Wie funktioniert ein neuronales Netz wirklich?
Alle nennen es „das Gehirn des Computers“. Aber was passiert eigentlich im Inneren? Keine Mathematik, aber ein paar Bilder, die im Gedächtnis bleiben.
Sie haben das Wort sicher schon öfter gehört: ein neuronales Netz. Es steckt hinter der Spracherkennung auf Ihrem Smartphone, hinter den Fotos, die automatisch sortiert werden, und, in einer viel größeren Form, hinter ChatGPT. Es klingt nach etwas Unergründlichem, etwas, das nur Mathematiker verstehen dürfen.
Das ist es nicht. Der Kern ist überraschend einfach, und Sie brauchen dafür keine einzige Formel. In dieser Kostprobe bauen wir die Idee in drei Schritten auf: was ist ein Neuron, wie wird aus einer Gruppe von Neuronen gemeinsam eine Entscheidung, und was bedeutet es eigentlich, wenn ein solches Netz „lernt“. Am Ende wissen Sie nicht, wie man eines baut, wohl aber, warum es funktioniert.
Was ist eigentlich ein Neuron?
Stellen Sie sich einen aufmerksamen Türsteher am Eingang eines Gebäudes vor. Er lässt nicht einfach jeden durch. Er hört auf ein paar Berater, die neben ihm stehen, und jeder Berater ruft eine Zahl: wie stark er es findet, dass der Türsteher jemanden durchlassen sollte. Dem einen Berater vertraut der Türsteher blind, auf den hört er stark. Einen anderen Berater nimmt er nur halb ernst. Der Türsteher zählt all diese Ratschläge zusammen, jeden je nachdem, wie schwer er ihn gewichtet. Bleibt die Summe unter einer bestimmten Grenze, hält er die Tür geschlossen. Kommt sie aber darüber, sagt er nicht einfach nur „ja“: je überzeugender die Berater gemeinsam drängen, desto nachdrücklicher winkt er durch.
Das ist, im Kern, ein Neuron in einem neuronalen Netz. Es bekommt eine Reihe von Zahlen herein. Jede eingehende Zahl hat ein Gewicht: ein Maß dafür, wie schwer dieses Signal zählt. Das Neuron zählt alles zusammen, jede Zahl multipliziert mit ihrem Gewicht. Bleibt das Ergebnis zu niedrig, gibt es nichts weiter. Kommt es aber darüber, sendet das Neuron ein Signal an das nächste, und zwar umso stärker, je höher das Ergebnis ausfällt. Nicht alles ist also an oder aus; es gibt Abstufungen. Genau diese Abstufung macht es später möglich, das Netz nachzusteuern.
Mehr ist es nicht. Kein Verständnis, keine Meinung, kein Bewusstsein. Ein Neuron ist ein Rechenschritt: Zahlen hinein, eine Zahl hinaus. Die Magie steckt nicht in diesem einen Schritt, sie steckt in der Anzahl, wie Sie im nächsten Schritt sehen werden.
Ein echtes Neuron in Ihrem Gehirn ist viel chaotischer und lebendiger als dieser Türsteher: Es feuert mit kleinen elektrischen Impulsen, Timing spielt eine Rolle, und Gehirnzellen stehen nicht in ordentlichen Reihen aufgestellt. Der Türsteher ist also keine Kopie einer Gehirnzelle, sondern ein stark vereinfachtes Rechenmodell, das lose davon inspiriert ist.
Wie wird aus einer Gruppe von Neuronen gemeinsam eine Entscheidung?
Ein einzelner Türsteher kann eine einfache Ja/Nein-Entscheidung treffen. Aber interessante Fragen, „steht auf diesem Foto eine Katze?“, sind für einen einzelnen Schritt zu kompliziert. Deshalb arbeiten Neuronen zusammen, und zwar in Schichten, wie eine Organisation, in der die Arbeit weitergereicht wird.
Denken Sie an eine Fabrik mit aufeinanderfolgenden Werkbänken. An der ersten Werkbank kommt das Rohmaterial an, bei einem Foto zum Beispiel die einzelnen Bildpunkte. Diese Werkbank achtet nur auf etwas ganz Kleines: „sehe ich hier eine Kante, einen Übergang von hell nach dunkel?“ Das Ergebnis gibt sie an die nächste Werkbank weiter. Die schaut nicht mehr auf einzelne Punkte, sondern auf die Kanten des vorigen Schritts, und erkennt darin größere Formen: einen Kreis, eine Ecke. Die Werkbank danach kombiniert diese wieder zu „einem Auge“, „einem Schnurrhaar“. Und die letzte Werkbank wägt alles ab und schließt: „ja, das sieht für mich nach einer Katze aus.“
Genau so ist ein neuronales Netz aufgebaut. Die Reihe von Neuronen, in die die Daten hereinkommen, heißt die Eingabeschicht; die Neuronen, die das Ergebnis liefern, bilden die Ausgabeschicht; und alle Werkbänke dazwischen sind die verborgenen Schichten. Mit mehr Schichten kann das Netz mehr Zwischenschritte machen und reichhaltigere Muster unterscheiden, wenngleich es Grenzen gibt: blind immer weiter Schichten hinzuzufügen macht ein Netz nicht automatisch besser, aber das ist eine eigene Lektion. Ein Netz mit vielen Schichten nennen wir tief, daher der Begriff deep learning.
Das Schöne ist: Niemand sagt diesen Werkbänken vorab, worauf sie achten sollen. Dass „eine Kante“ oder „ein Auge“ nützliche Zwischenschritte sind, ergibt sich von selbst während des Lernens, dem Thema des letzten Schritts.
In einer echten Fabrik weiß jede Werkbank, was sie herstellt, einen Stuhl, ein Rad. Die Zwischenschritte eines Netzes haben solche ordentlichen Namen nicht. Wir sagen im Nachhinein „diese Schicht scheint auf Kanten zu achten“, aber das Netz hat dabei weder ein Wort noch eine Absicht. Es sind lediglich Zahlen, die sich gerade als nützlich erweisen.
Was bedeutet es, wenn ein solches Netz „lernt“?
Hier kommt der Trick, um den sich alles dreht. Wir haben die ganze Zeit über Gewichte gesprochen, wie schwer jedes Signal zählt. Lernen ist nichts anderes, als diese Gewichte Stück für Stück anzupassen.
Vergleichen Sie es mit den Reglern an einem altmodischen Mischpult mit Hunderten von Schiebereglern. Am Anfang stehen alle Regler wahllos; das Netz rät einfach drauflos. Sie zeigen ihm ein Foto, und es sagt „Hund“, obwohl es eine Katze war. Jetzt kommt der Kern: das System rechnet aus, wie weit es danebenlag, und in welche Richtung jeder Regler ein Stück verschoben werden muss, um den Fehler etwas kleiner zu machen. Ein winziger Schubs pro Regler. Danach das nächste Foto, und wieder ein Schubs. Und noch einmal.
Tun Sie das mit Hunderttausenden von Beispielen, millionenfach, und die Regler sinken von selbst in eine Stellung, in der das Netz erstaunlich oft richtigliegt. Dieses geduldige, Beispiel für Beispiel erfolgende Anpassen der Gewichte nennen wir trainieren.
Achten Sie darauf, was hier nicht geschieht: Das Netz versteht hinterher immer noch nicht, was eine Katze ist. Es hat keine Vorstellung von Schnurrhaaren, von Haustieren, von irgendetwas. Es hat lediglich eine riesige Sammlung von Zahlen so eingestellt, dass die richtigen Bilder das Label „Katze“ ergeben. Es erkennt ein Muster, es kennt keine Bedeutung. Dieser Unterschied ist vielleicht das Wichtigste, was Sie aus dieser Lektion mitnehmen, und er erklärt später vieles von dem, was KI kann und was nicht.
Bei einem echten Mischpult drehen Sie bewusst an den Reglern, bis es gut klingt. Bei einem Netz hört niemand auf den Klang: Das Anpassen geschieht vollautomatisch, rein auf Basis des gemessenen Fehlers, ohne dass irgendwo ein Ohr oder eine Absicht im Spiel ist. Und die Analogie lässt offen, woher das Netz weiß, in welche Richtung jeder Regler muss, das ist kein Raten: aus dem gemessenen Fehler folgt genau die Richtung jeder Anpassung. Das ist das Thema des nächsten Moduls.
Was Sie jetzt verstehen
- Ein Neuron ist ein Rechenschritt: Es zählt eingehende Signale zusammen, jedes mit seinem eigenen Gewicht, und gibt weiter, wenn die Summe stark genug ist.
- Neuronen arbeiten in Schichten zusammen. Jede Schicht baut auf der vorigen auf, von rohen Details zu immer reichhaltigerer Erkennung, bei vielen Schichten heißt das deep learning.
- Lernen ist das geduldige Anpassen all dieser Gewichte, Beispiel für Beispiel, bis das Netz oft richtigliegt. Das heißt trainieren.
- Ein trainiertes Netz erkennt Muster, versteht aber keine Bedeutung, merken Sie sich diesen Unterschied.
Was passiert genau, wenn ein neuronales Netz „lernt“?
Das war Modul 1. Der vollständige Kurs geht weiter: Woher weiß das Netz, in welche Richtung es jedes Gewicht anpassen muss? Und wie wachsen einzelne Neuronen zu etwas heran, das Sprache versteht?
Alle Kurse und Module ansehen →