7 Arten von KI und ihre entscheidende Rolle bei der Gestaltung der Technologie

Seit Jahrzehnten haben Forscher und Experten darüber nachgedacht, wie künstliche Intelligenz die Technologiewelt revolutionieren kann.

1956 entwickelte John McCarthy einen mobilen Roboter namens Shakey, der "menschliche Entscheidungsfindung" nachahmte, um Seminare durchzuführen. Er prägte auch den Begriff künstliche Intelligenz (KI), um ihre Resonanz mit unserem menschlichen Gehirn und kognitiven Intellekt zu verdeutlichen.

Heute werden verschiedene Arten von Machine Learning Operationalization (MLOps) Software und KI-Tools in großen industriellen Sektoren eingesetzt, um Big Data zu identifizieren, zu automatisieren und zu optimieren.

Die KI hat einen langen Weg von ihrer Geschichte bis zu ihrer heutigen Form zurückgelegt. Auf der Wurzelebene umfasst der KI-Baum maschinelles Lernen, das sich in andere fortgeschrittene Stadien wie Maschinenintelligenz, Maschinenbewusstsein und Maschinenbewusstheit verzweigt.

Künstliche enge Intelligenz (ANI)

Enge oder schwache KI ist eine Art von KI, die verhindert, dass ein Computer mehr als eine Operation gleichzeitig ausführt. Sie hat ein begrenztes Spielfeld, wenn es darum geht, mehrere intellektuelle Aufgaben im gleichen Zeitrahmen auszuführen. Enge KI kann eine bestimmte Anweisung in einem maßgeschneiderten Szenario kompilieren. Einige Beispiele sind Google Assistant, Alexa und Siri.

Beispiele für enge KI

Kundenservice-Chatbots, wie sie von Unternehmen wie Zendesk oder Drift verwendet werden, nutzen enge KI, um häufige Kundenanfragen zu beantworten, Probleme zu beheben und Unterstützung zu bieten, alles innerhalb eines begrenzten Kontexts.

Anwendungen wie Google Fotos und Gesichtserkennungssysteme nutzen enge KI, um Bilder zu identifizieren und zu kategorisieren, indem sie Gesichter, Objekte und Szenen in Fotos erkennen.

Allgemeine künstliche Intelligenz (AGI)

AGI ist die Zukunft der digitalen Technologie, bei der selbstassistierende Roboter oder Cyborgs menschliche Sinnesbewegungen nachahmen werden. Mit AGI werden Maschinen in der Lage sein, externe Informationen ähnlich wie das menschliche Nervensystem zu sehen, darauf zu reagieren und sie zu interpretieren. Die Fortschritte in künstlichenneuronalen Netzen werden zukünftige AGI-Lader antreiben, die mit der Zeit Unternehmen führen werden.

Beispiele für AGI

Bis jetzt existiert keine echte AGI, und alle bestehenden KI-Systeme werden als enge KI klassifiziert. Forscher erkunden jedoch theoretische Beispiele und laufende Projekte, die darauf abzielen, AGI zu erreichen. Zum Beispiel zeigen Modelle wie OpenAI's GPT-4 und DeepMind's AlphaFold fortgeschrittene Fähigkeiten in der Sprachverarbeitung und im biologischen Verständnis, bleiben jedoch auf spezifische Bereiche beschränkt.

Initiativen in kognitiven Architekturen und der Forschung zur künstlichen Bewusstheit streben danach, menschliche kognitive Prozesse zu replizieren, während allgemeine KI-Modelle Systeme envisionieren, die in der Lage sind, jede intellektuelle Aufgabe ähnlich wie menschliche Fähigkeiten zu lernen und auszuführen. Diese Bestrebungen spiegeln das fortwährende Streben wider, AGI zu entwickeln, das ein bedeutendes Ziel im Bereich der künstlichen Intelligenz bleibt.

Künstliche Superintelligenz (ASI)

Starke KI ist ein futuristisches Konzept, das bisher nur die Grundlage eines Science-Fiction-Films war. Starke KI wird der ultimative Dominator sein, da sie Maschinen in die Lage versetzen würde, sich selbst zu verbessern und die Menschheit zu übertreffen. Sie würde kognitive Fähigkeiten, Gefühle und Emotionen in Maschinen besser als wir konstruieren. Zum Glück ist es bisher nur ein Vorschlag.

Der zweite Typ, bekannt als funktionale KI, beschreibt wichtige KI-Anwendungen im kommerziellen Bereich und in sozialen Medien. Typ-2-Systeme laufen hauptsächlich auf unüberwachten Algorithmen, die Ausgaben ohne Nutzung von Trainingsdaten erzeugen.

Bisher wurden vier Typen von Typ-2-KI-Systemen entwickelt und getestet.

Reaktive Maschinen-KI

Reaktive Maschinen sind die grundlegendste Art von unüberwachter KI. Das bedeutet, dass sie keine Erinnerungen bilden oder vergangene Erfahrungen nutzen können, um gegenwärtige Entscheidungen zu beeinflussen; sie können nur auf aktuell bestehende Situationen reagieren – daher "reaktiv".

Reaktive Maschinen haben kein Konzept von der Welt und können nicht über die einfachen Aufgaben hinaus funktionieren, für die sie programmiert wurden. Ein Merkmal reaktiver Maschinen ist, dass sie unabhängig von Zeit oder Ort immer so handeln, wie sie programmiert wurden. Es gibt kein Wachstum bei reaktiven Maschinen, nur Stagnation in wiederkehrenden Handlungen und Verhaltensweisen.

Beispiel für reaktive Maschinen

Eine existierende Form einer reaktiven Maschine ist Deep Blue, ein Schach spielender Supercomputer, der in den 1980er Jahren von IBM entwickelt wurde.

Deep Blue wurde entwickelt, um Schach gegen einen menschlichen Gegner zu spielen, mit dem Ziel, den Gegner zu besiegen. Es wurde programmiert, ein Schachbrett und seine Figuren zu identifizieren und die Züge jeder Figur zu verstehen und vorherzusagen. In einer Reihe von Spielen, die zwischen 1996 und 1997 gespielt wurden, besiegte Deep Blue den russischen Schachgroßmeister Garry Kasparov mit 3½ zu 2½ Spielen und wurde damit das erste computergestützte Gerät, das einen menschlichen Gegner besiegte.

Quelle: Scientific American

Deep Blues einzigartige Fähigkeit, Schachpartien genau und erfolgreich zu spielen, unterstrich seine reaktiven Fähigkeiten. In gleicher Weise zeigt sein reaktiver Verstand auch, dass er kein Konzept von der Vergangenheit oder der Zukunft hat; er versteht und handelt nur auf der gegenwärtig existierenden Welt und ihren Komponenten innerhalb dieser. Um es zu vereinfachen: Reaktive Maschinen sind für das Hier und Jetzt programmiert, aber nicht für das Davor und Danach.

Begrenzte Gedächtnis-KI

Begrenztes Gedächtnis besteht aus überwachten KI-Systemen, die Wissen aus experimentellen Daten oder realen Ereignissen ableiten. Im Gegensatz zu reaktiven Maschinen lernt begrenztes Gedächtnis aus der Vergangenheit, indem es Handlungen oder Daten beobachtet, die ihm zugeführt werden, um ein gut passendes Modell zu erstellen.

Obwohl begrenztes Gedächtnis auf Beobachtungsdaten in Verbindung mit vorprogrammierten Daten aufbaut, die die Maschinen bereits enthalten, sind diese Informationsstücke flüchtig. Eine existierende Form von begrenztem Gedächtnis sind autonome Fahrzeuge.

Beispiele für begrenzte Gedächtnis-KI

Autonome Fahrzeuge oder selbstfahrende Autos arbeiten mit einer Kombination aus Beobachtungswissen und Computer Vision. Um zu beobachten, wie man richtig fährt unter menschlich abhängigen Fahrzeugen, segmentieren selbstfahrende Autos ihre Umgebung, erkennen Muster oder Veränderungen in externen Faktoren und passen sich an.

Nicht nur beobachten selbstfahrende Fahrzeuge ihre Umgebung, sondern sie erkennen, kennzeichnen und erfassen auch den Verkehr im Nachhinein. Früher benötigten fahrerlose Autos ohne begrenzte Gedächtnis-KI 100 Sekunden, um auf externe Faktoren zu reagieren und Urteile zu fällen. Seit der Einführung des begrenzten Gedächtnisses ist die Reaktionszeit auf maschinenbasierte Beobachtungen stark gesunken.

Virtuelle Assistenten nutzen begrenzte Gedächtnis-KI, um personalisierte Benutzererfahrungen zu bieten, indem sie sich an vergangene Interaktionen erinnern. Diese Assistenten analysieren Benutzerpräferenzen, wie häufig gestellte Fragen, bevorzugte Einstellungen oder frühere Befehle, um ihre Antworten und Vorschläge im Laufe der Zeit zu verbessern.

Plattformen wie Amazon Alexa und Google Assistant können sich beispielsweise an frühere Anfragen erinnern, was es ihnen ermöglicht, maßgeschneiderte Empfehlungen zu geben, Smart-Home-Geräte zu verwalten und die Benutzerbindung zu verbessern. Dieses Gedächtnis früherer Interaktionen hilft virtuellen Assistenten, sich anzupassen und effektiver zu reagieren, was sie im täglichen Gebrauch zunehmend nützlich macht.

Theory of Mind-KI

Wie der Name schon sagt, ist Theory of Mind eine Technik, um den Stab Ihrer Ideen, Entscheidungen und Denkmuster an Computer weiterzugeben. Während einige Maschinen derzeit menschenähnliche Fähigkeiten zeigen, ist keine vollständig in der Lage, Gespräche im Verhältnis zu menschlichen Standards zu führen. Selbst der fortschrittlichste Roboter der Welt fehlt es an emotionaler Intelligenz (der Fähigkeit, wie ein Mensch zu klingen und sich zu verhalten).

Diese zukünftige Klasse von Maschinenfähigkeiten würde das Verständnis beinhalten, dass Menschen Gedanken und Emotionen haben, die das Verhaltensausgabeverhalten beeinflussen und somit den Denkprozess einer "Theory of Mind"-Maschine beeinflussen. Soziale Interaktion ist ein wesentlicher Aspekt der menschlichen Interaktion. Um die Theory of Mind-Maschinen greifbar zu machen, müssten die KI-Systeme, die die jetzigen Roboter steuern, emotionale Reaktionen identifizieren, verstehen, behalten und erinnern.

Diese Maschinen können menschliche Befehle verarbeiten und sie an ihre Lernzentren anpassen, um die Regeln der grundlegenden Kommunikation und Interaktionen zu verstehen. Theory of Mind ist eine fortgeschrittene Form der vorgeschlagenen künstlichen Intelligenz, die erfordern würde, dass Maschinen schnelle Veränderungen in menschlichen emotionalen und Verhaltensmustern gründlich erkennen. Die Harmonisierung von Interaktionen auf diesem Niveau erfordert viel Testen und abstraktes Denken.

Beispiel für Theory of Mind-KI

Einige Elemente der Theory of Mind-KI existieren derzeit oder haben in der jüngeren Vergangenheit existiert. Zwei bemerkenswerte Beispiele sind die Roboter Kismet und Sophia, die 2000 bzw. 2016 geschaffen wurden.

Kismet

Kismet, entwickelt von Professor Cynthia Breazeal, war in der Lage, menschliche Gesichtssignale (Emotionen) zu erkennen und diese Emotionen mit seinem Gesicht zu replizieren, das mit menschlichen Gesichtszügen strukturiert war: Augen, Lippen, Ohren, Augenbrauen und Augenlider.

Quelle: YouTube

Sophia

Sophia, hingegen, ist ein humanoider Bot, der von Hanson Robotics entwickelt wurde. Was sie von früheren Robotern unterscheidet, ist ihre physische Ähnlichkeit mit einem Menschen sowie ihre Fähigkeit zu sehen (Bilderkennung) und auf Interaktionen mit passenden Gesichtsausdrücken zu reagieren.

Diese beiden menschenähnlichen Roboter sind Beispiele für die Bewegung in Richtung eines vollständigen Theory of Mind-KI-Systems, das in naher Zukunft Realität werden könnte. Während keiner von ihnen in der Lage ist, ein vollständiges menschliches Gespräch mit einer echten Person zu führen, haben beide Roboter Aspekte der emotiven Fähigkeit, die denen ihrer menschlichen Gegenstücke ähneln. Diese Initiative hat die Grenzen der KI in Richtung der menschlichen Gesellschaft verschoben.

Selbstbewusste KI

Selbstbewusste KI umfasst Maschinen mit menschlichem Bewusstsein. Obwohl diese Form der KI derzeit nicht existiert, würde sie als die fortschrittlichste Form der künstlichen Intelligenz gelten, die der Mensch kennt.

Facetten der selbstbewussten KI umfassen die Fähigkeit, nicht nur menschliche Handlungen zu erkennen und zu replizieren, sondern auch selbst zu denken, Wünsche zu haben und ihre Gefühle zu verstehen. Selbstbewusste KI ist im Wesentlichen eine Weiterentwicklung und Erweiterung der Theory of Mind-KI. Während sich die Theory of Mind nur auf die Aspekte des Verständnisses und der Replikation menschlicher Praktiken konzentriert, geht die selbstbewusste KI einen Schritt weiter, indem sie impliziert, dass sie selbstgesteuerte Gedanken und Reaktionen haben kann und wird.

Überqueren Sie diese Brücke, wenn Sie sie erreichen

Wir befinden uns derzeit in Stufe drei der vier Arten von künstlicher Intelligenz, daher scheint es nicht weit hergeholt zu glauben, dass wir möglicherweise die vierte (und letzte?) Stufe der KI erreichen könnten.

Aber im Moment ist es wichtig, sich darauf zu konzentrieren, alle Aspekte der Typen zwei und drei in der KI zu perfektionieren. Ein schlampiges Durchlaufen jeder KI-Stufe könnte für die Zukunft der künstlichen Intelligenz für kommende Generationen schädlich sein.

Erforschen Sie, wie logistische Regression einen Unterschied zwischen verschiedenen Arten von unstrukturierten Daten aufteilt.

Dieser Artikel wurde ursprünglich 2022 veröffentlicht. Er wurde mit neuen Informationen aktualisiert.