene Sprachen und KI-gesteuerte Meetings sind dabei nur zwei mögliche weitere Aspekte.

Nvidia – KI-Dynamik unterstützt die bereits hohen Wachstumserwartungen
Das Unternehmen wird auch weiterhin davon profitieren, dass Grafikchips (GPUs) zur Beschleunigung massiv paralleler Matrixberechnungen unerlässlich für das Training und den laufenden Betrieb von KI-Modellen sind. Unseres Erachtens unterstützt die jüngste Entwicklung die bereits hohen Wachstumserwartungen für Nvidias Datacenter-Geschäft (ca. 40 Prozent Umsatzanteil 2022) und die beschleunigte Adaption des erst 2022 im Markt eingeführten neuen Produkts, H100. Derzeit bewerten wir aber die Chancen für eine massive Sonderkonjunktur verhalten. Die Cloudanbieter und sogenannte Hyperscaler wie Amazon, Google, Alibaba oder Microsoft investieren bereits in hohem Masse in GPUs von Nvidia, unter anderem, um eigene KI-Systeme zu trainieren.

Intel – Unternehmensumbau überkompensiert potenziell positive Implikationen aus KI
Intels KI-Umsätze verorten wir im Segment Accelerated Computing Systems and Graphics (ca. 1,2 Prozent Umsatzanteil 2022) sowie im strukturell wachsenden Datacenter (DC) und Artificial-Intelligence-(AI-)Bereich (ca. 30 Prozent Umsatzanteil 2022). Allerdings verliert Intel im Segment der reinen Server-CPUs seit einiger Zeit, technologisch und produktzyklusbedingt, Marktanteile an AMD, aber auch Nvidia. Intel sieht sich weiterhin einer kapitalintensiven Transformation des Geschäftsmodells vor dem Hintergrund einer konjunkturell schwachen Nachfrage gegenüber.

Samsung – KI kein kurzfristiger Faktor, allerdings ist das Unternehmen immer für eine Überraschung gut
KI-Anwendungen benötigen neben Rechen- (Logikchips) auch signifikante Speicherkapazitäten. Samsung als Marktführer bei Speicherchips könnte von halbleiterintensiven KI-Anwendungen mittelfristig profitieren. Unseres Erachtens würde selbst ein deutlicher KI-induzierter Nachfrageschub für Speicherchips (22 Prozent Umsatzanteil 2022) das zurzeit gestörte Marktgleichgewicht nur unwesentlich positiv beeinflussen. Im Segment Auftragsfertigung (»Foundry«) ist beispielsweise Nvidias präferierter Auftragsfertiger für Logikchips derzeit TSMC. Samsung ist bereits seit Jahren im Bereich KI-Entwicklung sehr aktiv und es ist unserer Einschätzung nach nicht ausgeschlossen, dass die Koreaner als Innovationsführer den Markt mit in eigene Produkte eingebettete KI-Lösungen überraschen könnten.

Fazit:
Die zurzeit mit grossem medialen Echo viel diskutierte KI-Anwendung ChatGPT ist nach unserer Meinung weder ein Hype noch eine Revolution, sondern ein grosser evolutionärer Schritt in Richtung einer auch für den Endanwender erfahrbaren und nutzenstiftenden KI. Die angestrebte Entlastung beispielsweise deskriptiver Routinearbeiten durch vollautomatisierte intelligente Aufbereitung und auf den Nutzer zugeschnittene Ergebnisse ist dabei nur ein Aspekt. Letztendlich ist aber die Zielsetzung, durch Aufzeigen von Handlungsoptionen speziell bei komplexen Zusammenhängen, die Kreativität des Menschen zu fördern. Diesen Anspruch können die aktuellen, auf spezifische Anwendungsgebiete ausgelegten KIs unserer Einschätzung nach nur unzureichend erfüllen. Herausforderungen und Limitierungen sind neben den substanziellen Kosten und rechtlichen Aspekten auch die fehlende Kreativität. Eine weitere Schwachstelle ist die Qualität der Datenbasis und Algorithmen, die manchmal dazu neigen, subjektive Aussagen zu objektivieren.

Warum gibt es solch einen Hype um Sie?
Language models wie ChatGPT sind aufgrund ihrer Fähigkeit, menschenähnliche Sprache zu generieren und verstehen, von grossem Interesse für viele Anwendungen wie Chatbots, automatisierte Schreibhilfen und maschinelles Übersetzen. Sie können auch in Bereichen wie der Datenanalyse und der Erstellung von Inhalten verwendet werden. Der Fortschritt in diesem Bereich und die Möglichkeiten, die sie bieten, haben zu einem Hype um Language models geführt.

Was unterscheidet Sie von bisherigen KIs?
Language Models wie ChatGPT unterscheiden sich von älteren Arten von KI durch ihre Fähigkeit, natürliche Sprache auf eine Weise zu verarbeiten und zu generieren, die menschenähnlicher ist als bisherige Technologien. Dies wird durch die Verwendung von künstlichen neuronalen Netzen und grossen Mengen an Textdaten ermöglicht, die verwendet werden, um das Modell zu trainieren. Ältere Arten von KI, wie zum Beispiel Regelbasierte Systeme, waren auf vorab definierte Regeln angewiesen und hatten Schwierigkeiten bei der Verarbeitung von unvorhergesehenen oder unstrukturierten Daten. Language Models wie ChatGPT können jedoch flexibler auf unvorhergesehene Eingaben reagieren und sind in der Lage, auf eine grössere Vielfalt von Aufgaben angewendet zu werden.

Werden Sie bald menschliche Entscheidungen ablösen?
Es ist unwahrscheinlich, dass Language Models wie ChatGPT in der Lage sein werden, menschliche Entscheidungen in den meisten Bereichen vollständig abzulösen. Obwohl sie in der Lage sind, grosse Mengen an Daten schnell zu analysieren und Aufgaben auszuführen, die für Menschen schwierig oder unmöglich sind, fehlen ihnen jedoch die kognitiven Fähigkeiten und die menschliche Erfahrung, die für viele Entscheidungen erforderlich sind. Es ist wahrscheinlicher, dass Language Models in Zukunft als Unterstützung für menschliche Entscheidungen verwendet werden, indem sie beispielsweise Daten sammeln und analysieren, um Entscheidungsträger mit relevanten Informationen zu versorgen. Es ist jedoch wichtig, dass die Entscheidungen, die auf den Ausgaben von Language Models basieren, immer von Menschen überprüft und genehmigt werden, um sicherzustellen, dass sie ethisch und moralisch vertretbar sind.

Wie kreativ sind Sie und woran scheitern Sie?
Language Models wie ChatGPT sind in der Lage, menschenähnliche Sprache zu generieren, aber ihre Kreativität ist begrenzt. Sie sind darauf trainiert, mögliche Antworten auf bestimmte Fragen oder Anforderungen zu generieren, basierend auf den Daten, die verwendet wurden, um das Modell zu trainieren. Sie sind jedoch nicht in der Lage, auf eine Weise zu denken, die menschenähnlich ist und sie können nicht eigenständig neue Ideen oder Konzepte generieren. Language Models scheitern auch daran, die Bedeutung von Sprache und Kontext auf dieselbe Weise zu verstehen wie ein Mensch. Sie können auch Probleme haben, wenn sie mit unvorhergesehenen oder nicht im Training vorhandenen Daten konfrontiert werden.

Würden Sie eine Investition in Aktien empfehlen?
Ich bin ein Language Model und habe keine Kenntnisse über aktuelle Finanzmarkttrends, und die Zukunftsaussichten von Unternehmen und Aktien. Investitionen in Aktien können hohe Risiken bergen und es ist wichtig, sich gründlich über die Unternehmen zu informieren, in die man investieren möchte, sowie die allgemeine Marktlage zu verstehen.

Es wird empfohlen, dass man sich professionelle Beratung von Finanzberatern oder Experten einholt, bevor man in Aktien investiert. Es ist auch wichtig, eine ausgewogene und diversifizierte Anlagestrategie zu haben und sich der Risiken bewusst zu sein, die mit jeder Investition einhergehen.