|
Symbolische Repräsentanz von Intelligenz
Symbolmanipulation *Begriffsrepräsentanz in Symbolen *Grammatik des Denkens *Der Turing-Test *ELIZA *Natural Language Processing *CYC *Expertensysteme *
Seit man Computer bauen konnte, angefangen mit den Entwürfen zur mechanischen Rechenmaschine von Babbage bis hin zu den ersten elektronischen Derivaten, dem Eniac oder den Apparaten von Zuse, lag die Frage nach der Simulation von Denken auf dem Plan. Nicht umsonst nennt man Computer auch heute noch manchmal Elektronengehirne. Dies ist nicht verwunderlich, da doch Computer die einzige Spezies sind, die mit ideellen Sachverhalten, die dem Menschen verständlich sind, umgehen können. Es soll zwar in dem einen oder anderen Zirkus Pferde geben, die Zahlen addieren können, aber um wieviel mächtiger mußten die komplexen Operationen, die die schrankwandgroßen, krachmachenden Prometheuskinder der zweiten Generation ausführten, selbst ihren Erbauern vorgekommen sein. Nachdem klar wurde, daß der Umgang mit Zahlen für Rechenautomaten kein Problem darstellt, und nachdem die Automaten immer kleiner und leistungsfähiger wurden, setzte die Entwicklung ein, die ich im ersten Teil erläutert habe: Man nutzte die rechnerspezifischen Codes, sprich Nullen und Einsen, um andere Einheiten zu repräsentieren, beispielsweise Buchstaben und Texte. Als man anfing, Texte zu verarbeiten, lag schnell nahe, daß man Computern, wenn sie rechnen und mit Buchstaben umgehen konnten, auch die Sprache beibringen würde. Man glaubte zur Jahrhundertmitte, daß innerhalb weniger Jahre die ersten Computer die Fähigkeit zum ´Sprechen´ erlangten. Wir wissen inzwischen, daß dies ein Trugschluß war, denn noch immer gibt es keinen sprechenden, hörenden und – vor allem – verstehenden Computer. Zur Sprache gehört eben auch der Gedanke, der Wissenshintergrund, die Kultur, Emotion – und Bewußtsein. Der Begriff des ´General Problem Solver´, geprägt von Herbert A. Simon, ist das zentrale Paradigma der KI-Forschung: Ein Automat, der alle kognitiven Fähigkeiten in einem System abbildet. Über das Problem des Schachspiels dachte man zur selben Zeit ähnlich wie über das der Sprache. Auch im formal recht einfachen Kontext von Bauern, Springern und Königen gelang erst vor kurzem, was man schon zu Beginn der sechziger Jahre erwartet hatte: Der Schachweltmeister wurde geschlagen. – Aber hat Deep Blue wirklich verstanden, was eine Rochade ist? Hat Deep Blue Intuitionen über bedrohliche Stellungen, semantische Kategorien? Oder wurde hier geballter Rechenpower mit einem riesigen Speichervolumen gepaart, um erstmals in der Geschichte das Unbewußte mächtiger erscheinen zu lassen als das Genie eines Kasparow? Wird ein Nachkomme von Deep Blue jemals ein Äquivalent zum Champagner genießen können, nachdem er einen Weltmeister geschlagen hat?
Um Intelligenz mit Hilfe von Computern zu simulieren, hat man sich den Prozeß des Denkens als einen Akt der Symbolmanipulation vorgestellt, ähnlich wie Hobbes dies im 17. Jahrhundert formulierte (s.o.). Die Geist-Modelle der KI, soviel sei vorweggenommen, lehnen sich nur rudimentär an die Erkenntnisse der Psychologie an. Dies liegt meiner Ansicht nach daran, daß die Psychologie sich vornehmlich mit abstrakten Prozessen beschäftigt, die keine determinierte Entsprechung auf biologischer Ebene haben. Selbst die Modelle von Gardner (s.o.) gehen nur sehr oberflächlich auf die Physiognomie des Gehirns ein. Somit sind die Modelle der Psychologie keine ´Software´, die unter einem bestimmten ´Betriebssystem´ oder einer bestimmten ´Hardware´ läuft. Die KI-Forscher gehen demgegenüber von den determinierten Möglichkeiten der Hardware aus, die ich im ersten Teil dieser Arbeit beschrieben habe. Sie versuchen, die Prozesse des Bewußtseins in formale Modelle zu übersetzen, damit sie mathematisch in Form von Repräsentanzebenen (´symbolisch´) auf Computer übertragbar sind. Ein kurzer Ansatz, das Denken zu beschreiben könnte in etwa wie folgt lauten: Teile unseres Gedächtnisses werden durch Sinneseindrücke, Automotivation oder Gefühlsregungen aktiviert, mit anderen Teilen verknüpft, modifiziert oder kreiert. Neue Kenntnisse überlagern ältere, unvollständige Begriffe werden erweitert, unbenutzte versinken in immer tieferen Schichten, um durch entsprechende Stimuli überraschend doch wieder aufzutauchen. Das Bewußtsein ist ein fortwährender Prozeß des Umwälzens von Begriffen, angeregt und am Laufen gehalten durch äußere und innere Reize. Diese unterschiedlichen Begriffsformen und Arten des Umgangs mit Begriffen müssen auf einem Computer repräsentiert werden, damit Intelligenz im menschlichen Sinne künstlich entstehen kann.
Begriffsrepräsentanz in Symbolen Die Repräsentanz von Begriffen jedweder Art wird im KI-Jargon Symbol genannt. Es wird angenommen, daß sich alles, wofür wir ein Wort oder wovon wir einen Eindruck haben, als Symbol in einem Computer repräsentieren läßt. Es würde als Zahl codiert werden, versehen mit der Information seines Namens und seiner strukturellen, semantischen und pragmatischen Aspekte. Es kann sowohl einen passiven, deklarativen Charakter haben, beispielsweise für unbelebte Gegenstände, als auch einen aktiv-manipulierenden, wenn der Begriff zum Beispiel eine Tätigkeit beschreibt. Dazu muß es Symbolebenen geben, die zwischen den Begriffen vermitteln, die ihre Beziehungen, Hierarchien aber auch ihre Mittelbarkeit (widersprüchliche Begriffe) darstellen. Dies entspricht für mein Verständnis der strukturellen Grundlage einer kristallinen Intelligenz, der Pragmatik, wie Raymond B. Cattell sie vorgeschlagen hat. Durch die Repräsentanz eines statischen Symbolsystems läßt sich Kombinatorik, exaktes Wissen und Logik abbilden. Wie aber denkt die Maschine?
Bis hierhin sind die Begriffe starr in den Rahmen des Systems gefaßt. Um den ´Geist´ zu aktivieren, müssen die vorhandenen Symbole in Denkprozessen zur Interaktion gebracht werden. Es muß Aktion erzeugt werden, in einem Regelsystem, dem die Struktur solcher Denkprozesse innewohnt. Dieses Regelsystem möchte ich mit einer Grammatik des Denkens vergleichen. Es stellt gewissermaßen die Beziehung zwischen Psyche und Gehirn oder das ´Betriebssystem´ dar. Diese Grammatik müßte auf Antriebe (Wahrnehmungen, Emotionen, spontane Ideen etc.) reagieren können; sie müßte Problemfelder oder Zielstellungen organisieren, Lösungsstrategien auswählen und anhand von vorhandenen Begriffen bewerten. Sie müßte die entsprechenden Manipulationen durchführen und überwachen. Wenn man nur die Grammatik dieser Symbolmanipulation zu programmieren verstünde, würde der Geist in der Maschine geweckt. Die Annahme, daß Bewußtsein sich formalisieren und im Rechner repräsentieren läßt (deshalb benutze ich absichtlich das strenge Wort Grammatik), führt zur sogenannten Church-Turing-These: Alles, was man [Menschen] mit Symbolen machen kann, kann man [mit Computern] auch berechnen. Daraus folgt die Tautologie, daß Rechenautomaten prinzipiell intelligent werden können, wenn das (menschliche) Denken Symbolmanipulation ist. Letzteres ist eine Annahme, die weder bewiesen noch widerlegt ist. Sie ist die zentrale Frage der KI.
Ab wann gilt ein KI-System als intelligent? – Um dieser Frage zu beantworten hat Alain Turing 1950 ein Prinzip, das ´Imitationsspiel´ vorgeschlagen, das heute allgemein als der Turing-Test bekannt ist. Beim Imitationsspiel gibt es einen menschlichen Fragesteller, einen weiblichen und einen männlichen Antwortgeber. Der Fragesteller befindet sich in einem anderen Raum als die Antwortgeber. Der Fragesteller kann beiden Antwortgebern per Fernschreiber Fragen über ihr Geschlecht stellen. Der männliche Antwortgeber muß sich dabei als Frau ausgeben. Wenn man den männlichen Antwortgeber gegen eine Maschine austauscht und diese das Vortäuschen einer weiblichen Person so überzeugend beherrscht, daß es für den Fragesteller nicht unterscheidbar ist, ob es sich um einen Mann oder eine Maschine handelt, gilt die Maschine als intelligent. Vom Turing-Test kursieren weitere, unterschiedliche Definitionen, beispielsweise daß immer ein Mensch und eine Maschine als Antwortgeber fungieren und der Fragesteller aufgerufen ist, beide Antworten zu unterscheiden. Im Gegensatz zu den oben genannten Modellen von Intelligenz wird hier ausschließlich auf sprachlich formalisierte Intelligenz abgehoben. Zu anderen Intelligenzleistungen, beispielsweise ein Bild zu malen, gibt es bislang keine Adaptionen des Turing-Tests oder andere Testmethoden. Sollte die maschinelle Fähigkeit zur Symbolmanipulation allerdings so weit reichen, daß nicht-ideelle ästhetische Qualitäten visueller oder anderer Natur computiert werden können, dürften dieselben Testmethoden anwendbar sein, die auch für Menschen gelten. Jedoch ist es wohl noch ein weiter Weg, bis Maschinen ein funktionierendes Symbolsystem haben werden, das mit Bildern oder Tönen umgehen kann. In den folgenden Abschnitten möchte ich eine Anzahl von realisierten, klassischen KI-Systemen vorstellen, die alle über einen Wissenshintergrund und eine mehr oder weniger leistungsfähige ´Denkgrammatik´ verfügen. Von Bewußtsein kann hier jedoch nicht die Rede sein, wohl aber von einer kristallin organisierten Intelligenzstruktur.
In den frühen sechziger Jahren schrieb Joseph Weizenbaum ein kleines Programm namens ELIZA, das zum wohl berühmtesten Programm der KI-Forschung avancieren sollte. ELIZA schien dazu in der Lage zu sein, mit Menschen eine Unterhaltung führen zu können. Es simulierte einen Psychotherapeuten, der seinem menschlichen Gegenüber Fragen stellte und auf die Antworten reagierte. Dazu wurden auf dem Computerbildschirm abwechselnd Textzeilen für ELIZAs Fragen und die per Tastatur einzugebenden Antworten dargestellt, so daß man immer noch einen gewissen Teil des Gesprächsverlaufs nachlesen konnte. Somit war ELIZA eines der ersten algorithmischen Systeme, das über einen geringfügigen sprachlichen Hintergrund (Schlüsselworte wie ´ist´, ´deprimiert´, Pronomina etc.) verfügte und eine knappe ´Denkgrammatik´ beherrschte. Diese waren allerdings derart rudimentär implementiert, daß man nicht von einer Abbildung von kognitiven oder sprachlichen Fähigkeiten sprechen konnte. – Vielmehr handelte es sich bei ELIZAs vermeintlicher Intelligenz um einen Taschenspielertrick: Das Programm hatte gerade soviel symbolisches Wissen über Sprache, daß es mit Hilfe seines geschickt programmierten Satzsyntheseverfahrens neue, stereotype Fragen aus den Aussagen der Menschen formulieren konnte. Manchmal wurde einfach nach einzelnen Worten gefragt, dann kamen allgemeine Fragen oder die letzte Antwort wurde einfach als Frage umgestellt wiederholt. Weizenbaum bediente sich primitiver Eigenschaften der Sprache und täuschte somit den Menschen einen echten Gesprächspartner vor. Zum Beispiel kann man auf eine Feststellung, in der pauschal ein ´ist´ oder ´sind´ vorkommt, immer nach der Qualität fragen: Mensch: ´Das Leben ist eines der härtesten!´ ELIZA: ´In welcher Weise?´ Selbst voreingenommene Benutzer von ELIZA neigen oft dazu, den Dialog mit der Maschine als persönliches Gespräch aufzufassen. Man ergibt sich sehr einfach der Illusion von echter Kommunikation. Dabei ist es sehr leicht, die Logik des Programms aufs Glatteis zu führen und ihren stupiden Charakter zu entlarven. Dazu muß man Sätze konstruieren, die für ELIZA nur scheinbar mit einer einfachen Regel ableitbar sind. Beispielsweise genügt es oft, Schlüsselworte in Metaphern zu verwenden. Der erweiterte Kontext wird vom Programm nicht erkannt, aber das Schlüsselwort wird dennoch als Auslöser für einen Syntheseprozeß herangezogen: Mensch: ´Geduld war die Mutter meines Erfolges´ ELIZA: ´Sag mir mehr über Deine Mutter´ In diesem Beispiel hat ELIZA das Wort ´Mutter´ und das selbstreflexive Possessivpronomen ´meines´ in dem Satz entdeckt und daraus ´geschlossen´, daß der Kommunikationspartner von seiner Mutter redet. Weizenbaum war sehr schockiert darüber, wie leicht sich viele Menschen hinters Licht führen ließen. Als er von seiner Sekretärin, die der Programmierung von ELIZA schließlich beigewohnt hatte, verlangte, daß sie ihm ihre ´Gespräche´ mit ELIZA zur Studie übergebe, hat diese sich geweigert, weil sie der Ansicht war, daß es sich um persönliche, vertrauliche Gespräche handelte. – Weizenbaum ist heute einer der erbittertsten Kritiker der KI. An ELIZA kann man sehen, wie sehr Menschen selbst bei primitiven Anflügen von intelligentem Verhalten zur Personifizierung von Objekten neigen. Nach Aristoteles ´Anima´, die Seele, wird dieser Vorgang ´Animismus´ genannt. Im Verlauf dieser Arbeit wird der Begriff noch häufiger auftauchen, denn er scheint eine Wahrnehmungsqualität von simulierter oder tatsächlicher Intelligenz zu sein. Offensichtlich wohnt dem Unvorhersagbaren, ob aus Zufall oder aus Komplexität, eine Mystifizierbarkeit inne. Ich bin davon überzeugt, daß der Animismus eine Gestaltungsqualität darstellt, die zukünftig integraler Bestandteil von Designarbeit sein wird. Im Zuge der Betrachtung von Agentensystemen im dritten Teil der Arbeit werde ich darauf näher eingehen.
Nach und nach entstanden vor allen in den siebziger Jahren Programme, die komplexer waren als ELIZA und mehr von sprachlicher Semantik ´verstanden´ haben. Die KI entwickelte eine ihrer wichtigsten Unterdisziplinen bei der Suche nach dem ´General Problem Solver´; man nennt sie NLP – Natural Language Processing. Der ´Plan Applier Mechanism´ von Robert Wilensky (1978) beispielsweise wurde mit Kurzgeschichten gefüttert. Diese konnte er in seiner Handlungsstruktur (´Plan´) zusammenfassen und gegebenenfalls Fragen zum Inhalt beantworten. Andere Programme konnten Gedichte schreiben, in abstrakter Form Handlungen für Geschichten erfinden etc. SHRDLU von Winograd (1972) hatte als Kontext eine Welt, die nur aus farbigen, unterschiedlich großen Klötzchen bestand. Innerhalb dieses begrenzten Wort- und Beschreibungsraumes konnte man sich ganz ´natürlich´ mit SHRDLU per Tastatureingabe unterhalten. Es wußte, welchen Klotz man meinte oder konnte widersprüchliche Eingaben durch Nachfrage untersetzen. Die Schaffung des ´context-space´ wurde zum zentralen Thema der klassischen KI-Forschung.
1984 wurde das bis dato umfangreichste Vorhaben gestartet, dem Computer ein Verständnis von der Welt zu geben. CYC, ausgesprochen wie das englische Wort für Psyche, sollte die Probleme lösen, die der KI-Forschung Steine in den Weg legten. Der Begründer von CYC, Doug Lenat, versammelte ein kleines Team in Austin, Texas, um innerhalb von zehn oder mehr Jahren ein Programm zu schreiben, das über weitreichendes, allgemeines Kontextwissen verfügt. CYC wurde von Hand, per Tastatureingabe, mit Millionen von Informationen gefüttert, etwa in der Art ´Als Lincoln in Washington war, war auch sein rechtes Bein in Washington´. Dabei mußte jeder Begriff mit seinen entsprechenden Kontextparametern eingegeben werden. Das nächste Ziel in CYCs Entwicklung war es, von der mühseligen Tastatureingabe überzugehen zur sprachlichen Konversation. CYC müßte dazu schon so viel Verständnis von der Welt haben, daß es ab nun selbstständig für die kontextuellen Verknüpfungen sorgen könnte. Man rechnete 1984 etwa zur Jahrtausendwende mit dieser Möglichkeit. – Sie ist allerdings noch nicht eingetreten. Wenn CYC genug wüßte, um sprechen zu können, sollte es um eine selbständige Komponente erweitert werden. Es sollte von sich aus lernen, indem es Bücher liest, so daß es ganz explizites Wissen ansammeln könnte. Man erhoffte sich davon, einen ´common sense´, einen ´gesunden Menschenverstand´, zu schaffen. Der Unterschied zwischen CYC und einer Enzyklopädie, wie man sie auf etlichen CDRoms findet, besteht in der symbolischen Verknüpfung des Wissens von CYC. Mittlerweile kann man CYC Fragen der folgenden Art stellen: ´Kannst Du mir unbedeutende Maler des vergangenen Jahrhunderts, die vorwiegend warme Farben und große Formate benutzt haben, nennen?´ Das Beispiel zeigt, daß CYC dazu in der Lage ist, Begriffe in ihrem sprachlichen Kontext zu verstehen, beispielsweise ´warm´ in Bezug auf ´Farbe´, was ELIZA, dem dieses umfangreiche Kontextwissen fehlte, nicht konnte. Die Aussagen von CYC beruhen auf einer Tiefenprüfung aller Verknüpfungsmomente. Dabei ist es möglich, daß CYC auf Widersprüche und Paradoxien stößt. Ursprünglich wurde Wahrheitsgehalt einer Verknüpfung deshalb prozentual eingegeben. Anhand der unterschiedlichen Wahrscheinlichkeiten von widersprüchlichen Informationen konnte CYC die Wahrscheinlichkeit einer Aussage abschätzen. 1990 ist man von diesem Verfahren abgerückt und hat CYC ein Programm spendiert, das es ihm ermöglicht, alle repräsentierten Aussagen als ´wahr´ anzunehmen und bei Widersprüchen aus der Vielzahl der Pros und Contras auf das richtige Ergebnis zu schließen. Inzwischen ist man von den allzu ehrgeizigen Zielen abgerückt. Doug Lenat, der die Firma CYCORP gegründet hat, hält es nicht mehr für sinnvoll, breites Allgemeinwissen in Rechnern zu subsumieren. Wahrscheinlich würde die riesige Datenmenge das System zu sehr belasten, um nach menschlichen Zeitmaßstäben sinnvoll zu kommunizieren. Der Dialog wäre sehr schleppend. Heute erstellt Lenat kleinere und handhabbarere Kontexte. Diese sind nicht vollständig abgeschlossen, sondern haben Schnittstellen zu anderen, naheliegenden Kontextpaketen. Dadurch kann ein kontextbasiertes Sprachsystem sich den spezifischen Anforderungen durch eine Zusammenstellung von Kontextpaketen anpassen. CYC kann man als Produkt von CYCORP kaufen. Es eignet sich dazu, Aussagen nach ihrem Wahrheitsgehalt zu überprüfen, Daten in Datenbanken einzusortieren und gezielt Informationen im World Wide Web zu suchen. In Zukunft sollen noch weitere Schnittstellen eingebaut werden, die die Leistungsfähigkeit von anderen Systemen steigern können. – Man stelle sich Produkte vor, die auf Spracheingaben basieren und nicht nur explizite Befehle, sondern auch Umschreibungen verstehen (´etwas mehr links...´). In entsprechend komplexen Lebensbereichen würde das ´intelligente Produkt´ realisierbar werden. In einem Folgekapitel werde ich CYC nocheinmal aufgreifen, wenn es um autonome Roboter geht, die sich in Kooperation mit Menschen befinden.
Expertensysteme sind Programme, die determinierbares Wissen in einem eng umrissenen Kontext zur Verfügung zu stellen, entweder um einen Experten zu ersetzen oder um ihn zu unterstützen. CYC ist gewissermaßen ein Expertensystem für sprachlichen Kontext, während andere Expertensysteme medizinisches, technologisches oder anderes Spezialwissen darstellen. Die grundlegende Aufgabe eines solchen Systems liegt darin, formalisiertes Spezialwissen zu erwerben und daraus neues Wissen zu schlußfolgern. Das Spezialwissen liegt faktisch und prozedural vor, das heißt, es gibt deklarative und aktiv-manipulierende Symbole und Verknüpfungen. Das ´Denkorgan´ eines Expertensystems, das aus den Symbolen neue Fakten oder Prozeduren gewinnen soll, nennt man nach dem lateinischen Verb ´infere´ – folgern – Inferenzmechanismus. Die Erstellung eines Expertensystems kann mehrere Jahre dauern (siehe CYC), weil sich Expertenwissen schwer formalisieren läßt. Ein Experte verfügt neben Fakten auch über Anschauungen, Problemlösungsstrategien und Heuristiken, die er im Zuge seiner Erfahrungen gewonnen hat. Dadurch ist ein Experte in der Lage, von rein logischen Kausalitäten Abstand zu nehmen und ´intuitive´ Entscheidungen zu treffen. Für die Programmierung von Expertensystemen müssen diese Mechanismen aufwendig kodiert werden. Tatsächlich lassen sie sich nie vollständig abbilden, da der Experte als Mensch auch noch über breites Zusatzwissen verfügt, beziehungsweise weil manches Wissen möglicherweise nicht in Fakten und Regeln aufschlüsselbar ist. Der Umgang mit einem Expertensystem wird über eine Benutzeroberfläche realisiert, über die man natürlichsprachliche oder formalisierte Problemstellungen eingibt. Der Inferenzmechanismus liefert auch aus vagen oder widersprüchlichen Informationen eine Lösung zu dem jeweiligen Problem, innerhalb der Grenzen seiner Expertise. Zur näheren Eingrenzung des Problems kann des System Rückfragen stellen. Als Antwort auf eine Anfrage erhält man meist neben der Lösung auch ein Protokoll der Inferenzschritte, also den Problemlösungsweg und eine Bewertung der Zuverlässigkeit des Ergebnisses. Aufgrund der Möglichkeit eines Irrtums können Expertensysteme nicht in der Rolle von Entscheidungsträgern eingesetzt werden. Ihr Haupteinsatzgebiet sind Diagnose (Medizin, Fehlersuche bei Maschinen), Beratung (Planungsprozesse) und Lehre. Das medizinische Expertensystem MYCIN beispielsweise diagnostiziert die Art von bakteriellen Infekten anhand einer Symptombeschreibung. Wenn man die Symptome eines Beinbruchs eingibt, stellt MYCIN dennoch eine bakterielle Infektion fest, weil es seine eigenen Grenzen nicht einschätzen kann. Auch wenn ein Expertensystem nur eine Assistenzfunktion für einen menschlichen Experten hat, besteht die Gefahr, daß eine Fehlentscheidung des Systems von dem Experten mitgetragen wird, da auch bei Expertensystemen eine Art Animismus einfließt, weil die Kausalität des Inferenzverfahrens als determiniert wahrgenommen werden kann. Daß der Selbstverständlichkeit, mit der ein KI-Algorithmus seine Problemlösung vertritt, zu sehr vertraut wird, nennt man im Fachjargon ad-hockery. Auch bei diesem Wahrnehmungseffekt bin ich davon überzeugt, daß er eine zentrale Rolle in zukünftigen Gestaltungsprozessen spielen wird. Sowenig wie CYC lesen gelernt hat, können Expertensysteme selbständig aus Fehlern lernen. Jede Fehlervermeidung verlangt das Hinzufügen mindestens einer neuen Regel für den Inferenzmechanismus. Da Systeme ab einer Regeldicke von unter 10000 schon als nicht mehr handhabbar gelten, kann man sich vorstellen, daß ihr Einsatzgebiet sehr eng ist. Wenn es zu breit wird, sind die Inferenzprotokolle oft schon so lang und kompliziert, daß die Entscheidung des Expertensystems nicht mehr nachvollzogen werden kann. Am Beispiel von Expertensystemen zeigt sich meiner Ansicht nach, wo die Grenzen der Symbolischen KI momentan noch liegen. Es dürfte zu schwer werden, einen ´General Problem Solver´ in seiner ganzen Komplexität zu formalisieren, geschweige denn einen bewußten, denkfähi |