Wahrscheinlich hat dir jemand erzählt, dass Deep Learning nur eine schicke Form von maschinellem Lernen ist, das wiederum eine Untermenge von KI ist. Diese Erklärung ist technisch korrekt und komplett nutzlos, weil sie dir nichts darüber sagt, wann der Unterschied zählt, warum die Begriffe in Werbetexten durcheinandergeworfen werden oder was das alles für die Werkzeuge bedeutet, die gerade in deinen Browser-Tabs offen sind.

Lass es mich anders versuchen.

Fangen wir damit an, was sie nicht sind

KI ist keine konkrete Technologie. War sie nie.

Der Begriff „künstliche Intelligenz“ geht auf 1956 zurück, als eine Gruppe von Forschern in Dartmouth einen griffigen Namen für ihr Sommerseminar suchte, in dem es darum ging, Maschinen zum Denken zu bringen. Noch bevor das Seminar vorbei war, hatte das Feld seine Marke. Alles, was danach Computer irgendwie schlau wirken ließ, wurde unter dasselbe Etikett gepackt, egal wie es funktionierte.

Deshalb zählen ein Schachprogramm von 1997, ein Spamfilter von 2005 und ChatGPT im Jahr 2026 alle als „KI“. Technisch haben sie fast nichts gemeinsam. So breit ist der Schirm.

Maschinelles Lernen ist enger. Viel enger. Es beschreibt Systeme, die durch Kontakt mit Daten besser werden, statt durch explizites Programmieren. Ein Mensch schreibt den allgemeinen Lernalgorithmus. Die Daten übernehmen das Training. Das klingt akademisch, bis dir klar wird, dass genau dieser Unterschied bestimmt, ob sich ein Werkzeug an deine konkrete Situation anpassen kann oder ob es in den Regeln feststeckt, die jemand vor Jahren hart verdrahtet hat.

Deep Learning ist noch enger. Neuronale Netze. Mehrere Schichten. Muster, die aus Mustern entstehen, die aus Mustern entstehen. „Deep“ bezieht sich auf die Tiefe des Netzes, nicht auf philosophische Tiefsinnigkeit.

Die Verwirrung hat eine Quelle

Marketing hat entdeckt, dass „KI“ beeindruckender klingt als „Algorithmus“.

Das passierte schrittweise. Eine Empfehlungsmaschine wurde zu einem „KI-gestützten Personalisierungssystem“. Ein regelbasierter Chatbot wurde zu einem „KI-Assistenten“. Ein Statistikpaket wurde zu „prädiktiven KI-Analysen“. Der technische Gehalt lief aus, während der Marketingwert aufblähte.

Wie es ein Kommentator auf Hacker News formulierte, als es um Begriffe rund um maschinelles Lernen ging: “machine learning is a particular model set atop the edifice of statistics mixed with coding.” Die praktische Realität ist weniger glamourös, als das Branding suggeriert.

Das ist nicht unbedingt unehrlich. Die Definitionen sind an den Rändern wirklich unscharf. Aber es schafft Probleme, wenn du Werkzeuge bewerten oder Fähigkeiten verstehen willst. Etwas, das als „KI“ etikettiert ist, kann alles sein: von einer Nachschlagetabelle bis zu GPT-4.

Wie maschinelles Lernen wirklich lernt

Stell dir vor, du hast zehntausend E-Mails, jede als Spam oder legitim markiert. Ein Algorithmus für maschinelles Lernen untersucht diese Beispiele und findet Muster, die die beiden Kategorien trennen. Vielleicht enthalten Spam-Mails bestimmte Wortkombinationen, ungewöhnliche Absender-Domains oder spezielle Formatierungsauffälligkeiten.

Der Algorithmus identifiziert diese Muster selbst. Ein Mensch liefert die gelabelten Daten und wählt die Lernmethode, aber der Mensch legt nicht fest, dass „GRATIS GELD“ in Betreffzeilen mit Spam korreliert. Das fällt dem Algorithmus aus den Beispielen auf.

Nach dem Training kann das Modell neue E-Mails untersuchen, die es noch nie gesehen hat, und Vorhersagen treffen. Nicht weil jemand eine Regel zu „GRATIS GELD“ programmiert hat, sondern weil das Modell dieses Muster aus Daten gelernt hat.

Das ist überwachtes Lernen. Du lieferst gelabelte Beispiele. Der Algorithmus lernt, Labels für neue Fälle vorherzusagen.

Unüberwachtes Lernen lässt die Labels weg. Du gibst dem Algorithmus Daten und lässt ihn die Struktur selbst finden. Kundensegmente, von denen du nicht wusstest, dass sie existieren. Ausreißer, die zu keinem normalen Muster passen. Cluster, die verborgene Ähnlichkeiten sichtbar machen.

Verstärkendes Lernen fügt Versuch und Irrtum hinzu. Das System führt Aktionen aus, bekommt Rückmeldung, ob diese Aktionen gut oder schlecht waren, und findet nach und nach heraus, welche Strategien funktionieren. Das treibt spielende KIs und einige Anwendungen in der Robotik an.

Der Kern über alle drei hinweg: Das System verbessert sich durch Erfahrung statt durch mehr Programmierarbeit.

Wo Deep Learning abweicht

Traditionelles maschinelles Lernen verlangt, dass ein Mensch relevante Merkmale identifiziert. Du willst Bilder von Katzen und Hunden klassifizieren? Jemand muss entscheiden, dass Ohrform, Fellstruktur und Körperproportionen wichtig sind. Diese Merkmalsarbeit braucht Fachwissen, Zeit und Domänenkenntnis.

Deep Learning nimmt dir diesen Schritt ab.

Ein neuronales Netz mit genügend Schichten kann selbst herausfinden, welche Merkmale zählen. Zeig ihm Millionen von Katzen- und Hundefotos mit Labels. Das Netz lernt, dass bestimmte Basismuster wie Kanten und Texturen sich zu Mustern mittlerer Ebene wie Augen und Ohren zusammensetzen, die sich wiederum zu Mustern höherer Ebene wie „Golden Retriever“ oder „getigerte Katze“ zusammensetzen.

Niemand schreibt vor, dass Kanten wichtig sind. Das Netz entdeckt es.

Deshalb dominiert Deep Learning alles, was mit unstrukturierten Daten zu tun hat. Bilder. Audio. Video. Natürliche Sprache. Die Merkmale, die in Texten positive von negativer Stimmung trennen oder in Audio eine Stimme von einer anderen, sind subtil und schwer explizit zu definieren. Deep Learning findet sie trotzdem.

Der Preis sind Daten. Deep Learning braucht viel mehr Beispiele, um effektiv zu trainieren. Wo traditionelles ML mit Hunderten oder Tausenden von Stichproben funktionieren kann, braucht Deep Learning oft Millionen. Und die Anforderungen an Rechenleistung sind entsprechend massiv.

Was viele vergessen

On a Hacker News thread about deep learning limitations, researcher and former Tesla AI director Andrej Karpathy (via user daddyo) made an observation that cuts through the hype: “I haven’t found a way to properly articulate this yet but somehow everything we do in deep learning is memorization (interpolation, pattern recognition, etc) instead of thinking.”

Das ist wichtiger, als die meisten Diskussionen zugeben.

Deep Learning findet Muster. Es ordnet Eingaben und Ausgaben anhand von Trainingsdaten zu. Es denkt nicht über die Welt nach. Es versteht keine Kausalität. Es weiß nicht, warum irgendetwas wahr ist.

Ein anderer Kommentator im selben Thread, dredmorbius, brachte es scharf auf den Punkt: “Deep Learning is finding associated effects. It does not find the underlying causes. It is a mode of technical rather than scientific advance.”

Wenn du das wirklich verinnerlichst, bewertest du KI-Behauptungen anders. Ein System, das auf historischen Daten trainiert wurde, reproduziert Muster aus dieser Geschichte – inklusive Verzerrungen, Fehlern und Korrelationen, die heute nicht mehr gelten. Es fragt nicht, ob diese Muster Sinn ergeben. Es kann es nicht.

Wann welcher Ansatz passt

Regelbasierte Systeme funktionieren am besten, wenn das Problem eine klare Logik hat, die Menschen vollständig festlegen können. Steuerberechnungen. Routenentscheidungen auf Basis expliziter Kriterien. Situationen, in denen du genau erklären musst, warum ein bestimmtes Ergebnis herauskam.

Traditionelles maschinelles Lernen glänzt bei strukturierten Daten und mittleren Datensatzgrößen. Kundenabwanderung aus Verhaltensmetriken vorhersagen. Interessenten anhand von Unternehmensmerkmalen bewerten. Fälle, in denen die relevanten Merkmale identifizierbar sind und Erklärbarkeit zählt.

Deep Learning wird nötig, wenn es um unstrukturierte Daten im großen Maßstab geht. Bilderkennung. Sprachtranskription. Verständnis natürlicher Sprache. Probleme, bei denen es unmöglich oder unpraktisch wäre, Merkmale explizit zu definieren.

Die Werkzeuge, mit denen du täglich interagierst, liegen an unterschiedlichen Stellen auf diesem Spektrum. Ein Spamfilter nutzt vielleicht traditionelles ML. Ein Empfehlungssystem mischt möglicherweise mehrere Ansätze. ChatGPT und Claude nutzen Deep Learning, genauer: transformerbasierte neuronale Netze mit Milliarden Parametern.

Wenn du weißt, welche Kategorie zutrifft, stellst du bessere Fragen. Kann sich dieses System an meine konkreten Daten anpassen? Wird es seine Entscheidungen erklären? Braucht es riesige Trainingsdatensätze, oder kann es mit dem arbeiten, was ich habe?

Der Transformer hat alles verändert

Die konkrete Deep-Learning-Architektur hinter aktuellen KI-Assistenten heißt Transformer. Vor 2017 verarbeiteten Sprachmodelle Wörter sequenziell, eines nach dem anderen. Das machte sie langsam beim Training und schlecht darin, Zusammenhänge über viele Wörter hinweg herzustellen.

Transformer führten Self-Attention ein: die Fähigkeit, jedes Wort gleichzeitig mit jedem anderen zu vergleichen. Diese Parallelisierung machte das Training schneller und erfasste langfristige Beziehungen, die frühere Ansätze verpasst hatten.

GPT, Claude, Gemini, Llama. Alle basieren auf Transformern. Ebenso Bildgeneratoren wie DALL-E und Videogeneratoren wie Sora. Eine architektonische Innovation, veröffentlicht in einem Paper mit dem Titel “Attention is All You Need”, hat fast alles freigeschaltet, was Menschen heute in lockeren Gesprächen „KI“ nennen.

Du musst die Mathematik nicht verstehen. Entscheidend ist, zu erkennen, dass diese Systeme ein gemeinsames Fundament haben – und das erklärt sowohl ihre Fähigkeiten als auch ihre Grenzen. Sie sind stark in Mustererkennung, weil Transformer stark darin sind, Muster über lange Sequenzen hinweg zu finden. Sie tun sich mit verlässlichem Schlussfolgern schwer, weil Mustererkennung kein Denken ist.

Das Black-Box-Problem

Bei einem Entscheidungsbaum oder einer linearen Regression kannst du exakt nachverfolgen, warum eine Vorhersage so ausgefallen ist. Die Schulden-Einkommens-Quote überschritt den Grenzwert. Der Kunde hat sich 90 Tage lang nicht eingeloggt. Klar, prüfbar, vertretbar.

Deep-Learning-Modelle wehren sich gegen diese Art von Erklärung. Millionen Parameter interagieren auf eine Weise, die sich menschlicher Interpretation entzieht. Du siehst Eingaben und Ausgaben. Dazwischen ist es undurchsichtig.

Das schafft echte Probleme in regulierten Branchen. Gesundheitswesen, Finanzen, Kreditvergabe. Aufsichtsbehörden wollen wissen, warum eine Entscheidung getroffen wurde. „Das neuronale Netz hat einen hohen Wert ausgegeben“ ist keine akzeptable Antwort.

Die Forschung an erklärbarer KI geht weiter, aber der Zielkonflikt bleibt. Die fähigsten Modelle sind oft die am wenigsten interpretierbaren.

Was das für Werkzeuge bedeutet, die du nutzt

Wenn du in ChatGPT oder Claude etwas eintippst, nutzt du Deep Learning. Genauer: Du nutzt ein großes Sprachmodell auf Basis einer Transformer-Architektur, trainiert auf Hunderten Milliarden Textbeispielen.

Das erklärt Verhaltensweisen, die sonst zufällig oder kaputt wirken könnten.

Die Modelle sind hervorragend in Mustererkennung. Sie haben riesige Mengen Text gesehen und gelernt, welche Muster auf welche anderen Muster folgen. Deshalb können sie in verschiedenen Stilen schreiben, Sprachen übersetzen und Code erzeugen, der tatsächlich läuft.

Sie prüfen keine Wahrheit. Wie im Artikel warum KI Dinge erfindet beschrieben, sagen LLMs vorher, welcher Text als Nächstes kommen sollte – basierend auf Mustern. Ob dieser Text faktisch korrekt ist, ist eine andere Frage, die sie von innen heraus nicht beantworten können.

Kontextgrenzen sind real. Tokens und Kontextfenster begrenzen, wie viel Information das Modell gleichzeitig verarbeiten kann. Das ist eine architektonische Einschränkung, kein vorübergehender Fehler, der nur auf einen Fix wartet.

Die Formulierung deiner Eingabe beeinflusst die Ausgaben, weil das Modell Muster gegen deinen Input abgleicht. Unterschiedliche Eingaben aktivieren unterschiedliche Muster. Deshalb ist Prompt-Engineering wichtig, und deshalb können kleine Änderungen in der Wortwahl zu dramatisch anderen Ergebnissen führen.

Der Markt hat längst entschieden

Maschinelles Lernen ist keine experimentelle Technologie. 72 Prozent der US-Unternehmen berichten, dass ML Standardbetrieb der IT ist, nicht nur Forschung und Entwicklung. Der Markt lag 2024 je nach Messmethode irgendwo zwischen 72 und 97 Milliarden US-Dollar, mit Wachstumsprognosen von 30–35 Prozent pro Jahr bis in die frühen 2030er.

Der Arbeitsmarkt spiegelt das wider. Stellen als Machine-Learning-Ingenieur zahlen in den USA eine mediane Gesamtvergütung von etwa 158.000 US-Dollar. Das World Economic Forum prognostiziert, dass Jobs für KI- und ML-Spezialisten zwischen 2025 und 2030 um über 80 Prozent wachsen werden.

Diese Zahlen sind wichtig, weil sie zeigen, wohin Investitionen fließen. Die Werkzeuge, die es heute gibt, werden besser werden. Kosten werden sinken. Die Fragen verschieben sich von „ob man einführt“ hin zu „wie man gut einführt“.

Was wahr bleibt

KI, maschinelles Lernen und Deep Learning beschreiben verschachtelte Kategorien. KI ist die breiteste Kategorie und umfasst alles, was intelligentes Verhalten nachahmt. Maschinelles Lernen engt auf Systeme ein, die aus Daten lernen. Deep Learning engt weiter auf neuronale Netze ein, die ihre Merkmale selbst lernen.

Aber wichtiger als Begriffe ist das Verständnis von Fähigkeiten. Was kann dieses konkrete Werkzeug tatsächlich? Lernt es aus neuen Daten oder folgt es festen Regeln? Kann es seine Entscheidungen erklären? Braucht es riesige Datensätze oder kommt es mit dem zurecht, was du hast?

Der Anbieter nennt wahrscheinlich alles „KI“. Dieses Label sagt dir fast nichts. Die zugrunde liegende Technik sagt dir fast alles.

Der aktuelle Moment in der KI wirkt bedeutsam, weil Deep Learning – konkret transformerbasierte Sprachmodelle – Probleme geknackt hat, die frühere Ansätze nicht anfassen konnten. Verständnis natürlicher Sprache. Bildgenerierung. Code-Erzeugung. Diese Fortschritte sind real.

Was sie nicht sind: Denken. Mustererkennung im großen Maßstab sieht intelligent aus. Manchmal ist sie nützlich. Manchmal ist sie transformativ. Aber sie arbeitet nach grundsätzlich anderen Prinzipien als menschliche Kognition – und genau dieses Verständnis ist das ganze Spiel.