Seitdem ChatGPT gegen Ende des Jahres 2022 f\u00fcr jedermann und kostenfrei nutzbar wurde, l\u00e4sst sich \u00fcber K\u00fcnstliche Intelligenz noch aufgeregter und emotional aufgew\u00fchlter diskutieren als zuvor. Chancen und Risiken dieser Technologie sind abzuwiegen, die zu erwartenden Ver\u00e4nderungen in Schule, Beruf, Studium, Wissenschaft und Wirtschaft, Privatleben und Arbeitswelt zu er\u00f6rtern, soziale und moralische Fragen zu stellen und zu beantworten. Aber nicht viele Gedanken werden der Herkunft von K\u00fcnstlicher Intelligenz (KI) gewidmet: Woher kommt und woraus besteht sie eigentlich, worauf gr\u00fcndete sie sich, wie hat sie sich entwickelt bzw. wie wurde sie konstruiert? \u2013 KI ist von Beginn an mit dem Aufkommen der Computer verbunden gewesen, die schon in den Anfangszeiten \u201eElektronengehirne\u201c oder \u201eDenkmaschinen\u201c genannt wurden. Auch war sie schon von Beginn an Thema von Kurzgeschichten, Romanen, Comics und Kino- bzw. Fernsehfilmen mit Zukunftsvisionen. F\u00e4higkeiten fr\u00fcherer oder heutiger KI-Systeme wurden oft als Mischungen aus realen Technikeigenschaften und fiktionalen oder gar phantastischen Kreationen geschildert. Da die Begriffe Intelligenz und Denken gar nicht einhellig definiert sind, wird meist auch deren gesamtes Bedeutungsspektrum genutzt, um plakativ und rei\u00dferisch in der \u00d6ffentlichkeit Schlagzeilen zu machen. Die Erz\u00e4hlungen wurden in der zweiten H\u00e4lfte des 20. Jahrhunderts zudem gern mit denen der Science-Fiction um Weltraumreisen und Atomenergie-Euphorie vermischt.<\/p>\n
N\u00fcchtern betrachtet ist ein anderes Bild zu zeichnen, um den KI-Entwicklungen historisch gerecht zu werden. Da KI einerseits aus computerisierten Systemen besteht, andererseits aber mit den geisteswissenschaftlichen Begriffen namentlich der Intelligenz, aber auch des Denkens und des Bewusstseins untrennbar verbunden ist, haben Entwicklungen aus beiden Wissenschaftskulturen zu dem gef\u00fchrt, was uns heute besch\u00e4ftigt.<\/p>\n
Computer sind logische Maschinen. Sie realisieren die logischen Verkn\u00fcpfungen durch Schaltkreise, die entweder elektrischen Strom f\u00fchren, oder nicht. Dieses bin\u00e4re Prinzip erm\u00f6glicht die logische Wahrheit durch Ketten von Aussageverkn\u00fcpfungen zu verfolgen. Logisches Denken ist aber nur ein Aspekt des Ph\u00e4nomens, das wir Intelligenz nennen. Viele weitere kognitive F\u00e4higkeiten wurden in der Psychologie untersucht, um Intelligenz zu erfassen, z. B. das Wahrnehmen und Erkennen, die Aufmerksamkeit und das Erinnern, das Probleml\u00f6sen und das Lernen. Diese geistigen oder mentalen Verm\u00f6gen schreiben wir den Menschen und einigen wenigen anderen Lebewesen zu. Im 19. Jahrhundert machten Psychologen die Untersuchungen dieser F\u00e4higkeiten zu einer empirischen Wissenschaft, als sie das Erleben und Verhalten der Menschen experimentell erforschten.<\/p>\n
Da man nach dem II. Weltkrieg damit begann, den Computern die m\u00fchsame K\u00e4rrnerarbeit sehr langer logischer Schlussfolgerungsketten zu \u00fcbergeben, die als der regelgeleitete Kern menschlichen Denkens angesehen wurde, war es nur folgerichtig, sich zu fragen, ob diesen Maschinen oder entsprechende Weiterentwicklungen nicht auch zu nicht-logischem Denken und anderen kognitiven Merkmalen bef\u00e4higt werden k\u00f6nnen. So formulierte im Jahre 1950 der britische Mathematiker\u00a0Alan Turing\u00a0in seinem Artikel\u00a0Computing Machinery and Intelligence\u00a0in der Psychologie-Zeitschrift\u00a0Mind\u00a0die Frage, ob Computer denken k\u00f6nnen. Das Verm\u00f6gen zu denken bezeichnete er dabei als \u201eintelligence\u201c und zur Kl\u00e4rung des Sachverhaltes schlug er ein \u201eImitation Game\u201c vor, bei dem ein Mensch aufgrund der Antworten, die er von einem Mitspieler auf seine Fragen bekommt, entscheiden soll, ob der antwortende Mitspieler menschlich ist oder eine Maschine. Turing kam zu dem Schluss, dass einem Computer, den ein Fragensteller f\u00fcr einen Menschen h\u00e4lt, weil seine Antworten solche, die Menschen geben k\u00f6nnten imitieren, ein dem Menschen gleichwertiges Denkverm\u00f6gen zugesprochen werden m\u00fcsse und er deshalb intelligent genannt werden sollte.<\/p>\n
Die Computer dieser Zeit waren elektrotechnische Ger\u00e4te, mit denen die Operationen der klassischen Aussagenlogik wie \u201ea\u00a0und\u00a0b\u201c, \u201ec\u00a0oder\u00a0d\u201c und \u201ewenn\u00a0e,\u00a0dann\u00a0f\u201c in elektrische Schaltungen \u00fcbersetzt werden konnten. Es waren Maschinen, die ihnen eingegebene Daten als Symbole verarbeiteten. Mit diesen \u201ecomputing\u201c genannten Prozessen sollte also jegliches menschliche Denken in Maschinen nachgeahmt werden k\u00f6nnen? \u2013 Das konnten Computer aus dem Jahre 1950 nicht! Das wusste selbstverst\u00e4ndlich auch Turing, aber er war davon \u00fcberzeugt, dass zuk\u00fcnftige Computer das Leben der Menschen ver\u00e4ndern w\u00fcrden und man um das Jahr 2000 wie selbstverst\u00e4ndlich von \u201edenkenden Maschinen\u201c sprechen w\u00fcrde, weil sich der Begriff \u201eDenken\u201c dann gewandelt haben w\u00fcrde. Hier hat sich Turing geirrt: Auch im Jahr 2024 schreibt nicht jeder den KI-Systemen das Denken ganz selbstverst\u00e4ndlich zu, wenn sich auch entsprechend unreflektierte \u00c4u\u00dferungen immer weiter verbreiten!<\/p>\n
Ob intelligente Maschinen konstruiert werden k\u00f6nnten, fragten sich zur Mitte der 1950er Jahre die Mathematiker John McCarthy und Marvin Minsky und die Elektrotechniker Claude Shannon und Nathaniel Rochester. Dar\u00fcber wollten sie mit anderen Forschern bei einem Treffen im US-amerikanischen Dartmouth College diskutieren, wie sie in einen F\u00f6rderantrag an die Rockefeller Foundation schrieben. Das Treffen fand 1956 statt und heute wird es oft der Beginn der Forschungen zur KI genannt. Dort stellten Herbert Simon und Alan Newell das Programm\u00a0Logic Theorist\u00a0vor, das menschliches Denken beim Beweisen logisch-mathematischer Probleme simulierte. Ihr zwei Jahre sp\u00e4ter entwickeltes Programm zur L\u00f6sung ganz allgemeiner Probleme \u2013 der\u00a0General Problem Solver\u00a0(GPS) \u2013 wurde wieder mit dem Anspruch entwickelt ganz allgemein menschliches Denken simulieren zu k\u00f6nnen. Dieses Projekt scheiterte an der in der Sache liegenden Komplexit\u00e4t.<\/p>\n
Nur drei Jahre sp\u00e4ter gr\u00fcndeten Minsky und McCarthy am MIT die erste Forschergruppe mit dem Ziel, KI-Systeme zu bauen. 1962 ging McCarthy nach Kalifornien, um an der Universit\u00e4t Stanford ein weiteres KI-Laboratorium aufzubauen. Im Jahre 1960 ver\u00f6ffentlichte Minsky den vielbeachteten Artikel\u00a0Steps towards AI, in dem er zusammenfasste, welche Anforderungen an KI-Systeme seines Erachtens erf\u00fcllt werden m\u00fcssen: Sie sollten in Datenvolumina gezielt suchen, Muster erkennen, lernen und planen k\u00f6nnen und auf einem Computer ablaufbar konstruiert werden. Zur L\u00f6sung solcher und \u00e4hnlicher Probleme schrieben Wissenschaftler dann Programme, die in einem Computer ablaufen sollten. Dabei ging es auch darum, m\u00f6gliche Ereignisse im Voraus zu ber\u00fccksichtigen und die jeweils dann angemessene Handlungsoption in Unterprogrammen zu ber\u00fccksichtigen. F\u00fcr jeden Problemtyp entstanden so Routinen, in denen immer wieder gleiche Schrittfolgen von programmierten Algorithmen durchgef\u00fchrt wurden, z. B. zum Beweisen mathematischer S\u00e4tze, zur Zeichenerkennung in Laut und Schrift. Zudem sammelte man f\u00fcr gut eingrenzbare Anwendungsbereiche z. B. in der Geologie, der Medizin oder beim Milit\u00e4r Faktenmaterial, das in\u00a0Wissensbasen\u00a0gespeichert wurde. Durch Zusammenschluss dieser Wissensbasen mit den logischen Folgerungsmechanismen entstanden in den 1970er Jahren sogenannte Expertensysteme, etwa zur Analyse von Massenspektren, um chemische Strukturen zu identifizieren, zum Diagnostizieren von Sch\u00e4den bei technischen Systemen oder auch von Krankheiten aufgrund von Symptomen und Untersuchungswerten bei den Patienten. So verf\u00fcgte das medizinische Expertensystem MYCIN \u00fcber 450 Regeln, die zu Vorschl\u00e4gen f\u00fcr Therapien bei Infektionskrankheiten f\u00fchrten. Diese Regeln wurden in Zusammenarbeit mit Experten (in diesem Falle erfahrene Mediziner) aufgestellt und das System konnte aus eingegebenen und gespeicherten Fakten mittels der Regeln Schl\u00fcsse ziehen. Letztendlich war diese Technologie zwar begrenzt erfolgreich, entt\u00e4uschte aber gemessen an den vollmundigen Voraussagen.<\/p>\n
1985 erschien das Buch\u00a0Artificial Intelligence: The Very Idea\u00a0des Philosophen John Haugeland. Er f\u00fchrte darin f\u00fcr die bisher hier betrachtete KI das Akronym GOFAI (Good Old Fashioned Artificial Intelligence) ein und grenzte diesen bisherigen Mainstream der KI-Forschung von anderen Ans\u00e4tzen ab, intelligente Maschinen zu konstruieren, die seit den 1980er Jahren immer gr\u00f6\u00dfere Beachtung fanden. Dieses neue Forschungsprogramm wurde Konnektionismus genannt. Dabei geht es um viele gleiche oder \u00e4hnliche Elemente, die miteinander vernetzt sind und \u00fcber Signale Nachrichten austauschen. Solche Modelle zur Simulation von intelligentem Verhalten sind beispielsweise K\u00fcnstliche Neuronale Netze. Sie hei\u00dfen so, weil sie den Neuronenverb\u00e4nden in organischen Nervensystemen grob nachgebildet wurden. Die Grundidee stammt von Warren McCulloch und Walter Pitts, die schon 1943 ein logisches Modell von Nervenzellen und deren Vernetzung vorgestellt hatten, f\u00fcr das sich bald darauf Nachrichtentechniker und Computerkonstrukteure interessierten, weil der bekannte Mathematiker John von Neumann die Terminologie dieses Artikels im Jahre 1945 nutzte, um die Konstruktion und Funktionsweise des neu zu bauenden Computers EDVAC zu beschreiben. Anstatt \u201eSchalter\u201c schrieb er \u201eneuron\u201c (Nervenzelle) und anstatt \u201eSpeicher\u201c schrieb er \u201ememory\u201c (Ged\u00e4chtnis). Einen Nachweis f\u00fcr eine prinzipielle Analogie von Gehirn und Computer gab es nicht, und es war klar, dass von Neumann hier stark vereinfacht hatte, doch ihn besch\u00e4ftigte diese Thematik bis zum Ende seines Lebens, wie sein posthum unvollendet ver\u00f6ffentlichtes Buch\u00a0The Computer and the Brain\u00a0belegt.<\/p>\n
Der Psychologe Frank Rosenblatt griff in den sp\u00e4ten 1950er Jahren einen Vorschlag von McCulloch und Pitts auf, die von ihnen modellierten k\u00fcnstlichen Neuronen in die Lage zu versetzen, r\u00e4umliche Muster zu erkennen, und er entwickelte das\u00a0Perceptron, ein k\u00fcnstliches Neuronennetz, das zun\u00e4chst Quadrate und Kreise, sp\u00e4ter Ziffern und Buchstaben \u201eerkannte\u201c. Zu Beginn der 1960er Jahre baute er mit seinen Mitarbeitern auch einen ersten realen Apparat namens\u00a0Perceptron Mark I\u00a0der mit seinem 20 x 20 Pixel gro\u00dfem Bildsensor Ziffern identifizierte, deren Merkmale er zuvor abgespeichert hatte.<\/p>\n
Bereits Rosenblatt sprach bei dieser Mustererkennung aufgrund vieler Versuch-und-Irrtum-Verarbeitungen von einem \u201eLernalgorithmus\u201c. Insofern war dies ein Anfang der\u00a0New fashioned AI,\u00a0New Wave AI\u00a0oder auch\u00a0new-fangled AI\u00a0(NFAI) genannten Forschung, die ihre Umwelt \u201ewahrnehmen\u201c, darauf reagieren, sich anpassen und \u201elernen\u201c konnte. Es sind diese NFAI-Systeme, die unseren heutigen Begriff der KI pr\u00e4gen.<\/p>\n
NFAI l\u00f6ste GOFAI nicht pl\u00f6tzlich ab, vielmehr \u00fcberlagerten sich die Entwicklungen beider KI-Zug\u00e4nge und sie werden auch beide weiterhin verfolgt. Interessant ist zu sehen, wie weit sie tragen, wenn es darum ging, Computer Spiele mit festen Regeln spielen zu lassen, wobei die G\u00fcte des Spielens als Indikator f\u00fcr Intelligenz angenommen wird.<\/p>\n
Schon in den 1940er Jahren dachte der deutsche Bauingenieur und Computerpionier Konrad Zuse dar\u00fcber nach, wie er eine Rechenanlage nicht nur rechnen, sondern auch andere Probleme l\u00f6sen lassen k\u00f6nnte. Dazu entwickelte er den Plankalk\u00fcl, eine erste logische Sprache, um dem Rechner Befehle zu erteilen. Der Plankalk\u00fcl sollte so allgemein sein, dass man damit auch die Regeln f\u00fcr das Schachspiel formulieren konnte. Zuses Vorarbeiten dazu finden sich heute im Konrad \u00ad
\nZuse Internet Archive.<\/p>\n
Um 1946 entwarf der britische Mathematiker\u00a0Alan Turing\u00a0gemeinsam mit seinem Studienfreund David Gawen Champernowne einen ersten Schach-Algorithmus, der\u00a0Turochamp\u00a0genannt und 1952 fertiggestellt wurde. Weil aber noch keine entsprechende Maschine zur Verf\u00fcgung stand, konnte Turing ihn nicht als Programm auf einem Computer laufen lassen. Er \u00fcbernahm daher selbst die Rolle der Maschine, indem er ganz genau einen Befehl nach dem anderen ausf\u00fchrte, so wie sie zuvor auf Papier niedergeschrieben worden waren. Dabei spielte er gegen seinen Kollegen Alick Edwards Glennie. Turing brauchte damals zur Berechnung jedes Zugs etwa eine halbe Stunde!<\/p>\n
Gemeinsam mit der Mathematikerin Cecily Popplewell (1920\u20131995) hatte Turing seit 1949 in seiner Abteilung f\u00fcr Computer Machine Learning an der University of Manchester Seminare durchgef\u00fchrt. Der aus Deutschland geflohene und 1947 britischer Staatsb\u00fcrger gewordene Dietrich G\u00fcnther Prinz, der mit Turings Team eng zusammenarbeitete, hatte gelernt, den Rechner\u00a0Ferranti Mark 1\u00a0zu programmieren und er schrieb im November 1951 wohl das erste Schachprogramm\u00a0Matt in zwei Z\u00fcgen, das auf dieser Maschine lief und die Aufgabe in 15 Minuten l\u00f6ste. Prinz hatte sich von dem Artikel\u00a0A Theory of Chess and Noughts and Crosses\u00a0in den Science News im Jahre 1950 inspirieren lassen, den der britische Physiker und seit 1947 ebenfalls zu Turings Gruppe geh\u00f6rige Donald Watts Davies geschrieben hatte. Bei jeder Spielpartie durchsuchte Prinz\u2018 Programm alle m\u00f6glichen Z\u00fcge und Gegenz\u00fcge, es wurden also tausende m\u00f6gliche Spielz\u00fcge ausgewertet. Daher lie\u00df das Computerprogramm mit fast 15 Minuten sehr viel l\u00e4nger auf seinen n\u00e4chsten Zug warten, als ein versierter menschlicher Schachspieler. Der\u00a0Mark 1\u00a0war allerdings nicht m\u00e4chtig genug, eine gesamte Schach-Partie zu spielen, deshalb hatte Prinz sein Programm auf die Spielsituation zwei Z\u00fcge vom Matt entfernt begrenzt.<\/p>\n
In den USA trug der US-amerikanische Bell-Mathematiker Claude Shannon am 9. M\u00e4rz 1949 in New York \u00fcber Ideen vor, Computer so zu programmieren, dass sie Schach spielen. Die schriftliche Fassung dieses Vortrags wurde im darauffolgenden Jahr in einer philosophischen Zeitschrift abgedruckt. Fast ein Jahrzehnt sp\u00e4ter animierten den IBM-Ingenieur Alex Bernstein Diskussionen mit Shannon dazu, den IBM-Rechner 704 Schach spielen zu lassen. Mit seinen Kollegen und unterst\u00fctzt vom Schachgro\u00dfmeister Arthur Bernard Bisguier schrieb er ein Schachprogramm, das beim Dartmouth Treffen diskutiert wurde, obwohl es noch nicht fertiggestellt war. Im darauffolgenden Jahr lief dieses\u00a0Bernstein Chess Program\u00a0dann erfolgreich.<\/p>\n
Das Schachspiel wurde ein wichtiges Test- und Anwendungsfeld f\u00fcr KI-Programme. Schach ist ungeheuer komplex \u2013 \u201eultracomplicated\u201c, wie Simon und Newell sich ausdr\u00fcckten. Es war \u201ethe intellectual game par excellence\u201c. Als die beiden mit dem Programmierer John Clifford Shaw 1958 die damals bekannten Schach-Programme untersuchten, kamen sie noch zu dem Urteil: \u201ewe have at least entered the arena of human play \u2013 we can beat a beginner.\u201c Schon bald darauf nannte der russische AI-Forscher Alexander Semenovich Konrod das Schachspiel die \u201eDrosophila der AI\u201c, eine Bezeichnung, die der Wissenschaftshistoriker und -soziologe Nathan Ensmenger vor etwa \u00ad
\n12 Jahren gr\u00fcndlich diskutierte.<\/p>\n
Das Spiel Schach f\u00fchrte die KI von der GOFAI zur NFAI. Bevor dieser Pfad nachgezeichnet wird, muss aber das Spiel Dame genannt werden, das diesen Wechsel fr\u00fcher einl\u00e4utete, denn schon 1959 sah der Elektroingenieur Arthur Lee Samuel eine M\u00f6glichkeit, Computer \u201elernen\u201c zu lassen, ohne dass sie daf\u00fcr explizit programmiert w\u00fcrden. Er demonstrierte dies mit seinem Programm, das die Regeln des Damespiels enthielt und sein Spiel jeweils verbessern konnte, weil erfolgreiche Spielz\u00fcge gegen\u00fcber nicht zielf\u00fchrenden Spielz\u00fcgen h\u00f6her bewertet wurden. Die mit den Spielz\u00fcgen abgespeicherten Werte gaben die Wahrscheinlichkeit (lateinisch\u00a0probabilitas) an, mit denen die Spielz\u00fcge gewinnbringend w\u00e4ren. Die entsprechenden Algorithmen hei\u00dfen probabilistisch, da sie \u2013 anders als die klassischen (deterministischen) Algorithmen, die stets die eindeutige L\u00f6sung des Problems finden \u2013 nur wahrscheinliche Ergebnisse liefern. Samuel konnte so die Spielg\u00fcte seines Programms optimieren, obwohl das Programm selbst unver\u00e4ndert blieb.<\/p>\n
Algorithmen, die nicht nach jedem Durchlauf denselben, sondern mit einer gewissen Wahrscheinlichkeit einen besseren Ausgabewert liefern, in diesem Sinne \u201elernen\u201c, sind Werkzeuge des\u00a0Maschinellen Lernens\u00a0(ML) und damit der\u00a0New fashioned Artificial Intelligence\u00a0(NFAI).<\/p>\n
In den modernen Wissenschaften werden Wahrscheinlichkeiten zur Voraussage von Ereignissen gebraucht. Diese st\u00fctzen sich auf gen\u00fcgend gro\u00dfe Datenmengen, wie sie etwa zur Staatsbeschreibung, der urspr\u00fcnglichen Bedeutung des Wortes \u201eStatistik\u201c gesammelt und analysiert wurden.<\/p>\n
In der Wissenschaftsdisziplin dieses Namens werden aufgrund verf\u00fcgbaren Datenmaterials Hypothesen generiert und ihre Methoden sind inzwischen in den empirisch arbeitenden Wissenschaften unverzichtbar geworden. Die Geschichte des Fachs Statistik m\u00e4andert zwischen mathematischer Theorie, wissenschaftlichem Berechnen und ihren verschiedenen Anwendungsgebieten, wie z. B. Geburts- und Sterberegister, Rentenversicherungen und Wirtschaftsdaten. Mit letzteren begann ihre historische Entwicklung, denn zun\u00e4chst wurden Daten der Anwendungsbereiche gesammelt und pr\u00e4sentiert. Das schlussfolgernde Vorgehen der Statistik wurde bald einer Mathematisierung unterzogen und dies wurde zum Fundament des mathematisch-statistischen Methodengeb\u00e4udes bis zur Mitte des 20. Jahrhunderts. Bis dahin spielte der empirisch-numerische Zugang nur eine kleine Rolle. Dies \u00e4nderte sich mit Aufkommen der elektronischen Computer, denn nun setzte ein Prozess ein, der die Statistik aus ihrem \u201eEigenbr\u00f6tlertum\u201c um mathematische Strukturen herausgel\u00f6st und mitgerissen habe, argumentieren die Stanford-Statistik-Professoren Bradley Efron und Trevor Hastie
\nin ihrem Buch\u00a0Computer Age Statistical Inference.<\/p>\n
Wie umfassend diese Ver\u00e4nderung der Statistik durch die Computer sein w\u00fcrde, war zur Mitte des 20. Jahrhunderts nicht abzusehen. Weitsichtig war allerdings schon im Jahre 1962 der Statistiker John Wilder Tukey, der in seinem Artikel\u00a0The Future of Data Analysis\u00a0forderte, die Statistik als Disziplin anwendungs- und berechnungsorientiert auszurichten. Zwar k\u00f6nne die Datenanalyse bei kleinen Datens\u00e4tzen von Hand durchgef\u00fchrt werden, aber die Geschwindigkeit und die Wirtschaftlichkeit der Antwort machten den Computer bei gro\u00dfen Datens\u00e4tzen unentbehrlich und auch bei kleinen Datens\u00e4tzen sehr wertvoll. Darin bestehe die Zukunft der Datenanalyse, die sich in allen Bereichen der Wissenschaft und der Technologie als erfolgreich erweisen werde. 1982 pl\u00e4dierte Tukey in seinem Vortrag\u00a0Another Look at the Future\u00a0noch einmal ausdr\u00fccklich f\u00fcr eine intensive interdisziplin\u00e4re Zusammenarbeit der Kulturen der Statistik und der Computer Science.<\/p>\n
In den 1970er Jahren suchte die\u00a0Environmental Protection Agency\u00a0(EPA) nach Methoden zur genaueren Voraussage der Ozonkonzentration in der Luft \u00fcber dem Los-Angeles-Becken, die in den zehn Jahren vorher oft zu f\u00fcr die Bev\u00f6lkerung gesundheitsgef\u00e4hrdenden Werten angestiegen war. Ziel der dazu in Auftrag gegebenen Studie war eine m\u00f6glichst exakte Vorhersage der Ozonwerte f\u00fcr die jeweils n\u00e4chsten 12 Stunden.<\/p>\n
An Datenmaterial standen die \u00fcber 450 meteorologischen Variablen zur Verf\u00fcgung, die in den vergangenen sieben Jahren t\u00e4glich und st\u00fcndlich gemessen worden waren, sowie die zum jeweiligen Zeitpunkt gemessen Ozonwerte. Aufgabe des Projekts war es, die mathematische Funktion zu sch\u00e4tzen, die den Ozonwert an einem Tag des Untersuchungszeitraums als Funktion der 450 Messwerte angibt. Dazu teilten die Projektarbeiter die Daten in zwei Datens\u00e4tze auf: einen f\u00fcr das Training des Programms, der aus den Daten der ersten 5 Jahre bestand, und mit dem ein Modell aufgebaut wird, und einen mit den Daten der letzten 2 Jahre, gegen den das Modell dann getestet wurde. Da mit den herk\u00f6mmlichen statistischen Verfahren keine akzeptablen Ergebnisse erzielt werden konnten, scheiterte das Projekt.<\/p>\n
Ein Mitarbeiter bei diesem Ozon-Projekt war der Statistiker Leo Breiman. Er schrieb aufgrund seiner hier gesammelten und weiterer Erfahrungen im Jahre 2001 den Artikel\u00a0Statistical Modeling: The Two Cultures, in dem er konstatierte, dass die Statistiker*innen mittlerweile zwei unterschiedliche \u201eKulturen\u201c hervorgebracht hatten: 1) die Kultur des statistischen Modellierens, bei der sie ausgehend von der Pr\u00e4misse, dass ein gegebenes stochastisches Datenmodell die Daten erzeuge, von den Daten zu ihren Schlussfolgerungen gelangten; 2) die Kultur des algorithmischen Modellierens, bei der ein Algorithmus ohne Vorannahmen \u00fcber einen etwaigen Datenmechanismus die Testdaten klassifiziert und aufgrund der schon vorliegender Daten zu Voraussagen kommt. Diese Kultur des algorithmischen Modellierens hatte sich vor allem au\u00dferhalb der Universit\u00e4ten als alternatives Vorgehen bei hochkomplexen Problemen entwickelt und etabliert.<\/p>\n
Breiman hielt die erste Kultur f\u00fcr die zu l\u00f6senden Probleme ungen\u00fcgend, weil die betrachteten Systeme ungeheuer gro\u00df und komplex sind und aus den Wissenschaften immer mehr Fragen aufkamen, die nicht beantwortet werden konnten. So mussten auch die Datenstrukturen immer komplexer werden und es wurde schwieriger, geeignete Datenmodelle zu konstruieren. Die zweite Kultur konnte hingegen wegen ihrer hohen Prognosegenauigkeit immer mehr Erfolge vorweisen.<\/p>\n
Den von Breiman geforderten Schwenk der Statistik weg von der Wahrscheinlichkeitstheorie und hin zu Algorithmen nannte der mit ihm befreundete Stanford-Professor Jerome Herold Friedman eine \u201eData-Mining-Revolution\u201c. Die Statistik sei an einem Scheideweg und er empfahl seiner Zunft: \u201emake peace with computing\u201d und \u201emoderate our romance with mathematics\u201d.<\/p>\n
Im gleichen Jahr forderte Chien-Fu Jeff Wu, Statistik-Professor in Michigan, seine Community auf, das Fach Statistik in Data Science umzubenennen und nicht mehr von \u201eStatistiker*innen\u201c, sondern von \u201eData scientists\u201c zu sprechen: \u201eIt is time in the history of statistics to make a bold move\u201c: Man m\u00f6ge sich auf die \u201egro\u00dfen Datenmengen\u201c fokussieren, sich den anderen Wissenschaften mehr \u00f6ffnen \u2013 auch f\u00fcr die Ausbildung von Datenwissenschaftler*innen sollten die anderen Wissenschaften treibend sein \u2013, deren empirisch-physikalischen Ansatz und deren Wissen zur Probleml\u00f6sung nutzen.<\/p>\n
\u201eSomething important changed in the world of statistics in the new millennium\u201d, schrieben Efron und Hastie. Die Ursache daf\u00fcr sahen sie in den M\u00f6glichkeiten der Voraussagealgorithmen, die das Fach Statistik zu Data Analytics und schlie\u00dflich zur Data Science wandelten. Mit ihren Erfolgen, die sich bei enorm gro\u00dfen Datenmengen einstellten, wurden die Algorithmen immer wichtiger. Efron und Hastie nennen sie die \u201emedia stars of the Big-Data era\u201c.<\/p>\n
Garri Kimowitsch Kasparow war von 1985 bis 2000 Schachweltmeister, der auch oft Wettk\u00e4mpfe mit Turnierbedenkzeit gegen Schachprogramme bestritt. Gegen den von der Firma IBM gebauten\u00a0Deep Thought\u00a0spielte er 1989 zwei Partien erfolgreich und auch dessen Nachfolger\u00a0Deep Blue\u00a0besiegte er im Jahre 1996 mit 4:2. Im Jahr darauf verlor er allerdings den R\u00fcckkampf mit 2,5:3,5.<\/p>\n
Der 1985 in die USA eingewanderte Taiwanese Feng-hsiung Hsu, der 1989 mit einer Arbeit \u00fcber Computerschach an der Carnegie Mellon University in Pittsburgh (Pennsylvania) promoviert wurde, konstruierte darauf aufbauend mit seinem Team den Computer\u00a0Deep Thought. Dessen Nachfolger\u00a0Deep Blue\u00a0entstand dann bei IBM in Zusammenarbeit von Hsu mit dem kanadischen Informatiker Murray S. Campbell.\u00a0Deep Blue\u00a0enthielt riesige Schach-Datenbanken, hatte enorme Rechenleistung und konnte enorm viele Z\u00fcge und Kombinationen simulieren. Diese gro\u00dfe Rechenkapazit\u00e4t, riesige Mengen von m\u00f6glichen Z\u00fcgen im Voraus durchzuprobieren, gelang sozusagen mit \u201eBrute Force\u201c (roher Gewalt).<\/p>\n
Weitaus komplexer als Schach und damit die weitaus gr\u00f6\u00dfere Herausforderung f\u00fcr die Entwickler von KI-Systemen war das japanische Spiel Go, dessen Brett mit seinen 19 x 19 Feldern gr\u00f6\u00dfer als das 8 x 8 Feld des Schachspiels ist und ungleich mehr m\u00f6gliche Z\u00fcge bietet. Bei diesem Spiel versuchen beide Spieler mit ihren Steinen mehr Gebiete auf dem Spielfeld zu erobern als der Gegner. Dazu m\u00fcssen die Gebiete mit eigenen Steinen umzingelt werden. Zudem bringt das Schlagen von gegnerischen Steinen Punkte.<\/p>\n
Mit traditionellen Brute-Force-Algorithmen war das\u00a0Go-Spiel\u00a0gegen gute Spieler nicht zu gewinnen. Im Gegensatz zu Schach gab es f\u00fcr Go aber auch keine zweckm\u00e4\u00dfigen heuristischen Methoden, um eine gegebene Spielstellung zu bewerten. Erst das algorithmische Modellieren f\u00fchrte hier zum Ziel, als das Computerprogramm\u00a0AlphaGo\u00a0im Oktober 2015 den mehrfachen Go-Europameister Fan Hui (2. Dan) unter Turnierbedingungen besiegte.\u00a0AlphaGo\u00a0von der britischen Firma DeepMind nutzte ein k\u00fcnstliches neuronales Netzwerk f\u00fcr \u201eDeep Learning\u201c. Es kam damit einem von der Firma Facebook entwickelten System um wenige Wochen zuvor, denn am 27. Januar 2016 hatte Mark Zuckerberg gepostet, dass man dort einem Computer das Go-Spiel beigebracht habe. Noch im gleichen Jahr schlug\u00a0AlphaGo\u00a0den S\u00fcdkoreaner Lee Sedol, einen der weltbesten Go-Profispieler, nachdem es zuvor mit 30 Millionen Go-Partien trainiert wurde, die menschliche Meister gespielt hatten.<\/p>\n
Im Jahr 2017 stellte ein Team um Demis Hassabis und David Silver von Googles KI-Forschungszentrum DeepMind in London im Wissenschaftsmagazin\u00a0Nature\u00a0ein Nachfolgeprogramm vor:\u00a0AlphaGo Zero. Dieses Programm brauchte keinen menschlichen Lehrer mehr. Es erhielt die Go-Regeln und \u201elernte\u201c, indem es gegen sich selbst spielte. Ein neuronales Netzwerk und Voraussagealgorithmen bestimmten den jeweils n\u00e4chsten Zug. Gute Z\u00fcge wurden belohnt \u2013 man spricht von verst\u00e4rkendem maschinellem Lernen.<\/p>\n
Auch ChatGPT \u2013 die Abk\u00fcrzung f\u00fcr Generative Pre-trained Transformer (ein Umwandler, der zuvor trainiert wurde und Texte erzeugt) \u2013 beruht auf dem algorithmischen Modellieren des maschinellen Lernens. ChatGPT wurde mit gro\u00dfen Datenmengen trainiert, und wenn wir dieser neuen KI (NFAI) nun Fragen oder Anweisungen \u00fcbermitteln, so verarbeitet und analysiert es diese unter Nutzung seiner Trainingsdaten in seiner neuronalen Netzwerk-Architektur. Die relevanten Informationen werden herausgestellt und eine Antwort erzeugt, die das KI-System an uns zur\u00fccksendet. ChatGPT antwortet also aufgrund eines umfangreichen Trainings mit gro\u00dfen Datenmengen, darunter sind ein Textkorpus aus B\u00fcchern, Briefen, Wikipedia-Eintr\u00e4gen oder auch literarischen Text-
\nsammlungen, sowie das gesamte Gutenberg-Projekt.<\/p>\n
Die Antworten wurden nicht von ChatGPT erdacht, sondern sie sind als Wortfolgen entstanden, die nach algorithmisch gewonnenen Wahrscheinlichkeiten auf diese Weise zusammengesetzt wurden. Einen Sinn in diesen Antworten gibt es erst dann, wenn\u00a0wir\u00a0ihn darin erkennen, also wenn\u00a0wir\u00a0ihn denken, denn K\u00fcnstliche Intelligenz kann nicht denken!<\/p>","protected":false},"excerpt":{"rendered":"
Seitdem ChatGPT gegen Ende des Jahres 2022 f\u00fcr jedermann und kostenfrei nutzbar wurde, l\u00e4sst sich \u00fcber K\u00fcnstliche Intelligenz noch aufgeregter und emotional aufgew\u00fchlter diskutieren als zuvor. Chancen und Risiken dieser Technologie sind abzuwiegen, die zu erwartenden Ver\u00e4nderungen in Schule, Beruf, Studium, Wissenschaft und Wirtschaft, Privatleben und Arbeitswelt zu er\u00f6rtern, soziale und moralische Fragen zu stellen…<\/p>","protected":false},"author":5,"featured_media":90010,"menu_order":826,"template":"","meta":{"_relevanssi_hide_post":"","_relevanssi_hide_content":"","_relevanssi_pin_for_all":"","_relevanssi_pin_keywords":"","_relevanssi_unpin_keywords":"","_relevanssi_related_keywords":"","_relevanssi_related_include_ids":"","_relevanssi_related_exclude_ids":"","_relevanssi_related_no_append":"","_relevanssi_related_not_related":"","_relevanssi_related_posts":"","_relevanssi_noindex_reason":"","footnotes":""},"class_list":["post-83596","media-library","type-media-library","status-publish","has-post-thumbnail","hentry","focus-area-digitale-transformation"],"yoast_head":"\n