Künstliche Intelligenz im Vergleich zur Gehirnfunktion: Eine umfassende Analyse

Das menschliche Gehirn war und ist das Maß der Dinge bei der Entwicklung künstlicher Intelligenz. Doch was genau unterscheidet eigentlich das menschliche Lernen, Denken und Handeln vom maschinell trainierten? Dieser Frage widmet sich der folgende Artikel, indem er die Gemeinsamkeiten und Unterschiede zwischen menschlicher und künstlicher Intelligenz (KI) beleuchtet, insbesondere im Hinblick auf Energieeffizienz, Funktionsweise und Anwendungsbereiche.

Vom Biomasse-Gehirn zum Elektronengehirn: Die Evolution der Denkmaschine

Menschliches Bewusstsein und Intelligenz sind weit mehr als eine Frage der Informationsverarbeitung. Trotz intensiver Forschung wissen wir bis heute nicht, was das menschliche Denken und Bewusstsein eigentlich ausmacht. Zwar wurden und werden die biochemischen Abläufe im Gehirn genau analysiert, auch wie der Mensch im Kontext von Wahrnehmung und Bewusstsein handelt und denkt, ist jahrhundertelanger Gegenstand der Wissenschaft, es bleibt jedoch bis heute im Dunklen, wie man diese Fähigkeiten künstlich nachbilden kann. Die Tatsache, dass der natürliche Intelligenzträger „Gehirn“ ein materielles Objekt ist, das physikalischen Grundsätzen unterliegt, mündet in der logischen Annahme, dass man auch im Computer vollständig nachbilden kann, was unser Gehirn leistet. Das wurde bereits im Bereich des Rechnens bewiesen: Künstliche Rechenmaschinen arbeiten schneller, leistungsfähiger und fehlerfreier als das menschliche Gehirn.

Selbst im Zeitalter von Computer, Digitalisierung und (schwacher) künstlicher Intelligenz stellt eine Denkmaschine nach menschlichem Vorbild eine besondere Herausforderung dar. Der Weg, künstliche neuronale Netze (KNN) nach dem Vorbild unseres Gehirns aufzubauen, hat zu enormen Leistungen in der KI geführt, im Bereich der Wahrnehmung und Mustererkennung menschliche Fähigkeiten zu übertreffen (z. B. ermüdungsfreies Erkennen von Phänomenen auf Bildern). Weitere Fähigkeiten einer natürlichen Intelligenz, wie sie im folgenden Schemabild zu sehen sind, hingegen lassen sich bisher nicht künstlich nachbilden. Die Funktionen menschlicher Intelligenz reichen von der Wahrnehmung durch die unterschiedlichen Sinnesorgane über die Problemerkennung und Lernen sowie Lösungsentwicklung bis hin zum fertigen Handlungskonzept, dessen Umsetzung in eine Bewegung oder in Kommunikation die wahrgenommene Umwelt im Sinne des Intelligenzträgers verändert. Auch das selbstbestimmte Sammeln, Handhaben und Nutzen von Information und Wissen ist bis heute natürlichen Intelligenzträgern vorbehalten.

Die Chronologie der aufeinander aufbauenden menschengeschaffenen Technologien und Maschinen

Die Chronologie der aufeinander aufbauenden menschengeschaffenen Technologien und Maschinen von der Kraftmaschine bis zur Rechenmaschine in verschiedenen Epochen lässt auf eine logische Weiterentwicklung der Maschinen schließen: Auf der Grundlage der Digitalisierung wird sich die starke künstliche Intelligenz in einer Denkmaschine manifestieren. Das Zeitalter des Intellektualisierens der Maschinen beginnt. Der darauffolgende epochale Entwicklungsschritt wird die Maschinen-Emanzipierung sein, in der Maschinen bereits über eine autarke Intelligenz verfügen und von Eingaben und Programmieren durch den Menschen unabhängig werden. Das derzeit (kaum) vorstellbare Endziel stellt die Humanisierung der Maschinen dar, wenn die starke KI in humanoiden Robotern wirkt: Mensch und Maschine stehen auf gleichwertigen Intelligenz- und Handlungsstufen.

Die Epochen maschineller Systeme

• Mechanisierung (1769): Eingeläutet durch Kraftmaschinen, insbesondere die Dampfmaschine von James Watt, als Grundlage für die nächste Epoche auf Basis schwerer Turbinen und Generatoren.
• Elektrifizierung (1866): Eingeläutet durch die Dynamomaschine von Werner von Siemens, als Grundlage für die nächste Epoche auf Basis von Halbleitern.
• Elektronifizierung (1948): Eingeläutet durch den Transistor, als Grundlage für die nächste Epoche auf Basis Integrierter Schaltungen (ICs).
• Computerisierung (1937): Eingeläutet durch die Z1 von Konrad Zuse, als Grundlage für die nächste Epoche auf Basis der Vernetzung, massenweisen Einsatz von Sensoren und damit Internet of Things sowie Big Data.
• Digitalisierung (2002): Eingeläutet durch die Annahme, dass in diesem Jahr mehr Daten digital als analog gespeichert werden, als Grundlage für die nächste Epoche auf Basis künstlicher Intelligenz.
• Intellektualisierung: Durch Denkmaschinen mit menschenvergleichbarer Intelligenz (starke KI) als Grundlage für die nächste Epoche auf Basis von Rechtssicherheit und der Akzeptanz der Intellektualisierung.
• Maschinen-Emanzipierung: Durch Befreiung der Maschinen von menschlicher Dateneingabe als Grundlage für die nächste Epoche auf Basis von menschenähnlichen Robotermaschinen.
• Maschinen-Humanisierung: Durch starke künstliche Intelligenz in Maschinen, die aussehen, wie Menschen und sich bewegen können wie Menschen.

Energieeffizienz: Gehirn vs. KI

Ein zentraler Unterschied zwischen menschlicher und künstlicher Intelligenz liegt in der Energieeffizienz. Das menschliche Gehirn, ein Meisterwerk der Effizienz, benötigt lediglich etwa 20 Watt, um komplexe Aufgaben zu bewältigen. Diese geringe Energieaufnahme steht in starkem Kontrast zum enormen Energieverbrauch von KI-Systemen, insbesondere großen Sprachmodellen in Rechenzentren, deren Kapazitäten Gigawatt-Niveaus erreichen können.

Lesen Sie auch: Künstliche Beatmung nach Schlaganfall: Was Sie wissen müssen

Die Rolle von Neuronen und synaptischen Strukturen

Das menschliche Gehirn besteht aus etwa 86 Milliarden Neuronen, die durch synaptische Strukturen miteinander verbunden sind. Diese Neuronen arbeiten Hand in Hand und ermöglichen es dem Gehirn, komplexe Probleme zu lösen und sich durch beeindruckende kognitive Fähigkeiten auszuzeichnen. Im Gegensatz dazu basieren KI-Systeme auf umfassenden neuronalen Netzwerken mit Milliarden von Parametern, deren Training und Betrieb enorme Rechenkapazitäten und somit einen hohen Energiekonsum erfordern.

Forschungsansätze zur Verbesserung der Energieeffizienz von KI

Angesichts wachsender Nachhaltigkeitsanforderungen arbeiten Wissenschaftler intensiv daran, die Energieeffizienz von KI-Systemen zu verbessern. Ein vielversprechender Ansatz ist die Neuronale Netze Optimierung, bei der fortschrittliche Algorithmen und Modelle eingesetzt werden, um die Effizienz dieser Netze zu steigern, ohne ihre Leistungsfähigkeit zu beeinträchtigen. Die Integration von Neuronale Netze Optimierung in bestehende Systeme erfordert jedoch umfassende Anpassungen und Tests.

Die Bedeutung der Energieeffizienz für eine nachhaltige KI

Die Zukunft der Energieeffizienz ist entscheidend für globale Nachhaltigkeit und technischen Fortschritt. Energieeffiziente Technologien sind essentiell für eine Nachhaltige KI, da sie den CO₂-Fußabdruck erheblich reduzieren und die Umweltbelastung spürbar verringern. Effizientere KI-Modelle sind energiesparender, steigern die Leistung, ermöglichen Kosteneinsparungen und fördern Nachhaltige KI.

Funktionsweise: Mustererkennung, Informationsverarbeitung und Abstraktion

KI-Systeme haben in bestimmten Bereichen, wie der Mustererkennung und Informationsverarbeitung, bereits beeindruckende Fortschritte erzielt und übertreffen in einigen Fällen sogar die menschlichen Fähigkeiten. Sie können riesige Datenmengen effizienter verarbeiten und Muster erkennen, die für das menschliche Gehirn möglicherweise nicht erkennbar wären. Allerdings stößt KI nach wie vor an ihre Grenzen, wenn es um Aufgaben geht, die ein hohes Maß an Abstraktion, Kreativität und kritischem Denken erfordern.

Die Rolle der Biomimetik

Die Biomimetik, also die Nachahmung biologischer Prozesse und Strukturen, spielt eine wichtige Rolle bei der Weiterentwicklung der KI. Forscher lassen sich vom menschlichen Gehirn inspirieren, um effizientere Algorithmen und Architekturen für KI-Systeme zu entwickeln. Ein Beispiel hierfür sind energieeffiziente Chips für neuronale Netzwerke, die auf natürlichen Prinzipien beruhen.

Lesen Sie auch: Einführung in KI für Spiele

Die Bedeutung von Trainingsdaten

KI-Systeme lernen aus Daten. Je größer und vielfältiger der Datensatz, desto besser kann das System Muster erkennen und Vorhersagen treffen. Allerdings besteht die Gefahr, dass KI-Systeme aufgrund von Voreingenommenheiten in den Trainingsdaten diskriminierende oder fehlerhafte Ergebnisse liefern. Daher ist es wichtig, sicherzustellen, dass die Trainingsdaten repräsentativ und unvoreingenommen sind.

Die Grenzen des Deep Learning

Deep Learning, eine spezielle Art von maschinellem Lernen, hat in den letzten Jahren große Erfolge erzielt. Allerdings hat auch Deep Learning seine Grenzen. Deep-Learning-Systeme sind oft sehr komplex und schwer zu verstehen. Außerdem benötigen sie große Mengen an Trainingsdaten und Rechenleistung.

Anwendungsbereiche: Medizin, Energiesysteme, Verkehrsplanung

KI findet bereits in zahlreichen Bereichen Anwendung und trägt dazu bei, Prozesse zu optimieren, Kosten zu senken und die Effizienz zu steigern.

• Medizinische Diagnostik: KI-Algorithmen helfen, Krankheiten frühzeitig zu erkennen und personalisierte Behandlungspläne zu entwickeln.
• Optimierung von Energiesystemen: KI analysiert große Datenmengen, um den Energieverbrauch in Gebäuden und Industrieanlagen zu optimieren.
• Verkehrsplanung: KI analysiert Verkehrsflüsse und Stauvorhersagen, um den Verkehr effizienter zu leiten und den Treibstoffverbrauch zu verringern.

CAIRO: Inkubator angewandter starker KI

Im Kompetenzzentrum für Künstliche Intelligenz und Robotik (CAIRO - Center for Artificial Intelligence and Robotics) bündelt die THWS ihre KI-Forschungsaktivitäten. Der Fokus liegt auf einem ganzheitlicheren Verständnis der KI und nicht auf isolierten Einzelszenarien, wie sie heutzutage noch üblich sind. Insbesondere werden dabei Methoden der starken KI mit denen angewandter KI entwickelt und verbunden. Starke KI bedeutet, dass die entwickelte Software eigenständig und problemorientiert denken und handeln kann, ähnlich oder genauso wie das menschliche Gehirn. Deshalb nehmen auch ethische und rechtliche Aspekte der KI in CAIRO eine wichtige Rolle ein.

Ziel von CAIRO ist es, die acht zusammenhängenden Felder der dem Menschen eigenen kognitiven Intelligenz interdependent zu erforschen, in ein Anwendungssystem zu bringen und damit einen umfassenden Ansatz der Artificial General Intelligence (AGI) bzw. der starken KI zu realisieren. Dabei sollen die Forschungsergebnisse der Bayerischen KI-Knoten, welche durch die Hightech Agenda Bayerns eingerichtet wurden, mit in die Anwendung gebracht werden. Insbesondere sollen die Ergebnisse und Erkenntnisse im Schweinfurter Center für Robotik (siehe Webseite CERI und Schwerpunktseite Robotik) eingebracht werden. Aus CAIRO soll ein System hervorgehen, welches integrierte Lösungen zu den acht Intelligenzfeldern anbietet.

Lesen Sie auch: Therapieansätze bei Hirnblutungen: Ein Überblick

Ethische und gesellschaftliche Implikationen

Die Entwicklung und der Einsatz von KI werfen eine Reihe ethischer und gesellschaftlicher Fragen auf, die sorgfältig bedacht werden müssen. Dazu gehören unter anderem:

• Datenschutz: Wie können wir sicherstellen, dass persönliche Daten, die für das Training von KI-Systemen verwendet werden, geschützt werden?
• Diskriminierung: Wie können wir verhindern, dass KI-Systeme aufgrund von Voreingenommenheiten in den Trainingsdaten diskriminierende Entscheidungen treffen?
• Arbeitsplatzverluste: Wie können wir die Auswirkungen von KI auf den Arbeitsmarkt abmildern, wenn immer mehr Aufgaben von Maschinen übernommen werden?
• Autonomie: Inwieweit sollen KI-Systeme autonome Entscheidungen treffen dürfen?

Die Zukunft der KI: Menschliche und künstliche Intelligenz im Zusammenspiel

Die Zukunft der KI wird wahrscheinlich von einem Zusammenspiel zwischen menschlicher und künstlicher Intelligenz geprägt sein. KI-Systeme können uns bei der Bewältigung komplexer Aufgaben unterstützen, indem sie große Datenmengen analysieren, Muster erkennen und Vorhersagen treffen. Allerdings werden wir weiterhin die menschliche Intelligenz benötigen, um kritische Entscheidungen zu treffen, ethische Fragen zu beantworten und kreative Lösungen zu entwickeln.

Die Rolle der Bildung

Die Digitalisierung verändert Experten zufolge Lernprozesse im Gehirn. Psychologe und Hirnforscher Peter Gerjets vom Leibniz-Institut für Wissensmedien in Tübingen geht davon aus, dass ChatGPT und ähnliche Angebote einen großen Einfluss auf das Bildungswesen haben werden. "Es darf nicht passieren im Bildungsprozess, dass der aktive Lernprozess an ChatGPT ausgelagert und das Gehirn nicht gefordert wird", sagt der Bildungswissenschaftler zum Internationalen Tag der Bildung am 24. Januar. "Es ist wichtig, was im Kopf passiert und was als echte Lernleistung herauskommt. Kognitive Arbeitsleistungen an KI abzugeben sei immer mit der Frage verbunden, ob damit Freiräume entstehen, die das Gehirn für andere Aufgaben nutzen könne. "Fakt ist: Wird eine bestimmte Fähigkeit nicht mehr benötigt, dann werden die Hirnareale, die diesen Skill implementieren, geschwächt." Gerjets nennt als Beispiel: "Wenn ich den Taschenrechner zum Dividieren nutze, bin ich im Ergebnis wesentlich schneller, aber meine Fähigkeit, zu dividieren, leidet und das wirkt sich auf die entsprechenden Hirnareale aus." Das sei aber kein Drama. Der Forscher erläutert: Bestimmte Bereiche "schwellen" quasi an bei besonders starken Anforderungen. "Sie werden größer und dichter." Und sie verkleinern sich bei abnehmender Anforderung. Schon das Nutzen technischer Geräte wie Tablets beim digitalen Lernen benötigt extra Aufmerksamkeit und Energie, weil neben der inhaltlichen Verarbeitung auch die Bedienung der Technik Konzentration beanspruche, schildert Neurobiologe Martin Korte von der TU Braunschweig. Beim Scrollen über mehrere Seiten hinweg und Eintauchen in Hyperlinks sei es anstrengend, den inhaltlichen Bezug nicht zu verlieren, den Überblick im Kopf wieder herzustellen. Da nun absehbar KI mit Tools wie ChatGPT verstärkt hinzukommen, gelte umso mehr: "Wenn wir beim Lernen durch vorgefertigte Antworten nur passive Zuschauer sind, ist das Lernen nicht nachhaltig", sagt Korte. Aktivität sei wichtig - und ebenso, dass man Inhalte und Informationen reflektieren könne. Daraus entstehe dann Wissen, das im Gehirn abgespeichert werde - was wiederum "die Verschaltungen, also die Struktur des Gehirns verändert". Eine KI, die verstanden werde in ihren Stärken und Schwächen, könne ein Gewinn sein. "Neue Informationen zu bewerten, auszuwählen, Quellen zu vergleichen - alles das ist Arbeit für den Frontallappen unseres Gehirns. Diese Fähigkeit zur Bewertung wird immer wichtiger", betont Gerjets. ChatGPT erwecke stets den Anschein, eine korrekte Antwort gegeben zu haben: "Sprachlich glatt und fertig ausformuliert, im Brustton der Überzeugung, aber ohne Quellenangabe. Viele Menschen finden das glaubwürdig. Gerjets sieht in KI-Tools wie ChatGPT enorme Chancen für den Bildungsbereich. Für Schülerinnen und Schüler könnten diese viele Vorteile haben, etwa beim Generieren von Übungsmaterial, beim Abfragen von Gelerntem. Ob sich womöglich langfristig auch Hirnstrukturen durch die Nutzung von KI ändern werden, sei noch nicht abzusehen, sagt der Tübinger Forscher.

An der Internationalen Hochschule (IU) in Erfurt hat man bereits etliche Praxiserfahrungen mit dem Einsatz von Künstlicher Intelligenz im Lehr- und Lernprozess gesammelt. Quintus Stierstorfer, Director Synthetic Teaching der IU, war an der Entwicklung maßgeblich beteiligt. Er erklärt gegenüber Forschung & Lehre die Ziele des KI-Einsatzes: "Unsere Mission ist es, Menschen durch die beste personalisierte Bildung zu befähigen. Dafür ist generative AI die ideale Technik, um die individuellen Lernbedürfnisse jedes einzelnen Studierenden zu berücksichtigen. Langfristig soll Syntea zu einem personalisierten Lernbuddy werden, der die Studierenden aktiv motiviert und dabei unterstützt, ihre Lernziele zu erreichen."

tags: #kunstliche #intelligenz #gehirn