Die Diskussion um künstliche Generalintelligenz (AGI) wird durch Sam Altmans jüngste Beschäftigungssaga und die Spekulationen über OpenAIs bahnbrechendes Q*-Modell wiederbelebt. AGI könnte intellektuelle Aufgaben vergleichbar mit Menschen erlernen und ausführen. Obwohl Fortschritte in der KI, insbesondere im Bereich des Deep Learning, zu Optimismus und Besorgnis hinsichtlich der Entstehung von AGI führen, gibt es auch Bedenken bezüglich der aktuellen Entwicklung von KI hin zu AGI.
Deep Learning, eine Methode des maschinellen Lernens, die auf künstlichen neuronalen Netzwerken basiert, wird in vielen aktuellen KI-Anwendungen eingesetzt. Es hat aufgrund seiner Fähigkeit, verschiedene Datentypen zu verarbeiten, und seines reduzierten Bedarfs an Vorverarbeitung an Beliebtheit gewonnen. Allerdings hat Deep Learning auch seine Grenzen. Große Datensätze und teure Rechenressourcen sind erforderlich, um Modelle zu erstellen, die die Trainingsdaten widerspiegeln.
Menschliches Denken, das als Modell für AGI dient, beruht nicht auf dem Erstellen umfassender Regeln für reale Ereignisse. Menschen gehen in der Regel visuell auf die Welt zu, greifen auf vorhandene Repräsentationen zurück und passen existierende Regeln bei Bedarf an. Im Gegensatz dazu basiert Deep Learning auf der Vorhersage und dem ständigen Neuberechnen von Regeln. Es könnte notwendig sein, von vorhersagegesteuerten Ableitungen abzurücken und die induktive “Was wäre wenn..?”-Fähigkeit zu stärken, wenn Vorhersagen nicht möglich sind.
Entscheidungsfindung unter tiefer Unsicherheit, wie robuste Entscheidungsfindungsmethoden, könnten als Konzeptualisierung dienen, um AGI vernünftig zu machen. Während viele Deep Learning Ansätze optimierte Lösungen priorisieren, könnten robuste Alternativen eine bessere Leistungsfähigkeit in unvorhergesehenen Situationen bieten. Die Entwicklung autonomer Fahrzeuge könnte zeigen, wie diese Methodik angewendet werden kann, um realweltliche Unsicherheiten zu bewältigen.
Es könnte erforderlich sein, von Deep Learning abzuweichen und den Fokus auf den Entscheidungskontext zu legen, um Fortschritte in Richtung AGI zu erzielen. Robuste Entscheidungsfindungsmethoden könnten den zeitgemäßen KI-Paradigmenwechsel hin zu robusten, entscheidungsgetriebenen KI-Methoden, die Unsicherheiten in der realen Welt bewältigen können, erleichtern.