Venture capital firms are throwing money at anyone who can say “deep learning” with a straight face.

Häufig heißt es, ein Computer wisse nur das, was man ihm sagt. Das mag auf die psychologische KI zutreffen, aber nicht auf Netze. Ein tiefes neuronales Netzwerk kann lernen, Dinge zu »wissen«, die wir nur schwer verstehen können.

Dennoch verdeutlicht der Umstand, dass die meisten Formen überwachten und unüberwachten Lernens schon lange bekannt sind, dass letztlich keine andere Qualität von »Intelligenz« in tiefen neuronalen Netzwerken am Werk ist als in der normalen Statistik.

Tiefe neuronale Netze sind nichts Neues. Künstliche Netze kennen wir seit den 1950er und 60er Jahren. Daher haben einige Statistiker beklagt, Ingenieure mit geringen Statistikkenntnissen hätten bereits existierende Statistikwerkzeuge neu erfunden und in einen imposanten irreführenden Jargon verpackt.

Je komplexer die Aufgabe, umso tiefer müssen die Netze sein, kurz: Je mehr Schichten, desto besser. Dafür hat sich der Begriff Deep Learning etabliert. Die zusätzlichen Schichten gewinnbringend einzusetzen ist eine der großen Herausforderungen in der KI-Forschung. Obwohl man noch keine exakte Vorstellung davon hat, was genau innerhalb der riesigen Netze abläuft, müssen die Wissenschaftler ein Gefühl für potenzielle Verbesserungen entwickeln und eine passende Netzarchitektur austüfteln.

Deep Learning und andere Verfahren des maschinellen Lernens sind Realität: In Gestalt nützlicher kleiner Helfer organisieren sie den Alltag, in Firmen steigern sie die Effizienz. Beeindruckende Erfolge in Spezialdisziplinen lassen die Technik als Lösung für alle möglichen Probleme erscheinen, die der Mensch nicht vollständig durchblickt. Doch davon ist man noch weit entfernt. KI-Experten und Neurowissenschaftler sind sich weitgehend einig, dass man für solch komplexe Systeme, die auch selbstständig Theorien entwickeln und hinterfragen müssten, eine ganz andere Architektur bräuchte.