288 Masterstudierende, 130 Promovierende, über 400 wissenschaftliche Publikationen, 22 Auszeichnungen, drei Ausgründungen und 45 Industriepartner – das ist die beeindruckende Bilanz der DAAD-unterstützten Konrad Zuse Schools nach drei Jahren Förderzeit. Beim dritten Jahrestreffen der Graduiertenschulen Ende Oktober an der Zuse School ELIZA in Darmstadt ging es unter anderem um die Frage, wie viel menschliches Denken schon in KI-Systemen steckt und wie diese dem Menschen nutzen können, statt ihn zu ersetzen.

In den Fluren vor dem Intelligent Autonomous Systems (IAS) Lab der TU Darmstadt steht eine Gruppe von Menschen um eine Maschine, die versucht, auf dem glatten Boden nicht zu stürzen. Gesteuert wird der vierbeinige Roboter über einen Controller, wie bei einem Computerspiel. Je schneller man den Regler bewegt, desto hektischer bemüht sich die Maschine, die Balance zu halten. Sie hat sich das Laufen selbst beigebracht – mit Reinforcement Learning. „Er lernt durch Ausprobieren, Belohnen und Bestrafen, wie er sich am besten bewegt“, erklärt IAS-Doktorand Nico Bohlinger. Möglich macht das der rasante Fortschritt in der KI-Forschung.

 Forschung braucht Ethik

Doch wie entsteht aus purer Mathematik ein Verhalten, für das die Evolution Jahrtausende gebraucht hat? Und wie nah ist KI schon an dem, was wir Denken nennen? Dies war eine der Leitfragen des dritten Jahrestreffens der Konrad Zuse Schools of Excellence in AI, das Ende Oktober an der Zuse School ELIZA an der TU Darmstadt stattfand. Bereits in seiner Eröffnungsrede mahnte Prof. Dr.-Ing. Matthias Oechsner, Vizepräsident für Forschung der TU Darmstadt: „KI ist kein neutrales Werkzeug.“ Sie reproduziere gesellschaftliche Vorurteile und dürfe nicht allein wirtschaftlichen Interessen überlassen werden. Sein Appell: Deep Tech braucht Deep Thinking – Forschung und Ethik müssten konsequent zusammengedacht werden.

Die Zuse Schools nehmen diese Herausforderung an, so Dr. Michael Harms, stellvertretender Generalsekretär des DAAD. Sie seien Orte, an denen Exzellenz auf Verantwortung treffe und ein interdisziplinärer, interkultureller Dialog gepflegt werde. Im Zentrum stünden die Menschen, die KI entwickeln – junge Talente aus aller Welt. „Die Zukunft der KI wird durch Ihre Fragen, Ihre Visionen und Ihre Werte geprägt“, so Harms. Sie alle trügen dazu bei, eine Zukunft im Sinne einer „AI made in Europe“ zu gestalten, in der intelligente Systeme demokratischen, europäisch-ethischen Werten Rechnung tragen.

Was kann die KI vom Menschen lernen?

Wie nah KI dem menschlichen Denken kommt, diskutierten Iryna Gurevych (Professorin für „Ubiquitous Knowledge Processing“ am Fachbereich Informatik der TU Darmstadt), Letiția Pârcălăbescu (KI-Forscherin bei Aleph Alpha), Marc Toussaint (Professor für Intelligent Systems an der TU Berlin) und Volker Tresp (Professor für Datenbanksysteme und Data Mining an der LMU München). Zunächst musste dafür allerdings die Frage geklärt werden, was wir eigentlich meinen, wenn wir von „Denken“ sprechen. Denken, so Toussaint, bedeute in der KI meist das Abwägen von Alternativen, während beim Menschen auch Vorstellungskraft und Intuition eine Rolle spielen. Wobei wiederum Intuition in der Bedeutung eines schnellen, spontanen Schlussfolgerns im Grunde etwas sei, was KI-Systeme besser können als Menschen. „Unser sogenanntes Bauchgefühl basiert zum Teil auf Daten, die wir im Laufe unseres Lebens, aber auch solchen, die wir als Lebewesen im Laufe der Evolution gesammelt haben“, erklärte Toussaint. „Maschinelles Lernen setzt dies viel direkter um: Es wandelt Daten in weitaus kürzerer Zeit in Entscheidungsregeln um.“

So gut Maschinen bei intuitiven Entscheidungsprozessen sind, so schlecht sind sie oft noch in dem, was wir gesunden Menschenverstand nennen. Letiția Pârcălăbescu hat eine Erklärung dafür. Generative KI-Systeme werden mit Texten trainiert, aber es gibt viele Dinge, die für uns so selbstverständlich sind, dass wir sie nicht in Textform dokumentieren. „Es würde uns vollkommen sinnlos vorkommen, aufzuschreiben, dass Gras grün ist. Solche Aussagen sind also massiv unterrepräsentiert in den Trainingsdaten. Und genau deshalb sind die Systeme so schlecht in Bezug auf solches Wissen“, so Pârcălăbescu, die als Forscherin beim deutschen KI-Unternehmen Aleph Alpha arbeitet.

Die Abhängigkeit von oft mangelhaften Datensätzen macht KI anfällig für Fehlschlüsse. Aber das sei beim Menschen nicht viel besser, betonte Iryna Gurevych. Auch sie leben in den Filterblasen ihrer eigenen Erlebnisse und Biografie. Doch zusammen könnten sie die Fehler der jeweils anderen Seite kompensieren. Gurevych plädierte dafür, KI als Denkpartner zu nutzen, der neue, kritisch zu hinterfragende Perspektiven bietet – in Form einer „Human-AI-Collaboration“. 

KI in der Klimaforschung

Prof. Dr. Markus Reichstein vom Max-Planck-Institut für Biogeochemie in Jena gilt als Vordenker an der Schnittstelle von Klima und KI. In seiner Keynote zeigte er, wie maschinelles Lernen helfen kann, die komplexen Wechselwirkungen auf unserem Planeten besser zu verstehen.

Mit Satellitenbildern, Sensornetzen und Bürgerforschung entstehen riesige Datenmengen. KI kann sie auswerten und Muster sichtbar machen, die bisher verborgen blieben. Reichsteins Team arbeitet etwa mit dem Roten Kreuz an Frühwarnsystemen, die Dürren oder Überschwemmungen vorhersagen und humanitäre Hilfe gezielter steuern. Entscheidend ist für ihn ein hybrider Ansatz: maschinelles Lernen, kombiniert mit physikalischem Wissen. So entstehen Modelle, die sowohl erklärbar als auch robust sind. Datengetriebene und hypothesengeleitete Forschung dürften keine Gegensätze sein. KI sei kein Selbstzweck, sondern ein Werkzeug, um Zusammenhänge sichtbar zu machen – und den Menschen zu helfen, die Zukunft des Planeten zu sichern, so Reichstein.

Multimodale KI in der Medizin

Die kombinierte Nutzung vieler unterschiedlicher Datenquellen könnte auch die medizinische Diagnostik revolutionieren. Valentine Idakwo, Doktorand an der Zuse School relAI der LMU München, erforscht, wie sogenannte multimodale Machine-Learning-Modelle Herzklappenerkrankungen frühzeitig erkennen können. Während Ärztinnen und Ärzte viele Informationsquellen kombinieren – Laborwerte, Ultraschall, Smartwatch-Daten –, nutzen viele KI-Systeme bisher nur eine. Die Lösung wäre ein multimodaler Ansatz, der verschiedene Datentypen kombiniert. Das könne dabei helfen, Diagnosen präziser und früher zu stellen.

Mit KI das Denken vorhersagen

Wie reagiert das menschliche Gehirn, wenn wir Filme schauen – und lässt sich diese Aktivität mithilfe künstlicher Intelligenz vorhersagen? Deniz Kucukahmetler, Doktorandin an der Zuse School SECAI der Universität Leipzig, hat genau das untersucht. Ihr Team entwickelte ein multimodales Deep-Learning-Modell, das Gehirnreaktionen auf audiovisuelle Reize vorhersagen kann, und kommt zum Ergebnis: KI kann Gehirnprozesse mittlerweile erstaunlich gut vorhersagen, funktioniert aber ganz anders als das Gehirn selbst. Langfristig könnten solche Modelle helfen, neuronale Dynamiken besser zu verstehen – etwa bei der Früherkennung von Epilepsie oder in der Erforschung emotionaler Reaktionen.

Wenn KI menschlich spricht

Florian Kandra, Masterstudent an der Zuse School ELIZA der Universität des Saarlandes, untersucht, ob große Sprachmodelle sich in Dialogen ähnlich verhalten wie Menschen – nämlich ihren Stil an den des Gegenübers anpassen. In seinem Experiment ließ er zwei KI-Agenten miteinander chatten. Das Ergebnis: Je länger das Gespräch dauerte, desto ähnlicher wurde der Satzbau beider Systeme. Diese Fähigkeit zur sprachlichen Anpassung, so Kandra, könne künftige Mensch-Maschine-Kommunikation natürlicher machen – und zeigen, dass KI nicht nur Inhalte, sondern auch soziale Muster imitiert.

KI in der Industrie

Eine große Stärke des Zuse-Schools-Netzwerks ist der Kontakt zur Industrie. Wie massiv der Bedarf an exzellenter Forschung in der Wirtschaft ist, zeigte Dr. Claudius Gläser von Bosch Research. Beim autonomen Fahren löst KI zunehmend regelbasierte Systeme ab. Moderne neuronale Netze verarbeiten sämtliche Sensordaten – von Kamera bis Lidar – in einem Schritt und treffen direkt Fahrentscheidungen.

Zudem experimentiert die Branche mit großen Sprach- und Multimodalmodellen, die spezifische Verkehrssituationen interpretieren könnten. Für die Zukunft sieht Gläser zwei wichtige Forschungsfelder: Simulation und Skalierung. Mit digitalen Zwillingen und Reinforcement Learning können Fahrzeuge Millionen von virtuellen Kilometern zurücklegen und sich dabei selbst trainieren. Das sei entscheidend, um die nach wie vor bestehenden rechtlichen und sicherheitstechnischen Herausforderungen zu meistern. „Vielleicht fahren tatsächlich die meisten Auto in Zukunft mit einem KI-Modell – aber nur, wenn wir es verstehen, prüfen und wir ihm vertrauen können.“

Am Ende waren sich alle einig: Gerade weil Künstliche Intelligenz schon jetzt so eine so massive Auswirkung auf sämtliche Bereiche unseres Lebens hat, müssen wir als Menschen mit der Entwicklung mithalten. Ein entscheidender Schlüssel liegt dabei in der Ausbildung junger Forscherinnen und Forscher. „Die Zukunft der KI wird nicht nur in Code geschrieben, sondern in den Fragen, Visionen und Werten junger Forschender“, brachte es DAAD-Generalsekretär Michael Harms auf den Punkt.

Klaus Lüber (12. November 2025)