Wie Menschen denken: Kann KI analoges Denken entwickeln?

Wenn Menschen mit etwas Neuem konfrontiert werden, greifen sie instinktiv nach Vergleichen. Ein Kind, das über Atome lernt, hört vielleicht, dass Elektronen den Atomkern “wie Planeten die Sonne” umkreisen. Ein Unternehmer könnte sein Startup als ““Uber für Tierpflege”” bewerben. Ein Wissenschaftler könnte einem nicht-fachkundigen Publikum erklären, dass das Gehirn Informationen “wie ein Computer” verarbeitet.

Dieser geistige Sprung – das Erkennen, wie eine Sache einer anderen in ihrer tieferen Struktur ähnelt – wird als analoges Denken bezeichnet. Und es könnte dasjenige sein, was menschliche Intelligenz von KI in ihrer aktuellen Form trennt. Wenn wir jemals künstliche allgemeine Intelligenz entwickeln wollen – das Heilige Gral der KI, der bisher unerreichbar geblieben ist –, müssen wir herausfinden, ob es überhaupt möglich ist, dass Maschinen lernen, analog zu denken. Die Einsätze könnten nicht höher sein. Wenn die Antwort “Nein” ist, werden sogar die fortschrittlichsten KI-Systeme für immer nur glorifizierte Rechner bleiben. Sie werden nicht in der Lage sein, Probleme zu lösen, die mehr als eine Umstellung der Daten erfordern, auf die sie trainiert wurden.

Die Architektur des Verständnisses

Analoges Denken funktioniert auf der Ebene struktureller, nicht oberflächlicher Ähnlichkeiten. Zum Beispiel, was macht Herzen und Wasserpumpen ähnlich? Sicherlich nicht ihr physisches Aussehen. Es ist die Tatsache, dass beide genau dieselbe Funktion ausführen, nämlich Flüssigkeiten durch ein System zu zirkulieren. Und es ist genau diese Fähigkeit, Beziehungen, die typisch in einem Kontext sind, auf einen anderen Kontext zu übertragen, die menschliches Lernen, Kreativität und Problemlösung so einzigartig macht.

Es gibt keine Knappheit an realen Beispielen. Nehmen wir August Kekulé, den brillanten deutschen Chemiker, der einen Hinweis auf die Struktur von Benzol in Form eines Traums erhielt, in dem er eine Schlange sah, die sich selbst in den Schwanz biss. Heute wenden Programmierer Lektionen aus der Organisation einer Küche an, wenn sie Code strukturieren, und Lehrer erklären elektrischen Strom, indem sie ihn mit Wasser vergleichen, das durch Rohre fließt.

Aktuelle KI-Systeme haben jedoch große Schwierigkeiten mit dieser allgemeinen kognitiven Fähigkeit. Wenn sie aufgefordert werden, erklären moderne große Sprachmodelle (LLM) nur zu gerne, warum “Zeit Geld ist” oder vervollständigen sie verbale Denkaufgaben. Aber wachsende Beweise deuten darauf hin, dass sie oft nur sophisticatedes Mustererkennen betreiben, anstatt echte strukturelle Zuordnung. Wenn Forscher diesen Modellen neue analoge Probleme vorstellen, die von ihren Trainingsdaten abweichen, bricht ihre Leistung oft ein. Dies liegt daran, dass LLMs hervorragend darin sind, Analogien zu reproduzieren, die sie bereits gesehen haben, aber versagen, wenn sie aufgefordert werden, neue Verbindungen herzustellen.

Kein analoges Denken, keine KI

Offensichtlich ist analoges Denken dieconditio sine qua non der KI. Ohne es bleiben KI-Systeme brüchig, unfähig, Wissen, das in einem Bereich relevant ist, auf ein anderes Problem anzuwenden. Zum Beispiel könnte ein selbstfahrendes Auto, das gelernt hat, sonnige Kalifornien-Straßen zu befahren, nicht extrapolieren, wie es schneebedeckte Straßen bewältigen kann. Das KI-System des Autos ist ein teurer Mustervergleicher, kein System, das echte Intelligenz besitzt. Wahre Intelligenz würde die kognitive Flexibilität erfordern, zu erkennen, dass Fahren auf eisigen Straßen strukturell vergleichbar ist mit anderen rutschigen Oberflächen, auch wenn die Details unterschiedlich sind.

Das gleiche Prinzip gilt in Bereichen jenseits von autonomen Fahrzeugen. Analoges Denken treibt auch den Fortschritt in der Wissenschaft, der medizinischen Diagnose, der juristischen Argumentation und den kreativen Bestrebungen voran. KI-Systeme ohne diese Fähigkeit ähneln einem Gelehrten, der eine ganze Bibliothek auswendig gelernt hat, aber nicht in der Lage ist, dieses Wissen über Disziplinen hinweg zu synthetisieren. Beeindruckend, sicher, aber nur in einer eng begrenzten Weise.

Aufbau des analogen Denkens

Was würde es also erfordern, KI-Systeme zu entwickeln, die menschliches analoges Denken nachahmen können? Basierend auf aufkommender Forschung und der grundlegenden Natur des analogen Denkens scheinen mehrere kritische Bedingungen und Techniken notwendig zu sein.

Strukturell reichhaltige und vielfältige Trainingsdaten

Die erste Anforderung ist, dass KI-Systeme auf Daten trainiert werden, die über oberflächliche Textmuster hinausgehen. Das Internet mit seiner riesigen Sammlung wissenschaftlicher Arbeiten, technischer Dokumentationen, kreativer Werke und erklärender Inhalte ist ein guter Ausgangspunkt. Aber nicht jede Internet-Daten sind geeignet. Was erforderlich ist, ist strukturelle Vielfalt. Mit anderen Worten, um KI-Systeme dazu zu bringen, abstrakte Muster zu erkennen, sollten Entwickler sie von Anfang an auf Kontraste aussetzen. Ihre Trainingsdaten könnten Architekturpläne neben musikalischen Partituren, mathematische Beweise zusammen mit Gedichten oder juristische Argumente neben Rezepte enthalten. Da jedes Gebiet unterschiedliche Arten relationaler Strukturen verkörpert, würde ein zukünftiges KI-System von dieser Art von Übung profitieren.

Wichtiger noch, diese Daten müssen strukturelle Beziehungen erhalten und hervorheben, nicht nur statistische Korrelationen. Wissensgraphen, kausale Diagramme und explizit kartierte Beziehungen zwischen Konzepten könnten KI-Systeme dazu bringen, “Struktur” zu sehen, anstatt Assoziationen mechanisch zu memorieren. Denken Sie daran, KI beizubringen, nicht nur, was Dinge sind, sondern wie sie in prinzipiellen Weisen miteinander in Beziehung stehen.

Über das Trainingsset hinaus testen

Um sicherzustellen, dass KI-Systeme lernen, analog zu denken, und nicht nur ihre Nachahmungsfähigkeiten verbessern, benötigen wir Werkzeuge, die ihre Fähigkeit testen, Struktur auf Situationen zu übertragen, die sie noch nie zuvor gesehen haben. Dies erfordert die Konstruktion von Testproblemen, die absichtlich von den Trainingsdaten abweichen – was Forscher als “kontrafaktische” Aufgaben bezeichnen.

Zum Beispiel könnten wir anstelle von Standardanalogien wie “Welpen sind zu Hunden wie Kätzchen zu ____” das System mit Problemen konfrontieren, die erfundene Konzepte verwenden oder es auffordern, Beziehungen zwischen Gebieten zu kartieren, die es noch nie zuvor gesehen hat. Kann es erkennen, dass die Beziehung zwischen Zutaten und einem Rezept der Beziehung zwischen Beweisen und einem juristischen Argument entspricht, auch wenn es diese spezifische Vergleichung noch nie zuvor gesehen hat? Solche Tests würden enthüllen, ob das System tiefe Strukturen versteht oder nur ähnliche Beispiele wiederholt.

Das Wesentliche messen

Die gute Nachricht für KI-Entwickler ist, dass es Jahrzehnte der Forschung in der kognitiven Wissenschaft gibt, die sich speziell mit der Art und Weise beschäftigt, wie Menschen Analogien verarbeiten. Sie können diese Forschung nutzen, um robuste Benchmarks für analoges Denken zu entwickeln. Diese Benchmarks müssen jedoch über die einfache Zählung korrekter Antworten auf Analogietests hinausgehen. Was wirklich benötigt wird, sind Metriken, die erfassen, ob KI-Systeme in der Lage sind, die relevanten Beziehungen zu erkennen, die zu kartieren sind, während sie oberflächliche Ähnlichkeiten ignorieren und Konsistenz über ihre Kartierungen hinweg aufrechterhalten.

Dies könnte die Entwicklung von Bewertungssystemen beinhalten, die das Erkennen höherer Beziehungen belohnen. Zum Beispiel würde ein KI-System höher bewertet, wenn es nicht nur erkennen kann, dass Atome und Sonnensysteme Orbiten aufweisen, sondern auch die kausalen Beziehungen verstehen, die diese Orbiten regieren. Eine weitere Fähigkeit, die bewertet werden könnte, ist, ob KI-Systeme in der Lage sind, angemessene Analogien zu generieren, um neue Konzepte zu erklären, und nicht nur vorgefertigte Analogieprobleme zu lösen.

Scaffolding durch Prompting

Aktuelle Forschung legt nahe, dass die Fähigkeit von KI, analog zu denken, in hohem Maße davon abhängt, wie sie dazu aufgefordert wird. Analoges Prompting – die explizite Führung von Modellen durch den Prozess der strukturellen Zuordnung – kann sophisticatederes Denken hervorrufen als das einfache Vorstellen von Problemen. Dies könnte beinhalten, das System zunächst zu bitten, Beziehungen in einem Quellbereich zu identifizieren, und dann explizit zu bitten, diese Beziehungen auf einen Zielbereich zu übertragen.

Diese Technik könnte zwei Zwecken dienen: die analogen Fähigkeiten aktueller KI-Systeme zu verbessern und gleichzeitig Trainingsdaten für zukünftige Modelle zu generieren. Durch die Aufzeichnung erfolgreicher Instanzen von geführtem analogem Denken können Beispiele erstellt werden, die nachfolgende Systeme dazu bringen können, diesen Prozess auf natürlichere Weise zu durchlaufen.

Hybride Architekturen

Das Erreichen menschlichen analogen Denkens könnte die Überwindung reiner neuronalen Netzansätze erfordern. Hybride Systeme, die Mustererkennung mit symbolischem Denken kombinieren – die explizite Darstellung und Manipulation struktureller Beziehungen – könnten den fehlenden Teil liefern. Während neuronale Netze hervorragend darin sind, implizite Muster zu lernen, können symbolische Systeme die strukturelle Konsistenz und logische Zuordnung erzwingen, die analoges Denken erfordert.

Hybride Architekturen sind noch in den Kinderschuhen, aber Forscher erkunden aktiv ihr Potenzial. Einige argumentieren für die Kombination neuronaler Netze mit symbolischem Denken, das zu verbesserter analoger Fähigkeit führen könnte. Andere befürworten hybride Modelle, die darauf ausgelegt sind, die Tendenz von KI-Modellen zu überwinden, zu fabulieren und auf oberflächliche Weise analog zu denken.

Wohin als Nächstes?

Je nachdem, wen man fragt, ist analoges Denken entweder bereits aufgetaucht oder KI-Systeme werden einfach nur besser darin, zu imitieren. Unabhängig davon, welche Position näher an der Wahrheit liegt, ist es klar, dass, wenn der Traum von AGI verwirklicht werden soll, es mehr als nur größere Modelle oder mehr Daten erfordern wird. Es wird auch fundamentale Innovationen in der Struktur, dem Training und der Bewertung unserer KI-Systeme erfordern.

Wenn die transformativen Fähigkeiten von KI sich entfalten, kommt analoges Denken sowohl als kritischer Benchmark für die Leistung als auch als nüchternde Erinnerung an die Lücke zwischen den aktuellen Fähigkeiten von KI und echter menschlicher Kognition zum Vorschein. Wenn ein KI-System erkennen kann, dass Demokratie für Bürger das ist, was ein Orchester für Musiker ist – die Erkennung nicht von Oberflächenmerkmalen, sondern tiefer struktureller Beziehungen über Koordination, Repräsentation und emergente Harmonie –, wird es eine entscheidende Schwelle zur wahren Intelligenz überschritten haben.