Der Erfolg von künstlicher Intelligenz (KI) hängt aktuell weitesgehend von den verfügbaren Ressourcen ab. Tiefe neuronale Netze, eine bestimmte KI-Form, übertrafen beispielsweise vor zehn Jahren herkömmliche Algorithmen, weil erst zu diesem Zeitpunkt endlich genügend Daten und Rechenleistung zur Verfügung standen, um das Potenzial der Programme voll auszuschöpfen.

Heutige KI-Software ist sogar noch hungriger nach Informationen und Leistung als ihre älteren Versionen. Um sie zu trainieren, muss man die Werte von Millionen oder gar Milliarden von Parametern sorgfältig aufeinander abstimmen. Denn diese Variablen charakterisieren die riesigen Netzwerke, sie entsprechen unter anderem der Stärke der Verbindungen zwischen den künstlichen Neuronen. Ziel ist es, nahezu ideale Werte zu finden, damit das Programm eine bestimmte Aufgabe bestmöglich meistert. Dieser als Optimierung bekannte Prozess erweist sich allerdings als überaus schwierig. Es ist sehr aufwändig, die Netze bis zu diesem Punkt zu trainieren. »Das kann Tage, Wochen oder sogar Monate dauern«, so Petar Veličković, wissenschaftlicher Mitarbeiter bei DeepMind in London.

Das könnte sich bald ändern …

Von »Spektrum der Wissenschaft« übersetzte und bearbeitete Fassung des Artikels »Researchers Build AI That Builds AI« aus »Quanta Magazine«, einem inhaltlich unabhängigen Magazin der Simons Foundation, die sich die Verbreitung von Forschungsergebnissen aus Mathematik und den Naturwissenschaften zum Ziel gesetzt hat.