Künstlich intelligente Menschen - Der Diskurs um die künstliche Intelligenz

Inhaltsverzeichnis

1. Einleitung

2. Rechner und Künstliche Intelligenz
2.1. Darstellung
2.2. Algorithmen
2.3. Die (universelle) Turingmaschine
2.4. Umrisse und Felder Künstlicher Intelligenz

3. Menschen und Künstliche Intelligenz
3.1. Der Turing-Test
3.2. Das Chinesische Zimmer
3.3. Eliza
3.4. Die Aura der KI

4. Künstlich Intelligente Menschen
4.1. Die menschliche Maschine
4.2. Neuronale Gatter
4.3. Szenarien
4.4. Empfindsame KI
4.5. Deterministische Kreativität
4.6. Wahn des Rationalen

5. Schlussbetrachtung

6. Literatur- und Abbildungsverzeichnis

„The 9000 series is the most reliable computer ever made.
No 9000 computer has ever made a mistake or distorted information
We are all, by any practical definition of the words, foolproof and incapable of error.“ ( HAL 9000 in 2001 – A Space Odyssey )

1. Einleitung

Die vorliegende Hausarbeit ist im Rahmen des Hauptseminars „Media Studies“ entstanden und behandelt die Beziehung zwischen Mensch und Computer im Hinblick auf den Diskurs um die Künstliche Intelligenz (KI). Im Kapitel „Rechner und Künstliche Intelligenz“ werden essenzielle Grundlagen zum Verständnis von (universal-) Rechnern anhand des Modells der Turing-Maschine skizziert und eine erste Differenzierung zwischen „schwacher“ und „starker KI“ getroffen. Unter „Menschen und Künstliche Intelligenz“ wird mit dem Turing-Test eine Beweisführung zur Erfassung von KI vorgestellt und deren Schwachpunkte aufgezeigt. Des weiteren werden typische Fehlinterpretationen seitens Nutzer von programmierter schwacher KI vorgestellt, um anschließend die Trennung zwischen schwacher und starker KI im Kapitel „Künstlich Intelligente Menschen“ weiter zu präzisieren. In Anbetracht des visionären Konzepts einer vollständigen Digitalisierung des Menschen, werden unter Annahme einer tatsächlichen Realisierbarkeit mögliche Konsequenzen und erste anthropologische Einwände skizziert. Zum Ende des Kapitels wird die Frage aufgeworfen, ob sich die Motivation hinter der starken KI ausschließlich in ihren wissenschaftlich-instrumentellen Grenzen begründen, und sich somit als Konsequenz eines zunehmend rationalisierenden, anti-spirituellen Menschenbildes erachten lässt.

2. Rechner und Künstliche Intelligenz

2.1. Darstellung

Sämtliche Daten, Programme und Software, die uns im Umgang mit Computern begegnen, basieren vereinfacht betrachtet auf zwei Zuständen: Strom und kein Strom. Diese Zustände stellt das Binärsystem dar, welches das Alphabet {0, 1} umfasst. Man betrachte etwa die Kodierung einer (vereinfachten) Ampelschaltung: An einer Kreuzung zweier einspuriger Straßen befinden sich zwei Ampeln A1 und A2, die jeweils abwechselnd die Ampelfarbe Grün zeigen und ansonsten kein Signal geben. Es ergibt sich folgende Wahrheitstafel in Tabelle 1:

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Vereinfachte Ampelschaltung

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Ampelschaltung im Binärsystem

Es wird ersichtlich, dass ein Rot-Signal nicht zwingend notwendig ist und dieses durch eine simple Negation ersetzt wird. Für „komplexere“ Sachverhalte, die über ein gewisses „Ja / Nein – Strom an / Strom aus“ – Potential hinaus gehen, wird lediglich die Wortlänge verändert, wie es in Betracht von Tabelle 2 der Fall ist. Zudem stellen wir fest, dass nicht grün (0) durch rot (00) ersetzt und dass mit gelb (01) eine weiteres Symbol hinzugefügt wurde, ohne das Alphabet selbst erweitert zu haben. Die Ampel-Zustände q1 bis q8 beinhalten alle möglichen (realistischen) Ampelschaltungen. Das Wort „1101“ wäre demnach die Kodierung von q3 (Ampel A1 zeigt Grün (11), A2 zeigt Gelb (01)).

Wie sich jedoch eine syntaktische Einheit wie „1101“ zusammensetzt und als Teil eines Regelsystem interpretiert wird, geht aus den Tabellen 1 und 2 nicht hervor. Diese Aufgabe übernehmen so genannte „logische Gatter“. Beispielsweise allein eine Schaltung bestehend aus OR- oder AND -Gattern und NOT -Gattern genügt, um sämtliche logischen Konstrukte zu realisieren. Hierbei spricht man von „funktionaler Vollständigkeit“.^[1]

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3: Gatter und hintereinander geschaltete Gatter

Bisher haben wir mit der Ampelschaltung ein Problem kennen gelernt, dass sich noch sehr leicht im Binärsystem darstellen lässt. Tatsächlich ist der Aufbau komplexer Software oder etwa ganzer Betriebssysteme auch an die jeweilige Rechnerarchitektur (siehe Kapitel 2.3) gebunden und wird damit um einiges undurchsichtiger. Dennoch gilt zunächst festzuhalten, dass alles, was uns im Umgang mit Rechnern begegnet, auf das Alphabet der Menge {0, 1} und eine Anordnung von Gattern (unter der Prämisse der funktionalen Vollständigkeit) zurückzuführen ist.

2.2. Algorithmen

Tabelle 2 verdeutlicht, dass einfache „Alltagsprobleme“ wie eine Ampelschaltung schnell und leicht kodiert werden können. Dass jedoch eine gleichzeitige Grün-Phase der Ampeln verhindert werden muss, geht nicht aus dieser Kodierung hervor. Hierfür sorgen Algorithmen und unterscheiden so den starren Datensatz vom rechnenden Programm. Algorithmen sind so etwas wie kleine „Problemlöser“ und werden oft mit Anleitungen oder auch Kochrezepten verglichen. Ein Algorithmus zu der Ampelschaltung aus Tabelle 1 könnte wie folgt realisiert werden:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: einfacher Algorithmus

Dies ist natürlich eine veranschaulichende Darstellung in einer so genannten Pseudo-Code-Notation. Dennoch verdeutlicht sie das Prinzip vieler Algorithmen. Entscheidend für jeden Algorithmus ist, dass dieser auch tatsächlich dem vorhergehenden gedanklichen Konstrukt entspricht; also exakt das leistet, was man sich von diesem erwartet. Des weiteren muss man sich zu Beginn die Frage stellen, ob die zu programmierende Aufgabe überhaupt effektiv lösbar^[2] ist.

Doch zurück zu der Ampelschaltung, welche als Problemstellung zweifellos im Bereich des Lösbaren liegt. Entscheidend bei der Modellierung einer Ampelschaltung ist, wie bereits erwähnt, der Ausschluss einer gleichzeitigen Grün-Phase. So selbstverständlich dies sein mag, ist es dennoch nicht selten, dass solche Details bei der Konzeption von Software außer Acht gelassen werden. Ein Rechner kann zwar durchaus Eingaben innerhalb der Grenzen seiner Syntax interpretieren, jedoch keine allumfassende Bewertung semantischer Zusammenhänge vornehmen.^[3] Das Ausführen einer gleichzeitigen Grün-Phase ist für einen Rechner genau so sinnlos ( oder sinnvoll), wie das Ausführen einer korrekten Schaltung.

2.3. Die (universelle) Turingmaschine

Bei der (deterministischen) Turingmaschine (TM)^[4] handelt es sich in erster Linie um ein theoretisches Rechner-Modell. Es existieren zwar durchaus einige Umsetzungen von Turingmaschinen (zumeist in Form umgebauter Bandmaschinen), welche jedoch Aufgrund mangelnder Rechenleistung und vor allem ihrem langsamen Speicherbandes nur einen geringen praktischen Wert besitzen. Auch wenn diese Verbildlichung der TM mittels einer Bandmaschine mit rotierendem Lese-/Schreib-Kopf zum ersten Verständnis hilfreich sein kann, ist eine Definition über einen 7-Tupel unumgänglich:

Abbildung in dieser Leseprobe nicht enthalten

Definition 1: Der 7-Tupel

Demnach funktioniert die TM wie folgt: Eine Eingabe, bestehend aus den im Eingabealphabet Σ vordefinierten Zeichen, wird der TM übergeben, durch einen der Zustände aus Q (zu Beginn q0) überprüft und gegebenen Falls anhand dessen, und unter Verwendung der Zustandsüberführungsfunktion δ, einer Manipulation unterzogen. Ein praktisches Beispiel:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: einfache TM-Operation

Der Algorithmus im TM-Programm ersetzt demnach innerhalb eines Eingabewortes Nullen durch Einsen. (Sollte das Eingabewort bereits ausschließlich aus Einsen bestehen, durchläuft das Programm dieses und wechselt in den Endzustand q3, ohne eine Schreib-Operation durchgeführt zu haben.) Die TM vereint somit die Kodierung (Eingabe- und Bandalphabet) und deren syntaktische Zusammenhänge (Zustandsmenge und Zustands-Überführungsfunktion). Eine TM lässt sich zudem zu einer „universellen Turingmaschine“ erweitern, so dass sie nicht nur einen fest einprogrammierten Algorithmus ausführen kann, sondern, unter Verwendung so genannter „Gödel-Nummern“ (nach dem Mathematiker Kurt Gödel), beliebig viele Zustände hinzugefügt werden können. Die Eingabe wird hierfür durch einen kodierten Präfix ergänzt, so dass die UTM Anhand dieser Kennzeichnung erkennt, dass es sich nicht um eine gewöhnliche Eingabe, sondern etwa um die eines Programms handelt. Auch wenn die Annahme eines unendlich langen Bandes, wie es bei der UTM der Fall ist, etwas befremdend wirkt, ist das theoretische Modell der Turingmaschine dem Modell heutiger, realer Rechner (Von-Neumann-Architektur) sehr ähnlich und es ist möglich, jegliche Aufgaben dieser auf die Verfahrensweisen der UTM zu übertragen; diese als Problem auf die UTM zu reduzieren.^[5]

[...]

^[1]Vgl. Oberschelp, W. / Vossen, G. (2003): Rechneraufbau und Rechnerstrukturen. München: Oldenbourg. [Im Folgenden zitiert unter „Oberschlep / Vossen (2003)“] S. 5-21.

^[2]Hierbei unterscheidet man zwischen den Problem-Klassen P und NP bzw. NP-vollständigen Problemen. Die beiden letzteren Klassen beinhalten die Probleme, die nicht effektiv, das heißt in polynomieller Zeit, lösbar sind und damit nicht nur Softwareentwickler vor zumeist unlösbare Aufgaben stellen.

^[3]Dies lässt sich auf die „Unlösbarkeit des Halteproblems“ und insbesondere den „Satz von Rice“, zwei Grundlegende Erkenntnisse der theoretischen Informatik zurückführen. Vgl. Wegener, Ingo (2005): Theoretische Informatik – eine algorithmenorientierte Einführung. Wiesbaden: Teubner. [Im Folgenden zitiert unter „Wegener (2005)“] S. 21-26.

^[4]Benannt nach dem Mathematiker Alan Turing, oft auch durch „DTM“ abgekürzt. Da in dieser Hausarbeit jedoch ausschließlich auf reale, deterministische Rechner-Modelle eingegangen wird, ist mit „TM“ die „deterministische Turingmaschine“ gemeint.

^[5]Vgl. Wegener (2005), S. 10-20.