In dieser Folge geht es um ChatGPT Pulse – eine neue Funktion von OpenAI, die ChatGPT vom reinen Antwortgeber zum persönlichen KI-Assistenten weiterentwickelt. Pulse liefert dir täglich personalisierte Updates in Form von übersichtlichen Karten, basierend auf deinen bisherigen Chats, deinem Feedback und verbundenen Apps wie dem Kalender. Ziel ist es, dir relevante Infos und nächste Schritte zu deinen Zielen zu zeigen – ohne dass du extra danach fragen musst. Du kannst steuern, welche Themen für dich wichtig sind, und natürlich bleiben Sicherheits- und Datenschutzaspekte dabei im Fokus.

In dieser Folge geht es um einen spannenden Wandel in der Forschung mit KI: weg vom bloßen Prompt Engineering hin zur strukturierten Prompt Science. Viele Forschende setzen aktuell Prompts eher improvisiert ein – was zu wenig nachvollziehbaren und schwer wiederholbaren Ergebnissen führt. Als Lösung wird eine neue Methode vorgestellt, die an qualitative Kodierung erinnert: Menschen werden aktiv in den Prozess einbezogen, um Prompts systematisch zu entwickeln, zu testen und zu überprüfen. Ziel ist es, die Arbeit mit Sprachmodellen wissenschaftlich fundierter, transparenter und verlässlicher zu machen.

In dieser Folge geht es um eine große Studie von OpenAI zur Nutzung von ChatGPT. Analysiert wurden 1,5 Millionen Gespräche über drei Jahre hinweg - weltweit. Die Ergebnisse zeigen: ChatGPT wird vor allem für alltägliche Aufgaben genutzt, z. B. zur Informationssuche oder bei kleinen Entscheidungen. Etwa ein Drittel der Nutzung ist beruflich motiviert. Besonders spannend: Die Akzeptanz wächst auch in Ländern mit geringerem Einkommen, und Geschlechterunterschiede nehmen ab. ChatGPT wird so zu einem echten Alltagswerkzeug – mit spürbarem wirtschaftlichen Nutzen.

In dieser Folge geht es um zwei zentrale Fragen beim Einsatz von KI: Wie fair sind die Ergebnisse großer Sprachmodelle (LLMs)? Und wie gut können wir ihre Entscheidungen nachvollziehen? Wir sprechen über ein Rahmenwerk namens „Reflexive Prompt Engineering“, das ethische und technische Aspekte bei der Erstellung von Prompts kombiniert, sowie über neue Forschung, die zeigt: Einfache Anti-Bias-Tricks reichen in echten Anwendungssituationen oft nicht aus. Stattdessen braucht es gezielte Eingriffe in die Modelle und klare Strategien, um Vorurteile zu erkennen und zu reduzieren.

In dieser Folge geht es um Meta Prompting – also darum, wie KIs dabei helfen können, bessere Anweisungen (Prompts) für andere KIs zu schreiben. Statt sich mühsam selbst gute Prompts auszudenken, können wir jetzt die KI selbst um Hilfe bitten: Sie schlägt Formulierungen vor, bewertet sie und verbessert sie weiter. Dabei kommen verschiedene Methoden und Werkzeuge zum Einsatz, die zeigen, wie sich das Schreiben von Prompts immer mehr automatisieren lässt – und trotzdem bessere Ergebnisse liefert.

In dieser Folge tauchen wir ein in das Tree of Thoughts (ToT) Prompting – eine fortschrittliche Technik, mit der große Sprachmodelle wie ChatGPT Probleme strukturierter und kreativer lösen können. Anders als bei linearem Denken nutzt ToT eine baumartige Struktur: Mehrere Lösungsideen („Vorschlags-Prompts“) werden erzeugt, bewertet („Wert-Prompts“) und systematisch verfolgt – ähnlich wie beim menschlichen Nachdenken. Besonders bei komplexen Aufgaben wie Mathematik oder kreativem Schreiben zeigt ToT beeindruckende Ergebnisse. Gleichzeitig sprechen wir über Grenzen, wie den hohen Rechenaufwand bei einfachen Aufgaben.

In dieser Folge geht es um das neue „Nano Banana“-Upgrade der Gemini-App von Google DeepMind. Die KI-gestützte Bildbearbeitung erreicht damit ein neues Level: Personen und Haustiere bleiben trotz tiefgreifender Bearbeitung – wie Kleidungstausch oder Hintergrundwechsel – realistisch erkennbar. Neu sind Funktionen wie die Kombination mehrerer Bilder zu neuen Szenen, mehrstufige Bearbeitungen und stilübergreifende Anpassungen zwischen Bildern. Dabei achtet Gemini auf Transparenz: Alle generierten Bilder erhalten sichtbare und unsichtbare Wasserzeichen, um ihre KI-Herkunft klarzumachen.

In dieser Folge werfen wir einen Blick auf die Entwicklung des Prompt Engineerings – von der exakten Formulierung früher Prompts bis zur strategischen Aufgabenbeschreibung heutiger KI-Systeme. Wir sprechen darüber, warum gutes Prompting mehr ist als nur Befehlseingabe: Es geht um strukturiertes Denken, Zielklarheit und relevante Informationen. Der Artikel beleuchtet zudem die wachsende Rolle des „Context Engineerings“, das die KI durch gezielte Hintergrundinformationen zu besseren Ergebnissen führt. Fazit: Auch wenn KI immer autonomer wird – der Mensch bleibt entscheidend für die Qualität der Antworten.

In dieser Folge geht es um die zunehmende Nutzung von Künstlicher Intelligenz an deutschen Schulen – sowohl durch Schüler als auch als potenzielles Hilfsmittel für Lehrkräfte. Wir sprechen über Chancen wie individuelle Förderung und Entlastung, aber auch über Risiken wie den Verlust kritischer Denkfähigkeiten und wachsende Bildungsungleichheit. Außerdem diskutieren wir, ob klare Regeln, neue Bewertungsmethoden oder sogar ein Verbot nötig sind – und warum viele Experten stattdessen eine reflektierte Integration von KI im Schulalltag fordern.

Diese Folge widmet sich einer spannenden Forschungsarbeit zur Unterscheidung zwischen KI-generierter und menschlicher Kunst. Mithilfe verschiedener Machine-Learning-Modelle – darunter Logistic Regression, SVM, MLP und CNN – wurden Werke in den Stilen Barock, Kubismus und Expressionismus analysiert. Ziel war es, herauszufinden, ob Algorithmen zuverlässig erkennen können, ob ein Bild von einer KI oder einem Menschen stammt. Die Ergebnisse zeigen: Ja, mit hoher Genauigkeit – allerdings bleibt die stilistische Einordnung menschlicher Werke eine Herausforderung. Was bedeutet das für Künstler, KI und die Zukunft der Kunst?