Transformermodelle „denken“ nicht – sie optimieren Wahrscheinlichkeiten.
Ihr Output ist beeindruckend, aber völlig nicht-konzeptuell.
Warum Transformer nicht denken#
Trotz aller Begeisterung fehlt Transformer-basierten Modellen (wie GPT) das, was echte Denkprozesse ausmacht:
- Kein echtes Weltwissen
- Kein Verständnis von Ursache und Wirkung
- Keine Intentionen oder Ziele
- Kein Selbstmodell oder Modell anderer
- Keine echte Abstraktion oder symbolische Verankerung
- Kein mentales Zeiterleben (Gedächtnis/Planung)
Sie sind statistische Spiegel, keine kognitiven Agenten.
Ein Transformer ist kein Geist – nur ein ausgeklügelter Papagei mit riesigem Echo.
Neural ≠ Human#
Transformer sind nicht gehirnähnlich.
Sie imitieren keine kortikalen Prozesse, kein dynamisches Lernen, keine biologischen Rückkopplungsschleifen.
Sie erkennen Muster – aber verstehen sie nicht.
In der Neurowissenschaft ist Intelligenz mehr als Vorhersage:
Es geht um die Integration von Wahrnehmung, Gedächtnis, Kontext und Motivation in sinnvolles Verhalten.
Transformer leisten das nicht.
Siehe:
- Rodney Brooks – Intelligence without representation
- Yoshua Bengio – System 2 Deep Learning and Consciousness
- Karl Friston – Active Inference Framework
Täuschende Oberfläche, fehlende Tiefe#
Transformer simulieren Sprachflüssigkeit, aber kein Verstehen.
Sie können:
- Ein juristisches Argument nachahmen
- Eine poetische Antwort schreiben
- Einen philosophischen Dialog fortsetzen
Aber sie können nicht:
- Verstehen, was ein Vertrag ist
- Die emotionale Tiefe einer Metapher erfassen
- Über die Bedeutung einer Frage reflektieren
Das ist der ELIZA-Effekt in großem Maßstab:
Wir projizieren Denken in statistischen Output.
Transformer als Sackgasse?#
Der aktuelle KI-Kurs steckt in einem lokalen Maximum:
Mehr Daten – größere Modelle – besser klingende Texte… aber kein Schritt Richtung echtes Verstehen.
Skalierung ist kein Ersatz für Erkenntnis.
Echte KI könnte erfordern:
- Symbolverankerung
- Verkörperung
- Kontinuierliches Lernen
- Kausales Denken
- Kognitive Architekturen jenseits von Transformern
Siehe:
- Gary Marcus – Deep Learning Is Hitting a Wall
- Timothy Shanahan – Transformers lack abstraction
- Neurosymbolische Ansätze – MIT-IBM Watson AI Lab
Quellen#
- Wired — Gary Marcus: Deep Learning Is Hitting a Wall
- arXiv — Shanahan et al., Transformers lack abstraction
- MIT-IBM Watson AI Lab — Neurosymbolic AI
- MIT — Rodney Brooks “Intelligence without representation”
- Yoshua Bengio — System 2 Deep Learning (mila.quebec)
- Karl Friston — Active Inference (UCL)
Fazit#
Transformer sind sprachliche Illusionen.
Sie simulieren Kompetenz – besitzen aber keine.
Der Weg zu echter KI führt nicht über immer größere Sprachmodelle.
Er führt über ein neues Verständnis davon, was Intelligenz wirklich ist –
nicht nur, wie sie klingt.
Wir sollten nicht länger fragen: „Wie gut klingt der Output?“
Sondern: „Was für ein System erzeugt ihn?“
