Jeder kennt ChatGPT. Aber wo bleiben die deutschen Konkurrenten? Ob wir eine Chance haben, international mitzuhalten, hat uns die KI-Expertin Vanessa Cann verraten.
Tobias Koch
In Deutschland wird viel gemeckert, auch über den Stand von Künstlicher Intelligenz. Seit ChatGPT von der US-Firma OpenAI den Medien-Hype dominiert, scheint es, dass Deutschland in Sachen KI nichts vergleichbares zu bieten hat.
Das liege nicht an der Grundlagenforschung, sagt KI-Bundesverbandschefin Vanessa Cann. Denn bei der KI-Forschung ist Europa weltweit noch vor den USA auf Platz zwei und Deutschland hier etwa gleichauf mit Großbritannien. Nur Forschende aus China veröffentlichen mehr Paper zu dem Thema.
Und es gibt sie ja, die deutschen KI-Unicorns. Nur liegt die Gründung von DeepL (2009) oder Celonis (2011) vergleichsweise lange zurück. Und aufstrebende Startups mit neuartigen Technologien wie Aleph Alpha oder das Projekt OpenGPT-X sind bisher nur wenigen außerhalb der Tech-Bubble bekannt.
Wie werden wir also auch bei Produkten Spitzenreiter, die nicht nur in der Nische gefeiert werden? Und wer sind die Startups, die besonders groß werden könnten? Ein Interview.
Lest auch
Vanessa, Deutschland ist Spitze bei wissenschaftlichen Veröffentlichungen zum Thema KI, aber wo bleiben die Produkte, die dann ebenfalls an der Weltspitze sein müssten?
Die Wissenschaftler und Wissenschaftlerinnen bleiben lieber in der Forschung, weil sie im Falle einer Ausgründung sehr viel mit den Forschungsinstituten und Universitäten teilen müssten. Das macht Gründungen weniger relevant und interessant. Und für die VCs ist es kein spannender Case, weil die Einrichtungen mit vielen Anteilen in den Startups sitzen.
Wie ginge es besser?
Es ist keine Seltenheit, dass Professoren und Professorinnen mit ihren PhDs zusammen gründen, jedoch geschieht dies noch viel zu selten. Der Vergleich mit Israel verdeutlicht, dass dies auch eine Frage des Mindsets ist. In Israel werden vielfach Unternehmen an Universitäten ausgegründet, da diese praxisnäher sind und die Studierenden eher dazu motivieren, zu gründen. In Deutschland gibt es jedoch auch positive Beispiele wie die WHU, wo das Thema Gründen durch viele Seminare und Weiterbildungsprogramme sehr präsent ist. Allerdings fehlt es den Studierenden der Business School oft an technischem Know-how.
Es reicht ja nicht, dass die Studierenden der WHU gründen wollen. Woher nehmen diese die technische Expertise für ein KI-Startup?
Aus diesem Grund hat die WHU ein Austauschprogramm mit der RWTH Aachen entwickelt, wo viele Techniker studieren. Diese haben jedoch oft kein Gespür dafür, was ein Geschäftsmodell hinter ihrer Forschung wäre. Daher sollten in den hochtechnischen Studiengängen mehr Berührungspunkte mit dem Thema Gründen geschaffen werden oder es sollten Vernetzungsprogramme angeboten werden.
Dass zwischen Wissenschaft, Praxis und Gründungsinteressierten eine große Lücke klafft, ist keine neue Erkenntnis. Warum ist da in den vergangenen Jahren so wenig passiert?
Was wir in den vergangenen Jahren in Deutschland geschafft haben, ist ein Gründungs-Mindset zu entwickeln. Das ist ein großer Schritt in die richtige Richtung. Es gibt immer mehr junge Menschen in Deutschland, die von der Uni abgehen und ihren Karriereweg in der Gründung einschlagen. Um das Problem kurzfristig zu lösen, braucht es Plattformen und Marktplätze, die Gründungswillige mit Technikern zusammenbringen. Allgemein müsste der Staat die Forschungsinstitute stärker motivieren, Ausgründungen zu forcieren und zu unterstützen.
Lest auch
Das klingt nicht danach, dass wir in absehbarer Zeit den USA und China bei KI-Produkten Paroli bieten könnten.
Es gibt KI-Bereiche, wie Plattformen, da ist der Zug schon abgefahren, weil sich in den USA sehr viel und in Deutschland sehr wenig getan hat. Wo wir aber sehr stark unterwegs sind, ist der Bereich Industrie. Man darf nicht vergessen, dass die deutsche Industrie Weltmarktführer in vielen Bereichen ist. Wir sind auf dem vierten Platz, wenn es um das Bruttoinlandsprodukt geht, ein Indikator für unsere Industriestärke. In unserer deutschen negativen Haltung vergessen wir manchmal, dass wir auch vieles richtig machen.
Aber warum fällt uns Software so schwer?
Weil wir bei Software sehr ergebnisoffen herangehen müssen. Bei KI kann der Projektverlauf sehr dynamisch sein und man muss auch flexibel mit den Ergebnissen umgehen können. Bei Software sieht man ganz deutlich, dass das Mindset „Wir bauen einen Meilenstein-Plan auf, wir bauen einen Projektplan auf“ nicht aufgeht. Wir brauchen also eine Fehlerkultur, um mehr ausprobieren zu können.
Der KI-Bundesverband hat das Projekt LEAM gestartet, das herausfinden soll, ob und wie wir große KI-Modelle, also Leuchtturmprojekte in Deutschland bauen können. Das Vorgehen davon mit Initiative, Konzeptpapier und Machbarkeitsstudie erinnert an die Mentalität, die du gerade kritisierst.
Neben den konkreten Forderungen ist das Papier auch ein Call to Action. Regierung und Wirtschaft müssen endlich verstehen, welche Welle da gerade auf sie zurollt. Oft ist man aber an Rahmenbedingungen der öffentlichen Hand oder der Konzerne gefangen. Das heißt aber nicht, dass das nicht aufgehen kann.
Eure Studien kamen zu dem Ergebnis, dass es für Leuchtturmprojekte an Personal, Infrastruktur und Daten fehlt. Wie kann das gelöst werden?
Indem alle Stakeholder endlich zusammenarbeiten, diese Probleme zu lösen. Wir haben etwa das staatlich geförderte Projekt OpenGPT-X, bei welchem wir Sprachmodelle trainieren, welche die Recheninfrastruktur des deutschen Forschungszentrums Jülich nutzen. Aber man merkt, wie man damit an die Grenzen des Machbaren kommt, weil man eine dedizierte KI-Infrastruktur bräuchte, um große KI-Modelle erfolgreich trainieren zu können und der Aufbau dieser würde bis zu 400 Millionen Euro kosten. Das Geld müsste von der öffentlichen Hand und den etablierten Industrien, etwa von DAX-Konzernen, kommen. Wir sind da in vielen Gesprächen.
Lest auch
Das ist das Problem der Infrastruktur. Was ist mit den Daten?
Im Bereich der Sprache sind wir gut aufgestellt. Nehmen wir DeepL als Beispiel: Sie haben die gesammelten Textdaten der europäischen Institutionen genutzt und diese 1:1 übersetzt. Deshalb ist DeepL heute deutlich stärker aufgestellt als Google Translator. Über diese Institutionen könnten wir also an Daten kommen. Aber auch hier bedarf es der Partizipation der Wirtschaft.
Was braucht denn die Industrie?
Die meisten Unternehmen wünschen sich Sprachmodelle, und zwar lokal trainierte, da sie die internationalen Modelle aufgrund der Datenübermittlung ins Ausland nicht nutzen können. Viele Unternehmen können genau deshalb beispielsweise auch ChatGPT nicht einsetzen. Außerdem mangelt es ChatGPT an der Sprachvielfalt. Die KI ist zwar im Deutschen gut, aber nicht sehr gut. Und wenn man andere, kleinere europäische Sprachen nimmt, wie Bulgarisch oder Kroatisch, dann stößt die KI sehr schnell an die Grenzen des Möglichen.
Sollten sich unsere KI-Sprachmodelle wirklich nur auf europäische Märkte konzentrieren?
Nein, die können natürlich auch vom Rest der Welt genutzt werden. Aber Europäer legen beispielsweise mehr Wert auf Datenschutz, Sicherheit, Qualität und Bias der Daten. Es gibt sehr viele herausragende KI-Unternehmen vor unserer Haustür, die nur oft sehr klein bleiben, weil sie weniger Finanzierungen bekommen. Die Qualität der Produkte ist jedoch oftmals besser als die der internationalen Konkurrenz.
Wenn wir uns ChatGPT angucken, dann scheint es vielen Deutschen egal zu sein, dass die Qualität etwa bei Fakten nur mäßig ist.
Mit Sprache kann man sehr leicht manipulieren, weshalb mehr Transparenz bei OpenAI sehr wichtig wäre. ChatGPT ist derzeit gehypt, weil es ein riesiger Entwicklungssprung im Bereich KI ist und für sehr viele Menschen der erste Berührungspunkt mit KI überhaupt ist. Das macht unsere Arbeit aber leichter, weil die Leute jetzt besser verstehen, was KI ist. Noch verändert ChatGPT zwar nicht die Breite unserer Arbeit, aber ich bin gespannt, wie es mit der nächsten Version von GPT weitergeht.
Wie schaffen wir es also, an ChatGPT heranzukommen?
Im Bereich der Sprachmodelle schaffen wir das unter anderem mit Transparenz und Qualität. Aber es gibt ja nicht nur Sprachmodelle und nicht nur eine Art, diese zu bauen. Wir sind noch lange nicht an dem Punkt, an dem wir alle Möglichkeiten ausgeschöpft haben. Auch aus den USA und China werden noch viele weitere Modelle kommen. Und hoffentlich auch aus Europa.
Aber was bringen deutsche KI-Startups wie Aleph Alpha, die zwar bei Transparenz und Qualität punkten, aber dennoch nur einem kleinen Kreis bekannt sind?
Aleph Alpha ist ein sehr positives Beispiel, aber viele deutsche Unternehmen arbeiten derzeit noch im Hintergrund und sind nicht sehr gut darin, in die Welt hinauszuschreien, wie toll sie sind. Das ist ein Marketing-Problem.
Lest auch
Wer sind die deutschen KI-Startups, die gerade ganz vorne sind?
Als Netzwerk von 400 Unternehmen fällt es mir natürlich schwer, die besten herauszupicken.
Anders gefragt: Welches sind die wertvollsten?
Es gibt drei Unicorns im KI-Bereich: DeepL, Scoutbee und Celonis. Zusätzlich sind im Bereich Robotik beispielsweise Micropsi Industrie und Wandelbots sehr spannend. Damit können Laien Roboterarme trainieren. Im Bereich Industrie finde ich spannend, wie mehr Unternehmen die Modelle nutzen, die es bereits gibt, wie GPT3 von OpenAI, und darauf aufsetzen. Ein Beispiel ist Fyrfeed, die Inhalte für Linkedin oder Blogs erstellen.
Deutsche Unternehmen sollten also doch auf US-Software setzen?
Ich wünsche mir natürlich, dass das in Zukunft anders ist und wir unsere eigene Infrastruktur bauen. Aber momentan geht der Trend ganz klar in die Richtung, dass die vorhandenen Modelle die Grundlage für unsere KI werden.
Viele deiner genannten Unternehmen wurden vor 5 oder 10 Jahren gegründet. Das ist für Startup-Verhältnisse in diesem neuen Markt recht alt. Wer wäre deiner Meinung nach der nächste Unicorn-Kandidat?
Aleph Alpha steht bei mir hoch im Kurs – wenn sie es wirklich schaffen, Modelle zu trainieren.
0 Comments :
Post a Comment