Künstliche Intelligenz gilt in der Technologiebranche als nächster großer Trend. Doch was unterscheidet eine Maschine mit künstlicher Intelligenz vom heutigen Computer?
Zwei Räume. In einem sitzt ein Mensch, im anderen befindet sich eine intelligente Maschine. Über Bildschirm und Tastatur erhalten sie die Fragen eines Probanden. Wenn dabei nicht herauszufinden ist, wer der Mensch und wer die Maschine ist, dann ist der Nachweis erbracht: Die Maschine verfügt über künstliche Intelligenz (KI).
Diese Versuchsanordnung schlug der Mathematiker Alan Turing im Jahr 1950 vor, zu einem Zeitpunkt, als die meisten Menschen sich einen Computer noch nicht vorstellen konnten. Bis heute existiert keine Maschine, die den Turing-Test sicher bestehen würde, schon gar nicht, wenn man nicht nur auf jenen Teil der Intelligenz schaut, der sich auf Sprache beschränkt. Denn menschliche Intelligenz drückt sich auch im Handeln aus. Wer allerdings über Messen wie die Consumer Electronics Show in Las Vegas läuft, dem begegnet das Schlagwort von der künstlichen Intelligenz nahezu überall. Steht nun ein Durchbruch bevor?
Der Fortschritt ist zweifellos groß: So gewann der Computer Watson im Jahr 2011 das in den Vereinigten Staaten populäre Fernsehquiz Jeopardy, bei dem die Kandidaten die richtige Frage auf eine zuvor verlesene Antwort formulieren müssen. Im Lauf von drei Abenden beantwortete Watson 66 von 75 Aufgaben korrekt und deklassierte seine beiden Gegenspieler, die zuvor schon Millionen Dollar mit ihrer Teilnahme am täglich gesendeten Quizduell gewonnen hatten. Sein perfektes Auftreten verdankt Watson seinen Programmierern, die im Auftrag von IBM arbeiten. Watson verrät seine Maschinennatur sofort – zum Beispiel, weil er seine Einsätze auf den Cent genau berechnet und nicht wie ein menschlicher Spieler gerundete Summen nennt.
Maschinen müssen mit Ungenauigkeit umgehen können
Das verweist auf ein Grundproblem aller Informatiker, die an künstlicher Intelligenz arbeiten: Es gilt, der Maschine beizubringen, mit Ungenauigkeit zurechtzukommen. Dafür benötigt man Rechenverfahren, die mit unvollständigen Informationen umgehen können, also eine Gleichung zum Beispiel auch dann lösen können, wenn bei a+b+c=d kein aktueller Wert für c vorliegt. Noch relevanter für die Praxis sind überbestimmte Systeme, in denen die Anzahl der Gleichungen die der Variablen übersteigt. Die näherungsweise Lösung solcher Aufgaben dauert je nach Grad der Überbestimmung sehr lange. In vielen Situationen, in denen intelligente autonome Systeme künftig zum Einsatz kommen sollen – etwa im Straßenverkehr –, gilt es jedoch, in Sekundenbruchteilen zu entscheiden. Menschen greifen in solchen Situationen auf Erfahrung und Intuition zurück. Können das Maschinen ebenfalls?
Maschinen können zumindest lernen. Die Schlüsseltechnologie dafür stellen sogenannte „neuronale Netze“ dar. Sie sollen die Strukturen des menschlichen Hirns nachbilden, in dem die Nervenzellen (Neuronen) über Synapsen verbunden sind. Wo sich wie viele Synapsen bilden, ist auf individuelle Erfahrungen – sprich auf Lernvorgänge – zurückzuführen. Für die technische Nachbildung bedeutet das: Man baut ein mehrschichtiges System aus kleinsten Rechenaufgaben (den Neuronen) auf.
Jedes Neuron gibt seine Ergebnisse an die Neuronen in der darunter liegenden Schicht weiter, wobei die Regeln, nach denen berechnet und weitergegeben wird, sich fortlaufend verändern. Neuronale Netze können erst einmal gar nichts, sondern müssen trainiert werden. Erst wenn sie Bilder von vielen Hunderassen gesehen haben, können sie einen Hund von einer Katze unterscheiden. Allerdings lässt sich dieser Prozess weitgehend automatisieren, indem man die Maschine mit Bildern und zugehörigen Bildbeschreibungen, etwa aus Fotodatenbanken, füttert.
Systeme beherrschen meist eine Disziplin
Je mehr Schichten ein neuronales Netz aufweist, desto komplexer die Lernvorgänge, die es ermöglicht – daher stammt der häufig verwendete Begriff Deep Learning. Dass derzeit in vielen Technikbereichen über den Einsatz künstlicher Intelligenz intensiv diskutiert wird, hängt auch damit zusammen, dass die für den Betrieb neuronaler Netze notwendige Rechenleistung weiter zugenommen hat. Verteiltes Rechnen vieler kleiner Informationseinheiten, das können Grafikkarten schon lange. Nicht umsonst kommen viele Anbieter von KI-Hardware ursprünglich aus dem Spielebereich.
Ein Computer, der die Bilder eines Wolfshundes von einem Wolf unterscheiden kann, ist noch lange nicht dazu in der Lage, ein Fernsehquiz zu gewinnen oder ein autonomes Auto durch die Stadt zu steuern. Derzeit entstehen Expertensysteme, die jeweils eine Disziplin sehr gut beherrschen und darin den Menschen schlagen. Besonders aufhorchen ließ menschliche Experten die Meldung, dass das KI-System einer Google-Tochter einen Profi im japanischen Brettspiel Go schlug.
KI-System gewann gegen Pokerspieler
Anders als beim Schach gibt es bei Go eine unendliche Möglichkeit an Kombinationen für jeden Spielzug. Angesichts begrenzter Spielzeit kann nur gewinnen, wer bestimmte Lösungswege außer Acht lässt. Doch Ende Januar folgte die nächste Niederlage für den Menschen: Ein von Experten der Carnegie-Mellon-Universität programmiertes KI-System gewann erstmals gegen professionelle Pokerspieler. Da beim Pokern auch unvollständige Informationen berücksichtigt werden müssen – man weiß ja nicht, ob der Gegner blufft –, sehen die Programmierer der Software darin einen Schritt hin zu praktischen Anwendungen.
Auch bei Verhandlungen oder im Straßenverkehr geht der Mensch laufend mit unvollständigen Informationen um. Da klingt es wie Pfeifen im Walde, wenn selbst renommierte KI-Forscher betonen, dass eine umfassende, dem Menschen entsprechende Intelligenz in den kommenden Jahren von Maschinen nicht erreicht würde.