“Maschinen werden intelligent sein, wenn sie den menschlichen Schachweltmeister schlagen,” sagten manche. Und dann geschah es. IBMs Deep Blue besiegte 1997 Garry Kasparov . “Naja, solche Maschinen sind ja nicht wirklich intelligent, die benutzen nur reine Rechenpower.” Damit antworteten die Kritiker und legten die Latte für ‘Intelligenz’ eine Ebene höher. Wie hoch?

“Aber Maschinen werden sicherlich dann intelligent sein, wenn sie den menschlichen Go-Champion besiegen.” Und genau das geschah früher als gedacht. Im März 2016 besiegte Googles AlphaGo den menschlichen Go-Weltmeister. Die Maschine konnte dabei nicht auf reine Rechenpower setzen, sondern musste mit einem auf Statistik basierten Ansatz aufsetzen.

Was sind denn nun intelligente Maschinen? Und werden sie jemals menschliche Intelligenz übertreffen? Das ist eine der Fragen wo sich selbst Experten nicht einig sind. Die Definition von Intelligenz ist je nach Spezialisten unterschiedlich, und das Ziel eine einheitliche Definition zu erhalten ist in weite Ferne gerückt. Max Tegmann vom MIT definiert sie in seinem jüngsten Buch Leben 3.0 folgendermaßen:

Intelligenz = die Fähigkeit komplexe Ziele zu erreichen

Und künstliche Intelligenz hat sicherlich ein gewisses Niveau erreicht, wie wir an den erstaunlichen Beispielen bei selbstfahrenden Autos oder der medizinischen Diagnose sehen können. Haben wir endlich doch wirklich intelligente Maschinen geschaffen?

Nun ja, nicht so schnell, sagt der Gewinner des Turing-Awards, Judea Pearl, in seinem jüngsten Buch “The Book of Why: The New Science of Cause and Effect.” So großartig die jüngsten Fortschritte sind, so meint Pearl gleichzeitig, dass diese Ansätze es sich ‘zu einfach’ machen. Er betrachtet die Ansätze in künstlicher Intelligenz als nichts anderes als ‘Kurvenanpassungen’. Bring dem KI-System bei, wie es besser Katzen oder Gesichter erkennen kann,  oder besser Auto fahren kann. So wertvoll jede einzelne dieser Aufgaben auch sein mag, sie machen KI nicht intelligent. Es ist immer noch ‘dumme’ KI.

Um wirklich intelligente Maschinen zu schaffen, müssen wir ihnen Ursache und Wirkung beibringen. Pearl begann mit der Verwendung von Bayesian Netzwerken genau das Maschinen zu lehren. Nehmen wir einen Patienten her, der gerade von einer Reise aus Afrika zurück gekehrt ist und an Malaria erkrankt. Die Maschine kann Malaria diagnostizieren – ein auf Wahrscheinlichkeiten basierende Ansatz -, hat aber null Ahnung was die Ursache ist.

Heutige Maschinen machen nicht mehr als Muster erkennen. Sicherlich viel komplexere Muster, aber eben doch nur Muster. Das ist relativ einfach. Und durch Maschinenlernen lernt die Maschine bessere Anpassungen der Kurve an diese Muster zu erreichen. Besser fahren, besser Krebs diagnostizieren, besser Katzen erkennen.

Gemäß Pearl wäre der Schlüssel Zusammenhänge mit Ursachenbegründungen zu ersetzen. Anstelle nur Fieber und Malaria in Zusammenhang zu stellen sollten Maschinen die Fähigkeit lernen die Ursachen zu finden. Und diese Fähigkeit könnte die Maschinen auf eine menschliche Intelligenz bringen.

Und das könnten sogar zu einem ‘freien Willen’ für Maschinen führen. Und das wird dann geschehen sein, wenn wir einem Roboter zu Arbeit beauftragen, er sich aber dafür entscheidet lieber an den Strand zu gehen.

Dieser Beitrag ist auch auf Englisch erschienen.