Kann KI Kant?

Die Frage, ob Künstliche Intelligenz Kant kann, ist eine doppelte: Erstens, ob KI Kant verstehen kann, und zweitens, ob sie das kantische Denken selbstständig weiterführen könnte. Reinhard Karger, Theoretischer Linguist und Unternehmenssprecher des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI), bewegt sich in seinen Überlegungen an genau dieser Schnittstelle zwischen erkenntnistheoretischer Reflexion und technischer Realität. Er zeigt auf, dass gegenwärtige KI zwar sprachlich agiert, aber nicht reflektiert, dass sie Daten verarbeitet, aber keine Erkenntnisse schöpft. Doch was bedeutet das für eine Kant-Lektüre durch die Maschine?

1. Die Kausalität der Maschinen: Erkenntnis oder Mustererkennung?

Karger argumentiert, dass sich der Mensch in seiner kognitiven Entwicklung von der bloßen Mustererkennung abhebt. Maschinen hingegen sind – zumindest im aktuellen Stand der Forschung – darauf beschränkt, „statistische Korrelationen zu identifizieren, aber nicht epistemische Gewissheiten zu erlangen“. Dies ist ein fundamentaler Unterschied zur kantischen Konzeption der Erkenntnis. Denn für Kant gilt: Die Welt erscheint uns nicht, wie sie ist, sondern sie wird von unseren Erkenntnisapparaten strukturiert. KI hingegen erfährt die Welt nicht, sie verarbeitet nur Daten. Ihre Outputs bleiben somit „subsymbolisch, nicht reflexiv, ohne kategoriale Ordnung“.

John Hopfield, der 2024 für seine Arbeiten zu neuronalen Netzen mit dem Physik-Nobelpreis ausgezeichnet wurde, sagte in seiner Dankesrede, dass ihn die Frage motivierte, „wie der Geist aus dem Gehirn entsteht“. Aber genau an diesem Punkt sieht Karger eine prinzipielle Grenze der KI: „Chatbots behaupten nichts, sie erzeugen nur Ausgaben.“ Die Versuchung, eine Sprachproduktion für Gedanken zu halten, sei eine gesellschaftliche Gefahr – denn „wohlklingende und syntaktisch korrekte Texte sind noch keine begründeten Aussagen“.

2. Der kategorische Imperativ und die Ethik der Maschinen

Kants zweite große Frage – „Was soll ich tun?“ – ist ebenso wenig durch KI zu beantworten. Karger weist darauf hin, dass die Übertragung des kategorischen Imperativs auf maschinelles Entscheiden eine problematische Annahme ist: „Ein KI-System kann eine regelbasierte Ethik ausführen, aber nicht moralisch reflektieren.“ Maschinelle Ethik wäre demnach stets eine Simulation moralischen Urteilens, aber kein echtes Wollen und Entscheiden aus sich heraus. Denn was Kant unter moralischer Freiheit verstand – das Handeln aus Achtung vor dem Gesetz – setzt Subjektivität und Autonomie voraus, zwei Eigenschaften, die Maschinen nicht besitzen.

Dennoch gibt Karger zu bedenken, dass KI in moralischen Entscheidungsprozessen eine unterstützende Rolle spielen könnte. „Wir könnten eine KI haben, die für uns den kategorischen Imperativ auf politische Entscheidungsfindung anwendet, aber wir würden die Ergebnisse vermutlich nicht mögen“. Denn die Anwendung einer strikt kantischen Ethik auf realpolitische Fragen würde radikale Konsequenzen haben – von der globalen Umverteilung bis zur radikalen Transparenz von Entscheidungsprozessen.

3. Sprache als Möglichkeit der KI

Ein weiterer zentraler Punkt in der Debatte ist die Rolle der Sprache. Während Karger hervorhebt, dass KI zwar Texte generieren kann, jedoch ohne „die performative Dimension von Sprache zu verstehen“, lässt sich argumentieren, dass moderne Sprachmodelle längst über bloße Syntax hinausgehen. Sprachmodelle wie GPT-4 erkennen und verarbeiten Kontextinformationen auf einem Niveau, das weit über eine rein statistische Verarbeitung hinausgeht.

In dieser Hinsicht könnte man mit Ludwig Wittgenstein oder Frank H. Witt entgegnen, dass die Bedeutung eines Wortes in seinem Gebrauch liegt – und genau hierin sind KI-Systeme mittlerweile hochgradig leistungsfähig. Sie analysieren nicht nur den lexikalischen und syntaktischen Aufbau von Sprache, sondern passen sich an Kontext, Register und Kommunikationsziele an. Während sie dabei weiterhin auf probabilistische Methoden setzen, erweisen sie sich in vielen Fällen als „besser im Kontext“ als der Mensch selbst.

Die Frage bleibt, ob diese Fähigkeit einer Maschine einer begrifflichen Durchdringung gleichzusetzen ist. Karger bleibt skeptisch: „Erst wenn KI nicht nur Sätze generiert, sondern auch ‚Aussagen nachvollziehbar und transparent begründen kann‘, wäre sie mehr als ein statistisches Textmodell.“ Doch genau an diesem Punkt könnte die Debatte sich weiterentwickeln, denn moderne KI-Modelle sind längst in der Lage, argumentative Strukturen zu erkennen und kohärente Schlussfolgerungen abzuleiten. Die Sprachverarbeitung der KI hat also bereits eine neue Qualität erreicht – ob das jedoch einer philosophischen Reflexion gleichkommt, bleibt offen.

4. Was dürfen wir hoffen?

Kants dritte große Frage, „Was dürfen wir hoffen?“, stellt sich auch im Hinblick auf KI. Karger plädiert für einen pragmatischen Blick: „Wir sollten nicht darauf hoffen, dass KI in naher Zukunft eine neue Aufklärung herbeiführt, wohl aber, dass sie uns hilft, schneller und präziser zu denken.“ Maschinen als Erkenntnisbeschleuniger – das wäre eine Perspektive, die Kant gefallen hätte.

Und dennoch bleibt ein Unbehagen: „Wenn wir KI zu einer verlässlichen Erkenntnismaschine ausbauen, dann betreten wir eine Welt, in der Menschen nicht mehr die primären Wissensproduzenten sind“. Ist das eine wünschenswerte Zukunft? Vielleicht – solange wir nicht vergessen, dass es am Ende nicht die Maschine ist, die Kant verstehen muss, sondern wir selbst.