Kaum ein Thema wird derzeit medial so gehypt wie das Thema Künstliche Intelligenz. Vor allem eine Variante des maschinellen Lernens, das so genannte Deep Learning (siehe auch den SciViews-Beitrag Maschinenlernen mit Tiefgang), bei dem künstliche neuronale Netze immer weiter optimiert werden, sorgt für Furore. Mittlerweile übertreffen Deep-Learning-Algorithmen den Menschen auf bestimmten Gebieten sogar, beispielsweise beim Erkennen von Gesichtern.

Das Video des YouTube-Kanals explain-it, einem Anbieter von Erklärvideos aller Art, führt basal und solide in das Gebiet der KI ein. Infolge allzugroßer Vereinfachung geht allerdings so manche Differenzierung verloren. So etwa gleich zu Beginn: Bei der Unterscheidung zwischen schwacher und starker KI geht es nicht nur darum, dass erstere nur jeweils eine spezielle Aufgabe bewältigen kann, während letztere über eine allgemeine Intelligenz verfügt. Vielmehr drückt der Begriff "schwache KI" – und nur die konnten Wissenschaftler bislang realisieren – auch aus, dass ein künstliches System Intelligenz lediglich simuliert, in Wirklichkeit aber ziemlich dumm ist.

Zudem lernt nicht jedes künstliche neuronale Netz durch Feedback, wie der Clip suggeriert. Maschinelles Lernen kennt viele Ansätze. Beim so genannten Bestätigungslernen ist zwar tatsächlich Feedback im Spiel. Hierbei erhält ein künstliches neuronales Netz eine Rückmeldung auf seinen Output. Hat es etwa zu Recht ein Bild als Hund klassifiziert, bekommt es eine "Belohnung". Auch bei Menschen spielt diese Lernform eine wichtige Rolle.

Beim unüberwachten Lernen erhalten die Netze hingegen nur einen Input. Etwa in den Pixeln eines Bildes versuchen sie dann, selbständig und ohne Feedback Muster zu erkennen, die sich vom Hintergrundrauschen abheben, und allmählich die Bilder in verschiedene Kategorien einzuordnen.

Die derzeitigen Schwächen der KI enthält uns das Video ebenfalls vor. Ausgerechnet das im Clip erwähnte ein Vorzeigeprojekt Watson von IBM legt sie offen. Dieses Computerprogramm sollte eigentlich die Behandlung von Krebs revolutionieren, indem es unter anderem die Symptome des Patienten, seine individuelle genetische Ausstattung und relevante Studien auswertet, um anschließend Ärzte mit einer auf den Patienten zugeschnittenen Diagnose und Behandlungsempfehlung zu unterstützen.

Dass Watson bessere Therapieempfehlungen gibt als ausgebildete Onkologen, ist allerdings bislang, so berichtet etwa heise.de, nicht erwiesen. Eines der Probleme: Maschinelle Lerner wie Watson sind in Sachen Training wahre Datenfresser. Um etwa zu erkennen, wie bestimmte Gene mit einer Krebserkrankung verknüpft sind, bräuchte Watson Krankenakten und DNA-Analysen von Tausenden Patienten mit bestimmten Erkrankungen und Analysen. Doch gerade solche Daten sind Mangelware. Letztlich ist die KI höchstens so gut, wie die Daten, mit denen sie trainiert. Und selbst Watson muss sich noch viel zu sehr auf Onkologen verlassen, die ihr Wissen mit ihm teilen.