KI Architektur
Das menschliche KI-Gehirn
Warum Sprachmodelle erst der Anfang sind und was passiert, wenn wir KI wie ein Gehirn bauen.
Veröffentlicht am 13. September 2024
LLMs seien «dumm», heisst es oft, weil sie bloss Wörter vorhersagen. Das stimmt. Und es greift zu kurz. Spannend wird es erst, wenn wir sie als Baustein in ein System setzen, das wie ein Gehirn denkt, lernt und entscheidet.
Auf Zero-Shot-Ebene wirken viele Large Language Models tatsächlich wie elegante Autocomplete-Maschinen. Sie reagieren auf Input und liefern Output, ohne dass ein echtes Arbeitsgedächtnis, ein Plan oder ein Ziel sichtbar wird. Das Problem ist nicht das Modell. Das Problem ist die Erwartung, dass ein einzelnes Modell gleich das ganze «Denken» abdecken soll. Meine These ist simpel. Wir brauchen eine KI-Architektur, die mehr an ein Gehirn erinnert als an einen einzelnen Textgenerator.
Laut OpenAI zeigen neuere Modelle wie GPT-o1, früher unter dem Projektnamen «Strawberry» diskutiert, einen Schritt in diese Richtung. Entscheidender Punkt ist nicht nur die Qualität der Antworten, sondern der interne Argumentationsprozess vor der Antwort. OpenAI beschreibt dabei eine verborgene «Chain of Thought», also einen internen Denkpfad, der nicht einfach nur das nächste Wort rät. Das ist kein Beweis für Bewusstsein. Es ist aber ein Hinweis darauf, wie sich Systeme bauen lassen, die strukturierter zu Schlussfolgerungen kommen.
Wenn man das menschliche Gehirn als Vorlage nimmt, fällt etwas auf. Es ist kein Monolith, sondern ein Verbund von spezialisierten Bereichen. Sprachverarbeitung, Entscheidungsfindung und Gedächtnis sind nicht zufällig verteilt, sondern arbeitsteilig organisiert. Genau diese Modularität ist für KI interessant. Nicht weil Biologie romantisch ist, sondern weil sie effizient ist.
Modulare Architektur statt Einheitsmodell
Ein KI-System wird stärker, wenn Sprache, Gedächtnis und Handlungsplanung als getrennte Komponenten gebaut werden.
LLMs als Sprachzentrum
Modelle wie GPT-o1 können das linguistische Kernstück sein, sofern sie in ein System mit Zielen und Feedback eingebettet sind.
Kurzzeit- und Langzeitgedächtnis
Wie beim Menschen braucht es schnelle, flüchtige Kontexte und robuste Speicher, die über Zeit stabil bleiben.
Externer Wissenszugang
Browsen und APIs sind das Pendant zum Lesen und Beobachten. Ohne diese Kanäle altert Wissen zu schnell.
ToT und Agenten als Denk- und Arbeitsmodus
Tree of Thought und spezialisierte Agenten helfen, Optionen zu prüfen und Aufgaben nach Traktanden abzuarbeiten, statt nur Text zu produzieren.
In dieser Logik sind LLMs das Sprachzentrum, nicht das ganze Gehirn. Ihre Stärke liegt in Nuance, Kontext und Formulierung, besonders wenn ein Modell intern erst prüft und dann antwortet. OpenAI beschreibt GPT-o1 als Modell, das in Bereichen wie Mathematik, Programmierung und Physik mit Expertinnen und Experten konkurrieren kann. Ob das in jedem Setting stimmt, hängt vom Problem und vom Rahmen ab. Klar ist aber, dass «vor dem Antworten denken» ein anderes Qualitätsniveau ermöglicht.
Der nächste Hebel ist Gedächtnis. Menschen trennen intuitiv zwischen dem, was nur kurz gebraucht wird, und dem, was langfristig relevant ist. KI-Systeme profitieren davon, wenn sie ähnlich arbeiten, also einen schnellen Kurzzeitspeicher für aktuelle Kontexte haben und einen Langzeitspeicher für dauerhafte Fakten, Präferenzen und Erfahrungen. In deinem Beispiel wird GPT-o1 als Modell mit verbesserter Gedächtnisverwaltung und Entscheidungsprozessen beschrieben. Das zahlt direkt auf bessere, kontextbewusstere Antworten ein.
Dann kommt der Teil, den viele Systeme noch unterschätzen. Externer Wissenszugang. Menschen bleiben nicht klug, weil sie einmal etwas gelernt haben, sondern weil sie ständig nachladen, prüfen und korrigieren. Wenn KI über Browser oder APIs auf Echtzeitdaten zugreifen kann, wird sie weniger spekulativ und mehr überprüfbar. In deinem Entwurf ist genau das die Idee. KI soll nicht nur verarbeiten, sondern ihr Verständnis laufend erweitern.
Für komplexere Aufgaben braucht es zudem bessere Denkrahmen. Tree of Thought (ToT) zwingt ein System dazu, mehrere Wege zu prüfen, statt direkt die erstbeste Antwort auszuspucken. Agentensysteme gehen noch einen Schritt weiter und teilen Arbeit auf, ähnlich wie Gehirnareale oder ein gut geführtes Team. Ein Agent sammelt Wissen, einer plant, einer bewertet Risiken, einer formuliert sauber. Zusammen entsteht ein Output, der näher an menschliches Problemlösen herankommt.
Wohin das führt
Die Richtung ist klar. Weg vom einzelnen Sprachmodell als Alleskönner, hin zu gehirn-inspirierten Systemen mit Modulen, Gedächtnis, Werkzeugzugang und expliziten Denk- und Arbeitsprozessen. GPT-o1 ist in deinem Text ein starkes Beispiel für das Sprachzentrum, das intern strukturierter argumentiert und dadurch neue Leistungsbereiche öffnet. Die eigentliche Chance liegt aber in der Architektur rundherum. Dort entscheidet sich, ob KI nur schöne Sätze schreibt, oder ob sie wirklich hilft, die Welt besser zu verstehen.