Kunst oder Code? Eine Gameshow an der Schnittstelle von KI und Kreativität

Kreativität und emotionale Resonanz spielen in Kunst und Musik eine zentrale Rolle. Sind wir nicht weniger geneigt, eine maschinelle Komposition zu akzeptieren als einen KI-generierten Code?

Ich glaube, das ist ein Prozess. Und wenn man sieht, wie gut die Qualität von dem ist, was eine KI erstellt, wird sich auch die Akzeptanz erhöhen, ähnlich wie wir das von Bildern bereits kennen. KI-generierte Bilder werden mittlerweile in grossem Umfang eingesetzt, weil man feststellt, dass die Qualität gar nicht so schlecht ist.

Das klingt jetzt sehr optimistisch. Sehen Sie in dieser Entwicklung auch Nachteile?

Sie hat definitiv Nachteile. Zum Beispiel weiss man gerade bei bildhafter Information schnell nicht mehr, was real existiert und was KI-generiert ist. Was hat wirklich stattgefunden? Was ist visuell vorgetäuscht? Von Texten kennen wir das schon, dass die Systeme halluzinieren können. Und das wird ein grosses Problem sein, das man wohl nur mit einem sehr hohen Mass an Transparenz wird lösen können. Das heisst, man muss immer deutlich machen: Das sind KI-generierte Inhalte und das sind reale Inhalte, die tatsächlich realen Begebenheiten entsprechen.

Im Anschluss an die Gameshow laden Forschende aus verschiedenen Disziplinen das Publikum zur Diskussion ein. Welche Expertise braucht die Gesellschaft, um sich mit den Auswirkungen von KI zu befassen?

Wir benötigen Expertise aus allen Bereichen, weil auch alle Bereiche betroffen sind. Insofern ist die Universität Basel als Volluniversität prädestiniert dafür, genau diese Diskussion zu KI voranzutreiben. Das ist nicht nur eine technische Diskussion, sondern es geht um viel weitergehende Fragen: Was sind die juristischen Konsequenzen für den Einsatz von KI in einem bestimmten Bereich? Welche ethischen Leitplanken sollten wir definieren? Was sind die gesellschaftlichen Konsequenzen? Ich glaube, das muss wirklich sehr breit und ganzheitlich diskutiert werden.

Als Informatiker verstehen Sie besser als viele andere, worauf KI-Systeme basieren und wie sie funktionieren. Wo beobachten Sie die grössten Missverständnisse in der Wahrnehmung von KI?

Oft wird eine KI oder ein grosses Sprachmodell als Quellen von Fakten und verlässlichen Informationen angesehen – aber das sind sie nicht. Was die Modelle produzieren, sind Dinge, die statistisch relevant, aber nicht unbedingt real sind. Deshalb ist es ist wichtig zu verstehen, was man von einem Sprachmodell als Antwort bekommt: nämlich einen Text, der so aussieht, als würde er Faktenwissen kommunizieren, in dem aber nicht alle Fakten tatsächlich stimmen. Oder ein Bild, das suggeriert, als hätte irgendwas stattgefunden, was aber nicht stattgefunden hat. Und da ist es wichtig zu wissen, wo die Grenzen liegen.

Und ein Verständnis der Technologie kann dabei helfen?

Beispielsweise wird heute anstelle von Google oft Chat GPT befragt, aber es macht natürlich einen riesigen Unterschied, ob die Technologie in einer Menge von Dokumenten sucht oder ob sie etwas neu generiert, das den Bedürfnissen der Anfrage entspricht. Natürlich hat man keine Garantie, dass alles, was man bei Google findet, auch tatsächlich korrekt ist. Aber es ist schon eine andere Qualität, wenn ein Ergebnis speziell für eine Anfrage neu generiert wird.

Die heutigen KI-Anwendungen sind das Resultat jahrzehntelanger öffentlich finanzierter Forschung. Aber jetzt haben grossen Unternehmen wie Microsoft und Alphabet die Nase vorn. Welche Rolle sehen Sie in Zukunft für die Universitäten?

Um die ganz grossen KI-Modelle zu entwickeln, braucht es riesige Datenmengen und gewaltige Rechenleistung, und in der Kombination haben das Hochschule nicht. Für sie sehe ich zwei ganz wichtige Aufgaben: Zum einen, ethische Leitplanken zu definieren, die dann auch gesellschaftlich akzeptiert werden müssen. Das ist eine Diskussion, die aus den Universitäten heraus kommen sollte in Form eines interdisziplinären, ganzheitlichen Dialogs.

Zum anderen: Die grossen Modelle sind sehr, sehr intransparent. Man weiss nicht, mit welchen Daten sie trainiert wurden, welchen Bias sie haben, und das Ergebnis ist oft überhaupt nicht nachvollziehbar. Wir brauchen also neue Ansätze, um die Entscheidungen der KI transparenter und nachvollziehbarer zu machen. Und es sollte Aufgabe der Universitäten sein, die entsprechenden Methoden zu definieren. Schliesslich noch ein weiterer Punkt: Wir sollten Modelle haben, die nicht so gross und mächtig sind, dafür solche, die offen und transparent sind, sodass man den ganzen Prozess von Anfang bis Ende nachvollziehen kann. Auch hier sind die Universitäten gefordert.