Am Anfang war die Idee: Könnte es gelingen, Maschinen in die Lage zu versetzen, menschliche Intelligenz - die Fähigkeit zu fühlen, zu urteilen, zu entscheiden und die Zukunft zu antizipieren - simulieren? Daürber diskutierten im Jahr 1956 zehn Wissenschaftler am Dartmouth College in den USA in einem sechswöchigen Treffen unter der Leitung des Mathematik-Professors John McCarthy. Zentraler Gedanke dabei war, menschliches Denken und Handeln mithilfe der Mathematik zu beschreiben. So sollte also das Denken in Algorithmen festgehalten werden - in fest formulierten Formeln also wie zum Beispiel bei den Regeln der Schwerkraft. Dieses Treffen gilt gemeinhin als einer der Schlüsselmomente in der KI-Forschung. Ein weiterer Pionier er 1950er Jahre war etwa Alan Turing mit seiner Arbeit "Computing Machinery and Intelligence", in der er die Frage stellte, ob Maschinen denken könnten.

Heute sind KI-Anwendungen längst in unseren Alltag eingezogen. Die Künstliche Intelligenz ist eines der großen Forschungs- und Entwicklungsfelder unserer Zeit. Die sogenannte generative AI bringt ganz erstaunliche Ergebnisse zustande - etwa indem sie täuschend echte Bilder generieren kann. Wir chatten mit Sprachmodellen wie ChatGPT und machen die KI zu unserem Alltags-Assistenzen. Doch damit, wie das Ganze technisch eigentlich funktioniert, kennen sich nur Fachleute aus. In Sachen KI-Bildung für die Allgemeinheit gibt es großen Nachholbedarf. Denn was eine zunehmend große Rolle in unserem Leben spielt, sollten wir auch verstehen.

Widmen wir uns zunächst dem Thema Intelligenz. Denn natürlich stellt sich sofort die Frage, wie intelligent so eine intelligente Maschine nun tatsächlich ist? Leider lässt sich diese Frage aber nicht so einfach - wenn überhaupt - beantworten. Denn tatsächlich gibt es gar keine allgemein gültige Definition von Intelligenz.

Die KI soll also intelligentes menschliches Denken und Verhalten nachahmen. Darunter versteht zum Beispiel das Cambridge Advance Learner’s Dictionary die Fähigkeit, zu lernen, zu verstehen und auf Vernunft basierend Entscheidungen zu treffen. Der Duden definiert Intelligenz dagegen als die "Fähigkeit [des Menschen], abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten". Die meisten Definitionsversuche für die KI beziehen sich dementsprechend auf Denkprozesse und logisches Schließen - die Teile der menschlichen Intelligenz also, die offensichtlich mathematisch darstellbar sind und im Sinne der Rationalität messbar.

Aber ist das Intelligenz im eigentlichen, menschlichen Sinne? Leiter des Fraunhofer- Instituts für Intelligente Analyse- und Informationssysteme IAIS, Prof. Stefan Wrobel, hat dazu in einem Interview auf die Frage nach der Vergleichbarkeit geantwortet, dass Vergleiche auch möglich seien, wenn Dinge einen unterschiedlichen Charakter hätten. "Ein Flugzeug fliegt nicht so wie ein Vogel, ein Computer denkt nicht so wie ein Mensch. Wir müssen die Leistungen betrachten und dann beurteilen, ob wir dieses als genauso intelligent, weniger intelligent oder als intelligenter einstufen als das, was im Vergleich ein Mensch tun würde."

Wichtig ist, nicht zu vergessen, dass es sich bei Künstlicher Intelligenz immer noch um Software handelt. Auch, wenn nicht immer klar ist, wie genau sie zu ihren Ergebnissen kommt (siehe Black Box-Systeme), ist sie doch von Menschen geschrieben worden - meist zu einem bestimmten Zweck in einem abgegrenzten Nutzungsgebiet.

Damit eine KI-Anwendung "intelligent" im Maschinen-sinne wird, muss sie - um in der Analogie zum Menschen zu bleiben - lernen. Das wird als maschinelles Lernen bezeichnet. Das Lernen der Maschinen ist ebenfalls ein streng mathematisches: Wenn die Rede von maschinellem Lernen ist, geht es um Algorithmen, die programmiert wurden, um Muster in Daten zu finden. Diese nutzen sie dann, um etwa Vorhersagen oder Schlussfolgerungen zu treffen.

Damit die Machine das "richtige" Ergebnis auswirft, muss sie also mit sehr vielen Daten trainiert werden. Das funktioniert so, dass zunächst sogenannte Trainingsdaten in das KI-System eingespielt werden, die ihr zeigen, was "richtige" und was "falsche" Ergebnisse sind. Das KI-System baut auf dieser Grundlage ein Modell auf, um mehr gewünschte Resultate zu finden, die nicht vorher definiert wurden. Dann wird mithilfe von Validierungsdaten geprüft, ob es funktioniert - das Ergebnis also richtig ist.

Zuletzt muss dann noch mit den Test-Daten getestet werden, ob das Ergebnis tatsächlich verlässlich reproduzierbar und genau ist. Es gibt eine Vielzahl von Methoden des maschinellen Lernens, unter anderem etwa künstliche neuronale Netze, Entscheidungsbäume, Bayessche Netze, Fallbasiertes Schließen, Clustering Algorithmen oder Instance-based learning.

Anwendungen aus dem Bereich des maschinellen Lernens sind heute schon in vielen Bereichen im Einsatz. So sind klassische Anwendungsfälle zum Beispiel:

• Spam-Erkennung und E-Mail-Klassifizierung
• Personalisierung von Inhalten zB. bei Streaming-Apps
• Automatisierte Lösungsempfehlungen im Kundendienst
• Betrugserkennung bei Transaktionen
• Stauprognosen
• Medizinische Diagnostik
• Chatbots und intelligente Assistenten wie Siri oder Alexa

Nicht nur in der Öffentlickeit, sondern natürlich auch in der Fachwelt wird das Potential von Künstlicher Intelligenz viel diskutiert. So bestehen bei einigen Fachleuten durchaus Befürchungen, welche potentiellen Auswirkungen KI-Systeme in Zukunft haben könnten. Doch um diese Diskussion nachvollziehen zu können, muss man die Unterscheidung in starke und schwache KI kennen. Die betrifft nämlich den Autonomiegrad der KI-Anwendung.

Schwache KI

Die schwache KI ist das, was wir in heutigen KI-Anwendungen sehen - sie entspricht dem aktuellen Stand der Technik. Sie wird nur für spezielle und definierte Aufgaben eingesetzt, die sie hervorragend ausführen kann. Die schwache KI wird dabei bestimmt von komplexen Algorithmen und machinellem Lernen. Durch Techniken der natürlichen Spracherkennung können Robotik-Anwendungen schwacher KI durchaus mit dem Menschen interagieren. Das macht sie aber nicht zu Maschinen mit eigenem "Bewusstsein". Der Leiter des Fraunhofer- Instituts für Intelligente Analyse- und Informationssysteme IAIS, Prof. Stefan Wrobel, spricht bei schwacher KI davon, dass sie sich eher als "sich intelligent verhaltend" beschreiben ließe.

Starke KI

Bisher existiert noch keine starke KI. Dabei handelt es sich eher um ein theoretisches Konzept - nämlich um eine Form der KI, die tatsächlich menschliche Intelligenz komplett simulieren oder sogar übersteigen kann. Damit könnte sie ihre Fähigekiten auf beliebige Problemstellungen anwenden und nicht nur für denn Zweck, für den sie programmiert wurde. Die KI könnte dann - zum Beispiel in Form eines Roboters - lernen, alle möglichen Dinge zu tun oder auch selbst Programmiercode zu schreiben. Und sie könnte sich rein theoretisch auch gegen den Menschen wenden. Kurzum: Viele der Befürchungen und Ängste, die KI-Technologie bei uns hervorruft, beziehen sich auf diese starke KI. Diese "Human-Level AI" existiert jedoch (noch) nicht und es ist auch unklar, ob es sie jemals geben wird. Fachleute halten das aber in ferner Zukunft für grunsätzlich möglich.

Unter der generativen Künstlichen Intelligenz verstehen wir eine Form der schwachen KI, die auf Grundlage ihrer Trainingsdaten neue Inhalte erschaffen kann - also etwa Texte, Bilder oder Audio- und Videoinhalte. Die generative KI ist als das, was in jüngerer Vergangenheit Schlagzeilen gemacht hat. So hat etwa der Chatbot ChatGPT einen regelrechten Hype um Sprachmodelle ausgelöst. Aber auch Anwendungen wie der Bild-Generator Midjourney haben einen Siegeszug angetreten, der Künstlerinnen und Künstlern Sorge bereitet.

Generative AI-Anwendungen basieren vor allem auf trainierten neuronalen Netzwerken (Deep Learning). Sie liefern den Nutzenden auf Anweisung (sogenannte Prompts) neben Texten oder Bildern etwa auch Programmcode oder 3D-Modelle. Dabei handelt es sich um neu erschaffene Inhalte, die teilweise kaum von denen menschlichen Ursprungs zu unterscheiden sind. Allerdings sind sie auch von den Daten beeinflusst, mit denen sie trainiert werden. Diese riesigen Datenmengen stammen unter anderem aus Quellen wie Wikipedia-Artikeln, Nachrichtenseiten, Internetforen, Sozialen Medien, Bücher oder Bild- und Videodatenbanken. Das Problem daran: Sind in diesen Quellen Fehler oder systematische Ungleichgewichte enthalten – beispielsweise rassistische Vorurteile – dann laufen generative AI-Anwendungen stehts Gefahr, diese Vorurteile zu wiederholen.

Während es für viele Menschen noch nachvollziehbar ist, dass ein Algorithmus Daten analysiert und darin Muster erkennt, die weitergehende Rückschlüsse erlauben, wird es beim Konzept der künstlichen neuronalen Netze wirklich kompliziert. Ein künstliches neuronales Netz ist im Prinzip dem Netz aus Nervenzellen in unserem Gehirn nachempfunden - also dem System, mit dem wir denken.

Alle Arten von künstlichen neuronalen Netzen bestehen aus Datenknoten ("Neuronen"), zwischen denen unterschiedlich gewichtete Verbindungen verlaufen. Diese simulierten Neuronen können in vielen Schichten hinter- oder überinander modelliert werden. Es gibt also eine Eingabeschicht, über die die Daten in das Netz gelangen und eine Ausgabeschicht, die eine Antwort ausspuckt. Dazwischen kann es eine oder zahlreiche versteckte Neuronen-Schichten geben. Dort findet das eigentliche "Lernen" statt. Das fuktioniert durch Veränderungen der Gewichtung - in Form elektrischer Spannung - bei den Querverbindungen.

Das Deep Learning ist eine spezifische Form des maschinellen Lernens, das durch tiefe künstliche neuronale Netzwerke ermöglicht wird - also solche Netze, die sehr viele versteckte Zwischenebenen haben. Bei Prozess des Deep Learnings müssen das bis zu einige hundert Schichten sein, damit es funktioniert. Denn mit der Anzahl der Ebenen steigt auch die Genauigkeit des Ergebnisses.

Beim Deep Learning wird kein Algorithmus zur Inputauswertung angewendet, sondern eine statistische Datenanalyse. Das System klassifiziert die großen Datenmengen eigenständig anhand von Attributen, die es aus Bildern, Texten oder akustischen Signalen filtert. Im Gegensatz zum einfachen maschinellen Lernen werden die Daten hier als automatisch aus den Dateien gewonnen und das neuronale Netz verfeinert die Ergebnisse auch automatisch weiter, wenn neue Daten hinzukommen. Das heißt, das System lernt gewissermaßen eigenständig. Das Problem ist, dass es sich dabei um eine sogenannte Black Box handelt: Von außen kann niemand nachvollziehen, wie genau das Deep-Learning-System zu seinem Ergebnis kommt. Der "Denkprozess" ist nicht transparent.

Tatsächlich ist es also so, dass Künstliche Intelligenz gar keine einzelne, eigenständige Technologie ist. Es handelt sich eher um einen Sammelbegriff für eine ganze Reihe verschiedener Ansätze, Technologien und Methoden, die alle die Gemeinsamkeit haben, dass sie im Prinzip menschliche Intelligenz nachempfinden wollen. Dementsprechend sind das maschinelle Lernen, das visuelle Erkennen von Objekten oder auch die Spracherkennung alles unterschiedliche Ausprägungen im Bereich KI. Im Folgenden soll deshalb ein kurzer Überblick über einige der aktuell wichtigsten Forschungsfelder aufgelistet werden:

• Large-scale Machine Learning
• Deep Learning
• Reinforcement Learning
• Computer Vision (maschinelle Bilderkennung)
• Natural Language Processing
• Collaborative Systems
• Robotik
• Internet der Dinge
• Crowdsourcing und Human Computation
• Neuromorphic computing

(kie)