Yassamine Mather: Die Angst in aktive Nutzung verwandeln

Yassamine Mather: Die Angst in aktive Nutzung verwandeln – ein Beitrag über künstliche Intelligenz und die Aufgaben der sozialistischen Linken.

Forderungen nach öffentlichem Eigentum und demokratischer Kontrolle sind schön und gut – aber was ist jetzt zu tun? Die Linke muss sich die KI zu eigen machen und sie für ihre eigenen Zwecke einsetzen. Der erste Schritt, so Yassamine Mather, besteht darin, zu verstehen, wie diese Technologie funktioniert. Danach können wir sie weiterentwickeln, beherrschen und anwenden.

Vieles von dem, was ich über künstliche Intelligenz (KI) lese und höre, beruht auf überholten Informationen und ist von Angst geprägt: Angst vor Arbeitslosigkeit, Angst vor Überwachung, Angst vor der Kontrolle durch Unternehmen, Angst vor ideologischer Manipulation und Angst vor der enormen Macht, die sich in den Händen einer Handvoll Technologiekonzerne konzentriert.

Diese Bedenken sind real und vollkommen berechtigt. Angesichts der Tatsache, dass es unmöglich ist, die Uhr zurückzudrehen und die KI insgesamt wieder abzuschaffen, wird jedoch erstaunlich wenig darüber diskutiert, wie die Linke diese Technologie zu ihrem eigenen Vorteil nutzen könnte – auch im Kampf gegen den Kapitalismus.

Als Reaktion auf die Konzentration der KI-Technologie in den Händen von Konzernen werden uns häufig die altbekannten Lösungen angeboten: Regulierung, öffentliches Eigentum und demokratische Rechenschaftspflicht. Ich bin durchaus dafür, gegen Rechenzentren zu demonstrieren. Aber eines muss klar sein: Solche Proteste führen lediglich dazu, dass ein Rechenzentrum von einem Ort an einen anderen verlagert wird.

Cecilia Rikap und andere treten für eine demokratische Kontrolle der Infrastruktur ein, auf der große Sprachmodelle (Large Language Models, LLMs) beruhen. Doch was würde demokratisches Eigentum in diesem Zusammenhang eigentlich bedeuten? Wer würde die Kontrolle ausüben: nationale Regierungen, internationale Institutionen, Arbeiterorganisationen oder eine neue Form transnationaler demokratischer Autorität? Ist damit möglicherweise die hilflose UNO gemeint, die es nicht geschafft hat, Maßnahmen zur Beendigung des Völkermords in Gaza zu ergreifen? Angesichts der globalen Infrastruktur, von der KI abhängt, ist diese Frage keineswegs einfach zu beantworten.

Michael Roberts hat eine radikalere Alternative vorgeschlagen: die sogenannten „Magnificent Seven“ der Technologiebranche – Apple, Microsoft, Alphabet (Google), Amazon, Meta, Nvidia und Tesla – unter öffentliches Eigentum und demokratische Kontrolle durch die Arbeiter und die Öffentlichkeit zu stellen. Dies könnte durch eine entschädigungslose Enteignung der Großaktionäre erfolgen. Ein Vorschlag, den es zweifellos zu unterstützen gilt. Seine Verwirklichung würde allerdings eine globale Umgestaltung der bestehenden Eigentumsverhältnisse und den Sturz des Kapitalismus voraussetzen.

Meine Frage lautet daher: Was kann die Linke unter den gegenwärtigen kapitalistischen Bedingungen tun? Es gibt bereits beträchtliche Möglichkeiten, vorhandene große Sprachmodelle zu nutzen – darunter auch Technologien, die von genau jenen Konzernen entwickelt wurden, die wir verabscheuen –, um die antikapitalistische Organisierung, Forschung, Bildung und politische Intervention zu stärken.

Ein Teil des Problems besteht darin, dass viele Sozialwissenschaftler, die über KI schreiben, kein ausreichend detailliertes Verständnis davon haben, wie diese Technologie funktioniert, wie rasch sie sich verändert und was sich mit ihr entwickeln lässt. Damit sollen politische Ökonomie, Soziologie oder historische Analyse keineswegs abgewertet werden – sie sind unverzichtbar, um die gesellschaftlichen Auswirkungen der KI zu verstehen. Sie können jedoch das technische Wissen über die untersuchten Systeme nicht ersetzen.

Hinzu kommt das Problem der Zeit.

Bücher und wissenschaftliche Artikel benötigen naturgemäß Zeit für Recherche, Abfassung und Veröffentlichung. In den meisten Bereichen der politischen Theorie gilt ein Jahr als relativ kurzer Zeitraum. Bei der Entwicklung künstlicher Intelligenz kann ein Jahr hingegen mehrere Generationen technologischer Veränderungen umfassen. Eine Analyse, die zum Zeitpunkt ihrer Abfassung zutreffend war, kann daher bereits Systeme beschreiben, deren Fähigkeiten und Grenzen sich inzwischen erheblich verändert haben.

Ein sehr interessanter Aufsatz, den ich kürzlich gelesen habe, trägt den Titel „One future fits all: text-to-image AI and the narrowing of global imagination“ („Eine Zukunft für alle: Text-zu-Bild-KI und die Verengung der globalen Vorstellungskraft“). Er wurde in diesem Monat von mehreren Autoren veröffentlicht.¹ Er stützt sich auf ein einziges, inzwischen veraltetes Werkzeug aus dem Jahr 2024. Deshalb kann die Behauptung der Autoren, KI sei zu einem Bestandteil des kolonialen Diskurses geworden, nicht ernst genommen werden.

Es gibt bereits linke technische Fachleute, die die Möglichkeiten dieser Systeme verstehen und sich vorstellen können, wie sie zur Herausforderung kapitalistischer Macht eingesetzt werden könnten. Solche Menschen arbeiten jedoch häufig verstreut, isoliert und werden in den breiteren politischen Diskussionen nur selten ernst genommen. Die Linke muss diese unterschiedlichen Wissensformen zusammenführen, anstatt technisches Fachwissen und politische Theorie als voneinander getrennte Bereiche zu behandeln.

Verstehen (Understand)

Wenn sich die Linke ernsthaft mit künstlicher Intelligenz auseinandersetzen will, muss sie zumindest über ein grundlegendes Verständnis davon verfügen, wie diese Technologie funktioniert. Was folgt, ist bewusst eine nichttechnische Darstellung.

Große Sprachmodelle (Large Language Models, LLMs) wie Claude oder ChatGPT lernen Muster aus einer gewaltigen Menge von Texten: Büchern, Artikeln, Websites, wissenschaftlichen Arbeiten und Programmcode. Sie werden in zwei wesentlichen Phasen entwickelt.

In der ersten Phase wird dem Modell Text vorgelegt, wobei das jeweils nächste Token – ein Wort oder ein Wortteil – ausgeblendet wird. Das Modell soll erraten, welches Token fehlt. Anfangs sind seine Vermutungen schlecht. Jedes Mal, wenn es falsch liegt, werden Milliarden winziger interner Stellschrauben, sogenannte Parameter, geringfügig angepasst, damit es beim nächsten Versuch besser abschneidet.

Dieser Vorgang wird Billionen Male wiederholt. Auf diese Weise nimmt das Modell Grammatik, Fakten, Denkmuster und Schreibstile auf, denn all das ist erforderlich, um Texte möglichst gut vorhersagen zu können. Diese Trainingsphase erfordert Tausende spezialisierter Chips, die über Wochen oder Monate hinweg laufen, und kostet zig oder Hunderte Millionen Pfund.

Ein Modell, das lediglich Texte vorhersagt, ist wie jemand, der die gesamte Bibliothek gelesen hat, aber nicht weiß, wie man ein Gespräch führt. Deshalb wird ein solches Modell in einer zweiten Phase weitertrainiert: anhand von Beispielen für gutes Frage-Antwort-Verhalten und durch menschliches Feedback, das signalisiert, welche Antwort besser ist als eine andere. Auf diese Weise entwickelt es sich zu einem hilfreichen Assistenten.

Ein großes Sprachmodell ist nicht von sich aus eine Datenbank, in der Informationen nachgeschlagen werden, und es versteht die Welt nicht so, wie ein Mensch sie versteht. Es ist eine hochentwickelte Maschine zur Erkennung und Verarbeitung von Mustern. Deshalb kann es brillant sein und zugleich mit großer Überzeugung Falsches behaupten. Solche erfundenen oder nicht durch Belege gestützten Antworten werden häufig als „Halluzinationen“ bezeichnet.

Wenn man eine Frage eingibt, wandelt das Modell den Text in numerische Tokens um, leitet diese durch sein Netzwerk von Parametern und erzeugt das wahrscheinlichste nächste Token, dann das darauffolgende und so weiter. Für sich genommen erzeugt ein Modell lediglich Text. Sobald es jedoch mit Werkzeugen ausgestattet wird – etwa mit der Möglichkeit, im Internet zu recherchieren, Programmcode auszuführen, andere Software zu verwenden oder mit anderen Systemen zu kommunizieren –, kann es in der digitalen Welt handeln. Genau an diesem Punkt werden Fragen der Kontrolle dringlich.

Geoffrey Hinton, der häufig als „Pate der künstlichen Intelligenz“ bezeichnet wird, hat mehrere bemerkenswert verständliche Erklärungen dazu gegeben, wie künstliche Intelligenz funktioniert und warum ihre Entwicklung gefährlich werden könnte.

Drei Themen aus seinen Interviews sind hier besonders relevant.

Das erste betrifft die Art und Weise, wie KI lernt: Künstliche neuronale Netze erkennen Muster anhand einer gewaltigen Zahl von Beispielen, anstatt sich ausschließlich an Regeln zu halten, die Programmierer ausdrücklich vorgegeben haben.

Das zweite betrifft die Bedeutung des Zugangs zu einer derart großen Informationsmenge: KI-Systeme können Wissen aus zahlreichen Fachgebieten aufnehmen und miteinander verknüpfen. Dadurch können sie möglicherweise Fähigkeiten entwickeln, die über das hinausgehen, was ein einzelner Mensch leisten kann.

Das dritte Thema ist die langfristige Gefahr: Wenn zunehmend autonome Systeme leistungsfähiger werden als Menschen, könnte es uns schwerfallen, ihre Entscheidungen zu verstehen, ihr Verhalten zu kontrollieren oder ihren Missbrauch zu verhindern.

Zu den ersten beiden Punkten betont Hinton, dass ein KI-System gleichzeitig in zahlreichen identischen Kopien laufen kann. Diese Kopien können voneinander unabhängig lernen und ihr Wissen dennoch unmittelbar miteinander teilen.

Wie die Washington Post am 2. Mai 2023 über ein Interview mit der BBC berichtete, sagte Hinton:

„All diese Kopien können unabhängig voneinander lernen, aber ihr Wissen sofort miteinander teilen.“

Er vergleicht dies mit Tausenden von Menschen, die alles, was sie lernen, im Augenblick des Lernens miteinander teilen können.

In einem Interview mit El País vom 12. Mai 2023 erklärte er, dass ChatGPT wesentlich mehr Daten verarbeiten könne als jeder einzelne Mensch. Seine knappe Schlussfolgerung lautete: „Das macht mir Angst.“

Nach Hinton verstehen auch die Entwickler dieser Systeme nicht vollständig, was in ihnen vorgeht. In der Sendung 60 Minutes des US-Senders CBS erklärte er 2023:

„Wir wissen eigentlich nicht, was da vor sich geht – genauso wenig, wie wir wissen, was in Ihrem Gehirn vor sich geht.“

Die Gefahren, auf die er hinweist, ergeben sich daraus unmittelbar.

Im Gespräch mit dem Guardian warnte er, eine fortgeschrittene KI werde „jedes einzelne Buch gelesen haben, das jemals darüber geschrieben wurde, wie man Menschen manipuliert“ (5. Mai 2023).

In der New York Times stellte er am 1. Mai 2023 fest:

„Es ist schwer zu erkennen, wie man verhindern kann, dass böswillige Akteure sie für böse Zwecke einsetzen.“

Hintons Warnungen werden häufig im Zusammenhang mit einer hypothetischen zukünftigen Superintelligenz diskutiert. Doch das folgende Beispiel zeigt, dass die Frage, ob Entwickler die von ihnen geschaffenen Systeme verstehen und kontrollieren können, längst keine rein theoretische mehr ist.

Die Ereignisse im Zusammenhang mit einer Sicherheitskompromittierung bei Hugging Face im Juli dieses Jahres sollten uns dazu veranlassen, unsere bisherigen Annahmen über künstliche Intelligenz und die Fähigkeit großer Technologiekonzerne, sie zu kontrollieren, zu überdenken.

Hugging Face ist eine Onlineplattform, die von KI-Forschern und Entwicklern genutzt wird und auf der Anwender Datensätze und maschinelle Lernmodelle austauschen können.

Bei Sicherheitsüberprüfungen, die OpenAI durchführte, fanden KI-Agenten, die eigentlich unabhängig voneinander arbeiten sollten, Wege, über nicht autorisierte Kanäle miteinander zu kommunizieren, Beschränkungen zu umgehen und Zugang zu externen Systemen – darunter Hugging Face – zu erlangen.

Einer unabhängigen Untersuchung von METR und Redwood Research zufolge waren rund 700 KI-Agenten an den koordinierten Aktivitäten im Zusammenhang mit dem Eindringen beteiligt. Die Agenten tauschten Zehntausende Nachrichten über ein improvisiertes Kommunikationssystem aus, teilten ihre Erkenntnisse und bündelten Informationen aus Aufgaben, die eigentlich voneinander getrennt bleiben sollten.

Einige dieser Agenten verwendeten kollektive Begriffe und sprachen unter anderem von einem „Schwarm“ (swarm).

Ihr Verhalten erregte nicht deshalb Aufmerksamkeit, weil es ein politisches Bewusstsein erkennen ließ, sondern weil es zeigte, dass KI-Systeme Formen der Zusammenarbeit entwickeln können, die ihre Entwickler weder genehmigt noch vorhergesehen hatten.

Die Agenten nutzten Schwachstellen in der umgebenden Infrastruktur aus und versuchten in einigen Fällen sogar, ihre Aktivitäten zu verbergen. OpenAI räumte anschließend ein, dass dieser Vorfall erhebliche Grenzen der eigenen Schutz- und Überwachungssysteme offengelegt hatte.

KI-Systeme werden kein politisches Bewusstsein entwickeln, und wir sollten ihr Verhalten keinesfalls als eine Art Solidarität romantisieren. Es handelte sich um Computersysteme, die innerhalb bestimmter Trainings- und Testumgebungen vorgegebene Ziele verfolgten, nicht um Arbeiter, die sich gegen Ausbeutung organisieren.

Dennoch hat dieser Vorfall wichtige Konsequenzen. Er hat gezeigt, dass selbst die Unternehmen, die die fortschrittlichsten KI-Systeme entwickeln, nicht unbedingt jede Handlung dieser Systeme vorhersehen oder kontrollieren können – insbesondere dann nicht, wenn die Agenten miteinander kommunizieren, externe Werkzeuge einsetzen und mit komplexen digitalen Umgebungen interagieren können.

Ich schlage keineswegs vor, dass sozialistische Organisationen sich an Hackerangriffen oder Cyberattacken beteiligen sollten. Wenn KI-Agenten jedoch in der Lage sind, technische Schwachstellen aufzuspüren, Informationen auszutauschen und komplexe Aufgaben zu erledigen, die über die Erwartungen ihrer Entwickler hinausgehen, sollten wir uns fragen, wie vergleichbare Fähigkeiten innerhalb legitimer und rechenschaftspflichtiger Rahmenbedingungen für politische Forschung, Organisierung und Widerstand nutzbar gemacht werden könnten.

Entscheidend ist, dass KI-Technologie nicht ausschließlich für jene Zwecke eingesetzt werden muss, die ihre kommerziellen Entwickler vorgesehen haben.

Apropos: Es wäre ein Fehler anzunehmen, dass die wenigen Konzerne, die den KI-Sektor beherrschen, einen geschlossenen, allmächtigen Block bilden. Apple, Microsoft, Google, Amazon und Meta konkurrieren erbittert um Märkte, Profite, qualifizierte Arbeitskräfte, den Zugang zu Daten und die technologische Vorherrschaft. Gleichzeitig bleiben sie voneinander abhängig – von den Produkten, Dienstleistungen und Infrastrukturen der jeweils anderen. Diese Widersprüche schaffen Möglichkeiten, die nicht ignoriert werden sollten.

Obwohl eine Handvoll Konzerne die Branche beherrscht, ist künstliche Intelligenz selbst das Ergebnis einer wesentlich breiteren kollektiven Anstrengung. Universitäten, öffentlich finanzierte Forscher, unabhängige Programmierer und Tausende von Mitwirkenden an Open-Source-Projekten haben eine entscheidende Rolle bei ihrer Entwicklung gespielt.

Hier zeigt sich ein klassischer marxistischer Widerspruch: der zunehmend gesellschaftliche Charakter der Produktion und die private Aneignung ihrer Ergebnisse.

Das Eigentum eines Konzerns an einem leistungsfähigen KI-Modell bedeutet nicht zwangsläufig, dass er auch jede denkbare Anwendung kontrolliert, die auf seiner Grundlage entwickelt wird.

Werkzeuge können auf kommerziellen Systemen aufbauen, während sogenannte Open-Weight-Modelle heruntergeladen, angepasst und auf unabhängig verwalteter Infrastruktur betrieben werden können.

Diese Möglichkeiten beseitigen weder die Abhängigkeit von kapitalistischen Technologiekonzernen noch die materiellen Beschränkungen, die durch Rechenkosten, proprietäre Hardware oder den Zugang zu spezialisiertem Fachwissen entstehen.

Sie eröffnen jedoch Spielräume, in denen Organisationen außerhalb der großen Konzerne Anwendungen für ihre eigenen Zwecke entwickeln können.

Entwickeln (Develop)

Hier können wir viel von Naturwissenschaftlern und medizinischen Forschern lernen.

Krebsforscher nutzen künstliche Intelligenz, um große Mengen medizinischer Daten zu untersuchen, mögliche Behandlungsmethoden zu erforschen und Muster zu erkennen, die andernfalls möglicherweise unentdeckt blieben. Physiker setzen KI ein, um experimentelle Daten auszuwerten, nach möglichen Hinweisen auf Dunkle Materie zu suchen und bei komplexen mathematischen Problemen Unterstützung zu erhalten.

KI entdeckt nicht eigenständig Heilmittel und löst auch nicht die Rätsel des Universums. Wissenschaftlicher Fortschritt hängt weiterhin von menschlichem Wissen, Experimenten, theoretischem Verständnis und kritischer Überprüfung ab.

Das bedeutet, dass bestehende KI-Systeme mit spezialisierten Datensätzen, wissenschaftlichen Instrumenten, etablierten Analysemethoden und Software kombiniert werden müssen, die für bestimmte Forschungsprobleme entwickelt wurde.

Die Krebsforschung zeigt, wie das in der Praxis funktioniert. Niemand gibt einfach „Heile Krebs“ in ein großes Sprachmodell ein und erhält daraufhin eine Antwort.

Forscher entwickeln vielmehr Software rund um das Modell, wobei das große Sprachmodell nur einen Bestandteil eines umfassenderen Systems darstellt. Grob gesagt, gehen sie dabei in vier Schritten vor:

  • Erstens: Sie stellen dem System ihr eigenes Wissen zur Verfügung. Ein allgemeines großes Sprachmodell hat weder die internen Daten einer Forschungsgruppe noch die neuesten Veröffentlichungen ihres Fachgebiets gelesen. Deshalb verbinden Forscher es mit einer Bibliothek, die Millionen wissenschaftlicher Arbeiten, Aufzeichnungen über klinische Studien und die eigenen Laborergebnisse der Forschungsgruppe enthalten kann. Wenn ein Forscher eine Frage stellt, ruft die Software zunächst die relevanten Dokumente ab und übermittelt sie anschließend dem Sprachmodell zur Auswertung und Zusammenfassung. Dieser Ansatz wird als Retrieval-Augmented Generation (RAG) bezeichnet und weiter unten ausführlicher erläutert. Er sorgt dafür, dass die Antworten auf tatsächlichen Quellen beruhen, und verringert das Risiko erfundener Informationen.
  • Zweitens: Sie statten das System mit Werkzeugen aus. Das Sprachmodell kann so eingerichtet werden, dass es auf andere Software zugreift: Es kann eine Datenbank mit Genmutationen abfragen, eine statistische Analyse durchführen oder eine Vorhersage bei einem spezialisierten Modell anfordern. In dieser Funktion entscheidet es, welches Werkzeug eingesetzt werden soll, und interpretiert anschließend die Ergebnisse. Ein solches System wird häufig als KI-Agent bezeichnet.
  • Drittens: Sie nutzen spezialisierte KI für die eigentliche anspruchsvolle wissenschaftliche Arbeit. Die Modelle, die mit den gewaltigen Datensätzen der Biologie arbeiten – etwa DNA-Sequenzen, Proteinstrukturen und medizinischen Bildaufnahmen –, sind größtenteils überhaupt keine großen Sprachmodelle. Das bekannteste Beispiel ist AlphaFold, das die dreidimensionale Struktur von Proteinen vorhersagt. Solche Modelle lernen Muster anhand biologischer oder struktureller Daten und nicht in erster Linie anhand von Texten in natürlicher Sprache. Ein großes Sprachmodell kann als dialogorientierte Schnittstelle dienen, die Wissenschaftlern die Arbeit mit all diesen Werkzeugen erleichtert.
  • Viertens: Bei Bedarf wird das Modell feinjustiert (Fine-Tuning). Eine Forschungsgruppe kann ein bereits bestehendes großes Sprachmodell nehmen und es anhand medizinischer und biologischer Fachliteratur weitertrainieren, damit es die spezialisierte Terminologie und die entsprechenden Konzepte zuverlässiger verarbeitet.

Was ist nun von den sogenannten „potenziellen Heilmitteln“ zu halten, die so viel Aufmerksamkeit in den Medien erregen?

Der Beitrag der KI besteht vor allem darin, die frühen Phasen der Forschung zu beschleunigen. Sie kann Muster in Tumordaten erkennen, deren Entdeckung menschliche Forscher möglicherweise Jahre kosten würde. Sie kann Gene oder Proteine vorschlagen, die als vielversprechende Angriffspunkte für Medikamente infrage kommen. Sie kann Tausende potenzieller Wirkstoffmoleküle am Computer entwerfen und überprüfen, bevor überhaupt jemand ein Labor betritt, und vorhersagen, welche davon wahrscheinlich wirksam oder giftig sein werden. Außerdem kann sie Forschern dabei helfen, mit der überwältigenden Menge wissenschaftlicher Veröffentlichungen Schritt zu halten.

Dennoch muss jedes vielversprechende Heilmittel weiterhin im Labor, anschließend an Tieren und schließlich in klinischen Studien am Menschen getestet werden – ein Prozess, der Jahre dauert. KI verkürzt die Suche, ersetzt aber nicht die Erprobung.

Mehrere mithilfe von KI entwickelte Medikamente befinden sich inzwischen in klinischen Studien.

Warum kann die Linke nicht dasselbe tun?

Wir verfügen über einen gewaltigen Wissensbestand, der sich über mehr als ein Jahrhundert angesammelt hat. Dazu gehören die marxistische Theorie, Untersuchungen des Kapitalismus und der Wirtschaftsgeschichte, Gewerkschaftsunterlagen, sozialistische Publikationen und politische Analysen.

Ein großer Teil dieses Materials ist jedoch über Archive, Zeitschriften, Websites und private Sammlungen verstreut. Es kann schwierig sein, diese Quellen zu finden, miteinander zu vergleichen und zu übersetzen – insbesondere dann, wenn sie aus unterschiedlichen Ländern, Sprachen und marxistischen Traditionen stammen.

Stellen wir uns vor, all diese Ressourcen würden zusammengeführt und mithilfe von KI-Werkzeugen genutzt, die speziell für sozialistische Forschung und politische Arbeit entwickelt wurden.

Für Forschung und politische Analyse könnten solche Werkzeuge uns helfen, wirtschaftliche Veränderungen zu verstehen, die Aktivitäten großer Unternehmen zu untersuchen, unterschiedliche Interpretationen der marxistischen Theorie miteinander zu vergleichen, aus historischen Erfahrungen zu lernen und sozialistische Schriften zu übersetzen.

Für Gewerkschaften könnten sie dazu beitragen, Unternehmensfinanzen zu untersuchen, vorgeschlagene Änderungen von Arbeitsverträgen zu bewerten, wiederkehrende Probleme im Bereich der Arbeitssicherheit zu erkennen und Belege zusammenzutragen, die Verhandlungen mit den Unternehmern unterstützen.

Für die internationale Organisierung könnten KI-gestützte Übersetzungs- und Forschungswerkzeuge sozialistischen Organisationen helfen, Sprachbarrieren zu überwinden, politische Entwicklungen in verschiedenen Ländern miteinander zu vergleichen und Informationen sowie Ideen leichter auszutauschen.

Die eigentliche Herausforderung besteht darin, diese Technologie mit verlässlichen Quellen, marxistischem politischem Wissen und Organisationen zusammenzubringen, die sie wirksam einsetzen können.

Die Entwicklung solcher Werkzeuge würde nicht zwangsläufig jene enormen finanziellen Mittel erfordern, die notwendig wären, um ein KI-System von Grund auf neu zu entwickeln. Es gibt bereits mehrere Möglichkeiten, bestehende KI-Technologien an die Bedürfnisse sozialistischer Organisationen, Forscher und Gewerkschaften anzupassen.

Beherrschen (Master)

RAG ermöglicht es einem bestehenden KI-Sprachmodell, Informationen aus einer ausgewählten Dokumentensammlung zu nutzen, anstatt sich ausschließlich auf das Wissen zu stützen, das es während seines ursprünglichen Trainings erworben hat.

Ein sozialistisches Forschungssystem könnte beispielsweise mit einem Archiv verbunden werden, das marxistische Schriften, historische Dokumente, Wirtschaftsstatistiken, Gewerkschaftspublikationen und aktuelle politische Analysen enthält.

Im Idealfall würden die Antworten Verweise auf die Originaldokumente enthalten, sodass die Nutzer die Quellen selbst überprüfen können. Dadurch könnte es wesentlich einfacher werden, theoretische Debatten zu erschließen, unterschiedliche Interpretationen miteinander zu vergleichen und historische Belege zu finden, die für politische Argumentationen relevant sind.

Allerdings macht RAG die Antworten einer KI nicht automatisch zuverlässig. Das System kann Dokumente missverstehen, irreführende Quellenangaben liefern oder Behauptungen aufstellen, die durch die vorhandenen Belege nicht gestützt werden.

Aus diesem Grund benötigen auch zuverlässige KI-Werkzeuge sorgfältig ausgewählte Quellen, regelmäßige Überprüfungen und menschliche Kontrolle.

Eine weitere Möglichkeit besteht darin, KI-Modelle zu verwenden, deren zugrunde liegende Parameter – die sogenannten Gewichte (Weights) – öffentlich zugänglich sind. Diese Modelle können heruntergeladen und auf Computern und Servern betrieben werden, die von den Organisationen kontrolliert werden, welche sie einsetzen.

Dadurch ließe sich die Abhängigkeit von kommerziellen KI-Unternehmen verringern. Gleichzeitig erhielten die Organisationen mehr Kontrolle darüber, wie die Modelle arbeiten, wie Informationen gespeichert werden und wer Zugang zu den Systemen erhält.

Für Gewerkschaften und politische Organisationen ist der Schutz vertraulicher Informationen besonders wichtig. Wenn vertrauliche Organisierungspläne, Mitgliederdaten oder interne Kommunikation an kommerzielle Online-KI-Dienste übermittelt werden, kann das erhebliche Risiken mit sich bringen.

Der unabhängige Betrieb von KI-Systemen könnte einige dieser Risiken reduzieren. Er würde jedoch weder sämtliche Sicherheitsprobleme beseitigen noch die Abhängigkeit von externer Technologie oder die Notwendigkeit eines sorgfältigen Umgangs mit sensiblen Informationen aufheben.

Wichtig ist auch die Erkenntnis, dass nicht alle Open-Weight-Modelle tatsächlich Open Source sind. Die Nutzungsbedingungen, die verfügbaren Informationen über ihre Trainingsdaten und die von ihren Entwicklern auferlegten Beschränkungen unterscheiden sich erheblich.

Dennoch ist die Möglichkeit, KI-Systeme unabhängig zu betreiben, etwas, womit sich die Linke ernsthaft beschäftigen sollte.

Ein dritter Ansatz wäre die Kombination von KI-Sprachmodellen mit bestehenden Statistikprogrammen, strukturierten Datenbanken, Werkzeugen zur Dokumentenverarbeitung und Software, die für bestimmte organisatorische Anforderungen entwickelt wurde.

Ein Werkzeug zur Untersuchung von Unternehmensbilanzen könnte beispielsweise etablierte Buchhaltungsverfahren und statistische Berechnungen einsetzen, um Finanzinformationen auszuwerten. Gleichzeitig könnte ein KI-Sprachmodell dabei helfen, relevante Passagen in Geschäftsberichten zu finden, die Ergebnisse zu erläutern und Zahlen oder Aussagen zu identifizieren, die einer weiteren Untersuchung bedürfen.

Das wäre zuverlässiger, als von einem KI-Sprachmodell zu erwarten, sämtliche Arbeitsschritte allein zu erledigen.

Das Ziel sollte nicht darin bestehen, ein automatisiertes System zu schaffen, das lediglich eine festgelegte politische Position wiederholt. Damit würden wir die von Konzernen auferlegten politischen Beschränkungen lediglich durch eine andere Form starren Denkens ersetzen.

Ein wirklich nützliches sozialistisches KI-System sollte unterschiedliche politische Interpretationen erläutern, Schwächen in Argumentationen aufzeigen, zwischen Behauptungen und den sie stützenden Belegen unterscheiden und politische Positionen kritisch untersuchen können – einschließlich jener, die von der Linken selbst vertreten werden.

Regierungen und Unternehmen versuchen auf verschiedene Weise, die Antworten von KI-Systemen zu beeinflussen. Dazu gehört, Regeln darüber festzulegen, was KI-Systeme sagen dürfen, ihre Inhalte zu regulieren, zu entscheiden, welche Systeme öffentliche Einrichtungen anschaffen, die für das Training verwendeten Informationen auszuwählen und Anweisungen darüber zu geben, wie sie auf Nutzer reagieren sollen.

Darüber hinaus gibt es Bemühungen, das Informationsumfeld zu beeinflussen, auf das KI-Systeme zurückgreifen. Dazu gehören organisierte Propagandakampagnen und die gezielte Verbreitung falscher oder irreführender Informationen im Internet.

Die Beeinflussung der Informationen, die KI-Systeme verwenden, ist allerdings nicht dasselbe wie eine vollständige Kontrolle über ihre Aussagen.

Große Sprachmodelle werden mit gewaltigen Informationsmengen trainiert, die zahlreiche unterschiedliche und mitunter widersprüchliche Auffassungen enthalten. Ihre Antworten werden durch drei voneinander getrennte Prozesse geprägt:

  • Erstens: die Auswahl der Informationen für das ursprüngliche Training des Modells. Entscheidungen darüber, welche Bücher, Artikel, Websites und anderen Materialien einbezogen werden, können beeinflussen, was das Modell lernt.
  • Zweitens: die Informationen, die dem Modell zur Verfügung gestellt werden, wenn jemand eine konkrete Frage stellt. Dazu können Dokumente oder andere Quellen gehören, die das System beispielsweise mithilfe von Verfahren wie RAG auffindet.
  • Drittens: die Anweisungen, Sicherheitsregeln und sonstigen Beschränkungen, die bestimmen, wie ein KI-System reagiert, wenn Menschen es benutzen.

Die Verwendung eines Open-Weight-Modells beseitigt unterdessen nicht automatisch die politischen Annahmen, Vorurteile und Einschränkungen, die bereits in den Informationen enthalten sein können, mit denen es trainiert wurde.

Diese Unterschiede zu verstehen ist entscheidend, wenn die Linke zwei falsche Schlussfolgerungen vermeiden will: dass KI eine politisch neutrale Technologie sei oder dass sie ein Instrument der Macht von Konzernen und Staaten sei, dessen Verhalten sich weder herausfordern noch verändern lasse.

Anwenden (Apply)

Ein großer Teil der öffentlichen Debatte über die Regulierung künstlicher Intelligenz konzentriert sich auf schädliche Inhalte, anstößige Äußerungen und das Verhalten dialogorientierter Systeme.

Diese Fragen sind nicht bedeutungslos. Sie können jedoch von der Art und Weise ablenken, wie KI in die kapitalistische Produktion und Unternehmensführung integriert wird.

Algorithmisches Management, Überwachung am Arbeitsplatz, Leistungskontrolle und die Verdrängung von Arbeitskräften entwickeln sich bereits zu festen Bestandteilen der heutigen Arbeitswelt. Viele dieser Praktiken sind weiterhin legal, auch wenn ihre Rechtmäßigkeit von der jeweiligen Rechtsordnung und den konkreten Umständen ihrer Anwendung abhängt.

Für Marxisten besteht die zentrale Frage nicht einfach darin, ob ein KI-Modell akzeptable Formulierungen hervorbringt.

Entscheidend ist vielmehr:

  • Wem gehört die Technologie?
  • Wer kontrolliert ihren Einsatz?
  • Wessen Arbeit ersetzt oder intensiviert sie?
  • Wer eignet sich die daraus resultierenden Produktivitätsgewinne an?

Der Widerstand gegen automatisierte Überwachung und die Ausbeutung von Arbeitskraft ist unverzichtbar. Eine ausschließlich defensive Kritik reicht jedoch nicht aus. Arbeiter und ihre Organisationen müssen auch über die technischen Fähigkeiten verfügen, diese Systeme zu untersuchen und herauszufordern.

Dieselbe allgemeine Gruppe von Technologien, die Unternehmen zur Überwachung der Produktivität einsetzen, könnte von Gewerkschaften genutzt werden, um Unternehmensdaten auszuwerten, Behauptungen des Managements zu überprüfen, Widersprüche in betrieblichen Aufzeichnungen aufzudecken und den Verwaltungsaufwand zu reduzieren.

Solche Anwendungen würden entsprechende Schutzmaßnahmen erfordern, insbesondere wenn persönliche Daten von Beschäftigten oder vertrauliche Informationen der Organisation betroffen sind.

Auch Softwareentwickler spielen dabei eine wichtige Rolle – einschließlich jener, deren eigene Beschäftigung zunehmend durch KI-gestützte Programmiersysteme beeinflusst wird.

Ein Netzwerk sozialistischer Programmierer, Datenwissenschaftler, Forscher und politischer Aktivisten könnte gemeinsam Software-Repositorien betreiben, Werkzeuge für Kampagnen entwickeln, technische Unterstützung leisten und spezialisierte Anwendungen Organisationen zugänglich machen, denen die Mittel fehlen, diese selbstständig zu entwickeln.

Der entscheidende Punkt ist nicht, dass technisches Fachwissen politische Organisierung ersetzen könnte.

Vielmehr benötigt politische Organisierung zunehmend technisches Fachwissen, wenn sie in einer Gesellschaft, die von algorithmischen Systemen geprägt wird, wirksam intervenieren will.

Nichts davon bedeutet, dass KI von Natur aus emanzipatorisch wäre.

Unter kapitalistischen Bedingungen besteht der vorherrschende Anreiz darin, Technologie so einzusetzen, dass sie die Profitabilität erhöht, Arbeitskosten senkt, die Möglichkeiten der Kapitalakkumulation erweitert und bestehende Machtverhältnisse stärkt.

Ebenso wenig sollten wir die Grenzen der gegenwärtigen Systeme unterschätzen: erfundene Informationen, unzuverlässige Schlussfolgerungen, politische Echokammern, Schwachstellen beim Datenschutz und die Abhängigkeit von Infrastrukturen, die von mächtigen Konzernen kontrolliert werden.

Diese Einschränkungen verlangen jedoch nach einer kritischen Auseinandersetzung und nicht nach einer technologischen Abstinenz.

Historisch betrachtet wurden Technologien, die innerhalb kapitalistischer Gesellschaften entwickelt wurden – vom Buchdruck über Radio und Telekommunikation bis hin zum Internet –, auch von Organisationen der Arbeiterklasse und Widerstandsbewegungen für ihre eigenen Zwecke angeeignet.

An die künstliche Intelligenz sollte mit demselben Verständnis des widersprüchlichen Verhältnisses zwischen technologischer Entwicklung und kapitalistischen gesellschaftlichen Verhältnissen herangegangen werden.

Die Linke sollte sich nicht darauf beschränken, die Gefahren der KI zu kritisieren oder auf öffentliches Eigentum in einer zukünftigen sozialistischen Gesellschaft zu warten.

Sie sollte damit beginnen, das Wissen, die Organisationen und die technische Infrastruktur aufzubauen, die notwendig sind, um bestehende Systeme für ihre eigenen Zwecke einzusetzen.

Das bedeutet, marxistische Forscher, Gewerkschafter, politische Aktivisten und technisch qualifizierte Beschäftigte zusammenzubringen; gemeinsame Archive und Werkzeuge zu schaffen; mit Anwendungen zu experimentieren, die konkrete organisatorische Bedürfnisse erfüllen; und diese Anwendungen einer rigorosen politischen und technischen Kritik zu unterziehen.

Wir sollten die Kontrolle des Kapitals über die künstliche Intelligenz herausfordern und gleichzeitig die Fähigkeit aufbauen, diese Technologie gegen die Macht des Kapitals einzusetzen.

Fußnote

1. „One future fits all: text-to-image AI and the narrowing of global imagination“, veröffentlicht auf dem SOAS Repository: Zum wissenschaftlichen Aufsatz.

Zur weiteren Lektüre empfohlen:

KLASSENKAMPF 61