60 Jahre Artificial Intelligence – Gegenwart und Geschichte einer Wissenschaftsdisziplin (Teil 1)

Artificial Intelligence (AI), intelligente Apps und intelligente Dinge – dies sind die drei Technologien, die schon im zweiten Jahr in Folge die Top 10 der Gartner Technology Trends anführen. Viele Methoden und Anwendungsfelder, die unter die Disziplin «Künstliche Intelligenz» fallen, wie z. B. Machine Learning, Deep Learning, Virtual Assistants und Smart Robots, nähern sich dem Gipfel der überhöhten Erwartungen des Gartner Hype Cycles. Tatsächlich sagen AI-Experten in einem kürzlich erschienenen Paper voraus, dass viele menschliche Aktivitäten wie Übersetzungen, das Schreiben von Essays oder LKW-Fahrten bereits in den nächsten zehn Jahren besser von Maschinen ausgeführt werden können. Sie halten es sogar für möglich, dass Maschinen in 45 Jahren in allen Tätigkeitsbereichen eine bessere Leistung erbringen als Menschen und alle heute von Menschen ausgeführten Aufgaben in 120 Jahren vollständig automatisiert ausführen werden.

«Machines will be capable, within twenty years, of doing any work a man can do.»

Herbert A. Simon (CMU)

«Within a generation . . . the problem of creating artificial intelligence will substantially be solved» 

Marvin Minsky (MIT)

Das sind eindrucksvolle Prognosen. Allerdings sollte man anmerken, dass während das Paper «When Will AI Exceed Human Performance? Evidence From AI Experts» aus dem Jahr 2018 stammt, die beiden Zitate schon deutlich älter sind; 61 und 62 Jahre alt, um genau zu sein, denn sie stammen aus den Jahren 1956 und 1957. Warum also jetzt der Hype um ein Thema, das mehr als 50 Jahre alt ist? Und wie ernst kann man Versprechen nehmen, die damals schon gemacht wurden und bis heute nicht eingetroffen sind?

Im ersten Teil unseres Beitrags beschäftigen wir uns mit den Grundbegriffen künstlicher Intelligenz und der Geschichte bis in die 80er Jahre. Der zweite Beitrag, der am 13.08. veröffentlicht wird, zeichnet die aktuelle Situation vor dem Hintergrund der Fortschritte in Bereichen Machine Learning und Deep Learning nach und gibt einen Ausblick auf zukünftige Entwicklungen.

Artificial Intelligence – Definition und Überblick

Artificial Intelligence is the science of making machines do things that would require human intelligence if done by men 

Marvin Minsky (Founder of the MIT Artificial Intelligence Laboratory)

Wie die obige Definition veranschaulicht, versucht Artificial Intelligence als Wissenschaft, Maschinen mit Intelligenz auszustatten. Was Intelligenz ausmacht, ist allerdings keine triviale Frage, denn Intelligenz wird oft wahrgenommen als das, was uns von anderen Lebensformen (also auch Maschinen) unterscheidet, was uns als Menschen einzigartig macht. Führ AI bedeutet dies, dass eine Fähigkeit häufig nicht mehr als intelligent wahrgenommen wird, sobald sie von einer Maschine ausgeführt werden kann.

Eine erste Annäherung auf die Frage, wann eine Maschine als intelligent gelten sollte, bietet der berühmte Turing-Test von Alan Turing aus dem Jahre 1950, einer der ersten Meilensteine in der Geschichte der künstlichen Intelligenz als eigenständiges Forschungsgebiet: Beim Turing-Test wird die Intelligenz einer Maschine pragmatisch daran gemessen, ob ein Mensch bei der schriftlichen Interaktion mit zwei Konversationspartnern den Menschen von der Maschine unterscheiden kann. Eine erweiterte Version des Turing-Tests bindet über das Gespräch hinaus die Überprüfung der visuellen Wahrnehmungsfähigkeit sowie der Fähigkeit, mit physischen Objekten umzugehen, ein. Er deckt damit den grössten Teil der Forschung zu künstlicher Intelligenz ab. Tabelle 1 listet die entsprechenden Forschungsbereiche auf ebenso wie die in der modernen Psychologie identifizierten Teilfähigkeiten menschlicher Intelligenz, die von diesen tangiert werden.

Vom erweiterten Turing Test betroffene Forschungsbereiche (Russel & Norvis, 2010)Teilfähigkeiten menschlicher Intelligenz (Jack Copeland, 2000)
Natural Language Processing

In natürlicher (in diesem Fall englischer) Sprache kommunizieren.

Sprachverständnis

Eine Sprache ihren Konventionen gerecht anwenden.

Automated Reasoning

Gespeichertes Wissen nutzen, um Fragen zu beantworten und Schlussfolgerungen zu ziehen.

Logisches Denken

Aus einer Reihe von Annahmen und Beobachtungen kontextgerecht Schlussfolgerungen ziehen.

Machine Learning

Muster erkennen und Wissen auf neue Situationen übertragen.

Lernen

Wissen akkumulieren und auf neue Kontexte übertragen.

Computer Vision

Objekte wahrnehmen.

Wahrnehmung

Die Umwelt über (echte oder künstliche) Sinnesorgane wahrnehmen und ihre Objekte und deren Merkmale und Beziehungen untereinander analysieren.

Robotics

Objekte manipulieren und sich bewegen.

Problemlösung

Mithilfe von Daten die Lösung für ein Problem finden.

Knowledge Representation

Wissen und Wahrnehmung speichern.

Tabelle 1: Wichtigste Forschungsbereiche der künstlichen Intelligenz und Teilfähigkeiten menschlicher Intelligenz.

Hinweis: Die einzelnen Forschungsbereiche sind unter sich nicht überschneidungsfrei und nicht deckungsgleich mit den ihnen zugeordneten Fähigkeiten.

Den Turing-Test hat bis heute noch keine Maschine bestanden. Was wir heute sehen und nutzen gehört zur Kategorie der sogenannten schwachen künstlichen Intelligenz, die für bestimmte Aufgabenbereiche konzipiert ist, aber nicht ohne weiteres auf andere übertragen werden kann. Von starker AI (artificial general intelligence), d. h. künstlicher Intelligenz, deren Intellekt so universell einsetzbar ist wie der eines Menschen, sind wir also noch weit entfernt, ganz zu schweigen von der Superintelligenz, die unsere kognitiven Fähigkeiten ohne Ausnahme weit übertrifft.

AI – Geschichte einer Disziplin

Gründe für die im Vergleich zu den anfänglichen Prognosen eher langsame Entwicklung künstlicher Intelligenz gab es einige, die zur damaligen Zeit limitierte Rechenleistung nur einer davon. Nachdem die Disziplin nach ihrer Etablierung durch eine Gruppe von 20 Wissenschaftlern um John McCarthy bei der Dartmouth Conference on Artificial Intelligence 1956 einige Erfolge feiern konnte, wurde mit der Zeit offensichtlich, dass die Wissenschaft die Komplexität der Nachbildung intelligenten Verhaltens deutlich unterschätzt hatte. Zum einen lag dies an der Neuheit des Themas, die zu einer gewissen Naivität bei der Aufstellung von Annahmen führte, zum anderen daran, dass zunächst einfache Probleme in einer recht kontrollierten Umgebung gelöst wurden, die Lösungen aber versagten, sobald sie auf komplexere Probleme angewendet werden sollten.

Übersetzungsprogramme zum Beispiel sollten in den 60er Jahren allein mithilfe von Satzbauregeln und zweisprachiger Wörterbücher Englisch und Russisch in die jeweils andere Sprache übertragen. Was im Rahmen eines Tests in einem begrenzten Themenbereich noch möglich schien, ergab bei der Ausweitung auf ein grösseres Vokabular so schöne Übersetzungen wie «Der Wodka ist gut, aber das Fleisch verdorben» als russische Übersetzung des englischen «The spirit is willing but the flesh is weak».

Infolge der Mitte der sechziger Jahre einsetzenden Desillusionierung angesichts uneingelöster Versprechen stellte zuerst die US-amerikanische, in den 70er Jahren dann die britische Regierung die Finanzierung von AI-Projekten ein, was zum ersten sogenannten AI-Winter führte.

Expertensysteme

Ihr Comeback feierte die künstliche Intelligenz Anfang der 80er Jahre mit dem kommerziellen Einsatz von Expertensystemen, die in einem limitierten Wissensbereich als digitale Experten fungieren. Sie bestehen aus einer Wissensbasis, die von Knowledge Engineers mit Expertenwissen, also Fakten und Regeln zum jeweiligen Themenbereich, gefüllt wird, und einer Inferenzmaschine, die diese Regeln auf die jeweilige Fragestellung anwendet, sodass das Expertensystem für seine Nutzer Fragen beantwortet, Vorhersagen trifft oder Lösungsvorschläge unterbreitet. Expertensysteme werden in vielen Industrien unter anderem bei den Aktivitäten Design, Planung oder Überwachung oder für Fehlerdiagnosen eingesetzt und wurden in den 80ern Jahren neben Systemen für maschinelles Sehen und Robotern von fast jedem grossen amerikanischen Unternehmen entwickelt. Die ausbleibende Realisation zu grosser Pläne führte jedoch abermals zur Desillusionierung der Öffentlichkeit und läutete den zweiten AI-Winter ein.

Seither haben Fortschritte in den Bereichen Machine Learning und Deep Learning zum Einzug von AI in unseren Alltag geführt. Was Machine Learning und Deep Learning genau sind, welche Anwendungen sie ermöglichen und was auf ihnen aufbauende Algorithmen bereits erreicht haben, damit beschäftigen wir uns im zweiten Beitrag zum Thema.

Tanja Hessel

Tanja Hessel

Tanja Hessel arbeitet seit fünf Jahren als wissenschaftliche Hilfskraft beim Business Engineering Institute St. Gallen. Zu ihren aktuellen Tätigkeitsfeldern zählen der CC Sourcing Newsletter sowie Forschung zum Thema Geschäftsmodellmuster im Ecosystem.
Tanja Hessel

Ein Kommentar

Kommentar verfassen