Es scheint eine endlose Debatte über autonome Fahrzeuge zu geben. Obwohl die Meinungen sehr unterschiedlich sind, fallen viele in die Lager der Optimisten und Pessimisten. Die Optimisten unter den Optimisten glauben nicht nur, dass der Bau eines autonomen Fahrzeugs möglich ist, sondern dass ein autonomes Fahrzeug in gewisser Weise bewusst und lebendig ist, oder glauben, dass echte künstliche allgemeine Intelligenz nicht so weit entfernt ist. Die Pessimisten glauben, dass Tesla nicht nur bei der Entwicklung von Full Self Driving scheitern wird, sondern dass alle, die es versuchen, scheitern werden. Selbst die Pessimisten, die glauben, dass Tesla und andere Unternehmen erfolgreich sein könnten, weisen oft darauf hin: früherer Fehler oder aktuelle Sicherheitsbedenken.
Ein Diagramm eines sehr einfachen künstlichen neuronalen Netzes. Bild von Glosser.ca, CC-BY-SA 3.0-Lizenz.
Wie es oft passiert, wenn die Extreme streiten, liegt die Wahrheit irgendwo dazwischen. Um an diese Wahrheit zu gelangen, müssen wir wirklich etwas von der Mystik loswerden und uns ansehen, was künstliche neuronale Netze wirklich sind.
Für die Datenwissenschaftler da draußen weiß ich, dass dies eine zu starke Vereinfachung sein wird, aber im Kern besteht ein künstliches neuronales Netzwerk aus einer großen Anzahl von geschichteten sich selbst anpassenden Funktionen. Mit anderen Worten, viele kleine Teile der statistischen Mathematik passen sich an die Trainingsdaten an (mit unterschiedlichen Aufsichtsebenen), um die richtigen Ergebnisse zu erzielen.
Beispielsweise könnte jedes Pixel eines Bildes eine Eingabe sein, und das künstliche neuronale Netz entscheidet, ob das Bild das eine oder andere ist, aber nur, wenn die dafür verwendeten Trainingsdaten die reale Welt gut widerspiegeln. Vereinfacht gesagt ist ein künstliches neuronales Netz nur so gut wie seine Trainingsdaten.
Im Gegensatz zum einfachen Beispiel rechts kann ein künstliches neuronales Netzwerk, das etwas Nützliches tut, Millionen oder sogar Milliarden von Eingaben, noch mehr Knoten für die Berechnung und eine große Anzahl von Ausgaben haben. Dann werden mehrere Netzwerke so programmiert, dass sie zusammenarbeiten, sodass verschiedene neuronale Netzwerke verschiedene Aufgaben gemeinsam ausführen können.
Aber im Kern ist jedes neuronale Netzwerk immer noch nur eine Ansammlung von Knoten, die angepasst werden, um die richtigen Ausgaben für Trainingsdaten zu erzeugen, und dann nicht wirklich spontan an minimal neue Situationen angepasst werden können. Nehmen wir als Beispiel diese neuronalen Netze:
So groß und komplex sie auch sind, sie sind nur dazu gedacht, zu entscheiden, welche Zahl (0–9) eine bestimmte Ziffer ist. Wenn Sie sie mit einem Grenzfall präsentieren, werden sie nicht die richtige Antwort oder überhaupt keine Antwort liefern. In der realen Welt treten jedoch ständig Grenzfälle auf, sogar bei Zahlen.
Da ist zum Beispiel die häufiges „rückwärts neun“ in der chinesischen Bevölkerung. Während es andere chinesische Zahlensysteme gibt, hat das im Westen gebräuchliche hindu-arabische Zahlensystem seinen Weg über die Seidenstraße gefunden und wird jetzt in Ostasien gebräuchlich, jedoch mit einigen Änderungen. Am bemerkenswertesten ist die „rückwärts gerichtete“ Neun (es ist der richtige Weg für sie) oder eine „Loop-on-a-Stick“-Version von Neun. Die chinesische Bevölkerung verwendet auch andere Zahlensysteme, wie die chinesischen Zeichen für Zahlen (das ist wie bei uns, wenn wir eine Zahl wie “dreiundsiebzig” anstelle von “73” schreiben, z. B. beim Ausstellen eines Schecks) und weniger verbreitete alte Systeme, die auf Zählstäbe. Aber das ist eine andere Geschichte, die den Rahmen dieses Artikels sprengen würde.
Auch wenn wir davon ausgehen, dass nur hindu-arabische Ziffern verwendet werden, sind chinesische Varianten wie die Rückwärts-Neun global gesehen kaum ein Randfall. Chinesische Sprachen sind bei weitem die gebräuchlichsten auf der Erde, und das ist, bevor Sie andere ostasiatische Kulturen in Betracht ziehen, die möglicherweise eine etwas andere Verwendung der hindu-arabischen Zahlen haben. Der Randfall kann tatsächlich weltweit häufiger vorkommen als die westliche Norm.
Wenn Sie jedoch ein neuronales Netzwerk aufbauen und trainieren, das keine Rückwärtsneunen kennt, wird es auf Probleme stoßen, wenn es darauf stößt. Sicher, Sie können eine verbesserte Version mit besseren Trainingsdaten erstellen, die alle Zahlensysteme und alle gängigen regionalen Varianten davon enthält, aber die ursprünglich für den westlichen Gebrauch gebaute Version kann sich einfach nicht anpassen oder kontextbezogen lernen, wie wir es können.
Wenn Sie beispielsweise auf geklickt haben der Link zu den Rückwärtsneunen, auf dem Restaurantcheck ist offensichtlich, dass es eine Neun ist. Unser Gehirn kann sich kontextabhängig anpassen und improvisieren und das herausfinden. Wir sind bewusste Wesen, keine „Fleischcomputer“, also sind wir nicht hilflos, wenn wir auf etwas anderes oder ungewöhnliches stoßen.
Die universelle Steckdose: Der beste Weg, um den wahren Nutzen künstlicher neuronaler Netze zu verstehen
Versteh mich nicht falsch. Künstliche neuronale Netze sind wirklich erstaunlich. Sie können viele erstaunliche Dinge tun, wie jeder Tesla-Besitzer weiß. Ich versuche überhaupt nicht, sie niederzulegen oder zu verspotten. Ich versuche, sie in einen Kontext zu setzen, damit wir sie für die erstaunlichen Dinge schätzen können, die sie sind, und nicht enttäuscht werden, wenn sie unrealistische Erwartungen nicht erfüllen.
Wenn wir von künstlichen neuronalen Netzen menschliche oder sogar tierische Intelligenz erwarten, werden sie uns konsequent im Stich lassen. Sie können sich nicht anpassen, den Kontext berücksichtigen, mit kulturellen Werten vergleichen oder so improvisieren, wie wir es können. Sie sind einfach nicht darauf ausgelegt, das zu tun, was wir tun, was im Grunde wie folgt lautet:
Eine Visualisierung von Colonel John Boyds OODA Loop-Konzept. Bild von Edwin Moran, CC-BY-Lizenz.
Künstliche neuronale Netze können wahrscheinlich einige der Dinge im OODA-Schleife, aber sie können nicht alles. Wenn wir das von ihnen erwarten, werden sie uns enttäuschen.
Stattdessen schlage ich vor, dass wir sie mit dem „Universal Socket“ vergleichen, einem Werkzeug, das sich automatisch an verschiedene Muttern und Schrauben anpasst.
Natürlich gibt es viele Aufgaben, die der „Universal Socket“, „Magic Socket“ oder wie auch immer Sie ihn nennen, nicht ausführen kann, aber das bedeutet nicht, dass er nicht extrem nützlich ist. Es ist die einzige Möglichkeit, mit einem Elektrowerkzeug beispielsweise einen Klettverschluss anzutreiben. Die Tatsache, dass es Grenzen hat, bedeutet nicht, dass es wertlos ist.
Die normale „Wenn-Dann“-Programmierung ist wie ein normaler Steckschlüssel. Jede Buchse passt zu einer bestimmten Muttern- oder Bolzengröße, genau wie ein herkömmliches Computerprogramm niemals zu etwas anderem passt, als wofür es gebaut wurde. Künstliche neuronale Netze sind wie der „Universal Socket“. Sie sind anpassungsfähiger als normale Programmierung, aber nicht unendlich anpassungsfähig an fast alle Situationen, wie es der menschliche Geist ist.
Wie ich schon sagte, künstliche neuronale Netze sind erstaunlich, aber sie sind noch nützlicher und erstaunlicher, wenn wir sie für das schätzen, was sie sind, anstatt von ihnen zu erwarten, dass sie Dinge tun, die außerhalb ihrer Reichweite liegen. Ob das Autofahren unter fast allen Bedingungen und an fast allen Orten außerhalb ihrer Reichweite liegt, steht noch zur Debatte, und ich glaube wirklich, niemand weiß es genau, aber wir wissen bereits, dass sie uns im Einsatz sicherlich gut helfen können verantwortungsbewusst.
Schätzen Sie die Originalität von CleanTechnica? Ziehen Sie in Erwägung, CleanTechnica-Mitglied, Unterstützer, Techniker oder Botschafter zu werden – oder ein Förderer von Patreon.
