ALL · AI LITERACY LAB
KI spielerisch erkunden, verändern und verstehen.
Das AI LITERACY LAB ist eine modulare Lernumgebung, in der zentrale Bestandteile künstlicher Intelligenz nicht nur erklärt, sondern interaktiv erprobt werden. In verschiedenen Labs lassen sich Modelle beobachten, Parameter verändern, Signalwege nachvollziehen und die Folgen eigener Entscheidungen unmittelbar reflektieren.
- spielerisch
- experimentell
- modular
- transparent
Produktidee
Eine Laborumgebung für nachvollziehbare KI-Lernprozesse
Was ist das AI Literacy Lab?
Das AI LITERACY LAB [ALL] ist eine interaktive Lernumgebung zur Förderung von AI Literacy. Statt künstliche Intelligenz ausschließlich als fertiges Werkzeug oder schwer durchschaubare Blackbox zu behandeln, macht die Anwendung grundlegende Mechanismen durch Simulationen, Visualisierungen und spielerische Aufgaben erfahrbar. Über einen zentralen Hub können eigenständige Labs angelegt, getrennt gespeichert, dupliziert und erneut geöffnet werden. Der aktuelle Prototyp verbindet drei Lernbereiche: NEUROEVOLUTION [SPECIMEN SAVER], SIGNALVERARBEITUNG [AI IS YOU] und NETZWERKSIMULATION [NEURAL SPACE]. Dadurch entsteht ein Zugang, der Beobachtung, eigenes Ausprobieren, räumliche Modellvisualisierung und Reflexion miteinander verbindet.
Eigene Labs anlegen
Der Hub verwaltet Lernprozesse getrennt voneinander. Labs können gestartet, benannt, dupliziert, gespeichert und später erneut geöffnet werden. Zwischenstände, Protokolle, Reflexionen und Auswertungen lassen sich als Grundlage für weitere Lern- und Diskussionsprozesse sichern.
Neuroevolution beobachten
Eine Population virtueller Specimen entwickelt Bewegungsstrategien. Erfolgreiche Netze werden übernommen, variiert und über Generationen vergleichbar gemacht.
Signalwege verändern
In räumlichen Rätseln werden Regelblöcke verschoben. Die Wirkung auf Aktivierung, Gewichtung und Signalpfade wird unmittelbar sichtbar.
Neuronale Netze erkunden
NEURAL SPACE macht Modellarchitekturen als interaktive 3D- und AR-Darstellung erfahrbar. Eingaben, Gewichte, Bias, Hidden Layer und Ausgaben lassen sich direkt verändern.
Hub und Lernprozess
Vom eigenen Lab zur schrittweisen Auseinandersetzung mit KI-Modellen
ALL verbindet eine übersichtliche Prozessverwaltung mit drei unterschiedlichen Lernzugängen: experimenteller Beobachtung, regelbasiertem Problemlösen und räumlicher Netzwerksimulation.
AI LITERACY LAB HUB
Labs über den Hub verwalten
Nach der Anmeldung öffnet sich der zentrale Hub der Anwendung. Dort lassen sich neue Labs starten und einem der verfügbaren Bereiche zuordnen. Bereits angelegte Labs werden als eigenständige Lernprozesse geführt. Sie können umbenannt, dupliziert, erneut gestartet oder gelöscht werden. Der Hub zeigt außerdem den zuletzt gespeicherten Stand an. In der Signalverarbeitung etwa das aktuelle Level, abgeschlossene Aufgaben, Reflexionen und die höchste verwendete Hilfestufe, in der Neuroevolution die aktuelle Generation, protokollierte Generationen und gegebenenfalls das Ergebnis des Champion-Benchmarks und in NEURAL SPACE die ausgewählten Level, Modellparameter, Simulationen, Platzierungen und Reflexionsantworten. Weitere Labs werden dem Modul schrittweise hinzugefügt.
GESTUFTE UNTERSTÜTZUNG
Regeln, Modelle und Lösungswege schrittweise erschließen
Die Signalverarbeitung verbindet räumliche Aufgaben mit einer gestuften Regelhilfe und Modellerklärung. Dadurch bleibt zunächst Raum für eigenes Erproben. Wenn Unterstützung benötigt wird, können Hinweise schrittweise ergänzt werden. Lernende erhalten so nicht nur eine Lösung, sondern können nachvollziehen, welche Regelblöcke eine bestimmte Wirkung auslösen, wie sich Signalpfade verändern und warum ein Modell in einer konkreten Konstellation anders reagiert. Die Hilfestufen werden im Lernstand dokumentiert und können für die Reflexion des eigenen Vorgehens genutzt werden.
Demonstration
ALL in Aktion
Das folgende Video zeigt die Funktionsweise der aktuellen Version des AI LITERACY LAB. Im Anschluss werden die Lernbereiche zusätzlich Schritt für Schritt schriftlich beschrieben. Falls trotz des Videos noch Fragen offen sind, nutzen Sie das Kontaktformular und schreiben Sie uns, wie wir weiterhelfen können.
Drei Lernbereiche
KI-Grundlagen werden durch Interaktion und Visualisierung greifbar
Die Labs setzen unterschiedliche Schwerpunkte. Gemeinsam ist ihnen, dass Modellverhalten nicht abstrakt bleibt, sondern durch eigene Eingriffe beobachtbar, veränderbar und diskutierbar wird.
SIGNALVERARBEITUNG · AI IS YOU
Regelblöcke verschieben und kausale Wirkungen erkennen
Der Bereich SIGNALVERARBEITUNG [AI IS YOU] nutzt ein an Sokoban angelehntes Spielprinzip. Regelblöcke werden mit den Pfeiltasten oder WASD auf einem räumlich aufgebauten Spielfeld verschoben. Anschließend lässt sich die Signalvisualisierung erneut ausführen, sodass die Folgen einer einzelnen Veränderung unmittelbar überprüfbar werden. Auf diese Weise werden Aktivierung, Gewichtung, Maskierung, rekurrente Verbindungen und alternative Informationswege schrittweise erfahrbar. Unterschiedliche Level greifen diese Modellbestandteile in variierenden Konstellationen auf und führen bis zu Aufgaben mit Transformer-Bezügen. Alternative Lösungswege, gestuft einblendbare Hilfen und Reflexionsfragen unterstützen dabei, nicht nur eine funktionierende Lösung zu finden, sondern die kausale Wirkung der verschobenen Regelblöcke nachvollziehbar zu begründen.
NEUROEVOLUTION · SPECIMEN SAVER
Evolution neuronaler Netze über Generationen beobachten
Im Bereich NEUROEVOLUTION [SPECIMEN SAVER] bewegen sich virtuelle Specimen über eine Plattform und reagieren auf wechselnde Hindernisse. Sensoren erfassen Wände, Bodenbereiche in Richtung der nächsten Plattform sowie Bewegungszustände des jeweils relevanten Hindernisses. Ein dichtes neuronales Netz verarbeitet diese Eingangssignale und leitet daraus horizontale Bewegungen und Sprungentscheidungen ab. Nach einer Generation bleibt das am längsten überlebende Netz als Champion unverändert erhalten, während die übrigen Specimen als variierte Nachkommen in den nächsten Durchlauf starten. So lässt sich beobachten, wie erfolgreiche Strategien weitergegeben werden, wie sich Mutation und Diversität entwickeln und an welchen Stellen Lernfortschritte oder Stagnation entstehen. Diagramme, ein Live-Inspektor und ein reproduzierbarer Champion-Benchmark mit mehreren Testepisoden machen diese Entwicklung nachvollziehbar und vergleichbar.
VISUALISIERUNG UND REFLEXION
Signalpfade und Modellentscheidungen sichtbar machen
In der Signalverarbeitung wird nicht nur das Ergebnis gezeigt, sondern auch der Weg dorthin. Aktive und inaktive Knoten, dynamische Verbindungen, Layer-Matrizen, erkannte Regeln und der aktuelle Output-Status werden gemeinsam sichtbar. Nach jeder Veränderung lässt sich prüfen, welche Verbindung neu aktiviert wurde, welche Gewichtung oder Maske den Pfad beeinflusst und warum eine einzelne Regeländerung für die gewünschte Modellreaktion ausreicht oder noch ergänzt werden muss. Durch Undo- und Reset-Funktionen können unterschiedliche Lösungswege erprobt und miteinander verglichen werden. Bei weiterführenden Aufgaben werden auch Tokenblöcke, kleine Embedding-Vektoren und Attention-Beziehungen einbezogen. Dadurch wird sichtbar, wie einzelne Wörter gewichtet, blockiert oder durch ihren Kontext neu bewertet werden. Vereinfachte Matrixansichten veranschaulichen zusätzlich, wie sich Aktivierungen, Attention-Werte und mögliche Output-Tokens verändern. Gestufte Modellerklärungen und Hilfestellungen erleichtern die Einordnung, ohne die Lösung unmittelbar vorwegzunehmen. Nach Abschluss eines Levels unterstützt eine Vorher-Nachher-Analyse die Reflexion über die entscheidenden Regeländerungen. Der Lernprozess kann durch Protokolle und gespeicherte Reflexionsantworten dokumentiert werden. Perspektivisch lassen sich diese Informationen in einem exportierbaren Kompetenzprofil bündeln, das individuelle Lösungswege, genutzte Hilfen und fachliche Beobachtungen zusammenführt.
NETZWERKSIMULATION · NEURAL SPACE
Neuronale Netze im Raum platzieren, verändern und erklären
Das Lab NETZWERKSIMULATION [NEURAL SPACE] erweitert ALL um eine räumliche Lernumgebung für neuronale Netze. Ein Netzwerk wird als interaktives 3D-Modell im AR-Raum oder im browserbasierten Kamera-Overlay dargestellt. Lernende können das Modell platzieren, drehen und skalieren, einzelne Knoten oder Verbindungen auswählen und anschließend Eingaben, Gewichte sowie den Bias verändern. Nach jeder Simulation werden Aktivierungen, Signalstärken, positive und negative Gewichtungen sowie die resultierende Vorhersage sichtbar. Die Level führen von einfachen Eingabe-Ausgabe-Modellen über Perzeptron, Hidden Layer, tiefere Verarbeitung, sparse Strukturen und konkurrierende Ausgaben bis zu Gate- beziehungsweise Attention-ähnlichen Mechanismen und Skip Connections. Dadurch wird erfahrbar, dass KI-Entscheidungen nicht aus einem einzelnen sichtbaren Ergebnis bestehen, sondern aus numerischen Eingaben, Architekturentscheidungen, gewichteten Signalpfaden und reflektierbaren Parametereffekten entstehen. Gestufte Regelhilfen, Protokoll und Reflexionsfelder unterstützen die fachliche Einordnung der eigenen Eingriffe.
Ausblick · Lernbereich 4
Baue dein eigenes Rechenzentrum auf
Aktuell arbeiten wir an einem vierten Lernbereich für das Modul ALL. Konkret handelt es sich dabei um ein Rechenzentrum-Aufbausimulation aus der Ego-Perspektive. Spieler planen eine leere Serverhalle, platzieren Racks, Server, Stromverteiler, USV-Anlagen, Klimageräte und Netzwerkkomponenten und verbinden diese mit der technischen Infrastruktur. Dabei müssen Stromverbrauch, Kühlung, Rechenleistung, Brandschutz und laufende Kosten im Gleichgewicht bleiben. Durch Kundenaufträge werden Einnahmen erzielt und neue Geräte, Ausbaustufen und Kapitel freigeschaltet. Wartungen, Störungen und wirtschaftliche Entscheidungen sorgen dafür, dass das Rechenzentrum nicht nur größer, sondern auch zuverlässig und effizient betrieben werden muss. Das Spiel kann später auch separat via Steam erworben werden.
