Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages

Die unsichtbare Wand in der Maschine

Stellen Sie sich das Internet als eine riesige, belebte Bibliothek vor, in der jedes Buch, jedes Video und jedes Gespräch, das jemals aufgezeichnet wurde, gespeichert ist. Dies sind die „Trainingsdaten“, die Künstliche Intelligenz (KI) nutzt, um zu lernen, wie man spricht, schreibt und Probleme löst. Lange Zeit war diese Bibliothek fast ausschließlich mit Büchern in englischer Sprache gefüllt. Da die KI nur englische Bücher zu lesen bekam, wurde sie zur Expertin in Englisch, hatte aber Schwierigkeiten, etwas anderes zu verstehen. Dies ist das Kernproblem der „ressourcenarmen Sprachen“: Wenn eine Sprache in der digitalen Welt nicht gut repräsentiert ist, wird die KI, die gebaut wurde, um Menschen in dieser Sprache zu helfen, mit einem Handicap geboren.

Um zu verstehen, warum das wichtig ist, müssen wir zwei einfache Ideen betrachten. Erstens ist die kognitive Belastung (Cognitive Load) wie ein Rucksack, den Ihr Gehirn trägt. Wenn Sie etwas Neues lernen, wird Ihr Rucksack schwerer. Wenn Sie gleichzeitig ein schwieriges mathematisches Konzept lernen und es aus einer Sprache übersetzen müssen, die Sie nicht gut beherrschen, wird Ihr Rucksack so schwer, dass er platzt und Sie die Mathematik nicht mehr lernen können. Zweitens ist die Tokenisierung (Tokenization) die Art und Weise, wie Computer Wörter in winzige Stücke zerlegen, um sie zu verstehen. Denken Sie an ein Puzzle: Wenn die Puzzleteile für eine Sprache perfekt geschnitten sind, ist das Bild klar. Wenn die Teile für eine andere Sprache in winzige, unordentliche Scherben zerschnitten sind, muss der Computer viel härter arbeiten, um das Bild wieder zusammenzusetzen.

Warum sollte das jemanden interessieren? Weil KI als magischer Tutor verkauft wird, der jedem, überall, beibringen kann, wie man programmiert oder Probleme löst. Aber wenn dieser Tutor nur mit englischen Büchern trainiert wurde, nur Englisch spricht und nur funktioniert, wenn man eine super schnelle Internetverbindung hat, dann versagt er genau bei den Menschen, die ihn am dringendsten brauchen: Studenten in ländlichen Gebieten, die Sprachen wie Bengali sprechen. Dieses Paper untersucht, warum dieser „magische“ Tutor für sie eigentlich kaputt ist – nicht, weil die Technologie schlecht ist, sondern weil das Fundament, auf dem sie aufgebaut wurde, nie für sie entworft wurde.

---

Das stille Versagen: Warum KI Bengali-Sprecher ignoriert

Dieses Paper mit dem Titel „Structural Silence“ erzählt die Geschichte davon, wie die KI-Infrastruktur unbeabsichtigt eine Mauer um Sprecher unterrepräsentierter Sprachen errichtet, wobei Bengali als Fallstudie dient. Bengali ist eine gewaltige Sprache, die von etwa 285 Millionen Menschen gesprochen wird – das sind etwa 4 % der gesamten menschlichen Bevölkerung. Sie blickt auf eine über 1.400-jährige Geschichte zurück und ist Amtssprache in zwei Ländern. Man könnte meinen, dass eine so große Sprache in der Welt der KI ein Superstar wäre. Doch die Autoren fanden heraus, dass Bengali statt ein Star zu sein, durch vier spezifische strukturelle Fehler „zum Schweigen gebracht“ wird, die sich wie ein Kartenhaus übereinanderstapeln.

1. Das leere Bücherregal (Die Web-Präsenz-Lücke)

Stellen Sie sich vor, Sie versuchen, einem Roboter das Bengalische beizubringen, indem Sie ihm eine Bibliothek zum Lesen geben. Das Problem ist, dass die Bibliothek fast leer ist. Obwohl Bengali-Sprecher 4 % der Welt ausmachen, macht die Sprache weniger als 0,5 % aller Inhalte im Internet aus. Im Gegensatz dazu macht Englisch, das eine ähnliche Anzahl an Muttersprachlern hat, etwa 49,5 % des Webs aus.

KI-Modelle werden trainiert, indem sie das Web „durchforsten“ (Crawling), um Text zu sammeln. Da es so wenig bengalische Texte online gibt, bekommt die KI sehr wenig Übung. Es ist, als würde man versuchen, Geige zu lernen, indem man nur ein einziges Lied hört, während der englischsprachige Freund eine Million Lieder hören darf. Die Autoren weisen darauf an, dass dies nicht nur eine Frage des Internetzugangs ist; es geht darum, wer seit Jahrzehnten online Inhalte schreibt und veröffentlicht. Das Ergebnis? Die KI beginnt ihr Training mit einem massenhaften Nachteil, noch bevor sie ein einziges Wort gelernt hat.

2. Der Datentodhunger (Das Trainings-Token-Defizit)

Da es im Web so wenig Bengali gibt, leidet die KI unter einem Mangel an „Tokens“. Tokens sind die winzigen Textstücke, die der Computer nutzt, um zu lernen. Das Paper hebt eine schockierende Lücke hervor: In großen Trainingsdatensätzen gibt es 67 englische Tokens für jedes eine Bengali-Token.

Denken Sie an eine Diät. Wenn Englisch ein Festmahl aus 67 Tellern Essen bekommt, bekommt Bengali nur einen einzigen Krümel. Die Autoren stellen fest, dass selbst wenn Bengali in „multilingualen“ Modellen (Modellen, die versuchen, viele Sprachen zu lernen) enthalten ist, es immer noch viel schlechter abschneidet als Englisch. Die Daten sind nicht nur knapp; sie sind so knapp, dass die KI einfach nicht genug Beispiele gesehen hat, um die Regeln der Sprache richtig zu lernen.

3. Die kaputten Puzzleteile (Der Tokenisierungs-Malus)

Hier wird es knifflig. Selbst wenn Sie der KI die gleiche Menge an bengalischem Text wie Englisch geben würden, hätte sie immer noch Schwierigkeiten. Warum? Wegen der Art und Weise, wie der Computer die Wörter zerlegt.

Englisch verwendet das lateinische Alphabet, das für Computer relativ einfach zu zerlegen ist. Bengali verwendet eine „Alphasyllabar“-Schrift, bei der Buchstaben mit kleinen Zeichen (Diakritika) kombiniert werden und auf komplexe Weise miteinander verschmelzen. Standard-Computerwerkzeuge, die für Englisch konzipiert wurden, zerlegen Bengali-Wörter in winzige, unordentliche Fragmente. Die Autoren nennen dies einen „Tokenisierungs-Malus“ (Tokenization Penalty).

Stellen Sie sich vor, Sie versuchen, ein Puzzle zusammenzusetzen. Für Englisch sind die Teile große, klare Formen. Für Bengali wird dasselbe Bild in tausende winzige, gezackte Scherben zerschnitten. Der Computer muss viel härter arbeiten, um herauszufinden, wie die Scherben zusammenpassen. Das bedeutet, dass die KI noch mehr Daten „essen“ muss, um dieselbe Bedeutung wie Englisch zu erfassen. Das Paper legt nahe, dass Bengali-Modelle erheblich mehr Daten benötigen, um allein dieses unordentliche Zerlegungs-Problem zu überwinden.

4. Die Cloud-Falle (Konnektivitäts-Ausschluss)

Das letzte Versagen betrifft nicht das Gehirn der KI, sondern ihren Körper. Die meisten KI-Tools von heute leben in der „Cloud“. Das bedeutet, dass Sie Ihre Frage über das Internet an einen riesigen Server senden müssen, der darüber nachdenkt und die Antwort zurückschickt.

Das Paper weist auf eine harte Realität hin: Im ländlichen Bangladesch, wo viele Bengali-Sprecher leben, liegt die individuelle Internetpenetration nur bei 36,5 %, verglichen mit 71,4 % in Städten. Zudem besitzen nur 9,2 % der Haushalte einen Computer. Wenn ein KI-Tutor eine ständige, schnelle Internetverbindung benötigt, um zu funktionieren, ist er für den Studenten in ländlichen Gebieten funktional unsichtbar. Es ist, als würde man eine Bibliothek entwerfen, die nur öffnet, wenn man einen Privatjet besitzt, um dorthin zu gelangen. Die Autoren argumentieren, dass dies nicht nur eine Unannehmlichkeit ist, sondern eine Designentscheidung, die davon ausgeht, dass bereits alle vernetzt sind, und damit effektiv die Menschen ausschließt, die die Hilfe am dringendsten benötigen.

Die doppelte Last: Ein schwerer Rucksack

Wenn man diese vier Fehler kombiniert, ist das Ergebnis eine „doppelte Last“ für den Lernenden. Stellen Sie sich einen Studenten in einem ländlichen Dorf vor, der versucht, Computerprogrammierung zu lernen.

1. Die Sprachbarriere: Der KI-Tutor erklärt den Code auf Englisch (weil er hauptsächlich auf Englisch trainiert wurde). Der Student muss das englische Verständnis in seinem Kopf übersetzen, während er gleichzeitig versucht, das komple

komplexe Programmierkonzept zu verstehen.
2. Die kognitive Überlastung: Sein Gehirn versucht zwei schwere Aufgaben gleichzeitig zu bewältigen: die Sprache zu übersetzen und die Mathematik zu lernen. Sein „Rucksack“ (Arbeitsgedächtnis) wird zu schwer, und er versteht es nicht mehr.

Das Paper zitiert Forschungsergebnisse, die zeigen, dass Studenten, die technische Konzepte in einer Zweitsprache ohne Unterstützung lernen, weniger lernen und weniger behalten. Für einen Bengali-Sprecher ist ein KI-Tutor, der Englisch spricht, nicht nur weniger praktisch, sondern oft unmöglich effektiv zu nutzen.

Was das Paper vorschlägt

Die Autoren sagen vorsichtig, dass dies nicht nur ein „Fix den Code“-Problem ist. Sie argumentieren, dass wir nicht einfach nur die KI ein wenig anpassen können, damit sie funktioniert. Das gesamte Fundament ist auf Annahmen aufgebaut, die Nicht-Englischsprecher ausschließen.

• Hören Sie auf, Daten als Nebenprojekt zu behandeln: Das Paper schlägt vor, dass der Aufbau von Datensätzen für Sprachen wie Bengali nicht als „vorläufige Arbeit“ angesehen werden sollte. Er sollte als ein bedeutender wissenschaftlicher Beitrag anerkannt werden, der genauso wichtig ist wie die Erfindung eines neuen KI-Modells.
• Gehen Sie „Offline-First“: Anstatt davon auszugehen, dass jeder Internet hat, sollten wir KI-Tools entwerfen, die auf einem Telefon oder Computer ohne Verbindung funktionieren. Dies ist keine „minderwertige“ Version der KI; es ist die einzige Version, die für den Großteil der Welt funktioniert.
• Hören Sie auf Linguisten: Das Paper fordert, dass Linguisten einspringen sollen, um zu erklären, warum Standard-Computerwerkzeuge bei Sprachen wie Bengali versagen. Sie besitzen das Vokabular, um diese strukturellen Mängel zu erkennen, die Ingenieure vielleicht übersehen.

Das Fazit

Dieses Paper behauptet nicht, eine perfekte KI für Bengali-Sprecher gebaut zu haben. Stattdessen agiert es wie ein Detektiv, der die vier strukturellen Gründe aufzeigt, warum das aktuelle System sie scheitern lässt. Es legt nahe, dass die Leistungslücke nicht daran liegt, dass Bengali eine „schwere“ Sprache ist oder dass die Studenten nicht klug sind. Es liegt daran, dass die KI-Infrastruktur mit Englisch im Hinterkopf gebaut wurde – von den Büchern, die sie gelesen hat, über die Art und Weise, wie sie Wörter zerschneidet, bis hin zur Annahme, dass jeder eine schnelle Internetverbindung hat. Bis wir diese strukturellen Stille korrigieren, wird das Versprechen der KI als universeller Lehrer ein Versprechen bleiben, das nur für wenige gilt.