Kontext schlägt Berechnung (vorerst)

Meine Feeds werden mit KI-Beiträgen überschwemmt. Die Leute scheinen von den neuesten großen Sprachmodellen (z. B. ChatGPT) und Bildgeneratoren (z. B. Midjourney) überrascht zu sein. Wie haben wir uns in ein paar Jahren von Chatbots, die einfache Befehle kaum verstehen konnten, zu besserwisserischen Assistenten entwickelt, die Stringtheorie erklären, Anschreiben verfassen und bessere Papa-Witze erzählen können als ich?

Die Antwort liegt in der Macht des Kontexts. Als Menschen stellen wir uns die Welt gerne als ordentlich geordnet vor. Eine E-Mail zu schreiben ist etwas anderes als ein Bild zu malen oder Brot zu backen. In Wirklichkeit ist die Welt chaotisch. Dieselben Neuronen, die wir zum Malen verwenden, werden auch zum Schreiben einer E-Mail verwendet. Sie stellen sich ein „S“ als einen Baustein der Sprache vor. In Wirklichkeit handelt es sich auch um eine verschnörkelte Linie, die von Ihrem visuellen Kortex verarbeitet wird.

Jahrelang arbeiteten Neurowissenschaftler mit einer Lokalisierungstheorie. Jeder Teil des Gehirns war für bestimmte Aufgaben verantwortlich, und das Studium der Teile würde Ihnen helfen, das Ganze zu erklären. Diese Theorie wurde weitgehend widerlegt. Verbindungen zwischen verschiedenen Teilen des Gehirns sind zwar weniger zahlreich, spielen aber eine zentrale Rolle.

Was ich beschreibe, ist Kontext. Unser Gehirn scheint „magisch“ zu sein, weil wir erlernte Muster aus einem Bereich auf andere anwenden. Der Kontext ist der Unterschied zwischen ChatGPT und dem von Ihrer Telefongesellschaft verwendeten Chatbot. Müssen Sie die gesamte Wikipedia lesen, um bei einer Telefonrechnung zu helfen? Nein, aber der Kontext hilft, wenn das Gespräch vom Drehbuch abweicht.

Was Maschinen an Kontext fehlt, machen sie durch Berechnung wett. ChatGPT „weiß“ nicht wie ein Mensch, was ein Hund ist. Es kann kein Bild eines Hundes erzeugen, die Geräusche eines Hundes nicht reproduzieren oder seinen Geruch erkennen. Allerdings hat ChatGPT mehr über Hunde gelesen als über jeden Menschen. Wenn Sie ChatGPT fragen, wie viele Beine ein Hund hat, wird die Antwort richtig sein. Der KI fehlt ein kontextuelles Verständnis von „Hund“, aber sie hat genügend Daten gesehen, um genau vorherzusagen, was nach der Frage „Wie viele Beine hat ein Hund?“ kommen sollte.

Der Kampf zwischen Kontext und Berechnung ist von zentraler Bedeutung für die Automatisierung. Das Problem selbstfahrender Autos ist ein gutes Beispiel. Algorithmen, die heute selbstfahrende Autos antreiben, sind darauf trainiert, Lenk-, Brems- und Gaspedaleingaben anhand visueller Informationen aus der Umgebung vorherzusagen. Die Algorithmen verfügen über bessere Sensoren und können schnellere Entscheidungen treffen als jeder Mensch. Selbstfahrende Autos sind rechnerisch bereits überlegen.

Die Herausforderung besteht darin, dass das Autofahren auch vom Kontext profitiert. Wenn Sie in der Abenddämmerung eine Straße entlangfahren und ein Reh auf einem Feld entdecken, werden Sie wahrscheinlich langsamer fahren, den Straßenrand im Auge behalten und auf eine innere Spur wechseln. Sie nutzen Ihr kontextbezogenes Verständnis von „Hirsch“, um Lenk-, Gas- und Bremseingaben anzupassen. Die Maschine sieht das Reh, verfügt jedoch nicht über den Kontext. Die Maschine weiß nicht, dass Hirsche häufig vor Autos laufen und dass ein einzelner Hirsch anderen Hirschen signalisieren könnte, dass sie im Wald vor ihnen auf sie warten.

Maschinen lösen das Problem des autonomen Fahrens durch Berechnung. Der Algorithmus kann ein Reh erkennen, das vor Ihr Auto springt, und die Bremse schneller betätigen als Sie. Ihr kontextbezogenes Verständnis von Hirschen ermöglicht es Ihnen jedoch, vorbeugende Maßnahmen zu ergreifen, die über die Möglichkeiten vorhandener Algorithmen hinausgehen. Die Leistungsfähigkeit des Kontexts übertrifft die Leistungsfähigkeit der Berechnung.

Was bedeutet die Bedeutung des Kontexts für den Aufstieg der KI? Meiner Ansicht nach ist der Kontext einfach eine Funktion größerer Modelle. ChatGPT und Midjourney sind heute separate Modelle, müssen aber in Zukunft nicht getrennt werden. Wenn die Modelle größer werden, sollte das Kontextverständnis zunehmen. Das Ergebnis wäre eine KI, die das nachahmt, was wir am menschlichen Gehirn magisch finden. Berechnung ist ein Anfang, kein Ende.