Forscher haben ein künstlich intelligentes System entwickelt, das genau das Gegenteil davon tut, im Moment zu leben. Doch es denkt nicht nur ein paar Schritte voraus – sondern Millionen.
Ein Team um den Mathematiker Sergei Gukov vom California Institute of Technology (Caltech) hat eine neue Art von Machine-Learning-Algorithmus entwickelt, der darauf ausgelegt ist, mathematische Probleme zu lösen, die eine extrem lange Abfolge von Schritten erfordern. Und mit „lang“ ist hier wirklich lang gemeint – eine Million Schritte oder mehr.
Konkret gelang es der KI, Fortschritte bei einem komplizierten Problem namens Andrews-Curtis-Vermutung zu erzielen, das Mathematiker seit Jahrzehnten beschäftigt. Im Kern fragt diese Vermutung: Lassen sich bestimmte mathematische Rätsel immer mit einer festgelegten Anzahl erlaubter Züge lösen, etwa durch Umordnen oder Rückgängigmachen von Schritten?
Ein Labyrinth ohne Karte
„Es ist, als würde man versuchen, sich durch ein Labyrinth in der Größe der Erde zu navigieren. Es gibt extrem lange Pfade, die man ausprobieren muss, und nur einer davon führt ans Ziel“, erklärte Ali Shehper, Erstautor der Studie und Mathematiker an der Rutgers University, in einer Mitteilung von Caltech.
In einer Vorabveröffentlichung auf arXiv, die letzten August hochgeladen und kürzlich aktualisiert wurde, beschreibt das Team, wie sie ihre KI nutzten, um ganze Gruppen von Problemen im Zusammenhang mit der Andrews-Curtis-Vermutung zu lösen – ein Feld der abstrakten Algebra. Die Forscher haben die Vermutung selbst zwar nicht bewiesen, konnten aber einige mögliche Gegenbeispiele widerlegen. Das macht die Vermutung zwar nicht automatisch wahr, stärkt aber ihre Glaubwürdigkeit.
„Wenn man einige Gegenbeispiele ausschließt, gibt das Vertrauen in die Gültigkeit der Vermutung und hilft uns, das Hauptproblem besser zu verstehen“, erklärte Shehper.
Gukov vergleicht das Ganze mit dem Zauberwürfel: „Kann man einen völlig verdrehten, chaotischen Rubik’s Cube wieder in seine Ausgangsform bringen? Man muss unglaublich lange Zugfolgen ausprobieren, ohne zu wissen, ob man auf dem richtigen Weg ist, bis man am Ende ankommt.“
Wie löst die KI das Problem?
Die KI arbeitet mit einer Methode namens Reinforcement Learning. Dabei lernt sie zuerst durch einfache Matheaufgaben, bevor sie nach und nach schwierigere Probleme löst. „Sie probiert verschiedene Züge aus und wird belohnt, wenn sie das Problem löst“, erklärte Shehper. „Wir ermutigen das Programm, mehr von den erfolgreichen Strategien anzuwenden, aber trotzdem neugierig zu bleiben. So entwickelt es schließlich neue Methoden, die besser sind als das, was Menschen sich ausdenken könnten. Das ist die Magie des Reinforcement Learning.“
Der Algorithmus lernte schließlich, extrem lange und ungewöhnliche Zugfolgen zu generieren, die die Forscher als „Super-Züge“ bezeichneten. Damit unterscheidet sich die KI von herkömmlichen KI-Textmodellen wie ChatGPT.
„Wenn man ChatGPT bittet, einen Brief zu schreiben, wird es etwas generieren, das typisch klingt. Es ist unwahrscheinlich, dass es wirklich kreative oder originelle Ideen hat. Es ist ein guter Papagei“, so Gukov. „Unsere KI hingegen kann echte Ausreißer generieren.“
KI, die lernt zu lernen
Ein naheliegendes Anwendungsfeld für eine solche KI wäre die Vorhersage von Finanzkrisen. Während aktuelle Machine-Learning-Systeme noch nicht so weit sind, könnten die neuen Methoden der Forscher eines Tages zu intelligenten Prognosen beitragen.
„Grundsätzlich hat unser Programm gelernt zu lernen“, erklärte Gukov. „Es denkt außerhalb der Box.“ Das Team hat zudem Methoden entwickelt, die keinen extremen Rechenaufwand benötigen, sodass auch Wissenschaftler mit weniger leistungsstarken Computern von ihrer Forschung profitieren können.
Auch wenn diese Errungenschaft vielleicht noch nicht direkt unseren Alltag beeinflusst, reiht sie sich in eine Vielzahl von Projekten ein, bei denen Machine-Learning-Algorithmen genutzt werden, um menschliche Probleme zu lösen – und nicht, um die Zivilisation zu zerstören.
