Direkt zum Inhalt
Login erforderlich
Dieser Artikel ist Abonnenten mit Zugriffsrechten für diese Ausgabe frei zugänglich.

Neuronale Netze: Maschinen mit menschlicher Manier

Künstliche Intelligenzen werden uns zusehends ähnlicher: Neben einer schnellen Auffassungsgabe und Kreativität verfügen erste Algorithmen nun auch über die Fähigkeit, ihre Umgebung zu verstehen.
Artificial Imagination

In den letzten Jahren haben Maschinen in vielen Bereichen eine ähnliche Leistungsfähigkeit wie wir Menschen erreicht, etwa wenn es darum geht, Gesichter zu erkennen oder Texte in andere Sprachen zu übersetzen – ganz zu schweigen von ihren Erfolgen in Brett- und Arcade-Spielen. Daher könnte man vielleicht erwarten, dass Computerwissenschaftler anfangen, auf die menschliche Intelligenz herabzublicken. Aber ganz im Gegenteil geraten die Forscher geradezu ins Schwärmen, wenn es um das menschliche Gehirn geht: Vor allem dessen Anpassungsfähigkeit und das breite Spektrum an Fähigkeiten erstaunt sie immer wieder.

Von solchen Eigenschaften sind Maschinen nämlich noch weit entfernt. Wenn eine künstliche Intelligenz (KI) auf eine Aufgabe trainiert wurde, fällt es ihr schwer, eine zweite, wenn auch ähnliche zu erlernen. Zudem ist nicht immer klar, wie sie zu ihrem Ergebnis kam; der rechnerische Vorgang ist ziemlich undurchsichtig. Doch das wohl bedeutendste Hindernis für zukünftige Entwicklungen ist, dass die meisten Programme nur sehr langsam lernen und dazu auch noch enorme Datenmengen brauchen, die nicht immer vorliegen …

Schreiben Sie uns!

Beitrag schreiben

Wir freuen uns über Ihre Beiträge zu unseren Artikeln und wünschen Ihnen viel Spaß beim Gedankenaustausch auf unseren Seiten! Bitte beachten Sie dabei unsere Kommentarrichtlinien.

Tragen Sie bitte nur Relevantes zum Thema des jeweiligen Artikels vor, und wahren Sie einen respektvollen Umgangston. Die Redaktion behält sich vor, Zuschriften nicht zu veröffentlichen und Ihre Kommentare redaktionell zu bearbeiten. Die Zuschriften können daher leider nicht immer sofort veröffentlicht werden. Bitte geben Sie einen Namen an und Ihren Zuschriften stets eine aussagekräftige Überschrift, damit bei Onlinediskussionen andere Teilnehmende sich leichter auf Ihre Beiträge beziehen können. Ausgewählte Zuschriften können ohne separate Rücksprache auch in unseren gedruckten und digitalen Magazinen veröffentlicht werden. Vielen Dank!

  • Quellen

Finn, C. et al.: Model-agnostic meta-learning for fast application of deep networks. ArXiv 1703.03400, 2017

Goodfellow, I. et al.: Generative adversarial networks. ArXiv 1406.2661, 2014

Higgings, I. et al.: beta-VAE: Learning basic visual concepts with a constrained variational framework. International conference on learning representations 5, 2017

Bitte erlauben Sie Javascript, um die volle Funktionalität von Spektrum.de zu erhalten.