Keine Sorge - die Maschinen werden noch lange nicht so intelligent sein wie Menschen, denn sie müssen noch viel lernen

KI war vielleicht dieses Jahr in Davos in aller Munde gewesen, aber einige der anwesenden Experten hatten eine ziemlich ernüchternde Botschaft für alle Anwesenden: KI hat noch einen langen Weg vor sich, bis sie wirklich intelligent ist.

Es ist leicht zu verstehen, warum KI auf dem Weltwirtschaftsforum in der Schweiz ganz oben auf der Tagesordnung stand. Schließlich befindet sie sich inmitten eines Hype-Zyklus, der Web3 zum Erröten bringen würde.

In dem Jahr, in dem die Staats- und Regierungschefs das letzte Mal zur jährlichen Messe zusammenkamen, haben sich Big-Tech-Titanen wie Google und Microsoft darum bemüht, mit dem ChatGPT von OpenAI gleichzuziehen, während Bill Gates die weltverändernden Fähigkeiten der Technologie angepriesen hat.

Doch trotz des ganzen Hypes haben KI-Experten in dieser Woche betont, dass KI – in ihrer derzeitigen Form jedenfalls – in ihrem Umfang ziemlich begrenzt ist. Vor allem dann, wenn das Ziel darin besteht, eine allgemeine künstliche Intelligenz zu schaffen. Hier ist der Grund dafür.

KI kratzt nur an der Oberfläche

Während einer Podiumsdiskussion am Dienstag über generative KI wiesen Experten zunächst auf die Herausforderungen im Bereich der Daten hin, die überwunden werden müssen, um die heutige KI viel intelligenter zu machen.

Daphne Koller, Informatikerin und MacArthur-“Genie”, erklärte dem Podium, dass “wir gerade erst anfangen, an der Oberfläche der verfügbaren Daten zu kratzen”.

Viele der heute populärsten KI-Modelle, wie z. B. GPT-4 von OpenAI, werden anhand von Daten trainiert, die öffentlich im Internet verfügbar sind. Die Art von Daten, die Koller gerne mit KI verarbeiten würde, geht darüber hinaus.

Daphne Koller.

Daphne Koller.

Zum einen gibt es eine Reihe von Daten, die von der so genannten “verkörperten KI” stammen können, d. h. von KI, die in Agenten wie Roboter eingebettet ist, die mit der physischen Umgebung interagieren können. Die heutigen Chatbots erhalten nicht wirklich viele dieser Daten.

Zurzeit gibt es bestimmte Fälle, in denen KI mit dieser Art von Umgebung interagiert, um Daten zu sammeln. Man denke nur an die Art und Weise, wie autonome Autos Daten über den Straßenverkehr sammeln und analysieren, oder an die Art und Weise, wie KI eingesetzt wird, um frühe Anzeichen von Netzhautkrankheiten zu erkennen.

Das Problem ist nur, dass ein universelles KI-Modell, das all diese Daten zusätzlich zu den Daten aus dem Internet analysieren und verarbeiten kann, noch nicht in nennenswertem Umfang existiert.

Es fehlt auch an Daten, die aus Experimenten stammen.

Wie Koller bemerkte, ist die Fähigkeit, “mit dieser Welt zu experimentieren”, ein Teil dessen, was den Menschen so effektiv beim Lernen macht. Die Fähigkeit der KI, dies zu tun, ist im Vergleich dazu derzeit unzureichend.

Eine Lösung für dieses Datenproblem besteht darin, den Maschinen die Möglichkeit zu geben, ihre eigenen synthetischen Daten zu erstellen, anstatt sich nur auf die von Menschen erstellten Daten zu verlassen, mit denen sie aus dem Internet gefüttert werden.

“Wenn wir wollen, dass diese Maschinen wachsen, müssen wir ihnen die Möglichkeit geben, nicht nur ‘in silico’ miteinander zu sprechen … sondern wirklich mit der Welt zu experimentieren und die Art von Daten zu erzeugen, die ihnen hilft, weiterzuwachsen und sich zu entwickeln”, sagte sie.

Das Architekturproblem

Das andere Problem, auf das die Experten hinwiesen, dreht sich um die Architektur.

Für Yann LeCun, leitender KI-Wissenschaftler bei Meta ist es klar, dass autoregressive große Sprachmodelle (LLMs) – die Modelle, die den heutigen KI-Chatbots zugrunde liegen – “einige neue Architekturen” benötigen, um die nächste Stufe der Intelligenz zu erreichen.

Derzeit funktionieren KI-Modelle wie LLMs, indem sie beispielsweise einen Textabschnitt nehmen, ihn durch Entfernen von Wörtern verfälschen und dann die Modelle dazu bringen, den vollständigen Text zu rekonstruieren. LeCun merkt an, dass sie das bei Text recht gut können, aber bei Bildern oder Videos? Vergessen Sie es.

“Ich nehme ein Bild, das durch das Entfernen einiger Teile beschädigt wurde, und trainiere dann ein großes neuronales Netz, um das Bild wiederherzustellen. Und das funktioniert nicht, oder nicht sehr gut”, so der Meta-Wissenschaftler.

Es ist erwähnenswert, dass es heute KI-Modelle gibt, die bei der Erzeugung von Bildern ziemlich effektiv sind, aber das sind Text-zu-Bild-Modelle wie Midjourney und Stable Diffusion. OpenAI hat auch ein KI-Modell namens DALL-E für die Bilderzeugung, das unabhängig von GPT-4 ist.

Für LeCun liegt der Weg zu einem KI-Modell, das alles kann, vielleicht nicht in den Dingen, von denen derzeit alle besessen sind.

“Es gibt noch keine wirkliche Lösung, aber die Dinge, die im Moment am vielversprechendsten sind, zumindest die Dinge, die für die Bilderkennung funktionieren – ich werde alle überraschen – sind nicht generativ, okay,” sagte er.

Koller sieht auch Probleme mit den heutigen LLMs. Ihrer Ansicht nach sind die heutigen Versionen dieser Modelle beispielsweise nicht sehr gut im Verstehen grundlegender kognitiver Logik, wie Ursache und Wirkung.

“Sie sind reine Prognosemaschinen, die nur Assoziationen vornehmen”, sagte sie.

Dies ist nicht das erste Mal, dass Zweifel an der Leistungsfähigkeit der heutigen KI-Modelle geäußert werden.

Ein preprint-Papier, das im November von einem Trio von Google-Forschern bei ArXiv eingereicht wurde, stellte fest, dass die den LLMs zugrundeliegende Transformatortechnologie nicht sehr gut darin ist, über den bestehenden Datensatz hinaus zu verallgemeinern. Wenn AGI das große Ziel ist, ist das nicht sehr vielversprechend.

01.AI founder Kai-Fu Lee.

01.AI founder Kai-Fu Lee.

Das soll nicht heißen, dass die heutigen LLMs nutzlos sind. Der taiwanesische Informatiker und 01.AI-Gründer Kai-Fu Leeder ebenfalls an der Podiumsdiskussion teilnahm, sprach von ihrem “unglaublichen kommerziellen Wert”: Sein Unternehmen hat weniger als acht Monate nach dem Start eine Bewertung von 1 Milliarde Dollar erreicht.

“Sie lösen echte Probleme, sie können Inhalte generieren, sie verbessern unsere Produktivität dramatisch, sie werden überall eingesetzt”, sagte er.

Stehen sie jedoch kurz davor, Maschinen so intelligent wie Menschen zu machen? Zumindest nicht in ihrer jetzigen Form.

Lesen Sie den Originalartikel auf Business Insider