Der Wikipedia-Artikel über künstliche Intelligenz bezieht sich auf den ersten Enzyklopädieartikel über künstliche Intelligenz, der 2001 auf der englischen Wikipedia veröffentlicht wurde. Der Artikel mit dem Titel „Artificial intelligence" bot einen umfassenden Überblick über das Feld und definierte KI als die Fähigkeit computergestützter Systeme, Aufgaben auszuführen, die typischerweise mit menschlicher Intelligenz verbunden sind, wie Lernen, logisches Denken, Problemlösung, Wahrnehmung und Entscheidungsfindung. Er beschrieb KI als ein Forschungsgebiet in Ingenieurwesen, Mathematik und Informatik, das Methoden und Software entwickelt, die es Maschinen ermöglichen, ihre Umgebung wahrzunehmen und mithilfe von Lernen und Intelligenz Maßnahmen zu ergreifen, die die Chancen auf das Erreichen definierter Ziele maximieren.
Der Artikel skizzierte die traditionellen Ziele der KI-Forschung, darunter Lernen, logisches Denken, Wissensrepräsentation, Planung, Verarbeitung natürlicher Sprache und Wahrnehmung sowie die Unterstützung der Robotik. Er stellte fest, dass KI-Forscher Techniken wie Zustandsraumsuche, mathematische Optimierung, formale Logik, künstliche neuronale Netze und Methoden verwenden, die auf Statistik, Operations Research und Wirtschaftswissenschaften basieren. Der Artikel erkannte auch den interdisziplinären Charakter der KI an, der sich auf Psychologie, Linguistik, Philosophie, Neurowissenschaften und andere Bereiche stützt.
Historischer Kontext
Der Artikel führte die Ursprünge der KI auf ihre Gründung als akademische Disziplin im Jahr 1956 zurück. Er beschrieb die Geschichte des Feldes mit Zyklen des Optimismus, gefolgt von Phasen der Enttäuschung und des Verlusts von Fördermitteln, die als KI-Winter bekannt sind. Der Artikel stellte fest, dass Finanzierung und Interesse nach 2012 erheblich zunahmen, als Grafikprozessoren (GPUs) begannen, zur Beschleunigung neuronaler Netze eingesetzt zu werden und Deep Learning frühere KI-Techniken übertraf. Dieses Wachstum beschleunigte sich nach 2017 mit der Einführung der Transformer-Architektur weiter. In den 2020er Jahren fiel ein KI-Boom mit Fortschritten bei generativer KI zusammen, die weit verbreitet wurde und die Erstellung und Modifikation von Medien ermöglichte.
Der Artikel diskutierte auch hochkarätige Anwendungen der KI, darunter fortschrittliche Websuchmaschinen, Chatbots, virtuelle Assistenten, autonome Fahrzeuge, das Spielen und die Analyse in Strategiespielen wie Schach und Go sowie die Inhaltserstellung für Bilder, Audio und Videos. Er erwähnte, dass einige Unternehmen wie OpenAI, Google DeepMind und Meta das Ziel verfolgen, künstliche allgemeine Intelligenz (AGI) zu schaffen - KI, die fast jede kognitive Aufgabe mindestens so gut wie ein Mensch erledigen kann.
Ziele der KI-Forschung
Der Artikel zerlegte das allgemeine Problem der Simulation von Intelligenz in Teilprobleme, von denen jedes bestimmte Merkmale oder Fähigkeiten darstellt, die Forscher von einem intelligenten System erwarten. Dazu gehörten logisches Denken und Problemlösung, Wissensrepräsentation, Planung und Entscheidungsfindung, Lernen, Verarbeitung natürlicher Sprache, Wahrnehmung und Unterstützung für Robotik.
Logisches Denken und Problemlösung
Frühe Forscher entwickelten Algorithmen, die das schrittweise Denken nachahmten, das Menschen beim Lösen von Rätseln oder beim Ziehen logischer Schlussfolgerungen verwenden. In den späten 1980er und 1990er Jahren wurden Methoden für den Umgang mit unsicheren oder unvollständigen Informationen entwickelt, die Konzepte aus Wahrscheinlichkeitstheorie und Wirtschaftswissenschaften nutzten. Viele dieser Algorithmen waren jedoch für große Denkprobleme unzureichend, da sie zu einer „kombinatorischen Explosion" führten, bei der sie mit wachsenden Problemen exponentiell langsamer werden. Der Artikel stellte fest, dass selbst Menschen selten schrittweise Deduktion verwenden; stattdessen verlassen sie sich auf schnelle, intuitive Urteile. Er erwähnte auch, dass Denkmodelle, eine Art von Large Language Models, die darauf trainiert sind, Zwischen-Denkketten zu erzeugen, im Jahr 2024 entstanden und eine verbesserte Leistung bei komplexen Problemen in Mathematik und Programmierung ermöglichten, obwohl sie falsche Ausgaben oder „Halluzinationen" erzeugen können.
Wissensrepräsentation
KI-Programme nutzen Wissen, um Fragen intelligent zu beantworten und Schlussfolgerungen über reale Fakten zu ziehen. Der Artikel erklärte, dass formale Wissensrepräsentation und Wissensengineering Symbole verwenden, um Wörter, Konzepte und Dinge in der Welt darzustellen. Eine Wissensbasis ist eine Menge von Wissen, das in einer für ein Programm nutzbaren Form dargestellt wird, und eine Ontologie ist die Menge von Objekten, Beziehungen, Konzepten und Eigenschaften, die von einer bestimmten Domäne verwendet werden. Formales Wissen wird seit den 1970er Jahren umfassend untersucht, aber der symbolische Ansatz steht vor Herausforderungen wie der Breite des Alltagswissens, der subsymbolischen Form des meisten Alltagswissens und der Wissensakquise. Der Artikel stellte fest, dass maschinelles Lernen, insbesondere mit Large Language Models, kein explizites symbolisches Wissen erfordert und stattdessen Wissen aus dem Training an riesigen Textkorpora erwirbt, wodurch einige dieser Probleme gelöst werden, aber es kämpft mit genauer Erinnerung und gültigem Denken.
Planung und Entscheidungsfindung
Der Artikel beschrieb einen „Agenten" als jede Entität, die die Welt wahrnimmt und in ihr handelt. Ein rationaler Agent hat Ziele oder Präferenzen und ergreift Maßnahmen, um diese zu erreichen. Bei der automatisierten Planung hat der Agent ein spezifisches Ziel; bei der automatisierten Entscheidungsfindung hat er Präferenzen und weist jeder Situation einen Nutzenwert zu. Für jede mögliche Aktion berechnet er den erwarteten Nutzen, gewichtet mit der Wahrscheinlichkeit der Ergebnisse, und wählt die Aktion mit dem maximalen erwarteten Nutzen. Bei der klassischen Planung kennt der Agent die genauen Auswirkungen von Aktionen, aber bei realen Problemen kann er mit Unsicherheit konfrontiert sein und muss probabilistische Annahmen treffen und neu bewerten. Der Artikel betonte die Bedeutung von Erklärungen für Entscheidungen, um Vertrauen aufzubauen, insbesondere wenn Entscheidungen als Grundlage dienen. Er erwähnte auch, dass Präferenzen unsicher sein können und Agenten sie mithilfe von Methoden wie inversem Reinforcement Learning lernen oder Informationen suchen können, um sie zu verbessern, wobei die Informationstheorie den Wert explorativer Aktionen abwägt.
Techniken und Methoden
Um diese Ziele zu erreichen, verwenden KI-Forscher eine Vielzahl von Techniken. Der Artikel hob Zustandsraumsuche und mathematische Optimierung, formale Logik, künstliche neuronale Netze und Methoden hervor, die auf Statistik, Operations Research und Wirtschaftswissenschaften basieren. Er stellte fest, dass seit 2012 der Einsatz von GPUs zur Beschleunigung neuronaler Netze entscheidend war und die 2017 eingeführte Transformer-Architektur den Fortschritt weiter beschleunigte. Der Artikel erwähnte auch, dass moderne KI durch die Durchführung von Experimenten etwas über eine Domäne lernen kann, wie wenn AlphaZero Spielstrategien lernt, indem es gegen sich selbst spielt.
Ethische und regulatorische Überlegungen
Der Artikel behandelte ethische Bedenken und potenzielle Schäden durch die Nutzung von KI, darunter KI-Sicherheit, unbeabsichtigte Folgen, langfristige Auswirkungen, Umweltauswirkungen und potenzielle existenzielle Risiken. Er stellte fest, dass diese Bedenken Diskussionen über KI-Regulierung angestoßen haben. Der Artikel erwähnte auch, dass die weit verbreitete Einführung von KI in den 2020er Jahren zu Debatten über ihre gesellschaftlichen Auswirkungen geführt hat, einschließlich Fragen zu Voreingenommenheit, Datenschutz und Rechenschaftspflicht.
Vermächtnis und Auswirkungen
Als früher Enzyklopädieeintrag bot der Artikel eine grundlegende Referenz zum Verständnis des Umfangs und der Herausforderungen der KI. Er wurde von der Wikipedia-Gemeinschaft kontinuierlich aktualisiert, um Fortschritte im Feld widerzuspiegeln, wie die Entstehung von generativer KI und Deep Learning. Die Struktur des Artikels, die Ziele, Techniken und Geschichte abdeckt, hat nachfolgende KI-bezogene Artikel auf Wikipedia beeinflusst und als Ressource für Studenten, Forscher und die Öffentlichkeit gedient. Sein neutraler, sachlicher Ton entspricht den Standards von Wikipedia, und sein Inhalt hat sich weiterentwickelt, um neuere Entwicklungen wie neuronale Netze, Large Language Models und Reinforcement Learning einzubeziehen (obwohl letzteres nicht explizit im ursprünglichen Text von 2001 enthalten ist). Der Artikel bleibt ein wichtiger Einstiegspunkt für Leser, die einen Überblick über künstliche Intelligenz suchen.