Ein Bongard-Problem ist eine Art visuelles Rätsel, bei dem eine Person oder eine Maschine eine Regel identifizieren muss, die zwei Mengen von Bildern unterscheidet, die typischerweise nebeneinander dargestellt werden. Jede Menge enthält sechs einfache Diagramme, und der Lösende muss ein binäres Klassifikationskriterium finden, das die linke Menge von der rechten Menge trennt. Die Probleme wurden vom sowjetischen Informatiker Michail Bongard in seinem Buch „Mustererkennung“ von 1970 eingeführt und sind seitdem zu einem Standard-Benchmark in der Kognitionswissenschaft und der Forschung zur künstlichen Intelligenz geworden.
Bongard-Probleme sind bekannt für ihre Kombination aus wahrnehmungsbezogener und konzeptueller Schwierigkeit. Die Regeln können geometrische Eigenschaften wie Form, Größe, Ausrichtung, Anzahl oder räumliche Anordnung betreffen, erfordern jedoch oft abstraktes Denken über Beziehungen, Symmetrie oder sogar semantische Kategorien. Da die Bilder bewusst minimalistisch sind, isolieren die Probleme die zentrale Herausforderung, eine allgemeine Regel aus begrenzten Beispielen zu entdecken – eine Aufgabe, die für Menschen in vielen Fällen trivial ist, für Maschinen jedoch notorisch schwierig.
Historischer Kontext
Michail Bongard entwickelte diese Probleme während seiner Arbeit am Institut für Kybernetik in Moskau, mit dem Ziel, die Mechanismen der Mustererkennung in biologischen und künstlichen Systemen zu verstehen. Seine Monographie von 1970 präsentierte 100 Probleme, die jeweils darauf ausgelegt waren, verschiedene Aspekte der visuellen Abstraktion zu testen. Die Probleme erlangten im Westen größere Aufmerksamkeit durch Douglas Hofstadters Buch „Gödel, Escher, Bach“ von 1979, das sie als Beispiele für das „implizite Wissen“ diskutierte, das an Wahrnehmung und Analogiebildung beteiligt ist. Hofstadter verwendete Bongard-Probleme später in seiner Forschung am MIT Computer Science and Artificial Intelligence Laboratory, wo er und seine Studenten computergestützte Modelle entwickelten, um sie zu lösen.
Struktur und Beispiele
Ein typisches Bongard-Problem präsentiert zwei Kästen, die mit A und B beschriftet sind, die jeweils sechs kleine Diagramme enthalten. Der Lösende muss eine Regel finden, die alle sechs Diagramme in Kasten A erfüllen, während keines der sechs in Kasten B sie erfüllt. Beispielsweise könnte ein Problem in Kasten A nur Formen mit einer geraden Anzahl von Seiten enthalten und in Kasten B Formen mit ungerader Seitenzahl. Ein anderes könnte erfordern, zu erkennen, dass alle Figuren in Kasten A vertikal ausgerichtet sind, während die in Kasten B horizontal sind. Die Regeln können hierarchisch sein, wie „alle Formen in A enthalten einen kleinen Kreis innerhalb eines größeren Dreiecks“, oder sie können Vergleiche zwischen Elementen beinhalten, wie „die Anzahl der schwarzen Punkte entspricht der Anzahl der weißen Quadrate“.
Einige Probleme sind bewusst mehrdeutig, mit mehreren plausiblen Regeln, was die Rolle von Vorwissen und Kontext bei der Interpretation hervorhebt. Der Schwierigkeitsgrad reicht von trivial (z. B. Farbe oder Größe) bis hochabstrakt (z. B. „die Figuren in A sind alle topologisch äquivalent zu einem Kreis“).
Rolle in der Kognitionswissenschaft
Kognitionswissenschaftler haben Bongard-Probleme verwendet, um menschliche Konzeptbildung, induktives Denken und die Natur der visuellen Intelligenz zu untersuchen. Forscher wie Joshua Tenenbaum und Brendan Lake an der Stanford University und dem MIT haben sie als Beispiele für die „Fast Mapping“- und „One-Shot-Learning“-Fähigkeiten angeführt, die Menschen besitzen, Maschinen jedoch fehlen. Die Probleme erfordern nicht nur Musterabgleich, sondern auch die Fähigkeit, Hypothesen über abstrakte Kategorien zu generieren und zu testen – ein Prozess, der weiterhin schlecht verstanden wird. Studien haben gezeigt, dass menschliche Lösende oft auf verbalisierbare Regeln zurückgreifen, was auf eine Verbindung zwischen Sprache und visuellem Denken hindeutet.
Maschinelles Lernen und KI-Benchmarks
Im Bereich der künstlichen Intelligenz sind Bongard-Probleme zu einem Benchmark für die Bewertung visueller Denkfähigkeiten geworden. Frühe Versuche in den 1970er- und 1980er-Jahren verwendeten symbolische KI-Ansätze, scheiterten jedoch an der offenen Natur der Regeln. Mit dem Aufkommen von maschinellem Lernen und Deep Learning haben Forscher neue Datensätze auf Basis von Bongard-Problemen entwickelt, wie den Bongard-HOI-Datensatz (2020) und den Bongard-LOGO-Datensatz (2022), die große Mengen von Problemen programmatisch generieren. Diese Datensätze werden verwendet, um neuronale Netze und Transformer-basierte Modelle zu testen, einschließlich großer Sprachmodelle, wenn sie mit visuellen Encodern kombiniert werden.
Aktuelle Systeme mit dem Stand der Technik erreichen bei neuartigen Bongard-Problemen weiterhin eine weit unter der menschlichen Genauigkeit liegende Leistung. Beispielsweise ergab eine Studie aus dem Jahr 2023, dass selbst die besten Modelle bei einer Menge von 100 Problemen nur etwa 60 % Genauigkeit erreichten, verglichen mit nahezu perfekter menschlicher Leistung. Die Schwierigkeit liegt in der Notwendigkeit kompositionellen Denkens und der Fähigkeit, aus wenigen Beispielen zu verallgemeinern, was im Gegensatz zur datenhungrigen Natur der meisten Deep-Learning-Ansätze steht. Forscher bei Google DeepMind und OpenAI haben untersucht, Bongard-Probleme zu verwenden, um die Denkfähigkeiten ihrer Modelle zu testen, aber kein System hat sie bisher gemeistert.
Verwandte Konzepte und zukünftige Richtungen
Die Probleme sind eng mit anderen visuellen Denkaufgaben verwandt, wie Raven’s Progressive Matrices, bei denen es darum geht, ein Muster in einem Raster zu vervollständigen, und dem Abstraction and Reasoning Corpus (ARC), das von François Fleuret im Jahr 2019 eingeführt wurde. ARC teilt das Ziel, allgemeine Intelligenz durch visuelle Rätsel zu messen, verwendet jedoch ein anderes Format. Einige Forscher argumentieren, dass Bongard-Probleme anspruchsvoller sind, weil sie das Entdecken einer binären Regel aus positiven und negativen Beispielen erfordern, während ARC-Aufgaben oft Transformationsregeln beinhalten.
Zukünftige Arbeiten könnten die Kombination von Bongard-Problemen mit Curriculum Learning oder Meta-Learning-Ansätzen umfassen oder deren Verwendung zur Bewertung der emergenten Denkfähigkeiten von generativen KI-Systemen. Stand Mitte der 2020er-Jahre hat kein veröffentlichtes System eine menschenähnliche Leistung bei einer breiten Menge von Bongard-Problemen erreicht, was sie zu einem aktiven Forschungsgebiet auf der Suche nach künstlicher allgemeiner Intelligenz macht.