Viele gehen davon aus, dass große Sprachmodelle nur Texte erklären können. Mal hilfreich, mal weniger. Doch manche nutzen sie ganz anders: als Generator für interaktive Simulationen. Der Softwareentwickler Laurentiu Raducu zeigt diese Methode in seinem Artikel über das Lernen mit LLMs.
Kennst du das? Ein schwieriges Thema erschließt sich nicht über Text allein. Man möchte Abläufe sehen oder darin herumklicken. Raducus Idee: Er nutzt LLMs nicht für Erklärungen, sondern für anschauliche Mini-Welten. Das Ergebnis ist lehrreich und unterhaltsam.
Warum herkömmliche Erklärungen oft scheitern
Die meisten Ingenieure, die Raducu kennt, nutzen generative KI für Prototypen, Dashboards oder zum Lernen. Er selbst findet den typischen Erklärstil von LLMs schwer zu verfolgen. Zu vereinfacht, zu sehr auf flache Merksätze getrimmt, oft gespickt mit Emojis. Man bekommt Fakten, aber kein tiefes Verständnis für Zusammenhänge.
Bei der Beschäftigung mit Engpässen in Rechenzentren merkte er, wie viel ihm über die Chip-Produktion fehlte. Er fragte sich: Was wäre, wenn es ein Spiel gäbe, das den Weg von Silizium bis zum fertigen Chip zeigt? Ein Spiel, in dem man selbst durch die Fabrik navigiert und jeden Schritt visuell verfolgt. Lernen würde dann bedeuten, Konzepte mit Objekten und Abläufen zu verknüpfen. Das wirkt nachhaltiger als bloßes Lesen.
Der Workflow: Vom Sprachmodell zur Simulation
Raducus Methode folgt einem klaren Ablauf. Zuerst lässt er ein LLM im Plan-Modus (etwa mit Cursor oder OpenCode) eine Wissensbasis zum Thema aufbauen. Er betont, dass die Basis geprüft werden muss: Das Modell soll die eigene Zusammenfassung kritisch hinterfragen. So filtert er Ungenauigkeiten und Halluzinationen heraus, bevor er aufwendig konstruiert.
Danach beauftragt er das Modell, eine Simulation im Stil eines Low-Poly-Rollenspiels zu erstellen – ähnlich wie RollerCoaster Tycoon. Die Anforderungen formuliert er präzise: Die Animation soll den gesamten Prozess zeigen, auf großen und kleinen Bildschirmen funktionieren und jederzeit anhaltbar sein. Die generierten Codebausteine legt er als eigenes Repository an und veröffentlicht sie über GitHub Pages.
Heraus kommt eine animierte Darstellung, die inhaltlich stimmt. Raducu sagt, die Simulation sei „zu 100 Prozent akkurat“ – vorausgesetzt, man prüft die Inhalte sorgfältig. Diese Art des Lernens funktioniert für ihn besser als trockene Bullet-Points oder das Wälzen von Dutzenden Webseiten.
ChipTycoon: Ein Beispiel für simuliertes Fachwissen
Das konkrete Projekt heißt „ChipTycoon“ und ist unter chiptycoon.com erreichbar. Darin folgst du einem Transportwagen von der Sandgewinnung bis zur Auslieferung des fertigen Chips an ein Rechenzentrum. Visuell beobachtest du, wie sich das Ausgangsmaterial verändert – vom Quarzsand über die Schmelze bis zum hochkomplexen Prozessor.
Das Low-Poly-Design vereinfacht die Darstellung stark. Aber genau diese Reduktion hilft, die wesentlichen Schritte zu erkennen. Man sieht, wie der Sand erhitzt, geschnitten, geätzt und mit Schaltkreisen versehen wird – in einer Fabrikfläche, die an alte Aufbauspiele erinnert. Die Interaktion macht den Unterschied: Du kannst den Prozess stoppen, verlangsamen und einzelne Stationen genau betrachten.
Die Kombination aus visueller Darstellung und direkter Kontrolle ist entscheidend. Statt zu lesen, dass Fotolithografie wichtig ist, siehst du, wie Licht durch eine Maske belichtet. Du kannst den Vorgang beliebig wiederholen. Diese aktive Auseinandersetzung sorgt dafür, dass das Wissen hängenbleibt, so der Autor.
Weitere Verbesserungen: Realismus und Quiz-Herausforderungen
Raducu geht noch weiter. Die Low-Poly-Ästhetik hat Grenzen – man braucht Fantasie, um sich vorzustellen, was nach dem Ofen mit dem Quarzsand passiert. Für eine realistischere Darstellung schlägt er vor, eigene 3D-Objekte zu nutzen, die aus Fotos generiert werden. Er hat einen Skill entwickelt, der Bilder in 3D-Modelle umwandelt. Diese lassen sich in die Simulation einfügen und sorgen für mehr Präzision.
Zusätzlich empfiehlt er interaktive Herausforderungen. Zum Beispiel Fragen zu einzelnen Schritten des Herstellungsprozesses. Wer eine Frage richtig beantwortet, schaltet den nächsten Abschnitt frei. Das verwandelt passives Beobachten in ein aktives Lernspiel. Auch kleine Rätsel oder Aufgaben, die das Verständnis festigen, hält er für sinnvoll – ein Ansatz, der an die Lernpsychologie anknüpft.
Auf seiner Webseite findest du weitere Beispiele: „How rocket engines are made“, „How LLMs work“ und „How F1 engines are built“. Alle nutzen dasselbe Prinzip: komplexe Abläufe werden in eine verständliche, interaktive Simulation übersetzt. Du kannst diese Seiten direkt nutzen oder die Methode auf eigene Themen übertragen.
Was das für dein Lernen bedeutet
Raducus Idee zeigt eine andere Seite generativer KI. Es geht nicht darum, Antworten zu generieren, sondern Lernumgebungen zu schaffen. Du musst kein Programmier-Guru sein – die LLMs übernehmen den Großteil der Arbeit. Wichtig ist nur, die Ergebnisse zu prüfen und die Anforderungen klar zu formulieren.
Der Aufwand ist überschaubar: Thema wählen, Wissensbasis erstellen, Simulation generieren lassen, testen und veröffentlichen. Statt eines statischen Textes erhältst du ein dynamisches Modell, das du immer wieder erkunden kannst. Diese Methode eignet sich besonders für Prozesse mit klar definierten Schritten – in der Produktion, der Logistik oder der Softwareentwicklung.
Aktives Lernen ist effektiver. Eine Simulation, die du steuerst und erkundest, kommt diesem Anspruch näher als ein Textdokument. Raducus Ansatz verbindet technische Möglichkeiten mit pädagogischem Gespür. KI-Tools sind nicht nur zum Beantworten von Fragen da, sondern auch zum Konstruieren neuer Erfahrungen. Nutze diese Werkzeuge kreativ – vielleicht entsteht so dein eigenes Lernspiel zu einem Thema, das dich fasziniert.
Quelle: laurentiugabriel.github.io
