Das Wichtigste in Kürze
- Mit der Technik von «Deep Learning» (DL) arbeiten Computer ähnlich wie menschliche Gehirne. Die Einsatzmöglichkeiten sind schier unbegrenzt.
- Euphoriker prophezeien eine neue goldige Welt. Die Skeptiker warnen vor nichts Geringerem als der Entmündigung des Menschen.
- Dienstleistung und Industrie sehen es pragmatisch. Und investieren jährlich nahezu eine Billion Dollar.
«Arbeitsplätze in der Produktion und in den Dienstleistungen werden zu den Robotern gehen», sagt Kevin Kelly. Einer der Gurus in der Welt der «Künstlichen Intelligenz» (KI) liess an der Digitalkonferenz «SXSW Interactive 2016» in Austin (Texas) keine Zweifel aufkommen. Die Welt stehe mitten in einer gewaltigen Revolution. «Genauso wie die Elektrifizierung vor 150 Jahren sämtliche Techniken auf einen neuen Level katapultiert hat, wird dies «Deep Learning» tun.»
«Deep Learning» – der neue Turbo-Lader der KI
Bis in die 90er-Jahre hätte man diese Prognose mit einem milden Lächeln quittiert. KI-Forscher galten als Nerds. Ihre Wissenschaft sah man eher als Orakel, denn als Erkenntnisgewinn. 20 Jahre später sind es vor allem drei Faktoren, die sie wieder ins Spiel gebracht haben.
Der «Deep-Learning»-Branchen-Crack und Risiko-Investor Benedict Evans spricht in seinem Tech-Blog zum einen vom Einsatz selbstlernender, neuronaler Netzwerke, die wie ein menschliches Gehirn funktionieren. Als zweiten Faktor nennt er die Weiterentwicklung von GPUs (Graphics Processor Unit), Grafik-Chips, die es erlauben, gleichzeitig viele Rechenschritte parallel zu erledigen. Und drittens erwähnt Evans die in neuster Zeit weltweit zur Verfügung stehende, immense Menge an strukturierten Daten.
«Deep Learning» ist schon lange da
Diese Daten sind quasi der Brennstoff für die Super-Computer. Die Netzwerke analysieren Billionen von Dateneinheiten in Sekundenschnelle. Darin kategorisieren sie Muster, aus denen sie schliesslich wieder Rückschlüsse für andere Daten ziehen können. Je mehr Daten einfliessen, umso differenzierter die Muster, desto besser werden die Angebote der Systeme. Und umso besser die Angebote werden, umso mehr Kunden begeistern sich für sie. Kunden, die sich diese Dienstleistungen wiederum mit ihren Daten erkaufen. Paradebeispiele sind Google, Facebook oder auch Amazon.
Die Erfolge dieser Technik haben sich bereits in vielen Lebensbereichen eingestellt. Der Sieg des DL-Programms AlphaGo von Google DeepMind über den weltbesten Spieler des japanischen Brettspiels Go ist dabei eher ein Fanal für die Möglichkeiten der Technik, denn realer Gewinn. Weit eindrücklicher ist die Auflistung all jener Gebiete, in denen bereits heute Dienstleistungen mit «Deep Learning» potenziert werden (siehe Tabelle).
Hier steckt «Deep Learning» drin
| Medizin | DL-Systeme vervielfachen die Effizienz von bildgebenden Diagnoseverfahren. |
| Justiz | Selbstlernende Systeme helfen bei der Interpretation von Rechtsdokumenten. |
| Fahrzeuge | «Deep-Learning»-Software hilft dem Piloten bei der raschen Entscheidungsfindung. Sie ermöglichen selbstfahrende Autos, Busse, Schiffe und Drohnen. |
| Steuerung | DL-Programme revolutionieren die Sprachsteuerung von Google & Co., ermöglichen Sprachübersetzungen durch Lippenlesen. |
| Sicherheit | Durch «Deep Learning» wird die Gesichtserkennung selbst in schwierigen Lagen möglich, selbst Emotionen können die Systeme erkennen. |
| Assistenz | Reale und virtuelle Assistenten, wie Suchmaschinen, Kaufempfehlungen und Ratgeber erleichtern das tägliche Leben. |
| Management | «Deep-Learning»-Software hilft Unternehmen bei der effizienten Planung von realen und virtuellen Ressourcen, in der Logistik, beim Personal und im Investment. |
| Robotik | Dank DL-Programmen können Roboter inzwischen Gefühle analysieren und entsprechend reagieren. |
| Medien | Hier sind Systeme im Einsatz für das Tagging, die Personalisierung des Vertriebs, für die Recherche und das Fakten-Checking, für Textoptimierung, -Analyse und -Übersetzung, sowie für die Prüfung der Verständlichkeit von Text- und Bildinhalten. |
| Kreativität | «Deep-Learning»-Systeme werden eingesetzt zur automatischen Colorierung von Schwarzweiss-Material, für Bildadaptionen, zum Erzeugen kombinierter Bilder, ja selbst Musik können die Systeme komponieren. |
Dass das nicht alle gleichermassen freut, liegt auf der Hand. Aussichten, wie sie der deutsche KI-Wissenschaftler Professor Jürgen Schmidhuber skizziert, mögen jenseits dessen liegen, was uns Normalverbraucher aus den Büschen holt: selbstlernende Roboter, die in absehbarer Zukunft im Asteroiden-Gürtel der Milchstrasse Roboter-Fabriken bauen, die wiederum Roboter bauen, die dort nach Rohstoffen buddeln.
Die Geister, die ich rief...
Experten, die sich insbesondere auch mit der Wertschöpfung der Technik befassen, bleiben notgedrungen eher auf dem Teppich. Marc Andreessen begeistert die Potenz der Technik in der Verknüpfung mit Alltäglichem. Der Chef der US-Risiko-Investment-Firma Andreessen & Horowitz schwärmt lieber von intelligenten Gurken-Sortiermaschinen und von Assistenz-Robotern, denen man im Baumarkt eine Schraube zeigen kann, und die einen dann freundlich plaudernd zum gesuchten Gestell begleiten.
Die Skeptiker der Entwicklung richten ihr Augenmerk für gewöhnlich auf die Risiken der Technik. Der schwedische Philosoph und Bioethiker Niklas Bostrom verweist in seinem Buch «Superintelligence» auf die für ihn logische Konsequenz kognifizierter Systeme hin. Eine Maschine, die ohne Kenntnisse von Regeln – wie AlphaGo aus der Google-Küche – etwas erlernen und selbstständig perfektionieren kann, wird dem Menschen irgendwann in einem Mass überlegen sein, das es unmöglich macht, die Maschine noch zu kontrollieren – der «Terminator» lässt grüssen.
Andere wiederum verweisen auf die bombastische Gestaltungsmacht, die demjenigen zukommt, der über die nötigen Datenmengen verfügt. Das Perpetuum mobile des Daten-Erkenntniskreislaufs (mehr Daten = bessere Ergebnisse = mehr Kunden = mehr Daten) macht Google, Amazon, Microsoft und alle anderen Data-Riesen zu dem, was sie sind: unbeschreiblich reiche und dadurch erschreckend mächtige Konzerne.
Die «Big Five» und eine Handvoll andere
Kevin Kelly fordert darum von den Regierungen dieser Welt, ihre Anti-Kartell-Mechanismen den neuen Umständen anzupassen. Bei Fusionen soll nicht wie bisher die neue Grösse als Massstab gelten, sondern die neu entstehende Datenmacht. Betrachtet man die aktuelle Investitionskultur, ist diese Forderung nicht ganz unbegründet.
In den letzten fünf Jahren haben die Grossen im Geschäft nämlich vor allem durch bisweilen spektakuläre Aufkäufe geglänzt. (siehe Tabelle). Erscheint ein innovatives Start-Up auf dem Markt, werfen die Riesen ihre Geldmaschinen an. Sie wenden Summen auf, als würden sie Joghurts mit Goldbarren bezahlen und verleiben sich die Innovationsträger kurzerhand ein.
Die Grossen schlucken die Kleinen
| Amazon | 2014: Obeus (Bilderkennung, Gesichtserkennung (inkl. Emotionen) und Video-Indexierung) 2015: Shoefitr (Entscheidungshilfen Schuhkauf) 2016: Safaba (Automatische Textübersetzung) |
| Apple | 2014: Spotsetter (Restaurant-Empfehler) 2015: VocallIQ(Spracherkennung) 2015: Perceptio (Bilderkennung) 2016: Emotient (Erkennung von Emotionen auf Bildern und Videos) 2016: Turi (Deep-Learning-Systeme) |
| 2014: Wit.ai (Übersetzung gesprochener Sprache) 2015: Surreal Vision (Real Time Szenen-Erkennung) 2015: Pebbles (Gesten- und Objekt-Erkennung) | |
| Microsoft | 2014: Aorato (Aufspüren ungewöhnlicher Aktivitäten im Unternehmensnetzwerk) 2015: Equivio (Textanalyse mit Fokus auf Legal und Compliance) 2015: Revolution Analytics (kommerzieller Support für die eigene Distribution) 2016: SwiftKey (Schreibstil-Analyse) 2016: Touch Type Ltd. (intelligente Smartphone Keyboard App) 2016: Wand Labs (intelligente Mensch-Maschinen-Kommunikation) 2017: Maluuba (maschinelle Verarbeitung natürlicher Sprache) |
Auch viele KMUs am Start
Im April lancierte der US-Grafikchip-Hersteller «Nvidia Corporation» ihren NVIDIA® DGX-1™, den ersten «Deep-Learning»-Grossrechner. Doch auch im Kleinen brodelt der Markt. Gemäss einer Studie von Pricewaterhouse Coopers (PwC) aus dem Jahr 2016 sind 15 bis 20 Prozent aller deutschen Firmen in der einen oder anderen Weise mit «Deep Learning» zugange. Nicht zuletzt, weil viel dieser «Deep-Learning»-Software einem breiten Publikum frei zugänglich ist.
Und auch im asiatischen Markt sind die Akteure alles andere als am Schlafen. Eben hat die Chinesische Akademie der Wissenschaften (CAS) eine Millionensumme bereitgestellt, um einen gigantischen «Deep-Learning»-Prozessor zu bauen. Einer wie «Nvidia DGX» – nur noch viel schneller.
Die 10 grössten chinesischen Tech-Konzerne haben gemäss einer Aufstellung von «China Money Network» von 2014 bis 2016 insgesamt eine Billion Dollar investiert. In Bereiche, die in der einen oder anderen Form dem KI-Bereich zugeordnet werden können.
«Deep Learning» ist den Hinterhof-Garagen Kaliforniens definitiv entwachsen. Oder wie es Benedict Evans formuliert: «Maschinelles Lernen ist ein Baustein, der schlicht ein Teil von allem sein wird.» Wie zu Thomas Edisons Zeiten die Elektrifizierung.
«Künstliche Intelligenz» (KI) befasst sich mit dem Versuch, Computern das Denken beizubringen. Das «Maschinen Lernen» ist ein Oberbegriff für die künstliche Generierung von Wissen aus Erfahrung. «Deep Learning» ist eine technische Methode des Maschinen Lernens. Dabei erfolgen die Prozesse über neuronale Netzwerke, ähnlich dem menschlichen Gehirn.
