Deep Learning

Deep Learning ist eine Unterform des maschinellen Lernens, die auf neuronalen Netzen mit vielen Schichten (daher "deep") basiert. Jede Schicht verarbeitet die Ausgabe der vorherigen und extrahiert dabei immer abstraktere Merkmale. Ein Bilderkennungssystem erkennt in den unteren Schichten Kanten und Konturen, in den mittleren Formen und Texturen, in den oberen ganze Objekte.

Der Durchbruch kam 2012, als ein Deep-Learning-System den ImageNet-Wettbewerb mit großem Vorsprung gewann. Seitdem hat die Technologie Spracherkennung, maschinelle Übersetzung, Bildgenerierung und Spielstrategien revolutioniert. AlphaGo (2016) besiegte den weltbesten Go-Spieler mit einem tiefen neuronalen Netz.

In der Science-Fiction werden die Implikationen von Deep Learning selten direkt benannt, aber implizit vorausgesetzt. Wenn eine fiktive KI Gesichter erkennt, Sprache versteht oder aus Erfahrung lernt, nutzt sie im Kern das, was Deep Learning heute real leistet. Die Grenze zwischen dem, was heute möglich ist, und dem, was SciFi beschreibt, ist in diesem Bereich schmaler als bei fast jeder anderen Technologie.

Gerade diese Nähe zwischen Fiktion und Wirklichkeit macht Deep Learning so bemerkenswert. Fähigkeiten, die in der Science-Fiction lange als Kennzeichen echter künstlicher Intelligenz galten, etwa Gesichter zu erkennen, Sprache zu verstehen oder Spiele meisterhaft zu spielen, sind durch tiefe neuronale Netze real geworden. Zugleich bleibt vieles ungelöst, denn diese Systeme erkennen Muster, ohne im menschlichen Sinn zu verstehen, was sie tun. Deep Learning steht damit für eine Gegenwart, in der Maschinen verblüffend kompetent und zugleich erstaunlich blind sein können.

Das Transformer-Modell, das 2017 in dem Papier 'Attention is All You Need' beschrieben wurde, hat die Architektur tiefgreifend verändert. Statt sequentiell zu verarbeiten, wie frühere rekurrente Netze, analysiert der Transformer alle Teile einer Sequenz gleichzeitig und gewichtet, wie stark sie miteinander zusammenhängen. Darauf beruhen GPT, BERT und alle modernen Large Language Models. Der Durchbruch kam nicht aus Science Fiction, sondern aus der maschinellen Übersetzung, aber die Konsequenzen haben das Genre eingeholt.

Für die SF-Ästhetik hat Deep Learning eine direkte Folge gehabt: Generative Modelle erzeugen jetzt Bilder, Texte und Videos, die sich kaum von menschlich erstellten unterscheiden. Die goldene Regel, die SF-Illustratoren und -Autoren jahrzehntelang hatten, dass eine Maschine keine Kunst macht, gilt nicht mehr. Was das für die kreative Identität des Genres bedeutet, ist eine der offenen Fragen, die das Feld gerade bearbeitet.