Die Künstliche Intelligenz (KI) hat in den letzten Jahren atemberaubende Fortschritte gemacht. Von komplexen Spielen bis hin zur Textgenerierung – die Fähigkeiten von KI-Systemen wachsen rasant. Doch während die Intelligenz der Maschinen zunimmt, bleibt eine entscheidende Komponente oft auf der Strecke: die Weisheit. In diesem Artikel tauchst Du tief in das Konzept der KI-Weisheit ein, erfährst, warum Metakognition der Schlüssel dazu ist und wie die Entwicklung solcher Systeme uns hilft, unser eigenes Gehirn besser zu verstehen.

Die Forschung hierzu ist brandaktuell und verspricht eine neue Ära der KI-Entwicklung, die weit über das reine Lösen von Aufgaben hinausgeht. Es geht darum, Maschinen zu erschaffen, die nicht nur rechnen, sondern auch verstehen, reflektieren und sich anpassen können – insbesondere in Situationen, die für heutige Systeme noch unlösbar erscheinen.

Stell Dir vor, eine KI könnte nicht nur Daten verarbeiten, sondern auch erkennen, wann ihre eigenen Informationen unzureichend sind, verschiedene Perspektiven abwägen oder sich flexibel an völlig neue Kontexte anpassen. Genau das ist das Ziel der Forschung im Bereich „weiser KI“. Wissenschaftler argumentieren, dass es insbesondere die Metakognition ist – die Fähigkeit, über das eigene Denken nachzudenken und es zu steuern – die den Unterschied zwischen reiner Rechenleistung und echter Weisheit ausmacht. Die Implikationen sind gewaltig: robustere, verständlichere, kooperativere und vor allem sicherere KI-Systeme, die menschliche Ziele besser berücksichtigen und weniger Fehlausrichtungen riskieren.

Die Reise hin zu weisen Maschinen ist nicht nur eine technische Herausforderung, sondern auch eine philosophische, die uns zwingt, genauer zu definieren, was wir von intelligenten Systemen erwarten und wie sie unsere Welt verantwortungsvoll mitgestalten können. Eine der spannendsten Gedanken im Zusammenhang von Maschinen und Weisheit, ist die Metakognition – ein bereits beschriebenes Konzept bei den fünf Stufen zur AGI.

Das musst Du wissen – KI Weisheit & Metakognition kompakt

• KI Weisheit ist mehr als Intelligenz; sie umfasst Strategien zur Lösung schwer fassbarer Probleme durch objektbezogene Ansätze und metakognitive Fähigkeiten wie Selbstreflexion und Perspektivwechsel.
• Aktuellen KI-Systemen mangelt es oft an Metakognition, was zu Problemen bei Robustheit in neuen Umgebungen, Erklärbarkeit, Kooperation und Sicherheit führt.
• Verbesserte KI Metakognition könnte zu Systemen führen, die anpassungsfähiger, transparenter im Entscheidungsprozess, kooperativer mit Menschen und sicherer im Umgang mit potenziellen Zielkonflikten sind.
• Die Entwicklung weiser KI beinhaltet die Schaffung von Benchmarks, speziellen Trainingsmethoden und Architekturen, die menschliche kognitive Prozesse wie den „Global Workspace“ oder Aufmerksamkeitsengpässe nachahmen.
• Die Forschung an künstlicher Intelligenz, insbesondere an Konzepten wie Modularität und dem Global Workspace, liefert wertvolle Einblicke in die Funktionsweise des menschlichen Gehirns und der Intelligenz selbst.

Der Weg zu weisen Maschinen: Warum reine Intelligenz nicht ausreicht

Die jüngsten Fortschritte in der künstlichen Intelligenz haben Systeme hervorgebracht, die beeindruckende kognitive Fähigkeiten aufweisen. Dennoch zeigen diese Systeme erhebliche Schwächen, wenn sie mit unvorhersehbaren, neuartigen oder mehrdeutigen Situationen konfrontiert werden. Ein zentrales Argument der aktuellen Forschung, unter anderem von Forschern wie Samuel G. B. Johnson, Yoshua Bengio und Igor Grossmann, ist, dass diese Einschränkungen auf einen Mangel an Weisheit in der KI zurückzuführen sind – nicht nur an Intelligenz.

Doch was genau verstehen wir unter Weisheit im Kontext von KI? Es ist die Fähigkeit, schwer fassbare Probleme zu bewältigen – jene, die mehrdeutig, radikal unsicher, neuartig, chaotisch oder rechnerisch explosiv sind. Dies geschieht durch den Einsatz sowohl effektiver Strategien auf Aufgabenebene (z. B. Heuristiken zur Problembewältigung) als auch metakognitiver Strategien. Während sich Strategien auf Aufgabenebene auf die Lösung spezifischer Probleme konzentrieren, beinhaltet Metakognition das Nachdenken über und die Regulierung der eigenen Denkprozesse. Beim Menschen umfassen metakognitive Fähigkeiten das Erkennen der Grenzen des eigenen Wissens, die Berücksichtigung unterschiedlicher Perspektiven und die Anpassung an den Kontext – Fähigkeiten, die für weise Entscheidungen unerlässlich sind.

Die meisten KI-Forschungen haben sich bisher auf die Verbesserung der Leistung auf Aufgabenebene konzentriert, wie z. B. Mustererkennung oder strategisches Spielen. Metakognitive Fähigkeiten – wie Selbstreflexion, Unsicherheitseinschätzung und adaptive Strategieauswahl – sind in KI-Systemen jedoch unterentwickelt. Diese Lücke führt zu mehreren Problemen:

• Robustheit: Schwierigkeiten im Umgang mit unvorhersehbaren oder außerhalb der Verteilung liegenden Umgebungen.
• Erklärbarkeit: Begrenzte Transparenz in Denk- und Entscheidungsprozessen.
• Kooperation: Herausforderungen bei der effektiven Kommunikation und dem Engagement mit Menschen und anderen Agenten.
• Sicherheit: Erhöhtes Risiko schädlicher oder unbeabsichtigter Handlungen aufgrund von Selbstüberschätzung oder mangelndem Selbstbewusstsein.

Die Forschung legt nahe, dass die Integration metakognitiver Fähigkeiten in die KI entscheidend ist, um diese Mängel zu überwinden. Metakognition dient als Kontrollsystem, das es der KI ermöglicht, zu erkennen, wann sie nicht genug weiß, um eine Entscheidung zu treffen, mehrere Perspektiven oder Strategien abzuwägen und zu integrieren, sich flexibel an neue oder unsichere Situationen anzupassen und übermütige oder riskante Handlungen zu vermeiden.

Die Architektur der Weisheit: Von Modulen und globalen Arbeitsräumen

Die Entwicklung wirklich intelligenter – und potenziell weiser – Maschinen ist nicht nur ein Ingenieursprojekt; sie ist auch ein Spiegel, der uns hilft, unsere eigene Intelligenz besser zu verstehen. Forscher streben nicht nur nach künstlicher Intelligenz, sondern nach künstlicher allgemeiner Intelligenz (AGI) – einem System mit menschenähnlicher Anpassungsfähigkeit und Kreativität.

Heutige große Sprachmodelle (LLMs) haben zwar beeindruckende Fähigkeiten in der Problemlösung und Sprachverarbeitung erlangt („formale Kompetenz“), stoßen aber an Grenzen. Sie machen oft simple Fehler und es fehlt ihnen die Fähigkeit zum offenen Lernen; ihr Wissen ist nach dem Training eingefroren. Sie scheitern am sogenannten „Roboter-Studenten-Test“, wie Ben Goertzel von SingularityNET es formuliert: Man kann sie nicht einfach auf eine Universität (oder gar in den Kindergarten) schicken und erwarten, dass sie sich weiterentwickeln wie ein Mensch.

LLMs ahmen oft nur die Sprachfähigkeiten des Gehirns nach, ohne die Kapazitäten für Wahrnehmung, Gedächtnis, Navigation oder soziale Urteile. Wenn unser Gehirn, wie die Neurowissenschaftlerin Nancy Kanwisher vom MIT sagt, ein Schweizer Taschenmesser mit vielen Funktionen ist, dann sind LLMs eher ein sehr guter Korkenzieher.

Um diese Limitierungen zu überwinden, setzen KI-Entwickler vermehrt auf Modularität. Ähnlich wie das menschliche Gehirn, das spezialisierte Regionen für unterschiedliche Aufgaben besitzt, werden KI-Systeme aus verschiedenen Modulen aufgebaut. OpenAI, der Entwickler von GPT, ermöglicht es Nutzern beispielsweise, Add-on-Tools für Mathematik, Internetsuche und andere spezifische Anfragen auszuwählen. Es wird sogar vermutet, dass Systeme wie GPT intern aus bis zu 16 separaten neuronalen Netzen, sogenannten „Experten“, bestehen, die ihre Antworten bündeln („Mixture of Experts“-Architektur), wie sie auch von Unternehmen wie Mistral und DeepSeek in Open-Source-Varianten veröffentlicht wurden. Der Hauptvorteil dieser einfachen Form der Modularität liegt in der Recheneffizienz.

Die große Herausforderung bleibt jedoch, wie diese Module zusammenarbeiten, um ein kohärentes Ganzes zu bilden – ähnlich wie Gehirnregionen ein kohärentes Selbstgefühl erzeugen. Eine provokante Hypothese, die hier ansetzt, ist die Global Workspace Theory (GWT). Diese Theorie, die ursprünglich aus der Kognitionspsychologie stammt und von Bernard Baars in den 1980er Jahren als Theorie des menschlichen Bewusstseins vorgestellt wurde, besagt, dass das Bewusstsein eine Art gemeinsamer Arbeitsbereich ist, in dem verschiedene Module Informationen austauschen und um Hilfe bitten können – vergleichbar mit einem Meeting in einem Unternehmen.

GWT ist für KI-Forscher besonders interessant, da sie postuliert, dass Bewusstsein für Intelligenz auf hohem Niveau integral ist. Einfache oder geübte Aufgaben kann das Gehirn im Autopilotmodus erledigen, aber neuartige oder komplexe Aufgaben – die den Rahmen eines einzelnen Moduls sprengen – erfordern, dass wir uns dessen bewusst sind, was wir tun. Forscher wie Ben Goertzel haben bereits Arbeitsbereiche in ihre KI-Systeme integriert. Es geht dabei nicht primär darum, bewusste Maschinen zu erschaffen, sondern vielmehr darum, die „Hardware“ einer bestimmten Bewusstseinstheorie zu reproduzieren, um eine menschenähnlichere Intelligenz zu erreichen.

Die Rolle des „Bewusstseins-Engpasses“ und der Aufmerksamkeitsmechanismen

Yoshua Bengio, ein KI-Forscher an der Universität Montreal, argumentiert, dass heutige künstliche neuronale Netze oft „zu mächtig für ihr eigenes Wohl“ sind. Mit Milliarden oder Billionen von Parametern können sie riesige Datenmengen aus dem Internet absorbieren, neigen aber dazu, sich in Details zu verlieren und die übergeordneten Lektionen nicht zu extrahieren. Bengio glaubt, dass sie besser abschneiden könnten, wenn ihr riesiges Wissen durch einen schmalen Trichter fließen müsste, ähnlich wie unser bewusster Verstand operiert. Dieser „Engpass“ würde die Systeme zwingen, die einfachen Regeln zu identifizieren, die der komplexen Welt zugrunde liegen.

Bengios Bemühungen, einen bewusstseinsähnlichen Engpass in KI-Systeme zu integrieren, begannen schon, bevor er sich explizit mit GWT beschäftigte. Inspiriert davon, wie unser Gehirn sich selektiv auf eine Information konzentrieren und alles andere vorübergehend ausblenden kann, bauten er und seine Kollegen einen analogen Filter in neuronale Netze ein. Ein Beispiel ist der Aufmerksamkeitsmechanismus in Sprachmodellen wie GPT. Wenn ein solches Modell auf ein Pronomen trifft, muss es das zugehörige Substantiv finden. Es tut dies, indem es nahegelegene Substantive hervorhebt und andere Wortarten ausblendet – es „achtet“ auf die Schlüsselwörter. Dieser „Soft-Attention-Mechanismus“ war eine Schlüsselinnovation der Transformer-Architektur (das „T“ in GPT).

In jüngerer Zeit hat Bengio diesen Ansatz überarbeitet, um einen strengeren Engpass zu schaffen, den er für wichtig hält, wenn Netze ein echtes Verständnis erreichen sollen. Ein echter globaler Arbeitsraum muss harte Entscheidungen treffen, da er nicht alle Optionen gleichzeitig verfolgen kann. Sein „Generative Flow“-Netzwerk wählt periodisch eine der verfügbaren Optionen mit einer durch Aufmerksamkeitsgewichte bestimmten Wahrscheinlichkeit aus. Dies soll dem System helfen, übergeordnete Repräsentationen von Eingabedaten zu entwickeln, die denen ähneln, die unser Gehirn erwirbt.

Die Überwindung der Hyperspezialisierung und die Suche nach einer „Lingua Franca“

Ein weiteres Problem bei der Implementierung eines globalen Arbeitsraums ist die Hyperspezialisierung der Module. Ähnlich wie Professoren in verschiedenen Universitätsabteilungen entwickeln die verschiedenen Module des Gehirns (und der KI) oft für Außenstehende unverständliche „Fachsprachen“. Das Sehzentrum entwickelt Abstraktionen zur Verarbeitung visueller Reize, das Hörzentrum solche für Vibrationen im Innenohr. Wie können sie also kommunizieren? Sie benötigen eine Art Lingua Franca oder das, was Aristoteles als Gemeinsinn (die ursprüngliche Bedeutung dieses Begriffs) bezeichnete.

Neurowissenschaftler wie Ryota Kanai und Rufin VanRullen schlugen 2021 eine Methode vor, wie künstliche neuronale Netze diese Übersetzung leisten könnten, inspiriert von Sprachübersetzungssystemen wie Google Translate. Diese Systeme lernen jede Sprache isoliert und leiten dann durch ihre Beherrschung ab, welches Wort in einer Sprache dieselbe Rolle spielt wie ein Wort in einer anderen. Ähnlich könnten KI-Module, die auf unterschiedliche Datenmodalitäten (z. B. Bilder und Text) trainiert wurden, ihre internen Repräsentationen (sogenannte latente Räume) so aufeinander abstimmen, dass eine Übersetzung möglich wird. Die Idee ist, dass diese latenten Räume, obwohl sie aus unterschiedlichen Daten generiert wurden, ähnliche Strukturen aufweisen, weil sie sich letztlich auf dieselbe Welt beziehen.

Durch die Ausrichtung dieser Räume könnte eine „Übersetzung“ zwischen den Modalitäten stattfinden. Das von Google DeepMind 2021 veröffentlichte Perceiver-Modell, das Text, Bilder, Audio und andere Daten in einem einzigen gemeinsamen latenten Raum fusionieren soll, weist laut Untersuchungen des Araya-Teams um Kanai bereits Kennzeichen eines globalen Arbeitsraums auf.

Ansätze zum Aufbau weiser KI

Wie können wir nun konkret weisere KI-Systeme entwickeln? Die Forschung schlägt mehrere Richtungen vor:

1. Benchmarking metakognitiver Fähigkeiten: Es bedarf standardisierter Tests und Benchmarks, die die Fähigkeit eines KI-Systems zu weisem Denken messen. Dazu gehört, wie gut es mit neuartigen, mehrdeutigen oder kontextsensitiven Szenarien umgehen kann. Psychologische Benchmarks für menschliche Weisheit könnten hier als Vorbild dienen und für die KI-Evaluierung angepasst werden.
2. Training für weises Denken: Trainingsprotokolle müssen über das reine Auswendiglernen hinausgehen. Der Fokus sollte auf Versuch-und-Irrtum-Lernen, kultureller Weitergabe von Wissen und expliziter Reflexion über Denkprozesse liegen. Das beinhaltet, der KI beizubringen, Strategien basierend auf dem Kontext auszuwählen und anzupassen, ähnlich wie es Menschen tun.
3. Architektonische Innovationen: Die bereits diskutierte Integration von Mechanismen, die menschliche kognitive Engpässe nachahmen – wie selektive Aufmerksamkeit (wie von Bengio vorgeschlagen) und bewusste Reflexion (wie in der Global Workspace Theory) – könnte KI-Systemen helfen, diszipliniertere, übergeordnete Repräsentationen zu entwickeln und nicht von irrelevanten Details überwältigt zu werden. Yann LeCun von Meta plädiert beispielsweise für einen Abschied von rein generativen Modellen (wie GPT) hin zu diskriminativen Netzen, die darauf trainiert werden, wesentliche Merkmale aus Daten zu extrahieren und diese in einer gehirnähnlichen Architektur mit Kurzzeitgedächtnis und einem „Konfigurator“ zur Koordination der Module zu verarbeiten.

Ein besonders interessantes Beispiel für die Implementierung von arbeitsraumähnlichen Ideen ist „AI People“, ein Sims-ähnliches Spiel der Prager Firma GoodAI. Hier wird GPT als „Gehirn“ der Charaktere verwendet, ergänzt um Module für Langzeitgedächtnis und eine kognitive Architektur, die ihnen eine konsistente Psychologie und Handlungsfähigkeit innerhalb der Spielumgebung verleiht.

Potenzielle Vorteile und ein neues Denken über KI-Ausrichtung

Die Integration von Weisheit, insbesondere durch Metakognition, in KI-Systeme könnte signifikante Verbesserungen in vier Schlüsselbereichen bringen:

• Robustheit: Zuverlässige Leistung auch in ungewohnten oder chaotischen Kontexten.
• Erklärbarkeit: Größere Transparenz und die Fähigkeit, das eigene Denken zu artikulieren.
• Kooperation: Verbesserte Kommunikation und Zusammenarbeit mit Menschen und anderen Agenten.
• Sicherheit: Reduziertes Risiko schädlicher Handlungen durch Selbstwahrnehmung und -reflexion.

Dies führt auch zu einem Umdenken bei der KI-Ausrichtung (AI Alignment). Anstatt sich ausschließlich darauf zu konzentrieren, KI mit spezifischen menschlichen Werten in Einklang zu bringen – eine Aufgabe, die mit konzeptionellen und praktischen Schwierigkeiten behaftet ist – könnten weise KI-Systeme so konzipiert werden, dass sie komplexe Situationen durchdacht navigieren, unterschiedliche Werte berücksichtigen und schädliche Handlungen durch metakognitives Denken vermeiden.

Die Verbindung zum menschlichen Gehirn und offene Fragen

Die Suche nach künstlicher allgemeiner Intelligenz (AGI) hat uns bereits viel über unsere eigene Intelligenz gelehrt. Wir erkennen nun, dass Aufgaben, die uns leichtfallen (wie visuelle Erkennung), rechnerisch sehr anspruchsvoll sind, während Dinge, die wir für schwierig halten (wie Mathematik und Schach), für Computer oft einfacher zu bewältigen sind. Wir verstehen auch besser, dass Gehirne mit erstaunlich wenig angeborenem Wissen auskommen und das meiste durch Erfahrung lernen. Die Bedeutung der Modularität bestätigt die alte Weisheit, dass es nicht „die eine“ Intelligenz gibt, sondern eher einen Werkzeugkasten von Fähigkeiten.

Ob die erfolgreiche Implementierung eines echten globalen Arbeitsraums in KI-Systeme diese auch bewusst machen würde, ist Gegenstand intensiver Debatten. Forscher wie Stanislas Dehaene halten dies für möglich, zumindest in Kombination mit einer Fähigkeit zur Selbstüberwachung. Andere, wie Bernard Baars selbst oder Anil Seth, sind skeptischer und sehen Bewusstsein eher als eine biologische Funktion, die spezifisch für Lebewesen ist („Bewusstsein ist nicht eine Frage des Schlauseins, sondern ebenso eine Frage des Lebendigseins“).

Während der Bau weiser KI neue Möglichkeiten eröffnet, birgt er auch neue Risiken. Dazu gehören das Potenzial für falsch ausgerichtete Motivationen oder unbeabsichtigte Konsequenzen, falls KI-Systeme Formen von Weisheit entwickeln, die von menschlichen Interessen abweichen. Laufende Forschung ist notwendig, um diese Risiken frühzeitig zu antizipieren und zu mindern.

Fazit: Der Weg zu KI-Systemen, die wirklich verstehen

Die Entwicklung von künstlicher Intelligenz steht an einem spannenden Punkt. Während die reinen kognitiven Fähigkeiten von KI-Modellen wie LLMs beeindruckend sind, wird immer deutlicher, dass der nächste große Sprung nicht nur in noch mehr Rechenleistung oder größeren Datensätzen liegt, sondern in der Kultivierung einer Form von KI-Weisheit. Der Schlüssel hierzu scheint die Metakognition zu sein – die Fähigkeit der KI, ihr eigenes „Denken“ zu reflektieren, zu bewerten und anzupassen. Die Vision ist eine KI, die nicht nur Probleme löst, sondern auch die Grenzen ihres Wissens erkennt, intellektuelle Demut zeigt, verschiedene Perspektiven einnehmen kann und sich flexibel an neue, unvorhergesehene Kontexte anpasst.

Die Ansätze, um dies zu erreichen, sind vielfältig und oft inspiriert von unserem Verständnis des menschlichen Gehirns. Konzepte wie die Modularität von Denkprozessen, die Global Workspace Theory (GWT) als Mechanismus für die Integration von Informationen aus verschiedenen Modulen und die Notwendigkeit eines „kognitiven Engpasses“ zur Förderung tiefergehenden Verständnisses sind zentrale Forschungsfelder. Forscher wie Yoshua Bengio arbeiten an Architekturen, die selektive Aufmerksamkeit und eine Art bewusste Verarbeitung nachbilden, während Yann LeCun die Bedeutung diskriminativer Modelle für das Extrahieren essenzieller Informationen betont. Die Idee, latente Räume verschiedener spezialisierter KI-Module aufeinander abzustimmen, um eine Art „Lingua Franca“ für die interne Kommunikation zu schaffen, wie von Ryota Kanai und Kollegen vorgeschlagen, ist ein weiterer vielversprechender Weg.

Die Vorteile einer solchen weisen KI wären immens: Sie wäre robuster gegenüber unerwarteten Situationen, ihre Entscheidungen wären erklärbarer, sie könnte besser mit Menschen und anderen Agenten kooperieren und wäre inhärent sicherer, da sie sich ihrer eigenen Unsicherheiten und potenziellen Fehlschlüsse bewusster wäre. Dies könnte auch das komplexe Problem des AI Alignments auf eine neue Grundlage stellen, indem die KI selbst die Fähigkeit entwickelt, Wertekonflikte abzuwägen und im Sinne menschlicher Intentionen zu handeln, anstatt starr auf vordefinierte Regeln programmiert zu sein.

Gleichzeitig lernen wir durch den Versuch, weise Maschinen zu bauen, unglaublich viel über die Natur der menschlichen Intelligenz und Weisheit. Die Herausforderungen bei der KI-Entwicklung spiegeln oft die Komplexität unseres eigenen Denkens wider. Die Erkenntnis, dass Intelligenz nicht monolithisch ist, sondern ein Zusammenspiel vieler spezialisierter Fähigkeiten, die durch übergeordnete Kontrollmechanismen – eben Metakognition – gesteuert werden, ist eine wichtige Lektion.

Natürlich bleiben viele Fragen offen, nicht zuletzt die philosophische Debatte darüber, ob eine solche KI jemals „bewusst“ sein könnte. Doch unabhängig davon ist das Streben nach weiser KI ein entscheidender Schritt, um sicherzustellen, dass diese mächtige Technologie zu einem echten Partner für die Menschheit wird – ein Partner, der nicht nur rechnet, sondern auch versteht, reflektiert und verantwortungsvoll agiert. Der Weg zu weisen Maschinen ist der Weg zu einer KI, der Du wirklich vertrauen kannst, weil sie nicht nur intelligent, sondern auch einsichtig ist. Die Fortschritte, die wir bis 2025 und darüber hinaus erwarten können, werden die Landschaft der künstlichen Intelligenz fundamental verändern.

---

www.KINEWS24-academy.de – KI. Direkt. Verständlich. Anwendbar.

---

Quellen

• Johnson, S. G. B., Karimi, A.-H., Bengio, Y., Chater, N., Gerstenberg, T., Larson, K., Levine, S., Mitchell, M., Rahwan, I., Schölkopf, B., & Grossmann, ¹ I. (2025). Imagining and building wise machines: The centrality of AI metacognition. arXiv:2411.02478v2 [cs.AI]. Abgerufen von https://arxiv.org/abs/2411.02478 (Preprint, Version vom 7. Mai 2025)   1. www.mpib-berlin.mpg.de www.mpib-berlin.mpg.de
• Musser, G. (2024, April). Building Intelligent Machines Helps Us Learn How Our Brain Works. Scientific American. Abgerufen von https://www.scientificamerican.com/article/what-the-quest-to-build-a-truly-intelligent-machine-is-teaching-us/

---

#KI #AI #ArtificialIntelligence #KuenstlicheIntelligenz #KIWeisheit #Metakognition #AGI #ZukunftsTechnologie, KI Weisheit Metakognition