Ja.

Der Wanderfalke kann mit einer Geschwindigkeit von 240 Meilen pro Stunde durch die Luft tauchen. Ein Pottwal kann kilometerweit unter die Meeresoberfläche tauchen. Ein Falke würde im Meer ertrinken und ein Wal würde zerschellen, wenn er versuchen würde zu fliegen, aber irgendwie haben es die Menschen geschafft, sowohl schneller zu fliegen als auch tiefer zu tauchen als beide Tiere, und zwar in Metallhüllen, die wir selbst entworfen haben.

Unsere Vorfahren lebten weder in der Tiefsee, noch wurden sie im Rahmen der natürlichen Auslese aufgrund ihrer Fähigkeit zu fliegen ausgewählt. Wir haben diese und viele andere Dinge nicht durch besondere Instinkte geschafft, sondern durch die schiere Vielseitigkeit unseres Geistes.

Unsere Vorfahren wurden im Rahmen der natürlichen Auslese irgendwie dafür ausgewählt, gut im Lösen von Problemen zu sein, im weitesten Sinne, obwohl unsere alten Vorfahren selten mit einer technischen Herausforderung konfrontiert waren, die komplizierter war als der Bau eines Speers.

Besitzen Menschen eine perfekte Fähigkeit zur Problemlösung? Nein, offensichtlich nicht. Menschen scheinen nicht in der Lage zu sein, so gut Schach zu spielen wie die besten Schach-KIs, zumindest nicht innerhalb der Zeitlimits des Spiels. Übermenschliche Leistungen im Schach sind nachweislich möglich, und Menschen können diese Leistungen ohne Hilfe nicht erreichen. Unsere Intelligenz ist nicht universell und das heißt, wir können nicht alles lernen, was physikalisch machbar ist. Diese "Allgemeinheit" der Intelligenz, die Menschen besitzen, bedeutet also nicht, dass wir allein mit unserem Verstand alles tun können, was machbar ist. Dennoch ist die Fähigkeit des Menschen, neue Probleme zu lernen und zu lösen, im Vergleich zur Lern- und Problemlösungsfähigkeit einer eng gefassten Schach-KI wie Deep Blue um ein Vielfaches allgemeiner.

Aber Allgemeinheit ist keine Alles-oder-Nichts-Sache. Sie lässt Abstufungen zu.

Deep Blue war in seiner Fähigkeit, etwas anderes als ein Schachbrett zu steuern, nicht sehr allgemein. Es konnte gewinnbringende Schachzüge finden, aber es konnte kein Auto zum Supermarkt fahren und Milch kaufen, geschweige denn die Gesetze der Schwerkraft entdecken und eine Mondrakete entwerfen. Deep Blue konnte nicht einmal andere Brettspiele spielen, seien es einfachere Spiele wie Dame oder schwierigere Spiele wie Go.

Betrachten Sie dagegen AlphaGo, die KI, die schließlich Go erobert hat. Die Algorithmen hinter AlphaGo sind auch in der Lage, ausgezeichnet Schach zu spielen. Go unterlag nicht dem ersten Schachalgorithmus, den die Menschheit gefunden hatte, aber eine Variante des ersten Go-Algorithmus, den die Menschheit gefunden hatte, konnte frühere Rekorde im Schach brechen, und derselbe Algorithmus konnte sich nebenbei auch beim Spielen von Atari-Videospielen auszeichnen. Diese neuen Algorithmen konnten zwar immer noch keine Milch aus dem Laden holen, aber sie waren allgemeiner.

Es hat sich herausgestellt, dass einige Methoden der Intelligenz viel allgemeiner sind als andere.

Aber wir sind noch weiter davon entfernt, "Allgemeinheit" zu definieren als "Intelligenz".

Es ist leicht zu sagen, dass Menschen allgemeiner sind als Fruchtfliegen. Aber wie funktioniert Allgemeinheit?

Wir wissen es nicht. Es gibt noch keine ausgereifte formale Theorie der "Allgemeinheit". Wir können mit den Händen wedeln und sagen, dass eine Intelligenz insofern "allgemeiner" ist, als sie in der Lage ist, in einem breiteren Spektrum von Umgebungen trotz einer größeren Bandbreite komplexer Herausforderungen Vorhersagen zu treffen und zu steuern. Aber wir können Ihnen keine Methode zur Quantifizierung von Herausforderungen und Umgebungen nennen, die dies zu einer formalen Definition macht.

Klingt das unbefriedigend? Wir sind auch unzufrieden. Wir wünschen uns sehr, dass die Menschheit ein besseres Verständnis von allgemeiner Intelligenz erlangt, bevor sie versucht, allgemein intelligente Maschinen zu bauen. Dies könnte die schwierige technische Situation verbessern, die wir in den Kapiteln 10 und 11 beschreiben werden.

Auch wenn wir keine formale Beschreibung des Phänomens haben, können wir dennoch einige Fakten über die Allgemeinheit ableiten, indem wir die Welt um uns herum beobachten.

Wir wissen, dass Menschen nicht mit dem angeborenen Wissen und den Fähigkeiten geboren werden, um Wolkenkratzer und Mondraketen zu bauen, weil unsere fernen Vorfahren nie mit Wolkenkratzern und Mondraketen arbeiten mussten, sodass dieses Wissen in unseren Genen kodiert werden konnte. Vielmehr stammen diese Fähigkeiten aus unserer Fähigkeit, Dinge zu lernen, die wir nicht von Geburt an verstehen.

Um die Allgemeingültigkeit zu beurteilen, fragen Sie nicht, wie viel etwas weiß. Fragen Sie, wie viel es lernt.

In gewisser Weise sind Menschen leistungsfähigere Lerner als Mäuse. Es ist nicht so, dass Mäuse überhaupt nicht lernen können, denn sie können beispielsweise lernen, sich in einem Labyrinth zurechtzufinden. Aber Menschen können kompliziertere und seltsamere Dinge lernen als Mäuse, und wir können unsere Wissensbausteine effektiver miteinander verknüpfen.

Wie funktioniert das genau? Was haben wir, was Mäuse nicht haben?

Betrachten wir zwei Menschen, die nach einem Umzug lernen, sich in einer neuen Stadt zurechtzufinden.

Alice merkt sich alle Routen, die sie wissen muss. Um von ihrem Haus zum Baumarkt zu gelangen, biegt sie links in die Third Street ein, an der zweiten Ampel wieder links und fährt dann zwei Blocks weiter, bevor sie rechts in den Parkplatz einbiegt. Die Route zum Lebensmittelgeschäft und die Route zu ihrem Büro merkt sie sich separat.

Beth hingegen studiert eine Karte der Stadt und prägt sie sich ein.

Alice mag in ihrem Alltag gut zurechtkommen, aber wenn sie jemals ohne Wegbeschreibung an einen neuen Ort fahren muss, hat sie ein Problem. Im Gegensatz dazu muss Beth mehr Zeit für die Planung ihrer Routen aufwenden, ist dafür aber viel flexibler.

Alice mag auf den bestimmten Routen, die sie auswendig gelernt hat, schneller sein, aber Beth wird besser darin sein, überall sonst zu fahren. Beth wird auch bei anderen Aufgaben einen Vorteil haben, wie zum Beispiel eine Route zu finden, die den Verkehr während der Rushhour minimiert, oder sogar ein Straßenlayout für eine andere Stadt zu entwerfen.

Es scheint Arten des Lernens zu geben, die weniger dem Auswendiglernen von Fahrstrecken ähneln, sondern eher dem Verinnerlichen einer Karte. Es scheint mentale Mechanismen zu geben, die wiederverwendet und an viele verschiedene Szenarien angepasst werden können. Es scheint Arten des Denkens zu geben, die tiefgreifend sind.

Wir werden in Kapitel 3 mehr zu diesem Thema sagen.

Notes