Zehn Jahre nach dem historischen Match von AlphaGo gegen Lee Sedol besteht weiterhin eine kritische Lücke zwischen den Fähigkeiten früherer und aktueller KI. Im Jahr 2016 demonstrierte der berühmte 'Zug 37' von AlphaGo eine einzigartige Mischung aus Intuition und Berechnung. Im Gegensatz zu Deep Blue, das auf brute-force Berechnung setzte, verwendete AlphaGo ein Policy-Netzwerk, um Intuitionen zu generieren, und eine separate Suchmaschinerie, um zukünftige Folgen abzuwägen. Diese Architektur ahmt das menschliche System 1 und System 2 Denken nach, wodurch die KI Tausende zukünftiger Spielzustände bewerten konnte, bevor sie einen kreativen Zug auswählte.
Heutige große Sprachmodelle funktionieren anders. Sie vorhersagen das nächste Token iterativ und verlassen sich hauptsächlich auf schnelle, assoziative Musterergänzung. Obwohl Techniken wie Chain-of-Thought-Prompting Zwischenschritte fördern, schaffen sie keinen eigenständigen Denkmechanismus. Die Zwischenergebnis wird weiterhin vom gleichen nächsten-Token-Vorhersageprozess erzeugt, was bedeutet, dass moderne KI das echte deliberative Maschinerie vermissen lässt, das AlphaGo zum Erfolg verhalf. Um vertrauenswürdige und neue Erkenntnisse in Wissenschaft und Medizin zu erzielen, müssen zukünftige Systeme einen separaten, deliberaten Denkprozess integrieren, anstatt sich ausschließlich auf Musterergänzung zu verlassen.
Quelle: MIT Technology Review AI · Zusammengefasst von HeadlinesBriefing