Skalierungshypothese: Welche nächsten Schritte muss die KI-Forschung gehen?

Inhaltsverzeichnis

Neuronale Netze scheinen der perfekte Ansatz für künstliche Intelligenz: Sie brauchen lediglich einen großen Datensatz und lernen daraus die nötigen Muster. Als Mensch gibt man nur vor, was herauskommen soll und die simulierten Neuronen (und der Optimierungsalgorithmus fürs Trainieren der Parameter) kümmern sich um den Rest. Theoretisch können neuronale Netze jede beliebige logische Struktur abbilden. Sie sind "Turing-vollständig", was bedeutet, dass sie im Prinzip alles lernen können, was irgendein Computer jemals können wird. Sie können jede berechenbare Funktion berechnen, wenn sie groß genug sind.

In der Praxis stießen Forscher beim Training neuronaler Netze aber immer wieder an Grenzen. Beispielsweise waren zunächst wegen des "Vanishing Gradient-Problems" nur Netze mit einer Handvoll Schichten trainierbar. Abhilfe schafften dann sogenannte Residual-Verbindungen, mit denen über hundert Schichten möglich wurden. Solche Tricks können zwar bei manchen KI-Problemen erstaunliche Fortschritte bringen, funktionieren aber nicht bei jeder Problemstellung gleich gut. Dass KI momentan immer auf einzelne Probleme zugeschnitten sein muss, macht sie zur "schwachen KI". Der Begriff bezeichnet KI-Lösungen mit Inselbegabungen, die nur eine einzelne Anwendung beherrschen.

Mehr zu Künstlicher Intelligenz

• KI-Sprachgeneratoren: Wie man sie von Menschen unterscheiden kann
• Rechnen mit Licht: In Spezialbereichen tausendfach schneller als Elektronen
• Aufbau und Elemente superschneller optischer Digitalcomputer
• Rechtsrisiken beim Einsatz künstlicher Intelligenz
• Neuartige Chiptechnik erkennt Muster in schnellen Sensordaten
• Erklärbare künstliche Intelligenz erkennt Tumorgewebe nachprüfbar
• EU-KI-Verordnung: Mit Recht zu menschlicherer künstlicher Intelligenz
• KI-Chatbots – eine Marktübersicht
• Was eine ethische KI leisten soll: Ein Interview mit Gery Zollinger
• KI-Bildgeneratoren: Was sie können und wie man sie einsetzt
• Tipps für die besten Ergebnisse mit KI-Bildgeneratoren
• KI-Bildgeneratoren: Sechs Web-Apps im Test
• KI-Bildgeneratoren: Diese Technik steckt dahinter
• Skalierungshypothese: Welche nächsten Schritte muss die KI-Forschung gehen?
• KI in Unternehmen: Wie künstliche Intelligenz Firmen produktiv macht
• KI auf dem Prüfstand: Was künstliche Intelligenz kann und was nicht
• KI-Zukunft: So wollen Forscher und Praktiker die Grenzen der KI überwinden
• KI: So funktionieren künstliche Sprachsysteme vom Typ "Transformer"
• Wandelbare Sprach-KI: Neuronales Netz textet, codet und übersetzt

Der Traum vieler Futuristen ist eine "starke KI", die ähnlich wie ein Mensch ganz unterschiedliche Probleme intelligent lösen kann. Stark ist die KI, weil sie die gleiche Intelligenz für unterschiedliche Probleme anwenden kann und aus unterschiedlichen Situationen lernt. Außerdem müsste sie nicht von einem hoch bezahlten Experten für jedes neue Problem angepasst werden. Man würde ihr einfach erklären, bei welchem Problem sie helfen soll und sie würde an der Lösung mitarbeiten – mit jeder Menge Rechenpower und einem riesigen Schatz an Daten im Hintergrund. Starke KI ist ein Ziel, mit dem man prüft, ob man Fortschritte in die richtige Richtung macht.

Das war die Leseprobe unseres heise-Plus-Artikels "Skalierungshypothese: Welche nächsten Schritte muss die KI-Forschung gehen?". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.