Sometimes I saw deep Intelligence in the Machine’s moves
Es ist der 11. Mai 1997. Dem damaligen Schachweltmeister Garry Kasparov stehen die Schweißperlen auf der Stirn, als er im sechsten Match nach 20 Zügen die Niederlage seines Lebens einstecken muss. Sein Gegner ist allerdings mehr – oder eben weniger – als ein Schachprofi: Es ist der Schachcomputer Deep Blue.
Deep Blue verfügt über eine A.I. (1), also eine künstliche Intelligenz, und gehört somit zu jenen geheimnisvollen „Wesen“, die auch Sciencefictionwelten bevölkern. Aber wagen wir doch einen kleinen Blick über die Filmkulissen und Abenteuerbücherränder hinaus und begeben wir uns dazu in die sechziger Jahre ans MIT (2), wo Terry Winograd an einem der ersten A.I.-Programme bastelte – SHRDLU.
Hol das Stocki, SHRDLU
SHRDLU (3) ist eine sprachbasierte A.I., die ausgestattet mit einer graphischen 3D-Umgebung simple Befehle in englischer Sprache entgegennehmen und ausführen kann. Das sah dann beispielsweise so aus:
Ich tippe: Pick up the green block
Shrudlu: OK.
I: Find a block which is taller than the one you are holding and put it into the box.
S: By „it“, I assume you mean the block, which is taller than the one I am holding.
I: Yes.
S: OK.
I: What does the box contain?
S: The blue pyramid and the blue block.
I: How many blocks are not in the box?
S: Four of them.
I: Is at least one of them narrower than the one which I told you to pick up?
S: Yes, the red cube.
Agentinnen können denken und lernen
Nach diesem Beispiel ist es wohl an der Zeit zu klären, was ein Computerprogramm nun zu einer A.I. macht. Zu diesem Zweck sollten wir erst einmal den häufig verwendeten Begriff „Agentin“ erklären. Als Agentin wird in A.I.-Speak der Teil des Programms bezeichnet, der Informationen aus der Umwelt sammelt und sie in Aktionen übersetzt. Im Fall von SHRDLU wäre das die Einheit, die aufnimmt, was über die Tastatur eingegeben wird, die Aktion ausführt oder bei Unklarheit nachfragt. Die Umwelt stellen in diesem Fall die eingegebenen Sätze dar. Nun, einen Schritt weitergegangen, stellt sich die Frage, wie eigentlich das I. in A.I. definiert ist. Ganz einfach: gar nicht, weil „Intelligenz“ ein auf Menschen getrimmter Begriff ist, der selbst in der Psychologie, wo er ursprünglich geprägt wurde, kontrovers diskutiert wird. Stattdessen spricht man von Rationalität und definiert, dass eine rationale Agentin Aktionen setzt, von denen sie annimmt, dass sie damit ihre Ziele erreichen kann. In der Praxis wird allerdings davon ausgegangen, dass Agentinnen, seien es Roboter, Brettspielcomputer oder Internetshopping-Programme, nicht perfekt rational handeln können, weil sie über endliche Rechenkapazitäten verfügen. Diese Agentinnen sind, wie wir Menschen im Übrigen auch, also limitiert rational, das bedeutet, sie agieren so gut wie es ihre Beschränkungen zulassen. Wir Menschen etwa besitzen ein weiches, matschiges Gehirn, das nicht besonders schnell rechnen kann und zudem nicht wirklich fähig ist, mehrere Dinge gleichzeitig zu tun. Oft schaffen wir es nicht, optimal auf Situationen zu reagieren, aber dennoch handeln wir so rational wie es uns in diesem Moment möglich ist.
Bis jetzt sind Agentinnen als Einheiten beschrieben worden, die Eindrücke aus ihrer Umwelt aufnehmen und sie direkt in Aktionen umsetzen. Man möchte also meinen, dass es für A.I.s genügt, eine Tabelle eingespeichert zu haben, die alle möglichen Umweltzustände mit den darauffolgenden Aktionen verknüpft. Nun, dem ist nicht so. Selbst in weniger komplexen Umwelten gibt es schon so viele mögliche Umwelt-Zustände, dass solche Tabellen in Real-World-Anwendungen sämtliche Rechenkapazitäten sprengen würden. Zudem treten in manchen Anwendungen, wie zum Beispiel beim Schach, Zustände auf, die nicht eindeutig zuordenbar sind.
Daher ging die A.I.-Community dazu über, ihren Programmen „Denken“ beizubringen. Mit „Denken“ ist zum Beispiel gemeint, Eindrücke einzuschätzen und zusammenzufassen, Prioritäten zu setzen und Schlüsse zu ziehen. Nehmen wir etwa an, wir haben einen Roboter, der sich gerade in einem geschlossenen Raum aufhält, als ein Elefant durchs Fenster geflogen kommt. Ein unwahrscheinliches Ereignis wie dieses ist natürlich in keiner Tabelle gespeichert. Um also keinen Totalschaden zu erleiden, muss unser Roboter fähig sein, Schlüsse zu ziehen: Ein Elefant fliegt zum Fenster herein – ein Elefant ist schwer – wenn er auf mir landet, gehe ich kaputt – ich sollte ihm ausweichen.
Doch neben der Fähigkeit zu „denken“ wünschen sich die A.I.-WissenschaftlerInnen von ihren Maschinen auch, „lernfähig“ zu sein. Wenn sich etwa die Umwelt, der unsere Agentin ausgesetzt ist, ständig verändert, wird es dem/der ProgrammiererIn nicht möglich sein, alle Eventualitäten miteinzuberechnen. Schicken sie etwa einen Roboter, der zuerst auf der Erde im Einsatz war, auf den Mars, so wird er dort komplett anderen physikalischen Bedingnungen ausgesetzt sein. Ist er aber mit der Fähigkeit ausgestattet, gewisse Dinge zu lernen, wie etwa das Fahren auf Marsboden, so kann er nach kurzer Zeit wieder alle gewohnten Aktionen in veränderter Umgebung ausführen.
Deep Blue
Zurück zu der Szene mit Kasparov und Deep Blue. Wie konnte dieser Computer den Weltmeister Kasparov schlagen? Nun, zunächst verfügt Deep Blue über zwei riesige Datenbanken an Schachwissen. In der ersten Datenbank sind allgemein als erfolgreich eingestufte Eröffnungszüge gespeichert. In der Schachwelt ist dieses Sammelsurium an Zügen als Eröffnungstheorie bekannt und professionelle SchachmeisterInnen verwenden viel Zeit darauf, diese zu studieren. Aus dieser ersten Datenbank generiert Deep Blue ein eigenes „Opening Book“, in dem ein Set von Zügen gemeinsam mit einer Einschätzung, wie erfolgreich diese Züge sein werden, gespeichert ist. In der anderen Datenbank hingegen finden sich etwa 700.000 GroßmeisterInnenspiele. Aus diesem Wissen generiert Deep Blue dann automatisch das „Extended Book“, in dem die jeweils ersten 30 Züge dieser Spiele auf Erfolgsausicht bewertet und abspeichert werden.
Wenn Deep Blue nun beginnt zu spielen, verwendet es zunächst die Züge, die es im Opening Book findet. Wenn es diese allerdings als wenig erfolgversprechend einstuft, greift es auf das Wissen aus dem Extended Book zurück. Deep Blues Stärke ist also darin begründet, dass es die großen Datenbanken, über die es verfügt, sehr effektiv durchsuchen und bewerten kann.
Doch trotz des Wissens, wie Maschinen mit künstlicher Intelligenz funktionieren, bleibt ein klein wenig von dem Zauber, das diesem Gebiet anhängt, bestehen, wenn man Computern wie Deep Blue beim Spielen zusieht. Es bleibt zu sagen „Sometimes I saw deep intelligence and creativityin the machine’s moves.“ (4)
Suchen
Ausgaben