Treiber digitaler Technologien

Letzte Aktualisierung: 14.8.2026

Bild

Computerimplementierte Erfindungen

Computerimplementierte Erfindungen (CIE) sind technische Lösungen, bei denen mindestens ein Merkmal durch ein Computerprogramm ausgeführt wird, das auf einem Rechner, in einem Netzwerk oder auf einer programmierbaren Vorrichtung läuft. 

CIE sind ein wesentlicher Wegbereiter moderner Technologie. Sie: 

• verbinden Softwarealgorithmen mit Hardwarefunktionen
• ermöglichen Fortschritte in den Bereichen Automatisierung, Datenverarbeitung und Recheneffizienz
• unterstützen Echtzeit-Datenverarbeitung und die Optimierung komplexer Arbeitsabläufe.

Anhand von eingebetteter Software, Sensortechnologien und modernster Rechenleistung unterstützen CIE:

• automatisierte Prozesse und adaptive Entscheidungsfindung
• digitale Transformation in den Bereichen Fertigung, Gesundheitswesen, Verkehr und Unternehmenslösungen.

Künstliche Intelligenz (KI) basiert auf softwaregestützten Entscheidungsmodellen, während beim Quanten-Computing (QC) komplexe Algorithmen und Simulationen zum Einsatz kommen. Dementsprechend beruhen sowohl KI als auch QC auf CIE, die die wesentlichen Rechenstrukturen für das effektive Funktionieren dieser Lösungen bereitstellen.

CIE treiben Innovationen in zahlreichen Branchen voran. Beispiele:

• Pharmazeutische Fertigung
  Systeme zur Präzisionsdosierung und automatisierten Qualitätskontrolle nutzen sensorgestützte Messtechnik, um die Fertigungsgenauigkeit zu optimieren (z. B. EP3487685B1).

• Autonome Fahrzeuge
  KI-gestützte Sensorfusion und Algorithmen des maschinellen Lernens ermöglichen Echtzeitentscheidungen und sichere Navigation (z. B. EP3707572B1).

• Industrie 4.0
  Der fortschreitende Wandel von der digitalen Automatisierung hin zu einer vernetzten, intelligenten Fertigungsumgebung nutzt die Konnektivität des Internets der Dinge (IoT), Echtzeitanalysen und KI-gesteuerte Automatisierung, um die Produktionseffizienz zu steigern und eine vorausschauende Instandhaltung zu ermöglichen (z. B. EP3717918B1). 

• Digitale Infrastruktur
  Computergestütztes Design (CAD), kombiniert mit Simulationen und digitaler Modellierung, ermöglicht es der Industrie, Produktprototypen zu erstellen, technische Prozesse zu optimieren und komplexe Strukturen vor der physischen Fertigung zu verfeinern (z. B. EP2013798B1).

Fortschritte bei der Videokompression

Die polnische Software-Ingenieurin Marta Karczewicz hat ihr gesamtes Berufsleben der Aufgabe gewidmet, Verfahren zu entwickeln, mit denen sich Daten immer schneller und besser streamen lassen. Karczewicz ist als Erfinderin in 130 erteilten europäischen Patenten genannt. Ihre Technologien haben die Videounterhaltungsindustrie grundlegend verändert und Videostreaming auf Laptops und mobilen Endgeräten für die breite Masse zugänglich gemacht. Marta Karczewicz war Finalistin des Europäischen Erfinderpreises 2019 in der Kategorie Lebenswerk.

Künstliche Intelligenz

Systeme der künstlichen Intelligenz (KI) basieren auf Techniken des maschinellen Lernens (ML), die Algorithmen dazu befähigen:

• aus Daten zu lernen
• Muster zu erkennen
• Entscheidungen zu optimieren
• ihre Leistung eigenständig zu verbessern.

KI lernt auf unterschiedliche Weise aus Daten.

• Überwachtes Lernen umfasst das Trainieren eines KI-Modells anhand von gekennzeichneten Datensätzen, bei denen die korrekten Ausgaben bekannt sind, wodurch das Modell in die Lage versetzt wird, genaue Vorhersagen zu treffen.
• Unüberwachtes Lernen arbeitet mit ungekennzeichneten Daten, wobei die KI ähnliche Informationen gruppiert oder verborgene Trends und Muster ohne Vorwissen erkennt. 
• Bestärkendes Lernen ermöglicht es der KI, durch Interaktion mit ihrer Umgebung zu lernen und ihre Entscheidungen im Laufe der Zeit auf der Grundlage früherer Erfahrungen zu verbessern. Statt auf vordefinierte Regeln zurückzugreifen, passt KI ihre Vorgehensweise an und optimiert sie durch Versuch und Irrtum kontinuierlich

Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem die Art und Weise der Informationsverarbeitung durch das menschliche Gehirn nachgeahmt wird. Es nutzt künstliche neuronale Netze, die aus Schichten miteinander verknüpfter "Neuronen" bestehen, die Informationen schrittweise verarbeiten. Diese Netze ermöglichen es KI-Systemen, komplexe Aufgaben auszuführen, wie etwa gesprochene Sprache zu verstehen, Bilder zu erkennen und Sensordaten zu analysieren. Um die Genauigkeit zu erhöhen und die Vorhersagequalität zu verbessern, passt das System seine internen Einstellungen anhand spezieller Lernverfahren kontinuierlich an.

Einsatz von KI in verschiedenen Branchen

KI hat sich von einem theoretischen Forschungsgebiet zu einem integralen Bestandteil zahlreicher Branchen entwickelt, darunter das Gesundheitswesen, der Finanzsektor, die Automatisierung und die Cybersicherheit. Im Alltag verbessert KI die Bildverarbeitung von Smartphone-Kameras, indem sie die Belichtung anpasst und Details schärft, um die Fotoqualität zu optimieren. Außerdem unterstützt KI Sprachassistenten und ermöglicht eine nahtlose Interaktion durch Spracherkennung und Sprachverständnis in Echtzeit. In der medizinischen Diagnostik analysieren Algorithmen des maschinellen Lernens MRT-Aufnahmen, um Auffälligkeiten schneller und genauer festzustellen und ärztliches Personal bei der Früherkennung von Krankheiten zu unterstützen (z. B. EP3659494B1 im Zusammenhang mit der KI-gestützten Analyse medizinischer Bilddaten zur Erkennung von Krankheiten).

Melkroboter für gesündere Kühe

Kühe, die selbst entscheiden, wann sie gemolken werden möchten? Der von den beiden niederländischen Erfindern Alexander van der Lely und Karel van den Berg entwickelte Melkroboter macht's möglich. Die Erfindung fördert das Wohlbefinden und die Gesundheit der Tiere, steigert die Milchproduktion und rüstet Landwirte mit Diagnosetools für einen effizienteren Betrieb aus. Alexander van der Lely und Karel van den Berg waren Finalisten des Europäischen Erfinderpreises 2019 in der Kategorie Industrie.

Frühzeitige Behandlung für Parkinson-Patientinnen und -Patienten durch KI

Nachdem die US-Amerikanerin Erin Smith einen YouTube-Clip des an Parkinson erkrankten Schauspielers Michael J. Fox gesehen hatte, entwickelte sie eine KI-gestützte App, die eine Früherkennung der Parkinson-Krankheit mithilfe von Videos möglich macht. Mit ihrer Erfindung lässt sich der Verlauf der Krankheit verlangsamen. Erin Smith war Gewinnerin des Young Inventors Prize 2022.

Gehirnimplantat für die Zwei-Wege-Kommunikation mit externen Geräten

Thomas Oxley und Nicholas Opie haben die Stentrode erfunden, eine implantierbare Gehirn-Computer-Schnittstelle, die es Patientinnen und Patienten mit Lähmungen ermöglicht, über ihre Gedanken zu kommunizieren. Thomas Oxley und Nicholas Opie waren unter den Finalisten des Europäischen Erfinderpreises 2023.

 

Generative KI

Eine der bedeutendsten Entwicklungen in diesem Bereich ist die generative KI. Sie ermöglicht es Maschinen, völlig neue Inhalte wie Texte, Bilder, Musik und Softwarecode zu generieren und dabei über die Analyse bestehender Daten hinaus neuartige Ergebnisse zu schaffen. Erreicht wird dies durch tiefe generative Modelle, etwa durch Generative Adversarial Networks (GANs), die durch das Gegenüberstellen eines Generators und eines Diskriminators lernen, oder durch variationale Autoencoder (VAEs), die kompakte Darstellungen von Daten erlernen, um neue Datenbeispiele zu erzeugen. Autoregressive Modelle wie der Generative Pre-trained Transformer (GPT) verfolgen einen anderen Ansatz: Sie generieren Inhalte schrittweise, indem sie jedes Element auf der Grundlage des vorangegangenen Kontexts vorhersagen. Diese Modelle eignen sich besonders für Aufgaben wie die Textgenerierung, bei der Wörter oder Sätze aufeinander aufbauend erstellt werden, um die Kohärenz und den logischen Zusammenhang zu gewährleisten.

Wesentliche Fortschritte im Bereich der generativen KI wurden durch transformerbasierte Architekturen wie GPT, Large Language Model Meta AI (LLaMA) und DeepSeek erzielt (z. B. EP4152314B1 im Zusammenhang mit kontextbewusster KI-gestützter Textgenerierung). Diese Architekturen nutzen Self-Attention-Mechanismen, um komplexe Zusammenhänge in Daten effizient zu verarbeiten. Dadurch kann die KI strukturierte, kohärente und kontextsensitive Ergebnisse erzeugen, was sie in einer Vielzahl von Anwendungsbereichen unverzichtbar macht. Andere transformerbasierte Modelle wie Bidirectional Encoder Representations from Transformers (BERT) konzentrieren sich eher auf das Sprachverständnis als auf die Generierung von Inhalten und eignen sich besonders für Aufgaben wie Textklassifizierung, Suche und Informationsextraktion. In der Softwareentwicklung kann generative KI beispielsweise bei der automatisierten Codegenerierung und beim Debugging unterstützen und dadurch den Programmieraufwand reduzieren. In der Pharmaindustrie können KI-gestützte Simulationen die Wirkstoffforschung beschleunigen, indem sie molekulare Wechselwirkungen vorhersagen. Die Fähigkeit zur Erzeugung hochwertiger synthetischer Medien fördert Innovationen in den Bereichen Design und Inhaltserstellung, indem kreative Prozesse präzise automatisiert werden.

Autonome KI-Systeme

Autonome KI-Systeme verändern Mobilität und Ingenieurwesen grundlegend. Autonome Fahrzeuge nutzen Computer Vision, Sensorfusion und Deep-Learning-Algorithmen, um dynamisch zu navigieren, Hindernisse zu erkennen und Fahrtrouten zu optimieren (z. B. EP3947095B1 im Zusammenhang mit Echtzeit-Entscheidungsfindung beim autonomen Fahren). KI-gestützte Vorhersagemodelle erhöhen die Sicherheit, indem sie die Straßenverhältnisse analysieren und das Fahrverhalten entsprechend anpassen. In der industriellen Automatisierung erzeugen KI-gestützte autonome Konstruktionssysteme optimierte mechanische und strukturelle Modelle, wodurch unnötiger Materialverbrauch vermieden und die Funktionalität verbessert wird. Diese Entwicklungen setzen neue Maßstäbe in der Feinmechanik, der Robotik und der automatisierten Fertigung.

Quanten-Computing

Quanten-Computing (QC) verändert die Leistungsfähigkeit von Computersystemen grundlegend. Im Gegensatz zu herkömmlichen Computern, die ein binäres System aus Einsen und Nullen verwenden, um Transistoren ein- und auszuschalten, nutzen Quanten-Computer Qubits. Diese basieren auf Prinzipien der Quantenmechanik wie Superposition und Verschränkung und verarbeiten Informationen auf völlig neue Weise. Quantenalgorithmen versprechen im Vergleich zu klassischen Algorithmen, die üblicherweise für ähnliche Probleme oder Aufgaben eingesetzt werden, erhebliche Geschwindigkeitsvorteile (von polynomialen bis hin zu exponentiellen Beschleunigungen). Mit zunehmender Verschränkung von Qubits steigt die Rechenleistung von Quanten-Computern exponentiell an, was sie zu einer Schlüsselkomponente der Technologie der nächsten Generation macht.

Quanten-Computer sollen klassische Computer nicht ersetzen, sondern vielmehr ergänzen. Durch das Zusammenwirken beider Technologien lassen sich Probleme adressieren, die herkömmliche Systeme nur schwer bewältigen können.

Trotz seines großen Potenzials steht das Quantum-Computing vor beträchtlichen technischen Herausforderungen. Qubits sind äußerst empfindlich und anfällig für Störungen durch externe Faktoren wie Temperaturschwankungen, elektromagnetische Störfelder oder kosmische Strahlung. Diese Störungen können dazu führen, dass Qubits ihren Quantenzustand verlieren und in ihren herkömmlichen binären Zustand übergehen. In der Forschung und im Ingenieurwesen werden kontinuierlich Strategien entwickelt, um Qubits zu stabilisieren und die Zuverlässigkeit von Systemen zu verbessern.

Quanten-Computing wird bereits in verschiedenen Bereichen erforscht und eingesetzt, darunter sowohl Innovationen im Hardwarebereich als auch softwarebasierte Ansätze:

• Quanten-Computersystem mit verbesserter Fehlerkompensation (mit Fokus auf physikalischer Qubit-Architektur und -Stabilität, z. B. EP3602423B1) – Diese Open-Source-Software ermöglicht es Programmierenden und Forschenden, Quantenalgorithmen und -anwendungen zu entwickeln.

• Quanten-Annealing-System zur Lösung komplexer Rechenaufgaben (hardwarebasierte Quantenoptimierung, z. B. EP3754566B1) – Diese Lösung wird für Proteinfaltungssimulationen, das Portfoliomanagement und die Optimierung logistischer Prozesse eingesetzt.

• Quanten-Schlüsselverteilungssystem zur sicheren Datenübertragung (Software und Algorithmen für die Quantenkryptografie, z. B. EP2697931B1) – Diese Lösung konzentriert sich auf eine effiziente Schlüsselverwaltung und -verteilung, um eine robuste Verschlüsselung zu gewährleisten und Schutz vor sich ständig weiterentwickelnden Cyberbedrohungen zu gewährleisten. Sie eignet sich insbesondere für Bereiche, die eine besonders sichere Kommunikation erfordern, darunter Finanzdienstleister, staatliche Stellen und Gesundheitseinrichtungen, die sensible Daten verarbeiten.