Diese KI lernt, indem sie sich selbst neuen Herausforderungen stellt
Seite 2: Training für das Training
Wissenschaftler setzen maschinelles Lernen bereits dazu ein, maschinelles Lernen zu verbessern – sie trainieren KI-Systeme, um Lösungen für einige der schwierigsten Probleme auf diesem Gebiet zu finden. So kommen Maschinen heraus, die mehr als eine Aufgabe auf einmal lernen können oder mit Situationen zurechtkommen, die sie vorher nicht kannten. Einige Forscher denken inzwischen, dass dieser Ansatz der beste Weg zur künstlicher allgemeiner Intelligenz sein könnte. "Wir könnten einen Algorithmus starten, der anfangs nicht viel Intelligenz in sich trägt, und zusehen, wie er sich den ganzen Weg bis zu einer potenziellen AGI bahnt", sagt Clune.
Die Wahrheit ist, dass AGI im Moment noch eine Fantasie darstellt. Aber das liegt vor allem daran, dass niemand weiß, wie man sie herstellen kann. Fortschritte in der KI sind Stückwerk und werden von Menschen durchgeführt, wobei der Fortschritt typischerweise in der Optimierung bestehender Techniken oder Algorithmen besteht, was zu schrittweisen Sprüngen in der Leistung oder Genauigkeit solcher Systeme führt. Clune charakterisiert diese Bemühungen als Versuche, die Bausteine für künstliche Intelligenz zu entdecken, ohne zu wissen, wonach man sucht oder wie viele Bausteine man braucht. Und das ist erst der Anfang. "Irgendwann müssen wir uns der Herkulesaufgabe stellen, all das zusammenzusetzen". KI-Systeme zu bitten, dies zu tun, ist ein Paradigmenwechsel. Er bedeutet, dass wir eine intelligente Maschine erschaffen, bei der uns egal ist, wie sie aussieht: Computer, gib' uns einfach alles, was funktioniert!
Empfohlener redaktioneller Inhalt
Mit Ihrer Zustimmmung wird hier ein externes YouTube-Video (Google Ireland Limited) geladen.
Ich bin damit einverstanden, dass mir externe Inhalte angezeigt werden. Damit können personenbezogene Daten an Drittplattformen (Google Ireland Limited) übermittelt werden. Mehr dazu in unserer Datenschutzerklärung.
Selbst wenn eine AGI nie erreicht wird, könnte der selbstlernende Ansatz dennoch die Art der KI-Systeme grundlegend verändern. Die Welt braucht mehr als einen sehr guten Go-Spieler, sagt Clune. Für ihn bedeutet die Erschaffung eines supersmarten Systems, einen Rechner zu bauen, der seine eigenen Herausforderungen findet, sie beherrscht und sich dann neue sucht. POET ist ein kleiner Einblick in diese Praxis. Clune stellt sich eine Maschine vor, die einem Bot das Laufen beibringt, dann das Himmel- und Hälle-Spiel, dann vielleicht Go. "Dann lernt er vielleicht Mathe-Rätsel und fängt an, seine eigenen Herausforderungen zu erfinden", sagt er. "Das System erfindet sich ständig weiter, und es gibt keine Grenzen, wohin es gehen könnte."
Wie man ein Gehirn baut
Es ist vielleicht eine wilde Spekulation, aber eine Hoffnung ist, dass Maschinen wie diese in der Lage sein könnten, unsere Sackgassen in grundlegenden Konzepten zu umgehen und uns zu helfen, enorm komplexe Krisen zu beherrschen – seien es die Auswirkungen des Klimawandels oder die Herausforderungen einer Pandemie.
Aber zuerst müssen wir ein solches System bauen – und es gibt viele verschiedene Möglichkeiten, ein künstliches Gehirn intern zu verdrahten. Neuronale Netzwerke bestehen aus mehreren Schichten künstlicher Neuronen, die in Software gegossen wurden. Jedes Neuron kann mit anderen in den darüber liegenden Schichten verbunden werden. Die Art und Weise, wie ein neuronales Netzwerk intern verknüpft ist, macht einen großen Unterschied, und neue Architekturen führen hier oft zu neuen Durchbrüchen.
Die von menschlichen Wissenschaftlern entwickelten neuronalen Netzwerke sind oft das Ergebnis von Versuch und Irrtum. Es gibt wenige Theorien darüber, was funktioniert und was nicht – und keine Garantie, dass bessere Designs gefunden werden. Aus diesem Grund ist die Automatisierung der Suche nach einer besseren Gestaltung neuronaler Netze eines der heißesten Themen in der KI seit mindestens den Achtzigerjahren. Die gängigste Art, den Prozess zu automatisieren, besteht darin, eine KI viele mögliche Netzwerkdesigns generieren zu lassen und das Netzwerk automatisch alle durchprobieren und die besten auswählen zu lassen. Dies ist allgemein als Neuro-Evolution oder neuronale Architektursuche (kurz NAS) bekannt.
Maschinen besser als der Mensch
In den letzten Jahren haben diese maschinellen Designs begonnen, die menschlichen Designs zu übertreffen. Im Jahr 2018 verwendeten Esteban Real und seine Kollegen bei Google NAS, um ein neuronales Netzwerk für die Bilderkennung zu generieren, das die besten von Menschen entworfenen Netzwerke schlug. Das war ein Augenöffner. Das System aus dem Jahr 2018 ist Teil eines noch immer laufenden Google-Projekts namens AutoML, das NAS auch zur Erstellung sogenannter EfficientNets verwendet hat, einer Familie von Deep-Learning-Modellen, die effizienter als von Menschen entworfene Modelle sind und mit kleineren, schnelleren Netzwerken eine hohe Genauigkeit bei Bilderkennungsaufgaben erreichen.
Drei Jahre später stieß Real an die Grenzen dessen, was von Grund auf neu generiert werden kann. Die früheren Systeme ordneten lediglich bewährte Teile des neuronalen Netzes neu an, wie z. B. vorhandene Typen von Schichten oder Komponenten. "Wir konnten dabei eine gute Antwort erwarten", sagt er. Letztes Jahr nahmen Real und sein Team erstmals diese Stützräder ab. Das neue System, AutoML Zero genannt, versucht, KI von Grund auf aufzubauen, und zwar mit nichts anderem als den grundlegendsten mathematischen Konzepten, die das maschinelle Lernen beherrschen.
Erstaunlicherweise baute AutoML Zero nicht nur spontan ein neuronales Netzwerk auf, sondern kam auch selbst auf den Gradientenabstieg, die gängigste mathematische Technik, die menschliche Entwickler zum Trainieren eines Netzwerks verwenden. "Ich war ziemlich überrascht", sagt Real. "Es ist ein sehr einfacher Algorithmus – er benötigt etwa sechs Zeilen Code – aber das System hat genau diese sechs Zeilen erstellt." AutoML Zero generiert noch keine Architekturen, die mit der Leistung von Systemen mithalten könnten, die von Menschen entworfen wurden – und es macht auch noch nicht viel, was ein menschlicher Designer nicht getan hätte. Aber Real glaubt, dass es eines Tages so weit sein könnte.
