Understanding AI: KI-Mathematik zum Zuschauen

Offenlegung vorab

Hinweis in eigener Sache: „Understanding AI“ wird von Andreas Stöckl betrieben, der auch hinter dem KI-Toolnavigator steht. Dieser Artikel ist deshalb keine unabhängige Besprechung, sondern eine Vorstellung aus erster Hand. Wir haben versucht, ihn so nüchtern zu schreiben, wie wir es bei fremden Angeboten tun — inklusive der Grenzen. Ein Video des Kanals ist bereits im Artikel über KI-Wasserzeichen verlinkt.

Worum es auf dem Kanal geht

Die meisten Erklärvideos zu Künstlicher Intelligenz bewegen sich an einem von zwei Enden: Entweder bleiben sie bei Metaphern — „das Modell hat viel gelesen und rät das nächste Wort“ —, oder sie sind Vorlesungsmitschnitte, die ein Informatikstudium voraussetzen. Dazwischen ist erstaunlich wenig Platz.

Understanding AI versucht genau diese Lücke zu füllen. Der Anspruch steht in der Kanalbeschreibung: zeigen, wie moderne KI tatsächlich funktioniert, mit der echten Mathematik. Jede Formel wird auf dem Bildschirm Schritt für Schritt entwickelt. Vorausgesetzt werden kein Vorwissen in maschinellem Lernen, sondern Neugier und ein wenig lineare Algebra.

Stand Ende Oktober 2026 umfasst der Kanal 41 Videos und rund 35.000 Abonnentinnen und Abonnenten. Die Videos sind auf Englisch.

Das Format: acht Kapitel, eine Viertelstunde

Alle Animationen entstehen mit Manim, der Animationsbibliothek, die ursprünglich für den Mathematik-Kanal 3Blue1Brown entwickelt wurde. Es gibt keine Stockbilder und keine bunten Symbolgrafiken von leuchtenden Gehirnen — stattdessen Vektoren, die sich drehen, Matrizen, die sich multiplizieren, und Wahrscheinlichkeiten, die sich über ein Vokabular verteilen.

Der Aufbau ist für YouTube ungewöhnlich diszipliniert. Jede Serie ist ein kompakter Film von etwa 15 Minuten in acht Kapiteln, der für sich allein verständlich ist. Zusammen ergeben die Serien ein zusammenhängendes Bild davon, wie heutige KI-Systeme aufgebaut sind. Dazu kommen kurze Clips, die eine einzelne Frage in unter einer Minute beantworten — etwa, woraus ein einzelnes „Wort“ eines Sprachmodells eigentlich besteht. Und ja, laut Beschreibung kommt auch eine Katze vor.

Die Serien im Überblick

Die Inhalte sind in drei Playlists geordnet.

Understanding AI — die Grundlagenserie behandelt die Bausteine von Sprachmodellen und angrenzenden Verfahren: wie große Sprachmodelle trainiert werden und Text erzeugen, wie Wörter zu Vektoren werden, wie Transformer mit Attention einen Satz lesen, wie Retrieval-Augmented Generation Fragen aus eigenen Dokumenten beantwortet, wie Agenten planen und handeln und wie sich Themen in großen Textmengen automatisch finden lassen. Eine eigene Folge widmet sich der Matrizenmultiplikation — der Rechenoperation, auf der praktisch alles andere aufsetzt.

Understanding Visual AI dreht sich um Bilder und Video: Objekterkennung und Segmentierung, Diffusionsmodelle, die Bilder aus Rauschen erzeugen, Text-zu-Bild, Videogenerierung und zuletzt KI-Bildbearbeitung. Wer den Artikel KI-Bildgenerierung: Von Diffusion zu Video gelesen hat, findet hier die Mechanik dahinter in Bewegung.

AI in Practice wendet sich konkreten Einsatzszenarien zu, etwa der automatischen Sortierung von Support-E-Mails, der visuellen Qualitätsprüfung in der Fertigung oder Agent Skills, mit denen Claude und andere Agenten neue Fachkompetenz erlernen.

Daneben greift der Kanal gelegentlich aktuelle Entwicklungen auf — zuletzt die Frage, was hinter OpenAIs 722 maschinell erzeugten Mathematik-Beweisen steckt. Diese Folgen sind naturgemäß schneller gealtert als die Grundlagenserien.

Für wen sich das lohnt — und für wen nicht

Geeignet ist der Kanal für alle, die mit KI-Werkzeugen arbeiten und verstehen wollen, warum sie sich so verhalten, wie sie es tun: weshalb ein Sprachmodell halluziniert, warum ein RAG-System die falsche Textstelle findet, warum ein Bildgenerator Hände falsch zeichnet. Für Lehrende ist das Format interessant, weil die Folgen in sich geschlossen sind und sich einzeln im Unterricht einsetzen lassen. Wer in einem Unternehmen über KI-Projekte entscheidet, bekommt ein belastbareres Bild als aus Produktpräsentationen.

Weniger geeignet ist er in drei Fällen, die man ehrlich benennen sollte:

• Wer kein Englisch versteht, hat derzeit keine Alternative — eine deutsche Fassung gibt es nicht. Untertitel helfen, ersetzen aber die gesprochene Erklärung bei mathematischen Herleitungen nur eingeschränkt.
• Wer Formeln grundsätzlich meidet, wird sich schwertun. Die Mathematik ist kein Beiwerk, sondern der Kern. Sie wird zwar langsam aufgebaut, aber sie wird aufgebaut.
• Wer eine Werkzeugberatung sucht, ist falsch. Die Videos erklären Verfahren, keine Produkte. Welches Tool für welche Aufgabe taugt und wie es mit Datenschutz aussieht, ist die Aufgabe dieses Verzeichnisses, nicht des Kanals.

Ein weiterer Punkt: Die Reichweite der einzelnen Folgen schwankt stark. Kurze Clips erreichen Zehntausende Aufrufe, manche der langen Serienfolgen bislang nur wenige Hundert. Das sagt nichts über die Qualität, zeigt aber, dass es sich um einen jungen Kanal handelt, dessen Grundlagenfolgen noch nicht das Publikum gefunden haben, das sie ansprechen.

Fazit

„Understanding AI“ ist für Menschen gemacht, die sich mit der üblichen Metaphern-Erklärung nicht zufriedengeben, aber auch kein Studium nachholen wollen. Die Stärke liegt in der Konsequenz des Formats: echte Formeln, sauber animiert, in Viertelstunden-Portionen, die man einzeln anschauen kann. Die Grenzen liegen in der Sprache und im mathematischen Anspruch.

Als Ergänzung zu den Artikeln hier eignen sich besonders die Folgen zu Transformern, Diffusionsmodellen und Retrieval-Augmented Generation — sie zeigen in Bewegung, was im Text nur beschrieben werden kann. Wer sich für die Frage interessiert, was ein Reasoning-Modell beim „Nachdenken“ eigentlich tut, findet in der Grundlagenserie die Bausteine, auf denen das aufsetzt.