KANN EINE KI SCHLAUER WERDEN ALS DER MENSCH?

2.1. Was bedeutet „Künstliche Intelligenz“

Nun, was bedeutet „Künstliche Intelligenz“ (engl. „Artificial Intelligence“) eigentlich? Der Begriff Künstliche Intelligenz ist schwierig zu definieren, da es laut Wikipedia „an einer genauen Definition von ‚Intelligenz‘ mangelt“ [2]. Das hat vielerlei Ursachen. Die größte Ursache ist, dass sich Forscher nicht einig sind, wann jemand als intelligent gilt. Da jeder Mensch seine eigene Vorstellung davon hat, was Intelligenz bedeutet und welche Fähigkeiten als intelligent betrachtet werden, ist es schwierig, eine einheitliche Definition zu finden.

Zum Beispiel kann jemand Intelligenz mit einer hervorragenden Fähigkeit im Rechnen assoziieren, während eine andere Person Intelligenz mit einer exzellenten Kommunikationsfähigkeit in Beziehung setzt. Ein Versuch, die Intelligenz zu definieren, ist laut dem Buch „Allgemeinbildung Künstliche Intelligenz Risiko und Chance“:

Also ist eine KI laut dem gleichen Buch der „[...] Versuch, rationale bzw. kognitive menschliche Intelligenz auf (technischen) Maschinen zu simulieren.“ [3] Vereinfacht gesagt ist es der Versuch, dass ein Computer dank Programmierung die Welt mit allen Sinnen erfährt und mit ihr interagiert wie der Mensch. Und daraus ein mindestens gleich gutes Verständnis der Welt durch selbstständiges Lernen ableitet. Das heißt, die KI muss die Welt verstehen, daraus lernen und mit ihr adäquat interagieren.

2.2. Wo wird die KI verwendet

Die KI verwendet man z.B., um dem Arzt bei der Diagnose, Überwachung und Behandlung von Patienten sowie der Verwaltung von medizinischen Aufzeichnungen zu helfen. Sie kann auch bei der Entwicklung neuer Medikamente oder Impfstoffe sowie bei der Erforschung von Virusübertragungen unterstützen. Die KI wird in China auch zur Überwachung von Personen eingesetzt. Mithilfe von Überwachungskameras und KI-Systemen kann China jede Person filmen und ihr Verhalten beurteilen. Die KI kann dann anhand dieses Verhaltens Punkte vergeben und feststellen, ob das Verhalten gut oder schlecht ist.

Die KI hilft aber nicht nur bei der Medizin oder dem Staat, sondern auch im alltäglichen Leben: Z.B. wenn man bei Google Lens ein Objekt fotografiert, sucht die KI das passende Ergebnis aus der Datenbank, oder wenn man bei Google Fotos „Katze“ eintippt, sucht die KI das passende Foto aus dem Fotoalbum. Dank der von Google entwickelten KI namens BERT (Bidirectional Encoder Representations from Transformers) kann Google nun seit 2019 viel präziser seine Suchanfragen beantworten, da Google durch BERT genauer weiß, was der Benutzer im Internet finden möchte [4].

Auch Streaming-Dienste wie YouTube, Spotify, Netflix oder Amazon Prime Video verwenden eine KI. Denn durch die KI können die Plattformen mit gesammelten Daten interessantere Inhalte für die Nutzer anzeigen. Mit einer KI kann man aber auch Bilder aus Texten generieren, zum Beispiel mit der KI „Midjourney“, welche am 13.07.2022 veröffentlicht wurde und in den Medien für große Aufmerksamkeit gesorgt hat (siehe Beispielbilder in der KI-Galerie). Eine weitere KI, die 2022 für große Aufmerksamkeit gesorgt hat, ist „ChatGPT“, welches mit einer Person kommunizieren, Programmcode schreiben oder Fehler lösen, Hausaufgaben lösen oder Gedichte verfassen und analysieren kann.

2.3. Wie ist der Begriff „KI“ entstanden

Der Begriff Künstliche Intelligenz ist im Sommer 1956 bei einer Konferenz am Dartmouth College im US-Bundesstaat New Hampshire entstanden. Die Wissenschaftler waren der Ansicht, dass die Aspekte des Lernens sowie die Merkmale der menschlichen Intelligenz auf Maschinen simuliert werden können. Dabei schlug der Programmierer John McCarthy den Begriff „Künstliche Intelligenz“ vor [5].

Seitdem hat sich der Begriff „Künstliche Intelligenz“ zu einem weit verbreiteten Terminus entwickelt, der in vielen Bereichen der Informatik und Technologie verwendet wird.

3.1. Schwache und starke KI

Es gibt bei einer KI zwei verschiedene Arten: eine schwache und eine starke KI. Die schwache KI ist jene, die zurzeit in allen bestehenden Systemen verwendet wird, da eine Realisierung einer starken KI noch nicht in greifbarer Nähe liegt.

Aber was ist der Unterschied zwischen einer schwachen und starken KI, und warum ist eine starke KI noch nicht realisierbar?

Eine schwache KI ist für ein bestimmtes Aufgabenfeld begrenzt und dafür trainiert (z.B. Erkennung von Gesichtern auf Fotos), weswegen sie keine anderen Probleme lösen kann. Auf der Website der THWS (Technische Hochschule Würzburg-Schweinfurt) wird die schwache KI sehr treffend beschrieben:

Eine starke KI hingegen ist eine, die selbst Emotionen, Gefühle und künstliches Bewusstsein entwickelt:

Neben der Einteilung in schwache und starke KI lässt sich die KI präziser in vier fundamentale Typen unterteilen:

3.2. Beispiel einer schwachen KI

Aber wie gut sind schwache KIs und was können sie leisten?

Betrachtet man Konversationen mit „ChatGPT“ [9] (entwickelt von OpenAI), sieht man eine KI, die menschenähnliche Texte generiert, indem sie auf eine gigantische Menge von Sprachdaten zugreift und daraus Muster und statistische Regeln lernt. Auf der anderen Seite steht „Mitsuku“ [10] (entwickelt von Pandorabots), welche den renommierten Loebner-Preis in den Jahren 2016 bis 2019 mehrfach gewann [11].

Obwohl beide Chatbots schwache KIs sind, ist deutlich zu erkennen, dass Mitsuku hervorragend menschenähnliche Konversationen führen kann. Trotz dessen merkt man nach längerer Zeit Chatten, dass es sich um ein Programm handelt. Mitsuku antwortet geschickt auf Fragen und stellt Gegenfragen.

ChatGPT wiederum antwortet auf persönliche Fragen wie „Wie geht es dir?“ nüchtern: „Ich bin ein Computerprogramm und habe keine Gefühle oder Empfindungen.“ Allerdings ist ChatGPT im Falle konkreter Wissens- und Programmierfragen viel präziser.

Jedoch erzeugt ChatGPT auch Fehler („Halluzinationen“), welche auf den ersten Blick plausibel aussehen. Wenn man ChatGPT beispielsweise bittet, ein einfaches Flappybird-Spiel in HTML, CSS und JavaScript zu schreiben, generiert es zwar Code, der jedoch im Browser oft nicht auf Anhieb fehlerfrei läuft (in reinem Python funktionierte es). Zudem existieren manche von Sprachmodellen erfundene Zitate und Quellenangaben in der Realität gar nicht.

4.1. Maschinelles Lernen

Die Technik, mit der die KI lernt wie ein Mensch zu denken, fasst man unter dem Begriff Machine Learning (dt. Maschinelles Lernen, ML) zusammen. Fast alle modernen Formen von KI basieren auf Machine-Learning-Algorithmen. Laut Microsoft ist Machine Learning:

Dabei funktioniert ML immer nach dem gleichen Prinzip: Die Eingabe von Daten mit bekannten Zusammenhängen, um durch das „Lernen“ von Strukturen diese später auf unbekannte Zusammenhänge anwenden zu können [13]. Im Gegensatz zu klassischer Software, die durch starre Befehlsabfolgen Aufgaben erfüllt, wird Machine Learning durch die Verwendung sehr großer Datenmengen trainiert.

4.2. Drei Lernstile des Maschinellen Lernens

Beim maschinellen Lernen existieren drei fundamentale Lernparadigmen: Überwachtes Lernen (Supervised Learning), Unüberwachtes Lernen (Unsupervised Learning) und Verstärkendes Lernen (Reinforcement Learning).

4.3. Deep Learning und Künstliche Neuronale Netze

Deep Learning ist laut datasolut.com „[...] einfach nur ein spezieller Teilbereich des maschinellen Lernens. Es imitiert das menschliche Lernverhalten mittels großer Datenmengen.“ [13] Das System verknüpft Erlerntes fortlaufend mit neuen Inhalten und lernt autonom weiter, ohne dass der Mensch jeden Zwischenschritt vorgibt.

Dabei verwendet man Künstliche Neuronale Netze (KNN). Diese simulieren Nervenzellen (Neuronen) als mathematische Knoten, die in vielen Schichten (Layers) hinter- und übereinander angeordnet sind. Jeder Knoten besitzt einen Schwellenwert. Reicht die Summe der Eingangssignale aus, wird das Signal an die nächste Schicht weitergeleitet. Weicht das Ergebnis vom Sollwert ab, werden die Gewichtungen (Schwellenwerte) über Backpropagation schrittweise korrigiert [17][18].

Hierbei ist jedoch eine fundamentale wissenschaftliche Tatsache zu betonen: Laut Thomas Südhof, Nobelpreisträger für Medizin 2013 für die Entschlüsselung des molekularen Transportsystems im Gehirn, wissen wir nur sehr wenig über unser biologisches Gehirn:

Ein KNN ahmt somit lediglich die mathematische Signalweiterleitung eines winzigen, verstandenen Bruchteils unseres Gehirns nach, ist jedoch keinesfalls in der Lage, die übrigen 95% der unbekannten neurobiologischen Prozesse zu replizieren.

4.4. Praxisbeispiel von Maschinellem Lernen

Beispiele für ML im Alltag sind Gesichtserkennung, Malware-Erkennung, Röntgenbildanalysen, Spamfilter und Wettervorhersagen.

Um maschinelles Lernen nicht nur theoretisch, sondern in der praktischen Hardware zu verstehen, habe ich eine KI-Katzenklappe entwickelt. Mittels TensorFlow und Convolutional Neural Networks unterscheidet das System in Echtzeit, ob eine Katze eine Maus im Mund trägt oder nicht, und steuert daraufhin mechanische Servoriegel an.