Künstliche Intelligenz (kurz KI, , kurz AI) ist ein Forschungs- und Anwendungsgebiet der Informatik. Es handelt sich dabei um verschiedene Klassen von Problemlösungsverfahren, die anhand von Eingaben aus ihrer Umgebung Handlungen ausführen.
Beschreibung Historisch ist der Begriff nicht einheitlich definiert, sondern kann sich einerseits auf „Intelligenz“ im Sinne der Nachbildung menschlichen Verhaltens beispielsweise bei der Bilderkennung oder der Interaktion in menschlicher Sprache beziehen, andererseits auf die Fähigkeit zu rationalem, logikbasiertem Schlussfolgern. In der öffentlichen Wahrnehmung werden häufig maschinelles Lernen und die auf diesem Prinzip aufbauenden Chatbots mit dem Begriff der künstlichen Intelligenz gleichgesetzt. Maschinelles Lernen ist jedoch nur eines von mehreren Teilgebieten des Feldes; ihm stehen beispielsweise traditionelle logik- und regelbasierte Ansätze wie die der symbolischen künstlichen Intelligenz gegenüber, welche ergänzend auch in Chatbots zum Einsatz kommen.Grégoire Mialon, Roberto Dessi, Maria Lomeli, Christoforos Nalmpantis, Ramakanth Pasunuru, Roberta Raileanu, Baptiste Roziere, Timo Schick, Jane Dwivedi-Yu, Asli Celikyilmaz, Edouard Grave, Yann LeCun, Thomas Scialom: Augmented Language Models: a Survey, 9. Juli 2023.
Im Laufe der Zeit haben sich innerhalb der KI-Forschung zahlreiche Teilgebiete und Methoden herausgebildet. Zudem wird unterschieden, welche Probleme mit den Methoden der KI gelöst werden sollen. Dabei werden zwei Bereiche unterschieden: schwache KI und starke KI.
Die angewandte Informatik befasst sich damit, wie solche Systeme entwickelt und umgesetzt werden können. Beispiele dafür sind Multiagentensysteme, Expertensysteme, Transformer und serviceorientierte Architekturen.
Geschichte
Begriffsherkunft Der Begriff artificial intelligence (künstliche Intelligenz) wurde 1955 vom US-amerikanischen Informatiker John McCarthy im Rahmen eines Förderantrags an die Rockefeller-Stiftung für das Dartmouth Summer Research Project on Artificial Intelligence geprägt, ein Forschungsprojekt, bei dem sich im Sommer 1956 eine Gruppe von zehn Wissenschaftlern über ca. acht Wochen mit der Thematik befasste.
Die Wahl des Begriffs „Künstliche Intelligenz“ wurde im Lauf der Zeit verschiedentlich diskutiert. Der Computerpionier Douglas Engelbart zog bereits 1962 den Begriff „Intelligence Augmentation“ vor. Seiner Ansicht nach sei das Ziel, durch geeignete Interaktionsparadigmen das Können und Verständnis des mit dem Computer interagierenden Menschen zu verstärken, anstatt lediglich menschliche Aufgaben zu automatisieren.
Vorläufer Künstliche neuronale Netze (KNN) im Sinne von Warren McCulloch und Walter Pitts (1943), Alan Turings Überlegungen zur maschinellen Intelligenz (siehe auch Turing-Test) um 1950 und Frank Rosenblatts Implementierungen des Perzeptrons ab 1957 waren Vorläufer zur Entwicklung der Künstlichen Intelligenz. Die Hoffnungen von Expertensystemen, u. a. Mycin zur Diagnose und Therapie von Infektionskrankheiten ab Anfang der 1970er Jahre, erfüllten sich nicht und führten zum ersten KI-Winter. Verbesserte Expertensysteme in den 1980ern, vor allem aufgrund erhöhter Rechenleistung, und Verfahren zum Training mehrschichtiger Netze (u. a. Paul Werbos), heute als Backpropagation bekannt, förderten einen neuen Aufschwung in der Forschung an künstlichen neuronalen Netzen. Aber auch diese Erwartungen wurden verfehlt und führten ab Ende der 1980er zum zweiten KI-Winter durch ökonomische Blasen, da sich keine nachhaltigen Geschäftsmodelle erzielen ließen. Erfolge durch maschinelles Lernen, u. a. Deep-Learning-Ansätze mittels Deep Blue für Schach (1997) und AlphaGo für Go (2017), führten zu einer allmählichen Erholung und allgemein sichtbaren Erfolgen bis zum endgültigen Durchbruch der Large Language Models (LLM) 2022.
Definitionen und Kategorien Künstlicher Intelligenz Der Begriff der künstlichen Intelligenz wird bereits in der Forschung anhand unterschiedlicher Kriterien und Zielvorstellungen definiert. Je nach Sichtweise wird der Begriff in Industrie, Gesellschaft und Politik teilweise über diese wissenschaftlichen Grundlagen definiert, oder aber über die zu erzielenden Anwendungen.
Definitionskategorien nach Russell und Norvig mini|Die zwei Einordnungsdimensionen nach Russell und Norvig Stuart J. Russell und Peter Norvig unterscheiden in ihrem Standardwerk Künstliche Intelligenz: Ein moderner Ansatz die verschiedenen Ansätze und Ausprägungen von KI-Systemen anhand von vier Kategorien: Nachbildung menschlichen Verhaltens Nachbildung menschlichen Denkens Nachbildung rationalen Denkens Nachbildung rationalen Verhaltens Diese vier Kategorien können als Ergebnis der Einordnung auf zwei Dimensionsskalen angesehen werden: Eine Achse stellt den symbolischen bzw. logikbasierten Ansatz dem heuristischen Ansatz mit der Nachbildung neuronaler Netze gegenüber. Die andere Achse stellt die Simulationsmethode einer Konzentration auf das phänomenologisch beobachtbare Verhalten gegenüber.
Neuronale KI-Methoden verfolgen einen Bottom-up-Ansatz und versuchen, die Funktionen des menschlichen Gehirns über mathematische Verfahren zu approximieren oder gar möglichst präzise nachzubilden. Die symbolische KI verfolgt umgekehrt einen Top-down-Ansatz und nähert sich den Intelligenzleistungen von einer begrifflichen Ebene her. Die Simulationsmethode orientiert sich so nah wie möglich an den tatsächlichen kognitiven Prozessen des Menschen. Dagegen kommt es dem phänomenologischen Ansatz nur auf das Ergebnis an.
Viele ältere Methoden, die in der KI entwickelt wurden, basieren auf heuristischen Lösungsverfahren. In jüngerer Zeit spielen mathematisch fundierte Ansätze aus der Statistik, der mathematischen Programmierung und der Approximationstheorie eine bedeutende Rolle.
Die Kategorien nach Russell und Norvig im Einzelnen:
Nachbildung menschlichen Verhaltens
Um ein Kriterium zu haben, wann eine Maschine eine dem Menschen gleichwertige Intelligenz simuliert, wurde von Alan Turing der nach ihm benannte Turing-Test vorgeschlagen: Dazu stellt ein Mensch per Terminal (Bildschirm und Tastatur, oder auch Lautsprecher und Mikrofon) beliebige Fragen, ohne dabei zu wissen, ob diese von einem anderen Menschen oder einer Maschine beantwortet werden. Der Fragesteller muss danach entscheiden, ob es sich beim Interviewpartner um eine Maschine oder einen Menschen handelte. Ist die Maschine nicht von einem Menschen zu unterscheiden, erfüllt sie laut Turing das Kriterium für Intelligenz.Alan Turing: Computing Machinery and Intelligence. Aus: Mind No. 236. Oktober 1950. Ziel ist hier also ein phänomenologisch beobachtbares Verhalten, das nicht von dem eines Menschen unterscheidbar sein soll. Seit 1991 existiert der Loebner-Preis für den Turing-Test.
Nachbildung menschlichen Denkens
Dieser mit den Kognitionswissenschaften verknüpfte Ansatz verfolgt die Idee, die Mechanismen menschlichen Denkens nachzuvollziehen und maschinell zu modellieren. Die Theorie ist, dass auf Basis einer hinreichend präzisen Theorie menschlicher Kognition die damit verbundenen Abläufe programmatisch simuliert werden können. Hierfür werden die tatsächlichen Abläufe im Gehirn bei Denkprozessen experimentell ermittelt und beschrieben, um sie in Software nachbilden zu können. Sobald die Ausgaben solch eines Systems nicht von menschlichen Reaktionen auf dieselben Ausgangssituationen unterscheidbar sind, könnten diese Mechanismen auch in einem menschlichen Gehirn ablaufen.
In der Frühzeit der KI-Forschung wurden die beiden vorangegangenen Ansätze häufig gleichbedeutend verwendet: Wenn ein Algorithmus eine gestellte Aufgabe überzeugend löste, wurde dies als Indiz angesehen, dass der Algorithmus auch die Abläufe im Gehirn gut modelliere, oder andersherum. Mittlerweile werden diese beiden Ansätze als getrennte Herangehensweisen unterschieden.
Nachbildung rationalen Denkens Bei diesem Ansatz werden Aussagen nach formalen Regeln abgebildet, um sie nach den Regeln der Logik auswerten zu können. Bereits 1965 war es möglich, jegliches (prinzipiell lösbare Problem) zu lösen, das in formaler Semantik notiert ist. Ziel hierbei ist es, logische Schlüsse ziehen zu können. Nach Russell und Norvig eignet sich diese Herangehensweise dafür, auch komplexe Zusammenhänge logisch erschließen zu können – nicht jedoch zur Nachbildung „intelligenten Verhaltens“.
Aus diesem Feld ging die Klasse der logischen Programmiersprachen hervor.
Nachbildung rationalen Verhaltens Laut Russell und Norvig ist das Ziel hier, Handlungen eines Systems auf das beste oder erwartbar beste Ergebnis hin zu optimieren.
EU-rechtliche Definition Die KI-Verordnung der EU definiert in Artikel 3 (Begriffsbestimmungen) ein „KI-System“ wie folgt:
In Erwägungsgrund 12 werden die verwendeten Eingrenzungen erläutert und klargestellt, dass sich die Verordnung sowohl auf konnektionistische Systeme maschinellen Lernens als auch auf symbolische KI-Systeme bezieht:
Eigenschaften von Intelligenz Versuchsweise wird Intelligenz definiert als die Eigenschaft, die ein Wesen befähigt, angemessen und vorausschauend in seiner Umgebung zu agieren. Dazu gehören die Fähigkeiten Umgebungsdaten wahrzunehmen, d. h. auf Stimuli zu reagieren Informationen aufzunehmen, zu verarbeiten und als Wissen zu speichern, Sprache zu verstehen und zu erzeugen, Probleme zu lösen und zu handeln Ziele zu definieren, zu erreichen und zu modifizieren Autonom Entscheidungen zu treffen. Praktische Erfolge der KI werden schnell in die Anwendungsbereiche integriert und werden dann von vielen nicht mehr als KI angesehen, auch wenn sie deren Definition erfüllen. Dieses Phänomen wird auch als „AI effect“ bezeichnet.
Metaphorik Der Diskurs über KI ist stark von einer metaphorischen Sprache geprägt. Begriffe wie künstliche Intelligenz und maschinelles Lernen sind selbst anthropomorphe Metaphern, die auf die menschliche Kognition anspielen.
Eine weitere gängige Metapher ist die Black Box, die die Intransparenz vieler KI-Systeme beschreibt. Im wissenschaftlichen Diskurs werden große Sprachmodelle auch als stochastische Papageien bezeichnet, um darauf hinzuweisen, dass sie Texte erzeugen, ohne den Inhalt wirklich zu verstehen. Der Autor Ted Chiang vergleicht große Sprachmodelle mit einem unscharfen JPEG aus dem Netz, um Kompressionsmechanismen zu veranschaulichen.
Anthropomorphe Metaphern sind umstritten, da sie ein übertriebenes oder verzerrtes Bild von KI-Systemen vermitteln können. Alternativ diskutieren Forscher und Journalisten Metaphern wie KI als Werkzeuge, Spiegel,Shannon Vallor: The AI Mirror, Oxford University Press, 2024, ISBN 978-0-19-775906-6 Tiere, Organismen oder Naturphänomene. Die Wahl einer Metapher beeinflusst nicht nur das öffentliche Verständnis von KI, sondern spielt auch eine Rolle in der Gesetzgebung, Regulierung und wissenschaftlichen Forschung.
Starke und schwache KI
Starke KI wären kognitive Systeme, die auf Augenhöhe mit Menschen die Arbeit zur Erledigung schwieriger Aufgaben übernehmen können. Demgegenüber geht es bei schwacher KI darum, konkrete Anwendungsprobleme zu meistern. Das menschliche Denken und technische Anwendungen sollen hier in Einzelbereichen unterstützt werden.
Die Fähigkeit zu lernen ist eine Hauptanforderung an KI-Systeme und muss ein integraler Bestandteil sein, der nicht erst nachträglich hinzugefügt werden darf. Ein zweites Hauptkriterium ist die Fähigkeit eines KI-Systems, mit Unsicherheiten und Wahrscheinlichkeiten (sowie mit probabilistischen Informationen) umzugehen.Nick Bostrom: Superintelligenz. Szenarien einer kommenden Revolution. Suhrkamp, 2016, S. 42.
Insbesondere sind solche Anwendungen von Interesse, zu deren Lösung nach allgemeinem Verständnis eine Form von „Intelligenz“ notwendig zu sein scheint.