Generalisiert anwendbare KI: Hype und Stand der Forschung
Occasion
Generalisiert anwendbare Künstliche Intelligenz (KI) ist ein großes Forschungsziel. In den vergangenen Jahren gab es zwar erhebliche Fortschritte bei KI, die in einzelnen Bereichen und insbesondere Spielen – wie Go, Schach, Poker, aber auch Computerspielen wie Starcraft II oder Dota 2 – mit den besten menschlichen Spielern mithalten und sie sogar zum Teil konstant schlagen kann. Dabei handelte es sich aber immer um eine KI, die für diese eine konkrete Anwendung trainiert worden war und dieses Können nicht auf andere Anwendungen oder Spiele übertragen konnte. Diese Unfähigkeit, zu generalisieren, stellt einen zentralen Unterschied zum Lernen bei Menschen dar.
Aber auch generalisiert anwendbare KI ist in der wissenschaftlichen Forschung ein Thema. Das von OpenAI im Mai 2020 vorgestellte Sprachmodell GPT-3 kann Aufgaben lösen, deren Lösung es so spezifisch nie gelernt hat – auch wenn die Meinungen darüber auseinandergehen, ob GPT-3 wirklich „gelernt“ hat und wie komplex oder primitiv die getätigte Generalisierung nun ist []. Und Ende Juli hat DeepMind in einem Blogeintrag [] und einem Preprint [] einen Ansatz vorgestellt, mit dem KI-Agenten auch außerhalb eines konkret trainierten Szenarios passable Leistungen bringen können. Sie können das zuvor Gelernte also gewissermaßen generalisieren und in anderen Fällen sinnvoll anwenden.
Statements
Conflicts of interest
All: No information received.
Sources
Further research sources
Prof. Dr. Ute Schmid gibt folgende weitere Recherchequellen an:
Besold T et al. (2016). Why generality is key to human-level artificial intelligence. Advances in Cognitive Systems; 4: 13-24.
Schmid U et al. (2015): Can machine intelligence be measured in the same way as human intelligence? KI-Künstliche Intelligenz; 29: 291-297. DOI: 10.1007/s13218-015-0361-4.
References cited by the experts
[] Hernández-Orallo J et al. (2016): Computer models solving intelligence test problems: Progress and implications. Artificial Intelligence; 230: 74-107. DOI: 10.1016/j.artint.2015.09.011.
[] Schmid U et al. (2011): Inductive rule learning on the knowledge level. Cognitive Systems Research; 12 (3-4): 237-248. DOI: 10.1016/j.cogsys.2010.12.002.
[] Europäische Kommission (21.04.2021): Artificial Intelligence Act.
References cited by the SMC
[] Science Media Center (2020): Der Textgenerator GPT-3 von OpenAI – Hype oder Paradigmenwechsel? Press Briefing. Stand: 12.10.2020.
[] DeepMind Open-Ended Learning Team (27.07.2021): Generally capable agents emerge from open-ended play. Blogeintrag.
[] DeepMind Open-Ended Learning Team (2021): Open-Ended Learning Leads to Generally Capable Agents. arXiv.
Hinweis der Redaktion: Es handelt sich hierbei um eine Vorabpublikation, die noch keinem Peer-Review-Verfahren unterzogen und damit noch nicht von unabhängigen Experten und Expertinnen begutachtet wurde.

