Die Revolution unseres Lebens durch künstliche Intelligenz

Uns mag es vielleicht nicht bewusst sein, aber maschinelles Lernen ist bereits ein integraler Bestandteil unseres Alltags. Das fängt von den Produktvorschlägen auf Amazon an und geht bis zur Überwachung unserer Daten durch Sicherheitsbehörden. Nur wenige von uns verstehen allerdings die Implikationen, die das mit sich bringt.

Diesem Thema hat sich Pedro Domingos, Professor für Computerwissenschaften an der Universität von Washington in Seattle, in seinem Buch gewidmet, „The Master Algorithm: How The Quest For The Ultimate Learning Machine Will Remake Our World“ (dt. Der Master-Algorithmus: Wie die Suche nach der ultimativen Lernmaschine unsere Welt umgestalten wird)

Von seinem Zuhause in der Nähe von Seattle aus erklärt er uns, wie künstliche Intelligenz (KI) eines Tages Ärzte ersetzen wird, warum ein Master-Algorithmus eine ebenso große Umgestaltungsmacht wie Einsteins Relativitätstheorie haben kann und warum der Einsatz von Robotern statt Soldaten auf dem Schlachtfeld die Kriegsführung menschenwürdiger machen würde

Der Heilige Gral der Computerwissenschaft ist eine Maschine, die eigenständig lernen kann. Erklären sie uns das Konzept des maschinellen Lernens in einfachen Begriffen.

Bei der traditionellen Programmierung muss man einem Computer in mühevoller Detailarbeit erklären, was er tun soll. Das ist dann ein Algorithmus: ein Satz von Befehlen, die man dem Computer gibt.

Beim maschinellen Lernen programmiert man den Computer so, dass er eigenständig lernen kann. Wenn man im Internet etwas sucht, dann werden die Suchergebnisse durch maschinelles Lernen ausgewählt. Amazon benutzt das, um Kunden Produkte vorzuschlagen. Netflix nutzt es für Filmvorschläge und Twitter und Facebook nutzen es, um die Posts auszuwählen, die Nutzern angezeigt werden. An so ziemlich allem, was online passiert, ist maschinelles Lernen beteiligt.

Was ist der Master-Algorithmus? Und wie kurz stehen wir davor, ihn zu entwickeln?

Der Master-Algorithmus ist ein Algorithmus, der alles aus Daten lernen kann. Man gibt ihm Daten über Planetenbewegungen und schiefe Ebenen und er wird das Newtonsche Gravitationsgesetz entdecken. Man gibt ihm Daten über DNA-Kristallografie und er wird die Doppelhelix entdecken. Man gibt ihm eine große Datenbank mit Akten von Krebspatienten und er wird lernen, Krebs zu diagnostizieren und zu heilen.

Aber um das zu erreichen, brauchen wir ein tiefergehendes Verständnis dafür, wie Lernprozesse funktionieren. Da gibt es mehrere Ansätze. Einer davon ist, das Gehirn per Reverse Engineering zu rekonstruieren. Ein anderer ist, die Evolution nachzuahmen.

Meiner Ansicht nach muss man Ideen aus beiden Ansätzen miteinander kombinieren, um einen Master-Algorithmus zu entwerfen. Man braucht so etwas wie eine große vereinheitlichte Theorie des maschinellen Lernens, so wie die große vereinheitliche Theorie der Physik.

Irgendwer könnte das schon morgen entdecken oder vielleicht erst in hundert Jahren. Mein Bauchgefühl sagt mir, dass wir das in unseren Lebzeiten noch erleben werden. Und er wird vermutlich von jemandem kommen, der kein professioneller Forscher auf dem Gebiet des maschinellen Lernens ist.

Ich fände es großartig, wenn ein 20 Jahre alter College-Student mein Buch liest und dann eine Idee hat, mit der man den Master-Algorithmus umsetzen kann.

Man stellt große Behauptungen über maschinelles Lernen auf, darunter auch die Heilung von AIDS und Krebs. Könnte das wirklich noch zu unseren Lebzeiten möglich werden?

Maschinen können sich mit erheblich größeren Informationsmengen und komplexeren Prozessen als Menschen befassen und mehr Arzneimittel oder Impfstoffe testen, als wir es im Labor können. Maschinelles Lernen wird für die Entdeckung von Arzneien eingesetzt, indem man den Prozess auf einem Computer simuliert. Das benötigt nur einen Bruchteil der Zeit und der Kosten.

Was das AIDS-Virus so schwierig macht, ist seine schnelle Mutationsrate. Ein Forscher namens David Heckermann hat das Konzept entwickelt, dass man den Virus nicht nur an einer Stelle angreift, wie es Impfstoffe tun. Stattdessen greift man ihn an mehreren Stellen gleichzeitig an. Aber um all diese Stellen zu entdecken, braucht es ein Ausmaß an Datenverarbeitung und Hypothesentests, das Menschen nicht bewerkstelligen können.

Bei Krebs ist das Problem, dass es nicht nur eine einzige Krankheit ist. Der Krebs ist bei jedem Menschen anders und mutiert, während er wächst. Der Krebs, den ein Patient heute hat, ist also nicht mehr derselbe wie der, den derselbe Patient vor sechs Monaten hatte. Der Stoffwechsel ist so kompliziert und es gibt so viele mögliche Mutationen und Kombinationen von zellulären und Umweltfaktoren, dass ein Mensch das unmöglich alles bewältigen kann.

Daher wird es kein einzelnes Arzneimittel geben, das den Krebs heilen wird. Maschinelles Lernen könnte potenziell das Genom des Krebses sowie das Genom und die medizinische Vorgeschichte des Patienten nehmen und daraus vorhersagen, welche Arzneikombination man nutzen sollte. Es könnte auch eine neue Arznei zur Behandlung dieses speziellen Krebses entwickeln.

Wir brauchen aber bessere Algorithmen für maschinelles Lernen, bevor wir so was tun können. Außerdem müssten Patienten auch ihre Daten teilen, damit die Algorithmen daraus lernen können. David Haussler, der sowohl ein berühmter Molekularbiologe als auch ein Forscher für Maschinenlernen ist, glaubt, dass wir Krebs heilen können werden, wenn wir genug Daten von Patienten sammeln. Andernfalls werden wir das nicht können.

Eine Studie der Oxford Universität behauptet, dass 47 Prozent der weltweiten Arbeitsplätze in den kommenden Dekaden durch maschinelles Lernen ersetzt werden könnten. Welche Jobs werden am stärksten gefährdet sein?

Das ist eine sehr bedeutungsvolle Frage. Lassen sie mich umgekehrt damit antworten, welche Jobs am wenigsten gefährdet sein werden. In den letzten 50 Jahren war es eine große Überraschung im Bereich der KIs, dass die Leute glaubten, wir würden mit der Automatisierung eher trivialer Dinge wie Bauarbeiten oder Toilettenreinigung anfangen. Das, was Ärzte und Anwälte leisten, wäre dann am schwersten durch KIs zu ersetzen gewesen.

Tatsächlich stellte sich aber heraus, dass es genau andersherum ist. Ärzte und Anwälte lassen sich viel einfacher automatisieren als Straßenreiniger. Einer der großen Erfolge des maschinellen Lernens ist, dass man einen einfachen Algorithmus nehmen und ihn mit einer Datenbank von Patientenakten füttern kann. Er lernt dann, Diabetes und Brustkrebs besser zu diagnostizieren als Menschen, die jahrelang Medizin studiert haben.

Wodurch ist ein Job schwer automatisierbar? Wenn eine Arbeit mentale Routinearbeit umfasst – und auf viele Arten sind medizinische Diagnosen Routinearbeit –, dann ist es einfach, sie zu automatisieren. Wenn der Job eine Interaktion mit der physischen Welt verlangt, also die Benutzung von Händen und Füßen, dann ist er sehr schwer zu automatisieren.

Auch Arbeit, die viel gesunden Menschenverstand verlangt, ist sehr schwer zu automatisieren. Solche Vernunft halten wir Menschen für selbstverständlich, aber für Maschinen ist es extrem schwer, das zu erlernen. Wenn eine Arbeit also gesunden Menschenverstand verlangt, ist sie deutlich sicherer als solche, die das nicht tut.

Edward Snowdens Enthüllungen haben aufgedeckt, wie viel unserer elektronischen Kommunikation routinemäßig von der NSA überwacht wird. Bedroht maschinelles Lernen unsere fundamentalen Freiheiten?

Maschinelles Lernen ist nicht per se eine Bedrohung. Es ist aber definitiv ein Werkzeug, das auch Organisationen wie die NSA benutzen. Nehmen wir einfach mal an, dass die NSA alle elektronische Kommunikation auf der Welt auffangen kann. Das Problem ist ja, dass der überwiegende Großteil dieser Kommunikation völlig harmlos ist und sie nicht das Personal haben, um sich alles anzusehen.

An dieser Stelle käme dann maschinelles Lernen ins Spiel. Programme mit maschinellem Lernen können diese Unterhaltungen durchgehen, sogar in Echtzeit, und die verdächtigen rausfiltern. Wenn man also einen Überwachungsstaat aufbauen will, ist maschinelles Lernen potenziell ein gefährliches Werkzeug.

Gleichzeitig würde es uns aber auch eine Menge Macht verleihen. Wir können unsere eigenen Algorithmen für maschinelles Lernen haben, die dann herausfinden, wie man jene Algorithmen besiegt, die uns überwachen wollen. Wie jede Technologie kann auch diese von beiden Seiten genutzt werden.

Wichtig ist, dass wir als Bürger verstehen müssen, was das ist, damit wir es für unsere Zwecke einsetzen können und es nicht nur Unternehmen und Staaten überlassen.

Der chinesische Philosoph Laozi behauptete: „Der beste Soldat kämpft ohne Rache, ohne Wut, ohne Hass.“ Könnten Roboter eines Tages menschliche Soldaten auf dem Schlachtfeld ersetzen?

Momentan wird viel Polemik über diese Frage betrieben. Manche möchten Roboter und intelligente Waffen auf dem Schlachtfeld verbieten. Ich denke, dass das ein großer Fehler wäre, genau aus dem erwähnten Grund. Robotersoldaten können potenziell viel barmherziger sein als menschliche Soldaten. Sie werden nicht wütend oder ängstlich oder rachsüchtig. Sie verlieren im Eifer des Gefechts nicht den Kopf. Sie können die Entscheidung darüber, wann und auf was sie schießen, viel besser überdenken.

Die Vereinten Nationen denken aktuell über ein Verbot intelligenter Waffen nach, genau wie auch chemische und biologische Kampfstoffe verboten sind. Aber mir erscheint das rückwärtsgerichtet. Was wir wollen, ist, KIs so weit zu entwickeln, dass alle Kriege von Robotern geführt werden. Wenn wir Menschen anstatt Roboter in Gefechten verbieten, wird Kriegsführung hoffentlich zu einem Wettstreit darin werden, wer am meisten bauen und zerstören kann und nicht, wer die meisten Menschen tötet.

Was glauben sie, welche Dinge im Leben ihrer Kinder in der Zukunft durch maschinelles Lernen verbessert oder verschlechtert werden?

Kurzfristig gesehen wird es beim maschinellen Lernen wie auch bei anderen Technologien Gewinner und Verlierer geben. Langfristig werden wir die schlechten Aspekte aussortieren und fast nur noch die positiven Konsequenzen haben. Eine davon, über die wir auch schon gesprochen haben, ist Gesundheit. Die Generation unserer Kinder wird gesundheitliche Probleme als etwas Furchtbares betrachten, das Menschen in der barbarischen Vergangenheit hatten.

Heutzutage geht man zum Arzt, wenn man krank ist, und dem fällt dann hoffentlich eine Behandlung ein. In Zukunft wird man gar nicht mehr krank werden, weil im Hintergrund schon so viel Arbeit geleistet wird, um Krankheiten zu heilen, bevor sie ausbrechen.

Ich gebe da mal ein kurzfristiges Beispiel und ein langfristiges. Ihr Smartphone ist voller Sensoren und es werden noch mehr werden. Eines Tages werden Sie vielleicht sogar Sensoren in Ihrem Körper haben. Wenn Ihr Smartphone spürt, dass Sie einen Herzinfarkt haben, wird es den Notruf anrufen und Sie warnen. So wird es vielleicht ihr Leben retten. Ich glaube, dass das relativ kurzfristig passieren wird.

Langfristig kann man sich einen Krankheitsausbruch vorstellen, zum Beispiel Ebola. In der Zukunft wird das Virus sehr schnell sequenziert werden. Die Labore werden dann eine Impfung oder ein Heilmittel finden und Ihr Immunsystem wird die Anleitung für die Heilung aus dem Internet in Ihren Körper runterladen, ohne dass Sie sich dessen zwingend bewusst sind.

Allgemein glaube ich, dass maschinelles Lernen einem genau wie andere Technologien eine Art Superkraft verleiht. Mit Telefonen kann man über lange Distanzen miteinander kommunizieren, mit Flugzeigen kann man fliegen. Maschinelles Lernen wird die ultimative Superkraft sein.

Die Menschen passen die Welt eher ihren Bedürfnissen an, anstatt sich der Welt anzupassen. Mit maschinellem Lernen heben wir diesen Prozess auf eine ganz neue Ebene, auf der sich die Welt einem selbst anpasst. Wenn man in ein Auto steigt, in eine neue Umgebung kommt, egal ob online oder offline, wird sich das automatisch für einen persönlich konfigurieren. Viele der Kämpfe, die wir heutzutage mit Informationsfluten austragen und mit Dingen, die schieflaufen, wird es in Zukunft nicht mehr geben. Wir werden einfach nur glücklicher und produktiver sein.

Simon Worrall auf Twitter und seiner Webseite folgen.