Wichtigste Erkenntnisse
Vielversprechende Ideen lange genug am Leben halten, bis sich die Bedingungen ändern.
Eine verworfene Idee kann warten. 1958 führte der Psychologe Frank Rosenblatt ein Perzeptron vor, eine frühe Lernmaschine, die einfache Muster erkennen konnte. Ihre Grenzen waren real, doch die Öffentlichkeitserwartungen wurden durch die Berichterstattung überhöht, und die Kritiker Marvin Minsky und Seymour Papert zeigten, dass das System bestimmte grundlegende Probleme nicht lösen konnte. Finanzierung und Aufmerksamkeit wandten sich anderen Bereichen zu. Geoff Hinton arbeitete in den Jahren, in denen seine Kollegen neuronale Netze für eine Sackgasse hielten, weiter daran. 2012, nachdem seine Gruppe gezeigt hatte, dass ein neuronales Netz Bilder mit außergewöhnlicher Genauigkeit erkennen konnte, konkurrierten Google, Microsoft, Baidu und DeepMind um den Kauf seines Start-ups mit drei Beschäftigten. Google zahlte 44 Millionen Dollar.
Auch der richtige Zeitpunkt zählt. Die Idee war nicht plötzlich neu geworden. Bessere Algorithmen, mehr Daten und schnellere Computer hatten sie endlich nutzbar gemacht. Hinton entschied sich für Google statt für einen möglicherweise höheren Auktionspreis, weil ihm ein Zuhause für die Forschung wichtiger war, als jeden möglichen Dollar herauszuholen.
Bemerkenswert ist, dass wissenschaftliche Zurückweisung zugleich korrigierend und verzerrend wirken kann. Minsky und Papert wiesen auf echte Grenzen hin, doch Institutionen behandelten diese Grenzen als Urteil über einen ganzen Ansatz. Das ähnelt dem Unterschied zwischen der Widerlegung eines einzelnen Modells und dem Ausschluss eines gesamten Forschungsprogramms. Beharrlichkeit ist wichtig, aber nicht automatisch klug: Sinnvoll ist es, eine überprüfbare Möglichkeit zu bewahren und weiter zu fragen, was sich an den Belegen oder Werkzeugen verändert hat. Hintons Geschichte lässt intellektuelle Geduld weniger wie Starrsinn und mehr wie disziplinierte Aufmerksamkeit für die Bedingungen erscheinen.
Deep Learning brauchte Algorithmen, Daten und spezialisierte Rechenleistung zugleich.
Drei Zutaten kamen zusammen. Deep Learning bezeichnet neuronale Netze mit mehreren Verarbeitungsschichten, die anhand von Beispielen Muster erlernen. In den 1980er-Jahren trugen Geoff Hinton, David Rumelhart und andere dazu bei, mehrschichtige Netze mithilfe der Backpropagation trainierbar zu machen – einer Methode, die interne Verbindungen anhand der Fehler vorheriger Versuche anpasst. Jahrelang blieb der Ansatz durch die Größe der verfügbaren Datensätze und die Geschwindigkeit der Computer begrenzt.
Die Hardware beschleunigte den Fortschritt. Grafikprozessoren, kurz GPUs, wurden für die Darstellung von Videospielbildern entwickelt. Ihre Fähigkeit, viele Berechnungen gleichzeitig auszuführen, machte sie jedoch auch für das Training neuronaler Netze nützlich. 2012 verwendete Alex Krizhevsky GPUs und die beschrifteten Fotos von ImageNet, um AlexNet zu entwickeln, das konkurrierende Bilderkennungssysteme deutlich übertraf. Bei der Spracherkennung schlug ein ebenfalls mit mehr Daten trainiertes neuronales Netz Systeme, an deren Verfeinerung Microsoft jahrelang gearbeitet hatte. Rechenleistung ersetzte Einfallsreichtum nicht. Sie verstärkte ihn.
Diese Geschichte ist eine hilfreiche Korrektur von Erzählungen über Erfindungen, die sich um ein einzelnes Genie oder einen einzigen Durchbruch drehen. Der Fortschritt beruhte auf sich ergänzenden Ressourcen: einer Lernmethode, brauchbaren Daten, erschwinglicher paralleler Rechenleistung und Ingenieuren, die all das zusammenzuführen wussten. Die Innovationsforschung beschreibt solche Momente oft als Zusammenwirken statt als Schöpfung aus dem Nichts. Zu bedenken ist, dass mehr Rechenleistung Experimente zwar beschleunigen kann, das entstehende System dadurch aber nicht automatisch zuverlässiger oder gerechter wird. Kapazität ist eine Voraussetzung, kein Maß für gesellschaftlichen Wert.
Langfristige Forschung vor Institutionen schützen, die auf vertraute Erfolge ausgerichtet sind.
Ein Rückzugsort für Forschung war wichtig. Forscherinnen und Forscher an neuronalen Netzen waren weiterhin über verschiedene Universitäten verstreut, während symbolische KI, die explizite Regeln kodierte, einen Großteil des Fachgebiets beherrschte. Hinton, Yann LeCun und Yoshua Bengio trugen dazu bei, eine kleine Forschungsgemeinschaft durch Workshops und gemeinsame Arbeit aufrechtzuerhalten, insbesondere in Kanada. Sie verfolgten Ideen, deren Überprüfung Jahre dauern konnte, selbst als renommierte Labore und Fachzeitschriften kaum Interesse zeigten.
Gemeinschaften bewahren Möglichkeiten. Hintons Workshops brachten Informatiker, Ingenieure, Psychologen und Neurowissenschaftler zusammen. Die Forschenden konnten ihre Ergebnisse vergleichen, statt dieselben Probleme isoliert voneinander zu bearbeiten. Die Gruppe machte auch die Bezeichnung Deep Learning für Netze mit vielen Schichten populär und gab damit einer älteren Forschungsrichtung einen Namen, der Aufmerksamkeit verschaffte. Die Geschichte besagt nicht einfach, dass Außenseiter recht und Insider unrecht hatten. Skepsis und knappe Mittel können schwache Behauptungen offenlegen, aber Institutionen auch zu abhängig von den bereits bevorzugten Methoden machen.
Das Buch zeigt, dass Forschungskapazität eine soziale Struktur und nicht bloß ein Haushaltsposten ist. Ein Netzwerk aus Kolleginnen und Kollegen kann Fachwissen bewahren, Studierende gewinnen und einer aus der Mode gekommenen Idee helfen, lange genug zu überleben, bis bessere Werkzeuge verfügbar sind. Das entspricht der Logik intellektueller Vielfalt: Konkurrierende Ansätze verringern das Risiko, dass ein ganzes Fachgebiet denselben blinden Fleck teilt. Die Herausforderung besteht darin, fruchtbaren Widerspruch von einer nicht widerlegbaren Loyalität zu unterscheiden. Geschützte Forschung braucht Freiraum, aber auch klare Maßstäbe für Belege und die Bereitschaft, Behauptungen aufzugeben, die wiederholt scheitern.
Belege anhand anspruchsvoller Benchmarks verlangen, nicht anhand überzeugender Vorführungen.
Ein Benchmark kann einen Streit entscheiden. Jahrelang bezweifelten Forschende, dass neuronale Netze komplexe Bilder erkennen könnten. Hintons Gruppe trainierte AlexNet mit ImageNet, einer großen Sammlung beschrifteter Fotos, die bei einem jährlichen Bilderkennungswettbewerb verwendet wurde. Das System schnitt deutlich besser ab als die Konkurrenz und machte aus einer theoretischen Auseinandersetzung ein messbares Ergebnis. Sein Erfolg überzeugte Skeptiker, die Belege bei einem anspruchsvollen, gemeinsam genutzten Test verlangt hatten.
Tests haben dennoch ihre Grenzen. ImageNet trug dazu bei, zu belegen, dass der Ansatz bei der Bildklassifizierung funktionierte. Es bewies jedoch nicht, dass ein System die Welt so verstand wie Menschen. Forschende diskutierten, ob sorgfältig aufbereitete, beschriftete Bilder die gewöhnliche visuelle Erfahrung widerspiegelten. Der Unterschied ist wichtig: Ein Benchmark kann Systeme fair vergleichen und trotzdem nur einen Ausschnitt der tatsächlichen Aufgabe messen. Weitreichende Behauptungen sollten genau angeben, worauf ein System getestet wurde, wie es abschnitt und was der Test nicht erfasst.
Benchmarks sind wirkungsvoll, weil sie Meinungsverschiedenheiten überprüfbar machen. Statt aus dem Bauch heraus zu argumentieren, können Forschende die Leistung unter gemeinsamen Bedingungen vergleichen. Doch Messungen schaffen auch eigene Anreize: Teams optimieren auf den Test hin, und der Erfolg bei einem sorgfältig zusammengestellten Datensatz kann mit umfassender Kompetenz verwechselt werden. Das ist ein bekanntes Problem in Bildung und Politik, wo ein Ersatzmaß zum Ziel wird. Die richtige Reaktion ist nicht, Benchmarks abzulehnen, sondern mehrere zu verwenden, unbekannte Fälle einzubeziehen und die gemessene Fähigkeit enger zu fassen als die Werbesprache.
Einen Spielsieger nicht mit allgemeiner Intelligenz verwechseln.
Spiele bieten eine klare Anzeigetafel. DeepMind trainierte Systeme, Atari-Spiele mithilfe bestärkenden Lernens zu spielen – einer Methode, bei der ein Agent sich verbessert, indem er Handlungen ausprobiert und dafür Belohnungen oder Strafen erhält. AlphaGo setzte neuronale Netze und ausgiebiges Selbstspiel ein, um Spitzen-Go-Spieler zu besiegen. Sein ungewöhnlicher Zug im Match gegen Lee Sedol zeigte, dass das Training Strategien hervorbringen konnte, auf die menschliche Experten nicht gekommen waren.
Ein Spiel ist nicht die Welt. Spiele legen Regeln, Ziele und Rückmeldungen fest. Ein Roboter, ein Arzt oder ein Online-Assistent ist mit Situationen konfrontiert, die keine derart klaren Grenzen haben. Ein System, das Go meisterhaft beherrscht, lernt dadurch weder Medizin noch gesunden Menschenverstand. DeepMind betrachtete Spiele als Zwischenschritte auf dem Weg zu allgemeineren Fähigkeiten; Kritiker fragten, wie viel von diesen Fähigkeiten sich übertragen ließe. Der Unterschied ist praktisch: Beeindruckende Leistungen in einer kontrollierten Umgebung belegen dort echte Kompetenz, nicht universelle Intelligenz.
Spiele eignen sich besonders gut als wissenschaftliche Labore, weil sie Fortschritte sichtbar machen. Ein Punktestand zeigt Forschenden, ob sich ein System verbessert hat, und durch Selbstspiel können Erfahrungen in einem Umfang gesammelt werden, der menschlichen Konkurrenten nicht zur Verfügung steht. Dieselbe Klarheit verdeckt jedoch eine zentrale Schwierigkeit: In realen Umgebungen gibt es selten eine einzige, allgemein anerkannte Belohnung. In der Wirtschaft und der öffentlichen Verwaltung kann die Optimierung eines Zielwerts den umfassenderen Zweck verzerren, den er eigentlich abbilden sollte. Die Beherrschung eines Spiels ist daher ein aussagekräftiger Beleg für Lern- und Planungsfähigkeit; die Übertragung auf das offene Leben bleibt eine davon getrennte Behauptung, die eigene Tests erfordert.
Trainingsdaten als Designentscheidung mit Folgen für Menschen behandeln.
Maschinen übernehmen die Muster ihrer Beispiele. Deep-Learning-Systeme erlernen statistische Muster aus ihren Trainingsdaten. Lücken in diesen Beispielen können daher zu Leistungslücken führen. Google Fotos bezeichnete einmal die Fotos eines schwarzen Nutzers, auf denen sein Freund zu sehen war, als Gorillas. Bei Clarifai stellte die Forscherin Deborah Raji fest, dass ein Trainingsdatensatz für Gesichtserkennung überwiegend aus Bildern weißer Menschen bestand, meist von Männern. Auch ein mit unausgewogenen Beispielen trainierter Inhaltsfilter lief Gefahr, Schwarze mit Pornografie in Verbindung zu bringen.
Messungen machten die ungleiche Fehlerverteilung sichtbar. Joy Buolamwini testete kommerzielle Gesichtsanalysewerkzeuge und stellte fest, dass die Fehlerraten bei Frauen mit dunklerer Haut deutlich höher waren als bei Männern mit hellerer Haut. In einer Studie lag die Fehlerrate von Microsoft bei Frauen mit dunklerer Haut bei etwa 21 Prozent, die von IBM bei 35 Prozent. Diese Systeme waren nicht allein deshalb neutral, weil sie Mathematik verwendeten. Wer repräsentiert ist, wer Beispiele beschriftet und welche Fehler als akzeptabel gelten – all das prägt das Produkt.
Die zentrale Erkenntnis ist, dass Vorurteile durch ganz gewöhnliche technische Entscheidungen einfließen können und nicht nur durch offen diskriminierende Absichten. Zusammensetzung der Datensätze, Beschriftungsregeln und Evaluierungsgruppen bestimmen, wessen Erfahrungen für ein Modell erkennbar werden. Das knüpft an die Messtheorie an: Kategorien und Messinstrumente bilden die Wirklichkeit nicht einfach ab, sondern strukturieren, was sichtbar werden kann. Eine breitere Repräsentation kann Fehler aufdecken, doch Vielfalt allein garantiert keine Gerechtigkeit. Bei Systemen mit weitreichenden Folgen braucht es außerdem unabhängige Evaluierungen, Möglichkeiten, Fehler anzufechten, und Grenzen für Anwendungen, bei denen Fehlentscheidungen schwerwiegende Kosten verursachen.
Schutzmaßnahmen gegen Missbrauch vor dem Einsatz einrichten, nicht erst nach einem Skandal.
Fähigkeiten lassen sich unterschiedlich nutzen. Ian Goodfellows generative adversarial networks (generative gegnerische Netzwerke), kurz GANs, setzen zwei konkurrierende neuronale Netze ein: Das eine erzeugt Beispiele, während das andere versucht, sie von echten Daten zu unterscheiden. Mit diesem Ansatz ließen sich immer überzeugendere Bilder erzeugen, darunter erfundene Gesichter. Verwandte Techniken ermöglichten es, Videos und Stimmen zu verändern, was die Gefahr erhöhte, dass realistische Medien zur Täuschung eingesetzt würden. Forschende zeigten auch, dass kleine, sorgfältig ausgewählte Änderungen Bilderkennungssysteme in die Irre führen konnten. Ein paar Aufkleber auf einem Stoppschild konnten ein Modell verwirren, das in einem selbstfahrenden Auto verwendet wurde.
Gute Absichten sind keine Schutzmaßnahme. Project Maven, ein Vorhaben des US-Verteidigungsministeriums, sollte Werkzeuge des maschinellen Lernens zur Analyse von Drohnenaufnahmen entwickeln. Bei Google erzwangen Proteste von Beschäftigten eine Debatte darüber, ob das Unternehmen mitwirken sollte. Einige Forschende befürchteten, die Technologie könne zur Zielerfassung beitragen; andere argumentierten, KI könne Leben retten. Die Kontroverse machte deutlich, dass Entscheidungen über den Einsatz, Verträge und Aufsicht die Folgen ebenso stark prägen wie die Algorithmen.
Technologien mit doppeltem Verwendungszweck machen Ethik zugleich zu einer technischen und zu einer politischen Gestaltungsaufgabe. Ein Werkzeug kann Barrierefreiheit oder kreatives Arbeiten fördern und zugleich Betrug, Überwachung oder militärische Zielerfassung ermöglichen. Wer auf einen spektakulären Missbrauchsfall wartet, riskiert, dass Anreize und Infrastruktur bereits fest verankert sind. Gleichzeitig können pauschale Verbote die Unterschiede zwischen Anwendungen verwischen und nützliche Forschung verhindern. Ein präziserer Ansatz fragt, wer ein System nutzen kann, welche Schäden vorhersehbar sind, welche Kontrollen sich durchsetzen lassen und ob betroffene Gemeinschaften die Macht haben, den Einsatz anzufechten.
Verantwortliche Menschen in Systemen behalten, die Gesundheit, Krieg und Meinungsäußerung prägen.
Automatisierung klärt die Verantwortung nicht. Googles System zur Erkennung diabetischer Retinopathie analysierte Netzhautaufnahmen und erkannte in einer Studie Krankheitsanzeichen in mehr als 90 Prozent der Fälle. Das könnte Patienten an Orten erreichen, an denen es nur wenige Augenärzte gibt. Der klinische Einsatz hing jedoch weiterhin von Validierung, Regulierung und Vertrauen ab. DeepMinds Gesundheitsprojekt in Großbritannien zeigte ein anderes Risiko: Der Zugang zu den Daten von 1,6 Millionen Patienten löste Datenschutzbedenken aus, und eine Aufsichtsbehörde entschied, dass die Vereinbarung zur Weitergabe der Daten rechtswidrig war.
Urteilsvermögen bleibt nötig. Soziale Plattformen nutzten automatisierte Systeme, um terroristische Propaganda und andere schädliche Inhalte zu kennzeichnen, doch viele Entscheidungen wurden weiterhin von Menschen geprüft. Maschinen hatten Schwierigkeiten mit dem Kontext, etwa dabei, ein gewalttätiges Video von einem oberflächlich ähnlichen Clip zu unterscheiden. Menschliche Aufsicht ist keine Patentlösung, besonders wenn die Prüfenden überlastet sind oder keine Entscheidungsbefugnis haben. Entscheidend ist, Verantwortung sichtbar zu machen, statt eine algorithmische Ausgabe als unanfechtbares Urteil zu behandeln.
Automatisierung in Bereichen mit weitreichenden Folgen sollte nicht nur anhand ihrer Genauigkeit beurteilt werden, sondern anhand des gesamten Entscheidungsprozesses: Wer hat die Daten bereitgestellt, wer kann die Ergebnisse überprüfen und wer trägt die Kosten von Fehlern? Die Medizin zeigt das Potenzial für einen besseren Zugang; Datenschutzstreitigkeiten machen deutlich, dass ein nützliches Ziel nicht automatisch jedes Mittel rechtfertigt. Menschliche Prüfung kann Kontext berücksichtigen, aber auch zu einer dünnen Schicht werden, die lediglich vor Haftung schützen soll. Echte Rechenschaftspflicht erfordert befugte Prüferinnen und Prüfer, Einspruchsmöglichkeiten und Institutionen, die handeln, wenn Belege Schäden zeigen.
Offene Werkzeuge können die Forschung demokratisieren und zugleich die Macht von Plattformen stärken.
Teilen beschleunigte die Verbreitung. Google veröffentlichte TensorFlow, eine Software zum Aufbau und Training von Systemen des maschinellen Lernens, als Open-Source-Werkzeug. Forschende und Unternehmen konnten es nutzen, ohne bei null anfangen zu müssen. Das verbreiterte die Beteiligung und förderte gemeinsame Verbesserungen. Auch das Unternehmen profitierte: Eine größere TensorFlow-Gemeinschaft konnte Fachkräfte, Forschung und Nachfrage nach Googles Cloud-Diensten und spezialisierten Chips hervorbringen.
Offenheit bedeutet nicht Machtlosigkeit. Der Aufschwung des Deep Learning war auch ein Wettlauf um die knappen Ressourcen Forschende, Rechenkapazität und Daten. Google, Facebook, Microsoft und Baidu gründeten Labore, kauften Start-ups und warben führende Wissenschaftler ab. China baute eigene Forschungskapazitäten und nationale KI-Ambitionen auf, während Google versuchte, seine Werkzeuge dort zu verbreiten. Offener Code machte Fähigkeiten weithin verfügbar, doch die Kontrolle über Infrastruktur, Cloud-Dienste und große Datensätze verschaffte mächtigen Unternehmen weiterhin strategische Vorteile.
Offene Infrastruktur kann zugleich öffentliches Gut und Wettbewerbsstrategie sein. Gemeinsame Werkzeuge senken die Einstiegskosten, fördern Reproduzierbarkeit und ermöglichen es Forschenden, auf der Arbeit anderer aufzubauen. Doch das Unternehmen, das eine beliebte Plattform betreibt, kann Standards prägen, Nutzer anziehen und die Abhängigkeit vom eigenen Ökosystem in wirtschaftlichen Einfluss verwandeln. Das Spannungsverhältnis erinnert an die Festlegung von Standards in der Telekommunikation: Interoperabilität hilft allen, doch wer den Standard kontrolliert, gewinnt Einfluss. Offenheit sollte daher nicht nur danach beurteilt werden, ob der Code verfügbar ist, sondern auch danach, wer Rechenleistung, Daten und Governance kontrolliert.
Künstliche allgemeine Intelligenz als umstrittene Wette behandeln, nicht als feststehendes Ziel.
Die Pioniere waren sich über die Ziellinie uneinig. Demis Hassabis und Shane Legg gründeten DeepMind mit dem Ziel, künstliche allgemeine Intelligenz zu entwickeln: Systeme, die ein breites Spektrum geistiger Aufgaben bewältigen können. Elon Musk warnte, solche Systeme könnten gefährlich werden, während Sam Altman und Ilya Sutskever ihre Entwicklung als großes Ziel betrachteten. Gary Marcus argumentierte, Deep Learning habe Schwierigkeiten mit gesundem Menschenverstand, logischem Denken und dem Lernen aus wenigen Beispielen. Hinton, obwohl er zum Aufstieg des modernen Forschungsfelds beigetragen hatte, zog es vor, konkrete Probleme zu lösen, statt Maschinen für allgemeine Zwecke zu entwickeln.
Der Fortschritt ist real; Vorhersagen bleiben unsicher. Deep Learning veränderte die Sprach- und Bilderkennung, die Übersetzung und andere Aufgaben grundlegend. Behauptungen darüber, wann Maschinen menschliche Intelligenz erreichen oder übertreffen könnten, blieben jedoch spekulativ. Das Buch schildert sowohl die Ambitionen als auch die Zweifel und zeigt, wie Überzeugungen Geld und Talent mobilisieren können, zugleich aber die Grenze zwischen nachgewiesener Fähigkeit und projizierter Zukunft verwischen.
Die Debatte über künstliche allgemeine Intelligenz verbindet technische Unsicherheit mit einem starken institutionellen Anreiz: Dramatische Zukunftsvisionen ziehen Investitionen, Fachkräfte und Aufmerksamkeit an. Das macht die Ambition nicht bedeutungslos, bedeutet aber, dass Vorhersagen von nachgewiesenen Ergebnissen getrennt werden sollten. Ein nützlicher Maßstab ist die Frage, welche Fähigkeiten gemessen wurden, wie zuverlässig sie sich verallgemeinern lassen und welche Annahmen heutige Systeme mit den Behauptungen über die Zukunft verbinden. In der Debatte geht es zudem um Werte und nicht nur um Zeitpläne: Ob allgemeine Intelligenz wünschenswert ist, ist eine andere Frage als die, ob sie technisch möglich ist.
Analyse
Genius Makers ist sowohl eine Geschichte der algorithmischen Wiederbelebung als auch eine Untersuchung darüber, wie Institutionen entscheiden, was als Fortschritt gilt. Die zentrale Erzählung führt von Rosenblatts frühem Perzeptron über Jahrzehnte der Skepsis bis zum Zusammenwirken von mehrschichtigem Lernen, umfangreichen Daten und GPU-Rechenleistung. Im Mittelpunkt stehen Wissenschaftler, doch zu den entscheidenden Akteuren gehören auch Studierende, Forschungsgemeinschaften, Führungskräfte, Hardwareteams und Institutionen, die Geld und Infrastruktur bereitstellten.
Die stärkste strukturelle Erkenntnis des Buches lautet, dass technischer Erfolg nicht isoliert entsteht. Neuronale Netze gewannen an Bedeutung, als vernachlässigte Ideen auf günstige Voraussetzungen trafen und in Produkte umgesetzt wurden. Zugleich veränderte diese Entwicklung, wer die Forschung kontrollierte. Unternehmenslabore boten Ressourcen und Wege zur Anwendung, konzentrierten aber auch Fachkräfte und Rechenleistung. Offene Veröffentlichungen erweiterten den Zugang, doch Plattformen und Cloud-Infrastruktur verschafften marktbeherrschenden Unternehmen neue Formen des Einflusses.
Die Geschichte macht auch den üblichen Gegensatz zwischen Optimismus und Angst komplizierter. Eng umrissene Systeme erzielten messbare Fortschritte bei Sprache, Bildverarbeitung, Übersetzung, Spielen und medizinischen Screenings. Diese Erfolge belegten keine allgemeine Intelligenz, hatten aber reale Auswirkungen auf Datenschutz, Arbeit, Desinformation, Überwachung und militärische Anwendungen. Die unmittelbarsten Risiken waren oft weniger filmreif als eine Superintelligenz: voreingenommene Klassifizierungen, undurchsichtige Entscheidungen und Systeme, die ohne angemessene Zustimmung oder Rechenschaftspflicht eingesetzt wurden.
Als historische Darstellung zeigt das Buch besonders gut, dass der wissenschaftliche Konsens den Belegen hinterherhinken und sich dann, sobald die Belege kommerziell wertvoll werden, in Richtung übermäßiger Zuversicht verschieben kann. Die Mahnung lautet nicht, den Fortschritt aufzuhalten, sondern dass Kompetenz in einer Umgebung leicht mit Kompetenz überall verwechselt wird. Die entscheidende Frage ist daher nicht nur, ob Maschinen lernen können, sondern auch, wer die Aufgabe festlegt, die Daten und Hardware kontrolliert, vom Einsatz profitiert und die Kosten trägt, wenn das System versagt.
Rezensionsübersicht
Genius Makers zeichnet die Entwicklung der künstlichen Intelligenz nach und konzentriert sich dabei auf Deep Learning und neuronale Netze. Das Buch porträtiert zentrale Persönlichkeiten wie Geoffrey Hinton, Yann LeCun und Demis Hassabis und schildert ihre Herausforderungen und Durchbrüche. Leser schätzen die zugängliche Sprache, die mitreißenden persönlichen Geschichten und die Einblicke in den Wettbewerb der KI-Branche. Während sich manche Kritiker mehr technische Tiefe oder eine ausführlichere Auseinandersetzung mit ethischen Fragen wünschen, halten die meisten das Buch für eine informative und unterhaltsame Geschichte der modernen KI, die sich sowohl für Einsteiger als auch für Kenner des Fachgebiets eignet.
Andere lasen auch
Glossar
Perzeptron
frühes lernendes NetzwerkEin frühes neuronales Netzwerk, das Frank Rosenblatt in den 1950er-Jahren entwickelte. Es lernte, einfache Muster zu klassifizieren, indem es nach Fehlern die Gewichtung seiner Eingaben anpasste. Das Perzeptron zeigte, dass eine Maschine anhand von Beispielen lernen konnte, doch sein einschichtiges Design konnte einige grundlegende Musterprobleme nicht lösen und schränkte so seine Fähigkeiten ein.
Konnektivismus
Lernen durch VerbindungenEin Ansatz der künstlichen Intelligenz, bei dem Lernsysteme aus vielen miteinander verbundenen Recheneinheiten aufgebaut werden, die lose von den Netzwerken der Neuronen im Gehirn inspiriert sind. Statt jede Regel von Hand festzulegen, passen konnektionistische Systeme ihre internen Verbindungen an, während sie Beispiele verarbeiten. Neuronale Netze sind die bekannteste Ausprägung dieses Ansatzes.
Deep Learning
mehrschichtiges neuronales LernenEine Form des maschinellen Lernens, bei der neuronale Netze mit mehreren Berechnungsschichten zum Einsatz kommen. Die Schichten können anhand von Daten zunehmend komplexe Muster erlernen, etwa Bilddetails zu erkennbaren Objekten zusammenfügen. Im Buch trug der Begriff dazu bei, das Interesse an neuronalen Netzen neu zu beleben, und wurde mit deren Fortschritten bei Sprache, Bildverarbeitung, Übersetzung und anderen Aufgaben in Verbindung gebracht.
Backpropagation
fehlerbasierte Anpassung der GewichtungenEin Verfahren zum Trainieren eines mehrschichtigen neuronalen Netzes. Nachdem das Netz eine Antwort ausgegeben hat, leitet die Backpropagation Informationen über den Fehler rückwärts durch die Schichten, damit das System die Verbindungen beziehungsweise Gewichtungen anpassen kann, die zum Ergebnis beigetragen haben. Das Verfahren ermöglichte das Training tieferer Netze; gute Ergebnisse hingen jedoch auch von Daten und Rechenleistung ab.
Faltungsneuronales Netz
Netzwerk zur Erkennung von BildmusternEin Design neuronaler Netze, das sich besonders gut für die Analyse von Bildern eignet. Es verarbeitet lokale Bildausschnitte, um kleine Muster zu erkennen, und fügt diese anschließend zu größeren Merkmalen zusammen. Yann LeCun entwickelte eine bekannte Variante, die vom visuellen System inspiriert war; verwandte Netze ermöglichten später Durchbrüche bei der Bilderkennung, etwa mit AlexNet.
bestärkendes Lernen
Lernen durch belohnte HandlungenEin Trainingsansatz, bei dem ein Agent Handlungen in einer Umgebung ausprobiert und sein Verhalten entsprechend Belohnungen oder Bestrafungen anpasst. DeepMind nutzte ihn, um Systemen Atari-Spiele beizubringen und AlphaGo durch Selbstspiel zu verbessern. Spiele eignen sich für diese Methode, weil sich Erfolg anhand klarer Punktzahlen definieren lässt – anders als bei vielen Aufgaben der realen Welt.
generative adversarial networks (generative gegnerische Netzwerke)
gegeneinander antretende BildgeneratorenEin System, in dem zwei neuronale Netze gegeneinander trainiert werden. Ein Netz erzeugt Beispiele, etwa Bilder, während das andere versucht, erzeugte Beispiele von echten zu unterscheiden. Der Generator verbessert sich, indem er versucht, seinen Gegner zu täuschen. Ian Goodfellow schlug diesen Ansatz vor, der dazu beitrug, immer realistischere synthetische Bilder hervorzubringen.
Adversarial Attacks (Angriffe durch gezielte Eingaben)
Eingaben, die Modelle täuschenSorgfältig gewählte Veränderungen an einer Eingabe, die ein maschinelles Lernsystem zu einer falschen Vorhersage veranlassen – manchmal, ohne dass die Eingabe für einen Menschen verändert aussieht. Das Buch beschreibt Beispiele mit veränderten Pixeln und Aufklebern auf einem Stoppschild. Solche Angriffe sind relevant, wenn Modelle bei folgenreichen Aufgaben eingesetzt werden, etwa bei der Wahrnehmung durch Fahrzeuge.
künstliche allgemeine Intelligenz
breit gefächerte intellektuelle FähigkeitenEine vorgeschlagene Form künstlicher Intelligenz, die eine große Bandbreite intellektueller Aufgaben bewältigen kann, statt auf eine bestimmte Funktion wie Bilderkennung oder Go-Spielen beschränkt zu sein. DeepMind und OpenAI erklärten die künstliche allgemeine Intelligenz ausdrücklich zu ihrem Ziel. Das Buch betont, dass ihre Machbarkeit, ihr Zeitrahmen, ihre Wünschbarkeit und ihre Risiken umstritten bleiben.
FAQ
Worum geht es in Genius Makers?
- Im Mittelpunkt stehen KI-Pioniere: Genius Makers von Cade Metz zeichnet den Werdegang wichtiger Persönlichkeiten der künstlichen Intelligenz nach, etwa Geoff Hinton, Yann LeCun und Demis Hassabis, und beleuchtet ihre bahnbrechende Arbeit im Bereich Deep Learning.
- Historischer Kontext: Das Buch bietet einen historischen Überblick über die KI und verfolgt ihre Entwicklung von frühen Konzepten der 1950er-Jahre bis zu modernen Anwendungen. Dabei schildert es die Herausforderungen und die Skepsis, denen Forschende begegneten.
- Auswirkungen auf die Gesellschaft: Es hebt die gesellschaftlichen Folgen der KI-Fortschritte hervor, erörtert sowohl mögliche Vorteile als auch Risiken und wirft Fragen zur Zukunft von Intelligenz und Technologie auf.
Warum sollte ich Genius Makers lesen?
- Einblicke in die Entwicklung der KI: Das Buch gewährt einen tiefen Einblick in die Gedankenwelt der Innovatoren, die die KI geprägt haben, und vermittelt ein Verständnis für die wissenschaftlichen und persönlichen Herausforderungen hinter großen Durchbrüchen.
- Fesselnd erzählt: Cade Metz verbindet gründliche Recherche mit mitreißendem Erzählen. So werden komplexe Themen verständlich und spannend; Anekdoten und persönliche Geschichten verleihen ihnen eine menschliche Dimension.
- Bezug zu aktuellen Fragen: Während sich die KI weiterentwickelt, bietet das Buch einen Kontext für die anhaltenden Debatten über die Rolle der Technologie in der Gesellschaft und regt dazu an, kritisch über die Folgen der KI nachzudenken.
Was sind die wichtigsten Erkenntnisse aus Genius Makers?
- Die Bedeutung der Zusammenarbeit: Das Buch veranschaulicht, wie entscheidend die Zusammenarbeit zwischen Forschenden, Unternehmen und Institutionen für den Erfolg der KI war, und hebt die Synergie zwischen Wissenschaft und Industrie hervor.
- Beharrlichkeit in der Forschung: Viele Pioniere stießen auf Ablehnung und Skepsis, gaben aber nicht auf und erzielten schließlich bedeutende Durchbrüche. Das unterstreicht, wie wichtig Beharrlichkeit und Vertrauen in die eigenen Ideen sind.
- Ethische Überlegungen: Das Buch betont, dass ethische Rahmenbedingungen für die Entwicklung von KI nötig sind, und schärft das Bewusstsein für mögliche Risiken unkontrollierter KI-Fortschritte.
Was sind die besten Zitate aus Genius Makers und was bedeuten sie?
- „Es ist die bestmögliche Zeit, um am Leben zu sein, wenn fast alles, was man zu wissen glaubte, falsch ist.“: Das Zitat spiegelt den tiefgreifenden Wandel durch KI und das rasante Tempo der Veränderungen wider und ermutigt dazu, neue Ideen anzunehmen.
- „Der Erfolg ist garantiert.“: Ilya Sutskevers kühne Aussage zeigt, wie sehr Forschende an das Potenzial von Deep Learning glaubten, und steht für den Optimismus, der die KI-Revolution vorantrieb.
- „Wahrscheinlich haben Sie Elon Musk und seine Bemerkung gehört, dass KI einen Dritten Weltkrieg auslösen könnte.“: Das Zitat unterstreicht die ernsten Bedenken angesichts der KI und ihrer möglichen Folgen und erinnert an die ethischen Dilemmata, die mit technologischem Fortschritt einhergehen.
Wer sind die wichtigsten Persönlichkeiten in Genius Makers?
- Geoff Hinton: Er gilt als „Pate des Deep Learning“. Seine Arbeit an neuronalen Netzen legte das Fundament für die moderne KI und trug maßgeblich dazu bei, das Interesse an neuronalen Netzen neu zu beleben.
- Yann LeCun: Als eine der Schlüsselfiguren bei der Entwicklung Faltungsneuronaler Netze trugen seine Arbeiten wesentlich zum Fortschritt der Bilderkennungstechnologie und der KI-Forschung bei Facebook bei.
- Demis Hassabis: Als Gründer von DeepMind wollte er künstliche allgemeine Intelligenz (AGI) schaffen. Seine Leitung des AlphaGo-Projekts zeigte das Potenzial von Deep Learning.
Was ist Deep Learning, wie es in Genius Makers beschrieben wird?
- Neuronale Netze: Deep Learning ist ein Teilgebiet des maschinellen Lernens, das neuronale Netze mit mehreren Schichten zur Datenanalyse nutzt. Diese lernen anhand riesiger Informationsmengen, Muster zu erkennen.
- Anwendungen: Das Buch behandelt Anwendungen wie Bilderkennung, Spracherkennung und die Verarbeitung natürlicher Sprache, die Branchen vom Gesundheitswesen bis zur Unterhaltungsindustrie verändern.
- Revolutionäre Auswirkungen: Deep Learning hat es Maschinen ermöglicht, Aufgaben zu bewältigen, die zuvor als ausschließlich Menschen vorbehalten galten. Das führte zu bedeutenden Durchbrüchen und warf ethische Fragen auf.
Wie lief die Auktion für DNNresearch in Genius Makers ab?
- Wettbewerb um die Gebote: Geoff Hinton versteigerte sein Start-up DNNresearch an Technologiegiganten wie Google, Microsoft und Baidu; die Gebote stiegen per E-Mail rasch an.
- Strategische Entscheidungen: Hintons Auktionsstrategie zeigte, dass er die Marktdynamik verstand, und ermöglichte es ihm, den Wert seiner Forschung und seines Teams zu maximieren.
- Ergebnis: Google gewann die Auktion für 44 Millionen Dollar. Das war ein bedeutender Moment für die Technologiebranche und unterstrich die wachsende Bedeutung von Deep Learning und KI-Forschung.
Vor welchen Herausforderungen standen KI-Forschende laut Genius Makers?
- Skepsis und Ablehnung: Pioniere wie Hinton und LeCun stießen in der Wissenschaft auf Skepsis, was zu Phasen der Isolation und des Zweifels führte.
- Finanzierung und Ressourcen: Es war schwierig, finanzielle Mittel zu sichern, insbesondere während der „KI-Winter“. Die Forschenden mussten mit dem wechselhaften Interesse an ihrer Arbeit umgehen.
- Ethische Bedenken: Mit dem Fortschritt der KI-Technologien wurden ethische Fragen immer wichtiger. Die Forschenden mussten sich mit möglichen Folgen wie Voreingenommenheit und gesellschaftlichen Auswirkungen auseinandersetzen.
Wie veränderte der Aufstieg des Deep Learning die Technologiebranche?
- Verlagerung des Schwerpunkts: Der Erfolg des Deep Learning führte dazu, dass Unternehmen der KI-Forschung Vorrang einräumten. Das veränderte ihre Geschäftsstrategien und zeigte sich in den Investitionen von Technologiegiganten wie Google und Facebook.
- Neue Anwendungen: Deep Learning ermöglichte Durchbrüche in Bereichen wie Gesundheitswesen und Finanzwesen; Unternehmen nutzten KI für prädiktive Analysen und Automatisierung.
- Anwerbung von Fachkräften: Die Nachfrage nach KI-Forschenden stieg rasant, was zu einem intensiven Wettbewerb um Spitzenkräfte zwischen Technologieunternehmen führte und die Arbeitswelt der Forschenden veränderte.
Wie behandelt Genius Makers die ethischen Folgen von KI?
- Voreingenommenheit in Algorithmen: Das Buch schildert Beispiele für KI-Verzerrungen und hebt hervor, wie wichtig vielfältige Trainingsdaten und ethische Überlegungen bei der KI-Entwicklung sind.
- Überwachung und Datenschutzbedenken: Es untersucht den Einsatz von KI in Überwachungstechnologien und den möglichen Missbrauch und regt dazu an, kritisch über Innovation und individuelle Rechte nachzudenken.
- Ein Plädoyer für verantwortungsvolle KI: Das Buch spricht sich für eine vorausschauende KI-Ethik aus und fordert Forschende und Unternehmen auf, gesellschaftliche Folgen zu berücksichtigen und Transparenz sowie Verantwortlichkeit zu gewährleisten.
Welche Bedeutung hat AlphaGo im Kontext von Genius Makers?
- Ein Meilenstein: AlphaGos Sieg über Lee Sedol war ein Durchbruch und zeigte die Fähigkeiten von Deep Learning und bestärkendem Lernen.
- Öffentliche Aufmerksamkeit: Der Erfolg rückte KI weithin ins Bewusstsein, weckte Interesse und Investitionen und gab weiterer Forschung und Entwicklung wichtige Impulse.
- Bedeutung für die künftige KI: Techniken aus AlphaGo lassen sich auch auf andere Bereiche wie das Gesundheitswesen anwenden und veranschaulichen so die über Spiele hinausreichende Bedeutung des Projekts.
Welche Zukunftsaussichten hat KI laut Genius Makers?
- Der Weg zur AGI: Das Buch untersucht das Streben nach künstlicher allgemeiner Intelligenz – einer Maschine, die intellektuelle Aufgaben menschenähnlich bewältigen kann. Fachleute gehen davon aus, dass eine solche AGI noch Jahre auf sich warten lässt.
- Technologische Fortschritte: Es erörtert das Potenzial neuer Technologien wie fortschrittlicher Mikrochips, die die KI-Entwicklung beschleunigen und leistungsfähigere Systeme hervorbringen könnten.
- Gesellschaftliche Auswirkungen: Die künftige Entwicklung der KI wird wahrscheinlich Bereiche wie Gesundheitswesen und Bildung beeinflussen. Das regt dazu an, sowohl die Chancen als auch die Herausforderungen der Weiterentwicklung von KI zu bedenken.
PDF herunterladen
EPUB herunterladen
.epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.