{"author":{"@type":"Person","name":"Alexander Bock","url":"https://abxk.ai/de/autor/alexander-bock/"},"categories":["AI Development"],"content":{"markdown":"Künstliche Intelligenz, maschinelles Lernen, Deep Learning, generative KI, Agenten: Die Wörter werden oft verwendet, als bedeuteten sie dasselbe. Das tun sie nicht. Sie sind Ringe einer Landkarte, einer im anderen, wie die Schichten einer Zwiebel. Kennen Sie die Landkarte, können Sie jedes KI-System einordnen, von dem Sie lesen, vom Spamfilter bis zum Roboter — und Sie wissen, welche Fragen Sie dazu stellen sollten.\n\nDies ist Teil 1 von Level 0 in unserem Lernpfad KI-Grundlagen. Sie lernen die sechs Ringe des KI-Universums kennen, was jeder hinzufügt, welche Meilensteine sie markieren und was die Daten zu mehr als tausend bemerkenswerten KI-Modellen darüber zeigen, wohin sich das Feld bewegt hat. Mathematik oder Programmieren brauchen Sie dafür nicht.\n\n## Sechs Ringe, eine Landkarte\n\n![Sechs ineinanderliegende Ringe: künstliche Intelligenz außen, dann maschinelles Lernen, neuronale Netze, Deep Learning, generative KI und Agenten in der Mitte, jeweils mit typischen Beispielen](/images/learn/de/ai-universe-explained-rings.webp \"Das KI-Universum als Ringe. Jeder innere Ring ist ein Sonderfall des Rings um ihn herum.\")\n\n**Künstliche Intelligenz (KI)** ist das ganze Feld: jedes Verfahren, das eine Maschine so handeln lässt, wie wir es intelligent nennen würden — eine Route planen, Schach spielen, ein Gesicht erkennen, eine Frage beantworten. Frühe KI tat das mit Regeln und Suchverfahren, die Menschen aufgeschrieben hatten, und manche Systeme tun es bis heute.\n\n**Maschinelles Lernen (Machine Learning, ML)** ist der Teil der KI, in dem die Maschine ihre Regeln aus Daten lernt, statt sie gesagt zu bekommen. Sie zeigen ihr Beispiele, sie findet das Muster. Klassische Verfahren wie Entscheidungsbäume, lineare und logistische Regression oder k-Means-Clustering gehören hierher.\n\n**Neuronale Netze** sind eine Familie von Modellen des maschinellen Lernens, lose vom Gehirn inspiriert: viele einfache künstliche Neuronen, in Schichten verbunden, von denen jedes eine gewichtete Summe seiner Eingänge weitergibt. Das erste wurde in den 1950er-Jahren als Maschine gebaut.\n\n**Deep Learning** heißt: neuronale Netze mit vielen Schichten. Die zusätzlichen Schichten lassen ein Netz seine eigenen Merkmale lernen — zum Beispiel Kanten, dann Formen, dann Gesichter —, statt sich auf Merkmale zu verlassen, die ein Ingenieur entworfen hat. Faltungsnetze für Bilder, rekurrente Netze für Folgen und Transformer für Sprache gehören hierher.\n\n**Generative KI** nutzt Deep Learning, um neue Inhalte zu erzeugen: Text, Bilder, Audio, Video oder Code. Große Sprachmodelle (LLMs), Diffusionsmodelle für Bilder und Generative Adversarial Networks (GANs) sind ihre bekanntesten Arten.\n\n**Agenten** sind der jüngste Ring: generative KI-Modelle, die nicht nur antworten, sondern mehrere Schritte planen, Werkzeuge wie eine Websuche oder einen Code-Interpreter nutzen und auf das Ergebnis reagieren. Ein Agent, der einen Besprechungsraum bucht oder einen Fehler in einer Codebasis behebt, arbeitet so.\n\n| Ring | Was er hinzufügt | Beispiele | Wo dieser Pfad ihn behandelt |\n|---|---|---|---|\n| Künstliche Intelligenz | Maschinen, die intelligent handeln | Routenplanung, Schachprogramme, Expertensysteme | Level 0 |\n| Maschinelles Lernen | Aus Daten gelernte Regeln | Spamfilter, Preisprognose, Kundengruppen | Level 1 |\n| Neuronale Netze | Schichten künstlicher Neuronen | Handschrifterkennung | Level 2 |\n| Deep Learning | Viele Schichten, die eigene Merkmale lernen | Bild- und Spracherkennung, Übersetzung | Level 3 |\n| Generative KI | Modelle, die neue Inhalte erzeugen | LLMs, Bildgeneratoren | Level 4 |\n| Agenten | Modelle, die planen und Werkzeuge nutzen | Coding-Agenten, Recherche-Agenten | Level 4 |\n\n## Die Meilensteine, in Daten\n\nEpoch AI, ein Forschungsinstitut, das die Entwicklung der KI verfolgt, erfasst {{\u003c num \"ai_models\" \"notable_total\" \u003e}} bemerkenswerte KI-Modelle von {{\u003c num \"ai_models\" \"first_year\" \u003e}} bis heute: Modelle, die einen Rekord aufstellten, viel zitiert wurden oder das Feld veränderten. Die Tabelle zeigt Meilensteine aus diesen Daten. Achten Sie auf zwei Zahlen: die Parameter, die einstellbaren Werte, die ein Modell lernt, und den Rechenaufwand des Trainings, also die Zahl der Rechenoperationen. Beide wuchsen um viele Größenordnungen.\n\n{{\u003c data \"models-milestones\" \u003e}}\n\nEine Robotermaus mit ein paar Dutzend gelernten Einstellungen und ein Sprachmodell mit geschätzt mehr als einer Billion Parametern sind beides KI. Der Unterschied liegt nicht in der Idee des Lernens, die alt ist, sondern in der Menge an Daten und Rechenleistung dahinter. Teil 4 dieses Levels nimmt dieses Wachstum genau unter die Lupe.\n\n## Wohin sich das Feld bewegt hat\n\nDie Ringe wuchsen nicht gleichmäßig. Jahrzehntelang arbeiteten die meisten bemerkenswerten Modelle mit Bildern — Ziffern lesen, Gegenstände erkennen —, dazu kamen berühmte Spielprogramme für Dame, Schach und Go. Seit 2017 der Transformer erschien, hat die Sprache übernommen: {{\u003c num \"ai_models\" \"language_share_since_2023_pct\" \u003e}} % der seit 2023 veröffentlichten bemerkenswerten Modelle arbeiten mit Sprache, allein oder zusammen mit Bildern und Ton.\n\n![Gestapelte Balken: bemerkenswerte KI-Modelle je Jahrzehnt von den 1950er- bis zu den 2020er-Jahren, aufgeteilt nach Bereich; die 2010er- und 2020er-Jahre dominieren, Sprach- und multimodale Modelle wachsen am schnellsten](/images/learn/de/ai-universe-explained-decades.webp \"Bemerkenswerte KI-Modelle je Jahrzehnt und Bereich. Die noch nicht abgeschlossenen 2020er-Jahre haben schon die meisten.\")\n\nDiese Verschiebung erklärt, warum KI und Sprachmodelle heute so oft gleichgesetzt werden. Doch die äußeren Ringe sind nicht verschwunden: Klassisches maschinelles Lernen steckt weiter in vielen Betrugsprüfungen, Empfehlungen und Prognosen, weil es günstiger, schneller und leichter zu prüfen ist als ein großes Modell.\n\n## Welchen Ring brauchen Sie?\n\nWenn Sie ein KI-Projekt planen, gehen Sie vom Problem aus und wählen den kleinsten Ring, der es löst:\n\n- **Regeln und Suche** reichen, wenn die Aufgabe vollständig bekannt ist, etwa Routen- oder Schichtplanung.\n- **Klassisches maschinelles Lernen** passt zu Tabellendaten: Kündigungen vorhersagen, Leads bewerten, Betrug erkennen.\n- **Deep Learning** passt zu Bildern, Ton und anderen Rohsignalen: Bauteile prüfen, Sprache abschreiben.\n- **Generative KI** passt zu Sprache und kreativer Arbeit: schreiben, zusammenfassen, Fragen zu Dokumenten beantworten.\n- **Agenten** passen zu Aufgaben mit mehreren Schritten und Werkzeugen — solange ein Mensch das Ergebnis prüft.\n\nDer nächste Teil dieses Levels zeigt, wie Maschinen aus Daten lernen, mit einem Experiment, das Sie selbst wiederholen können.","text":"Künstliche Intelligenz, maschinelles Lernen, Deep Learning, generative KI, Agenten: Die Wörter werden oft verwendet, als bedeuteten sie dasselbe. Das tun sie nicht. Sie sind Ringe einer Landkarte, einer im anderen, wie die Schichten einer Zwiebel. Kennen Sie die Landkarte, können Sie jedes KI-System einordnen, von dem Sie lesen, vom Spamfilter bis zum Roboter — und Sie wissen, welche Fragen Sie dazu stellen sollten.\nDies ist Teil 1 von Level 0 in unserem Lernpfad KI-Grundlagen. Sie lernen die sechs Ringe des KI-Universums kennen, was jeder hinzufügt, welche Meilensteine sie markieren und was die Daten zu mehr als tausend bemerkenswerten KI-Modellen darüber zeigen, wohin sich das Feld bewegt hat. Mathematik oder Programmieren brauchen Sie dafür nicht.\nSechs Ringe, eine Landkarte Das KI-Universum als Ringe. Jeder innere Ring ist ein Sonderfall des Rings um ihn herum. Künstliche Intelligenz (KI) ist das ganze Feld: jedes Verfahren, das eine Maschine so handeln lässt, wie wir es intelligent nennen würden — eine Route planen, Schach spielen, ein Gesicht erkennen, eine Frage beantworten. Frühe KI tat das mit Regeln und Suchverfahren, die Menschen aufgeschrieben hatten, und manche Systeme tun es bis heute.\nMaschinelles Lernen (Machine Learning, ML) ist der Teil der KI, in dem die Maschine ihre Regeln aus Daten lernt, statt sie gesagt zu bekommen. Sie zeigen ihr Beispiele, sie findet das Muster. Klassische Verfahren wie Entscheidungsbäume, lineare und logistische Regression oder k-Means-Clustering gehören hierher.\nNeuronale Netze sind eine Familie von Modellen des maschinellen Lernens, lose vom Gehirn inspiriert: viele einfache künstliche Neuronen, in Schichten verbunden, von denen jedes eine gewichtete Summe seiner Eingänge weitergibt. Das erste wurde in den 1950er-Jahren als Maschine gebaut.\nDeep Learning heißt: neuronale Netze mit vielen Schichten. Die zusätzlichen Schichten lassen ein Netz seine eigenen Merkmale lernen — zum Beispiel Kanten, dann Formen, dann Gesichter —, statt sich auf Merkmale zu verlassen, die ein Ingenieur entworfen hat. Faltungsnetze für Bilder, rekurrente Netze für Folgen und Transformer für Sprache gehören hierher.\nGenerative KI nutzt Deep Learning, um neue Inhalte zu erzeugen: Text, Bilder, Audio, Video oder Code. Große Sprachmodelle (LLMs), Diffusionsmodelle für Bilder und Generative Adversarial Networks (GANs) sind ihre bekanntesten Arten.\nAgenten sind der jüngste Ring: generative KI-Modelle, die nicht nur antworten, sondern mehrere Schritte planen, Werkzeuge wie eine Websuche oder einen Code-Interpreter nutzen und auf das Ergebnis reagieren. Ein Agent, der einen Besprechungsraum bucht oder einen Fehler in einer Codebasis behebt, arbeitet so.\nDas KI-Universum: wie KI, maschinelles Lernen, Deep Learning und generative KI zusammenhängen Ring Was er hinzufügt Beispiele Wo dieser Pfad ihn behandelt Künstliche Intelligenz Maschinen, die intelligent handeln Routenplanung, Schachprogramme, Expertensysteme Level 0 Maschinelles Lernen Aus Daten gelernte Regeln Spamfilter, Preisprognose, Kundengruppen Level 1 Neuronale Netze Schichten künstlicher Neuronen Handschrifterkennung Level 2 Deep Learning Viele Schichten, die eigene Merkmale lernen Bild- und Spracherkennung, Übersetzung Level 3 Generative KI Modelle, die neue Inhalte erzeugen LLMs, Bildgeneratoren Level 4 Agenten Modelle, die planen und Werkzeuge nutzen Coding-Agenten, Recherche-Agenten Level 4 Die Meilensteine, in Daten Epoch AI, ein Forschungsinstitut, das die Entwicklung der KI verfolgt, erfasst 1.078 bemerkenswerte KI-Modelle von 1.950 bis heute: Modelle, die einen Rekord aufstellten, viel zitiert wurden oder das Feld veränderten. Die Tabelle zeigt Meilensteine aus diesen Daten. Achten Sie auf zwei Zahlen: die Parameter, die einstellbaren Werte, die ein Modell lernt, und den Rechenaufwand des Trainings, also die Zahl der Rechenoperationen. Beide wuchsen um viele Größenordnungen.\nMeilensteine der KI: was die Modelle zeigten und wie groß sie waren JahrModellWas es zeigteParameterRechenaufwand (FLOP) 1950Theseus Bell LaboratoriesEine Robotermaus lernt den Weg durch ein Labyrinth404,0 × 101 1957Perceptron Mark I Cornell Aeronautical LaboratoryErstes neuronales Netz als Maschine, erkennt einfache Bilder1.0006,9 × 105 1959Samuel Neural Checkers IBMDame-Programm, das gegen sich selbst spielt und besser wird164,3 × 108 1997LSTM Technical University of MunichNeuronales Netz mit Gedächtnis für Folgen10.5043,2 × 1013 1998LeNet-5 AT\u0026amp;TLiest handgeschriebene Ziffern, etwa auf Schecks60.0002,8 × 1012 2012AlexNet University of TorontoGewinnt den Bilderkennungs-Wettbewerb ImageNet deutlich und startet den Deep-Learning-Boom60 Mio.4,7 × 1017 2013DQN DeepMindLernt Atari-Spiele allein aus den Bildschirmpixeln836.0962,8 × 1015 2014GANs University of Montreal / Université de MontréalZwei Netze im Wettstreit erzeugen realistische Bilder–5,1 × 1017 2017Transformer Google ResearchAufmerksamkeit statt Rekurrenz: die Bauweise heutiger Sprachmodelle213 Mio.7,4 × 1018 2018BERT-Large GoogleErst auf großen Textmengen vortrainiert, dann für viele Aufgaben angepasst340 Mio.2,8 × 1020 2020GPT-3 175B (davinci) OpenAIEin sehr großes Sprachmodell löst neue Aufgaben aus wenigen Beispielen im Prompt174,6 Mrd.3,2 × 1023 2021DALL-E OpenAIErzeugt Bilder aus Textbeschreibungen12,0 Mrd.4,7 × 1022 2023GPT-4 (Mar 2023) OpenAIMultimodal: versteht Text und Bilder1,8 Bio.2,1 × 1025 Quelle wie bei der ersten Tabelle dieser Seite.\nEine Robotermaus mit ein paar Dutzend gelernten Einstellungen und ein Sprachmodell mit geschätzt mehr als einer Billion Parametern sind beides KI. Der Unterschied liegt nicht in der Idee des Lernens, die alt ist, sondern in der Menge an Daten und Rechenleistung dahinter. Teil 4 dieses Levels nimmt dieses Wachstum genau unter die Lupe.\nWohin sich das Feld bewegt hat Die Ringe wuchsen nicht gleichmäßig. Jahrzehntelang arbeiteten die meisten bemerkenswerten Modelle mit Bildern — Ziffern lesen, Gegenstände erkennen —, dazu kamen berühmte Spielprogramme für Dame, Schach und Go. Seit 2017 der Transformer erschien, hat die Sprache übernommen: 71,6 % der seit 2023 veröffentlichten bemerkenswerten Modelle arbeiten mit Sprache, allein oder zusammen mit Bildern und Ton.\nBemerkenswerte KI-Modelle je Jahrzehnt und Bereich. Die noch nicht abgeschlossenen 2020er-Jahre haben schon die meisten. Diese Verschiebung erklärt, warum KI und Sprachmodelle heute so oft gleichgesetzt werden. Doch die äußeren Ringe sind nicht verschwunden: Klassisches maschinelles Lernen steckt weiter in vielen Betrugsprüfungen, Empfehlungen und Prognosen, weil es günstiger, schneller und leichter zu prüfen ist als ein großes Modell.\nWelchen Ring brauchen Sie? Wenn Sie ein KI-Projekt planen, gehen Sie vom Problem aus und wählen den kleinsten Ring, der es löst:\nRegeln und Suche reichen, wenn die Aufgabe vollständig bekannt ist, etwa Routen- oder Schichtplanung. Klassisches maschinelles Lernen passt zu Tabellendaten: Kündigungen vorhersagen, Leads bewerten, Betrug erkennen. Deep Learning passt zu Bildern, Ton und anderen Rohsignalen: Bauteile prüfen, Sprache abschreiben. Generative KI passt zu Sprache und kreativer Arbeit: schreiben, zusammenfassen, Fragen zu Dokumenten beantworten. Agenten passen zu Aufgaben mit mehreren Schritten und Werkzeugen — solange ein Mensch das Ergebnis prüft. Der nächste Teil dieses Levels zeigt, wie Maschinen aus Daten lernen, mit einem Experiment, das Sie selbst wiederholen können.\n","words":1022},"date":"2026-10-18","description":"KI, maschinelles Lernen, neuronale Netze, Deep Learning, generative KI und Agenten als eine Landkarte erklärt, mit den Meilensteinen von 1950 bis heute in Daten.","image":"https://abxk.ai/images/cover/ai-universe-explained.webp","json":"https://abxk.ai/de/ai-development/fundamentals/ai-universe-explained/index.json","kind":"page","language":"de","learning_path":{"category":"ai-development","level":0,"level_name":"Einstieg"},"modified":"2026-10-18","related_tools":["Runpod","Pinecone","MindStudio"],"section":"ai-development","seo_title":"KI, Machine Learning, Deep Learning, GenAI: der Unterschied","tags":["ki-grundlagen","maschinelles-lernen","deep-learning","generative-ki","einstieg"],"title":"Das KI-Universum: wie KI, maschinelles Lernen, Deep Learning und generative KI zusammenhängen","translations":[{"json":"https://abxk.ai/en/ai-development/fundamentals/ai-universe-explained/index.json","language":"en","url":"https://abxk.ai/en/ai-development/fundamentals/ai-universe-explained/"}],"url":"https://abxk.ai/de/ai-development/fundamentals/ai-universe-explained/"}