"Wir kommen voran"

Was treibt einen erfolgreichen Gründer von Computerfirmen dazu, die Funktionsweise des menschlichen Gehirns erkunden zu wollen? Glaubt man der Selbstdarstellung von Jeff Hawkins, dem eloquenten Gründer der in Techie-Kreisen legendären PDA-Schmieden Palm und Handspring, verfolgt ihn dieses Rätsel bereits seit seiner Jugend – und er hält es noch innerhalb seiner Lebenszeit für lösbar. Mit seinem im Jahr 2004 erschienenen Buch "On Intelligence" hat Hawkins es jedenfalls geschafft, die Forschungsgemeinde neugierigzu machen – in diesem Jahr wird er auf der Jahrestagung der renommierten Society for Neurosciences den Hauptvortrag halten.

Technology Review: Herr Hawkins, in einem früheren Interview haben Sie einmal gesagt, dass nur wenige führende Wissenschaftler auf Ihr Buch "On Intelligence" reagiert haben. Hatten Sie in diesem Zusammenhang auch Kontakt mit Forschern aus dem KI-Umfeld?

Jeff Hawkins: Ich bin ein wenig überrascht, dass ich das gesagt haben soll. Das kann nur aus dem Zusammenhang zitiert worden sein. Ich hatte eine Menge Diskussionen mit vielen, vielen Wissenschaftlern – sowohl aus der Neurologie als auch aus der künstlichen Intelligenz.

Und die meisten haben das Buch sehr wohlwollend aufgenommen. Ich bin ebenfalls vor anderthalb Jahren eingeladen worden, auf einer führenden KI-Konferenz einen Vortrag zu halten und ich finde es sehr aufregend, dass ich dieses Jahr auf der Jahrestagung der Society for Neurosciences sprechen werde – die haben 30.000 Mitglieder und ich werde den Hauptvortrag halten.

TR: Wie war die Reaktion der KI-Forscher?

Hawkins: Na ja, am Anfang des Buches kritisiere ich den ursprünglichen Ansatz der KI-Forschung ziemlich scharf. Und ich denke, einige Leute, die schon lange auf dem Gebiet arbeiten, mögen das nicht. Auf der anderen Seite haben fast alle gesagt, dass die Ideen, die ich da vertreten habe, interessant sind.

Es gibt aber einige wenige Wissenschaftler, die immer noch glauben, dass sie einfach Computer so programmieren müssen, dass sie das tun können, was Menschen tun können. Aber es gibt eine ganze Menge Leute, die sagen, die Forschung auf diesem Gebiet steckt fest – wir brauchen neue Ideen, wie wir weiter kommen können.

TR: Einige der Ideen, die sie vorschlagen, sind sehr ähnlich zu den Arbeiten von Wissenschaftlern, die versuchen, Neuronen in Silizium nachzubilden. Gab es da gemeinsame Diskussionen?

Hawkins: Sicher! Ich arbeite an diesem Problem seit gut 25 Jahren und ich habe mit fast jedem gesprochen. Mein Haupt-Kritikpunkt an diesen Arbeiten ist: Wenn man versucht, Intelligenz oder kognitive Funktionen zu modellieren, muss man sich größere Strukturen des Gehirns ansehen. Es reicht nicht, nur einige Neuronen zu modellieren.

Wenn ich Vorträge halte, erkläre ich das gerne mit folgender Analogie: Wenn ich Ihnen einen Automotor gebe, und Sie wissen nicht, was das ist, und wie das funktioniert, dann können Sie das Ding auseinander nehmen. Und Sie sagen, hey, das Ding ist aus Metall, also schaue ich mir die Eigenschaften von Metall an. Das ist nützlich, wird Ihnen aber nichts darüber verraten, wie die Maschine funktioniert. Sie müssen sich erst einmal die größeren Strukturen anschauen. Sie müssen herausfinden, was sind die wichtigsten Komponenten. Dann können sie kleiner und kleiner werden – und dann können Sie auch herausfinden, warum das aus Metall gemacht ist.

Das Problem mit den meisten Leuten, die Neuronen modellieren, ist doch, dass Sie sich auf die Neuronen konzentrieren – auf kleine Ansammlungen davon. Ich will nicht sagen, dass alle das so machen, aber die meisten. Damit werden Sie nicht verstehen, was Intelligenz ist. Man muss verstehen, was der Neokortex macht – das interessiert mich besonders. Man muss sich die anatomischen Strukturen ansehen – zusätzlich zur Untersuchung der Neuronen. Der Ausgangspunkt der Theorie ist die anatomische Struktur, was im Fall des Neokortex – und auch des gesamten Nervensystems – eine hierarchische Struktur bedeutet. Sie müssen diese Hierarchen verstehen, bevor Sie sich anschauen, was einzelnen Neuronen machen.

TR: Was halten Sie vom "Blue Brain"-Projekt, der Simulation einer kortikalen Kolumne eines Rattenhirns?

Hawkins: Nun, das ist sehr beeindruckend. Aber ich glaube nicht, dass es zu irgendetwas führen wird. Es wird Sie nicht überraschen, dass ich mit Henry Markram, dem Leiter des Projektes, darüber diskutiert habe. Das Problem dabei ist der Mangel an einer dem zu Grunde liegenden Theorie. Die hoffen, dass sie etwas beobachten, das nützlich ist – aber das wäre nicht meine Art, an so etwas heranzugehen. Ich denke, man braucht eine Hypothese, dann kann man versuchen, etwas zu modellieren.

Und, davon abgesehen, modellieren sie nur eine kortikale Kolumne. Ich glaube aber, man muss verstehen, wie die gesamte Hierachie im Neokortex funktioniert. Ich glaube, dass die hierarchische Organisation des Nervensystems eine seiner wichtigsten Merkmale ist.

TR: Wenn man also ein Modell hat, das solche Hierachien berücksichtigt. Glauben Sie, dass es dann möglich ist, die komplette Hirnfunktion eines Säugertier-Gehirns zu modellieren?

Hawkins: Lassen Sie uns hier vorsichtig sein. Ich habe nicht den Wunsch, ein komplettes Gehirn zu modellieren. Ich interessiere mich für den Neokortex, der etwa die Hälfte des menschlichen Gehirns ausmacht. Ich wünsche mir nicht, menschenähnliche Wesen zu erschaffen.

Ich weiß aber, dass es möglich ist, zu verstehen, wie der Neokortex funktioniert. Und man kann Maschinen bauen, die genau nach diesen Prinzipien funktionieren. Und die meisten Anwendungen werden sich mit Problemen befassen, die Menschen nicht sehr gut lösen können.

TR: Würden Sie sagen, dass Maschinen, die auf diesen Prinzipien beruhen, "intelligent" sind?

Hawkins: Nun, da müssen Sie zunächst Intelligenz definieren. Wenn Sie sich den klassischen Turing-Test anschauen – Turing hat Intelligenz als die Fähigkeit einer Maschine definiert, einem Menschen vorzuspielen, sie sei auch ein Mensch. Ich mag diese Definition nicht.

Ich denke, ein intelligentes System wie der Neokortex kann aus einem Haufen Sensordaten ein Modell der Welt erzeugen und aus diesem Modell Vorhersagen ableiten, neues Wissen per Schlussfolgerungen generieren und motorisches Verhalten steuern. Und was diese Art der Intelligenz angeht, die können wir ganz sicherlich in Silizium nachbilden. Da gibt es keinen Zweifel. Aber dabei geht es nicht darum, den Turing-Test zu bestehen.

TR: Ich denke, eine Menge Leute sind neugierig, was es mit Ihrem neuen Unternehmen Numenta auf sich hat. Können Sie uns dazu etwas sagen?

Hawkins: Sicher. Eine ganze Menge meiner Hirnforschung habe ich unter nicht profitorientierten Bedingungen betrieben. Im Rahmen dieser Arbeit habe ich gemeinsam mit meinen Kollegen große Fortschritte gemacht. Und ich war sehr daran interessiert, dass viele Leute mit diesen Ideen arbeiten. Im akademischen Umfeld geht das aber ziemlich langsam – es kann Jahre dauern, bis die Leute neue Ideen akzeptieren.

Also habe mir gedacht, eine Möglichkeit, um diesen Prozess zu beschleunigen ist, die Theorie in eine Technologie zu überführe. Wenn man daraus ein Geschäftsmodell macht, das anderen Leuten Möglichkeiten eröffnet, bekommt man schnell eine Menge Leute, die daran arbeiten, zusammen.

Die Idee hinter Numenta war also eine Plattform zu schaffen, mit der andere Leute experimentieren können. Im wesentlichen geht es darum, eine völlig neue Technologie zu schaffen, die auf dem Konzept basiert, das wir "Hierarchischen temporären Speicher" (HTM) nennen. Das Unternehmen existiert nun rund zwei Jahre – vor kurzem haben wir die erste Version unserer Software-Plattform herausgegeben. Zur Zeit arbeiten mehrere hundert Wissenschaftler damit. Für mich ist dabei das wichtigste, dass viele Leute mit meiner Theorie arbeiten und sie weiterentwickeln.

TR: Können Sie kurz skizzieren, wie ihre Software arbeitet?

Hawkins: Na klar. Zur Zeit ist es ganz traditionelle Software, die auf allen möglichen Systemen läuft – von einer einfachen CPU zu einem großen Cluster. Die Software ermöglicht dem Benutzer, ein hierarchisches Speichersystem zu schaffen – die Struktur ist wie ein auf dem Kopf stehender Baum. Dann lassen Sie, als Designer oder Programmierer, dieses Systems auf Muster los: Bilder von einer Kamera, Sensordaten von einem Auto, Finanzdaten – wir haben viele Beispiele. Indem man diese Daten in das System eingibt, erschafft es automatisch ein Modell seiner Welt – ein strukturiertes Bild der Daten. Aus diesem Wissen kann man dann weiteres Wissen ableiten oder Vorhersagen treffen.

Ich gebe Ihnen einige einfache Beispiele: Wir arbeiten in der Bildverarbeitung. Zur Zeit gibt es kein Programm, das das tun kann, was Menschen tun können – auf ein Bild zu schauen und sagen zu können, was das ist. Wir haben Fortschritte bei diesem Problem gemacht, und wir denken, dass wir die Aufgabe lösen können. Dann haben wir einen großen Automobil-Hersteller, der mit uns arbeitet. Die wollen aus den Sensordaten des Autos ableiten, in was für einer Umgebung sich das Auto bewegt.

Wir haben einige Spiele-Produzenten, die das in Computerspiele einbauen wollen, Überwachungs- und Militär-Anwendungen, Kunden aus der Produktion – einer versucht, den Flugverkehr zu modellieren. Jeder, der eine Menge Daten hat und Vorhersagen daraus ziehen will, kann dieses System verwenden. Es ist eine sehr grundsätzliche Idee – so, wie der erste Computer. Das war auch ein sehr grundsätzlich neues Konzept, von dem die Leute nicht unbedingt eine Vorstellung hatten, in welche Richtung es geht.

TR: Aber es gibt doch schon eine ganze Menge Methoden der Mustererkennung. Was ist der Vorteil Ihrer Methode?

Hawkins: Es gibt viele, viele Probleme, für die es einfach noch keine guten Lösungen gibt. Das einfachste Problem ist Bildverarbeitung. Sie können einem fünf Jahre alten Kind Bilder von Tieren und Autos zeigen, und das Kind kann alles benennen. Es gibt keinen Computer auf der Welt heutzutage, der das kann. Nicht einmal annäherungsweise.

Das gilt auch für Deduktion – es gibt keine wirklich guten allgemeinen Deduktionsalgorithmen. Es gibt welche für spezielle Gebiete, aber keine wirklich guten allgemeinen Algorithmen. Unsere Methode hat Potenzial. Wir können viele noch ungelöste Probleme lösen. Es geht nicht einfach darum, dass wir schneller sind oder so – es gibt für manche Dinge bisher keine Lösung.

TR: Haben Sie denn schon bislang ungelöste Probleme gelöst?

Hawkins: Wir haben einige Algorithmen im Bereich maschinelles Sehen, die ziemlich beeindruckend sind. Jeder, der auf diesem Gebiet arbeitet, wird Ihnen das bestätigen. Wir haben allerdings noch keine kommerzielle Anwendung. Aber wir sind erst am Anfang. Wir sind geduldig, wir lassen uns Zeit.

Ich habe ja nicht Sie angerufen, Sie haben mich angerufen. Wir behaupten nicht, wir hätten dieses oder jenes Problem gelöst. Was wir behaupten ist: Wir verstehen, wie der Neokortex funktioniert. Wir implementieren diese Algorithmen in Software, wir erzielen gute Resultate und wir arbeiten mit den verschiedensten Unternehmen zusammen. Und wir sind sehr zuversichtlich.

TR: Die Software beruht also im wesentlichen auf dem, was Sie in Ihrem Buch skizziert haben?

Hawkins: Nein, es gibt ein paar Unterschiede. Zunächst einmal ist es gut drei Jahre her, dass ich mit dem Schreiben des Buches fertig war. Wir haben seitdem eine Menge Fortschritte gemacht. Als ich das Buch geschrieben hatte, wusste ich noch nicht, wie ich das in Software implementieren soll – wie die Mathematik aussieht.

Auf der anderen Seite habe ich in dem Buch über einige Funktionen des Kortex gesprochen, die wir noch nicht implementiert haben: Wir machen zur Zeit größtenteils Mustererkennung und Deduktion, aber wir haben zur Zeit nur eine sehr begrenzte Implementierung der Vorhersage. Wir arbeiten gerade daran, das zu verbessern. In dem Buch schreibe ich auch viel über motorische Steuerung – die haben wir noch gar nicht implementiert.

TR: Haben Sie jemals einen wissenschaftlichen Aufsatz dazu geschrieben?

Hawkins: Wir haben ein Paper dazu veröffentlicht. Tatsächlich arbeite ich jetzt gerade an einer Reihe von Veröffentlichungen, aber das ist ein sehr langsamer Prozess. Und ich war sehr ungeduldig damit – es dauert Jahre, bis man in einer wissenschaftlichen Zeitschrift veröffentlichen kann, und das war nicht meine höchste Priorität. Aber, ich hatte das bereits erwähnt, der Präsident der Society for Neuroscience, David Van Essen, hat mein Buch gelesen – und er hat mich eingeladen, den Hauptvortrag der Tagung zu halten.

Ich bin kein Akademiker und bestreite meinen Lebensunterhalt nicht als Wissenschaftler, mir geht es nur darum, meine Ideen zu verbreiten. Und es hat sich herausgestellt, dass die Publikation in einem wissenschaftlichen Journal nicht der beste Weg ist, das zu tun. Ich musste eine Menge Regeln brechen, um das zu tun, was ich tue. Ich habe ein Institut gegründet – obwohl viele Leute gesagt haben, das sei unmöglich – aber jetzt arbeiten viele Wissenschaftler dort.

TR: Aber Sie wollen auch Geld mit Numenta verdienen?

Hawkins: Zuerst einmal leite ich Numenta nicht. Ich arbeite da, aber mehr auf einer freiwilligen Basis. Ich forsche da, ich halte Vorträge und so weiter. Aber ich mache viele Dinge – Numenta ist nur ein Vorhaben, an dem ich beteiligt bin.

Aber ich habe Numenta als ganz normales Unternehmen gegründet – und jeder der da arbeitet, will damit auch Gewinn machen. Von Anfang an war aber allen klar, dass es drei bis fünf Jahre dauert, bis wir Erfolg haben. Wir sind nun gut zwei Jahre dabei und die Dinge entwickeln sich sehr gut. (bsc)