Eine aktuelle Studie unter der Leitung von Michael Timothy Bennett von der Australian National University zeigt, dass biologische Systeme effizienter sind als aktuelle Modelle der künstlichen Intelligenz (KI). Veröffentlicht im Journal of The Royal Society Interface, hinterfragt die Forschung, ob biologische Systeme intrinsische Intelligenz besitzen, die der zeitgenössischen KI überlegen ist.
Die Studie definiert Intelligenz als die Fähigkeit, sich effizient anzupassen und dabei minimale Ressourcen zu nutzen, um Ursachen und Wirkungen in komplexen Umgebungen zu identifizieren. Biologische Systeme zeichnen sich durch ihre Fähigkeit aus, sich mit deutlich weniger Daten und Energie anzupassen als KI.
Bennett hebt hervor, dass ein Organoid – eine kleine Sammlung von im Labor kultivierten Zellen – Systeme des verstärkenden Lernens im klassischen Videospiel Pong übertrifft. Trotz der menschlich auferlegten Bedingungen ist die Anpassungsfähigkeit des Organoids ein Beispiel für biologische Effizienz.
Im Gegensatz dazu benötigen aktuelle Algorithmen des maschinellen Lernens enorme Mengen an Daten und Energie, um Aufgaben zu erledigen, die Menschen und andere Organismen mit minimaler Erfahrung leicht bewältigen können. Diese Diskrepanz wirft Fragen zur zugrunde liegenden Architektur beider Systeme auf.
Ein Schlüsselfeature biologischer Systeme ist ihre multiskalare Wettbewerbsarchitektur (MCA), in der Anpassung auf allen Ebenen stattfindet, von Zellen bis hin zu Ökosystemen. Jede Zelle fungiert als autonomer Agent mit einer eigenen 'Politik' zur Interaktion, die es ihr ermöglicht, Organe zu bilden, die zur funktionalen Identität eines Organismus beitragen.
Diese Dezentralisierung ermöglicht es biologischen Systemen, sich effizienter anzupassen als konventionelle rechnergestützte Systeme, die häufig auf zentralisierte Entscheidungsfindung angewiesen sind. Bennett veranschaulicht dies mit einer Analogie zu Drohnen: Wenn eine führende Drohne in einem hierarchischen Schwarm beschädigt wird, bricht die Struktur zusammen. In einem dezentralisierten Schwarm kann jedoch jede Drohne sich anpassen und die Kohärenz der Gruppe aufrechterhalten.
Die Studie weist auch auf die Einschränkungen aktueller KI-Systeme hin, die von statischen Abstraktionsschichten abhängen, die ihre Anpassungsfähigkeit einschränken. Einmal entworfen, bleibt eine Architektur fixiert, was ihre Fähigkeit einschränkt, auf neue Umstände zu reagieren.
Biologische Systeme können ihr 'Fenster' der Interaktion mit der Umwelt anpassen und die Regeln auf niedrigeren Abstraktionsebenen neu definieren, um die Anpassung auf höheren Ebenen zu erleichtern. Dieser dynamische Optimierungsmechanismus ist einer der Gründe für ihre überlegene Effizienz.
Obwohl biologische Systeme nicht perfekt sind, wie das Beispiel Krebs zeigt, bei dem Zellen ihre Verbindung zur kollektiven Identität des Organismus verlieren und individuelle Ziele verfolgen, weist die Studie darauf hin, dass übermäßige Einschränkungen zu Fragmentierung und systemischen Fehlfunktionen führen können, die dem biologischen Krebs ähnlich sind.
Die Prinzipien der Delegation und Anpassungsfähigkeit, die in dieser Forschung hervorgehoben werden, könnten bei der Gestaltung von cyber-physischen Systemen Anwendung finden, wie etwa spezialisierter Hardware für effizienteres Lernen. Bennett warnt, dass streng regulierte KI-Systeme ähnliche Fehler erleiden könnten, wenn Einschränkungen die Anpassung behindern.
Die Studie verweist auf das Programm 'Safeguarded AI' der britischen Agentur, das darauf abzielt, sichere und adaptive allgemeine KI-Systeme zu entwickeln. Bennett warnt, dass zu viele Einschränkungen zu den gleichen Fehlern führen könnten, die die Regulierung zu vermeiden sucht.
Zusammenfassend lässt sich sagen, dass die Intelligenz biologischer Systeme eng mit ihrer Fähigkeit zur Delegation und Anpassung auf verschiedenen Abstraktionsebenen verbunden ist. Dieses Organisationsmodell bietet wertvolle Einblicke in die Entwicklung robusterer und effizienterer künstlicher Systeme und legt die Grundlage für zukünftige Forschungen, die unser Verständnis und die Entwicklung intelligenter Systeme revolutionieren könnten.