top of page

Was ist die richtige Architektur für KI 3.0 ?

Aktualisiert: 30. Okt. 2023

Wie können wir die optimale Architektur für die nächste Generation von KI-Systemen entwerfen, die in der Lage sind, auf eine Weise zu lernen und zu denken, die der menschlichen Kognition nahe kommt?


Ist Deep Learning allein ausreichend, um intelligente Agenten zu entwickeln, die in der Lage sind, das komplizierte Wissen zu erfassen, das die Grundlage menschlicher Aktivitäten bildet? Sollten wir unseren Schwerpunkt über die Grenzen des Blackbox Number Crunching und des impliziten Repräsentationslernens hinaus auf die explizite Erfassung von Konzepten und Beziehungen ausweiten?


Vielleicht sollten wir uns von Graphenstrukturen inspirieren lassen oder uns sogar in den Bereich der biologischen neuronalen Netze vorwagen, um unser Verständnis zu verbessern.


Beginnen wir unsere Erkundung, indem wir die tiefgreifenden Auswirkungen und den aufkeimenden Enthusiasmus rund um Deep Learning untersuchen.


Daten-KI der 2. Generation - Wahrnehmungsintelligenz


Deep Learning hat verschiedene Bereiche erheblich weiterentwickelt, darunter Computer Vision, Verarbeitung natürlicher Sprache und Spracherkennung. Es wird oft als Teil der zweiten Generation der KI eingestuft, die oft als Daten-KI bezeichnet wird, da es in der Lage ist, komplizierte Wahrnehmungsmuster zu erkennen, wenn große Datenmengen zur Verfügung stehen.


In den letzten zwei Jahrzehnten (von 2000 bis 2020) hat Deep Learning eine bemerkenswerte Entwicklung durchlaufen und zahlreiche Sektoren tiefgreifend beeinflusst. Es hat vor allem Branchen verändert, die sich die umfangreichen Datenspuren im Internet zunutze machen, darunter Finanzen, Handel und Medien. Darüber hinaus hat sich Deep Learning als unschätzbar wertvoll für Anwendungen erwiesen, bei denen die Analyse komplizierter Wahrnehmungsmuster in Bereichen wie Sehen, Sprache, Text oder Social Media Trails von entscheidender Bedeutung ist.


Der Siegeszug des Deep Learning ist auf die Fähigkeit zurückzuführen, komplexe nichtlineare Merkmalsrepräsentationen zu erfassen, die über Vorhersagefähigkeiten verfügen. Diese Vorhersagefähigkeit ergibt sich aus der Erfassung von Merkmalsrepräsentationen, die signifikante Muster zwischen kleineren Einheiten innerhalb eines bestimmten Bereichs einschließen. Bei visuellen Daten können diese Muster zwischen einzelnen Bildpixeln oder Flecken bestehen, während sie bei Textdaten zwischen Wörtern auftreten können.


Verschiedene Iterationen künstlicher neuronaler Netze, darunter Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs), verwenden unterschiedliche mathematische Operatoren zur Erfassung dieser Merkmalsdarstellungen. In jüngerer Zeit haben Transformers die Fähigkeiten rekurrenter neuronaler Netze erweitert, indem sie Multi-Head-Attention-Mechanismen und Positionskodierung zur Erfassung relevanter Muster einsetzen. Diese Innovation hat zu bahnbrechenden Anwendungen geführt, wie z. B. ChatGPT, und hat den Bereich der KI-Anwendungen erheblich erweitert.


Es ist wichtig zu erkennen, dass ein erheblicher Teil der Leistungen des Deep Learning auf Aufgaben im Bereich der Wahrnehmungsintelligenz beschränkt ist. Dazu gehören Aufgaben wie Objekterkennung, Spracherkennung und Informationsabfrage aus Text- oder Internetinhalten.


Wissen der 1. Generation AI - Kognitive Intelligenz


Die reale Welt menschlicher Aktivitäten umfasst in der Tat komplizierte räumliche und zeitliche Beziehungen zwischen Menschen und Objekten, die im Wesentlichen das menschliche Wissen ausmachen. Damit die KI aktiv an der realen Welt teilhaben kann, muss dieses menschliche Wissen dringend explizit dargestellt und modelliert werden. Deep Learning ist zwar hervorragend in der Lage, komplexe Muster aus riesigen Datenmengen zu lernen, ist aber von Natur aus nicht darauf ausgelegt, die komplexen Nuancen des menschlichen Wissens explizit zu modellieren.


Die explizite Modellierung von kompliziertem Weltwissen wird gemeinhin als kognitive Intelligenz bezeichnet. Diese Form der Intelligenz ist unabdingbar, damit KI zu einem wertvollen Agenten in Sektoren werden kann, die die Produktion und den Transport von Waren und Materialien umfassen.


Der KI-Agent muss in der Lage sein, menschliche Aktivitäten nicht nur als Muster, sondern als Wissen zu begreifen, ähnlich wie der Mensch es versteht. Zahlreiche Sektoren, darunter die verarbeitende Industrie, die Landwirtschaft und das autonome Fahren, werden von der Integration der kognitiven Intelligenz profitieren.


Kognitive Intelligenz war in der Vergangenheit vor allem die Domäne von Expertensystemen, insbesondere in den 1980er bis zu den frühen 2000er Jahren. Expertensysteme zeichneten sich durch die explizite Modellierung komplizierten Wissens aus und bildeten die erste Welle der wissensbasierten KI, die oft als erste Generation bezeichnet wird.


Diese Expertensysteme haben jedoch inhärente Einschränkungen in ihrer Anwendbarkeit. Sie sind nicht dafür ausgelegt, aus realen Daten zu lernen, was ihren Nutzen für intelligente Agenten, die in dynamischen realen Umgebungen arbeiten, einschränkt.


KI der 3. Generation: Synthese von wahrnehmender und kognitiver Intelligenz


Eine Synthese zwischen Wahrnehmungsintelligenz und kognitiver Intelligenz ist in der Tat entscheidend, um die Wirkung intelligenter Agenten in der realen Welt zu maximieren. Wenn Wahrnehmung und Kognition nahtlos integriert werden, können Agenten in einem Bereich, der durch komplizierte Wahrnehmungsmuster und komplexes menschliches Wissen gekennzeichnet ist, effektiv arbeiten.


Die Schaffung einer solchen Synthese erfordert die Fähigkeit, sowohl zu lernen als auch effektiv zu denken. Dazu müssen die Stärken der beiden Paradigmen Daten-KI (zweite Generation) und Wissens-KI (erste Generation) zusammengeführt werden.


Die für diese Synthese geeignete Architektur wäre idealerweise ein hybrides Modell, das die Mustererkennungsfähigkeiten des Deep Learning, das sich in der Wahrnehmungsintelligenz auszeichnet, mit Wissensdarstellungs- und Schlussfolgerungstechniken kombiniert, die typischerweise mit Expertensystemen oder symbolischer KI assoziiert werden, die sich in der kognitiven Intelligenz auszeichnen.


Ein vielversprechender Ansatz ist die Entwicklung hybrider Modelle, die neuronale Netze für tiefes Lernen mit symbolischen Schlussfolgerungen verbinden. Diese Modelle sollen die Lücke zwischen der Wahrnehmung von Rohdaten und der Darstellung von Wissen auf höherer Ebene sowie dem logischen Denken schließen. Die Forschung in diesem Bereich ist noch nicht abgeschlossen, und es werden verschiedene Architekturen und Techniken erforscht, um das richtige Gleichgewicht zwischen diesen beiden Aspekten der Intelligenz zu finden. Diese Hybridisierung könnte zur Entwicklung von vielseitigeren und leistungsfähigeren intelligenten Agenten führen, die in der Lage sind, komplexe Wahrnehmungsmuster und menschliches Wissen zu verstehen und darauf zu reagieren.


Graph Neural Networks als möglicher Kandidat für 3rd Gen AI

Graphische neuronale Netze (GNN) versprechen die Synthese von Wahrnehmungsintelligenz und kognitiver Intelligenz und könnten den Weg für eine dritte Generation der KI ebnen. Im Folgenden wird erläutert, warum sie dafür besonders gut geeignet sind:


Komplexe Beziehungsmodellierung: GNNs zeichnen sich dadurch aus, dass sie komplizierte Beziehungen in der realen Welt erfassen, indem sie Entitäten und ihre Verbindungen explizit in Graphenstrukturen darstellen. Das macht sie sehr effektiv in Szenarien, in denen das Verständnis komplexer Beziehungen zwischen Entitäten wichtig ist.

Hierarchische Repräsentation: GNNs sind in der Lage, einfachere Entitäten hierarchisch in komplexere semantische Formen zu organisieren und spiegeln damit die hierarchische Natur realer Systeme wider. Dadurch sind sie in der Lage, Wissen auf strukturierte und sinnvolle Weise darzustellen, ähnlich wie Atome Moleküle und darüber hinaus bilden.


Wissensrepräsentation: GNNs können menschliches Wissen über verschiedene Bereiche hinweg explizit darstellen, indem sie es in Graphen strukturieren. Dies entspricht dem kognitiven Aspekt der KI, da es die explizite Darstellung von komplexem Wissen ermöglicht.

Lernen aus Daten: GNNs können wie herkömmliche neuronale Netze aus großen Datenmengen lernen und so von der Fülle der in realen Datensätzen verfügbaren Informationen profitieren.


Die Kombination dieser Eigenschaften macht GNNs zu einem starken Kandidaten für die Schaffung einer Brücke zwischen wahrnehmender und kognitiver Intelligenz. Sie haben bereits bemerkenswerte Ergebnisse in verschiedenen Anwendungen wie Empfehlungssystemen, der Analyse sozialer Netzwerke und sogar bei der Verarbeitung natürlicher Sprache gezeigt.


Da die KI-Forschung weiterhin graphenbasierte Ansätze erforscht und entwickelt, können wir mit weiteren Fortschritten rechnen, die in der Tat zur Verwirklichung einer dritten Generation von KI führen könnten, die in der Lage ist, Wahrnehmung und Kognition nahtlos zu integrieren, um vielseitigere und intelligentere Agenten zu schaffen.

Biologische neuronale Netze und neuromorphe KI der dritten Generation


Graphische neuronale Netze (GNN) scheinen vielversprechend zu sein, wenn es darum geht, Entitäten der realen Welt darzustellen und ihre Eigenschaften vorherzusagen, aber sie gehören noch zur zweiten Generation der künstlichen neuronalen Netze.


Der Mensch als Spezies hat eine bemerkenswerte Fähigkeit bewiesen, seine Umwelt wahrzunehmen, zu verstehen und zu erneuern, indem er sich abstrakte Konzepte zunutze macht, um der greifbaren Welt einen Sinn zu geben. Unsere Wahrnehmung von Objekten geht über das Erkennen bloßer Muster hinaus; stattdessen nehmen wir sie im Kontext ihrer konzeptionellen Eigenschaften und ihrer semantischen Verbindungen mit anderen Objekten und Ideen wahr.


In der Tat lässt sich alles, was wir wahrnehmen, in einen konzeptionellen Rahmen einordnen. Grundlegende Konzepte werden durch biologische Neuronen kodiert, während kompliziertere Konzepte aus den komplizierten Korrelationen zwischen ihnen hervorgehen. Vielleicht können wir uns vom Spiking- oder Oszillationsverhalten der biologischen Neuronen inspirieren lassen, um in den Bereich der dritten Generation der neuromorphen KI vorzustoßen.


Für den Moment möchten wir Ihnen diese Überlegungen mit auf den Weg geben. Wir laden Sie herzlich ein, das Thema der dritten Generation der KI aus allen Blickwinkeln zu diskutieren, einschließlich Forschern, Investoren, Unternehmen und politischen Entscheidungsträgern. Ihre Beiträge und Erkenntnisse sind uns sehr wichtig.






19 Ansichten0 Kommentare