Aber was wäre, wenn eine KI wie ein Baby lernen könnte? KI-Modelle werden auf riesigen Datensätzen trainiert, die aus Milliarden von Datenpunkten bestehen. Forscher der New York University wollten herausfinden, was solche Modelle leisten können, wenn sie mit einem viel kleineren Datensatz trainiert werden: den Bildern und Geräuschen, die ein einzelnes Kind erlebt, das sprechen lernt. Zu ihrer Überraschung lernte ihre KI viel – dank eines neugierigen Babys namens Sam.
Die Forscher befestigten Sam eine Kamera auf dem Kopf und er trug sie anderthalb Jahre lang immer wieder, von seinem sechsten Lebensmonat bis kurz nach seinem zweiten Geburtstag. Das von ihm gesammelte Material ermöglichte es den Forschern, einem neuronalen Netzwerk beizubringen, Wörter den Objekten zuzuordnen, die sie darstellen, berichtet Cassandra Willyard in dieser Geschichte. (Ein Klick lohnt sich allein wegen der unglaublich süßen Bilder!)
WAI KEEN VONG
Diese Forschung ist nur ein Beispiel dafür, wie Babys uns einen Schritt näher daran bringen könnten, Computern beizubringen, wie Menschen zu lernen – und letztendlich KI-Systeme zu bauen, die genauso intelligent sind wie wir. Babys inspirieren Forscher seit Jahren. Sie sind aufmerksame Beobachter und ausgezeichnete Lerner. Auch Babys lernen durch Versuch und Irrtum, und Menschen werden immer schlauer, je mehr wir über die Welt lernen. Entwicklungspsychologen sagen, dass Babys ein intuitives Gespür dafür haben, was als nächstes passieren wird. Sie wissen zum Beispiel, dass ein Ball existiert, auch wenn er nicht sichtbar ist, dass der Ball fest ist und nicht plötzlich seine Form ändert und dass er auf einer kontinuierlichen Bahn davonrollt und sich nicht plötzlich woanders hin teleportieren kann.
Forscher von Google DeepMind versuchten, einem KI-System den gleichen Sinn für „intuitive Physik“ beizubringen, indem sie ein Modell trainierten, das lernt, wie sich Dinge bewegen, indem es sich auf Objekte in Videos statt auf einzelne Pixel konzentriert. Sie trainierten das Modell anhand Hunderttausender Videos, um zu lernen, wie sich ein Objekt verhält. Wenn Babys überrascht werden, wenn etwas wie ein Ball plötzlich aus dem Fenster fliegt, liegt die Theorie zufolge daran, dass sich das Objekt auf eine Weise bewegt, die das physikalische Verständnis des Babys beeinträchtigt. Den Forschern von Google DeepMind ist es auch gelungen, ihr KI-System dazu zu bringen, „Überraschung“ zu zeigen, wenn sich ein Objekt anders bewegt, als es gelernt hatte, dass sich Objekte bewegen.
Yann LeCun, ein Turing-Preisträger und Chef-KI-Wissenschaftler von Meta, hat argumentiert, dass es der Weg zu intelligenteren Systemen sein könnte, KI-Systemen beizubringen, wie Kinder zu beobachten. Er sagt, dass Menschen eine Simulation der Welt oder ein „Weltmodell“ in unserem Gehirn haben, das uns intuitiv erkennen lässt, dass die Welt dreidimensional ist und dass Objekte nicht wirklich verschwinden, wenn sie außer Sichtweite geraten. Damit können wir in wenigen Sekunden vorhersagen, wo ein springender Ball oder ein rasendes Fahrrad sein wird. Er ist damit beschäftigt, völlig neue Architekturen für KI zu entwickeln, die sich an der Art und Weise orientieren, wie Menschen lernen. Wir haben hier seine große Wette für die Zukunft der KI besprochen.
Die KI-Systeme von heute zeichnen sich durch kleine Aufgaben aus, etwa beim Schachspielen oder beim Erzeugen von Texten, die wie etwas klingen, das von einem Menschen geschrieben wurde. Aber im Vergleich zum menschlichen Gehirn – der leistungsstärksten Maschine, die wir kennen – sind diese Systeme spröde. Ihnen fehlt der gesunde Menschenverstand, der es ihnen ermöglichen würde, in einer chaotischen Welt reibungslos zu agieren, differenziertere Überlegungen anzustellen und den Menschen hilfreicher zu sein. Zu untersuchen, wie Babys lernen, könnte uns dabei helfen, diese Fähigkeiten freizuschalten.
Tiefergehendes Lernen
Dieser Roboter kann einen Raum ohne Hilfe aufräumen
Roboter sind in bestimmten Aufgaben gut. Sie sind zum Beispiel großartig darin, Gegenstände aufzunehmen und zu bewegen, und sie werden sogar besser im Kochen. Während Roboter Aufgaben wie diese problemlos in einem Labor erledigen können, ist es eine echte Herausforderung, sie in einer unbekannten Umgebung zum Arbeiten zu bringen, in der nur wenige Daten verfügbar sind.