Der Sieg eines Computers über einen menschlichen chinesischen Go-Meister war so etwas wie der „Sputnik-Schock“ unserer Generation für Chinas Führung. KI-Experten rechneten erst in Jahrzehnten mit dem, was der Londoner Google-Schwester 2016 gelang: Einen menschlichen Meister in dem Spiel zu schlagen – einem Brettspiel mit mehr möglichen Positionen als Atome im Universum vorhanden sind. Die Folge in China: Ein massives staatlichen Förderprogramm von künstlicher Intelligenz, insbesondere der Technik des Deep Learnings. Bis 2030 will Chinas Xi Jinping durch Investitionen von mehr als 150 Milliarden US-Dollar global führend in der Technologie werden.

Noch scheint das Londoner Deepmind-Team weltweit an der Speerspitze. Erst kürzlich gelang es dem Team, auch menschliche Profispieler im Echtzeitstrategiespiel Star Craft II zu schlagen.

Deep Learning wird längst in weiten Teilen der Tech-Branche eingesetzt – von Googles Websuche über Facebooks Newsfeed und die Empfehlungen von Netflix bis hin zu modernen Fahrassistenzsystemen, die vollständig autonom fahrenden Autos immer näher kommen. Bei dem statistischen Verfahren geht es darum, in großen Datenmengen Muster zu erkennen – und dabei bilden die Daten selbst den Algorithmus.

MIT Technology Review hat nun alle seit 1993 bis November 2018 veröffentlichen wissenschaftlichen Paper zur KI-Forschung bei Arxiv, eine der größten Open-Source-Datenbanken zu wissenschaftlicher Forschung im Netz, ausgewertet. Die Daten repräsentieren nur einen Bruchteil der KI-Forschung, es lassen sich aber trotzdem einige Entwicklungen der vergangenen Jahrzehnte klar anhand der verwendeten Begriffe ablesen.

Aus den Daten des Magazins lassen sich drei Trends ableiten: Erstens eine Verschiebung in Richtung Machine Learning seit den späten 1990er- und frühen 2000er-Jahren. Zweitens die steigende Beliebtheit künstlicher neuronaler Netze ab Anfang der 2010er-Jahre. Und drittens die steigende Beliebtheit des Reinforcement Learning – auf Deutsch: bestärkendes Lernen – seit einigen Jahren. Bei dieser Unterform des Machine Learnings optimiert eine KI auf eine Belohnung (Nutzenfunktion) hin und lernt so selbstständig, welche Strategien eher zu einer positiven Belohnung führen und welche zu einer Abstrafung.

Der wichtigste Trend, den das Magazin ermittelt hat, ist für Kenner der KI-Forschung keine Überraschung: Die statistische Methode des Machine Learnings hat sich ab Anfang der 2000er klar gegen wissensbasierte, formal-logische KI-Systeme durchgesetzt. Begriffe wie „Logik“ oder „Regel“ machten Platz für Begriffe wie „Daten“, „Netzwerk“ und „Performance.“ Ab 2012 setzte sich dann vor allem das Deep Learning unter den Machine-Learning-Methoden durch, so das MIT-Magazin. Die Begürndung für diesen Trend: die großen Erfolge bei der Bilderkennung.

Deep Learning lässt sich grundsätzlich mit drei Lernmethoden kombinieren: Supervised Learning (überwachtes Lernen), Unsupervised Learning (nicht-überwachtes Lernen) und Reinforcement Learning. Supervised Learning wird dabei dem Bericht zufolge am häufigsten eingesetzt und hat die meisten praktischen KI-Anwendungen hervorgebracht – zuletzt ist aber vor allem beim Reinforcement Learning ein starkes Wachstum zu beobachten.

Die theoretischen Grundlagen für Deep Learning mittels künstlicher neuronaler Netze wurden bereits in den 1980er-Jahren gelegt – doch die Explosion der Datenmengen und die immer schnelleren Prozessoren haben der Technologie in den vergangenen Jahren endgültig zum Durchbruch verholfen. Viele Grundlagen der KI-Forschung wurden sogar schon in den 1950er-Jahren geschaffen und zwischen den heutigen Fortschritten der KI und den Anfängen der Technologie liegen mindestens zwei sogenannte „KI-Winter“, in denen die hohen Erwartungen zunächst enttäuscht wurden. Nach einer ersten Welle der Enttäuschung strich beispielsweise die britische Regierung 1973 sämtliche Gelder für die KI-Forschung.

Doch was bringt die Zukunft? Es ist gut möglich, dass auf den Hype rund um Deep Learning der nächste KI-Winter folgt – eine Phase, in der es nach hohen Erwartungen wieder deutlich langsamer vorangeht. Kürzlich erschien beispielsweise ein viel diskutiertes Paper über die Grenzen von Deep Learning. Der australische Informatiker und Kognitionswissenschaftler Rodney A. Brooks geht davon aus, dass wir spätestens 2020 die Schlagzeile „Die Ära des Deep Learnigs ist vorbei“ lesen werden.

„Neuronale Netzwerke sind tief im technischen Sinne, weil sie mehrere Schichten von Nodes haben, nicht weil sie ein tiefes Verständnis von Problemen entwickeln“, schreibt auch der Unternehmensberater und Entwickler Thomas Nield bei Towards Data Science. Diese verschiedenen Ebenen machen aus seiner Sicht die Technologie schwer zu verstehen und Fortschritte ab einem bestimmten Punkt der Entwicklung zunehmend schwieriger. Angewandt auf spezifische Probleme wie dem unter Informatikern bekannten Problem des Handlungsreisenden würde Deep-Learning-Software nur in wenigen Ausnahmefällen ein besseres Ergebnis erzielen als klassische, spezifische Algorithmen.

Der Informatiker Luke Hewitt vom MIT spricht sogar von einer „unangemessenen Reputation neuronaler Netzwerke“. Es sei ein klassischer Fehler der KI-Forschung, sich zu stark von Erfolgen von Computern bei spezifischen Aufgaben blenden zu lassen. So sei schon seit mehr als 20 Jahren jeder Schachcomputer in der Lage, selbst die besten menschlichen Spieler zu schlagen. KI ist dennoch immer noch Galaxien von der generellen menschlichen Intelligenz entfernt.

Auch Pedro Domingos, Informatikprofessor an der University of Washington und Autor des Buches „The Master Algorithm“ erwartet einen neuen KI-Winter nach dem Deep-Learning-Hype. Doch was kommt danach? „Wenn Sie diese Frage beantworten, will ich ein Patent auf die Antwort“, zitiert MIT Technology Review Domingos.

Mit genau dieser Frage beschäftigt sich dieser t3n-Artikel:

• Wie sieht künstliche Intelligenz nach Deep Learning aus? 

Weitere Artikel zum Thema KI:

• Frameworks für Machine Learning: So gelingt der Einstieg in die KI-Entwicklung
• KI in der Wirtschaft: Intelligenz braucht keine Regeln