Wenn das Alan Turing noch erlebt hätte. In seinem Essay „Computing Machinery and Intelligence“ parierte der Informatik-Pionier bereits 1950 zahlreiche Einwände gegen die Vorstellung, dass Computer jemals denken könnten. Er war fest davon überzeugt, dass es keine prinzipiellen Argumente gibt, die gegen „denkende“ und „intelligente“ Maschinen sprechen.

Damals war die Zahl der weltweit verfügbaren Computer erst an zwei Händen abzählbar – und die meisten wurden vom Militär betrieben. Erst 1951 brachten der Ingenieur John Presper Eckert und der Physiker John W. Mauchly mit dem Univac I in den USA den ersten kommerziell verfügbaren universellen Computer auf den Markt – ein technisches Wunderwerk mit 5.200 Röhren, 18.000 Kristall-Dioden und einem Arbeitsspeicher aus Quecksilber. Die Maschine benötigte 35 Quadratmeter Stellfläche und wog 13 Tonnen. Sie konnte damals schwindelerregende 1.905 Rechenoperationen pro Sekunde durchführen – ein moderner Mehrkern-Prozessor in einem heutigen Laptop kommt inzwischen auf einige hundert Milliarden Rechenoperationen pro Sekunde.

73 Jahre später berichten Microsoft-Mitarbeiter von Experimenten mit einer frühen Version des großen Sprachmodells GPT-4, das sich wie eine denkende Maschine verhält. Experimente, deren Ergebnisse „Funken allgemeiner Intelligenz“ zeigen sollen.

In dem vorab auf der Preprint-Plattform Arxiv veröffentlichten Aufsatz listen Sébastien Bubeck, Leiter der Arbeitsgruppe Machine Learning Foundations bei Microsoft Research, und seine Kolleg:innen zahlreiche erstaunliche Beispiele dafür auf: So ist das Sprachmodell nicht nur in der Lage, mathematische Beweise zu erstellen – und das in Form eines Theaterstücks im Stil Shakespeares („Consider this, my doubtful peer, A clever proof that will make clear: Assume that there’s a final prime, The largest one we’ll see in time …“). Es kann in fiktiven Situationen auch die Gefühle der handelnden Personen deuten, Logikrätsel lösen und dabei den Lösungsweg erklären oder in einem nur durch verschiedene Texte beschriebenen Labyrinth neue Wege finden.

Ist das der Durchbruch? Eine Maschine, die denkt? Die über menschenähnliche Fähigkeiten verfügt? Wie gespalten die Forschungscommunity ist, zeigt eine Umfrage aus dem Jahr 2022 darüber, ob große Sprachmodelle prinzipiell jemals Sprache in einem „nicht trivialen Sinn“ verstehen könnten. Von 480 befragten Forscher:innen sprachen sich 51 Prozent für diese Aussage aus und 49 Prozent dagegen.

Skeptische Wissenschaftler:innen betonen, dass große Sprachmodelle nur Statistikautomaten sind. Doch warum, sagen andere, werden die Modelle dann immer besser, je größer sie werden? Warum können sie dann diese erstaunlichen Fähigkeiten entwickeln, ohne dass sie darauf trainiert worden sind? Könnte es nicht doch sein, dass in der undurchdringlichen Black Box der riesigen Modelle mehr steckt als nur Statistik? Und wenn ja, wie findet man das heraus?

Alan Turings Antwort auf die Frage, wie man Intelligenz in Maschinen erkennen kann – der Turing-Test –, hat sich als untauglich erwiesen. Denn nicht erst seit der Veröffentlichung von ChatGPT gibt es Software, die menschliche Tester in einem reinen Textdialog problemlos davon überzeugen kann, sie sei ein Mensch. Nicht immer, aber immer wieder.

In einer Veröffentlichung aus dem Jahr 2012 schlugen die Informatiker:innen Hector Levesque, Ernest Davis und Leora Morgenstern daher einen Test vor, den sie Winograd-Schema nannten – nach dem US-Informatiker Terry Winograd, von dem die Idee ursprünglich stammte.

Der Test beruht im Wesentlichen auf der fehlenden Eindeutigkeit von Sprache und enthält Aufgaben wie: „Sie ließ die Flasche fallen und sie zerbrach. Wer oder was ist zerbrochen?“ Aus dieser Idee entwickelten KI-Forscher einen standardisierten Satz von Aufgaben. Menschen fällt es leicht, den richtigen Bezug zu erkennen, die ersten Sprachmodelle taten sich sehr schwer damit. Doch die großen Sprachmodelle zogen schnell nach: 2020 berichtete OpenAI, dass GPT-3 bei fast 90 Prozent der Sätze in solchen Tests korrekte Antworten lieferte.

Das Allen Institute for Artificial Intelligence beschloss daraufhin, KI einzusetzen, um den KI-Test noch schwerer zu machen. Es erstellte einen großen Satz von Winograd-Schemata und ließ ein KI-Modell alle Sätze streichen, die leicht zu lösen waren. Wie erwartet schnitten die damals verfügbaren großen Sprachmodelle – zum Beispiel das im Februar 2019 veröffentlichte GPT-2 – bei dieser Winogrande genannten Aufgabensammlung deutlich schlechter ab als Menschen. Mittlerweile lösen ChatGPT und Co. jedoch auch unter den verschärften Anforderungen wieder rund 90 Prozent aller Aufgaben. Das könnte allerdings auch damit zu tun haben, dass die Modelle mit genau diesen Testfragen – und den richtigen Antworten – trainiert worden sind.