Künstliche Intelligenz: Wie sich Deep Learning vom Gehirn unterscheidet
Hier wird das Techie-Herz erwärmt: Diese Serie ist für alle von euch, die sich jeden Tag eine kleine Auszeit von der Weltlage wünschen. Es gibt täglich eine Geschichte für euch – neu oder aus unserem Archiv, aber auf jeden Fall geeignet für ein wenig fröhlichen Eskapismus. Viel Spaß!
Tiefe neuronale Netze haben das letzte Jahrzehnt der Forschung an künstlicher Intelligenz (KI) geprägt – und schon ihr Name deutet darauf hin, dass sie von den Nervenzellen des Gehirns, den Neuronen, inspiriert wurden.
Die Analogie mit dem biologischen Vorbild wird in Medienberichten und natürlich im Werbematerial der Software-Anbieter immer wieder betont. Aber wie hängen künstliche und natürliche Intelligenz denn wirklich zusammen?
Nachdem ich im letzten Artikel nachgezeichnet habe, wie die Neurowissenschaften schon in den 1940er und 50er Jahren entscheidende Impulse an die Informatik gaben, soll der vorliegende Text zeigen, worin sich moderne Algorithmen und das Gehirn ähneln und welches die wichtigsten Unterschiede sind.
All dies bezieht sich rein auf die Fähigkeiten des Gehirns als biologische Rechenmaschine, die komplexe Probleme wie Objekterkennung oder Bewegungssteuerung lösen kann. Phänomene wie Bewusstsein, emotionales Empfinden und sonstige psychologische oder philosophische Aspekte werden hier ausgeklammert, da unsere heutige KI in keinem dieser Bereiche relevante Leistungen erbringt.
Viele Algorithmen – aber nur ein Gehirn
Der angestrebte Vergleich wird dadurch erschwert, dass unter dem Begriff künstliche Intelligenz eine kaum überschaubare Vielfalt unterschiedlicher Algorithmen zusammengefasst wird. Ob Convolutional Neural Network (öffnet im neuen Fenster) , Long Short-Term Memory (öffnet im neuen Fenster), Sparse Coding (öffnet im neuen Fenster) oder eines der unzähligen anderen Verfahren: Die Informatik hält einen ganzen Zoo(öffnet im neuen Fenster) von Algorithmen bereit, die sich in ihren Zielsetzungen, den Annahmen an die Eingangsdaten, ihrer Lernstrategie und vielen anderen Punkten unterscheiden.
Aufseiten der Biologie ist die Sache ausnahmsweise einfacher: Was diesen Artikel angeht, gibt es nur das eine Gehirn. Es mag überraschen oder irritieren, aber zumindest bei den Säugetieren sind sich die Organe so ähnlich, dass es für den Vergleich mit der Informatik keine Rolle spielt, ob wir vom Menschen-, Affen- oder Mäusehirn sprechen.
Wenn nicht explizit anders angegeben, so sind in diesem Artikel mit KI die tiefen neuronalen Netze gemeint, wie sie in den vergangenen Jahren insbesondere im Bereich der Bilderkennung erfolgreich waren und dadurch praktisch zum Mainstream wurden. Sie bieten sich für den Vergleich mit dem Gehirn besonders an, weil sie die direkten Nachfahren des Perzeptrons (PDF) (öffnet im neuen Fenster) aus den 1950er Jahren sind, welches direkt von der Hirnforschung inspiriert wurde. Außerdem gehört auch im Gehirn das visuelle System zu den am besten erforschten Funktionen.
Wir fassen hier die wichtigsten Eigenschaften dieser KI-Algorithmen kurz zusammen, wobei wir uns auf die klassischen künstlichen Neuronen als Strukturelemente der Netzwerke konzentrieren. Abwandlungen davon wie zum Beispiel Faltungen (Convolutional Layer) sind in der Praxis zwar wichtig, werden hier aber zugunsten von Klarheit und Kürze ignoriert.
Das Netzwerk lernt
Die kleinste Einheit eines tiefen neuronalen Netzes ist das künstliche Neuron (siehe Bild 1). Es erhält über mehrere Kanäle Signale von anderen Neuronen oder direkte Eingangsdaten, also beispielsweise die Pixel eines Bildes. Abhängig von der Summe dieser Eingangssignale wird das Neuron selbst aktiv und sendet Werte über seinen Ausgangskanal. Man kann sich das Neuron daher als einen kleinen Musterdetektor vorstellen, der anschlägt beziehungsweise feuert, wenn er sein bevorzugtes Muster in den Eingangskanälen erkennt.
Künstliche neuronale Netze sind in Schichten aufgebaut, die jeweils aus vielen Neuronen bestehen. Typischerweise leiten die Zellen einer Schicht ihre Signale (nur) an die Zellen der nächsten Schicht weiter und man spricht in diesem Falle von einer vorwärtsgerichteten Architektur. Wenn man jedes einzelne Neuron als einen Musterdetektor betrachtet, können also die Zellen der höheren Schichten sozusagen Muster von Mustern von Mustern erkennen.
Bevor neuronale Netze ein Problem lösen können, müssen sie einen Trainingsprozess durchlaufen. Dies erfolgt im Deep Learning typischerweise durch sogenanntes überwachtes Lernen. Dabei werden dem Netzwerk wiederholt Beispielaufgaben gezeigt, zu denen die Lösung bereits bekannt ist. Die Verbindungen zwischen den einzelnen Neuronen werden so verändert, dass das Netzwerk die Aufgaben immer besser löst.
Worin liegen nun also die Gemeinsamkeiten zwischen künstlichen neuronalen Netzen und dem Gehirn?
Neuronale Netze: Biologie, stark vereinfacht
Wie im Artikel Wie frühe Hirnforschung moderne KI beeinflusst hat beschrieben, kam die Inspiration zu den neuronalen Netzen Mitte des vergangenen Jahrhunderts aus der Hirnforschung. Die Funktionsweise eines künstlichen Neurons entspricht also tatsächlich zu einem gewissen Grad unserer Vorstellung von biologischen Nervenzellen – wenn auch stark vereinfacht.
Biologische Neuronen (Video)(öffnet im neuen Fenster) haben sehr fein verzweigte Strukturen – die sogenannten Dendriten – als Eingangskanäle. An diesen Dendriten befinden sich Verknüpfungspunkte – die Synapsen (Video)(öffnet im neuen Fenster) -, über die das Neuron direkte Verbindungen zu anderen Nervenzellen aufbauen kann.
Dabei kann es sich um gleichartige Neuronen aus dem Netzwerk handeln oder auch um Rezeptoren für direkte Sinneswahrnehmungen, etwa die lichtempfindlichen Zellen in der Netzhaut(öffnet im neuen Fenster) des Auges. Die Anzahl der Synapsen ist beträchtlich: Eine einzelne Nervenzelle kann über die ausgedehnte Baumstruktur ihrer Dendriten mit Tausenden anderen Zellen Verbindungen eingehen.
Neben den Dendriten als Eingangskanäle verfügen Neuronen über einen Ausgangskanal, das sogenannte Axon. Dabei handelt es sich um eine Nervenfaser, die elektrische Impulse innerhalb der Zelle weiterleiten kann. Auch das Axon besitzt typischerweise Verzweigungen, an deren Enden sich Synapsen befinden, die Verbindungen zu den Dendriten anderer Neuronen herstellen.
So ist also jedes Neuron eingebettet in ein großes Netzwerk aus Zellen, von denen es Signale empfängt, und anderen Zellen, an die es Signale weiterleiten kann. Ein künstliches neuronales Netz stellt eine abstrahierte Version dieses biologischen Gewebes dar.
Ob natürlich oder künstlich – Neuronen feuern
Bei den Signalen, welche die Neuronen austauschen, handelt es sich insbesondere um elektrische Impulse, sogenannte Aktionspotentiale (Video)(öffnet im neuen Fenster). Diese entstehen normalerweise nah am Zellkörper des Neurons und laufen dann am Axon entlang zu den Synapsen – das Neuron feuert.
Über die Synapsen werden dabei Anregungen an die Dendriten anderer Neuronen weitergegeben, die dadurch ihrerseits zum Feuern angeregt werden können. Generell neigt ein Neuron also umso mehr zu Aktivität, je stärker es von anderen Nervenzellen dahingehend beeinflusst wird. Ein einzelnes Aktionspotential reicht dabei im Gehirn normalerweise nicht aus – es bedarf der gleichzeitigen Anregung durch mehrere Kollegen, um ein Neuron zum Feuern zu bringen.
In Summe erinnert das Verhalten des künstlichen Neurons also an seine biologischen Verwandten, auch wenn bei letzteren die Details wesentlich komplizierter sind. Die Biologie der Nervenzellen enthält eine unübersichtliche Vielfalt weiterer Phänomene und Sonderfälle wie hemmende Synapsen(öffnet im neuen Fenster), Aktionspotentiale in Dendriten (öffnet im neuen Fenster) oder elektrische Synapsen(öffnet im neuen Fenster), um nur einige wenige zu nennen.
Wie diese Besonderheiten zum Funktionieren des Gehirn beitragen, ist allerdings größtenteils unklar. Sie werden daher im vereinfachten Modell des künstlichen Neurons ignoriert.
Gibt es Musterdetektoren im Gehirn?
Auf der Ebene des einzelnen Neurons sind auch Parallelen zwischen KI und Biologie in der algorithmischen Funktion erkennbar. Ein künstliches Neuron kann man sich bekanntlich als einen Musterdetektor vorstellen, und diese Interpretation drängt sich zumindest in einigen Fällen auch für ihre biologischen Vorbilder auf.
Die wohl bekanntesten Beispiele (Video)(öffnet im neuen Fenster) dafür finden sich im primären visuellen Cortex, also dem Teil der Hirnrinde, der beim Sehen an den ersten Schritten zur Verarbeitung des Bildes beteiligt ist. Viele Zellen in diesem Hirnareal werden aktiv, wenn bestimmte einfache Muster an einer festgelegten Stelle im Gesichtsfeld erscheinen.
Oft handelt es sich dabei um kleine Kanten mit einem Hell-Dunkel-Kontrast. Auch wenn die Rolle dieser Neuronen als Baustein eines übergeordneten Algorithmus nur unzureichend verstanden ist, erscheint es zumindest sehr verführerisch, sich diese Nervenzellen als Kantendetektoren vorzustellen, die einen Teil der Vorverarbeitung von Bildern übernehmen.
In dieser Interpretation ähneln sie stark den künstlichen Neuronen, die sich in den untersten Schichten eines tiefen neuronalen Netzwerkes finden, und die ebenfalls auf einfache Muster wie Kanten oder kleine einfarbige Flecken im Bild spezialisiert sind (PDF)(öffnet im neuen Fenster) .
Beispiele für biologische Neuronen (siehe Bild 1), die möglicherweise eine Rolle als Musterdetektor spielen, gibt es auch in anderen Arten von Sinneswahrnehmung: Im primären auditorischen Cortex, also einem für das Hören zuständigen Teil der Hirnrinde, werden viele Zellen bei Tönen bestimmter Frequenz oder bestimmten Kombinationen von Frequenzen aktiv(öffnet im neuen Fenster).
Auch im Fall der taktilen Wahrnehmung kennt man Neuronen, die selektiv auf gewisse Berührungsmuster an bestimmten Positionen auf der Haut reagieren(öffnet im neuen Fenster).
In Schichten denken
Wie oben beschrieben, verarbeiten künstliche neuronale Netze ihre Eingangsdaten Schicht für Schicht von einfachen hin zu immer komplexeren Mustern. Auch hier gibt es gewisse Parallelen zur Biologie: So lassen sich im visuellen System des Gehirns unterschiedliche Areale ausmachen, deren Neuronen auf Reize steigender Komplexität reagieren. Diese reichen von den schon erwähnten Kanten über einfache geometrische Formen bis zu komplexen Objekten wie Händen(öffnet im neuen Fenster) oder Personen(öffnet im neuen Fenster).
Allerdings sind die algorithmischen Abläufe dahinter bei Weitem noch nicht verstanden. Trotz einiger oberflächlicher Ähnlichkeiten gehen die Grundprinzipien der im Gehirn ablaufenden Berechnungen mit Sicherheit deutlich über das hinaus, was wir von den relativ einfachen, schichtweise angeordneten künstlichen Netzen kennen.
Gehirn schlägt KI
Ein klarer Hinweis auf die Unterschiedlichkeit von Gehirn und KI ergibt sich aus einem Vergleich ihrer Leistungsfähigkeit. Wie im letzten Artikel beschrieben, ist die biologische Intelligenz ihrer Konkurrenz aus Silizium noch weit voraus, wenn es etwa darum geht, verallgemeinerte Konzepte aus Beobachtungen zu erzeugen, von wenigen Beispielen zu lernen oder einmal gelerntes Wissen auf neue Bereiche zu übertragen. Worin liegen aber die Ursachen für diese Unterschiede?
Offensichtlich ist das Substrat in beiden Fällen ein völlig anderes: Das Gehirn als Organ hat sich im Laufe der Evolution gemeinsam mit den darin ablaufenden Algorithmen entwickelt. Seine Hardware und seine Software bilden eine untrennbare Einheit und sind entsprechend gut aufeinander abgestimmt.
Ein Mikrochip andererseits ist zwar sehr flexibel einsetzbar, muss aber gegebenenfalls Prozesse, die im Gehirn auf chemischer oder physikalischer Ebene sozusagen von selbst ablaufen, mühsam Schritt für Schritt simulieren.
So wichtig diese materiellen Grundlagen für technische Kennzahlen wie Rechengeschwindigkeit oder Energieverbrauch jedoch auch sein mögen: Die wirklich entscheidenden Unterschiede sind anderer – nämlich konzeptioneller – Natur.
Unterschied 1: Vorwärtsgerichtet versus rekurrent
In den üblicherweise verwendeten vorwärtsgerichteten neuronalen Netzen schicken die Neuronen ihre Ausgabewerte an die jeweils nächste Schicht weiter, nicht aber an ihre Nachbarn derselben Schicht und erst recht nicht zurück an vorhergehende Schichten (siehe Bild 2). Eine Alternative sind rekurrente Netzwerke, in denen die Information zwischen den Zellen sozusagen auch im Kreis laufen kann.
Das Long Short-Term Memory (LSTM, Video(öffnet im neuen Fenster)) ist wohl das bekannteste Beispiel für die Verwendung solcher Architekturen in der Informatik. Die Rückkopplungen im Netzwerk dienen hier vor allem dazu, Informationen aus vorherigen Zeitschritten in den Schleifen des Netzwerkes zwischenzuspeichern.
Entsprechend sind derartige Netzwerke besonders nützlich, um Zeitreihen wie Sprachsignale zu modellieren (wobei sie allerdings zunehmend von den modernen Transformer-Netzwerken verdrängt werden (PDF)(öffnet im neuen Fenster)).
Das Netzwerk der Nervenzellen im Gehirn ist hingegen fundamental rekurrent aufgebaut: Selbst im schon erwähnten primären visuellen Cortex, der an der Vorverarbeitung visueller Sinneseindrücke beteiligt ist, übermitteln nur rund fünf bis zehn Prozent der anregenden Synapsen Informationen(öffnet im neuen Fenster), die über Nervenbahnen mehr oder weniger direkt vom Auge weitergeleitet wurden. Die große Mehrheit der Synapsen hingegen stellt gegenseitige Verknüpfungen innerhalb der Hirnrinde – also rekurrente Verbindungen – dar.
Die Gründe für den hohen Grad an Rekurrenz im biologischen Gehirn sind im Wesentlichen unklar. Sie dürften jedoch weit über das bloße Zwischenspeichern von Information in Netzwerkschleifen wie im LSTM hinausgehen.
Die rekurrente Verschaltung stellt die Neurowissenschaften auch noch vor ein ganz besonderes Rätsel. Wie schon erklärt wäre es naheliegend, gewisse Neuronen im Gehirn als Musterdetektoren zu interpretieren: Zum einen deckt sich dies mit ihrem experimentell beobachteten Feuerverhalten und zum anderen wären solche Musterdetektoren auch als Grundbausteine verschiedener Algorithmen durchaus plausibel.
Doch warum sollten diese Nervenzellen dann in großem Stil von ihren Nachbarn oder von oben – also durch Signale aus höheren Schichten – beeinflusst werden? Man würde vielmehr erwarten, dass ein solcher Detektor es möglichst objektiv und unabhängig melden sollte, wenn sein bevorzugtes Muster in den von außen kommenden Sinnesreizen enthalten ist.
Als Erklärungsansätze für dieses Phänomen gibt es einige algorithmisch interessante Hypothesen(öffnet im neuen Fenster), die über die traditionelle Modellierung künstlicher neuronaler Netze hinausgehen. Sie zu beschreiben, würde jedoch den Umfang dieses Artikels sprengen, weshalb wir uns gesondert mit den möglichen Implikationen rekurrenter Verbindungen befassen werden.
Unterschied 2: Extern getrieben versus Eigendynamik
Die unterschiedlichen Verknüpfungsarchitekturen von Deep Learning und Gehirn spiegeln sich natürlich auch in ihrem dynamischen Verhalten (siehe Bild 3) wider. Im künstlichen neuronalen Netzwerk werden alle Rechenoperationen strikt sequenziell Schicht für Schicht abgearbeitet. Das Netzwerk wird also nur von außen durch die Eingangsdaten angetrieben. Liegen solche nicht vor, dann hat das Netzwerk auch nichts zu tun und bleibt inaktiv.
Ganz anders ist die Situation im Gehirn, wo die Neuronen ständig aktiv sind und miteinander wechselwirken, selbst wenn gerade keine Sinnesreize von außen ankommen. Tatsächlich stellt die Anregung von Nervenzellen durch äußere Einflüsse nur einen sehr kleinen Teil der Gesamtaktivität dar. Dennoch reicht ihre Wirkung offensichtlich aus, um das Gesamtsystem stark zu beeinflussen und in neue Bahnen zu lenken(öffnet im neuen Fenster).
Wenn zum Beispiel ein Fluchttier im Gebüsch die Umrisse eines Räubers auszumachen glaubt, genügen vergleichsweise wenige angeregte Nervenzellen im visuellen System, um das gesamte Gehirn in einen komplett neuen Zustand – den Fluchtmodus – zu versetzen.
Lernstrategien und unbekannte Unbekannte
Es gibt noch weitere wichtige Unterschiede zwischen KI und Gehirn.
Unterschied 3: Lernstrategien
Angesichts der strukturellen Unterschiede zwischen KI und Gehirn ist es wenig überraschend, dass auch die Lernprozesse deutlich voneinander abweichen (siehe Bild 4). Beim "überwachten Lernen", das typischerweise beim Deep Learning zum Einsatz kommt, wird das neuronale Netz auf einen sehr großen Satz von Trainingsdaten angewandt, für die das gewünschte Ergebnis des Algorithmus bereits bekannt ist. Jede Abweichung zwischen der Ausgabe des Netzwerkes und dem gewünschten Ergebnis wird genutzt, um die Verbindungen zwischen den Neuronen noch besser einzustellen.
Üblicherweise kommt dafür der sogenannte Backpropagation-Algorithmus zum Einsatz (Video(öffnet im neuen Fenster)), der die Fehler ausgehend von der Ausgabeschicht durch das Netzwerk in die vorhergehenden Schichten zurückwirken lässt, um dort die synaptischen Gewichte genauer einzustellen.
Von der überwiegenden Mehrheit der Hirnforscher wird ein solcher Algorithmus allerdings als nicht biologisch plausibel angesehen. Er widerspricht auch unserer Alltagserfahrung: Ein Kind lernt nicht, Objekte zu erkennen, indem seine Eltern ihm eine große Anzahl von Beispielen zeigen und jeweils den Namen dazu nennen. Es bemerkt vielmehr von sich aus, dass es Ähnlichkeiten zwischen verschiedenen Gegenständen gibt, die es in seiner Umgebung oder auf bildlichen Darstellungen wahrnimmt. Es verallgemeinert solche Beobachtungen selbstständig zu Konzepten von verschiedenen Dingen aus seiner Erfahrungswelt.
Einen solchen Vorgang, bei dem Beobachtungen ohne äußere Anleitung in Kategorien eingeteilt werden, bezeichnet man als unüberwachtes Lernen. Wenn das Kind von anderen Menschen dann ein Wort als Namen für dieses Konzept lernt, so kann man dies möglicherweise als überwachtes Lernen ansehen, es macht aber in jedem Falle den kleineren Teil des Lernprozesses aus.
Der Prozess des unüberwachten Lernens ist also eng verbunden mit der Fähigkeit, von Beobachtungen zu abstrahieren und verallgemeinerte Konzepte zu bilden – eine der größten Stärken des Gehirns im Vergleich zur KI. Wie dieser Vorgang im Detail funktioniert, ist jedoch unbekannt.
Eine wichtige Rolle dürfte dabei die schon 1949 von Donald Hebb postulierte Lernregel (öffnet im neuen Fenster) spielen. Sie besagt, dass zwei Neuronen ihre gegenseitige Verbindung umso mehr stärken, je häufiger sie gleichzeitig feuern. Die Folgen dieser Regel sind im Hirngewebe nachweisbar: Die Vernetzung von Neuronen bildet die statistischen Korrelationen der natürlichen Sinnesreize nach.
So sind zum Beispiel zwei Neuronen, die auf kleine Kanten im Sichtfeld reagieren, besonders stark vernetzt, wenn diese Kanten auf einer gemeinsamen Linie liegen(öffnet im neuen Fenster). Ob und wie dieser faszinierende Zusammenhang algorithmisch genutzt wird, ist jedoch höchstens ansatzweise verstanden(öffnet im neuen Fenster).
Unterschied 4: Die unbekannten Unbekannten
Schließlich haben die Neurowissenschaften im Gehirn noch eine Vielzahl weiterer Phänomene entdeckt: Neuronen kommen in unterschiedlichen Typen vor, ihre Aktivität oszilliert in bestimmten Rhythmen (Alpha-, Beta und Gammawellen), Aktivität kann sich wellenartig entlang der Hirnrinde ausbreiten, gewisse Gruppen von Neuronen koordinieren ihr Feuern zeitlich präzise, die gesamte Dynamik wird von chemischen Botenstoffen beeinflusst und vieles, vieles mehr.
Von den meisten dieser Effekte ist nicht bekannt, inwieweit sie eine algorithmische Funktion haben. Oder sind sie technisch notwendig, um den reibungslosen Betrieb des Apparats aufrechtzuerhalten? Vielleicht handelt es sich bei manchen davon auch schlicht um irrelevante Nebenprodukte der Abläufe im Gehirn.
Es ist noch nicht einmal klar, wie das Gehirn Informationen darstellt – was also das Gegenstück zu den Nullen und Einsen im Computer ist. Anzunehmen ist, dass das Feuern der Neuronen eine zentrale Rolle spielt.
Aber hat es eine spezielle Bedeutung, wenn ein Neuron schnell hintereinander mehrmals feuert oder die einzelnen Entladungen einen gewissen Zeitverzug zum Rhythmus der Nervenzellen in der Umgebung aufweisen? Spielt die Stärke einer Entladung eine Rolle? Bisher kann wohl niemand diese Fragen mit Sicherheit beantworten.
Das Gehirn verfügt also noch über viele Freiheitsgrade, die es möglicherweise für Berechnungen nutzt und deren Bedeutung wir bisher nicht kennen. Umso mehr ist zu erwarten, dass die Grundprinzipien seiner Funktionsweise noch weit über das hinausgehen, was im heutigen Deep Learning nachgeahmt wird.
Die Suche geht weiter
Insgesamt gibt es also noch weitreichende konzeptionelle Unterschiede zwischen künstlicher und natürlicher Intelligenz. Die überlegenen Leistungen des Gehirns sollten uns Menschen ein Ansporn sein, seine Funktionsweise noch genauer zu untersuchen und vor allem unser Verständnis seiner algorithmischen Prinzipien zu erweitern.
Doch ist das überhaupt möglich oder ist das Gehirn so komplex, dass Menschen es niemals verstehen werden? Angesichts der Vielzahl unterschiedlicher Phänomene, ihres komplexen Zusammenspiels und der schieren Anzahl von Verknüpfungen zwischen Milliarden von Nervenzellen erscheint dies denkbar.
Doch es gibt Hoffnung – dank einer Vermutung, die der bedeutende Hirnforscher Vernon Mountcastle(öffnet im neuen Fenster) schon Ende der 1970er Jahre äußerte und für die es ernstzunehmende experimentelle Indizien gibt. Laut der Vermutung kann das Gehirn mit sehr ähnlichen algorithmischen Prinzipien(öffnet im neuen Fenster) völlig unterschiedliche Probleme wie Bilderkennung, Spracherkennung oder Bewegungssteuerung lösen. Sollte es gelingen, diese Prinzipien auch nur teilweise zu entschlüsseln, könnte dies die Inspiration für eine völlig neue Generation von KI-Algorithmen werden.
Teil 1: Wie frühe Hirnforschung moderne KI beeinflusst hat
Teil 2: Einfacher denken!
Helmut Linde(öffnet im neuen Fenster) leitete verschiedene Data-Science-Teams in deutschen Konzernen und ist nun bei der Covestro AG für die Digitalisierung von Forschung und Entwicklung verantwortlich. Als Mathematiker und Physiker ist er fasziniert von naturwissenschaftlichen Themen sowie der Anwendung und der Zukunft der künstlichen Intelligenz.
Update:
Der Artikel wird unverändert nochmal zum Lesen bereitgestellt.
- Anzeige Hier geht es zu Künstliche Intelligenz: Wissensverarbeitung bei Amazon Wenn Sie auf diesen Link klicken und darüber einkaufen, erhält Golem eine kleine Provision. Dies ändert nichts am Preis der Artikel.