Wie Künstliche Intelligenz Funktioniert: Einfache Erklärung zwischen Wissenschaft, Weltraum und Forschung

Stellen Sie sich vor, einer Maschine beibringen zu können, eine Milliarden Lichtjahre entfernte Galaxie zu erkennen, oder ihr die Aufgabe zu übertragen, in Petabyte astronomischer Daten versteckte Zeichen außerirdischen Lebens zu finden. Das ist keine Science-Fiction: Das passiert jeden Tag in den Laboren der NASA, der ESA und in Dutzenden von Forschungszentren auf der ganzen Welt. Künstliche Intelligenz — oft mit KI oder AI abgekürzt — ist zum unsichtbaren Motor der zeitgenössischen Wissenschaft geworden und kann in wenigen Stunden Informationsmengen verarbeiten, die ein Mensch sein ganzes Leben lang untersuchen würde.

Doch trotz ihrer Allgegenwärtigkeit ist die KI für viele noch von einem Hauch von Geheimnis umgeben. Was verbirgt sich wirklich hinter dieser Technologie? Wie lernt eine Maschine? Und vor allem, was hat das mit dem Weltraum und wissenschaftlicher Forschung zu tun? In diesem Artikel werden wir Sie durch die fundamentalen Mechanismen der künstlichen Intelligenz führen und dabei konkrete Beispiele aus der Wissenschaft und Weltraumforschung nutzen, um alles so klar und verständlich wie möglich zu machen.

Die gute Nachricht ist: Die Grundprinzipien der KI sind nicht so kompliziert, wie sie klingen. Man braucht nur Neugier, ein paar gut gewählte Analogien und den Willen, über die Oberfläche hinauszuschauen. Bereit? Dann fangen wir von vorne an.

Die Bausteine der KI: Algorithmen, Daten und Neuronale Netze

Künstliche Intelligenz ist in ihrer einfachsten Form eine Sammlung von mathematischen Anweisungen — sogenannte Algorithmen — die einem Computer ermöglichen, Aufgaben zu erfüllen, die normalerweise mit menschlicher Intelligenz verbunden sind: Bilder erkennen, Sprache verstehen, Vorhersagen treffen, Entscheidungen fällen.

Das erste wichtige Konzept ist das des maschinellen Lernens (Machine Learning). Anstatt die Maschine mit starren Regeln zu programmieren („wenn du das siehst, mach jenes"), versorgt man das System mit einer großen Menge an Beispielen und lässt es autonome Muster selbst lernen. Es ist, als würde man einem Kind beibringen, einen Hund von einer Katze zu unterscheiden: Man zählt nicht alle formalen Regeln auf, sondern zeigt tausende Fotos, bis sein Gehirn die Unterschiede verinnerlicht hat.

Künstliche neuronale Netze sind die fortgeschrittenstes Struktur dieses Ansatzes. Inspiriert vom Funktionieren des biologischen Gehirns bestehen sie aus tausenden oder Millionen miteinander verbundener Knoten — den sogenannten „künstlichen Neuronen" — die in Schichten organisiert sind. Jeder Knoten erhält Informationen, verarbeitet sie und gibt sie an den nächsten Knoten weiter, wobei er seine internen Parameter basierend auf dem gemachten Fehler anpasst. Dieser Prozess wird Fehlerrückpropagation (Backpropagation) genannt und ist das Herz des Lernens neuronaler Netze.

Wenn von Deep Learning — tiefem Lernen — die Rede ist, bezieht sich das auf neuronale Netze mit vielen internen (verborgenen) Schichten, die in der Lage sind, immer abstraktere Merkmale aus den Daten zu extrahieren. Diese Technologie ermöglicht es beispielsweise dem Weltraumteleskop James Webb, sich von KI-Algorithmen zur automatischen Verarbeitung und Klassifizierung von Bildern der am weitesten entfernten je fotografierten Galaxien bedienen zu können.

Künstliche Intelligenz in der Weltraumforschung: Wie die NASA sie täglich nutzt

Wenn man an die NASA denkt, stellt man sich Raketen, Raumanzüge und Astronauten vor. Aber heute arbeiten in den Büros der US-Raumfahrtbehörde auch hunderte von Ingenieuren und Datenwissenschaftlern, die Modelle künstlicher Intelligenz trainieren, um die komplexesten Herausforderungen der kosmischen Erforschung zu bewältigen.

Hier einige konkrete und dokumentierte Beispiele, wie die NASA KI einsetzt:

• Entdeckung von Exoplaneten: Das Projekt Kepler und jetzt TESS sammeln Millionen von Stellenlichtlichtkurven. Die manuelle Identifizierung der periodischen Signale, die durch den Transit eines Planeten verursacht werden, wäre unmöglich. Machine-Learning-Algorithmen — insbesondere konvolutionäre neuronale Netze — analysieren diese Signale automatisch, und bereits 2017 führte ein KI-System zur Entdeckung von zwei neuen Exoplaneten im Kepler-90-System und brachte es auf acht Planeten — genau wie unser Sonnensystem.

• Analyse von Marsbildern: Die Rover Curiosity und Perseverance schießen zehntausende Fotos. KI hilft dabei, Gesteinstypen automatisch zu klassifizieren, relevante geologische Strukturen zu identifizieren und sichere Wege für die Fahrzeuge zu planen, was die Abhängigkeit von Befehlen der Erde mit Kommunikationsverzögerungen von bis zu 24 Minuten verringert.

• Vorhersage von Sonnenstürmen: Die NASA nutzt Deep-Learning-Modelle, um Daten von helioplanetaren Satelliten zu analysieren und Sonneneruptionen mit größerer Genauigkeit vorherzusagen. Eine genaue Vorhersage ist entscheidend zum Schutz von Astronauten, Satelliten und Infrastruktur auf der Erde.

• Optimierung von Missionen: Bestärkungslern-Algorithmen — eine Art KI, die durch Versuch und Irrtum lernt und Belohnungen oder Strafen erhält — werden verwendet, um Umlaufbahnen zu optimieren und den Treibstoffverbrauch von Weltraummissionen zu senken.

• Suche nach SETI-Signalen: Das SETI-Programm (Search for Extraterrestrial Intelligence) nutzt neuronale Netze, um radioastronomische Daten nach anomalen Mustern zu durchsuchen, die auf die Existenz außerirdischer Zivilisationen hindeuten könnten.

Die überraschendste Tatsache? Nach einem NASA-Bericht von 2025 werden heute über 60% der von aktiven Missionen produzierten wissenschaftlichen Datensätze von Künstliche-Intelligenz-Systemen vorverarbeitet, bevor sie von menschlichen Wissenschaftlern analysiert werden.

Wie eine Maschine wirklich „denkt": Drei Arten des Lernens

Um die KI zu verstehen, ohne sich in der Fachwelt zu verlaufen, ist es hilfreich, die drei großen Ansätze zu kennen, wie Maschinen lernen. Jeder hat unterschiedliche Merkmale und eignet sich für unterschiedliche Probleme.

1. Überwachtes Lernen

Das ist die am meisten verbreitete Methode. Man versorgt das System mit einem Satz von Daten, die bereits gekennzeichnet sind: zum Beispiel tausende Bilder von Nebeln, die von Forschern als „planetarischer Nebel", „Reflexionsnebel", „Supernovaüberrest" und so weiter klassifiziert wurden. Der Algorithmus lernt, die visuellen Merkmale mit der richtigen Bezeichnung zu verknüpfen. Wenn er dann ein neues Bild sieht, kann er es eigenständig klassifizieren. Die ESA nutzt diesen Ansatz, um Galaxien in den Daten des 2023 gestarteten Teleskops Euclid automatisch zu katalogisieren.

2. Unüberwachtes Lernen

Hier gibt es keine Kennzeichnungen: Das System muss versteckte Strukturen und Muster in den Daten selbst finden. Es ist der ideale Ansatz, wenn man nicht genau weiß, was man sucht — eine in der Astronomie häufige Situation, bei der Daten oft Überraschungen bergen. Der Algorithmus gruppiert ähnliche Objekte (Clustering) oder reduziert die Datenkomplexität, um die wesentlichen Strukturen sichtbar zu machen.

3. Bestärktes Lernen

Die Maschine lernt durch Interaktion mit einer virtuellen oder realen Umgebung und erhält eine „Belohnung", wenn sie richtige Handlungen ausführt, und eine „Strafe", wenn sie Fehler macht. Dies ist die Methode, die zum Trainieren autonomer Navigationssysteme für Marsrover und zur Optimierung von Roboterarmen auf Raumstationen verwendet wird.

Ein oft übersehener Aspekt ist die Datenqualität. Ein KI-System ist nur so gut wie die Daten, mit denen es trainiert wird: unvollständige, verzerrte oder nicht repräsentative Daten produzieren unzuverlässige Algorithmen. Daher sind in der wissenschaftlichen Forschung Datenerfassung und -reinigung ebenso kritische Phasen wie die Algorithmusentwicklung selbst.

Die Grenzen der KI und die unverzichtbare Rolle menschlicher Wissenschaftler

Trotz außergewöhnlicher Fortschritte hat künstliche Intelligenz präzise Grenzen, die man kennen sollte, besonders wenn sie auf wissenschaftliche Forschung angewendet wird.

Das ernsteste Problem ist das der „Black Box" (Black Box): Bei vielen Deep-Learning-Modellen haben selbst die Entwickler Schwierigkeiten zu verstehen, warum das System eine bestimmte Entscheidung getroffen hat. Im wissenschaftlichen Bereich, wo Reproduzierbarkeit und das Verständnis von Mechanismen fundamental sind, stellt dies ein erhebliches Hindernis dar. Der Bereich der erklärbaren KI (Explainable AI, XAI) arbeitet gerade daran, Modelle transparenter und interpretierbarer zu machen.

Eine weitere Grenze ist die sogenannte Generalisierung: Ein System, das auf eine Art von Daten trainiert wurde, kann kläglich fehlschlagen, wenn es auf Situationen trifft, die leicht von denen abweichen, auf denen es gelernt hat. Wenn eine KI darauf trainiert wurde, Galaxien auf optischen Bildern zu erkennen, könnte sie bei Röntgen- oder Infrarotbildern nicht gleich gut funktionieren.

Schließlich gibt es das Problem des Algorithmen-Bias: Wenn die Trainingsdaten menschliche Vorurteile oder historische Lücken widerspiegeln, verstärkt der Algorithmus diese. In der Astronomie kann sich dies in das Risiko übersetzen, Kategorien von Himmelsobjekten zu übersehen, die in historischen Katalogen weniger vertreten sind.

Aus all diesen Gründen ist der Konsens in der wissenschaftlichen Gemeinschaft klar: KI ist ein mächtiges Werkzeug, kein Ersatz für menschliches wissenschaftliches Denken. Kreativität, kritisches Denken und die Fähigkeit, ungewöhnliche Fragen zu stellen, bleiben Vorrechte von Wissenschaftlern. KI erweitert ihre Fähigkeiten, ersetzt sie nicht.

Häufig gestellte Fragen

F: Ist künstliche Intelligenz wirklich so „intelligent" wie ein Mensch? A: Nein, nicht im vollständigen Sinne. Die heutige KI — „enge KI" oder Narrow AI genannt — ist sehr gut im Ausführen spezifischer Aufgaben, für die sie trainiert wurde, aber sie besitzt kein Bewusstsein, tiefes Verständnis oder Fähigkeit zu allgemeinem Denken. Die Idee einer KI mit Intelligenz gleich oder überlegen der menschlichen in allen Bereichen (AGI) bleibt ein noch ferner und heftig diskutierter Traum.

F: Was bedeutet es, dass die NASA KI zur Entdeckung von Planeten nutzt? A: Das bedeutet, dass Machine-Learning-Algorithmen automatisch photometrische Daten von Weltraumteleskopen analysieren und die kleine Helligkeitsschwankungen erkennen, die durch den Transit eines Planeten verursacht werden. Dies ermöglicht die Untersuchung von Millionen Sternen in unvorstellbar kurzer Zeit für ein menschliches Team und erhöht enorm die Chancen auf Entdeckungen.

F: Braucht man einen Abschluss in Mathematik, um künstliche Intelligenz zu verstehen? A: Nicht unbedingt. Die Grundkonzepte — wie das Lernen aus Daten, neuronale Netze und die drei Lerntypen — sind mit guter naturwissenschaftlicher Grundbildung verständlich. Um KI-Modelle auf professionellem Niveau zu entwickeln und anzuwenden, braucht man jedoch eine solide Vorbereitung in Mathematik, Statistik und Programmierung.

F: Kann KI wissenschaftliche Entdeckungen eigenständig machen? A: Teilweise ja: Es gibt dokumentierte Fälle, in denen Algorithmen Muster in Daten identifizierten, die menschliche Wissenschaftler übersehen hatten und zu neuen Hypothesen führten. Die Formulierung von Theorien, die Gestaltung von Experimenten und die Deutung von Ergebnissen bleiben jedoch Aufgaben von Wissenschaftlern. KI beschleunigt den Prozess, führt ihn aber nicht allein.

F: Wie zuverlässig ist KI in der Weltraumforschung? A: Das hängt von der Anwendung ab. Für gut definierte Aufgaben mit großen Mengen an Trainingsdaten — wie die Klassifizierung astronomischer Bilder — erreichen KI-Systeme Genauigkeiten von über 95%. Für komplexere Aufgaben oder in neuen Situationen sinkt die Zuverlässigkeit. Deshalb werden KI-Ergebnisse immer von Experten überprüft, bevor sie veröffentlicht oder in Missionen eingesetzt werden.

Fazit

Künstliche Intelligenz ist weder Magie