Funktionale Repräsentation

Es gibt zwei sehr verschiedene Arten, etwas in einem Computer festzuhalten. Man kann alle Werte einzeln aufschreiben und abspeichern. Oder man speichert eine Rechenvorschrift, die jeden Wert auf Nachfrage neu ausrechnet. Die zweite Variante heißt funktionale Repräsentation. Ein einfaches Beispiel ist ein Kreis: Man kann Millionen Bildpunkte speichern, oder nur den Mittelpunkt, den Radius und die Regel, wie daraus ein Kreis entsteht. Beide Wege beschreiben dasselbe, brauchen aber völlig unterschiedlich viel Platz.

Warum eine Regel oft mehr wert ist als eine Tabelle

Eine Tabelle mit Werten ist starr. Sie kennt genau die Punkte, die jemand hineingeschrieben hat, und nichts dazwischen. Eine Rechenvorschrift dagegen liefert auch für Zwischenwerte ein Ergebnis. Deshalb kann man aus einer funktionalen Repräsentation beliebig fein herauszoomen, ohne dass das Bild pixelig wird.

Dazu kommt der Platzvorteil. Eine hochauflösende 3D-Szene als Punktwolke kann viele Gigabyte belegen. Dieselbe Szene als Rechenvorschrift passt manchmal in wenige Megabyte. Der Preis dafür ist Rechenzeit: Jeder Wert muss beim Abruf erst erzeugt werden. Man tauscht also Speicherplatz gegen Rechenaufwand, und welche Seite günstiger ist, hängt vom Anwendungsfall ab.

In der KI-Forschung ist der Begriff außerdem wichtig, weil ein trainiertes Modell selbst eine funktionale Repräsentation ist. Es hat die Trainingsdaten nicht als Kopie gespeichert. Es hat eine Funktion gelernt, die zu einer Eingabe eine passende Ausgabe berechnet. Das erklärt, warum ein Sprachmodell auf Fragen antworten kann, die so nie in den Trainingsdaten standen.

Von der Punktliste zur gelernten Funktion

Technisch ist eine Funktion einfach eine Zuordnung: Man steckt eine Eingabe hinein und bekommt eine Ausgabe heraus. Bei einer Bildszene könnte die Eingabe ein Ort im Raum sein, die Ausgabe eine Farbe. Die Kunst besteht darin, eine Funktion zu finden, die für alle gewünschten Eingaben die richtigen Ausgaben liefert.

Früher schrieben Menschen solche Funktionen von Hand als Formel. Das klappt bei Kreisen und Kurven gut, bei einem Gesicht oder einem Waldstück aber nicht. Hier kommt maschinelles Lernen ins Spiel: Ein neuronales Netz, also ein Rechenmodell mit vielen einstellbaren Zahlen, wird an Beispielen angepasst. Es lernt die Funktion, statt sie vorgeschrieben zu bekommen.

Diese einstellbaren Zahlen heißen Parameter. Sie sind der eigentliche Speicherinhalt einer gelernten funktionalen Repräsentation. Ein bekanntes Beispiel sind neuronale Strahlungsfelder, kurz NeRF: Dort merkt sich ein kleines Netz eine ganze 3D-Szene und kann daraus neue Blickwinkel berechnen, die nie fotografiert wurden. Ein häufiger Irrtum ist, das Modell habe die Fotos gespeichert. Es hat nur eine Regel gelernt, die zu ihnen passt.

Wo diese Denkweise in Produkten steckt

Am sichtbarsten ist sie bei Schriftarten. Buchstaben auf dem Bildschirm sind keine Bilder, sondern Kurvenbeschreibungen. Deshalb bleiben sie scharf, egal ob du auf Schriftgröße 8 oder 200 stellst. Dasselbe Prinzip nutzen Vektorgrafiken in Logos und Karten-Apps.

In der 3D-Welt taucht der Begriff bei Spielen, Filmeffekten und Fotogrammetrie auf. Firmen wie Nvidia oder Apple werben damit, reale Räume aus Handyaufnahmen zu rekonstruieren. Die Szene liegt dabei als gelernte Funktion vor, nicht als riesige Datei voller Messpunkte. In Meldungen zu Augmented Reality liest man solche Begriffe regelmäßig.

Und schließlich betrifft die Idee jede Diskussion über Sprachmodelle. Wenn gestritten wird, ob ein Modell Texte auswendig gelernt hat oder Muster erkennt, geht es genau um diese Unterscheidung. Eine Datenbank sucht gespeicherte Einträge heraus. Eine funktionale Repräsentation berechnet eine Antwort neu. Der Unterschied wirkt technisch, entscheidet aber über Urheberrechtsfragen und darüber, wie verlässlich ein System antwortet.