| Typ | Synthese |
|---|---|
| Quellen | Quelle - Bildverarbeitung Zusammenfassung Quelle - LLM Wiki - Ideendatei Quelle - Neuronale Netze selbst programmieren Quelle - Neuronale Netze programmieren mit Python |
| Erstellt | 2026-09-24 |
| Aktualisiert | 2026-09-27 |
| Tags | wissensrepräsentation, künstliche-intelligenz, llm-wiki, geschichte |
Vergleich der klassischen, formalen Wissensrepräsentation (semantische Netze, Frames, Regeln, Blackboard; Stand 2004) mit dem LLM Wiki. Die Architekturideen sind erstaunlich ähnlich geblieben. Geändert hat sich vor allem, wer das Wissen in welcher Form codieren muss.
Einordnung (Claude)
Diese ganze Seite ist eine Synthese von Claude. Die Einzelfakten sind belegt, die Gegenüberstellung und die Schlussfolgerungen sind Interpretation.
Ausgangslage
- Damals: Die Wissensbasierte Bildanalyse (Stand 2004) wollte Bilder verstehen. Dazu brauchte sie explizites Modellwissen, das in formalen Strukturen gespeichert und per Suche auf die Bilddaten angewendet wurde (Quelle - Bildverarbeitung Zusammenfassung).
- Heute: Das LLM Wiki will Quellen verstehen und behalten. Das Wissen wird einmal kompiliert, in vernetztem Markdown gespeichert und von einem LLM gepflegt (Quelle - LLM Wiki - Ideendatei).
Beide Ansätze suchen einen dauerhaften, expliziten Wissensspeicher, der von der Verarbeitung getrennt ist.
Gegenüberstellung
| Idee | Klassisch (2004) | LLM Wiki (heute) |
|---|---|---|
| Wissen und Steuerung trennen | explizite Wissensrepräsentation, getrennt von der Ablaufsteuerung, damit sich beides unabhängig ändern lässt | Wiki (wiki/) als Wissen, Schema (CLAUDE.md) als Steuerung |
| Langzeitwissen | allgemeingültig, statisch, bildunabhängig | Wiki-Seiten, die über Sessions hinweg bestehen |
| Kurzzeitwissen | bezogen auf das aktuelle Bild, dynamisch | Kontextfenster der aktuellen Session |
| Knoten und Kanten | semantisches Netz: Knoten sind Objekte, Kanten Relationen („ist-Teil-von“) | Seiten sind Knoten, [[Links]] Kanten; die Relation steht als Text im „Verwandt“-Abschnitt |
| Prototyp und Vererbung | Frames mit Slots; a_kind_of, is_a |
Seitenformat mit Frontmatter (typ, tags, quellen) als fester „Slot“-Rahmen; keine echte Vererbung |
| Konzept vs. Instanz | Konzept = Prototyp einer Klasse, Instanz = konkretes Element | Ordner konzepte/ vs. entitaeten/ |
| Regeln | Produktionssysteme: Bedingung → Aktion | Workflows im Schema: „Auslöser: Ingest …“ → Schritte 1–7 |
| Gemeinsamer Arbeitsraum | Blackboard: Spezialisten kommunizieren nur über die Tafel | Vault: Mensch und LLM arbeiten nur über die Dateien zusammen, Obsidian ist die „IDE“ |
| Konsistenz | Relaxation schliesst unverträgliche Deutungen iterativ aus | Lint sucht Widersprüche; [!warning]-Markierungen halten sie sichtbar fest |
| Wissenserwerb | adaptive Bildanalyse: beobachten → bewerten → Verhalten ändern; meist nur Parameterlernen | Ingest und Query lassen das Wiki wachsen; das Modell selbst lernt dabei nicht, nur der Speicher |
Die klassischen Konzepte sind in Wissensbasierte Bildanalyse beschrieben, das LLM Wiki in LLM Wiki und Wiki-Operationen.
Was sich grundlegend geändert hat
- Das Format: Früher musste Wissen formal codiert werden (Grammatiken, Frames, Regeln), damit eine Maschine es nutzen konnte. Heute genügt Fliesstext, weil das LLM natürliche Sprache deuten kann. Die Einstiegshürde sinkt damit von „Wissensingenieur“ auf „jeder, der schreiben kann“.
- Die Pflege: Formale Wissensbasen waren aufwendig zu erstellen und zu warten. Der Engpass verschob sich damit zum Menschen. Genau dieses Pflegeproblem hatte schon der Memex nicht gelöst. Im LLM Wiki übernimmt das LLM die Buchhaltung, der Pflegeaufwand sinkt fast auf null (Quelle - LLM Wiki - Ideendatei).
- Das Schliessen: Früher war die Analyse explizite Suche (Tiefen- und Breitensuche, A*, Graph-Matching). Heute geschieht das Verknüpfen implizit im Sprachmodell, die Suche beschränkt sich auf das Finden relevanter Seiten über
index.md. - Der Zweck: Damals war das Wissen Mittel zum Zweck (Bilder deuten). Heute ist die Wissenssammlung selbst das Produkt, als Zweites Gehirn.
Was geblieben ist
- Die Trennung von Wissen und Steuerung ist weiterhin die wichtigste Designentscheidung.
- Explizite Struktur lohnt sich weiterhin: Obwohl das LLM Fliesstext versteht, gibt das Schema bewusst Frontmatter, Seitentypen und Linkpflicht vor. Das ist eine abgespeckte Form von Frames und semantischem Netz.
- Datengetrieben und modellgetrieben wirken auch heute zusammen: Ingest arbeitet bottom-up (von der Quelle zu den Konzepten), Query top-down (von der Frage zu den Seiten).
Trade-offs
| Formal (klassisch) | Fliesstext (LLM Wiki) | |
|---|---|---|
| Maschinell prüfbar | hoch: Regeln sind eindeutig | gering: Aussagen sind unscharf |
| Aufwand zum Erstellen | hoch | niedrig |
| Robust gegen Fehler | Fehler sind deterministisch und reproduzierbar | Risiko von Halluzinationen und stillen Verfälschungen beim Zusammenfassen |
| Flexibilität | starr, nur modellierte Fälle | beliebige Themen, beliebige Fragen |
| Nachvollziehbarkeit | Ableitungsbaum (z.B. in ERNEST) | Quellenbelege ([[Quelle - …]]) und Log |
Die Regeln im Schema (unveränderliche Rohquellen, Belegpflicht, markierte Widersprüche, gekennzeichnete eigene Interpretationen) wirken wie ein Ersatz für die fehlende formale Prüfbarkeit.
Offene Fragen
- Wann lohnt sich mehr Formalisierung im Wiki? Zum Beispiel typisierte Relationen im Frontmatter (
teil_von,art_von), die Dataview auswerten könnte. - Eine Quelle zur Geschichte der KI (Symbolische KI vs. Konnektionismus) würde diese Synthese belegen statt nur interpretieren. Weitgehend geschehen (2026-09-27): Quelle - Neuronale Netze programmieren mit Python unterscheidet ausdrücklich symbolische KI (Wissen explizit in Regeln, Entscheidungen nachvollziehbar) und subsymbolische, konnektionistische KI (Wissen implizit in Gewichten, schwer zu erklären) und stellt fest: „Die Geschichte hat sich (derzeit) zugunsten der subsymbolischen Systeme entwickelt“ (S. 40). Die Zeitleiste steht in Geschichte der neuronalen Netze. Die Nachteile der Blackbox und die Vorzüge regelbasierter Systeme für die Erklärbarkeit beschreibt KI-Ethik. Eine Geschichte der symbolischen KI selbst (Expertensysteme, Frames, Blackboard) fehlt weiterhin.
- Die Mustererkennung zeigt den zweiten Strang: neuronale Netze, die 2004 nur ein Klassifikator unter vielen waren und heute als LLM die Wissenspflege übernehmen.
Verwandt
- Wissensbasierte Bildanalyse – die klassische Seite des Vergleichs
- LLM Wiki – die moderne Seite des Vergleichs
- Wiki-Operationen – Ingest, Query und Lint als „Produktionsregeln“ des Wikis
- Memex – das Pflegeproblem, das beide Epochen verbindet
- Zweites Gehirn – der übergeordnete Zweck
- Mustererkennung – der konnektionistische Strang, der zum LLM führte
- Retrieval-Augmented Generation – ein weiterer heutiger Ansatz ohne dauerhafte Wissensrepräsentation
- Sicherheit des eigenen Vaults – zweite Synthese, die Studienwissen auf das Wiki überträgt
- Künstliches neuronales Netz – wie Wissen in Gewichten statt in Regeln steckt
- Geschichte der neuronalen Netze – der konnektionistische Strang von 1943 bis zum Transformer
- KI-Ethik – Erklärbarkeit: Regelkette gegen Blackbox