Dieser Artikel bietet eine systematische Übersicht darüber, wie große Sprachmodelle ähnlich ChatGPT die Testung und Verifikation autonomer intelligenter Systeme fördern. Basierend auf den neuesten Fortschritten im generativen Schließen integriert diese Studie Belege aus 120 begutachteten Publikationen und untersucht vier zentrale Bereiche: Testfallszenarien-Generierung, Fehlererkennung, formale Verifikation und Echtzeitüberwachung. Durch vergleichende Analysen von Fuzz-Testing, symbolischer Ausführung und verstärktem Lernen zeigt der Artikel auf, wie große Sprachmodelle Automatisierung, semantische Abdeckung und Anpassungsfähigkeit verbessern, zugleich aber Beschränkungen bezüglich Benchmark-Integrität, Erklärbarkeit und Ressourceneffizienz aufweisen. Die Übersicht führt strukturierte Tabellen ein, die repräsentative Datensätze, spezifische Domänenanwendungen sowie vergleichende Erkenntnisse zu traditionellen Testmethoden und LLM-basierten Testansätzen zusammenfassen. Wesentliche Herausforderungen wie fehlende Benchmarks, mangelnde Erklärbarkeit und ethische Risiken werden analysiert, ebenso wie aufstrebende Forschungsrichtungen wie hybride Verifikationsrahmen und Datenqualitätsverbesserung. Ziel der Studie ist es, die konzeptionelle und praktische Lücke zwischen KI-Sicherheitsengineering und Modellinferenz zu schließen und einen Leitfaden zur Integration von LLMs in zukünftige Verifikationsprozesse autonomer intelligenter Systeme bereitzustellen.

ChatGPT;große Sprachmodelle;autonome intelligente Systeme;Test;Verifikation;KI-Sicherheit