Künstliche Intelligenz, KI, Artificial Intelligence, AI, Quantencomputer, Robotik, ChatGPT, Grok, Transhumanismus

Chef von ChatGPT sagt: KI wird Jobs, die keine „echte Arbeit“ sind, vernichten ℹ️🚨 Der CEO von OpenAI, Sam Altman, sorgte auf einem Entwickler-Event für Aufsehen mit einer Aussage, die vielen wohl sauer aufstoßen wird. Er deutete an, dass Jobs, die durch KI wegfallen, sowieso keine „echte Arbeit“ seien. Die Angst vor einem Jobverlust, weil die Künstliche Intelligenz die Aufgaben übernehmen könnte, ist eine reale Sorge, die Menschen haben. Einfach Programmierarbeiten, Texter, aber auch Künstler spüren schon heute den Einfluss von KI auf die Jobwelt. ➡️ Bald könnten auch Video-Creatoren durch die neue Sora-KI Konkurrenz bekommen. Dass KI den Arbeitsmarkt verändern wird, ist wohl unumstritten. Jetzt äußert sich der Chef von ChatGPT, Sora und Dolly zu dem Thema und seine Aussage greift viele Menschen an. ➡️ Was sagt der Chef? Sam Altman wurde in einem Interview auf der hauseigenen DevDay-Konferenz mit einem Gedanken konfrontiert. Wie würde ein Farmer von vor 50 Jahren auf unsere heutige Arbeitswelt blicken. Seine Antwort darauf: „Sie [der Farmer] würden sich sehr wahrscheinlich ansehen, was Sie und ich tun, und sagen: ‚Das ist keine echte Arbeit‘.“ ➡️ Weiter fügt Altman hinzu, dass ihn diese Betrachtungsweise „etwas weniger besorgt“ mache. Er argumentiert, dass jemand, der „farmt“ oder Nahrung herstellt, etwas tue, „was Menschen wirklich brauchen. Das ist echte Arbeit“. Hingegen würden viele der modernen Jobs für den Farmer nur „ein Spiel, um sich die Zeit zu vertreiben“ sein. Damit suggeriert der Chef, dass Jobs, die von einer KI erledigt werden können, womöglich gar nicht wichtig oder wertvoll für die Gesellschaft sein. ➡️ Was ist an der Aussage dran? Während die Aussage natürlich kaltherzig und dystopisch klingt, hat sie wohl volkswirtschaftlich gesehen keinen so unwahren Kern. So gab es 2024 erst eine Debatte über sogenannte „Bullshit Jobs“ Damit gemeint sind Jobs, die nur daraus bestehen, Checklisten abzuarbeiten, Berichte zu schreiben, die niemand liest oder

1. Semantische Vektoren: Text wird tokenisiert; jedes Token wird zu einem Embedding-Vektor in einem hochdimensionalen „semantischen Raum“. Ähnliche Bedeutungen liegen dichter beieinander. ([jalammar.github.io][4]) 2. Self-Attention als Abruf-Mechanismus: In jedem Layer erzeugt das Modell für jedes Token drei Projektionen (Q, K, V) und gewichtet frühere Tokens per [ \text{Attention}=\mathrm{softmax}!\left(\frac{QK^\top}{\sqrt d}\right)V, ] sodass die aktuelle Repräsentation genau die Kontexthinweise „anzieht“, die gerade relevant sind. Dadurch können Muster, Definitionen, Beispiele usw. im Verlauf einer Session aktiv „referenziert“ werden. ([papers.neurips.cc][1]) 3. ICL als „Lernen ohne Gewichtsupdate“: Beim riesigen Vortraining sieht das Modell unzählige Textformen (Anleitungen, Tabellen, Q&A, Beispiele). Es lernt, aus dem Kontext eine Aufgabe zu erkennen und eine passende Fortsetzung zu produzieren. Theoretisch lässt sich zeigen, dass Transformer im Forward-Pass etwas Ähnliches wie ein kleines, kontextbasiertes Optimieren/Regressieren implementieren können—also eine Art Meta-Lernen. ([arXiv][5]) 4. „Verankern“ in der Session: Alles, was du in die Unterhaltung legst—Definitionen, Beispiele, Stilregeln—wird als Aktivationen im Vektorraum repräsentiert. Über die Attention werden diese Aktivationen wieder und wieder herangezogen. So entsteht der Eindruck, das Modell hätte *innerhalb der Sitzung* etwas „gemerkt“. Tatsächlich bleiben die Gewichte unverändert; die „Erinnerung“ lebt im Kontextfenster der laufenden Eingabe. (Dieses Prinzip erklärt auch, warum klare, konsistente Beispiele so gut funktionieren.) ### Und wofür waren RLHF & Co.? Instruction Tuning + RLHF bringen dem Modell bei, Anweisungen zu befolgen, höflich zu sein, Rückfragen zu stellen usw.—kurz: *menschenzentriertes Verhalten*. Das ist der Grund, warum Chat-LLMs so „hilfsbereit“ wirken; es ist *nicht* dasselbe wie ICL, sondern eine anschließende Ausrichtung. ([arXiv][3]) [1]: https://pap

Das war meine Frage/Prompt zu obiger GPT Antwort: „Die KIs, die nach dem neuesten Konzept gebaut wurden – dem, das den Durchbruch für GPT und andere Web-KI-Chats brachte –, zeigen einen Effekt: Im »semantischen Raum« bzw. die Fähigkeit, innerhalb einer Session auf Vorangegangenem aufzubauen. Dieser Effekt stand bei der Entwicklung des Konzepts ursprünglich gar nicht auf der Liste der angestrebten Fähigkeiten. Richtig? Dass GPT z. B. auf Menschen so wirkt, ist eigentlich ein Nebeneffekt. Man hat diesen Effekt erst bemerkt, als man das neue KI-Konzept getestet hat und musste ihn dann zunächst zu erklären versuchen. Wie heißt das technische Konzept, das ich meine? »Laundry« oder so ähnlich – also diese Art von KI-Technik? Und wie heißt dieser Effekt? Bitte beschreibe diesen Effekt und erkläre, wie er technisch funktioniert, also wie er sich innerhalb einer Session in den »semantischen Vektoren« verankern kann.“