Von Josef Joller

Die «neue» künstliche Intelligenz
Ein nach wie vor aktuelles Thema in der Informatikforschung ist die «neue» künstliche Intelligenz (KI) oder «Embodied Artificial Intelligence» (AI).
Ziel der KI ist die Konstruktion und das Verständnis menschlicher Intelligenz. Neu ist seit Mitte der 60er-Jahre, dass dies anhand von Konstruktionen an autonomen Robotersystemen geschieht, die in dynamischen Wechselwirkungen mit ihrer Umwelt intelligentes Verhalten zeigen. Dies setzt voraus, dass die Kreaturen eine minimale Autonomie besitzen, so genannte Agenten sind. Diese Art KI unterscheidet sich deutlich von jener der 70er-Jahre, wo man sich überwiegend mit Teilgebieten und deren Algorithmen befasste. Dies führte zu Systemen, die mit einer stark vereinfachten Umweltkomplexität und einem sehr stark eingeschränkten Intelligenzbegriff auskommen mussten und konnten. In der «neuen» KI versucht man diese Vereinfachungen zu vermeiden: Ein «embodied» KI-System muss sich in der realen Welt bewähren.

Der Intelligenzbegriff blieb auch nicht unberührt von Kritik. Der berühmte Turing-Test des genialen Mathematikers Alain Turing sagt: «Ein Rechner sollte dann als intelligent bezeichnet werden, wenn wir als Mensch bei einem beliebigen Frage-und-Antwort-Spiel, das über eine elektronische Verbindung durchgeführt wird, nicht unterscheiden können, ob am anderen Ende der Leitung dieser Rechner oder ein anderer Mensch sitzt.»
Dieser Ansatz ist gedanklich interessant, er hat aber unser Verständnis über die «maschinelle Intelligenz» in eine bestimmte Richtung gelenkt, aus der wir heute herauskommen wollen. Der Turing-Test beruht auf der Vorstellung, dass Intelligenz gemessen werden kann, indem wir Dialoge analysieren. Intelligenz im Robotik-Sinn lässt sich eher wie folgt definieren: «Die Intelligenz eines Rechners wird daran gemessen, wie lange er unter wechselnden und teilweise unvorhersehbaren und widrigen Umständen ‹überlebt›.» Lange Zeit war bei der Entwicklung der maschinellen Intelligenz das Hauptziel, einen maschinellen Theoretiker zu schaffen, also eine Maschine, die ein theoretisches Modell ihrer Umwelt aufbaut. Diese sucht zur Lösung eines konkreten Problems Strategien, die sie logisch herleiten kann und die zudem optimal sind. Dieser Ansatz stösst jedoch auf einige Schwierigkeiten.
Der Neuansatz, die «neue Robotik» ist von Rodney Brooks vom MIT 1986 eingeleitet und von Valentino Braitenberg (Universität Tübingen und MPI für biologische Kybernetik) vorgedacht worden. Als Alternative zu den Grossrechnern baute Rodney Brooks käferartige Kleinstroboter, die geschickt durch die Gegend sausten und Hindernissen auswichen. Das Umdenken vom Logiker zum Käferkonstrukteur in der Robotik hatte seinen Anfang gefunden. Die grundlegend neue Architektur, auch als Subsumptionsarchitektur bezeichnet, hatte zum Ziel, Reflexe möglichst direkt durch geeignete Verbindungen von den Sinnesorganen, den Sensoren, zu den Motoren, den Aktoren des Roboters, zu führen. Bei
Konflikten, also widersprechenden Befehlen an die Aktoren, wurde so optimiert, dass das
Überleben des Roboters gesichert war.

Vorbild Natur
Nachdem man sich in den letzten fünfzig Jahren mit den auf dem Turing-Test beruhenden Rechnerarchitekturen beschäftigt hatte, aber dabei kaum Erfolge nachweisen konnte, muss man sich die Frage stellen, ob die Biologie Hinweise auf neuartige Architekturen liefern könnte.
Die traditionelle Struktur unserer Rechner ist gekennzeichnet durch folgende Merkmale:
– Speicher und Rechnen sind getrennt.
– Der Rechner kann nur ausführen, was im Programm «vorhergedacht» wurde.
– Die Arbeitsweise ist hierarchisch geordnet und sequenziell.
– Der Rhythmus wird durch einen zentralen Taktgeber vorgegeben.
– Die Kommunikation intern und extern erfolgt mittels Bits.
– Die Prozessoren bestehen aus Gattern, die eine geringe Zahl binärer Inputs verarbeiten.

Im Gegensatz dazu besitzt die Informationsverarbeitung in biologischen Nervensystemen wesentlich andere charakteristische Strukturmerkmale:
– Speicher und Rechner sind in den informationsverarbeitenden Lebewesen kombiniert.
– Die Grundbausteine sind Neuronen und Synapsen.
– Das Nervensystem kann aus Erfahrung lernen.
– Das System ist überwiegend «demokratisch » strukturiert, das heisst, es gibt keine zentrale Befehlsausgabe, und die Neuronen und Synapsen arbeiten weit gehend autonom.
– Es gibt keinen zentralen Taktgeber,die zeitliche Abfolge der internen «Rechenschritte » hängt vom konkreten Input ab.
– Die interne Kommunikation und die Outputs erfolgen mit Hilfe von «Spike Trains», also zeitlichen Mustern von Pulsen.
– Die Neuronen erhalten durch direkte Verbindungen Signale von 5000 bis 10 000 anderen Neuronen.

Neuronale Netze
Ein Zwitter zwischen diesen beiden Rechnerstrukturen sind die künstlichen neuronalen Netze, auf denen die meisten aktuellen intelligenten Systeme beruhen. Diese folgen in ihrer Architektur eher den Prinzipien der biologischen Systeme. Sie können aber in jedem üblichen digitalen Rechner simuliert (beispielsweise auf einem LEGO-Roboter, wenn auch nur bedingt, wegen eingeschränkter Ressourcen) oder direkt in neuartiger Hardware implementiert werden.Dr. Carver Mead, Professor am California Institute of Technology und massgeblicher Pionier bei der Entwicklung der integrierten Schaltkreise, hat für diese Entwicklungsrichtung den Namen «Neuromorphic Engineering» geprägt. Die Merkmale von neuronalen Netzwerken sind:
– Sie bestehen aus künstlichen Neuronen, die mittels geeigneter Computer-Programme oder sogar mittels dafür entwickelter neuer elektronischer Hardware in einem Computer simuliert werden.
– Memory und Rechnen sind kombiniert in jedem künstlichen Neuron.
– Das Netzwerk kann aus Erfahrung lernen (mittels eines «Lernalgorithmus»).
– Es ist überwiegend «demokratisch» strukturiert und hat eine parallele Arbeitsweise.
– Der Rhythmus wird durch einen (immer noch) zentralen Taktgeber vorgegeben.
– Die Kommunikation erfolgt mittels Bits (oder Zahlen).

Swarm Intelligence
Die biologischen Systeme bilden die grösste Quelle für Inspirationen (man spricht auch von «Biological inspired Informatics», im klaren Gegensatz zur Anwendung der Informatik in der Biologie, der Bioinformatik). Sie liefert uns den Existenzbeweis für handelnde, autonome Systeme, die sich in komplexen Umwelten ausgezeichnet zurechtfinden:
Eine Ameise kann nur wenig bewegen; ein Schwarm Ameisen baut ein gewaltiges Gebilde hoher Komplexität. Wie ist dies möglich? Wie kann ein biologisches System sehr unterschiedliche
Reizempfindungen scheinbar universell verarbeiten? Swarm Intelligence ist der Versuch, Algorithmen zu entwerfen oder verteilte problemlösende Geräte zu konstruieren, die sich an dem kollektiven Verhalten sozialer Insektenkolonien oder anderer Tiergesellschaften orientieren.
Die biologische Inspiration und Motivation stammt vom Sozialverhalten der Lebewesen (u. a. von Ameisen, Vogelschwärmen, Fischschulen, Wolfsrudeln, Menschenmassen im Stadtverkehr). Solche Kolonien realisieren flexible, zuverlässige, intelligente Systeme einer hohen Komplexität. Dieses Verhalten steht im klaren Gegensatz zu den Möglichkeiten der Individuen: unzuverlässiges, einfaches Verhalten. Die Koordinaten des Schwarmverhaltens geschieht auf sehr einfache Art und Weise und basiert in der Regel auf unzuverlässigen, aber redundanten Komponenten und Übertragungsmechanismen.
Solche Schwärme sind natürliche Modelle für die verteilte Problemlösung. Kollektive Systeme sind in der Lage, schwierige Aufgaben in einer dynamischen und variablen Umgebung ohne externe Führung oder Kontrolle und ohne zentrale Koordination auszuführen.
Die einzelnen Komponenten des Systems, die einzelnen Lebewesen im biologischen Schwarm, sind einfach aufgebaut, realisieren aber eine kollektive Komplexität:
– Die Verhaltensmuster eines Insekts sind sehr limitiert.
– Ihre kognitiven Fähigkeiten sind so beschränkt, dass ein Individuum unmöglich die Information über den Gesamtzustand erwerben könnte.
– Die Kolonie garantiert die passende Aufteilung der Arbeit, sie ist stabil und selbstregulierend.
Zudem organisiert sie die Individuen so, dass der Schwarm, das Kollektiv, sich einer verändernden Umwelt leicht anpassen kann.
– Die Schwärme zeigen ein hohes Mass an Selbstorganisation.
Vieles auf dem Gebiet der Schwarm-Intelligenz ist noch nicht beantwortet: Wie schaffen Insekten die Adaption an veränderliche Umgebungen?
Wie kann ein kollektives Verhalten resultieren?
Die Antworten auf diese Fragen würden beim Lösen vieler Probleme, beispielsweise im Netzwerkbetrieb oder bei stark dezentralisierten Systemen, äusserst hilfreich sein.
Am MIT wurde im Jahr 1985 das «Insect Lab» von Rod Brooks im Rahmen der AI Labs gestartet. An der Universität Zürich untersucht ein Team unter der Leitung von Professor Dr. Rolf Pfeiffer Wüstenameisen und versucht deren Verhalten zu verstehen und in Modellen zu beschreiben.

Evolutionary Robotics
Interessant ist die Frage, wie sich intelligente Systeme und Ontologien im Lauf der Zeit entwickeln.Wenn man einen Schritt weitergeht, stellt sich die Frage, ob man auch aus der biologischen Evolution lernen und genetische Algorithmen finden und nutzen kann.
Im Bereich der Evolution besteht die Analogie zwischen den künstlichen und den realen biologischen Systemen auf verschiedenen Ebenen:
– Mensch im ökonomischen Umfeld, Geld/ monetäre Werte, Wert, Nützlichkeit
– Tier, Gene, Fitness, Kosten
– Roboter, Designkonzept, Designbewertung, Roboternutzen
Um 1990 wurde in der Robotik immer deutlicher, dass der Schlüssel zu intelligenten Robotern darin besteht, dass sie sich selbst entwickeln sollten. Sie müssen sich selbst organisieren und sich ihrem Umfeld anpassen, genau wie alle Lebensformen. Diese neue Forschungsrichtung wurde unter dem Namen «Evolutionary Robotics» bekannt. Teilnehmer an dieser Reise sind Ingenieure, Biologen und Psychologen, wobei jeder eingeladen ist, einen auch noch so kleinen Beitrag zu leisten.
Natürlich werden einige der programmierten Roboter sich nicht so verhalten, wie man sich das gedacht hat. Gründe dafür gibt es viele. Beispielsweise könnten Situationen eintreten, an die man bei der Software-Entwicklung einfach nicht gedacht hat. Im schlimmsten Fall schlägt der Roboter das ganze Gebäude zusammen oder zerstört seine direkte Umgebung.
Der evolutionäre Ansatz in der Robotik entstand an der ETH Lausanne (Floreano und Mondada) und der Universität Sussex (Harvey, Husbands, Cliff). Beide Teams waren in der Lage, sich selbst weiterentwickelnde Systeme zu bauen. Eines der Kernkonzepte ist dabei die Fitness-Funktion, mit der gemessen werden kann, ob sich ein Lösungsansatz positiv oder negativ auf die Entwicklung des Roboters auswirkt.
Bei einem Experiment an der EPFL wurde einem Roboter-Schwarm der Auftrag erteilt, sich einfach zu bewegen und möglichst kurz vor dem Ausfall der Batterie eine Ladestation aufzusuchen. Die Fitnessfunktion verbot aber den Robotern, bei der Ladestation zu bleiben und so zu überleben. Das Ergebnis war überraschend. Der beste Roboter war in der Lage, jeweils zwei Sekunden, bevor die Batterie leer war, noch zur Ladestation zu rasen. Sein neuronales Netzwerk orientierte sich aber nicht am Ladezustand der Batterie. Im Lauf der Evolution merkte sich der Roboter die Position und Umgebung und baute sich damit eine kognitive Karte auf.
Evolutionary Robotics liefert auch Hinweise auf die Evolution des Lernens als eine Fähigkeit, sich neuen Gegebenheiten anzupassen. Für Roboter ist diese Fähigkeit «überlebenswichtig », da sie oft in sich schnell verändernden Umgebungen agieren. Dazu sind komplexere Mechanismen der Chromosomenbildung nötig, die in der Biologie dem Modifizieren von Synapsen-Verbindungen
entsprechen. Diese Technik ist noch kaum erforscht, liefert aber viel versprechende Ergebnisse:
– Die Anzahl Generationen für die Schaffung von sinnvollem Verhalten wird reduziert.
– Das Verhalten ist höher entwickelt, das heisst, dass solche Roboter sich in unterschiedlichen Umgebungen besser und schneller zurechtfinden.
Sind solche Systeme schwierig zu realisieren oder zu programmieren? Die Antwort ist ein klares Ja, sofern man ausgefeilte Lösungen sucht. An einfachen Systemen lassen sich aber die Prinzipien genauso zeigen und erlernen.