Aufmacherbild: (C) geralt via pixabay.com, CC0

Wann sind Computer wirklich „intelligent“? Und was bedeutet das eigentlich konkret? Besteht wirklich die Gefahr, dass sich Maschinen irgendwann gegen die Menschen auflehnen? Wir versuchen eine Positionsbestimmung zum Trendthema KI.

„Künstliche Intelligenz“ oder kurz KI zählt zu den wichtigsten Entwicklungen in der Informatik. KI-Systeme erleben einen Siegeszug rund um die Welt. So ist etwa der IBM-Rechner Watson, einer der leistungsstärksten Computer der Welt, in der Lage, die Arbeitsabläufe ganzer Fabriken zu organisieren. Oder er entschlüsselt Erbgut. Das Deutsche Krebsforschungsinstitut in Heidelberg, aber auch Airbus, Daimler und Evonik setzen auf die Leistungen des Supercomputers.

Künstliche Intelligenz: Chancen und Risiken

Mit dem Begriff „Künstliche Intelligenz“ sind aber auch große Ängste verbunden. Nicht wenige befürchten, dass künstlich intelligente Maschinen sich irgendwann gegen ihre menschlichen Schöpfer auflehnen könnten. Vielen fallen dazu Bilder wie aus dem Science-Fiction-Thriller „Terminator“ ein.

Und auch Denker und Visionäre, die sich mit der Materie besser auskennen (sollten), äußern Warnungen: „Künstliche Intelligenz kann die großartigste Errungenschaft der Menschheit werden. Bedauerlicherweise kann sie auch die letzte sein“, wird etwa der Star-Physiker Stephen Hawking zitiert. „KI stellt ein grundlegendes Risiko für die Existenz der menschlichen Zivilisation dar – auf eine Weise wie es Autounfälle, Flugzeugabstürze, schadhafte Drogen oder schlechtes Essen nie waren“, sagt Tesla- und Space-X-Gründer Elon Musk.

Bei einer Abwägung von Risiken und Chancen sollte man deshalb genau wissen, was mit dem Oberbegriff KI gemeint ist. Dies wird jedoch nicht einfacher durch die Tatsache, dass es in der Wissenschaft schon für „Intelligenz“ keine eindeutige und allgemeinverbindliche Definition gibt.

Unterschiedliche Ziele und Anwendungen für KI-Techniken

Klar ist aber, dass alle derzeitigen KI-Techniken den mehr oder weniger gelungenen Versuch repräsentieren, menschenähnliche Intelligenz nachzubilden. Entsprechend programmierte Systeme sollen neue Problemstellungen eigenständig lösen können. Nicht selten handelt es sich dabei jedoch nur um eine Nachahmung, die intelligentes Verhalten allenfalls simuliert. Und häufig geht es dabei einfach um neue Programmier-Konzepte, die den strikten Ablauf- und Entscheidungsvorgaben klassischer Algorithmen flexiblere Architekturen gegenüberstellen.

Unter dem Sammelbegriff „Künstliche Intelligenz“ haben sich eine ganze Reihe unterschiedlicher Umsetzungen etabliert. Die in der Praxis wichtigsten von ihnen:

Expertensysteme modellieren und formalisieren Fachwissen, um auf dieser Grundlage Fragestellungen zu beantworten. Typische Anwendungen sind Hilfestellungen bei der Diagnose von Krankheiten oder die Fehlersuche in technischen Systemen.

Mustererkennung setzt KI-Verfahren ein, damit Computer die Inhalte von Bildern oder die Bedeutung gesprochener Eingaben erkennen können. Auch Handschrifterkennung oder biometrische Identifikationsverfahren wie Gesichtserkennung, Fingerabdruckerkennung, Iris-Scans und ähnliches zählen zu den Anwendungen.

Mustervorhersagen gehen auf Basis der Mustererkennung noch einen Schritt weiter und können Prognosen über Entwicklungen in erkannten Mustern anstellen. So können Computer etwa aus einer Folge von Mustern oder Daten (von den Einzelphasen einer Videosequenz bis zu Modellen, die auf Basis dreidimensionaler Scanner generiert wurden) vorhersagen, wo sich ein Objekt als nächstes aufhalten wird. Dies ist eine wichtige Grundlage etwa für Assistenzsysteme im Auto bis hin zum autonomen Fahren.

Machine Learning und Co: Unterschiedliche Wege zum Ziel

Wie aber setzen Programmierer diese Anwendungen konkret um? Eine zentrale Rolle bei vielen, wenn auch nicht allen, KI-Varianten spielt maschinelles Lernen (Machine Learning). Computer sollen aus einer großen Menge von Daten allgemeine Regeln ableiten. Eine wichtige Rolle dabei spielen wiederum neuronale Netze – algorithmische Strukturen, die sich an den Neuronen des menschlichen Hirns orientieren. Zwischen Eingabeschicht und Ausgabeschicht liegt eine Vielzahl von neuronalen Schichten, denen durch Training die gewünschte „intelligente“ Beantwortung von Aufgaben beigebracht werden kann. Wegen der hohen Anzahl oder „Tiefe“ dieser Schichten spricht man auch von „Deep Learning“.

Wie solche neuronalen Netze funktionieren und wo sie eventuelle Sicherheitslücken aufweisen, hatte die Intelligente Welt bereits in einem eigenen Beitrag vorgestellt.

Für das Training solcher Systeme, dem sogenannten „Machine Learning“, gibt es wiederum unterschiedliche Ansätze:

Bei überwachtem Lernen („supervised learning“) steht das erwünschte Ergebnis im Vorfeld fest. Der Algorithmus lernt, aus den Input-Daten die korrekte Entscheidung abzuleiten.

Bei unüberwachtem Lernen („unsupervised learning“) sind die Input-Daten nicht gekennzeichnet beziehungsweise strukturiert – Aufgabe des Algorithmus ist es, Strukturen und Eigenschaften der bereitgestellten Daten zu identifizieren.

Bestärkendes Lernen (Reinforcement learning) ist eine Methode, die dem menschlichen Lernprozess am nächsten kommt. Hier hat der Algorithmus eine bestimmte Aufgabe und erhält durch die Interaktion mit seiner Umwelt Feedback in der Art einer Belohnung oder Bestrafung. Je länger der Algorithmus mit der Umwelt interagiert, desto besser kann er seine Aufgabe erfüllen.

Eine Besonderheit bei allen diesen Varianten ist, dass die Programmierer und Nutzer des Systems nicht genau wissen, welche Entscheidungs- oder Regelstruktur sich in den neuronalen Zwischenschichten gebildet hat. Doch nach wie vor handelt es sich dabei um algorithmische Abläufe. Aus dem beschriebenen Architekturmodell abzuleiten, dass KI-Computer und neuronale Netze ein Bewusstsein erlangen könnten, hat zumindest bei der bislang absehbaren Entwicklung keine Grundlage.

Der Entscheidungs- und Wirkungsgewalt Grenzen setzen

Dennoch liegen gerade im Unverständnis der genauen Entscheidungswege die Gefahren, auf die sowohl KI-Nutzer als auch Kritiker und Beobachter besonders achten sollten:

Wenn ein System auf einer solchen intransparenten Basis Entscheidungen trifft, sollte der Mensch die Ergebnisse immer hinterfragen und gegebenenfalls auf anderen Wegen überprüfen – insbesondere bei Ergebnissen mit großer Tragweite. Kritisch sind deshalb beispielsweise Überlegungen zu sehen, dass KI-Systeme Gerichtsurteile fällen beziehungsweise vorbereiten sollen oder Prognosen über die Resozialisations-Aussichten von Strafgefangenen abgeben. Zumal sich bereits gezeigt hat, dass menschliche Vorurteile (wie etwa Rassendiskriminierung) durch Konzeption und Training von KI-Systemen als „Algorithmic Bias“ (also algorithmische Vorurteile) auch in deren Entscheidungsstruktur „eingepflanzt“ werden.

Auch die Möglichkeiten zur Wirkung der Algorithmen und Systeme sollte kritisch überdacht werden. Militär-Roboter, die selbstständig entscheiden, welchen Gegner sie töten, sind vermutlich keine gute Idee – ganz unabhängig davon, auf welchem exakten Weg sie zu ihrer Entscheidung gelangen. Wer sich mit Computersystemen beschäftigt, dürfte genügend System- und Programmfehler erlebt haben, um einem unüberwachten System in solchen Fragen nicht die letzte Entscheidungsgewalt zuzubilligen. Sonst könnten katastrophale Fehlentwicklungen à la „Terminator“ tatsächlich in den Bereich des Möglichen gelangen.