Starke künstliche Intelligenz (KI), auch als allgemeine künstliche Intelligenz (engl. AGI) oder allgemeine KI bezeichnet, ist eine theoretische Form der KI, die zur Beschreibung einer bestimmten Vorgehensweise bei der KI-Entwicklung verwendet wird. Wenn es den Forschern gelingen sollte, eine starke KI zu entwickeln, müsste die Maschine über eine dem Menschen vergleichbare Intelligenz und ein Selbstbewusstsein verfügen und in der Lage sein, Probleme zu lösen, zu lernen und für die Zukunft zu planen.

Starke KI zielt darauf ab, intelligente Maschinen zu schaffen, die vom menschlichen Verstand nicht zu unterscheiden sind. Aber genau wie ein Kind muss die KI-Maschine durch Informationen und Erfahrungen dazulernen und ihre Fähigkeiten im Laufe der Zeit immer weiter ausbauen und verbessern.

Obwohl sich KI-Forscher sowohl im akademischen als auch im privaten Sektor mit der Schaffung allgemeiner künstlicher Intelligenz befassen, existiert sie bisher nur als theoretisches Konzept und nicht als greifbare Realität. Während einige, wie Marvin Minsky, als zu optimistisch zitiert wurden, was wir in einigen Jahrzehnten im Bereich der KI erreichen könnten, würden andere sagen, dass starke KI-Systeme überhaupt nicht entwickelt werden können. Solange die Maßstäbe für den Erfolg – wie Intelligenz und Verständnis – nicht explizit definiert sind, haben die Skeptiker mit ihrer Annahme recht. Derzeit verwenden viele den Turing-Test, um die Intelligenz eines KI-Systems zu bewerten.

Turing-Test

Alan Turing entwickelte den Turing-Test im Jahr 1950 und beschrieb ihn in seinem Artikel „Computing Machinery and Intelligence“ (PDF, 566 KB) (Link befindet sich außerhalb von IBM). Der ursprünglich als Imitation Game bekannte Test prüft, ob das Verhalten einer Maschine von dem eines Menschen unterschieden werden kann. Bei diesem Test versucht eine Person, der so genannte „Fragesteller“, durch eine Reihe von Fragen den Unterschied zwischen der von der Maschine erzeugten Ausgabe und der von einem Menschen erzeugten Ausgabe zu erkennen. Wenn der Fragesteller die Maschine nicht zuverlässig von Menschen unterscheiden kann, hat die Maschine den Test bestanden. Wenn jedoch der Fragesteller nach der Befragung ermitteln kann, welche Antworten die Maschine gegeben hat, wird die Maschine nicht als intelligent eingestuft.

Es gibt momentan keine festen Bewertungsrichtlinien für den Turing-Test. Turing erklärte aber, dass ein menschlicher Fragesteller nach 5 Minuten nur eine 70%ige Chance hat, ein menschliches gegenüber einem computergenerierten Gespräch richtig vorherzusagen. Der Turing-Test führte die allgemeine Akzeptanz der Idee der maschinellen Intelligenz ein.

Der ursprüngliche Turing-Test prüfte jedoch nur eine einzige Fähigkeit – Textausgabe oder Schach, um nur zwei Beispiele zu nennen. Eine starke KI muss hingegen eine Vielzahl von Aufgaben gleich gut erfüllen, was zur Entwicklung des erweiterten Turing-Tests führte. Dieser Test bewertet die textuelle, visuelle und auditive Leistung der KI und vergleicht sie mit der menschlichen Leistung. Diese Version wird bei dem bekannten Loebner-Preis-Wettbewerb verwendet, bei dem ein menschlicher Schiedsrichter errät, ob die Ausgabe von einem Menschen oder einem Computer erstellt wurde.

Das Chinesische Zimmer

Das Chinesische Zimmer ist ein Gedankenexperiment des Philosophen John Searle aus dem Jahr 1980. In seinem Artikel erörtert er die Definition von Verstehen und Denken und behauptet, dass Computer dazu niemals in der Lage wären. Der folgende Auszug aus seinem Artikel auf der Stanford Website (Link befindet sich außerhalb von IBM) fasst seine Argumentation ausgezeichnet zusammen:

„Computerlogik ist rein formal oder syntaktisch definiert, während der menschliche Verstand tatsächliche mentale oder semantische Inhalte hat. Wir können nicht vom Syntaktischen zum Semantischen gelangen, indem wir nur die syntaktischen Operationen haben und ansonsten nichts ...Ein System, z. B. ich, würde nicht Chinesisch verstehen, nur weil ich die Schritte eines Computerprogramms durchlaufe, das das Verhalten eines chinesischen Sprechers simuliert.“ (S. 17)

Beim Chinesischen Zimmer wird von folgendem Szenario ausgegangen:

Stellen Sie sich eine Person vor, die kein Chinesisch spricht und in einem geschlossenen Zimmer sitzt. Im diesem Zimmer befindet sich ein Buch mit chinesischen Sprachregeln, Formulierungen und Anweisungen. Eine weitere Person, die fließend Chinesisch spricht, reicht Notizen in chinesischer Sprache in das Zimmer. Mithilfe des Sprachführers kann die Person im Zimmer die passende Antwort auswählen und sie an den chinesischen Sprecher weitergeben.

Die Person im Zimmer ist zwar in der Lage, mithilfe eines Sprachführers die richtige Antwort zu geben, aber sie spricht oder versteht trotzdem kein Chinesisch. Es handelt sich nur um eine Simulation des Verstehens durch die Zuordnung von Fragen oder Aussagen zu den entsprechenden Antworten. Searle argumentiert, dass eine starke KI einen tatsächlichen Verstand voraussetzen würde, um Bewusstsein oder Verständnis haben zu können. Das Chinesische Zimmer veranschaulicht die Schwächen des Turing-Tests und zeigt die unterschiedlichen Definitionen der künstlichen Intelligenz auf.

Schwache KI konzentriert sich auf die Ausführung einer bestimmten Aufgabe, wie z. B. das Beantworten von Fragen auf der Grundlage von Benutzereingaben oder das Schachspielen. Sie kann nur eine Art von Aufgabe erfüllen, aber nicht beide, während starke KI eine Vielzahl von Funktionen ausführen kann und sich schließlich selbst beibringt, neue Probleme zu lösen. Schwache KI ist auf menschliche Eingriffe angewiesen, um die Parameter ihrer Lernalgorithmen festzulegen und die relevanten Trainingsdaten bereitzustellen, die für die Genauigkeit sorgen. Menschliche Eingabe beschleunigt zwar die Entwicklungsphase der starken KI, ist aber nicht zwingend erforderlich. Mit der Zeit entwickelt die starke KI ein menschenähnliches Bewusstsein, anstatt es zu simulieren, wie das bei der schwachen KI der Fall ist. Autonomes Fahren und virtuelle Assistenten (wie Siri) sind Beispiele für schwache KI.  

Es gibt zwar keine eindeutigen Beispiele für starke künstliche Intelligenz, aber der Bereich der KI entwickelt sich zügig weiter. Es entstand eine weitere KI-Theorie, die als künstliche Superintelligenz (Artificial Superintelligence, ASI), Superintelligenz oder Super-KI bekannt ist. Diese Art von KI übertrifft die starke KI an menschlicher Intelligenz und Fähigkeit. Jedoch ist Super-KI noch rein spekulativ, da es ja noch keine Beispiele für starke KI gibt.

Allerdings gibt es bereits Bereiche, in denen KI eine immer wichtigere Rolle spielt, wie z. B:

• Cybersicherheit: Künstliche Intelligenz übernimmt immer mehr Aufgaben bei den Cybersicherheitsmaßnahmen von Unternehmen, einschließlich der Erkennung von Sicherheitsverletzungen, Überwachung, Bedrohungsanalyse, Reaktion auf Vorfälle und Risikoanalyse.
• Unterhaltung und Erstellung von Inhalten: Wissenschaftliche Computerprogramme werden immer besser bei der Produktion von Inhalten, sei es in Form von Texten, Gedichten, Videospielen oder sogar Filmen. Die von OpenAI entwickelte KI-Anwendung GBT-3 zur Texterstellung erstellt bereits Inhalte, die kaum noch von Texten zu unterscheiden sind, die von Menschen geschrieben wurden.
• Verhaltenserkennung und -voraussage: Vorhersagealgorithmen werden die KI stärker machen, angefangen bei Anwendungen für Wetter- und Börsenvorhersagen bis hin zu – noch interessanteren – Vorhersagen des menschlichen Verhaltens. Dies wirft auch die Frage nach impliziten Vorurteilen und ethischer KI auf. Einige Forscher in der KI-Community setzen sich für eine Reihe von Antidiskriminierungsregeln ein, die unter anderem unter dem Hashtag #responsibleAI zu finden sind.

Die Begriffe künstliche Intelligenz, maschinelles Lernen und Deep Learning werden oft im falschen Zusammenhang verwendet. Die Begriffe werden häufig zur Beschreibung von starker KI verwendet. Daher lohnt es sich, jeden Begriff kurz zu definieren:

Künstliche Intelligenz ist gemäß der Definition von John McCarthy (Link befindet sich außerhalb von IBM) die „Wissenschaft und Technik der Herstellung intelligenter Maschinen, insbesondere intelligenter Computerprogramme. Sie ist verwandt mit der ähnlich gearteten Aufgabe der Nutzung von Computern, um menschliche Intelligenz zu verstehen. Doch KI muss sich dabei nicht auf Methoden beschränken, die biologisch nachweisbar sind.“

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Klassische Modelle des maschinellen Lernens (nicht das Deep Learning) erfordern mehr menschliche Eingriffe, um Daten in Kategorien zu unterteilen (d. h. durch Feature Learning).

Deep Learning ist ebenfalls ein Teilbereich des maschinellen Lernens, bei dem versucht wird, die Vernetzung des menschlichen Gehirns mithilfe neuronaler Netze nachzuahmen. Die künstlichen neuronalen Netze bestehen aus Schichten von Modellen, die Muster in einem bestimmten Datenbestand erkennen. Sie benötigen eine große Menge an Trainingsdaten, um richtig dazuzulernen, was wiederum eine leistungsfähigere Hardware, wie GPUs oder TPUs, erfordert. Deep-Learning-Algorithmen werden am ehesten mit KI in Verbindung gebracht, die menschlicher Intelligenz ebenbürtig ist.    

Weitere Informationen zu den Bedeutungsunterschieden bei diesen Technologien finden Sie unter „AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What's the Difference?“ (KI vs. Maschinelles Lernen vs. Deep Learning vs. Neuronale Netze: Was ist der Unterschied?).

Deep Learning eignet sich gut für komplexe Problemstellungen und wird daher heute in vielen innovativen und neuen Technologien eingesetzt. Deep-Learning-Algorithmen werden in einer Vielzahl von Bereichen eingesetzt. Im Folgenden sind einige Beispiele aufgeführt:

• Autonomes Fahren: Google und Elon Musk haben uns gezeigt, dass autonomes Fahren möglich ist. Selbstfahrende Autos benötigen jedoch mehr Trainingsdaten und Tests, da sie unterschiedlichste Situationen berücksichtigen müssen, wie z. B. die Vorfahrtsregelung oder das Erkennen von Hindernissen auf der Fahrbahn. Sobald die Technologie ausgereift ist, muss sie jedoch die Hürde der Akzeptanz durch die Menschen überwinden, da Umfragen zeigen, dass viele Fahrer nicht bereit sind, ein solches System zu nutzen.
• Spracherkennung: Spracherkennung ist, wie bei  KI-Chatbots und virtuellen Agenten, ein wesentlicher Bestandteil der Verarbeitung natürlicher Sprache. Audioeingabe ist für eine KI schwierig zu verarbeiten, da so viele Faktoren wie Hintergrundgeräusche, Dialekte, Sprachbehinderungen und andere Einflüsse es der KI erschweren können, die Eingabe in etwas umzuwandeln, mit dem der Computer arbeiten kann.
• Mustererkennung: Der Einsatz von tiefen neuronalen Netzen verbessert die Mustererkennung in verschiedenen Anwendungen. Durch die Erkennung von Mustern nützlicher Datenpunkte kann die KI irrelevante Informationen herausfiltern, nützliche Korrelationen herstellen und die Effizienz von Big-Data-Berechnungen verbessern, wie dies menschlichen Anwendern nicht möglich ist.
• Computerprogrammierung: Schwache KI hat einige Erfolge bei der Erstellung sinnvoller Texte erzielt, was zu Fortschritten bei der Codierung geführt hat. Erst kürzlich hat OpenAI die Open-Source-Software GPT-3 veröffentlicht, die mit sehr wenigen Befehlen Code und einfache Computerprogramme schreiben kann und damit zur Automatisierung in der Programmentwicklung beiträgt.
• Bilderkennung: Das Kategorisieren von Bildern kann sehr zeitaufwendig sein, wenn es manuell erfolgt. Spezielle Anpassungen tiefer neuronaler Netze wie DenseNet, bei dem jede Schicht mit jeder anderen Schicht des neuronalen Netzes verbunden ist, haben die Bilderkennung jedoch wesentlich genauer gemacht.
• Kontextbezogene Empfehlungen: Deep-Learning-Apps können bei ihren Empfehlungen viel mehr Kontext berücksichtigen, einschließlich Sprachverständnismustern und Verhaltensprognosen.
• Überprüfung von Fakten: Die University of Waterloo hat vor Kurzem ein Tool veröffentlicht, das Fake News erkennen kann, indem es die Informationen in Artikeln durch den Vergleich mit anderen Nachrichtenquellen überprüft.