Quantification and object perception in Multimodal Large Language Models and human linguistic cognition
Diese Studie untersucht, wie Multimodal Large Language Models im Vergleich zum menschlichen Sprachverständnis Quantifizierung verarbeiten, und zeigt, dass trotz guter Leistung bei numerischen Aufgaben und Skalenordnungen signifikante Unterschiede in Bezug auf Verwendungsbereiche und Prototypizität bestehen, was neue Erkenntnisse für die Entwicklung semantischer und pragmatischer Agenten liefert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
🧠 Wenn Roboter zählen lernen: Warum KI beim „Ein bisschen" und „Viele" noch stolpert
Stell dir vor, du zeigst einem Freund ein Bild mit vielen schwarzen Quadraten und weißen Kreisen. Du fragst: „Wie viele sind das?"
Ein Mensch würde intuitiv antworten: „Da sind ein paar", „viele" oder „die meisten". Wir nutzen diese Wörter nicht wie ein strenger Mathematiker, sondern basierend auf unserem Gefühl für Zahlen und dem Kontext.
Diese Studie untersucht genau das: Können Multimodale Große Sprachmodelle (MLLMs) – also KI-Systeme, die Bilder und Text verstehen – so gut zählen und beschreiben wie Menschen?
Die Forscher haben herausgefunden, dass die KI zwar gut im Rechnen ist, aber beim „Fühlen" von Mengen noch große Probleme hat. Hier ist die Erklärung, wie ein Roboter, der versucht, menschliche Sprache zu verstehen:
1. Der Test: Ein Bild, viele Fragen
Die Forscher zeigten den KI-Modellen und echten Menschen Bilder mit Quadraten und Kreisen.
- Aufgabe A: Schätze, wie viel Prozent der Formen schwarz sind.
- Aufgabe B: Wähle das richtige Wort: „Ein paar", „einige", „viele" oder „die meisten".
Es war wie ein Zungenbrecher-Test für Roboter: Sie mussten nicht nur sehen, sondern auch verstehen, was diese Wörter in der echten Welt bedeuten.
2. Die zwei Arten von KIs: Der „Denker" vs. der „Befehlsempfänger"
Die Studie verglich zwei verschiedene KI-Typen:
- Die „Denker" (Thinking Models): Diese KIs (wie o4-mini) wurden extra trainiert, um lange Gedankengänge zu entwickeln, bevor sie antworten. Sie sind wie Schüler, die sich erst eine Matheaufgabe Schritt für Schritt aufschreiben.
- Die „Befehlsempfänger" (Instruct Models): Diese KIs (wie GPT-4o) geben sofort eine Antwort, basierend auf dem, was sie gelernt haben. Sie sind wie schnelle Assistenten, die sofort handeln.
Das Ergebnis beim Zählen:
Die „Denker" waren beim Zählen der schwarzen Quadrate viel besser als die „Befehlsempfänger". Sie konnten die Menge fast so gut schätzen wie Menschen. Die „Befehlsempfänger" hingegen zählten oft falsch, besonders wenn es viele Objekte waren. Sie dachten, es seien weniger, als es wirklich waren.
3. Das eigentliche Problem: Die Bedeutung der Wörter
Aber hier kommt der Haken: Selbst wenn die KI die Anzahl richtig zählt, benutzt sie die Wörter falsch.
Stell dir vor, du hast eine Skala von 0 bis 100:
- Menschen nutzen „ein paar" für kleine Mengen (z. B. 10–20 %), „viele" für mittlere (40–60 %) und „die meisten" für fast alles (90 %+). Das ist wie eine gut geordnete Bibliothek, wo jedes Buch an seinem Platz steht.
- Die KI hat diese Bibliothek durcheinander geworfen.
- Für die KI bedeutet „die meisten" manchmal nur 50 % (also die Hälfte!).
- Manchmal benutzt sie „viele" für Mengen, die eigentlich „ein paar" wären.
- Die KI vermischt die Grenzen. Für uns Menschen ist klar, wo „viele" aufhört und „die meisten" beginnt. Für die KI ist das wie eine Nebelwand.
4. Warum ist das so? Der fehlende „Menschlichkeits-Test"
Die Forscher vermuten, dass das Problem in der Art liegt, wie KI lernt.
- Menschen lernen Wörter durch Erfahrung. Wir wissen, dass „viele" nicht immer exakt 60 % bedeutet, sondern davon abhängt, ob wir gerade 5 Äpfel oder 500 Äpfel sehen. Wir haben ein „Gefühl" für Zahlen.
- KI lernt durch Statistiken. Sie sieht in Texten oft, dass das Wort „viele" neben bestimmten Zahlen steht. Aber sie versteht nicht das Gefühl dahinter. Sie kann die mathematische Regel nicht auf die menschliche Unsicherheit übertragen.
Es ist, als würde jemand eine Sprache lernen, indem er nur Wörterbücher auswendig lernt, aber nie mit Menschen spricht, um zu fühlen, wann man „ein bisschen" sagt und wann man „eine ganze Menge" sagt.
5. Funktioniert das in allen Sprachen?
Die Studie testete die KI in sechs Sprachen (Englisch, Griechisch, Russisch, Spanisch, Italienisch, Katalanisch).
- Ergebnis: Die KI macht in allen Sprachen ähnliche Fehler. Es gibt keine „Super-Sprache", in der die KI plötzlich menschlich denkt.
- Interessanterweise war Englisch nicht die beste Sprache für die KI. Das zeigt, dass das Problem nicht am Englischen liegt, sondern am Kern der KI selbst: Ihr fehlt das menschliche Verständnis von Mengen.
🎯 Das Fazit in einem Satz
Die KI kann heute sehr gut rechnen und Bilder erkennen, aber wenn es darum geht, Wörter wie „ein paar" oder „die meisten" so zu benutzen, wie ein Mensch es intuitiv tut, fehlt ihr noch das menschliche Gefühl für Zahlen und Kontext. Sie ist ein brillanter Rechenkünstler, aber noch kein natürlicher Sprachbegleiter.
Die Studie zeigt uns also: Damit KI wirklich menschlich wirkt, müssen wir ihr nicht nur mehr Daten geben, sondern ihr beibringen, wie wir Menschen unsere Welt fühlen und nicht nur berechnen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.