Deep Learning ist heute aus Anwendungen künstlicher Intelligenz (KI) kaum wegzudenken: Ihm verdanken wir es, dass Siri gesprochene Befehle versteht oder Computer eigenständig Kunstwerke erschaffen. Doch das war nicht immer so. Als einige Informatiker 2007 bei einer renommierten Konferenz zu künstlicher Intelligenz einen Workshop über tiefe neuronale Netzwerke vorschlugen, lehnten die Veranstalter prompt ab. Man wollte dem damals belächelten Randgebiet nicht zu viel Platz einräumen.

Die Interessenten organisierten daraufhin ein inoffizielles Meeting, an dem unter anderem der kognitive Psychologe und Informatiker Geoffrey Hinton von der University of Toronto teilnahm. Er wirkte an einigen der größten Durchbrüche im Bereich tiefer neuronaler Netze mit. Seinen Vortrag begann er mit einem Scherz: »Vor etwa einem Jahr kam ich zum Abendessen nach Hause und sagte: ›Ich glaube, ich habe endlich herausgefunden, wie das Gehirn funktioniert‹ – woraufhin meine 15-jährige Tochter seufzte: ›Oh, Dad, nicht schon wieder.‹« Das Publikum lachte. Hinter der Witzelei verbarg sich jedoch ein ernst gemeintes Ziel: Er will mit Hilfe von KI das Gehirn verstehen.

Heute spielen tiefe neuronale Netze eine zentrale Rolle in der KI-Forschung. Zu einem großen Teil verdanken sie das einem bestimmten Algorithmus, genannt »Backpropagation« (was übersetzt etwa »Fehlerrückführung« bedeutet). Er ermöglicht es Programmen, anhand von Beispieldaten zu lernen. Dank des Berechnungsverfahrens können Computer Bilder klassifizieren, Sprache verstehen und übersetzen, die Umgebung für selbstfahrende Autos erkennen und zahlreiche andere Aufgaben meistern. Dass unser Gehirn Informationen nach einem ähnlichen Muster wie der Algorithmus verarbeitet, halten Fachleute jedoch für höchst unwahrscheinlich…