Selbst die fortschrittlichsten neuronalen Netze sind noch nicht klüger als ein einjähriges Kind – und das ist keine Übertreibung

Trotz der beeindruckenden Fortschritte der künstlichen Intelligenz sind moderne neuronale Netze kleinen Kindern in einem der grundlegendsten Aspekte der Intelligenz nach wie vor deutlich unterlegen – der Fähigkeit, schnell zu verstehen, wie die Welt um sie herum funktioniert, und aus nur wenigen Erfahrungen zu lernen. Zu diesem Schluss kommen immer häufiger Fachleute aus den Kognitionswissenschaften, der Neurobiologie und dem maschinellen Lernen.

Das Paradoxe daran ist, dass Sprachmodelle Programmcode schreiben, schwierige Prüfungen bestehen, sinnvolle Dialoge führen und riesige Informationsmengen analysieren können. Setzt man eine KI jedoch in eine neue, unbekannte Umgebung, in der sie physikalische Gesetzmäßigkeiten, Ursache-Wirkungs-Zusammenhänge und die Interaktion mit Objekten verstehen muss, nehmen ihre Fähigkeiten stark ab. Dort, wo ein einjähriges Kind buchstäblich innerhalb weniger Tage oder Wochen selbstständig zu verstehen beginnt, benötigt künstliche Intelligenz Millionen von Trainingsbeispielen und enorme Rechenleistung.

Warum ein Kind effizienter lernt als eine KI

Der wichtigste Unterschied liegt in der Art des Lernens.

Ein Säugling erhält Informationen gleichzeitig über zahlreiche Kanäle: Sehen, Hören, Tasten, Bewegung, Gleichgewicht, soziale Interaktion und emotionale Rückmeldungen. Jede Handlung wird zu einem Experiment. Wenn ein Kind ein Spielzeug fallen lässt, beobachtet es, wie es zu Boden fällt. Wenn es einen Gegenstand schiebt, versteht es, dass dieser sich bewegt. Wenn es einen Erwachsenen anlächelt, erhält es eine Reaktion. Auf diese Weise baut das Gehirn kontinuierlich ein inneres Modell der Welt auf.

Für die Entwicklung solcher Vorstellungen benötigt ein Kind dabei nur sehr wenige Daten.

Moderne neuronale Netze funktionieren völlig anders. Sie werden überwiegend mit riesigen Mengen bereits fertiger Informationen trainiert – Texten, Bildern, Videos oder Audioaufnahmen. Um eine Gesetzmäßigkeit zu erlernen, benötigen Modelle häufig Millionen von Beispielen, während einem Kind manchmal schon wenige Beobachtungen genügen.

Deshalb sagen Fachleute, dass moderne KI statistische Zusammenhänge hervorragend erkennt, die eigentliche Natur des Geschehens jedoch deutlich schlechter versteht.

Ein enormer Unterschied bei der Effizienz

Der Abstand wird besonders deutlich, wenn man die Mengen der verwendeten Daten vergleicht.

Im ersten Lebensjahr sieht ein Kind nur einen kleinen Ausschnitt der Welt um sich herum. Dennoch reicht das aus, um komplexe Vorstellungen von Gegenständen, Menschen, dem Raum sowie Ursache-Wirkungs-Zusammenhängen zu entwickeln.

Große Sprachmodelle werden dagegen mit praktisch dem gesamten verfügbaren Internet, Bibliotheken, wissenschaftlichen Publikationen und anderen digitalen Quellen trainiert. Für ihre Entwicklung kommen Tausende leistungsstarker Grafikprozessoren zum Einsatz, die enorme Mengen an Strom verbrauchen.

Trotzdem macht eine KI bis heute Fehler, die ein Kind nach den ersten Monaten des Kennenlernens seiner Umgebung normalerweise nicht mehr macht.

Worin das Hauptproblem moderner Modelle liegt

Als einer der wichtigsten Gründe gilt das Fehlen einer echten Interaktion mit der physischen Welt.

Die meisten existierenden Modelle „sitzen im Computer“. Sie analysieren Daten, können ihre Umgebung jedoch nicht selbst erforschen, experimentieren, Fehler machen und neue Erfahrungen sammeln – so wie es ein Mensch tut.

Gerade die aktive Interaktion mit der Welt gilt jedoch als Grundlage menschlicher Intelligenz.

Deshalb arbeiten immer mehr Forschungsgruppen an einem Bereich, der Robotik, Neurobiologie und künstliche Intelligenz miteinander verbindet. Ihr Ziel ist es, Systeme zu entwickeln, die nicht nur anhand fertiger Daten, sondern auch durch eigene Erfahrungen lernen können.

Was Wissenschaftler vorschlagen

Heute orientieren sich Forschende immer häufiger an den Funktionsprinzipien des menschlichen Gehirns.

Zu den vielversprechendsten Ansätzen gehören:

Lernen durch die Interaktion mit der Umgebung und nicht nur anhand vorbereiteter Daten;

die Entwicklung von Modellen, die neue Situationen selbstständig erkunden können;

die Verbindung von Sehen, Hören, taktilen Empfindungen und Bewegung zu einem einheitlichen Wahrnehmungssystem;

die Entwicklung von Mechanismen für ein Langzeitgedächtnis und die Ansammlung von Erfahrungen;

die Entwicklung einer sogenannten „Weltrepräsentation“ (world model) – eines inneren Modells davon, wie die Realität aufgebaut ist.

Genau solche Ansätze könnten künftige KI-Systeme beim Lernen deutlich flexibler und effizienter machen.

Die nächste Entwicklungsstufe der künstlichen Intelligenz

Expertinnen und Experten sind zunehmend der Ansicht, dass der weitere Fortschritt im Bereich der KI nicht mehr so sehr von einer Vergrößerung der Datenmengen oder der Leistungsfähigkeit von Grafikkarten abhängen wird, sondern vielmehr von einem tieferen Verständnis dafür, wie das menschliche Gehirn lernt.

Wenn es Ingenieurinnen und Ingenieuren gelingt, zumindest einen Teil der Mechanismen nachzubilden, dank derer Säuglinge ihre Umgebung unglaublich schnell erfassen, könnte dies der nächste große Durchbruch in der Entwicklung künstlicher Intelligenz werden.

Deshalb werden Neurobiologie und kognitive Psychologie heute für die Zukunft der KI ebenso wichtig wie Programmierung und Computertechnik. Vielleicht führt der Weg zu einer wirklich universellen künstlichen Intelligenz nicht über immer leistungsfähigere Computer, sondern über das Verständnis dafür, wie einige Milliarden Neuronen im Gehirn eines Kindes begrenzte Lebenserfahrung in ein umfassendes Wissen über die Welt verwandeln.