Generalisiert anwendbare KI: Hype und Stand der Forschung
Generalisiert anwendbare Künstliche Intelligenz (KI) ist ein großes Forschungsziel. In den vergangenen Jahren gab es zwar erhebliche Fortschritte bei KI, die in einzelnen Bereichen und insbesondere Spielen – wie Go, Schach, Poker, aber auch Computerspielen wie Starcraft II oder Dota 2 – mit den besten menschlichen Spielern mithalten und sie sogar zum Teil konstant schlagen kann. Dabei handelte es sich aber immer um eine KI, die für diese eine konkrete Anwendung trainiert worden war und dieses Können nicht auf andere Anwendungen oder Spiele übertragen konnte. Diese Unfähigkeit, zu generalisieren, stellt einen zentralen Unterschied zum Lernen bei Menschen dar.
Aber auch generalisiert anwendbare KI ist in der wissenschaftlichen Forschung ein Thema. Das von OpenAI im Mai 2020 vorgestellte Sprachmodell GPT-3 kann Aufgaben lösen, deren Lösung es so spezifisch nie gelernt hat – auch wenn die Meinungen darüber auseinandergehen, ob GPT-3 wirklich „gelernt“ hat und wie komplex oder primitiv die getätigte Generalisierung nun ist [I]. Und Ende Juli hat DeepMind in einem Blogeintrag [II] und einem Preprint [III] einen Ansatz vorgestellt, mit dem KI-Agenten auch außerhalb eines konkret trainierten Szenarios passable Leistungen bringen können. Sie können das zuvor Gelernte also gewissermaßen generalisieren und in anderen Fällen sinnvoll anwenden.
All: No information received.
Weiterführende Recherchequellen
Besold T et al. (2016). Why generality is key to human-level artificial intelligence. Advances in Cognitive Systems; 4: 13-24.
Schmid U et al. (2015): Can machine intelligence be measured in the same way as human intelligence? KI-Künstliche Intelligenz; 29: 291-297. DOI: 10.1007/s13218-015-0361-4.
Literaturstellen, die von den Expert:innen zitiert wurden
[1] Hernández-Orallo J et al. (2016): Computer models solving intelligence test problems: Progress and implications. Artificial Intelligence; 230: 74-107. DOI: 10.1016/j.artint.2015.09.011.
[2] Schmid U et al. (2011): Inductive rule learning on the knowledge level. Cognitive Systems Research; 12 (3-4): 237-248. DOI: 10.1016/j.cogsys.2010.12.002.
[4] Europäische Kommission (21.04.2021): Artificial Intelligence Act.
Literaturstellen, die vom SMC zitiert wurden
[I] Science Media Center (2020): Der Textgenerator GPT-3 von OpenAI – Hype oder Paradigmenwechsel? Press Briefing. Stand: 12.10.2020.
[II] DeepMind Open-Ended Learning Team (27.07.2021): Generally capable agents emerge from open-ended play. Blogeintrag.
[III] DeepMind Open-Ended Learning Team (2021): Open-Ended Learning Leads to Generally Capable Agents. arXiv.
Hinweis der Redaktion: Es handelt sich hierbei um eine Vorabpublikation, die noch keinem Peer-Review-Verfahren unterzogen und damit noch nicht von unabhängigen Experten und Expertinnen begutachtet wurde.
Prof. Dr. Marcus Liwicki
Chair of the Machine Learning Group, Luleå University of Technology, Schweden
Prof. Dr. Ute Schmid
Leiterin der Arbeitsgruppe Kognitive Systeme, Fakultät Wirtschaftsinformatik und Angewandte Informatik, Otto-Friedrich-Universität Bamberg, und Gruppenleiterin Comprehensible Artificial Intelligence (CAI), Fraunhofer-Institut für Integrierte Schaltungen IIS, Erlangen
Prof. Dr. Kristian Kersting
Leiter des Fachgebiets Maschinelles Lernen, Technische Universität Darmstadt
