Was KI kann

Vom ersten geschriebenen Wort bis zum Verstehen eines ganzen Dokuments: Diese Familie arbeitet an Zeichenfolgen selbst — generieren, umschreiben, übersetzen, zusammenfassen, extrahieren, wiederfinden und schlussfolgern.

Einem Modell beibringen, ein Bild zu lesen. Von der einfachsten Klassifikation über das Einrahmen von Objekten, die Segmentierung jedes Pixels und das Erkennen von Text und Gesichtern bis zum Beantworten von Fragen zu einem Bild.

Ausgehend von einer Beschreibung oder einer Skizze ein Bild erzeugen, verändern oder wiederherstellen. Diese Familie der generativen KI hat die Öffentlichkeit zuerst wahrgenommen.

Video ist ein bewegtes Bild plus die Zeit. Diese Familie behandelt Raum und Zeit zugleich: kurze Clips erzeugen, Handlungen verstehen, Einstellungen bearbeiten und Lippen synchronisieren.

Klang ist zugleich Welle und Zeitreihe. Die Spracherkennung wandelt ihn in Text um, die Sprachsynthese den umgekehrten Weg; Musik- und Klangerzeugung liefern direkt hörbares Material.

Zweidimensionale Eingaben werden zu dreidimensionalen Assets erhoben: Meshes, Punktwolken und renderbare Szenen. Sie steht am Anfang der Kette für Spiele, Film und Robotersimulation.

Code ist eine Sprache mit strenger Grammatik. Diese Familie ergänzt nicht nur die nächste Zeile, sondern erfasst ein ganzes Repository, führt Befehle aus und spürt Fehler auf.

Sobald ein Modell Werkzeuge aufrufen, Dateien lesen und schreiben und einen Browser steuern kann, beantwortet es nicht mehr nur Fragen, sondern erledigt Aufgaben. Diese Familie dreht sich darum, Handlungen zu verlässlichen Abläufen zu verketten.

Unordentliche Tabellen, Dokumente und Layouts werden in strukturierte Felder überführt. Das ist die erste Hürde, die zu nehmen ist, wenn KI in einen echten Geschäftsprozess eingebunden wird.