Exponat 01 · Lernverfahren · Bildklassifikation
Bildnetze lernen Merkmale
Wie lernt ein Rechner, Bilder zu unterscheiden, ohne dass jemand jede Form einzeln programmiert?
Exponat erkunden ↗Themenraum · 6 Exponate
Maschinelles Lernen und generative Modelle
Sechs Exponate führen von gelernten Bildmerkmalen über Aufmerksamkeit und generative Verfahren bis zur Proteinstruktur. Du erfährst, was die Modelle lernen, wie ihr Erfolg geprüft wird und welche Fragen dadurch noch nicht beantwortet sind.
In deinem Tempo · Quellen an jedem Exponat · Stand: 5. September 2026
Bild vergrößern ↗Eine Raumfrage · verschiedene Zugänge
Muster lernen. Möglichkeiten erzeugen. Ergebnisse prüfen.
Beginne bei einer Frage, die dich interessiert, oder folge den Stationen des Rundgangs.
Exponat 02 · Modellarchitektur · Transformer
Aufmerksamkeit verbindet
Wie kann ein Modell weit auseinanderliegende Teile einer Eingabe miteinander in Beziehung setzen?
Exponat erkunden ↗
Exponat 03 · Generatives Verfahren · Diffusionsmodelle
Bilder aus Rauschen
Wie kann eine Folge kleiner Entrauschungsschritte ein neues Bild hervorbringen?
Exponat erkunden ↗
Exponat 04 · Bestärkendes Lernen · AlphaGo
Lernen durch Rückmeldung
Wie können eigene Versuche ein System besser machen, wenn niemand jeden einzelnen Zug vorgibt?
Exponat erkunden ↗
Exponat 05 · Nachtraining · Lernen aus Präferenzen
Menschen bewerten Antworten
Wie lässt sich ein Modell an hilfreichen Antworten ausrichten, wenn es keine einzige richtige Formulierung gibt?
Exponat erkunden ↗
Exponat 06 · Wissenschaftliches Modell · AlphaFold
Proteinform vorhersagen
Wie weit lässt sich aus einer Aminosäurefolge auf die räumliche Struktur eines Proteins schließen?
Exponat erkunden ↗Die Werkstatt der Erkenntnis
Was trägt ein Befund?
Öffne die Beispiele und unterscheide gemessenes Ergebnis, begründete Aussage und Grenze des Vergleichs. Ein leistungsfähiges Modell ist immer auch an einer bestimmten Aufgabe geprüft worden.
ImageNet: Ein großer Sprung in einer bestimmten Aufgabe2012
- Was wurde untersucht?
- Die AlexNet-Wettbewerbsversion erreicht laut Originalpublikation 15,3 Prozent Top-5-Fehler bei der Bildklassifikation.
- Welche Aussage trägt der Versuch?
- Das System übertrifft die damaligen Vergleichsbeiträge bei dieser definierten Auswertung.
- Was bleibt offen?
- Der Wert ist keine allgemeine Sehfähigkeit und sagt allein nicht, welche Merkmale das Netz nutzt.
AlphaGo Zero: Lernen aus eigenen Partien2017
- Was wurde untersucht?
- Das System wird ohne menschliche Beispielpartien im Selbstspiel trainiert und gegen andere Go-Systeme geprüft.
- Welche Aussage trägt der Versuch?
- Menschliche Beispielzüge sind für die gezeigte hohe Spielstärke dieses Verfahrens nicht notwendig.
- Was bleibt offen?
- Regeln, Ergebnisdefinition, Architektur und Rechenressourcen bleiben Voraussetzungen.
CASP14: Vorhersage vor der öffentlichen Lösung2020; veröffentlicht 2021
- Was wurde untersucht?
- AlphaFold-2-Vorhersagen werden mit zuvor nicht öffentlich verfügbaren experimentellen Proteinstrukturen verglichen.
- Welche Aussage trägt der Versuch?
- Viele untersuchte Strukturen werden mit deutlich höherer Genauigkeit als durch damalige Vergleichsverfahren vorhergesagt.
- Was bleibt offen?
- Der Test bestätigt weder jede Proteinform noch alle Bewegungen, Bindungen und medizinischen Anwendungen.
Eine Frage an deinen Blick
Was lässt sich wirklich behaupten?
Ein Modell erhält für eine freundlich formulierte, aber sachlich falsche Antwort mehr Zustimmung als für eine korrekte. Was zeigt dieser Vergleich?
Auflösung und Begründung
Eine Bewertung und ein Wahrheitsnachweis sind verschiedene Dinge. Rückmeldungen können hilfreich sein, müssen aber das beabsichtigte Ziel ausreichend erfassen. Ein konkreter Fehlanreiz begründet genauere Prüfungen, kein pauschales Urteil über jedes Verfahren.
Die Erklärung mit Quellen lesen ↗Die Idee dieser Ausstellung
Welche Rückmeldung macht aus Beispielen ein brauchbares Modell?
Lernen heißt hier: eine Verarbeitung verändern
Der Raum beginnt mit einem vertrauten Wort und einer genauen Frage. Was wird in einem lernenden System verändert? Es können Filter für Bildmerkmale sein, Beziehungen zwischen Eingabeteilen, eine Handlungsstrategie oder die Bewertung einer Antwort. Diese Unterschiede sind wichtiger als die Vorstellung einer einzigen allgemeinen Fähigkeit, die plötzlich in allen Aufgaben gleich funktioniert.
Du brauchst keine mathematischen Vorkenntnisse. Jedes Exponat beginnt bei einem anschaulichen Problem und führt dann zur historischen Arbeit. Die Zeichnungen öffnen den Zugang; die Quellen begründen die konkreten Ergebnisse. Wo ein Vergleich erfunden ist, steht das ausdrücklich dabei. So lässt sich ein Prinzip kennenlernen, ohne eine Illustration mit einem Versuchsprotokoll zu verwechseln.
Beschriftung, Störung, Spielergebnis und Urteil
Die sechs Stationen ordnen sich nach der verfügbaren Rückmeldung. Bei der Bildklassifikation gibt es vorgegebene Klassen. Ein Diffusionsmodell lernt an künstlich gestörten Beispielen. Beim Spiel folgen Ergebnisse auf Handlungsfolgen. Beim Präferenzlernen vergleichen Menschen mehrere Möglichkeiten. Jede Variante macht bestimmte Informationen verfügbar und lässt andere Fragen offen.
Der Rundgang verbindet diese Lernaufgaben mit zwei Architektur- und Anwendungsfragen: Wie werden Beziehungen zwischen Eingaben berechnet, und wie kann eine molekulare Strukturvorhersage wissenschaftlich geprüft werden? Die Stationen zeigen dadurch verschiedene Ebenen. Ein Bauplan, ein Trainingsziel und eine Anwendung sind keine austauschbaren Begriffe.
Jede starke Behauptung braucht einen passenden Vergleich
Ein Test kann eine echte Verbesserung nachweisen und zugleich begrenzt sein. Das ist kein Widerspruch. Eine bessere Platzierung bei Bildklassifikation, hohe Spielstärke und ein genaueres Molekülmodell sind unterschiedliche Resultate. Für jedes müssen Eingaben, Aufgaben, Vergleichsmaßstab und verfügbare Informationen nachvollziehbar sein.
Die drei Befundkarten helfen, diese Unterscheidung selbst anzuwenden. Lies zuerst nur das beobachtete Ergebnis. Formuliere dann eine Aussage, die es tatsächlich trägt. Erst danach betrachte die offene Grenze. Auf diese Weise wird aus der pauschalen Frage, ob eine KI gut sei, eine präzisere Frage nach einem bestimmten System und seiner Verwendung.
Hinter dem Modell stehen viele Beteiligte
Auch automatisch erzeugte Ausgaben haben eine Vorgeschichte. Menschen stellen Forschungsfragen, sammeln oder erzeugen Daten, legen Vergleichsregeln fest, programmieren Verfahren und beurteilen Ergebnisse. Manche Beiträge tragen bekannte Namen. Andere liegen in umfangreicher gemeinsamer Arbeit, die im fertigen Antwortfenster oder Bild leicht unsichtbar wird.
Das Museum zeigt deshalb keine Galerie einsamer Erfinder und keine Geschichte einer zwangsläufigen Ablösung des Menschen. Es fragt, wie technische Möglichkeiten entstehen und wie ihr Wert festgestellt wird. Menschliche Entscheidungen gehören zum Gegenstand der Ausstellung, selbst wenn der konkrete Rechenschritt anschließend ohne laufende Handsteuerung ausgeführt wird.
Der nächste Schritt führt zurück zur beobachtbaren Welt
Am Ende steht die Proteinstruktur: ein Beispiel dafür, wie gelernte Muster neue wissenschaftliche Vorschläge ermöglichen. Eine solche Vorhersage kann den nächsten Versuch genauer ausrichten. Ob eine bestimmte Schlussfolgerung stimmt, hängt weiterhin von geeigneten Beobachtungen und ihrem Zusammenhang ab. Ein plausibles Modell und sein experimenteller Nachweis bleiben unterscheidbar.
Die weiteren Räume der Sammlung führen zu Robotik, Eingriffen in lebende Systeme sowie neuen Mess- und Materialverfahren. Du kannst dem Raumrundgang vollständig folgen oder gezielt an der Stelle weitergehen, die dich interessiert. Die stabile Navigation bringt dich von jedem Exponat zu seiner Übersicht zurück; Quellen und Begriffe begleiten die jeweilige Erklärung.
Dein nächster Weg
6 Stationen, eine gemeinsame Frage.
Der Rundgang verbindet die Exponate. In der Sammlung erreichst du die anderen Themenräume.