Artificial Intelligence

Dieser Artikel oder Abschnitt bedarf einer Überarbeitung. Näheres ist auf der Diskussionsseite angegeben. Hilf mit, ihn zu verbessern, und entferne anschließend diese Markierung.

Künstliche Intelligenz (Illustration)

Künstliche Intelligenz (KI, engl. artificial intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung intelligenten Verhaltens befasst. Der Begriff ist insofern schwierig, dass es keine genaue Definition von Intelligenz gibt. Trotzdem findet er in der Forschung und Entwicklung Anwendung.

Überblick

Im Verständnis des Begriffs künstliche Intelligenz spiegelt sich oft die aus der Aufklärung stammende Vorstellung vom „Menschen als Maschine“ wider, dessen Nachahmung sich die so genannte starke KI zum Ziel setzt: eine Intelligenz zu erschaffen, die wie der Mensch kreativ nachdenken und Probleme lösen kann und die sich durch eine Form von Bewusstsein beziehungsweise Selbstbewusstsein sowie Emotionen auszeichnet. Die Ziele der starken KI sind nach Jahrzehnten der Forschung weiterhin visionär.

Im Gegensatz zur starken KI geht es der schwachen KI darum, konkrete Anwendungsprobleme zu meistern. Insbesondere sind dabei solche Anwendungen von Interesse, zu deren Lösung nach allgemeinem Verständnis eine Form von „Intelligenz“ notwendig zu sein scheint. Letztlich geht es der schwachen KI somit um die Simulation intelligenten Verhaltens mit Mitteln der Mathematik und der Informatik, es geht ihr nicht um Schaffung von Bewusstsein oder um ein tieferes Verständnis von Intelligenz. Während die starke KI an ihrer philosophischen Fragestellung bis heute scheiterte, sind auf der Seite der schwachen KI in den letzten Jahren bedeutende Fortschritte erzielt worden.

Neben den Forschungsergebnissen der Kerninformatik selbst sind in die KI Ergebnisse der Psychologie und Neurologie, Mathematik und Logik, Kommunikationswissenschaft, Philosophie und Linguistik eingeflossen. Die Beeinflussung der Neurologie hat sich in der Ausbildung des Bereichs Neuroinformatik gezeigt, der der biologieorientierten Informatik zugeordnet ist. Zusätzlich ist auch der ganze Zweig der Kognitionswissenschaft zu nennen, welcher sich wesentlich auf die Ergebnisse der künstlichen Intelligenz in Zusammenarbeit mit der kognitiven Psychologie stützt.

Es lässt sich festhalten, dass die KI kein abgeschlossenes Forschungsgebiet darstellt. Vielmehr werden Techniken aus verschiedenen Disziplinen verwendet, ohne dass diese eine Verbindung miteinander haben. Bei künstlichen neuronalen Netzen handelt es sich um Techniken, die ab Mitte des 20. Jahrhunderts entwickelt wurden und auf der Neurophysiologie aufbauen.

Geschichte

Am 13. Juli 1956 begann am Dartmouth College eine berühmte Konferenz, die von John McCarthy, Marvin Minsky, Nathan Rochester und Claude Shannon organisiert wurde. McCarthy prägte den Begriff „artificial intelligence“ („künstliche Intelligenz“) 1955 in dem Förderantrag an die Rockefeller Foundation als Thema dieser Dartmouth Conference. Die Dartmouth Conference im Sommer 1956 war die erste Konferenz, die sich dem Thema künstliche Intelligenz widmete.

Basierend auf den Arbeiten von Alan Turing (unter anderem dem Aufsatz Computing machinery and intelligence) formulierten Allen Newell (1927–1992) und Herbert Simon (1916–2001) von der Carnegie Mellon University in Pittsburgh die Physical Symbol System Hypothesis, nach der Denken Informationsverarbeitung ist, Informationsverarbeitung ein Rechenvorgang, also Symbolmanipulation, ist und es auf das Gehirn als solches beim Denken nicht ankommt: Intelligence is mind implemented by any patternable kind of matter.

Diese Auffassung, dass Intelligenz unabhängig von der Trägersubstanz ist, wird von den Vertretern der starken KI-These geteilt, wie beispielsweise Marvin Minsky (* 1927) vom Massachusetts Institute of Technology (MIT), einem der Pioniere der KI, für den „das Ziel der KI die Überwindung des Todes ist“, oder von dem Roboterspezialisten Hans Moravec (* 1948) von der Carnegie-Mellon-University, der in seinem Buch Mind Children (Kinder des Geistes) das Szenario der Evolution des postbiologischen Lebens beschreibt: Ein Roboter überträgt das im menschlichen Gehirn gespeicherte Wissen in einen Computer, so dass die Biomasse des Gehirns überflüssig wird und ein posthumanes Zeitalter beginnen kann, in dem das gespeicherte Wissen beliebig lange zugreifbar bleibt.

Insbesondere die Anfangsphase der KI war geprägt durch eine fast grenzenlose Erwartungshaltung im Hinblick auf die Fähigkeit von Computern, „Aufgaben zu lösen, zu deren Lösung Intelligenz notwendig ist, wenn sie vom Menschen durchgeführt werden“ (Minsky). Simon prognostizierte 1957 unter anderem, dass innerhalb der nächsten zehn Jahre ein Computer Schachweltmeister werden und einen wichtigen mathematischen Satz entdecken und beweisen würde, Prognosen, die nicht zutrafen und die Simon 1990, allerdings ohne Zeitangabe, wiederholte. Immerhin gelang es 1997 dem von IBM entwickelten System Deep Blue, den Schach-Weltmeister Garry Kasparov in sechs Partien zu schlagen.

Newell und Simon entwickelten in den 1960er Jahren den General Problem Solver, ein Programm, das mit einfachen Methoden beliebige Probleme lösen können sollte, ein Projekt, das nach fast zehnjähriger Entwicklungsdauer schließlich eingestellt wurde. McCarthy schlug 1958 vor, das gesamte menschliche Wissen in eine homogene, formale Darstellungsform, die Prädikatenlogik 1. Stufe, zu bringen. Die Idee war, Theorem-Beweiser zu konstruieren, die symbolische Ausdrücke zusammensetzen, um über das Wissen der Welt zu diskutieren.

Ende der 1960er Jahre entwickelte Joseph Weizenbaum (1923–2008) vom MIT mit einer relativ simplen Strategie das Programm ELIZA, in dem der Dialog eines Psychiaters mit einem Patienten simuliert wird. Die Wirkung des Programms war überwältigend. Weizenbaum war selbst überrascht, dass man auf relativ einfache Weise Menschen die Illusion eines beseelten Partners vermitteln kann. Auf einigen Gebieten erzielte die KI Erfolge, beispielsweise bei Strategiespielen (Schach, Dame, usw.), bei mathematischer Symbolverarbeitung, bei der Simulation von Robotern, beim Beweisen von logischen und mathematischen Sätzen und schließlich bei Expertensystemen. In einem Expertensystem wird das regelbasierte Wissen eines bestimmten Fachgebiets formal repräsentiert.

Das System ermöglicht dann bei konkreten Fragestellungen, diese Regeln automatisch auch in solchen Kombinationen anzuwenden, die (von dem menschlichen Experten) vorher nicht explizit erfasst wurden. Die zu einer bestimmten Problemlösung herangezogenen Regeln können dann wiederum auch ausgegeben werden, d.h. das System kann sein Ergebnis „erklären“. Einzelne Wissenselemente können hinzugefügt, verändert oder gelöscht werden; moderne Expertensysteme verfügen dazu über komfortable Benutzerschnittstellen.

Einem der bekanntesten Expertensysteme, dem Anfang der 1970er Jahre von T. Shortliffe an der Stanford University entwickelten System MYCIN zur Unterstützung von Diagnose- und Therapieentscheidungen bei Blutinfektionskrankheiten und Meningitis, wurde durch eine Evaluation attestiert, dass seine Entscheidungen so gut sind wie die eines Experten in dem betreffenden Bereich und besser als die eines Nicht-Experten. Allerdings reagierte das System, als ihm Daten einer Cholera-Erkrankung – bekanntlich eine Darm- und keine Blutinfektionskrankheit – eingegeben wurden, mit Diagnose- und Therapievorschlägen für eine Blutinfektionskrankheit, das heißt, MYCIN erkannte die Grenzen seiner Kompetenz nicht. Dieser Cliff-and-Plateau-Effekt ist bei Expertensystemen, die hochspezialisiert auf ein schmales Wissensgebiet angesetzt sind, nicht untypisch.

In den 1980er Jahren wurde der KI, parallel zu wesentlichen Fortschritten bei Hard- und Software, die Rolle einer Schlüsseltechnologie zugewiesen, insbesondere im Bereich der Expertensysteme. Man erhoffte sich vielfältige industrielle Anwendungen, perspektivisch auch eine Ablösung „eintöniger“ menschlicher Arbeit (und deren Kosten) durch KI-gesteuerte Systeme. Nachdem allerdings viele Prognosen nicht eingehalten werden konnten, reduzierten die Industrie und die Forschungsförderung ihr Engagement.

Mit den Neuronalen Netzen trat zur gleichen Zeit eine neue Perspektive der KI ans Licht, angestoßen u.a. von Arbeiten des finnischen Ingenieurs Teuvo Kohonen. In diesem Bereich der schwachen KI löste man sich von Konzepten von „Intelligenz“ und analysierte stattdessen, ausgehend von der Neurophysiologie, die Informationsarchitektur des menschlichen (/tierischen) Gehirns. Die Modellierung in Form künstlicher neuronaler Netze illustrierte dann, wie aus einer sehr einfachen Grundstruktur eine komplexe Musterverarbeitung geleistet werden kann. Die Neuroinformatik hat sich als wissenschaftliche Disziplin zur Untersuchung dieser Verfahren entwickelt.

Dabei wird deutlich, dass diese Art von Lernen im Gegensatz zu Expertensystemen nicht auf der Herleitung und Anwendung von Regeln beruht. Daraus folgt auch, dass die besonderen Fähigkeiten des menschlichen Gehirns nicht auf einen solchen regel-basierten Intelligenz-Begriff reduzierbar sind. Die Auswirkungen dieser Einsichten auf die KI-Forschung, aber auch auf Lerntheorie, Didaktik, das Verhältnis zum Bewusstsein und andere Gebiete werden noch diskutiert.

In der KI haben sich mittlerweile zahlreiche Subdisziplinen herausgebildet, so spezielle Sprachen und Konzepte zur Darstellung und Anwendung von Wissen, Modelle zu Fragen von Revidierbarkeit, Unsicherheit und Ungenauigkeit und maschinelle Lernverfahren. Die Fuzzylogik hat sich als weitere Form der schwachen KI etwa bei Maschinensteuerungen etabliert.

Weitere erfolgreiche KI-Anwendungen liegen in den Bereichen natürlich-sprachlicher Schnittstellen, Sensorik und Robotik.

Teilgebiete

Wissensbasierte Systeme

Wissensbasierte Systeme modellieren eine Form rationaler Intelligenz für sogenannte Expertensysteme. Diese sind in der Lage, auf eine Frage des Anwenders auf Grundlage formalisierten Fachwissens und daraus gezogener logischer Schlüsse Antworten zu liefern. Beispielhafte Anwendungen finden sich in der Diagnose von Krankheiten oder der Suche und Beseitigung von Fehlern in technischen Systemen.

Spracherkennung

Mittels sprachlicher Intelligenz ist es möglich, einen geschriebenen Text in Sprache (Sprachsynthese) umzuwandeln und umgekehrt (Spracherkennung). Diese automatische Sprachverarbeitung lässt sich ausbauen, so dass etwa durch latente semantische Analyse Worten und Texten Bedeutung beigemessen werden kann.

Musteranalyse und Mustererkennung

Visuelle Intelligenz ermöglicht es, Bilder beziehungsweise Formen zu erkennen und zu analysieren. Anwendungsbeispiele: Handschrifterkennung, Identifikation von Personen durch Abgleich der Fingerabdrücke oder der Iris, industrielle Qualitätkontrolle und Fertigungsautomation, letzteres in Kombination mit Erkenntnissen der Robotik.

Robotik

Die Robotik beschäftigt sich mit manipulativer Intelligenz. Mit Hilfe von Robotern können gefährliche Tätigkeiten oder auch immer gleiche Manipulationen, wie sie beim Schweißen oder Lackieren auftreten können, automatisiert werden.

Der Grundgedanke ist es, Systeme zu schaffen, die intelligente Verhaltensweisen von Lebewesen nachvollziehen können.

Methoden

Die Methoden der KI lassen sich grob in zwei Dimensionen einordnen: Symbolische vs. Neuronale KI und Simulationsmethode vs. phänomenologische Methode. Die Zusammenhänge veranschaulicht die folgende Graphik:

Die Neuronale KI verfolgt einen Bottom-up-Ansatz und möchte das menschliche Gehirn möglichst präzise nachbilden. Die Symbolische KI verfolgt umgekehrt einen Top-down-Ansatz und nähert sich den Intelligenzleistungen von einer begrifflichen Ebene her. Die Simulationsmethode orientiert sich so nah wie möglich an den tatsächlichen kognitiven Prozessen des Menschen. Dagegen kommt es dem phänomenologischen Ansatz nur auf das Ergebnis an.

Viele ältere Methoden, die in der KI entwickelt wurden, basieren auf heuristischen Lösungsverfahren. In jüngerer Zeit spielen mathematisch fundierte Ansätze aus der Statistik, der Mathematischen Programmierung und der Approximationstheorie eine bedeutende Rolle.

Die konkreten Techniken der KI lassen sich grob in Gruppen einteilen:

Suchen

Die KI beschäftigt sich häufig mit Problemen, bei denen nach bestimmten Lösungen gesucht wird. Verschiedene Suchalgorithmen werden dabei eingesetzt. Ein Paradebeispiel für die Suche ist der Vorgang der Wegfindung, der in vielen Computerspielen eine zentrale Rolle einnimmt und auf Suchalgorithmen wie zum Beispiel dem A*-Algorithmus basiert.

Planen

Neben dem Suchen von Lösungen stellt das Planen einen wichtigen Aspekt der KI dar. Der Vorgang des Planens unterteilt sich dabei in zwei Phasen:

1. Die Zielformulierung: Ausgehend vom momentanen Weltzustand wird ein Ziel definiert. Ein Ziel ist hierbei eine Menge von Weltzuständen bei der ein bestimmtes Zielprädikat erfüllt ist.
2. Die Problemformulierung: Nachdem bekannt ist, welche Ziele angestrebt werden sollen, wird in der Problemformulierung festgelegt welche Aktionen und Weltzustände betrachtet werden sollen. Es existieren hierbei verschiedene Problemtypen.

Planungssysteme planen und erstellen aus solchen Problembeschreibungen Aktionsfolgen, die Agentensysteme ausführen können, um ihre Ziele zu erreichen.

Optimierungsmethoden

Oft führen Aufgabenstellungen der KI zu Optimierungsproblemen. Diese werden je nach Struktur entweder mit Suchalgorithmen aus der Informatik oder, zunehmend, mit Mitteln der Mathematischen Programmierung gelöst. Bekannte heuristische Suchverfahren aus dem Kontext der KI sind Evolutionäre Algorithmen.

Logisches Schließen

Eine Fragestellung der KI ist die Erstellung von Wissensrepräsentationen, die dann für automatisches logisches Schließen benutzt werden können. Menschliches Wissen wird dabei – soweit möglich – formalisiert, um es in eine maschinenlesbare Form zu bringen. Diesem Ziel haben sich die Entwickler diverser Ontologien verschrieben.

Schon früh beschäftigte sich die KI damit, automatische Beweissysteme (Deduktionssysteme) zu konstruieren, die Mathematikern und Informatikern beim Beweisen von Sätzen und beim Programmieren (Logikprogrammierung) behilflich wären. Zwei Schwierigkeiten stellten sich:

1. Formuliert man Sätze in mächtigen, für den Benutzer bequemen Beschreibungssprachen (beispielsweise Prädikatenlogik), werden die entstehenden Suchprobleme sehr schwierig. In der Praxis machte man Kompromisse, wo die Beschreibungssprache für den Benutzer etwas umständlicher, die zugehörigen Optimierungsprobleme für den Rechner einfacher zu handhaben waren (Prolog, Expertensysteme).
2. Selbst mächtige Beschreibungssprachen werden unhandlich, wenn man versucht, unsicheres oder unvollständiges Wissen zu formulieren. Für praktische Probleme kann dies eine sehr ernste Einschränkung sein. Die aktuelle Forschung untersucht daher Systeme, die die Regeln der Wahrscheinlichkeitsrechnung verwendet, um Unwissen und Unsicherheit explizit zu modellieren. Algorithmisch unterscheiden sich diese Methoden sehr von den älteren Verfahren (statt Symbolen werden Wahrscheinlichkeitsverteilungen manipuliert).

Eine andere Form des logischen Schließens stellt die Induktion dar (Induktionsschluss, Induktionslogik), in der Beispiele zu Regeln verallgemeinert werden (maschinelles Lernen). Auch hier spielt Art und Mächtigkeit der Wissensrepräsentation eine wichtige Rolle. Man unterscheidet zwischen symbolischen Systemen, in denen das Wissen – sowohl die Beispiele als auch die induzierten Regeln – explizit repräsentiert ist, und subsymbolischen Systemen wie neuronalen Netzen, denen zwar ein berechenbares Verhalten „antrainiert“ wird, die jedoch keinen Einblick in die erlernten Lösungswege erlauben.

Approximationsmethoden

In vielen Anwendungen geht es darum, aus einer Menge von Daten eine allgemeine Regel abzuleiten (maschinelles Lernen). Mathematisch führt dies zu einem Approximationsproblem. Im Kontext der KI wurden hierzu künstliche neuronale Netze vorgeschlagen. In praktischen Anwendungen verwendet man häufig alternative Verfahren, die mathematisch einfacher zu analysieren sind.

Anwendungen

In der Vergangenheit sind Erkenntnisse der künstlichen Intelligenz mit der Zeit oft in die anderen Gebiete der Informatik übergegangen: Sobald ein Problem gut genug verstanden wurde, hat sich die KI neuen Aufgabenstellungen zugewandt. Zum Beispiel wurden der Compilerbau oder Computeralgebra ursprünglich der künstlichen Intelligenz zugerechnet.

Zahlreiche Anwendungen wurden auf der Grundlage von Techniken entwickelt, die einst Forschungsgebiete der KI waren oder es noch sind. Einige Beispiele:

• Suchmaschinen erleichtern den Umgang mit der im Internet vorhandenen Informationsflut.
• Bei der Exploration von Ölquellen, der Steuerung von Marsrobotern oder der medizinischen Diagnose werden Expertensysteme eingesetzt.
• Maschinelle Übersetzung ist weit verbreitet. Ihre Ergebnisse sind noch nicht vergleichbar mit denen menschlicher Übersetzer, sparen jedoch viel Zeit und Geld.
• Maschinelle Textzusammenfassung bietet einige vielversprechende Erfolgsaussichten.
• Analyse und Prognose von Aktienkursentwicklungen wird gelegentlich durch künstliche neuronale Netze unterstützt.
• Optische Zeichenerkennung liest gedruckte Texte zuverlässig.
• Handschrifterkennung wird millionenfach in PDAs verwendet.
• Spracherkennung ermöglicht das Diktieren eines Textes.
• Computeralgebrasysteme, wie Mathematica oder Maple, unterstützen Mathematiker, Wissenschaftler und Ingenieure bei ihrer Arbeit.
• Computer-Vision-Systeme überwachen öffentliche Plätze, Produktionsprozesse oder sichern den Straßenverkehr.
• In Computerspielen dienen die Algorithmen, die in der KI entwickelt wurden dazu, computergesteuerte Mitspieler intelligent handeln zu lassen. Beispiele solcher Anwendungen sind Deep Blue, ein Schachcomputer, der 1997 den Weltmeister Garri Kasparow besiegte, und das Programm Chinook, das seit 1994 Dame-Weltmeister ist.
• Bei Gruppensimulationen für Sicherheitsplanung oder Computeranimation wird ein möglichst realistisches Verhalten von (Menschen-)Massen berechnet.
• Ein wissensbasiertes System bzw. spezieller ein Expertensystem stellt Lösungen bei komplexen Fragestellungen zur Verfügung.

Turing-Test

Um ein Maß zu haben, wann eine Maschine eine dem Menschen gleichwertige Intelligenz simuliert, wurde von Alan Turing der nach ihm benannte Turing-Test vorgeschlagen. Dabei stellt ein Mensch per Terminal beliebige Fragen an einen anderen Menschen bzw. einer KI beliebige Fragen, ohne dabei zu wissen, wer jeweils antwortet. Der Fragesteller muss danach entscheiden, ob es sich beim Interviewpartner um eine Maschine oder einen Menschen handelte. Ist die Maschine nicht von dem Menschen zu unterscheiden, so ist laut Turing die Maschine intelligent.^[1] Bisher hat keine Maschine diesen Turing-Test bestanden. Seit 1991 existiert der Loebner-Preis für den Turing-Test.

Angrenzende Wissenschaften

Sprachwissenschaft

Will sich ein KI-Forscher mit Sprache beschäftigen, so wird er im Umfeld der Sprachwissenschaften mit Sicherheit wertvolle Hinweise finden.

Psychologie

Die Psychologie beschäftigt sich u.a. mit dem Intelligenzbegriff.

Philosophie

Die philosophischen Aspekte der KI-Problematik gehören zu den weitreichendsten der gesamten Informatik.

Die Antworten, die auf die zentralen Fragen dieses Bereichs gegeben werden, reichen weit in ontologische und erkenntnistheoretische Themen hinein, die das Denken des Menschen schon in den Anfängen der Philosophie beschäftigten. Wer solche Antworten gibt, muss die Konsequenzen daraus auch für den Menschen und sich selbst ziehen. Nicht selten möchte man umgekehrt vorgehen und die Antworten, die man vor der Entwicklung künstlicher Intelligenz gefunden hat, auf diese übertragen. Doch wie sich zeigte, hat die künstliche Intelligenz zahlreiche Forscher dazu veranlasst, Probleme wie das Verhältnis von Materie und Geist, die Ursprünge des Bewusstseins, die Grenzen der Erkenntnis, das Problem der Emergenz, die Möglichkeit außermenschlicher Intelligenz usw. in neuem Licht zu betrachten und zum Teil neu zu bewerten.

Eine dem metaphysischen bzw. auch idealistischen Denken verpflichtete Sichtweise hält es (im Sinn einer schwachen KI) für unmöglich, dass Maschinen jemals mehr als nur simuliertes Bewusstsein mit wirklicher Erkenntnis und Freiheit besitzen könnten. Aus ontologischer Sicht kritisiert der amerikanische Philosoph Hubert Dreyfus die Auffassung der starken KI. Aufbauend auf der von Martin Heidegger in dessen Werk Sein und Zeit entwickelten Ontologie der „Weltlichkeit der Welt“ versucht Dreyfus zu zeigen, dass hinter das Phänomen der Welt als sinnhafte Bedeutungsganzheit nicht zurückgegangen werden kann: Sinn, d. h. Beziehungen der Dinge in der Welt aufeinander, ist ein Emergenzphänomen, denn es gibt nicht „etwas Sinn“ und dann „mehr Sinn“. Damit erweist sich jedoch auch die Aufgabe, die sinnhaften Beziehungen zwischen den Dingen der Welt in einen Computer einzuprogrammieren als – nicht nur unendliche – sondern unmögliche. Dies deshalb, weil Sinn nicht durch Addition von zunächst sinnlosen Elementen hergestellt werden kann.^[2]

Eine evolutionär-progressive Denkrichtung sieht es hingegen (im Sinn einer starken KI) als möglich an, dass Systeme der künstlichen Intelligenz einmal den Menschen in dem übertreffen könnten, was derzeit noch als spezifisch menschlich gilt. Dies birgt zum einen die Gefahr, dass solche KI-Maschinen missbraucht werden z.B. für militärische Zwecke. Andererseits birgt diese Technologie die Chance, Probleme zu lösen, deren Lösung dem Menschen wegen seines limitierten Verstands nicht möglich ist (siehe auch Technologische Singularität).

Weitere Anknüpfungspunkte lassen sich in der analytischen Philosophie finden, bespielhaft sei hier Wittgensteins Tractatus Logico-Philosophicus erwähnt.

Informatik

Selbstverständlich ist die KI mit den anderen Disziplinen der Informatik eng verzahnt. Ein Versuch der Abgrenzung könnte auf Grundlage der Bewertung der erzielten Ergebnisse hinsichtlich ihres Grades an Intelligenz erfolgen. Hierzu scheint es sinnvoll, verschiedene Dimensionen von Intelligenz zu unterscheiden. Im Folgenden sollen diese Dimensionen aufgeführt werden, die ersten drei scheinen als notwendige Bedingungen angesehen werden zu können.

1. Die Fähigkeit zur Verarbeitung beliebiger Symbole (nicht nur Zahlen).
2. Der Aufbau eines inneren Modells der äußeren Welt.
3. Die Fähigkeit zu einer zweckentsprechenden Anwendung des Wissens.
4. Die Fähigkeit, die im gespeicherten Wissen enthaltenen Zusammenhänge aufzudecken, d.h. logisch schlussfolgern zu können.
5. Die Fähigkeit zur Verallgemeinerung (Abstraktion) und zur Spezialisierung (d.h. zu Anwendung allgemeiner Zusammenhänge auf konkrete Sachverhalte).
6. Das Vermögen, erworbenes Wissen und vorhandene Erfahrung auf neue, bisher unbekannte Situationen zu übertragen.
7. Die Fähigkeit, sich planvoll zu verhalten und entsprechende Strategien zum Erreichen der Ziele bilden zu können.
8. Anpassungsfähigkeit an verschiedene, u.U. sich zeitlich ändernde Situationen und Problemumgebungen.
9. Lernfähigkeit, verbunden mit dem Vermögen, partiellen Fortschritt oder Rückschritt einschätzen zu können.
10. Die Fähigkeit, auch in unscharf bzw. unvollständig beschriebenen oder erkannten Situation handeln zu können.
11. Die Fähigkeit zur Mustererkennung (Besitz von Sensoren) und zur aktiven Auseinandersetzung mit der Umwelt (Besitz von Effektoren).
12. Die Fähigkeit, über ein Kommunikationsmittel von der Komplexität und Ausdrucksfähigkeit der menschlichen Sprache zu verfügen.

Je mehr dieser Merkmale eine Anwendung erfüllt, desto intelligenter ist sie. Eine Anwendung, die auf dieser Skala als intelligent eingestuft werden kann, wird eher der KI als einer anderen Disziplin der Informatik zugeordnet werden können.

Siehe auch

• Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)
• European Conference on Artificial Intelligence
• Kybernetik
• Artificial Intelligence System
• Cyc

Literatur

• Görz, Rollinger, Schneeberger (Hrsg.): Handbuch der Künstlichen Intelligenz, 4. Auflage 2003, Oldenbourg, ISBN 3-486-27212-8
• Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach, 2. Auflage, 2002, Prentice Hall. (Das aktuelle englischsprachige Standardwerk zum Thema.)
• Stuart Russell, Peter Norvig: Künstliche Intelligenz: Ein moderner Ansatz, August 2004, Pearson Studium, ISBN 3-8273-7089-2 (deutsche Übersetzung der 2. Auflage)
• Uwe Lämmel; Jürgen Cleve: Künstliche Intelligenz, 3. Auflage 2008, Carl Hanser Verlag München, ISBN 978-3-446-41398-6
• Karl Steinbuch: Automat und Mensch. Berlin 1971
• Dietrich Dörner: Bauplan für eine Seele. Rowohlt, Reinbek 2001, ISBN 3-499-61193-7
• Roger Penrose: Computerdenken – Des Kaisers neue Kleider oder die Debatte um künstliche Intelligenz, Bewusstsein und die Gesetze der Natur, Übersetzung der englischen Originalausgabe The Emperor's New Mind, mit einem Vorwort von Martin Gardner und einem Vorwort zur deutschen Ausgabe von Dieter Wandschneider, Heidelberg 1991
• Raymond Kurzweil: The Age of Spiritual Machines. B&T (Januar 2000) ISBN 978-0-14-028202-3
• Roger Penrose: Schatten des Geistes. Wege zu einer neuen Physik des Bewußtseins Übersetzung aus dem Englischen Shadows of the Mind Heidelberg 1995
• Howard Gardner: Dem Denken auf der Spur (KI als Teil der interdisziplinären Kognitionswissenschaft) Stuttgart 1989 ISBN 3-608-93099-X
• Jörg Auf dem Hövel: Abenteuer Künstliche Intelligenz. Auf der Suche nach dem Geist in der Maschine Hamburg 2002 ISBN 3-9807330-4-1
• Marvin Minsky: Mentopolis Stuttgart 1990 ISBN 3-608-93117-1
• Douglas R. Hofstadter: Gödel, Escher, Bach, ein Endloses Geflochtenes Band dtv ISBN 3-423-30017-5
• Rolf Pfeifer, Christian Scheier, Alex Riegler: Understanding Intelligence Bradford Books, 2001, ISBN 0-262-66125-X
• Michael Kary, Martin Mahner: How Would You Know if You Synthesized a Thinking Thing? Minds and Machines 12, 2002, 61–86.
• Rodney A. Brooks: Menschmaschinen. Wie uns die Zukunftstechnologien neu erschaffen Fischer (Tb.), Frankfurt; (April 2005) ISBN 978-3-596-15877-5
• Klaus Mainzer: Künstliche Intelligenz. Grundlagen intelligenter Systeme Darmstadt 2003
• Joseph Weizenbaum: Die Macht der Computer und die Ohnmacht der Vernunft Suhrkamp, 12. Auflage, 1978, ISBN 3-518-27874-6
• Umberto Eco: Die Bibliothek, Übers. von Burkhart Koeber, München, Wien 1987, ISBN 3-446-14926-0
• Georg Ruppelt (Hg): Der große summende Gott – Geschichten von Denkmaschinen, Computern und künstlicher Intelligenz Hg. für die Niedersächsische Landesbibliothek. Zugl.: Uwe Drewen, Dokumentation einer Ausstellung. Niemeyer, Hameln 2003 ISBN 3-8271-8807-5 (sehr ausführliche Bibliographie)
• Hubert L. Dreyfus: Was Computer nicht können. Die Grenzen künstlicher Intelligenz. 1989, ISBN 3-610-04723-2
• Hans Moravec: Computer übernehmen die Macht. Vom Siegeszug der künstlichen Intelligenz. Hoffmann und Campe (1999) ISBN 978-3-455-08575-4
• Bernd Vowinkel: Maschinen mit Bewusstsein – Wohin führt die künstliche Intelligenz?. Wiley-VCH (Mai 2006) ISBN 978-3-527-40630-2

Weblinks

Deutsch

• Daniela Hallegger: Maschinen lernen Denken (Technische Universität Wien, 28. April 2008 – über das junge Forschungsgebiet „Machine Perception“; Bericht: [1])
• KI-Zeitschrift mit teilweise kostenlosen Artikeln im PDF-Format
• Wer hat Geist und wer nicht? (deutsche Kurzfassung einer Science-Studie)
• Der Mensch und die Künstliche Intelligenz Dissertation (PDF), zusätzlich als Hörbuch-Version (mp3 sowie flash)
• Embodiment: Nur durch den lebendigen Körper läßt sich der Geist verstehen – mit Folgen für die KI-Forschung. Sendung des Deutschlandfunk, auch als Hörbeitrag rechts auf der Seite abrufbar.

Englisch

• Artificial Intelligence Wiki
• European Coordinating Committee for Artificial Intelligence (ECCAI)
• Journal of Artificial Intelligence Research (JAIR)
• Larry Hauser: „Artificial Intelligence“ in der Internet Encyclopedia of Philosophy (englisch, inklusive Literaturangaben)
• Richmond Thomason: „Logic and Artifical Intelligence“ in der Stanford Encyclopedia of Philosophy (englisch, inklusive Literaturangaben)
• Architecture of Biological and Artifical Intelligence - Dr. Rainer K. Liedtke
• openmind.org

Einzelnachweise

1. ↑ Alan Turing: Computing Machinery and Intelligence. Aus: Mind No. 236. Oktober 1950.
2. ↑ Vgl. Hubert Dreyfus: In-der-Welt-sein und Weltlichkeit: Heideggers Kritik des Cartesianismus. in: Thomas Rentsch: Sein und Zeit. Akademie Verlag, Berlin 2001, S. 69ff