Künstliche Intelligenz – Wann gilt sie als intelligent?

Kevin Hofer

4.5.2018

Siri, der Google Assistant, Cortana oder Alexa erleichtern dir das Leben. Die Kamera mitsamt Software deines Smartphones berechnet dir das optimale Bild. Künstliche Intelligenz (KI) oder englisch Artificial Intelligence (AI) kann immer mehr. Ab wann müssen wir Angst davor haben, dass uns Künstliche Intelligenz den Rang abläuft?

Die Idee Künstlicher Intelligenz ist sehr alt. In der griechischen Mythologie ist bereits von intelligenten Robotern die Rede. Talos ist in einer Darstellung ein bronzener, automatischer Riese. Seine Aufgabe ist es Europa, die Geliebte von Zeus, auf Kreta zu beschützen. Zu ihrem Schutz wirft er Steine auf sich nähernde Schiffe. Sollte es trotzdem mal eine Mannschaft an Land schaffen, erhitzt sich der Riese, damit die Invasoren Angst bekommen und fliehen. Wenn sie sich davon nicht abschrecken lassen, tötet er sie, indem er sie umarmt. In der Erzählung wurde Talos übrigens von den Argonauten – der Heldenbande, die Iason bei der Suche nach dem Goldenen Flies unterstützt – erlegt.

Um uns am Anblick von KI zu ergötzen, müssen wir heute glücklicherweise nicht mehr wie die Argonauten über die Meere rudern. Bereits Talos verfügte über eine zentrale Eigenschaft menschlicher Intelligenz: Er passte sein Verhalten je nach Stufe der Invasion an, er war lernfähig. Selbstverständlich ist die Lernfähigkeit nur eine Eigenschaft menschlicher Intelligenz.

Schauen wir uns dazu ein neueres Beispiel aus der Science-Fiction an. Im Film «Ex Machina» soll der Hauptdarsteller Caleb den Androiden Ava einem Turing-Test unterziehen. Ich möchte nicht allzu viel spoilern für die, die den Film noch nicht gesehen haben. Es stellt sich aber heraus, dass Ava ein berechnendes Wesen ist. Sie verfügt über viele Charakteristika menschlichen Denkens: Problemlösung, Lernen, Schlussfolgern, Wahrnehmung und Sprachgebrauch.

Problemlösung

Problemlösen lässt sich als systematisches Versuchen verschiedener Handlungen, um ein festgelegtes Ziel zu erreichen, definieren. Problemlösungsmethoden bei KI können in allgemeine Methoden und spezielle Methoden eingeteilt werden. Eine spezielle Methode wurde extra für eine spezifische Herausforderung entwickelt. Allgemeingültige Methoden lassen sich auf mehrere Herausforderungen anwenden.

Beim Problemlösen wird die KI von Grund auf programmiert. Das Wissen ist demnach nicht selbst angeeignet, sondern kommt aus zweiter Hand durch die Programmierung. KI die sich auf das Problemlösen fokussiert, war vor allem zu Beginn der KI-Forschung relevant. Dazu aber in einem anderen Artikel mehr.

Lernen

Es gibt verschiedene Ansätze, wie eine KI lernen kann. Der einfachste Ansatz ist Versuch und Irrtum (Trial-and-Error). Hier verfolgt die KI verschiedene Lösungsansätze. Dabei nimmt sie bewusst in Kauf, dass ein Ansatz falsch sein kann. Wenn dann einer klappt, wird dieser in derselben Situation immer wieder angewendet. Dieser Ansatz wird Rote Learning genannt.

Ein anderer Ansatz ist das maschinelle Lernen (Machine Learning) oder dessen Weiterenwicklung Deep Learning. Machine-Learning-Algorithmen nutzen ihre Berechnungen, um direkt von Daten zu lernen, ohne dabei auf eine vorgegebene Programmierung zurückzugreifen. Die KI soll im Gegensatz zum Rote Learning also Handlungen ohne explizite Programmierung ausführen. Die Algorithmen verbessern ihre Performance, wenn die Anzahl relevanter Daten fürs Lernen zunimmt. Mit Big Data machten Machine Learning und Deep Learning in den letzten Jahren deshalb grosse Fortschritte.

Ein Beispiel von Machine Learning ist die Empfehlungsfunktion von Netflix. Basierend auf den gesammelten Informationen des Nutzerverhaltens berechnet der Algorithmus, was der Nutzerin/dem Nutzer sonst noch gefallen könnte.

Googles Alpha Go ist ein gutes Beispiel für Deep Learning. Die Software, die das komplexe Spiel Go beherrscht, lernt, indem sie gegen menschliche Go-Spieler antritt. Das funktioniert so gut, dass Alpha Go bereits Top-Spieler besiegt hat. Im Gegensatz zum Machine Learning lernt Alpha Go dank Deep-Learning-Algorithmen alles selbst. Beim Machinie Learning muss per Definition noch hie und da nachgeholfen werden.

Das Lernen gilt es vom Schlussfolgern zu unterscheiden. Beim Lernen setzt KI auf Daten, beim Schlussfolgern sind Gesetzmässigkeiten für KI entscheidend.

Schlussfolgern

Durch schlussfolgerndes Denken werden Schlüsse gezogen. Schlussfolgerungen können entweder deduktiv, induktiv oder abduktiv sein. Bei der Deduktion wird von einer Prämisse und einer Regel auf die Konsequenz geschlossen. Bei der Induktion wird von der Prämisse und Konsequenz auf eine Regel geschlossen und bei der Abduktion schliesslich von der Regel und der Konsequenz auf die Prämisse.

Beispiel von Deduktion

Livia ist entweder auf der Arbeit oder in der Schule (Regel)
Sie ist nicht auf der Arbeit (Prämisse)
Sie ist also in der Schule (Konsequenz).

Beispiel von Induktion

Livia ist nicht auf der Arbeit (Prämisse)
Sie ist in der Schule (Konsequenz)
Sie ist also entweder auf der Arbeit oder in der Schule (Regel)

Beispiel von Abduktion

Livia ist entweder auf der Arbeit oder in der Schule (Regel)
Sie ist in der Schule (Konsequenz)
Sie ist also nicht auf der Arbeit (Prämisse)

Induktion und Abduktion sind logische Schlüsse. Zwingend notwendig ist nur die Deduktion. Deduktives Schlussfolgern ist denn auch in der Mathematik und Logik zuhause.

Diese Beispiele sind selbstverständlich stark vereinfacht. Sie illustrieren den Unterschied zwischen deduktivem, induktivem und abduktivem Schlussfolgern aber sehr gut. Künstliche Intelligenz ist bereits heute sehr stark im deduktiven Schlussfolgern. Wahres Schlussfolgern beinhaltet aber mehr als einfache Schlüsse auf der Basis von Regeln und Prämissen zu ziehen. Es beinhaltet das Ziehen von Schlüssen, die relevant für die Lösung einer gewissen Aufgabe oder Situation sind. Menschliche Handlungsfähigkeit bedingt alle Formen des Schlussfolgerns.

Ein Beispiel für deduktives Schlussfolgern sind KI, die komplexe mathematische Aufgaben erledigen können. Mir persönlich ist kein Beispiel von KI bekannt, die deduktiv oder induktiv schlussfolgert. Meistens handelt es sich dann wieder um Machine Learning. Falls du ein reales Beispiel für KI hast, die induktiv oder abduktiv schlussfolgert, lass es mich bitte in den Kommentaren wissen.

Wahrnehmung

Bei der Wahrnehmung wird die Umgebung durch diverse Sensoren gescannt. Die in einem vordefinierten Raum befindlichen Objekte und Subjekte werden dann in ihrem räumlichen Bezug zueinander dargestellt und wahrgenommen. Somit lassen sich Handlungen im Raum ausführen. Darunter fallen zum Beispiel auch Gehen und Greifen.

Ein Beispiel für Wahrnehmung in KI sind Roboterarme, die einen Ikea-Stuhl zusammenbauen. Diverse Sensoren scannen die Umgebung. Die Roboterarme erkennen dadurch, wo die Teile liegen und können sie aufheben und zusammenstecken. Die künstlichen Arme verfügen auch über Drucksensoren, um abzuschätzen, wie stark sie beispielsweise Dübel einstecken müssen.

Sprache

Sprache ist ein Zeichensystem, das seine Bedeutung aus Konventionen bezieht. Sie ist folglich nicht nur auf die gesprochene Sprache zu reduzieren. Insofern können beispielsweise auch Verkehrsschilder als Sprache angesehen werden. Menschliche Sprache aber ist dazu imstande, unzählige Sätze zu formen. Wörter können Dopplebedeutungen haben und durch Dialekte, Akzente oder Sprachfehler anders ausgesprochen werden.

Beispiele für KI und Sprache gibt es zur Genüge. Da wären die Sprachassistenten, die uns am Smartphone begleiten oder auch immer mehr die intelligenten Lautsprecher im Smarthome.

Komplexe Angelegenheit

Menschliche Intelligenz ist sehr viel komplexer als auf den ersten Blick angenommen. Damit Künstliche Intelligenz mit der Menschlichen konkurrieren kann, braucht es einiges. Ein oder auch zwei Komponenten menschlicher Intelligenz zu imitieren scheint möglich. Aber Sprache, Wahrnehmung, Problemlösen, Schlussfolgern und Lernen gleichzeitig? Das scheint doch sehr komplex. Ein Androide wie Ava bleibt wohl auch noch die nächsten Jahre Science-Fiction.

Vielleicht ist das eine etwas gewagte These. Es kann durch einen Durchbruch plötzlich auch sehr schnell gehen. Um aber in die Zukunft zu blicken, müssen wir uns zuerst vor Augen führen, was bis jetzt geschehen ist. Darüber, wie sich Künstliche Intelligenz bisher entwickelt hat, schreibe ich demnächst in einem weiteren Artikel.

Kevin Hofer

Senior Editor

kevin.hofer@digitecgalaxus.ch

Technologie und Gesellschaft faszinieren mich. Die beiden zu kombinieren und aus unterschiedlichen Blickwinkeln zu betrachten, ist meine Leidenschaft.

Diese Beiträge könnten dich auch interessieren