Die Erfolge der künstlichen Intelligenz (KI) sind atemberaubend: Neuronale Netze können lernen, Sprachmuster zu erkennen, Objekte vom Hintergrund zu unterscheiden, Apparate durch unübersichtliches Gelände zu steuern, experimentelle Daten zu analysieren und Menschen beim Pokern zu schlagen. Das erstaunt umso mehr, als die KI vorläufig nur die primitivsten Anleihen bei der Informationsverarbeitung des Gehirns nimmt. Künstliche neuronale Netze bestehen aus einigen wenigen Schichten, in denen Datenkanäle mit variabler Signalstärke in Knoten zusammenlaufen. Obwohl derartige Systeme damit bloß stark vereinfachte Modelle von natürlichen Nervenzellen und Synapsen darstellen, sind sie zu jenen Leistungen fähig, die ihnen schon heutzutage den Anschein von einigermaßen intelligentem Verhalten verleihen.

Strukturell lassen sich die künstlichen Netze noch am ehesten mit den primären Verarbeitungsebenen eines tierischen Sehsystems vergleichen. Ihre Komplexität wird von höheren, zu kognitiven Leistungen fähigen Hirnarealen weit in den Schatten gestellt. Das betrifft vor allem den Grad der Vernetzung: Natürliche Nervenzellen einer bestimmten Verarbeitungsebene stehen nicht bloß auf- und abwärts mit den nächsthöheren und -tieferen Niveaus in Verbindung, sondern sind zudem horizontal, das heißt auf der eigenen Ebene vielfach verknüpft – anders als die meisten künstlichen Netze. Außerdem reichen die vertikalen Kontakte bei höheren Tieren weit über die nächstliegenden Organisationsebenen hinaus. In unserem Gehirn erstrecken sich die Nervenbahnen, die mit bewusstem Wahrnehmen oder Sprache assoziiert sind, über ganze Areale.

Was würden artifizielle Netze leisten, wenn sie sich derart reichhaltige Hirnstrukturen zum Vorbild nähmen? Könnten sie dann auf die Frage nach dem Inhalt eines Bilds umgangssprachlich antworten? Würden sie den Doppelsinn von Witzen und sarkastischen Bemerkungen verstehen?

Das Ziel solcher Überlegungen hat schon einen Namen: artificial general intelligence (AGI). Einen interessanten, geradezu philosophischen Aspekt diskutiert der israelische Informatiker und Kognitionsforscher Shimon Ullman vom Weizmann Institute of Science in Rehovot (Science 363, S. 692–693, 2019).

Philosophen fragen seit jeher, ob unser Erkenntnisapparat eher einem leeren Blatt gleicht, auf dem sich Erfahrungen ansammeln, oder ob der menschliche Verstand bereits mit einer Vorprägung zur Welt kommt. Dieser alte Streit zwischen Empiristen und Rationalisten wurde wieder aktuell, als der Linguist Noam Chomsky behauptete, ein Kind könne unmöglich die komplexe Struktur seiner Muttersprache aus Beispielsätzen erlernen; der Spracherwerb setze eine angeborene »Tiefengrammatik« voraus.

Wie Ullman hervorhebt, entspricht die KI derzeit einem rein empiristischen Modell: Das neuronale Netz ist eine Tabula rasa, die erst durch den Dateninput konditioniert wird. Hingegen funktioniert unser Wahrnehmungsapparat offensichtlich nicht voraussetzungslos. Er bedient sich anscheinend angeborener »Proto-Konzepte«, um beispielsweise aus dem Zusammenspiel von Auge und Hand auf die Eigenschaften von Objekten zu schließen.

Ullman spekuliert nun, dass eine künftige künstliche allgemeine Intelligenz, die den Namen wirklich verdient, auf passend vorgeformten Netzen beruhen sollte. Deren Binnenstrukturen könnten autonom entstehen, indem Netze das einmal Gelernte an andere Netzgenerationen weiterreichen, so wie Kinder mit Hilfe eines durch Evolution und kulturelle Vererbung geprägten Denkapparats flink ihre Erfahrungen sammeln. In den Grundzügen klingt das viel versprechend – falls sich das Design eines solchen Systems in den Details nicht als ebenso verzwickt entpuppen wird wie der Versuch, unser Gehirn in seinen Einzelheiten zu verstehen.