Kolumne

Vision wird Wirklichkeit

Vision wird Wirklichkeit

Im Januar 2015 wandten sich Stephen Hawking, Elon Musk, Steve Wozniak und viele weitere Experten mit dem Appell an die Öffentlichkeit, Forschungen zur künstlichen Intelligenz (KI) an ethischen Kriterien auszurichten. Neben diesem Anliegen selbst erscheint vor allem der Zeitpunkt seiner Veröffentlichung bemerkenswert, denn schließlich wird KI-Forschung schon seit den 1940er-Jahren betrieben. Wieso also werfen namhafte Experten erst jetzt Fragen zur Ethik auf?

Die Antwort ist so einfach wie spannend: Die Menschheit steht vor einer Zeitenwende. Von der Öffentlichkeit weitestgehend unbemerkt werden seit Kurzem regelrechte Durchbrüche in der KI erzielt. Vor allem sogenannte Deep-Learning-Verfahren für künstliche neuronale Netze treiben diese Revolution. Beispielsweise werden schwierige kognitive Probleme in der automatischen Text-, Sprach- und Bildanalyse heute mit modernen neuronalen Netzen angegangen und können als gelöst betrachtet werden. In Spezialgebieten wie etwa der Tomographie-basierten Diagnostik erzielen neuronale Netze sogar schon bessere Ergebnisse als medizinische Experten. Aber auch Probleme, die bis vor Kurzem noch als absolut unlösbar galten, werden mittlerweile von neuronalen Netzen bewältigt. Insbesondere das Jahr 2016 markiert hier einen Wendepunkt, denn im März besiegte das von Google DeepMind entwickelte Programm AlphaGo den menschlichen Go-Weltmeister.

Diese Leistung von AlphaGo ist in der Tat bemerkenswert. Zum einen galt es in der KI-Forschung anfangs als ausgemacht, dass Schach die Messlatte für Intelligenz sei, denn schließlich müssen Schachspieler Spielverläufe prognostizieren, Optionen bewerten und Entscheidungen treffen können. Nach jahrzehntelanger weltweitweiter Forschung gelang hier 1997 der Durchbruch, als der IBM-Supercomputer DeepBlue den damaligen Weltmeister Garry Kasparov besiegte. Zum anderen war bis dahin allen Beteiligten längst klar, dass Schachkompetenz nichts über allgemeine Intelligenz aussagt. DeepBlue etwa simulierte pro Sekunde Abermillionen Spielzüge und glich sie gegen eine riesige Datenbank ab. Dass solche „brute force“-Ansätze menschliche Intuition und Kognition nicht ersetzen können, zeigte sich darin, dass sie bei komplexeren Spielen wie Go hoffnungslos versagten und gegen menschliche Großmeister chancenlos waren. Die besondere Leistung von Google DeepMind besteht also darin, neuronale Netze entwickelt zu haben, die über so etwas wie Intuition verfügen.

Grob gesagt bestehen neuronale Netze aus vielen kleinen, miteinander vernetzten Recheneinheiten, die die Funktionsweise der Neuronen im menschlichen Gehirn nachbilden. In einem solchen Netz führt jedes einzelne Neuron einfache Berechnungen aus und übermittelt die Ergebnisse an andere Neuronen, die damit weitere Berechnungen anstellen. Damit ein neuronales Netz komplizierte Erkennungs- oder Vorhersageprobleme lösen kann, muss es aus sehr vielen Neuronen bestehen, die zudem lernen müssen, was sie genau berechnen sollen. Dazu werden dem Netz in einer Trainingsphase Eingabedaten präsentiert, zu denen es Ausgaben berechnet. Falls diese Ausgaben von den eigentlich gewünschten Ergebnissen abweichen, werden die Neuronen so lange adaptiert, bis der Fehler klein wird. Da aber auch die Idee künstlicher neuronaler Netze schon seit Jahrzenten verfolgt wird, stellt sich die Frage, warum diese in jüngster Zeit plötzlich so gut geworden sind?

Erneut ist die Antwort fast banal. Im Wesentlichen sind es vier Phänomene, die bis vor Kurzem nicht existierten und die die Leistung neuronaler Netze explodieren ließen: Big Data, „affordable high performance computing“, „open source machine learning“ und „investments in expertise“. Je größer ein neuronales Netz ist, desto mehr Trainingsdaten sind erforderlich, um es optimal an seine Aufgabe anzupassen. Im Zeitalter von Big Data ist es jedoch kein Problem mehr, Trainingsdaten massenhaft bereitzustellen. Zugleich ist der Trainingsprozess als solcher sehr aufwendig und dauerte traditionell einige Wochen, wenn nicht gar Monate! Seit Kurzem lassen sich die hierzu nötigen Berechnungen aber dank leistungsstarker PC-Grafikkarten in einem Bruchteil dieser Zeit durchführen. Des Weiteren wird Software zum Training neuronaler Netze seit einiger Zeit in Open-Source-Projekten entwickelt, was die Breitennutzung dieser Technologie weiter beflügelt. Und nicht zuletzt haben die Technologie-Giganten des Silicon Valleys das Potenzial moderner neuronaler Netze für die künstliche Intelligenz frühzeitig erkannt und in den vergangenen Jahren Milliarden in Start-ups, Experten und Projekte investiert. Der Wettstreit um Talente und technologischen Vorsprung, den Firmen wie Google, Facebook, Amazon oder Microsoft untereinander austragen, ist mittlerweile legendär und treibt interessante Blüten: Im Dezember 2015 stellte Google seine neuronale Netzwerk-Toolbox TensorFlow open source – offensichtlich mit der Idee, den Erfolg, den sie mit Android für den Smartphone-Markt hatten, jetzt für den sich entwickelnden KI-Markt zu wiederholen. Innerhalb weniger Wochen zogen Facebook und Microsoft mit ihren Lösungen FAIR und CNTK gleich, was insofern bemerkenswert ist, als dass beide Firmen bisher nicht für ihr Open-Source-Engagement bekannt waren.

Alle diese Entwicklungen lassen ein weiterhin rasantes Fortschreiten der KI und eine zunehmende Automatisierung kognitiver Aufgaben erwarten. Die größten heute eingesetzten neuronalen Netze bestehen aus etwa 100 Millionen Neuronen. Bei jährlicher Verdopplung des technisch Leistbaren wird es jetzt also nur noch zehn Jahre dauern, bis künstliche neuronale Netze die 100-Milliarden-Marke des menschlichen Gehirns erreichen.

Die Auswirkungen all dessen auf Wirtschaft und Gesellschaft sind enorm und werfen in der Tat ethische und soziale Fragen auf. Schon jetzt zeigen existierende Lösungen, dass selbst hochqualifizierte Tätigkeiten wie etwa die Übersetzung fremdsprachiger Dokumente oder die juristische Prüfung von Vertragstexten zuverlässig automatisiert werden können. Hedgefonds und Fintechs setzen neuronale Netze mittlerweile mit Erfolg im Automatic Trading, Financial Forecasting oder Risk Assessment ein. Logistik und Verkehr stehen vor tiefgreifenden Umwälzungen, und über Industrie-4.0-Konzepte hält die KI bereits heute Einzug in landwirtschaftliche und industrielle Produktion. Gute und tragfähige Strategien zur digitalen Transformation, zur Gestaltung der Digitalisierung, zur Schulung der Mitarbeiter und zum erfolgreichen Einsatz von KI-Technologien in Unternehmen sind daher essenziell und werden wettbewerbsentscheidend sein.

Bildnachweis: Handout/GettyImages, PwC

Newsletter abonnieren

Mit dem Newsletter verpassen Sie keine Ausgabe der next: Das Magazin für Vorausdenker

Anmelden
Feedback

Sie möchten uns Feedback zu diesem Beitrag geben? Wir freuen uns auf Ihre Rückmeldung.

Feedback
Diesen Beitrag teilen

Hier können Sie den Beitrag über soziale Medien teilen.

Teilen