Neuronales Netz

Ein neuronales Netz (Neural Network) ist ein KI-Modell, das vom menschlichen Gehirn inspiriert ist: Künstliche Neuronen sind in Schichten angeordnet und über gewichtete Verbindungen vernetzt. Durch Training auf Daten lernt das Netzwerk, Muster zu erkennen — von einfacher Bildklassifikation bis hin zu komplexer Sprachgenerierung. Neuronale Netze sind die Grundlage nahezu aller modernen KI.

Die wichtigsten Architekturen: Feedforward-Netze (einfachste Form), Convolutional Neural Networks/CNNs (für Computer Vision), Recurrent Neural Networks/RNNs (für Sequenzen, heute weitgehend durch Transformer ersetzt), und Transformer (die Architektur hinter LLMs und modernen Bildgeneratoren). Deep Learning bezeichnet neuronale Netze mit vielen Schichten.

Training funktioniert durch Backpropagation: Das Netz macht eine Vorhersage, der Fehler wird berechnet, und die Gewichte werden angepasst — millionenfach, bis das Netz die Aufgabe beherrscht. Moderne LLMs wie GPT-5.2 haben Hunderte Milliarden Parameter (Gewichte) und wurden auf Billionen von Tokens trainiert.

Für die Praxis: Man muss kein neuronales Netz selbst bauen — APIs von OpenAI, Anthropic und Google machen die Technologie per API-Call zugänglich. Aber das Grundverständnis hilft, die Stärken und Grenzen von KI-Tools besser einzuschätzen und informierte Entscheidungen zu treffen.