Wissen · Praktiker
Neuronale Netze einfach erklärt
Auf dieser Seite
Wie bringt man einem Computer bei, eine Katze auf einem Foto zu erkennen, ohne ihm eine Regel dafür zu geben? Die Antwort der modernen KI sind neuronale Netze, die das selbst aus Beispielen lernen.
Was ein neuronales Netz ist
Ein neuronales Netz besteht aus vielen kleinen Recheneinheiten, die in Schichten angeordnet sind. Jede Einheit nimmt Zahlen auf, verrechnet sie und gibt ein neues Signal weiter.
Vorne kommt die Eingabe hinein, etwa die Pixel eines Bildes. Hinten kommt die Ausgabe heraus, etwa Katze oder Hund. Dazwischen liegen versteckte Schichten, die die eigentliche Arbeit leisten.
Das lose Vorbild Gehirn
Die Idee stammt vom Gehirn, wo Nervenzellen über Verbindungen Signale austauschen. Daher der Name neuronales Netz.
Die Ähnlichkeit ist jedoch nur grob. Ein künstliches Netz denkt nicht und fühlt nichts. Es ist reine Mathematik, ein riesiges System aus Zahlen und einfachen Rechenschritten.
Wie Training funktioniert
Jede Verbindung im Netz hat ein Gewicht, eine kleine Zahl. Am Anfang sind diese Gewichte zufällig, und das Netz rät nur.
Beim Training zeigt man ihm viele Beispiele mit bekannter Antwort. Liegt es falsch, werden die Gewichte ein winziges Stück in die richtige Richtung verschoben. Nach Millionen Durchläufen liefert das Netz gute Ergebnisse.
Tiefe Netze und Deep Learning
Moderne Netze haben sehr viele Schichten. Man spricht dann von tiefen Netzen oder Deep Learning. Jede Schicht erkennt etwas abstraktere Merkmale.
Bei einem Bild findet die erste Schicht Kanten, eine spätere Formen, eine noch spätere ganze Objekte. Diese Tiefe machte den großen Sprung der KI ab etwa 2012 möglich.
Was sie können und was nicht
Neuronale Netze sind stark im Erkennen von Mustern. Sie verarbeiten Bilder, Sprache und Messdaten oft besser als jede von Hand geschriebene Regel.
Doch sie verstehen nicht im menschlichen Sinn. Sie kennen nur Muster aus ihren Daten und können bei Neuem oder Lücken klar danebenliegen. Wie daraus mächtige Sprachmodelle werden, zeigt der Bereich Künstliche Intelligenz.
Häufige Fragen
Funktioniert ein neuronales Netz wie ein Gehirn?
Nur lose. Die Idee der vernetzten Einheiten stammt vom Gehirn, doch die Technik dahinter ist reine Mathematik. Ein Netz denkt nicht, es rechnet mit Zahlen.
Was sind die Gewichte in einem Netz?
Gewichte sind kleine Zahlen, die festlegen, wie stark ein Signal weitergegeben wird. Beim Training werden sie millionenfach angepasst, bis das Netz gute Ausgaben liefert.
Was bedeutet Deep Learning?
Deep Learning meint neuronale Netze mit vielen Schichten, daher das Wort „tief“. Jede Schicht erkennt etwas abstraktere Merkmale, von einfachen Kanten bis zu ganzen Objekten.
Was ist eine versteckte Schicht?
Eine versteckte Schicht liegt zwischen Eingabe und Ausgabe und ist von außen nicht direkt sichtbar. Dort findet die eigentliche Verarbeitung statt, mit der das Netz Muster aus den Daten herausarbeitet.
Was ist Backpropagation?
Backpropagation ist das zentrale Lernverfahren neuronaler Netze. Es berechnet, wie stark jedes Gewicht zum Fehler beigetragen hat, und passt die Gewichte gezielt in die richtige Richtung an.
Warum brauchen neuronale Netze so viel Rechenleistung?
Weil große Netze aus Millionen oder Milliarden Gewichten bestehen, die über riesige Datenmengen immer wieder neu berechnet werden. Genau deshalb kam der Durchbruch erst mit leistungsstarken Grafikchips.
Quellen und weiterführende Informationen
- Neural Networks — IBM
- Deep Learning — Nature
Update-Hinweis (Stand: 05.06.2026)
Erstveröffentlichung des Spokes zu neuronalen Netzen.
Der Kosmos im Posteingang
Einmal pro Woche: das Beste aus dem Universum, einfach erklärt.