Was ist starke KI?

Turing-Test

Alan Turing entwickelte den Turing-Test im Jahr 1950 und erklärte ihn in seinem Essay „Computing Machinery and Intelligence“ (Link befindet sich außerhalb von ibm.com). Der ursprünglich als „Imitation Game“ bekannte Test prüft, ob das Verhalten einer Maschine von dem eines Menschen unterschieden werden kann. Bei diesem Test gibt es eine Person, den „Fragensteller“, der anhand einer Reihe von Fragen versucht, einen Unterschied zwischen computergenerierten und von Menschen erstellten Ergebnissen festzustellen. Wenn der Fragesteller die Maschinen nicht zuverlässig von Menschen unterscheiden kann, hat die Maschine den Test bestanden. Wenn der Prüfer jedoch die menschlichen Reaktionen richtig identifizieren kann, kann die Maschine nicht mehr als intelligent eingestuft werden.

Es gibt zwar keine festgelegten Bewertungsrichtlinien für den Turing-Test, aber Turing hielt fest, dass ein menschlicher Prüfer nach fünf Minuten nur eine 70-prozentige Chance hat, eine menschliche oder computergenerierte Konversation richtig vorherzusagen. Der Turing-Test führte zu einer allgemeinen Akzeptanz der Idee der Maschinenintelligenz.

Der ursprüngliche Turing-Test überprüft jedoch nur eine bestimmte Fähigkeit – zum Beispiel Textausgaben oder Schach. Starke KI muss eine Vielzahl von Aufgaben gleich gut erfüllen. Dies führte zur Entwicklung des erweiterten Turing-Tests. Dieser Test bewertet die textuelle, visuelle und auditive Leistung der KI und vergleicht sie mit der von Menschen erzeugten Ausgabe. Diese Version wird im berühmten Loebner-Preis-Wettbewerb verwendet, bei dem ein menschlicher Richter erraten kann, ob die Ausgabe von einem Menschen oder einem Computer erstellt wurde.

Das Chinesische Zimmer

Das Gedankenexperiment „Chinesisches Zimmer“ wurde 1980 von John Searle ins Leben gerufen. In seinem Beitrag erörtert er die Definition von Verstehen und Denken und behauptet, dass Computer dazu niemals in der Lage wären. Dieser Auszug aus seinem Artikel auf der Website von Stanford (Link befindet sich außerhalb von ibm.com) fasst seine Argumentation gut zusammen:

„Die Berechnung eines Computers ist rein formal oder syntaktisch definiert, während der Verstand tatsächliche mentale oder semantische Inhalte hat. Wir können nicht allein durch syntaktische Vorgänge vom Syntaktischen zum Semantischen gelangen... Ein System, ich zum Beispiel, würde kein Verständnis der chinesischen Sprache erwerben, indem es einfach die Schritte eines Computerprogramms durchläuft, das das Verhalten eines chinesischen Sprechers simuliert (S.17).“

Das Chinesische Zimmer definiert das folgende Szenario:

Stellen Sie sich eine Person vor, die kein Chinesisch spricht und in einem geschlossenen Zimmer sitzt. Im Zimmer befindet sich ein Buch mit Regeln, Redewendungen und Anweisungen der chinesischen Sprache. Eine andere Person, die fließend Chinesisch spricht, reicht auf Chinesisch geschriebene Notizen in den Raum. Mit Hilfe des Sprachführers kann die Person im Zimmer die passende Antwort auswählen und sie an den chinesischen Sprecher weitergeben.

Die Person im Zimmer war zwar in der Lage, mithilfe eines Sprachführers die richtige Antwort zu finden, aber sie spricht oder versteht immer noch kein Chinesisch. Es war nur eine Simulation des Verstehens, indem Fragen oder Aussagen den entsprechenden Antworten zugeordnet wurden. Searle argumentiert, dass eine starke KI echten Verstand voraussetzen würde, um Bewusstsein oder Verständnis zu erlangen. Das Chinesische Zimmer veranschaulicht die Fehler des Turing-Tests und zeigt Unterschiede in den Definitionen von künstlicher Intelligenz.

Schwache KI, auch als begrenzte KI bekannt, konzentriert sich auf die Ausführung einer bestimmten Aufgabe, z. B. das Beantworten von Fragen auf der Grundlage von Benutzereingaben oder Schachspielen. Sie kann eine der Aufgaben ausführen, aber nicht beide, während eine starke KI eine Vielzahl von Funktionen erledigen kann und sich schließlich selbst beibringt, neue Probleme zu lösen. Die schwache KI verlässt sich auf menschliche Eingriffe, um die Parameter ihrer Lernalgorithmen zu definieren und die relevanten Trainingsdaten bereitzustellen, um die Genauigkeit zu gewährleisten. Menschliche Eingaben beschleunigen zwar die Wachstumsphase der starken KI, sind aber nicht erforderlich, denn sie entwickelt im Laufe der Zeit ein menschenähnliches Bewusstsein, anstatt es wie die schwache KI zu simulieren. Eigenständig fahrende Autos und virtuelle Assistenten wie Siri sind Beispiele für eine schwache KI.  

Es gibt zwar keine eindeutigen Beispiele für starke künstliche Intelligenz, aber der Bereich der KI entwickelt sich rasant weiter.  Es ist eine weitere KI-Theorie entstanden, die als künstliche Superintelligenz (Artificial Superintelligence, ASI), Superintelligenz oder Super-KI bezeichnet wird. Diese Art von KI übertrifft eine starke KI an menschlicher Intelligenz und Fähigkeiten. Allerdings ist Super-KI immer noch rein spekulativ, da wir noch keine Beispiele für starke KI gefunden haben.

Dennoch gibt es Bereiche, in denen KI eine wichtigere Rolle spielt, wie z. B.:

• Cybersicherheit: Künstliche Intelligenz übernimmt eine immer größere Rolle bei den Cybersicherheitsmaßnahmen von Unternehmen, einschließlich der Erkennung von Sicherheitsverletzungen, der Überwachung, der Bedrohungsanalyse, der Reaktion auf Vorfälle und der Risikoanalyse.
• Unterhaltung und Erstellung von Inhalten: Informatikprogramme werden bereits immer besser bei der Erstellung von Inhalten, ob es sich um Texte, Gedichte, Videospiele oder sogar Filme handelt. Die OpenAI-App GBT-3 zur Textgenerierung erstellt bereits Inhalte, die fast unmöglich von einem Text zu unterscheiden sind, der von Menschen geschrieben wurde.
• Verhaltenserkennung und -vorhersage: Prognose-Algorithmen werden die KI leistungsfähiger machen, von Anwendungen bei Wetter- und Börsenprognosen bis hin zu Vorhersagen des menschlichen Verhaltens, was noch interessanter ist. Dies wirft auch Fragen zu impliziten Verzerrungen und ethischer KI auf. Einige KI-Forscher in der KI-Community drängen auf eine Reihe von Antidiskriminierungsregeln, die oft mit dem Hashtag #responsibleAI in Verbindung gebracht werden.

Die Begriffe künstliche Intelligenz, maschinelles Lernen und Deep Learning werden oft im falschen Kontext verwendet. Diese Begriffe werden häufig mit der Beschreibung starker KI in Verbindung gebracht, daher lohnt es sich, jeden einzelnen Begriff kurz zu definieren:

Künstliche Intelligenz wurde von John McCarthy (Link befindet sich außerhalb von ibm.com) definiert und ist „die Wissenschaft und Entwicklung der Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme. Sie ist verwandt mit der ähnlichen Aufgabe, Computer zu verwenden, um menschliche Intelligenz zu verstehen, aber KI muss sich nicht auf Methoden beschränken, die biologisch beobachtbar sind.“

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Klassische Modelle erfordern mehr menschliches Eingreifen, um Daten in Kategorien zu segmentieren (z. B. durch Funktionslernen).

Deep Learning ist ebenfalls ein Teilbereich des maschinellen Lernens, das versucht, die Vernetzung des menschlichen Gehirns mithilfe von Neural Networks nachzuahmen. Die künstlichen Neural Networks bestehen aus Modellschichten, die Muster in einem bestimmten Datensatz erkennen. Sie nutzen eine große Menge an Trainingsdaten, um genau zu lernen, was in der Folge leistungsfähigere Hardware wie GPUs oder TPUs erfordert. Deep-Learning-Algorithmen werden am stärksten mit KI auf menschlicher Ebene in Verbindung gebracht.    

Um mehr über die nuancierten Unterschiede zwischen diesen Technologien zu erfahren, lesen Sie „KI vs. maschinelles Lernen vs. Deep Learning vs. Neural Networks: Was ist der Unterschied?“

Deep Learning kann komplexe Probleme gut bewältigen und wird daher heute in vielen innovativen und aufkommenden Technologien eingesetzt. Deep-Learning-Algorithmen werden in einer Vielzahl von Bereichen angewendet. Hier sind einige Beispiele:

• Selbstfahrende Autos: Google und Elon Musk haben uns gezeigt, dass selbstfahrende Autos möglich sind. Allerdings benötigen selbstfahrende Autos mehr Trainingsdaten und Tests aufgrund der verschiedenen Aktivitäten, die sie berücksichtigen müssen, wie zum Beispiel die Vorfahrt zu gewähren oder Trümmer auf der Straße zu identifizieren. Wenn die Technologie ausgereift ist, muss sie dann die menschliche Hürde der Akzeptanz überwinden, da Umfragen zeigen, dass viele Fahrer sich die Nutzung eines solchen Fahrzeugs nicht vorstellen können.
• Spracherkennung: Die Spracherkennung ist, wie bei KI-Chatbots und virtuellen Agenten, ein wichtiger Teil der Verarbeitung natürlicher Sprache. Audio-Eingaben sind für eine KI viel schwieriger zu verarbeiten, da so viele Faktoren wie Hintergrundgeräusche, Dialekte, Sprachbehinderungen und andere Einflüsse es der KI erschweren, die Eingabe in etwas umzuwandeln, mit dem der Computer arbeiten kann.
• Mustererkennung: Der Einsatz von Neural Networks verbessert die Mustererkennung in verschiedenen Anwendungen. Durch die Erkennung von Mustern nützlicher Datenpunkte kann die KI irrelevante Informationen herausfiltern, nützliche Korrelationen ziehen und die Effizienz der Berechnung von Big Data verbessern, die von Menschen normalerweise übersehen wird.
• Computerprogrammierung: Die schwache KI hat einige Erfolge bei der Produktion sinnvoller Texte erzielt, was zu Fortschritten bei der Programmierung geführt hat. Erst kürzlich hat OpenAI eine Open-Source-Software (GPT-3) veröffentlicht, die tatsächlich Code und einfache Computerprogramme mit sehr begrenzten Anweisungen schreiben kann und so die Programmentwicklung automatisiert.
• Bilderkennung: Die manuelle Kategorisierung von Bildern kann sehr zeitaufwändig sein. Spezielle Anpassungen von tiefen Neural Networks wie DenseNet, das jede Schicht mit jeder anderen Schicht des Neural Networks verbindet, haben die Bilderkennung jedoch viel genauer gemacht.
• Kontextbezogene Empfehlungen: Deep-Learning-Apps können bei der Erstellung von Empfehlungen viel mehr Kontext berücksichtigen, einschließlich Muster des Sprachverständnisses und Verhaltensvorhersagen.
• Faktenüberprüfung: Die Universität von Waterloo hat kürzlich ein Tool veröffentlicht, das Fake News erkennen kann, indem es die Informationen in Artikeln durch einen Vergleich mit anderen Nachrichtenquellen überprüft.