Zum Inhalt springen
← BuchübersichtKapitel 4 von 488 %
Inhalt
  1. 1Winter is coming
  2. 2Die vier apokalyptischen Reiter
  3. 2.1Der erste apokalyptische Reiter: Roboter
  4. 2.2Der zweite apokalyptische Reiter: Künstliche Intelligenz
  5. 2.3Der dritte apokalyptische Reiter: Virtualisierung
  6. 2.4Der vierte apokalyptische Reiter: X-Tralisierung
  7. 3Disruption in der Praxis
  8. 3.1Banken
  9. 3.2Gastronomie
  10. 3.3Verkehr und Transport
  11. 3.4Lager, Logistik und Auslieferungen
  12. 3.5Landwirtschaft
  13. 3.6Hotel- und Tourismusbranche
  14. 3.7Gesundheitssektor
  15. 3.8Büroberufe, Beamte und der öffentliche Dienst
  16. 3.9Techniker, Mechatroniker und Mechaniker
  17. 3.10Designer und Gestalter
  18. 3.11Einzelhandel
  19. 3.12Maler, Klempner und andere Berufe rund um das Handwerk
  20. 3.13Maurer, Architekten und Immobilienmakler
  21. 3.14Lehrer, Dozenten und Professoren
  22. 3.15Autoren und Verlage
  23. 3.16Journalisten
  24. 3.17Schauspieler und Musiker
  25. 3.18Übersetzer, Dolmetscher und Synchronsprecher
  26. 3.19Berater, Experten und Coaches
  27. 4Datenschutz und Privatsphäre
  28. 5Überleben trotz der vier apokalyptischen Reiter
  29. 5.1Digitale Kompetenzen aufbauen
  30. 5.2Lebenslanges Lernen
  31. 5.3Erkenne die Wichtigkeit von globaler Kommunikation
  32. 5.4Die Aufmerksamkeitsfalle
  33. 5.4.1Zufällige Belohnungen
  34. 5.4.2IKEA-Effekt
  35. 5.4.3Geschichten
  36. 5.4.4Neugierde
  37. 5.4.5Knappheit
  38. 5.4.6Sammeln
  39. 5.5Die Geschwindigkeit von technischen Errungenschaften
  40. 5.6Mut zum Risiko
  41. 5.7Limitierungen sind dein Freund
  42. 5.8Agile Methoden
  43. 5.9Das Umfeld macht den Unterschied
  44. 5.10Folge-deinem-Herzen-oder-deinen-Träumen-Bullshit
  45. 6Die letzte Festung
  46. 6.1Ist die letzte Festung unerreichbar für Maschinen?
  47. 6.2Was bedeutet dies in allerletzter Instanz?
  48. 7Schlusswort des Autors

Job Disruption · Kapitel 2.2

Der zweite apokalyptische Reiter: Künstliche Intelligenz

Schon heute werden Roboter mit künstlicher Intelligenz ausgestattet. Zur besseren Unterscheidung steht der zweite apokalyptische Reiter aber nur für die körperlose künstliche Intelligenz. Die Anwendungsszenarien unterscheiden sich hierbei grundlegend. Eine künstliche Intelligenz in einem Roboter dient dazu, diesen Körper zu steuern und dem Roboter dadurch die Möglichkeit zu geben, verschiedene Funktionen zu erfüllen oder Tätigkeiten durchzuführen.

Der zentrale Unterschied zwischen einem normalen Computerprogramm und einer künstlichen Intelligenz ist, dass bei einem normalen Computerprogramm der Programmierer die Regeln und Abläufe im Programm festlegt. Bei einer künstlichen Intelligenz ist dies anders. Hier werden künstliche neuronale Netze mit einer großen Menge an Daten gefüttert.

Künstliche Intelligenz ist aber nicht gleich künstliche Intelligenz. In der Informatik wird es als Oberbegriff für Maschinen genutzt, die in der Lage sind Probleme selbst zu lösen. Diese Begriffsdefinition wird gerne im Marketing genutzt, indem Unternehmen behaupten, dass in ihren Produkten künstliche Intelligenz eingesetzt wird. Das klingt zwar gut, hat aber oft nichts mit den Durchbrüchen auf dem Feld der künstlichen Intelligenz zu tun, die in den letzten Jahren erzielt wurden. Denn dort wurden Techniken wie „Deep Learning“ oder „Reinforcement Learning“ genutzt, die auf künstlichen neuronalen Netzen aufbauen.

Die Grundidee hinter künstlichen neuronalen Netzen ist, das Verhalten des menschlichen Gehirns zu imitieren. In unseren Gehirnen befindet sich eine riesige Anzahl an Neuronen; genau genommen liegt der Durchschnitt bei 86 Milliarden Neuronen in einem Gehirn. Diese Erkenntnis haben wir aber erst seit gut hundert Jahren. Früher wurde angenommen, dass das Gehirn ein undifferenziertes Gewebe ist. Doch im Jahr 1901 erkannte der spanische Physiologe Santiago Ramon y Cajal, dass die Vernetzung der Nervenzellen eine Richtung für die Informationsübertragung festlegt. Dadurch wurde festgestellt, dass die Kopplung der Nervenzellen einem hierarchischen System entspricht.

Dieses Konstrukt von Neuronen, das im Gehirn verwendet wird, lässt sich in Teilen künstlich nachbauen. Diese künstliche Struktur wird als künstliches neuronales Netz bezeichnet. Sie sollte aber nicht mit einer echten menschlichen Intelligenz verwechselt werden, denn bis heute haben Forscher noch nicht herausgefunden, wie unsere Intelligenz wirklich funktioniert. Deshalb unterscheiden sich die Techniken, die in künstlichen neuronalen Netzwerken eingesetzt werden, maßgeblich von den biochemischen Vorgängen in unserem Gehirn.

Die heute in der Informatik eingesetzten Verfahren werden als schwache künstliche Intelligenz bezeichnet. Das bedeutet jedoch nicht, dass sie uns nicht in Teilgebieten schlagen kann. Wenn ein künstliches neuronales Netz mit großen Mengen an Daten gefüttert wurde, gelingt es ihm, verschiedene Annahmen zu treffen. Auf Grundlage dieser Annahmen können Entscheidungen getroffen werden, die das Computersystem im nächsten Schritt umsetzt. Dieser Vorgang hat mit unserer Intelligenz jedoch wenig zu tun.

Lange Zeit schien es so, als wären die Forschungen auf dem Gebiet der künstlichen Intelligenz nicht erfolgversprechend. So sagte Sergey Brin (der Mitbegründer von

Google) in einem Interview, dass in den 1990ern jeder wusste, dass künstliche Intelligenz nicht funktioniert. Doch nur ein paar Jahre später steckt KI in nahezu jedem Google-Projekt.

Dieser große Fortschritt hat zwei maßgebliche Gründe:

  • den exponentiellen Anstieg der verfügbaren Datenmenge und
  • die exponentielle Erhöhung der Rechenleistung.

Das Volumen der erzeugten Daten ist in den letzten Jahren stark gestiegen. Im Jahr 2012 wurde vorausgesagt, dass das weltweit generierte Datenvolumen im Jahr 2016 bei knapp über 10 Zettabytes liegen würde. Tatsächlich lag das Datenvolumen im Jahr 2016 jedoch schon bei 16,1 Zettabytes. Für das Jahr 2025 wird geschätzt, dass das jährlich generierte Datenvolumen bei 163 Zettabytes liegen wird.

Diese großen Datenmengen müssen natürlich verarbeitet werden. Heutzutage werden jedoch die Berechnungen für die Erstellung von künstlichen neuronalen Netzen nicht auf Prozessor-Architekturen durchgeführt, die man z. B. aus dem heimischen Computer kennt, sondern auf speziellen GPU-Architekturen. Bei GPU-Architekturen handelt es sich um Grafikprozessoren, die sonst nur zur Berechnung von Computerspielen genutzt werden. Es stellte sich heraus, dass sich genau diese Art von Prozessoren besonders gut für die mathematischen Berechnungen eignen, die für künstliche neuronale Netzwerke verwendet werden. NVIDIA – ein Haupthersteller von GPU-Systemen – hat im Mai 2017 angekündigt, dass im Jahr 2025 die Leistung der GPU-Architektur tausendmal so hoch sein soll wie die der Architekturen, die in normalen Computern verwendet werden (CPU). Diese Prognosen lassen darauf schließen, dass im Bereich der künstlichen Intelligenz in den nächsten Jahren ebenfalls weitere große Fortschritte erzielt werden.

Doch schon heute sind die Anwendungsmöglichkeiten revolutionär. So schienen Sprachassistenten wie Alexa, Siri oder Google Assistant vor zehn Jahren noch in weiter Ferne zu liegen, doch heute sind sie bereits im Alltag angekommen. Der wahrscheinlich revolutionärste Fortschritt der letzten Jahre im Bereich der künstlichen Intelligenz gelang Google; eine Errungenschaft, bei der selbst Spezialisten sagten, dass dieser Meilenstein noch mindestens zehn Jahre entfernt wäre oder vielleicht sogar niemals erreicht werden würde. Doch im März 2016 bewies Google, dass sich diese Spezialisten verschätzt hatten. Denn in diesem Monat spielte Googles künstliche Intelligenz AlphaGo gegen den anerkannt besten Go-Spieler der Welt, Lee Sedol. In diesem Duell Mensch gegen Maschine wurden fünf Partien gespielt und am Ende gewann die Maschine mit 4:1.

Man könnte annehmen, dass es sich hierbei um nichts Außergewöhnliches handelt, sondern um etwas, was vielleicht zu einer Randnotiz auf Seite 13 in einer Tageszeitung taugt. Schließlich wurde der beste Schachprofi bereits im Jahr 1997 von einem Computersystem entthront. Doch zwischen Schach und Go gibt es einen großen Unterschied. Schach ist nicht so komplex wie Go. Go lässt sich nicht wie Schach durch starke Rechenleistung lösen, weil die Anzahl der zu berechnenden Züge beim Go die Anzahl der Atome im Universum übertrifft.

Werden die besten Go-Spieler der Welt gefragt, warum sie einen bestimmten Zug durchgeführt haben, können sie ihren Zug oft nicht logisch erklären, weil sie ihn intuitiv gewählt haben. Es ist also ein Bauchgefühl, der Zug fühlte sich gut an.

Während der fünf Spiele zwischen Lee Sedol und AlphaGo gingen zwei Züge in die Geschichte ein. Im 37. Zug des zweiten Spiels setzte Googles künstliche Intelligenz einen Baustein auf die fünfte Reihe. Dieser Zug war so ungewöhnlich, dass die Kommentatoren, die das Event live verfolgten, diesen Zug für einen Eingabefehler hielten. Es war ein undenkbarer Zug, denn bis zu diesem Zeitpunkt war die allgemeine Lehrmeinung, dass ein solcher Spielzug auf diese Reihe immer eine schlechte Idee ist. Doch gerade wegen dieses Zugs gewann AlphaGo am Ende das Spiel und schrieb damit tausende Jahre Geschichte um. Denn in Asien existiert die Go-Kultur bereits seit über 2.500 Jahren. In China gibt es sogar spezielle Go-Schulen, in denen talentierte Kinder gefördert werden.

Der zweite Zug, der in die Geschichte einging, kam nicht von AlphaGo, sondern von Lee Sedol. Es war Zug 78 im vierten Spiel. Zu diesem Zeitpunkt sagten die Kommentatoren, dass es nicht wirklich gut für Lee Sedol aussähe und er einen besonderen Zug machen müsste, weil er dieses Spiel wohl sonst nicht gewinnen würde. Er dachte 30 Minuten über seinen nächsten Zug nach und spielte dann genau diesen besonderen Zug. Einen Zug, der sowohl die Kommentatoren als auch AlphaGo überraschte. Und genau das war die Absicht dieses Zugs: den Gegner, in diesem Fall AlphaGo, zu verwirren. AlphaGo gab tatsächlich laut internen Berechnungen diesem Zug nur eine Chance von 1 zu 10.000, dass ein Mensch ihn spielen würde. Der Gegenzug von AlphaGo war rückwirkend betrachtet ein katastrophaler Fehler, der dafür sorgte, dass AlphaGo diese Partie verlor. Hier zeigt sich eine nette Parallele zu uns Menschen. Auch wir sind manchmal einer Situation ausgesetzt, die uns überrascht und bei der wir uns rückblickend fragen, warum wir in dem Moment so schlecht reagiert haben. Schließlich hätte es eine Menge besserer Alternativen gegeben.

Nach dem Go-Turnier gab es noch ein paar Optimisten, die Hoffnung hatten, dass der Mensch doch noch eine Chance gegen AlphaGo hätte. Denn schließlich gelang es Lee Sedol, eine Partie zu gewinnen. Doch heute ist diese Chance praktisch nicht mehr gegeben. Ende 2017 stellte Google eine neue Version ihrer künstlichen Intelligenz mit dem Namen AlphaGo Zero vor, die nicht nur zwölfmal weniger Ressourcen benötigt, sondern auch spielerisch der alten Version AlphaGo deutlich überlegen ist. So schlug diese neue Version die alte mit 100 zu 0.

Im August 2018 wurde ein weiterer Meilenstein erreicht. Die künstliche Intelligenz der gemeinnützigen Organisation OpenAI gewann ein Fünfgegenfünf-Match im Computerspiel Dota 2 gegen ein menschliches Team. Die fünf menschlichen Spieler, die gegen die künstliche Intelligenz antraten, gehörten zu den 0,05 % der besten Dota-2-Spieler weltweit.

Der wichtigste Unterschied zwischen diesem Spiel und dem Spiel Go ist, dass nicht alle Informationen offen zu sehen sind. Das bedeutet, die Spieler müssen, genau wie die künstliche Intelligenz, auf Grundlage begrenzter und nicht vorhandener Informationen strategische Entscheidungen treffen und konstant versuchen, ihre Informationen zu validieren. Ein weiterer großer Unterschied ist, dass Go ein rundenbasiertes Spiel ist. Spieler machen abwechselnd nacheinander ihre Züge, während bei Dota 2 die Aktionen gleichzeitig in Echtzeit ausgeführt werden.

AlphaGo Zero lernte Go selbstständig und ohne Vorgaben von außen. Bei der künstlichen Intelligenz für das Spiel Dota 2 gingen die OpenAI-Entwickler einen anderen Weg. Sie gaben dem System eine Vielzahl von Variablen vor und ließen es so nur bestimmte Aspekte selbstständig lernen. Nichtsdestotrotz handelt es sich hierbei um eine großartige Leistung im Feld der künstlichen Intelligenz.

Aktuell forscht Google am nächsten Meilenstein: das Computerspiel Starcraft 2 zu beherrschen. Oriol Vinyals von DeepMind gab in einem Interview im März 2018 an, dass er noch nicht voraussagen könnte, ob es ihnen gelingen würde, eine künstliche Intelligenz zu entwickeln, die die besten Spieler der Welt in Starcraft 2 schlagen kann. Doch weniger als ein Jahr später wurde auch diese Hürde gemeistert. Im Januar 2019 stellte DeepMind die künstliche Intelligenz AlphaStar vor. Im direkten Vergleich gewann AlphaStar mit 10:1. Bei genauer Betrachtung der Spiele zeigt sich, dass die künstliche Intelligenz bestimmte Aspekte des Spiels deutlich besser handhabt, als Menschen es jemals könnten. Gleichzeitig zeigte sie aber auch taktische und strategische Schwächen. Gelingt es AlphaStar in der nächsten Version, diese Schwächen auszumerzen, geht auch diese Disziplin an die Maschinen.

Doch warum wird so viel Zeit und Energie investiert, um Systeme zu entwickeln, die die besten Computerspieler der Welt schlagen können?

Ein Computerspiel hat verschiedene Vorteile. Es stellt im Gegensatz zu unserem Planeten eine deutlich weniger komplexe Welt dar. Außerdem lassen sich Tätigkeiten und Handlungsabfolgen schneller als in Echtzeit durchführen. Dadurch ist es z. B. möglich, dass ein Computersystem innerhalb von wenigen Stunden Erfahrung aufbaut, für die Menschen Jahre oder Jahrzehnte benötigen würden.

Doch das alles ist nicht entscheidend. Vielmehr geht es um die Möglichkeit, eine entwickelte Technologie auf andere Bereiche zu übertragen. DeepMind, die GoogleTochter hinter der künstlichen Intelligenz von AlphaGo und AlphaGo Zero, unterscheidet sich im Ansatz grundlegend von den Entwicklungen von OpenAI. DeepMind geht es darum, einen universellen Algorithmus zu entwickeln, der nicht nur eine Tätigkeit beherrscht, wie z. B. den besten Go-Spieler der Welt zu schlagen, sondern der auch in anderen Bereichen eingesetzt werden kann. Genau dies demonstrierten sie mit AlphaZero, nicht zu verwechseln mit AlphaGo Zero. AlphaZero lernte Schach in kürzester Zeit und war bereits nach vier Stunden besser als das weltbeste Schachprogramm Stockfisch 8.17 Von 100 Partien gewann AlphaZero 28 – und 72 gingen unentschieden aus. AlphaZero verlor nicht eine Partie. Die Entwicklungsjahre, die in Stockfisch 8 geflossen sind, um das beste Schachprogramm der Welt zu schaffen, wurden innerhalb von kürzester Zeit bedeutungslos.

Viele Menschen denken heute: „Ich habe so viel Erfahrung in meinem Job, das könnte eine Maschine niemals in kürzester Zeit lernen.“ Die Fortschritte im Bereich der künstlichen Intelligenz zeigen, dass dies nicht immer stimmen muss.