Seit dem 17. Jahrhundert, als Johannes Kepler mit seinen präzisen mathematischen Gesetzen zur Vorhersage der Planetenbewegungen die Astronomie revolutionierte, haben wir einen langen Weg zurückgelegt. Doch diese Modelle waren zwar beeindruckend, konnten jedoch nicht erklären, warum sich die Planeten so bewegten, wie sie es taten. Ein tieferes Verständnis kam erst mit Isaac Newton und seiner Formulierung der Gravitationsgesetze. Heute stellen wir Parallelen zwischen dieser Geschichte und dem aktuellen Stand der künstlichen Intelligenz her.
KI-Systeme sind mittlerweile in der Lage, in Bereichen wie Sprache, Bilderkennung und sogar wissenschaftlicher Modellierung präzise Vorhersagen zu treffen – eine Tatsache, die uns Keplers Beiträge lebhaft in Erinnerung ruft. Aber verstehen diese Systeme die Welt wirklich, oder ahmen sie lediglich Muster nach – ähnlich wie Keplers Modelle, denen Newtons tiefgreifende Einsichten fehlten? Diese beunruhigende Frage weckt bei Wissenschaftlern eine wachsende Neugier.
Ein Forscherteam des Laboratory for Information and Decision Systems (LIDS) am MIT und der Harvard-Universität machte es sich zur Aufgabe, diesem faszinierenden Rätsel auf den Grund zu gehen und die Tiefe des Verständnisses von KI zu erforschen. Ihr Ziel? Festzustellen, ob KI interne Modelle der Welt erstellen kann – so etwas wie ein “Weltmodell”, das eine Verallgemeinerung ihrer Vorhersagen ermöglicht. Keyon Vafa, Postdoktorand an der Harvard-Universität und Hauptautor der Studie, merkte an, dass die Herausforderung darin bestand, festzustellen, ob KI den Sprung von der Erstellung genauer Vorhersagen hin zur Konstruktion von Weltmodellen, wie sie Menschen erstellen, geschafft hat.
Sendhil Mullainathan, Professor am MIT und leitender Autor der Studie, wies auf das größte Hindernis hin, das ihnen im Weg stand: die Definition von ‘Verstehen’ im Kontext der KI. Sie wussten zwar, wie man die Vorhersagegenauigkeit eines Algorithmus misst, benötigten jedoch eine fundierte Methode, um dessen Verständnisfähigkeit zu bewerten. Um dies zu überwinden, entwickelte das Team eine Metrik namens ‘induktive Verzerrung’, ein Maß dafür, wie gut die Schlussfolgerungen eines KI-Systems die realen Gegebenheiten widerspiegeln.
Das Team versuchte, die Tiefe des Verständnisses der KI unter verschiedenen Szenarien mit zunehmender Komplexität aufzudecken. Bei einem einfachen eindimensionalen Gittermodell, wie beispielsweise einem Frosch, der zwischen Seerosenblättern hüpft, zeigte die KI auf der Grundlage akustischer Hinweise eine hervorragende Leistung. Doch als die Komplexität zunahm, beispielsweise beim Übergang zu zwei- oder dreidimensionalen Gittern, geriet die KI ins Straucheln. Peter G. Chang, ein Doktorand am MIT, erklärte, dass ihr Modell in weniger komplexen Systemen eine starke induktive Tendenz zeigte, diese jedoch mit zunehmender Komplexität nachließ.
Angesichts der zunehmenden Bedeutung der KI für wissenschaftliche Entdeckungen sind die Auswirkungen dieser Studie erheblich. Die Vorhersage von Eigenschaften chemischer Verbindungen oder das Verständnis der Proteinfaltung erfordern mehr als nur Mustererkennung – sie setzen ein Verständnis der zugrunde liegenden Prinzipien voraus. Dies machte Keyon Vafa eine ernüchternde Tatsache bewusst: Selbst bei so grundlegenden Dingen wie mechanischen Konzepten ist es noch ein langer Weg.
‘Foundation-Modelle’ – große KI-Systeme, die anhand umfangreicher, domänenübergreifender Datensätze trainiert wurden – sorgen derzeit für große Aufregung. Von diesen Modellen wird erwartet, dass sie domänenspezifisches Wissen sammeln, das für die Lösung neuer Probleme von Nutzen ist. Aber sind wir dafür schon bereit? Unsere Studie gibt Anlass zum Nachdenken, meint Chang. Ihre Forschung hat jedoch einen Ansatz geliefert, um zu prüfen, ob KI präzise Weltmodelle erstellt – ein Werkzeug, das sowohl für Entwickler als auch für Wissenschaftler von unschätzbarem Wert ist.
In einer von KI beherrschten Welt könnte der Sprung von der Vorhersage zum Verständnis der nächste monumentale Schritt sein, ähnlich wie der von Kepler zu Newton. Wie Chang treffend zusammenfasst, können wir, sobald wir eine Metrik haben, diese effektiv optimieren, was einen vielversprechenden Weg für die KI aufzeigt.
Lesen Sie den Originalartikel unter MIT-Nachrichten.
Diese Website verwendet Cookies.