Intelligenz
Bei der Künstlichen Intelligenz (KI) lernen Algorithmen durch Training selbst, wie sie von entsprechenden Eingangsdaten zu guten Ergebnissen kommen. KI wird oft synonym mit maschinellem Lernen verwendet, was aber nicht ganz richtig ist. Kritiker verweisen darauf, dass KI auch ohne selbst lernende Rechner möglich ist: Man könnte sie auch durch Regeln programmieren. Andere sagen, Maschinen die rein nach Regeln programmiert sind, enthielten keine künstliche Intelligenz, sondern gehorchten lediglich von Menschen programmierten Regeln.
Superintelligenz
Wenn Maschinen lernen zu lernen, wenn sie sich ihr Wissen selbst aneignen, warum sollten sie dann nicht eines Tages intelligenter sein als Menschen? Manche Forscher warnen, dass diese superintelligenten Maschinen zu dem Schluss kommen könnten, dass der Mensch die Wurzel allen Übels auf der Welt sei. Andere Forscher geben Entwarnung: Eine solche Entwicklung sei noch sehr weit entfernt – wenn nicht unmöglich.
Neuronale Netze
Maschinelles Lernen funktioniert häufig auf der Struktur Neuronaler Netze. Dabei wird die Funktionsweise des menschlichen Gehirn nachempfunden. Informationen werden zwischen mehreren Schichten weitergegeben, wobei jede Schicht aus verschiedenen Punkten, sogenannten Neuronen, besteht. Dabei nimmt eine Information einen Weg durch das neuronale Netz und führt abhängig von diesem Weg zu einer bestimmten Entscheidung des Systems. Diese wird abgeglichen mit dem erwünschten Ergebnis, etwa einer vorgegeben Lösung, den Trainingsdaten. Trifft sie diese sehr gut, werden die Verbindungen zwischen jenen Neuronen nachträglich gestärkt, über die diese Information gelaufen ist. So werden diese Wege in Zukunft mit größerer Wahrscheinlichkeit genutzt werden. Führt sie hingegen zu einem schlechten Ergebnis, werden die Verbindungen geschwächt. Deep Learning bezeichnet besonders tiefe neuronale Netze mit sehr vielen Schichten.
Da es bei der Poker-Variante „Heads-Up No-Limit Texas Hold‘em“, die beide Systeme gespielt haben, rund 10 hoch 160 verschiedene mögliche Spielkombinationen gibt, lassen sich nicht alle Varianten bis zum Ende durchrechnen. Während dies die Forscher um Sandholm mit einem vereinfachten Modell und einem Supercomputer lösten, der nach jedem Spiel weitere Fehler ausmerzte, kam die Gruppe um Michael Bowling im Spiel mit einem Laptop aus – indem sie den Faktor der Intuition hinzufügte.
Computer arbeiten intuitiv
Dazu nutzte sie im Vorfeld Deep Learning, die derzeit interessanteste Methode im maschinellen Lernen, um das System zu trainieren: Es spielte gegen sich selbst und lernte so 10 hoch 14 abstrakte Situationen. Dabei lernte es zudem laut Bowling eine Art Bauchgefühl, vergleichbar mit der menschlichen Intuition, auf die sich auch viele Profispieler berufen: ein Gespür, welcher Zug in welcher Situation erfolgreich sein könnte, ohne das bis zum Ende durchzurechnen. So berechnete das System im Spiel lediglich die nächsten sieben Spielzüge und entschied sich dann intuitiv für die beste Aktion. „Neuronale Netze können gut extrapolieren“, erklärt Loza Mencia: Sie können gut von bekannten Situationen auf ähnliche, aber unbekannte schließen.
Auch wer Bluffen bisher für eine rein menschliche Fähigkeit gehalten hat, der wird hier enttäuscht: Interessanterweise lernte die künstliche Intelligenz das Bluffen sogar von ganz alleine, ohne sich dabei an menschlichen Spielern zu orientieren: „Deepstack machte im Spiel gegen sich selbst die Erfahrung, dass man erfolgreicher ist, wenn man blufft“, sagt Bowling. Das System gab manchmal vor, bessere Karten zu haben, als es real hatte.
Dieses Können der neuen Algorithmen, mit unvollständigen Informationen umzugehen, ist wesentlich alltagstauglicher als das ihrer Schach- oder Go-Kollegen. „Beinahe jede Entscheidung im echten Leben beruht auf unvollständigen Informationen“, sagt Bowling. So hofft er, dass Systeme wie Deepstack beispielsweise in der Medizin oder bei Verhandlungen relevant sein könnten. Das freilich proklamiert auch Sandholm für sein System: Ein künftiges „Spiel“ könnte die Suche nach Arzneimitteln gegen resistente Keime sein.
Wie Computer lernen
Intelligenz
Bei der Künstlichen Intelligenz (KI) lernen Algorithmen durch Training selbst, wie sie von entsprechenden Eingangsdaten zu guten Ergebnissen kommen. KI wird oft synonym mit maschinellem Lernen verwendet, was aber nicht ganz richtig ist. Kritiker verweisen darauf, dass KI auch ohne selbst lernende Rechner möglich ist: Man könnte sie auch durch Regeln programmieren. Andere sagen, Maschinen die rein nach Regeln programmiert sind, enthielten keine künstliche Intelligenz, sondern gehorchten lediglich von Menschen programmierten Regeln.
Superintelligenz
Wenn Maschinen lernen zu lernen, wenn sie sich ihr Wissen selbst aneignen, warum sollten sie dann nicht eines Tages intelligenter sein als Menschen? Manche Forscher warnen, dass diese superintelligenten Maschinen zu dem Schluss kommen könnten, dass der Mensch die Wurzel allen Übels auf der Welt sei. Andere Forscher geben Entwarnung: Eine solche Entwicklung sei noch sehr weit entfernt – wenn nicht unmöglich.
Neuronale Netze
Maschinelles Lernen funktioniert häufig auf der Struktur Neuronaler Netze. Dabei wird die Funktionsweise des menschlichen Gehirn nachempfunden. Informationen werden zwischen mehreren Schichten weitergegeben, wobei jede Schicht aus verschiedenen Punkten, sogenannten Neuronen, besteht. Dabei nimmt eine Information einen Weg durch das neuronale Netz und führt abhängig von diesem Weg zu einer bestimmten Entscheidung des Systems. Diese wird abgeglichen mit dem erwünschten Ergebnis, etwa einer vorgegeben Lösung, den Trainingsdaten. Trifft sie diese sehr gut, werden die Verbindungen zwischen jenen Neuronen nachträglich gestärkt, über die diese Information gelaufen ist. So werden diese Wege in Zukunft mit größerer Wahrscheinlichkeit genutzt werden. Führt sie hingegen zu einem schlechten Ergebnis, werden die Verbindungen geschwächt. Deep Learning bezeichnet besonders tiefe neuronale Netze mit sehr vielen Schichten.