Lukas Biewald, ehemals NLP-Forscher im Stanford AI Lab:

My job title is “Scientist”, but I never use the scientific method, at least as I remember it from 6th grade earth science where you make a hypothesis and test it with an experiment. Instead I mostly mine through data and look for patterns.

In der experimentellen Neurobiologie sieht es genauso aus, auch wenn wissenschaftliche Veröffentlichungen hier noch immer nach dem Muster “Wir hatten folgende Hypothese, haben Sie überprüft und sie hat sich als wahr herausgestellt” gestrickt sind. Mit dem tatsächlichen Alltag eines Wissenschaftlers hat das wenig gemein.

Dass die herkömmliche wissenschaftliche Methode brauchbar ist, wenn man die Wahrheit dessen überprüfen will, was man zu wissen glaubt, aber dass sie einem nicht sagen kann, wohin man gehen soll, wusste schon Robert M. Pirsig. Das ist nicht neu.

Neu ist, dass das Aufstellen von Hypothesen mehr und mehr automatisisert wird.

Wir wissen wenig über unsere Welt, und das, was wir wissen, ist so seltsam, dass wir es meistens ignorieren. Es gibt keine objektive Zeit; für manche Beobachter geschieht A vor B, für andere B vor A. Wir können nicht feststellen, ob wir in einer Simulation leben. Wir wissen nicht, ob bewusste Beobachter sterben können, und welche Rolle sie in der Physik überhaupt spielen. Wir können nur raten, warum in diesem Universum außer uns niemand zu sehen ist.

Wir wissen wenig über die Zukunft unserer Welt, und das, was uns die Vergangenheit verrät, ist so schwindelerregend, dass wir lieber Konstanz prognostizieren. Ich bin 21 Jahre alt — als ich geboren wurde, gab es kein World Wide Web. Den Großteil meiner Schulzeit über gab es dieses eine Projekt nicht, das es sich zur Aufgabe gemacht hat, jedem Menschen kostenlosen Zugang zum Wissen der Menschheit zu bieten. Als der Vater meiner Freundin geboren wurde, hatte Alan Turing noch nicht beschrieben, was Algorithmen sind. Vor nicht einmal einem Menschenleben gab es keine Computer. Ein halbes Menschenleben weiter und es gab keine Elektrizitätsversorgung. Zwei Menschenleben zuvor keine Dampfmaschinen. Drei Menschenleben weiter und wir sind im Mittelalter.

Eine Generation vor uns brauchte es tagelanges Recherchieren in Bibliotheken, um herauszufinden, ob die Menschheit die Antwort auf eine Frage hat. Heute genügen 10 Sekunden, um die Antwort auf fast jede Frage zu finden, die die Menschheit je beantwortet hat. Ein oder zwei Generationen nach uns genügen 10 Sekunden, um die Antwort auf fast jede Frage zu finden, die je beantwortet werden kann.

Wir verändern alles und merken es nicht. Blind vorwärts ging lange gut.

Wenn es allgemeine Methoden gibt, um ausgehend von vergangenen Ereignissen Vorhersagen zu treffen, und wenn man Vorhersagemethoden nach ihrem Erfolg bewerten kann, so gibt es eine Methode für Vorhersagen, die besser ist als jede andere. Das Ergebnis von Vorhersagen nach dieser Methode stimmt im Durchschnitt besser mit der Realität überein als das jeder anderen Methode — egal, ob Naturkatastrophen, Bevölkerungszahlen oder Aktienwerte vorhergesagt werden.

Solomonoffs Theorie der universellen Induktion ist diese Methode. Man könnte das Problem der optimalen Vorhersage damit als gelöst betrachten — wäre Solomonoffs Theorie nur berechenbar. Ein Algorithmus, der unter beschränkten Ressourcen — wozu auch die algorithmische Komplexität zählen kann — Vorhersagen trifft, die beweisbar besser sind als die jedes anderen denkbaren Algorithmus, ist noch nicht gefunden. Das sollte das zentrale Anliegen des Gebietes der künstlichen Intelligenz sein.

Induktive Wissenschaften wie die Physik, die Chemie oder die Astronomie machen nichts anderes, als Daten zu sammeln und anhand der Daten elegante Theorien zu finden, mit denen sich die Zukunft möglichst exakt vorhersagen lässt.

Es ist sinnvoller, das Problem der Induktion direkt zu lösen.

Angenommen, das zunehmende Verständnis des Phänomens Intelligenz erlaubt es uns, einen Prozess zu erstellen, der eine gewisse Grundintelligenz besitzt und dem Ziele vorgegeben werden können. Wir geben diesem Prozess die Möglichkeit, seine eigene Leistungsfähigkeit durch Selbstmodifikationen zu verbessern und ein Ziel, das weit jenseits des mit menschlicher Intelligenz Erreichbaren liegt. Und warten. Und dann? Weiterlesen »

Das Gebiet der künstlichen Intelligenz ist bislang nicht weit über Schachcomputer und Suchmaschinen hinausgekommen. Es gibt Anzeichen dafür, dass wir in diesem Jahrhundert die Schwelle an Verständnis und verfügbarer Technik überschreiten werden, die es uns ermöglicht, das Phänomen Intelligenz technologisch nachzubilden. Ist allgemeine künstliche Intelligenz möglich? Wenn ja, auch wünschenswert? Weiterlesen »

“We are scanning those books to be read by an AI”. So lauteten die Worte seiner Gastgeber, schreibt der Historiker George Dyson über seinen Besuch des Google-Hauptquartiers. Eigentlich sollte uns das nicht überraschen. Was künstliche Intelligenz angeht treffen sich Möglichkeiten und Motivation nirgendwo so direkt wie bei Google. Weiterlesen »

Jeff Hawkins ist der Gründer von Palm Computing und Handspring und einer der erfolgreichsten Unternehmer des Silicon Valley. Jetzt befasst er sich wieder mit dem Gebiet, das ihn schon als Jugendlicher interessierte: Zu Verstehen, was Intelligenz ist und wie das menschliche Gehirn Intelligenz hervorbringt, um nach diesem Prinzip intelligente Maschinen zu bauen. Weiterlesen »

In den Kapiteln “Artificial Intelligence” und “Neural Networks” aus dem Buch “On Intelligence” beschreibt Jeff Hawkins seine persönliche Beziehung zum Gebiet der künstlichen Intelligenz. Er gibt eine kurze Zusammenfassung der Geschichte der traditionellen KI und erklärt, warum weder diese noch der Bereich der neuronalen Netze zu den erhofften intelligenten Maschinen geführt hat. Weiterlesen »

In den Kapiteln “A New Framework of Intelligence” und “How the Cortex Works” aus dem Buch “On Intelligence” legt Jeff Hawkins seine Theorie von Intelligenz dar: Er zeigt die zentrale Rolle von Vorhersagen auf und wie sich diese in ein übergeordnetes “memory-prediction framework” integriert, geht auf die Bedeutung von Sequenzen ein und erläutert die Rolle von Thalamus und Hippocampus. Weiterlesen »

“The problem is that we’re indoctrinated into believing that you can make a big difference by helping out just a little. But the sad truth is that you can’t do AI on two hours a month.” — Zitat eines nicht namentlich bekannten Unterstützers des Singularity Institute, gefunden in einer E-Mail von Eliezer Yudkowsky.