ESSAY

Franz Josef Leven

künstliche Intelligenz

Der Begriff „künstliche Intelligenz"

Künstliche Intelligenz (Abk. KI) ist ein Teilgebiet der Informatik, in dem untersucht wird, wie man mit Hilfe von Computern Probleme löst, die Intelligenz voraussetzen. Als Geburtsstunde dieser Disziplin gilt eine Konferenz in Dartmouth (USA) 1956, für die John McCarthy (*1927) den Begriff artificial intelligence (Abk. AI) prägte, aus dem die nicht sehr glückliche deutsche Übersetzung „künstliche Intelligenz" entstand: Die Übersetzung von artificial durch „künstlich" trifft die Bedeutung nur teilweise („artificial" bedeutet auch „unecht", „erkünstelt"), und das Wort „intelligence" besitzt eine weitergehende Bedeutung als das deutsche Wort „Intelligenz" (z.B. „Information", „Nachricht" [vgl. CIA = Central Intelligence Agency]). Der Begriff „künstliche Intelligenz" besitzt eine Reizwirkung und weckt vielfach falsche Assoziationen in Richtung Science Fiction.
Für eine wichtige Klasse von KI-Systemen verwendet man den Begriff Wissensbasierte Systeme. Dadurch wird einerseits das Reizwort „künstliche Intelligenz" vermieden und andererseits ausgedrückt, daß intelligentes Verhalten auf der adäquaten Verwendung von Wissen beruht. Der Begriff Wissen kann im Kontext der Begriffe Daten und Informationen betrachtet werden: Wenn z.B. ein Patient untersucht wird, wenn Labortests durchgeführt werden, fallen Daten an. Daten (Datum) sind Merkmale, die ein Datenobjekt, z.B. einen Patienten, beschreiben. Wenn Daten für eine Entscheidung, z.B. eine Diagnose- oder Therapieentscheidung, interpretiert werden und sich als entscheidungsrelevant erweisen, werden sie zu Informationen. Ein Beispiel für Informationen sind Laborwerte, die sich als pathologisch herausstellen und zu einer entsprechenden Diagnose- und Therapieentscheidung führen. Wissen läßt sich charakterisieren als die „Fähigkeit, Daten richtig zu interpretieren" (G. Barth), und setzt im Beispiel der Behandlung eines Patienten sowohl systematisches Wissen als auch entsprechende Erfahrung des Arztes voraus. Wissen wird deshalb auch als die „Gesamtheit der Wahrnehmungen, Erfahrungen und Kenntnisse eines Menschen" charakterisiert. Ein zentrales Problem ist dabei ein adäquates Wissensmanagement, um die Flut der verfügbaren Informationen zu bewältigen.

Das Problem der KI

Die Problematik, ob intelligentes Verhalten nur von lebenden Organismen erzeugt werden kann oder ob bzw. unter welchen Voraussetzungen ein Computersystem als intelligent bezeichnet werden kann, läßt sich durch eine Denksportaufgabe illustrieren ( ü vgl. Abb. ).
Der engl. Mathematiker Alan M. Turing schlug 1950 das folgende Imitationsspiel vor, das später den Namen Turing-Test erhielt, mit dessen Hilfe man feststellen könne, ob ein Computer intelligent ist, d.h., wie ein intelligentes Wesen auf die ihm gestellten Fragen reagiert: Eine Testperson kommuniziert über ein Computerterminal mit 2 ihm nicht sichtbaren Partnern, einem Menschen und einem Computer. Sie muß durch Fragen herausfinden, welcher der Gesprächspartner der Mensch und welcher der Computer ist. Wenn es dem Computer gelingt, die Testperson zu täuschen, dann ist er intelligent. Bis heute hat kein Computer den Turing-Test bestanden – selbst bei eingeschränkten Wissensgebieten. Der Turing-Test ist durchaus umstritten, weil wesentliche Aspekte der Intelligenz, wie Wahrnehmung, Bewußtsein und Kreativität, nicht erfaßt werden.
Basierend auf den Arbeiten von Turing (u.a. dem Aufsatz „Computing machinery and intelligence") formulierten Allen Newell (1927–1992) und Herbert Simon (1916–2001) die Physical Symbol System Hypothesis, nach der Denken Informationsverarbeitung ist, Informationsverarbeitung ein Rechenvorgang, also Symbolmanipulation, ist und es auf das Gehirn als solches beim Denken nicht ankommt: „Intelligence is mind implemented by any patternable kind of matter."
Diese Auffassung, daß Intelligenz unabhängig von der Trägersubstanz ist, wird von den Vertretern der starken KI-These geteilt, wie z.B. Marvin Minsky (*1927), einem der Pioniere der KI, für den das Ziel der KI die „Überwindung des Todes" ist, oder von dem Roboterspezialisten Hans Moravec (*1948), der in seinem Buch „Mind Children" das Szenario der Evolution des postbiologischen Lebens beschreibt, wie ein Roboter das im menschlichen Gehirn gespeicherte Wissen auf einen Computerspeicher überträgt, so daß anschließend die Biomasse des Gehirns überflüssig wird und ein posthumanes Zeitalter beginnen kann, in dem das gespeicherte Wissen für beliebig lange Zeit zugreifbar bleibt.

Entwicklung und Paradigmenwandel in der KI

Insbesondere die Anfangsphase der KI war geprägt durch eine fast grenzenlose Erwartungshaltung im Hinblick auf die Fähigkeit von Computern, „Aufgaben zu lösen, zu deren Lösung Intelligenz notwendig ist, wenn sie vom Menschen durchgeführt werden" (Minsky). Der spätere Nobelpreisträger Simon prognostizierte 1957 u.a., daß innerhalb der nächsten 10 Jahre ein Computer Schachweltmeister werden und einen wichtigen mathematischen Satz entdecken und beweisen würde – Prognosen, die nicht zutrafen und die Simon 1990, allerdings ohne Zeitangabe, wiederholte. Immerhin gelang es 1997 dem von IBM entwickelten System Deep Blue, den Schach-Weltmeister Garry Kasparow in 6 Partien zu schlagen.
Newell und Simon entwickelten in den 1960er Jahren den General Problem Solver, ein Programm, das mit einfachen Methoden beliebige Probleme lösen können sollte – ein Projekt, das nach fast zehnjähriger Entwicklungsdauer schließlich eingestellt wurde. McCarthy schlug 1958 vor, das gesamte menschliche Wissen in eine homogene, formale Darstellungsform, die Prädikatenlogik 1. Stufe, zu bringen ( ü vgl. Infobox 1 ). Die Idee war, Theorem-Beweiser zu konstruieren, die symbolische Ausdrücke zusammensetzen, um über das Wissen der Welt zu diskutieren. Ende der 1960er Jahre entwickelte Joseph Weizenbaum (*1923) mit einer relativ simplen Strategie das Programm ELIZA, in dem der Dialog eines Psychiaters mit einem Patienten simuliert wird. Die Wirkung des Programms war überwältigend. Weizenbaum war selbst überrascht, daß man auf relativ einfache Weise Menschen die Illusion eines beseelten Partners vermitteln kann.
Auf einigen Gebieten erzielte die KI Erfolge, z.B. bei Strategiespielen (Schach, Dame, usw.), bei mathematischer Symbolverarbeitung, bei der Simulation von Robotern, beim Beweisen von logischen und mathematischen Sätzen und schließlich bei Expertensystemen. In einem Expertensystem wird Expertenwissen formal, z.B. in Form von Regeln, repräsentiert und auf gegebene Fakten angewandt, um auf neue bis dahin nicht bekannte Fakten zu schließen. Expertensysteme können ihre Problemlösung durch Angabe des benutzten Wissens erklären. Einzelne Wissenselemente können relativ leicht hinzugefügt, verändert oder gelöscht werden. Expertensysteme verfügen über komfortable Benutzerschnittstellen und sind in ihrem Anwendungsgebiet hoch kompetent. Einem der bekanntesten Expertensysteme, dem Anfang der 1970er Jahre entwickelten System MYCIN zur Unterstützung von Diagnose- und Therapieentscheidungen bei Blutinfektionskrankheiten und Meningitis, wurde durch eine Evaluation attestiert, daß seine Entscheidungen so gut sind wie die eines Experten in dem betreffenden Bereich und besser als die eines Nicht-Experten. Allerdings reagierte das System, als ihm Daten einer Cholera-Erkrankung (Cholera), bekanntlich eine Darm- und keine Blutinfektionskrankheit, eingegeben wurden, mit Diagnose- und Therapievorschlägen für eine Blutinfektionskrankheit, d.h., MYCIN erkannte die Grenzen seiner Kompetenz nicht. Dieser Effekt ist bei Expertensystemen, die hochspezialisiert auf ein schmales Wissensgebiet angesetzt sind, nicht untypisch.
In den 1980er Jahren entwickelte sich die KI im Rahmen zunehmender Kommerzialisierung zu einer Schlüsseltechnologie, insbesondere im Bereich der Expertensysteme. Nachdem allerdings viele Prognosen nicht eingehalten werden konnten, reduzierten die Industrie und die Forschungsförderung ihr Engagement in der KI. Mittlerweile hat sich die KI von diesem Einbruch erholt. Es haben sich zahlreiche Subdisziplinen herausgebildet, z.B. spezielle Sprachen und Konzepte zur Darstellung und Anwendung von Wissen, Modelle zur Behandlung verschiedener Facetten des Wissens (Revidierbarkeit, Unsicherheit, Ungenauigkeit) und maschinelle Lernverfahren. Erfolgreiche Anwendungen liegen außer auf dem Gebiet der Expertensysteme in den Bereichen natürlich-sprachliche Schnittstellen, Robotik, Fuzzy-Logik und künstliche neuronale Netze. Insbesondere mit den beiden zuletzt genannten methodischen Ansätzen ist ein Paradigmenwandel (Paradigma) im Bereich der KI verbunden:
Mit Fuzzy-Logik erfolgt ein Wechsel von der konventionellen „harten" – d.h. zweiwertigen – Logik mit den Werten 1 und 0 bzw. wahr und falsch hin zu einer „weichen" Logik, in der Werte zwischen 0 und 1 einen entsprechenden Grad an Gewißheit ausdrücken, d.h., z.B. beschreiben, daß ein Patient „relativ starke" Schmerzen hat oder jemand „relativ groß" ist und in der Formen des unscharfen Schließens praktiziert werden.
Mit der Anwendung von künstlichen neuronalen Netzen (neuronale Netzwerke) erfolgt ein Wandel von der konventionellen Symbolverarbeitung hin zum Konnektionismus. Danach ist Wissen in neuronalen Netzen nicht länger spezifischen symbolischen Repräsentationsstrukturen zugeordnet, sondern in Form von Aktivitätsmustern über Knoten und Konnektionen zwischen diesen subsymbolisch repräsentiert (Strube 1995). Künstliche neuronale Netze zeichnen sich dadurch aus, daß sie hochgradig parallel arbeiten, daß sie robust sind gegenüber dem Ausfall von einzelnen Komponenten und daß sie trainiert werden können, also lernfähig sind (Lernen). Damit sind 2 konkurrierende Ansätze in der KI zu unterscheiden: die Symbolverarbeitung und der Konnektionismus. Die Symbolverarbeitung beruht auf der Idee der obengenannten Physical Symbol System Hypothesis und benutzt im wesentlichen Methoden der Logik. Der Konnektionismus wendet Theorie und Methodik neuronaler Netze an, die sich an der Funktionsweise des Gehirns orientieren und so die kognitiven Fähigkeiten simulieren.
Neben dem konventionellen wissensbasierten Ansatz der KI befaßt sich der verhaltensbasierte Ansatz von künstlichem Leben (Artificial Life, Abk. KL bzw. AL) mit der Problematik, komplexe adaptive Systeme zu simulieren, d.h., es werden lernfähige Objekte untersucht, die sich einer komplexen Umwelt anpassen können. Dabei werden vitale Prinzipien des biologischen Lebens auf Computern nachgebildet und zur Lösung von komplexen Problemen angewandt. Beispielsweise verwenden genetische Algorithmen Strategien der Evolution (wie Selektion, Rekombination und Mutation). AL ist eine Art Biologie des Möglichen, d.h. arbeitet mit einfachen künstlichen Komponenten, deren Verhalten charakteristisch für natürliche, lebende Systeme ist und die im adaptiven Zusammenwirken komplexe Gesamtsysteme bilden, die ein emergentes Verhalten (Emergenz) aufweisen, das häufig nicht vorhersehbar ist.

Problembereiche der KI

Typische Aufgaben, die mit Methoden der KI behandelt werden, sind sehr komplex und einer algorithmischen Behandlung nicht zugänglich. Zum Beispiel muß man beim Schachspielen ca. 10¹⁴ Stellungen überschauen, wenn in einer gegebenen Stellung ca. 25 verschiedene Züge möglich sind und man 5 eigene und 5 gegnerische Züge vorausdenken will. Um mit derartigen Mengen von Lösungsmöglichkeiten zurecht zu kommen, werden Suchverfahren eingesetzt, die den Lösungsraum auf eine überprüfbare Teilmenge reduzieren. Derartige Suchstrategien umfassen häufig Heuristiken, die auf Vermutungen, plausiblen Annahmen und Erfahrungen aufbauen.
Das Problem, aus vorhandenem Wissen neues Wissen zu gewinnen, heißt Inferenzproblem. Eine häufig verwendete Inferenzmethodik ist die Deduktion (Deduktion und Induktion), die auf die Logik des Aristoteles (384–322 v.Chr.) zurückgeht. Wenngleich problematisch, wird bisweilen auch die Abduktion verwendet. Ein Beispiel: Mit Hilfe der Regel: „Wenn es geregnet hat, ist die Erde naß" wird aus der Aussage: „Die Erde ist naß" auf die Aussage: „Es hat geregnet" geschlossen. Insbesondere im Zusammenhang mit Verfahren des maschinellen Lernens spielt die Induktion eine wichtige Rolle: Aus einzelnen Beispielen für ein Konzept wird auf eine allgemeine Gesetzmäßigkeit geschlossen, d.h., es wird aus Beispielen gelernt.
Ein weiterer Problembereich der KI befaßt sich mit der formalen Repräsentation von Wissen, so daß es von einem Inferenzmechanismus zur Lösung von Problemen verwendet werden kann. Als Grundlage für viele Formalismen dient die Prädikatenlogik, die eine computergerechte Referenzsprache für formale Zusammenhänge darstellt und deduktive Inferenzmechanismen anbietet. Eine weitere Methode stellen regelbasierte Ansätze dar, die Wenn..., dann...-Regeln zur Wissensrepräsentation verwenden. In semantischen Netzen repräsentieren Knoten semantische Einheiten wie Objekte, Konzepte, Situationen oder Individuen, während die Kanten des Netzwerks Beziehungen zwischen den Einheiten beschreiben. Viele Probleme lassen sich in Form von constraints, d.h. Einschränkungen beschreiben. Ein einfaches Beispiel ist das folgende kryptoarithmetische Rätsel: SEND + MORE = MONEY, in dem die Buchstaben durch Ziffern zu ersetzen sind (Lösung: 9567 + 1085 = 10652). Constraints sind hierbei etwa, daß M nur die Werte 0 oder 1 annehmen kann oder daß gilt: D + E = Y + 10*Übertrag.
Eines der schwierigsten Probleme stellt die Wissensakquisition dar, d.h. die vollständige Erfassung des zur Lösung einer Problemstellung benötigten Wissens. Insbesondere erweist es sich häufig als nichttrivial, das Wissen von menschlichen Experten zu erfassen. Wenn der Experte nicht selbst sein Wissen definiert oder definieren kann, wird er von einem Wissensingenieur unterstützt, der den Experten befragt und anschließend das Wissen in entsprechende Formalismen umsetzt. Weiterhin ist es offenbar wesentlich einfacher, technisches Spezialwissen zu modellieren als Allgemeinwissen (common sense). Allgemeinwissen ist sehr umfangreich und schwer strukturierbar, ist oft unvollständig und vage und unter Umständen auch widersprüchlich. Neben Methoden des Wissenserwerbs durch Experten bzw. Wissensingenieur spielen zunehmend auch automatische Methoden der Wissensakquisition eine Rolle, z.B. Methoden des maschinellen Lernens.

Status und Perspektiven der KI

Neben Expertensystemen, Simulationssystemen, intelligenten tutoriellen Systemen, Robotern und sprachverarbeitenden Systemen spielen heute mehr und mehr KI-Methoden in klassischen Informatik-Anwendungen eine Rolle, verlaufen die Grenzen zwischen KI und konventioneller Informatik fließend. Beispiele sind graphische Benutzerschnittstellen, Übersetzungssysteme, Datenbankstrategien und Hilfesysteme. Im Bereich des Wissensmanagements dienen intelligente Mediatoren zur Integration von Informationen aus heterogenen Quellen im World Wide Web, Ansätze des Data Mining unterstützen das Auffinden von verborgenen Beziehungsmustern, z.B. zwischen Warenprofilen und Kundenprofilen in einem Data Warehouse. Methodisch spielt bei neueren Entwicklungen die Kooperation von verteilten Agentensystemen eine zunehmende Rolle, wobei ein Agent ein Programm ist, welches opportunistisch bestimmte Optimierungsziele verfolgt und in der Lage ist, mit anderen Agenten, z.B. über Rechnernetze, zu kooperieren, um ein übergeordnetes Globalziel gemeinsam zu erreichen. Zu zukünftigen Einsatzmöglichkeiten der KI: ü vgl. Infobox 2 .
Methoden der KI werden zukünftig insbesondere auch eine große Rolle im Kontext der Bioinformatik spielen, z.B. auf den Gebieten Genom-Sequenzierung (Genom, Genomik, molekulare Evolution), Proteinstrukturanalyse (Peptidsynthese, Proteine, Proteomik, Struktur-Funktion-Beziehung, Strukturvorhersage), molecular modeling, Roboterstationen zum Massen-Screening biologisch aktiver Substanzen, Chemie-Synthese-Roboter (kombinatorische Chemie), usw. Bioelektronik, Biophysik.

Lit.: Adami, C.: Introduction to Artificial Life. Springer-Telos 1998. Fraunhofer-Institut für Systemtechnik und Innovationsforschung, Karlsruhe: Zukunft nachgefragt – Studie zur globalen Entwicklung von Wissenschaft und Technik. 1998. Ginsberg, M.: Essentials of Artificial Intelligence. Morgan Kaufmann 1993. Heinsohn, J., Socher-Ambrosius, R.: Wissensverarbeitung. Heidelberg 1999. Keller, H.: Maschinelle Intelligenz. Wiesbaden 2000. Moravec, H.: Mind Children. Hamburg 1990. Puppe, F.: Einführung in Expertensysteme. Berlin 1988. Rojas, R.: Neural Networks. A Systematic Introduction. Berlin 1996. Strube, G.: Kognition, in: Görz, G. (Hrsg.): Einführung in die künstliche Intelligenz. Bonn ²1995, 305.

künstliche Intelligenz

Die Denksportaufgabe lautet: Die 9 Punkte des Quadrats sind durch einen geschlossenen Zug aus 4 geraden Linien zu verbinden (a). Offenbar ist eine Lösung des Problems innerhalb des Rahmens nicht möglich. Vielmehr kann das Problem nur gelöst werden, wenn man über den Rahmen hinaus geht (intelligente Lösung, b). Die Lösung erfordert offenbar Intelligenz. Allerdings kann auch ein Computerprogramm das Problem behandeln, indem es rein mechanisch alle möglichen Strecken erzeugt und diesen Raum von Strecken systematisch nach den Eigenschaften absucht, daß 1. der ausgewählte Streckenzug nicht mehr als 4 Strecken umfaßt und 2. der Streckenzug alle Punkte der Figur berührt (maschinelle Lösung, c). Das Programm verhält sich also für den Betrachter so, als ob es Intelligenz besäße.