Menschliches Problemlösen ist der kognitive Prozess, durch den Einzelpersonen oder Gruppen eine Diskrepanz zwischen einem aktuellen Zustand und einem gewünschten Ziel identifizieren und dann eine Abfolge von Operationen entwickeln und ausführen, um diese Diskrepanz zu verringern oder zu beseitigen. Es ist ein grundlegender Aspekt der Intelligenz und umfasst alles von alltäglichen Aufgaben wie der Routenplanung bis hin zu komplexen wissenschaftlichen Entdeckungen. Die Erforschung des menschlichen Problemlösens war historisch gesehen ein zentrales Thema der Psychologie und Kognitionswissenschaft und diente auch als grundlegende Inspiration für das Gebiet der künstlichen Intelligenz, wo Forscher versucht haben, diese Prozesse in Maschinen zu modellieren und nachzubilden.
Die frühe psychologische Forschung, insbesondere in der Mitte des 20. Jahrhunderts, betrachtete Problemlösen als eine Form der Suche durch einen Problemraum. Diese Perspektive, die von Persönlichkeiten wie Allen Newell und Herbert Simon vertreten wurde, betrachtete ein Problem als bestehend aus einem Anfangszustand, einem Zielzustand und einer Reihe von Operatoren, die einen Zustand in einen anderen überführen. Die Aufgabe des Lösers besteht darin, einen Pfad durch diesen Raum zu finden, wobei oft Heuristiken - mentale Abkürzungen oder Faustregeln - verwendet werden, um die Suche zu beschneiden und handhabbar zu machen. Dieser informationsverarbeitende Ansatz führte zur Entwicklung früher KI-Programme wie des General Problem Solver, der explizit versuchte, die menschliche heuristische Suche nachzuahmen.
Heuristiken und Verzerrungen
Ein bedeutender Forschungsstrang, der in den 1970er Jahren von den Psychologen Daniel Kahneman und Amos Tversky Pionierarbeit leistete, konzentrierte sich auf die Heuristiken, die Menschen tatsächlich verwenden und die oft von der normativen Logik abweichen. Sie identifizierten häufige Abkürzungen wie Repräsentativität (Beurteilung der Wahrscheinlichkeit durch Ähnlichkeit), Verfügbarkeit (Beurteilung der Häufigkeit durch die Leichtigkeit des Abrufs) und Verankerung (übermäßiges Verlassen auf eine erste Information). Diese Heuristiken sind im Allgemeinen effizient, können aber zu systematischen Fehlern oder kognitiven Verzerrungen führen. Diese Arbeit stellte die Vorstellung des Menschen als rein rationalen Akteurs in Frage und hob die begrenzte Natur der menschlichen Rationalität hervor - ein Konzept, das die Bewertung von Maschinenlernmodellen beeinflusst hat, insbesondere beim Verständnis ihrer Fehlermodi und Grenzen.
Einsicht und Umstrukturierung
Nicht alles Problemlösen beinhaltet inkrementelle Suche. Gestaltpsychologen betonten früher im 20. Jahrhundert die Rolle der Einsicht - eine plötzliche, oft nicht-bewusste Umstrukturierung des Problems, die zu einer sofortigen Lösung führt. Klassische Beispiele sind das Neun-Punkte-Rätsel, bei dem der Löser eine implizite Annahme über Grenzen durchbrechen muss. Die Forschung zur Einsicht hat gezeigt, dass sie oft eine Phase der Sackgasse beinhaltet, gefolgt von einem plötzlichen Aufblitzen des Verständnisses. Dies steht im Gegensatz zu algorithmischen Schritt-für-Schritt-Ansätzen. In der modernen KI hat das Konzept der Einsicht Parallelen in der Fähigkeit von großen Sprachmodellen, neuartige Lösungen für unbekannte Probleme zu produzieren, obwohl ob diese Systeme wirklich Probleme umstrukturieren oder sich auf Mustervervollständigung verlassen, bleibt unter Forschern wie Melanie Mitchell ein Diskussionsthema.
Problemlösen in der künstlichen Intelligenz
Das formale Studium des menschlichen Problemlösens hat die frühe KI direkt geprägt. Der Schachcomputer Deep Blue, der 1997 den Weltmeister Garry Kasparov besiegte, verwendete einen Brute-Force-Suchalgorithmus, aber seine Bewertungsfunktion wurde mit menschlichem Schachwissen abgestimmt. In jüngerer Zeit hat die Verschiebung von symbolischer KI zu Deep Learning den Fokus von expliziter Suche auf das Lernen von Repräsentationen aus Daten verlagert. Neuronale Netze, insbesondere Transformatoren, werden darauf trainiert, nächste Tokens oder Aktionen vorherzusagen, und ihre Problemlösungsfähigkeiten entstehen aus diesen statistischen Mustern. Zum Beispiel können die GPT-Serie von OpenAI und die Claude-Modelle von Anthropic komplexe Denkaufgaben lösen, aber ihre Methoden sind undurchsichtig und unterscheiden sich oft von menschlichen kognitiven Prozessen. Forscher wie Joshua Tenenbaum am MIT CSAIL argumentieren, dass aktuelle KI das kausale Verständnis und die intuitive Physik vermissen lässt, die dem menschlichen Problemlösen zugrunde liegen, und befürworten eine Synthese von Deep Learning mit symbolischem Denken.
Computermodelle und kognitive Architekturen
Um die Kluft zwischen menschlichem und maschinellem Problemlösen zu überbrücken, haben Kognitionswissenschaftler Computermodelle gebaut, die die menschliche Leistung simulieren. Die ACT-R-Architektur, entwickelt von John Anderson an der Carnegie Mellon University, versucht, die zugrunde liegenden kognitiven Prozesse zu modellieren, einschließlich Gedächtnisabruf und Erwerb prozeduraler Fähigkeiten. In ähnlicher Weise ist die SOAR-Architektur, die von Newell und seinen Studenten entwickelt wurde, darauf ausgelegt, eine breite Palette von Problemlösungsaufgaben mit einem Produktionssystem zu bewältigen. Diese Modelle wurden verwendet, um menschliche Reaktionszeiten und Fehlerraten in kontrollierten Experimenten vorherzusagen, und bieten eine testbare Verbindung zwischen psychologischer Theorie und computergestützter Implementierung. Sie informieren auch das Design von menschenähnlicherer KI, wie die Bemühungen von Sanctuary AI, Allzweck-Roboter zu bauen, die über ihre Umgebung nachdenken.
Moderne Herausforderungen und zukünftige Richtungen
Die zeitgenössische Forschung zum menschlichen Problemlösen ist zunehmend interdisziplinär und kombiniert Psychologie, Neurowissenschaften und KI. Eine zentrale Herausforderung ist das Verständnis, wie Menschen schlecht strukturierte Probleme lösen, bei denen das Ziel oder die Operatoren nicht klar definiert sind. Eine andere ist die Rolle von Kreativität und analogem Denken, bei dem Lösungen aus einer Domäne auf eine andere übertragen werden. In der KI hat das Streben nach generativer KI, die neuartige Probleme lösen kann, zu Techniken wie RLHF (Verstärkungslernen aus menschlichem Feedback) geführt, um das Modellverhalten mit menschlichen Präferenzen in Einklang zu bringen. Bis Anfang der 2020er Jahre haben KI-Systeme jedoch immer noch Schwierigkeiten mit Aufgaben, die gesunden Menschenverstand, langfristige Planung und robuste Anpassung an sich ändernde Umstände erfordern - Bereiche, in denen menschliches Problemlösen herausragt. Die laufende Arbeit an Institutionen wie dem Stanford AI Lab und Berkeley AI Research erforscht weiterhin diese Grenzen und lässt sich oft direkt von der Kognitionswissenschaft inspirieren, um leistungsfähigere und interpretierbarere Systeme zu bauen.