Künstliche Intelligenz (KI) ist ein Forschungsgebiet, das sich damit beschäftigt, Maschinen mit Intelligenz auszustatten, die der menschlichen ähnelt oder sie sogar übertrifft.
Die Grundidee ist, Computer so zu programmieren, dass sie in der Lage sind, Aufgaben zu lösen, die normalerweise menschliche Intelligenz erfordern, wie logisches Denken, Lernen, Planen und kreatives Problemlösen.
1. Definition
Es gibt keine allgemeingültige Definition von KI. Die meisten Experten sind sich aber einig, dass ein System als „intelligent“ bezeichnet werden kann, wenn es:
- In komplexen, sich verändernden Umgebungen autonom agieren kann
- Aus Erfahrungen lernt und sein Verhalten anpassen kann
- Probleme flexibel und effizient lösen kann
- Menschenähnliche kognitive Fähigkeiten wie Wahrnehmung, Sprachverständnis und logisches Denken zeigt
2. Geschichte der KI
Die ersten bedeutenden Konzepte der KI entstanden in den 1950er Jahren. Alan Turing, einer der Väter der Informatik, entwickelte den nach ihm benannten Turing-Test.
Dabei kommuniziert ein Mensch ohne Sichtkontakt mit einem Computer und einem anderen Menschen. Wenn der Fragesteller anhand der Antworten nicht unterscheiden kann, ob er mit dem Computer oder dem Menschen interagiert, hätte der Computer den Test bestanden und wäre als intelligent zu betrachten:
Turing argumentierte, dass statt der philosophischen Frage, ob Maschinen denken können, getestet werden sollte, ob sie intelligentes Verhalten überzeugend imitieren können.
In den 1970er Jahren erlebte die KI-Forschung einen ersten Boom. Inspiriert von Vordenkern wie Turing und John McCarthy glaubten Wissenschaftler, dass es möglich sei, Maschinen mit genereller Intelligenz zu entwickeln. Dabei näherten sie sich der Herausforderung von zwei Seiten:
Die „Symbolisten“ versuchten, das Wissen von Experten in Form von Wenn-Dann-Regeln in Computer einzuprogrammieren. Die „Konnektionisten“ hingegen wollten Maschinen befähigen, eigenständig aus Beispielen zu lernen, ähnlich wie das menschliche Gehirn. Allerdings erwiesen sich beide Ansätze aufgrund der damals noch sehr limitierten Rechenleistung und Datenverfügbarkeit als zu ambitioniert für die Zeit.
Einen Durchbruch erlebte die KI in jüngerer Zeit mit sogenannten Large Language Models (LLMs) wie GPT-3. Im Gegensatz zu früher KI sind LLMs nicht mehr auf manuell programmiertes Wissen von Experten angewiesen. Stattdessen lernen sie eigenständig aus riesigen Textdatenmengen (meist aus dem Internet, aber auch aus digitalisierten Büchern).
Durch dieses „Deep Learning“ erkennen sie Muster in den Daten und bauen ein generelles Sprachverständnis auf. Damit können LLMs komplexe Aufgaben wie Schreiben, Analysieren, Zusammenfassen, Übersetzen und Beantworten von Fragen mit beeindruckender Qualität bewältigen, die mittlerweile kaum noch von menschlichen Leistungen unterscheidbar ist.
Sie können zudem Mathematik- und Logikaufgaben lösen, wie z. B.:
Die Fähigkeiten von LLMs beschränken sich nicht nur auf Sprache. Moderne „multimodale“ Systeme kombinieren Sprachmodelle mit Bild, Audio und sogar Video und haben so auch ein Verständnis der visuellen Welt.
Durch Techniken wie „Transformer“-Architekturen können sie etwa Texte verarbeiten und gleichzeitig passende Bilder dazu erzeugen.
Gibst du ChatGPT beispielsweise den Befehl (auch Prompt genannt) „Erstelle mir ein Bild eines Tieres, das eine Mischung aus Tiger und Ente ist“, erstellt es das entsprechende Bild dazu:
So verknüpfen multimodale LLMs visuelle Konzepte mit Sprache. Sie erkennen Objekte in Bildern und verbinden diese mit ihrem „Weltwissen“. Durch diese Verbindung von Sprach- und Bildverständnis können sie auch zu abstrakten Beschreibungen und Befehlen neue, kreative Bilder generieren.
Insgesamt macht künstliche Intelligenz derzeit dank Deep Learning und riesigen Datenmengen kontinuierlich Fortschritte auf dem Weg zu AGI (Artificial General Intelligence), das heißt künstlicher Intelligenz, die (je nach Definition) einem Menschen ebenbürtig oder sogar überlegen ist.
3. Wichtige Teilgebiete der KI
Künstliche Intelligenz ist ein breites Feld, das viele verschiedene Teilgebiete beinhaltet, z. B.:
3.1 Maschinelles Lernen (ML)
Maschinelles Lernen befasst sich mit Algorithmen, die selbstständig aus Daten lernen, ohne explizit programmiert zu werden. Die drei Hauptkategorien sind:
- Überwachtes Lernen: Das System lernt anhand von Beispieldaten, bei denen die gewünschten Ausgaben bekannt sind.
- Unüberwachtes Lernen: Das System findet selbstständig Muster und Strukturen in Daten ohne Vorgaben.
- Bestärkendes Lernen: Das System lernt durch Interaktion mit einer Umgebung, in der Aktionen belohnt oder bestraft werden.
Wichtige ML-Techniken sind unter anderem:
- Künstliche neuronale Netze
- Entscheidungsbäume
- Support Vector Machines
- Clusteranalyse
3.2 Verarbeitung natürlicher Sprache (NLP)
NLP-Systeme ermöglichen es Computern, menschliche Sprache zu verstehen, zu interpretieren und zu generieren. Anwendungen sind z.B.:
- Maschinelle Übersetzung
- Spracherkennung und Sprachsteuerung
- Sentimentanalyse
- Chatbots und digitale Assistenten
3.3 Computer Vision
Computer Vision befasst sich mit der Fähigkeit von Computern, visuelle Informationen aus digitalen Bildern oder Videos zu gewinnen. Typische Aufgaben sind:
- Objekterkennung und -klassifizierung
- Gesichtserkennung
- Szenensegmentierung
- Visuelle Frage-Antwort-Systeme
3.4 Robotik
In der Robotik werden KI-Methoden eingesetzt, um Roboter zu steuern und autonome Systeme zu entwickeln. Herausforderungen sind unter anderem:
- Lokalisierung und Kartierung (SLAM)
- Bewegungsplanung und -steuerung
- Greifplanung und Feinmanipulation
- Mensch-Roboter-Interaktion
