Brendan Lake ist ein Kognitionswissenschaftler und Professor an der New York University, wo er die computergestützten Prinzipien untersucht, die menschliches Lernen und Denken ermöglichen, mit dem Ziel, menschenähnlichere künstliche Intelligenz zu entwickeln. Seine Forschung liegt an der Schnittstelle von maschinellem Lernen, Kognitionswissenschaft und künstlicher Intelligenz und konzentriert sich darauf, wie Maschinen aus weniger Beispielen lernen, flexibler generalisieren und Konzepte auf eine Weise erwerben können, die die menschliche Kognition widerspiegelt. Lake ist besonders bekannt für seine Arbeit zur probabilistischen Programminduktion, die Herausforderung der „Human Level AI" und sein Engagement, Erkenntnisse aus der Entwicklungspsychologie in die KI-Forschung zu integrieren.
Lake absolvierte sein Grundstudium an der Stanford University, wo er früh ein Interesse sowohl an Informatik als auch an Psychologie entwickelte. Anschließend setzte er seine Graduiertenarbeit am Massachusetts Institute of Technology fort und promovierte in Kognitionswissenschaft unter der Betreuung von Joshua Tenenbaum. Seine Doktorarbeit konzentrierte sich auf die Modellierung menschlichen Konzeptlernens mithilfe probabilistischer Programme, ein Rahmenwerk, das Konzepte als strukturierte generative Modelle behandelt. Diese Arbeit gipfelte in mehreren einflussreichen Veröffentlichungen, die zeigten, wie Menschen komplexe Konzepte aus sehr wenigen Beispielen lernen können, eine Fähigkeit, die damaligen Standardmodellen des tiefen Lernens fehlte.
Frühe Karriere und akademische Positionen
Nach seiner Promotion hatte Lake Postdoktorandenstellen am MIT und später an der New York University inne, wo er mit Forschern sowohl in den psychologischen als auch in den Informatikabteilungen zusammenarbeitete. 2017 trat er als Assistenzprofessor in der Abteilung für Psychologie und dem Center for Data Science der NYU bei. 2021 wurde er zum außerordentlichen Professor und 2024 zum ordentlichen Professor befördert. Sein Labor, das Computation and Cognition Lab, konzentriert sich auf die Entwicklung computergestützter Modelle, die menschliche Lern- und Denkfähigkeiten erfassen, mit einem Schwerpunkt auf Kompositionalität, Kausalität und intuitiver Physik.
Lake war auch mit dem Center for Brains, Minds and Machines (CBMM) verbunden, einem multidisziplinären Forschungszentrum, das von der National Science Foundation finanziert wird und darauf abzielt, Intelligenz durch die Kombination von Neurowissenschaften, Kognitionswissenschaft und Informatik zu verstehen. Über CBMM hat er eng mit Kollegen wie Joshua Tenenbaum und Melanie Mitchell an Projekten zusammengearbeitet, die die Grenzen aktueller KI-Systeme untersuchen.
Wichtige Forschungsbeiträge
Einer der am häufigsten zitierten Beiträge von Lake ist der Artikel „Human-level concept learning through probabilistic program induction" aus dem Jahr 2015, veröffentlicht in Science, der den Omniglot-Datensatz einführte. Dieser Datensatz besteht aus 1.623 handgeschriebenen Zeichen aus 50 verschiedenen Schriftsystemen und wurde entwickelt, um das Ein-Schuss-Lernen zu testen. Lake und seine Kollegen zeigten, dass ein Bayes'sches Programm-Lernmodell ein neues Zeichen aus einem einzigen Beispiel lernen und bei Klassifikationsaufgaben genauso gut abschneiden konnte wie Menschen, während es gleichzeitig neue, menschenähnliche Variationen der Zeichen erzeugte. Diese Arbeit hob die Bedeutung von strukturiertem Wissen und Kompositionalität hervor, die in rein konnektionistischen Ansätzen oft fehlen.
2016 war Lake Mitautor eines viel diskutierten Artikels mit dem Titel „Building machines that learn and think like people" zusammen mit Joshua Tenenbaum und anderen. Der Artikel argumentierte, dass KI stärker auf die Kognitionswissenschaft zurückgreifen sollte, und betonte die Notwendigkeit von Modellen, die kausale Modelle lernen, intuitive Physik nutzen und über unbeobachtete Variablen nachdenken können. Er schlug eine Roadmap vor, um tiefes Lernen mit strukturierten probabilistischen Modellen zu kombinieren, ein Thema, das Lake in späteren Arbeiten weiterentwickelt hat.
Lake hat auch zur Erforschung der intuitiven Physik und intuitiven Psychologie beigetragen. Seine Forschung untersuchte, wie Menschen Vorhersagen über physikalische Ereignisse treffen, wie etwa die Stabilität von Blöcktürmen, und wie diese Vorhersagen mit simulationsbasierten Ansätzen modelliert werden können. Er hat Artikel über die Rolle physikalischer Simulation im menschlichen Urteilsvermögen veröffentlicht und gezeigt, dass die Erwartungen der Menschen eng mit den Ausgaben von Physik-Engines übereinstimmen, was darauf hindeutet, dass das Gehirn möglicherweise approximative Simulationen durchführt.
Die Human Level AI Herausforderung
2022 führte Lake die „Human Level AI"-Herausforderung ein, einen Benchmark, der testen soll, ob KI-Systeme menschengleiche Leistungen bei einer Reihe kognitiver Aufgaben erzielen können. Die Herausforderung umfasst Aufgaben wie visuelles Konzeptlernen, Sprachverständnis und soziales Denken, die aus Paradigmen der Entwicklungspsychologie stammen. Lake argumentierte, dass aktuelle großskalige Modelle trotz ihrer beeindruckenden Leistungen bei engen Aufgaben nicht die Flexibilität und Robustheit menschlicher Kognition aufweisen. Die Herausforderung wurde von mehreren Forschungsgruppen als Ziel zur Bewertung des Fortschritts in Richtung allgemeinerer KI übernommen.
Lake war ein lautstarker Kritiker der Idee, dass allein die Skalierung von neuronalen Netzwerk-Modellen zu menschengleicher Intelligenz führen wird. In Vorträgen und Artikeln hat er darauf hingewiesen, dass selbst große Sprachmodelle, wie solche, die auf der Transformer-Architektur basieren, mit kompositioneller Generalisierung und kausalem Denken kämpfen. Er befürwortet einen hybriden Ansatz, der tiefes Lernen mit symbolischem Denken und probabilistischer Inferenz kombiniert, eine Idee, die in der breiteren KI-Gemeinschaft an Zugkraft gewonnen hat.
Kooperationen und interdisziplinäre Arbeit
Im Laufe seiner Karriere hat Lake die Bedeutung interdisziplinärer Zusammenarbeit betont. Er hat mit Entwicklungspsychologen zusammengearbeitet, um zu untersuchen, wie Kinder Konzepte lernen, mit Neurowissenschaftlern, um die neuronale Basis der Kognition zu verstehen, und mit Informatikern, um neue Algorithmen zu entwickeln. Seine Kooperationen erstreckten sich auf Forscher bei Google DeepMind, OpenAI und anderen führenden KI-Labors, obwohl er auch eine kritische Perspektive auf die Grenzen dieser Systeme beibehalten hat.
Lake war Mitglied der Herausgebergremien mehrerer Zeitschriften, darunter Cognitive Science und das Journal of Machine Learning Research. Er war auch Programmausschussmitglied für große Konferenzen wie NeurIPS, ICML und CogSci. Seine Arbeit wurde durch Zuschüsse der National Science Foundation, der Defense Advanced Research Projects Agency (DARPA) und der Simons Foundation finanziert.
Lehre und Mentorschaft
An der NYU unterrichtet Lake Kurse über computergestützte Kognitionswissenschafft und maschinelles Lernen. Seine Kurse sind für ihre Strenge bekannt und dafür, Studenten dazu zu ermutigen, kritisch über die Annahmen hinter KI-Modellen nachzudenken. Er hat zahlreiche PhD-Studenten und Postdoktoranden betreut, von denen viele Positionen in Akademie und Industrie übernommen haben. Sein Mentoringstil betont tiefes konzeptuelles Verständnis und die Bereitschaft, dominante Paradigmen in Frage zu stellen.
Lake war auch in der öffentlichen Öffentlichkeitsarbeit aktiv, hielt Vorträge an Orten wie dem Aspen Ideas Festival und trat in Dokumentarfilmen über KI auf. Er hat Meinungsbeiträge für populäre Medien geschrieben, die für einen wissenschaftlich fundierteren Ansatz in der KI-Entwicklung argumentieren. Sein öffentliches Engagement zielt darauf ab, KI zu entmystifizieren und die Lücken zwischen aktuellen Systemen und menschlicher Intelligenz aufzuzeigen.
Auszeichnungen und Anerkennung
Lake hat mehrere Auszeichnungen für seine Forschung erhalten, darunter den Computational Modeling Prize der Cognitive Science Society und das Sloan Research Fellowship in Neuroscience. 2020 wurde er zum CIFAR Azrieli Global Scholar im KI-Programm ernannt, das vielversprechende Forscher in der frühen Karriere anerkennt. Seine Artikel wurden zehntausende Male zitiert, und er wird regelmäßig zu Hauptvorträgen auf internationalen Konferenzen eingeladen.
Aktuelle Richtungen
Stand 2025 erforscht Lakes Forschung weiterhin, wie KI-Systeme gebaut werden können, die wie Menschen lernen und denken. Seine jüngsten Arbeiten konzentrieren sich auf die Entwicklung von Benchmarks zur Messung kompositioneller Generalisierung, die Untersuchung, wie Menschen abstrakte Regeln lernen, und die Erforschung der Rolle von Sprache bei der Formung des Denkens. Er hat auch begonnen zu untersuchen, wie Erkenntnisse aus der Kognitionswissenschafft die Gestaltung interpretierbarerer und vertrauenswürdigerer KI-Systeme informieren können, ein Thema von wachsender Bedeutung, da KI in hochriskanten Bereichen eingesetzt wird.
Lake bleibt optimistisch hinsichtlich des Potenzials von KI, der Gessellschaft zu nutzen, aber er warnt davor, aktuelle Fähigkeiten zu überhypen. Er argumentiert, dass das Erreichen menschengleicher KI ein tieferes Verständnis menschlicher Kognition erfordert, nicht nur mehr Daten und Rechenleistung. Seine Vision ist eine, in der KI-Systeme auf Prinzipien aufgebaut sind, die aus der Kognitionswissenschafft abgeleitet werden, was zu Maschinen fürt, die auf Weisen lernen, denken und mit der Welt interagieren können, die wirklich intelligent sind.
Ausgewählte Veröffentlichungen
Zu den einflussreichsten Veröffentlichungen von Lake gehören:
- Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
- Lake, B. M., & Baroni, M. (2018). Generalization without systematicity: On the compositional skills of sequence-to-sequence recurrent networks. ICML.
- Lake, B. M. (2019). Compositional generalization through meta-sequence-to-sequence learning. NeurIPS.
Diese Arbeiten haben Debatten über die Natur der Generalisierung und die Zukunft der KI-Forschung geprägt.
Auswirkungen auf das Feld
Lakes Beharren darauf, die Kognitionswissenschafft zurück in die KI zu bringen, hat eine neue Generation von Forschern beeinflusst. Seine Kritiken am tiefen Lernen haben viele dazu veranlaßt, die Annahmen hinter großskaligen Modellen zu überdenken. Während einige seine Ansichten als übermäßig pessimistisch abtun, sehen andere sie als notwändige Korrektur für die Tendenz des Feldes, Skalierung mit Intelligenz gleichzusetzen. Seine Arbeit an Omniglot ist zu einem Standard-Benchmark für Few-shot-Lernen geworden, und seine Ideen über probabilistische Programme haben zahlreiche Folgeuntersuchungen inspiriert.
Zusammenfassend sticht Brendan Lake als führende Stimme hervor, die für einen menschenzentrierten Ansatz in der künstlichen Intelligenz plädiert. Durch die Brückenbildung zwischen Kognitionswissenschafft und maschinellem Lernen hat er bleibende Beiträge zu beiden Feldern geleistet und fordert die KI-Gemeinschaft weiterhin heraus, höher zu zielen als bloßes Mustererkennen.