Stellen Sie sich eine Situation vor, in der ein Ingenieur für Maschinelles Lernen gerade ein erstaunliches neues tiefes neuronales Netzwerk geschaffen hat. Der Ingenieur wird vielleicht von einem neugierigen Kollegen gefragt: “Wie funktioniert Deine Erfindung?”. Es mag überraschen, dass Ingenieure für Maschinelles Lernen keine vollständige Antwort geben können. Sie wissen es nicht. Es gibt natürlich einen Teil, den sie erklären können. Aber es gibt auch immer einen Teil, der geheimnisvoll bleibt.
Es gibt viele Dinge, die wir Menschen bauen und nicht vollständig verstehen. Nicht alles ist so einfach wie ein Flaschenöffner. Schauen Sie sich eine durchdachte Software an. Niemand kann mit 100-prozentiger Sicherheit vorhersagen, wie sich diese Software bei der Veröffentlichung in der neuen Umgebung verhalten wird. Man muss sie überwachen. Die Komplexität ist einfach zu hoch für den begrenzten menschlichen Verstand. Wäre das nicht der Fall, gäbe es keine Fehler in unserer Software.
Ähnlich und sogar noch extremer ist das, womit Datenwissenschaftler und Ingenieure für Maschinelles Lernen konfrontiert sind, wenn sie Künstliche Intelligenz entwickeln. Welche KI-Maschine wir auch immer bauen, niemand kann jemals vollständig verstehen, wie die entstehende Maschine funktioniert. Dies stellt eine große Herausforderung dar. Wenn wir versuchen, den Intelligenzgrad unserer Maschinen zu erhöhen, wird der unverständliche Teil noch größer. Wie kann man Technologie, die nach und nach weniger verständlich wird, weiter verbessern?
Die Strategie besteht natürlich darin, die Grundprinzipien zu extrahieren. Wir beschränken unser Verständnis nur auf diese Prinzipien. Zum Beispiel sammeln wir heute Daten, aus denen Maschinen lernen können (etwa eine Reihe von Bildern von Autos und Fahrrädern). Die Maschine extrahiert dann, was sie braucht, um Autos von Fahrrädern zu unterscheiden. Dies geschieht, ohne dass wir genau wissen, wie das Endprodukt funktioniert. Was wir verstehen, sind die Regeln des Lernens, aber nicht die Regeln, nach denen Autos am besten von Fahrrädern zu unterscheiden sind.
Wenn wir wollen, dass unsere KI ein noch höheres Niveau an Intelligenz erreicht, müssen wir vielleicht noch mehr Verständnis aufgeben. Heute versteht ein Ingenieur für Maschinelles Lernen den Lernalgorithmus, der für das Training der KI verwendet wird, bis ins Detail. Und der Ingenieur bereitet dann die Trainingsdaten auf der Grundlage dieses Verständnisses auf.
Was aber, wenn die KI so weit fortgeschritten ist, dass kein Mensch mehr die Prinzipien versteht, nach denen sie lernt? Wie sollen wir geeignete Datensätze erstellen, wenn wir nicht einmal wissen, wie die Maschinen lernen?
Hier kommt der KI-Kindergarten ins Spiel. Betrachten Sie für einen Moment einen echten Kindergarten. Hier spielen und lernen die Kinder. Niemand weiß, welche Algorithmen Kinder zum Lernen verwenden. Trotzdem schaffen es die Kinder irgendwie, sich zurechtzufinden und klüger zu werden. Sie verlassen den Kindergarten intelligenter als sie bei ihrem Eintritt waren. In einem echten Kindergarten gibt es keine strengen Lernpläne wie in den heutigen Datensätzen für maschinelles Lernen. Vielmehr gibt es nur ein paar allgemeine Regeln für die Sicherheit, das Leben und die Ernährung der Kinder. Abgesehen davon interagieren Betreuungspersonal und Kinder einfach.
Ein KI-Kindergarten ist etwas Ähnliches, nur dass man dort Roboter intelligenter macht. Auch in einem KI-Kindergarten gibt es Interaktion mit Menschen, und die Regeln der Interaktion sind ebenfalls nur allgemein definiert: Was auch immer passiert, Menschen reagieren auf ihre menschliche Art und Weise. Maschinen lernen dann die menschliche Art und Weise, mit der Welt zu interagieren. Es gibt keine strukturierten Datensätze für das Training.
Allerdings kann ein KI-Kindergarten unmöglich funktionieren, wenn er als Eins-zu-Eins-Nachbildung eines menschlichen Kindergartens erstellt wird. Ein wichtiger Unterschied zwischen Maschinen und Menschen besteht darin, dass die Kinder mit einer hervorragenden Lernfähigkeit in den Kindergarten kommen – die Lernregeln sind in ihrer DNA gespeichert.
Maschinen dagegen wissen nicht, wie man lernt. Den Maschinen fehlt die lernende “DNA”. Deshalb lernen Maschinen im KI-Kindergarten auch ihre Lernalgorithmen. Das bedeutet, dass sich Maschinen im KI-Kindergarten wesentlich grundlegender entwickeln und verbessern als Kinder in echten Kindergärten. Biologisch gesehen machen Kinder nur die Ontogenese durch, also die Entwicklung eines Individuums, das bereits alle notwendigen Gene besitzt. Im Gegensatz dazu müssen Maschinen den KI-Kindergarten für die Ontogenese und Phylogenese nutzen, d.h. sowohl für die Entwicklung als Individuum als auch für die Entwicklung der richtigen “Gene”.
Folglich übersteigt der Aufwand, der in einen KI-Kindergarten investiert werden muss, bei weitem den Aufwand, den die Entwicklung eines menschlichen Kindes erfordert. Die Anforderungen im KI-Kindergarten betreffen nicht nur die Rechenleistung, sondern auch das menschliche Personal. Viele Menschen werden viele Roboter über viele Stunden beobachten und mit ihnen interagieren müssen. Das bedeutet, dass ein KI-Absolvent aus dem KI-Kindergarten unzählig viele AusbilderInnen gehabt haben wird. Denken Sie an Tausende oder Millionen von Erziehern und Erzieherinnen, die über die ganze Welt verteilt sind und die alle zur Ausbildung dieser KI beigetragen haben.
©Danko Nikolic
Aber Ausbildungspersonal ist nicht alles, was wir brauchen, damit der KI-Kindergarten funktioniert. Wir werden auch eine Menge Roboter brauchen, Tausende, vielleicht Millionen. Jeder Roboter kann mit dem Menschen auf einer Eins-zu-Eins-Basis interagieren, aber die Roboter müssen auch untereinander spielen. Ähnlich wie im echten Kindergarten müssen die “Auszubildenden” Kontakte knüpfen. Deshalb gibt es im KI-Kindergarten ein virtuelles Spielzimmer – einen Ort, an dem die Roboter untereinander austauschen können, was sie von ihren AusbilderInnen gelernt haben. Nach einer ausreichenden Anzahl von Iterationen zwischen den “Nannies” und dem Spielzimmer und zurück zu den Nannies und dann wieder ins Spielzimmer und so weiter wird die entstehende KI schließlich das über alle einzelnen Nannies gesammelte Wissen integrieren.
Der KI-Kindergarten kümmert sich auch sehr um die Entwicklungsstufen. In einem echten Kindergarten lernt man nicht einen Elefanten zu zeichnen, bevor man nicht versucht hat, einen Kreis zeichnen. Und man lernt nicht einen Kreis zu zeichnen, bevor man nicht die Fähigkeit erworben hat, einen Stift in der Hand zu halten.
Ähnlich gibt es im KI-Kindergarten ontogenetische und phylogenetische Stadien. Diese Entwicklung muss viel früher beginnen – bereits in der embryonalen und fetalen Entwicklung. Zuerst muss man lernen, einfache Zuckungen mit Armen und Beinen zu machen, bevor man sie bewegen oder zum Zeichnen eines Elefanten verwenden kann. Ebenso muss man lernen, die Augen auf eine Lichtquelle zu richten, was im Falle von Robotern bedeutet, ihre Kameras zu drehen.
Dabei macht sich der KI-Kindergarten die Tatsache zunutze, dass unsere Ontogenese eng mit unserer Phylogenese zusammenhängt. Das bedeutet, dass Roboter im KI-Kindergarten sich hin und her bewegen zwischen Veränderungen auf der “Gen”-Ebene und ihrer Nutzung in der Entwicklung und dann wieder auf die Gen-Ebene zurückgehen und so weiter.
©Danko Nikolic
Schlafzeit ist wichtig im menschlichen Kindergarten. Kinder brauchen Schlaf für ihre Entwicklung. Das gleiche gilt für Roboter. Der KI-Kindergarten bringt Roboter regelmäßig zum Schlafen und bringt sie vor allem zum Träumen. Wie bei ihrer Entwicklung wechseln auch die Träume der Roboter zwischen phylo- und ontogenetischem Träumen. Das bedeutet, dass Roboter nicht nur wie Menschen neue verrückte Ereignisse konfabulieren, um eine bessere Entwicklung zu fördern. Roboter konfabulieren auch völlig neue verrückte Leben, um die Entwicklung besserer Gene zu unterstützen.
Darum geht es in meiner KI-Kindergarten-Vision: Roboter mit Intelligenz auszustatten, ohne unbedingt zu wissen, wie das alles funktioniert.
Mehr technische Informationen finden Sie in diesem Text und im folgenden Video.
Natürlich können wir für solche hochentwickelten Roboter nicht einfach nur Deep Learning einsetzen. Wir brauchen etwas Besseres. Wie diese bessere Architektur aussehen sollte, lesen Sie hier und sehen Sie im folgenden Video.
Der Beitrag wurde in der Redaktion übersetzt
Das könnte Sie auch interessieren:
Autor: Danko Nikolic
Danko Nikolic ist Neurowissenschaftler, Kognitionswissenschaftler, KI-Entwickler und Unternehmer. Seine Arbeit am Max-Planck-Institut für Hirnforschung half ihm, seine ursprünglichen Ideen für die Entwicklung von KI fortzuführen.