"Ein völlig neues Kapitel der Künstlichen Intelligenz"

Wie geht es weiter mit Deep Learning? Welche Ansätze in der Entwicklung künstlicher Intelligenzen sind vielversprechend, welche Architekturen führen in eine Sackgasse? Moritz Helmstaedter spricht Ende November auf dem Innovators Summit AI in München darüber, welche Erkenntnisse aus der aktuellen Hirnforschung hilfreich sind. Im Gespräch mit Technology Review gibt er einen Einblick.

Technology Review: Herr Helmstaedter, was kann die Forschung zu künstlicher Intelligenz von der Hirnforschung lernen?

Moritz Helmstaedter: Die heutigen Fortschritte beim Maschinellen Lernen beruhen auf Erkenntnissen der Hirnforschung aus den 60er Jahren des vorigen Jahrhunderts. In dem darauf folgenden halben Jahrhundert ist unglaublich viel dazugekommen. Wir haben viel über die Biochemie gelernt, wie Nervenzellen Informationen weiterleiten, wie die Übertragung an den Synapsen, also den Verbindungsstellen zwischen Nervenzellen, genau funktioniert. Nun geht es darum zu verstehen, wie die Nervenzellen miteinander verschaltet sind. Wenn wir das wissen und in Computerfunktionen übersetzen, schlagen wir ein völlig neues Kapitel in der „künstlichen“ Intelligenz auf.

Inwiefern?

Das heutige Maschinelle Lernen wird bald an eine Mauer stoßen. Es ist eine sehr ineffiziente, ressourcenverschwendende Methode, verglichen mit dem Gehirn. Kommerzielle Serverfarmen brauchen Strom in der Größenordnung eines Atomkraftwerks und zum Lernen Millionen gelabelte Datensätze, also beispielsweise Bilder mit den Informationen, was sie zeigen. Das menschliche Gehirn hingegen lernt mit wenig Energie und wenigen gelabelten Daten. Wenn wir die Prinzipien, die dahinter liegen, verstehen, nimmt die KI-Forschung eine völlig neue Richtung. Auch unsere Angst, den Wettlauf gegen die USA oder China zu verlieren, dürfte sich dann als unnötig erweisen. Denn das Deep Learning, auf dem die jüngsten Fortschritte beruhen, wird abgelöst.

Was macht Sie so sicher?

Deep Learning basiert zwar auf der Hirnforschung aus den 60er Jahren. Aber damals war das Wissen zu rudimentär, um als Designvorlage zu taugen. Aus meiner Sicht hat Deep Learning nicht viel mit der Arbeitsweise des Gehirns zu tun. Was nach ihm kommt, könnte also ein ganz neues Prinzip sein. Und seit einigen Jahren haben wir die nötigen Methoden, es zu entschlüsseln.

Zum Beispiel?

Wir verfügen über neue dreidimensional arbeitende Elektronenmikroskope, die extrem dünne Hirnschnitte mit ungeahnter Geschwindigkeit scannen können. Damit können wir die Mikroanatomie des Gehirns darstellen, also die genauen Verknüpfungen der Nervenzellen in einem Würfel mit aktuell einem Millimeter Kantenlänge. Das ist natürlich wenig gemessen am Gesamtvolumen der Hirnrinde. Aber es reicht, um Schaltkreise auszulesen.

Eine derartige Hirn-Simulation war auch die Ursprungs-Idee des Human Brain Project, das dafür eine Milliarde Euro von der EU bekommen hat. Die Idee scheiterte, das Projekt geht nun in eine deutlich andere Richtung. Warum denken Sie, erfolgreicher zu sein?

Das Human Brain Project ging von einer falschen Grundannahme aus: Die Initiatoren glaubten, dass schon genug über die Architektur des Gehirns bekannt wäre, um sie als Simulation nachzubauen. Dem ist aber nicht so. Je genauer wir hinschauen, desto mehr Abweichungen von früheren Annahmen finden wir.

Was aber auch heisst, dass Ihr Ziel stetig in die Ferne rückt, oder?

In gewissem Sinn ja. Aber ich bin überzeugt, dass wir nicht den Schaltplan des gesamten Gehirns entschlüsseln müssen, also bei jeder Nervenzelle ermitteln müssen, wie sie mit anderen in Kontakt steht. Es reicht, sich auf die Hirnrinde zu konzentrieren und dort die grundlegenden Prinzipien zu kennen. Früher dachte man, die Verschaltungen in der Hirnrinde wären von Gehirn zu Gehirn vollkommen anders, die Verknüpfungen würden sich rein aus den Lernerfahrungen heraus bilden. Inzwischen haben wir jedoch präzise Regeln entdeckt. Die Positionen der Synapsen, die Laufzeiten der Signale, all das ist genau geordnet. Die Funktionsweise dürfte sich damit leichter in Computern umsetzen lassen.

Reicht ein guter Algorithmus oder muss man einen ganzen Hirncomputer bauen?

Neue Software reicht nicht, wir brauchen auch neue Hardware. Denn erstens sind in der klassischen von Neumann-Architektur Speicher und Rechner getrennt. Im Gehirn ist beides vereint. Zweitens arbeitet das Gehirn hochparalallel. Um dorthin zu kommen, müssen wir wohl seine dreidimensionale Architektur physisch abbilden, die 1000 Kontakte, die jede Nervenzelle in der Hirnrinde mit anderen Nervenzellen besitzt, nachbauen.

Eine monumentale Aufgabe.

Ja, aber mit neuromorphen Chips geht man bereits in diese Richtung. Hier sehe ich die nächsten Durchbrüche. Bisherige Modelle sind aber zugebenermaßen noch viel zu nah am klassischen Computer, sie haben noch keine wirklich dreidimensionale Struktur. Das liegt natürlich auch daran, dass wir über die Verschaltungen im Gehirn noch viel zu wenig wissen, um sie wirklich nachbauen zu können. Wir sind in einer sehr frühen Phase.

Sie glauben trotzdem, dass wir das Ziel erreichen?

In der Künstlichen Intelligenz wird künftig viel passieren, und vieles davon wird neurobasiert sein.

Wenn wir es tatsächlich schaffen, Hirn-Computer zu bauen: Kann es passieren, dass sie nicht besser sind als die menschlichen?

Das ist natürlich Spekulation. Aber es kann durchaus sein, dass wir mit künstlichen Gehirnen an die gleichen Grenzen stoßen wie die Natur. Ein Einzelnes von ihnen wäre dann tatsächlich nicht besser. Aber dafür kann man sehr viele zusammenschalten, also skalieren. Und ein Problem fällt ohnehin weg: Die künstlichen Hirne müssen in keinen Schädel passen.

Veranstaltungshinweis: Moritz Helmstaedter - "Advancing AI: What current brain research teaches us", 20. November, 10:20 Uhr auf dem Innovators Summit AI in München

(rot)