Der Weg
zum künstlichen Gehirn muss nicht unbedingt über immer mehr Daten, Rechenleistung und Modellgröße führen. Alternativen sind zum Beispiel:
Neuromorphe
Systeme
-
Inspiration aus
der Biologie: Anstatt klassische
von-Neumann-Architekturen zu verwenden, ahmen neuromorphe Chips die Struktur und Funktionsweise des menschlichen Gehirns nach.
-
Effizienz:
Sie
sind energieeffizienter und schneller in der Verarbeitung bestimmter Aufgaben, insbesondere im Bereich der Sensorik und des maschinellen Lernens.
-
Beispiel:
Intel’s
Loihi-Chip.
Wissensbasierte und
symbolische KI (Hybrid-KI)
-
Verknüpfung von
Symbolik und Lernen: Die Kombination
von maschinellem Lernen mit symbolischen Logiken ermöglicht ein besseres Verständnis von Kausalität und logischen Zusammenhängen.
-
Vorteil:
Weniger
Abhängigkeit von großen Datenmengen und bessere Erklärbarkeit.
-
Beispiel:
IBM
Watson kombiniert symbolische Methoden mit Machine Learning.
Kontextuelles und
transferbasiertes Lernen
-
Weniger
Datenbedarf: Modelle, die aus
wenigen Beispielen lernen (Few-Shot Learning, Zero-Shot Learning), kommen mit weniger Trainingsdaten aus.
-
Transfer
Learning: Vortrainierte
Modelle werden auf neue, ähnliche Aufgaben übertragen.
-
Beispiel:
GPT-Modelle im
Zero-Shot-Modus.
https://buchshop.bod.de/strategie-im-ki-zeitalter-joerg-becker-9783758339707