Die computerwissenschaftliche Forschung forciert KI-basiertes Lernen. Ein Schwerpunkt bildet hier das neuromorphe Computing. Dabei geht es um die Nachahmung neurologischer Anordnungen und der Funktionsweise der Anatomie. Es wirkt sich positiv auf probabilistisches Rechnen aus und schafft algorithmische Methoden für die Arbeit mit der Instabilität, Mehrdeutigkeit und Widersprüchlichkeit der organischen Welt.
Neuronen sind Nervenzellen. Sie fungieren als Verkabelung, die Nachrichten von einem Abschnitt ihres Körpers in einen anderen weitergeben. Diese Botschaften werden von einem Neuron zu einem anderen weitergeleitet, bis sie in der perfekten Region ihres Körpers ankommen. Dann können sie ein Ergebnis erzeugen. Das wird uns z. B. dazu veranlassen, Schmerz wahrzunehmen oder einen Muskel zu bewegen.
Neuronen geben Nachrichten über einen Spalt weiter, der auch als Synapse bezeichnet wird. Ein Neuron verfügt über ein ausreichendes Eingangssignal, das aktiviert werden kann. Dann gibt es eine Verbindung oder einen elektrischen Impuls ab. Das nennt man ein Aktionspotenzial auf das nächste Neuron oder die andere Zelle, wie eine Drüse oder ein Muskel.
Es muss sich was ändern! Standard-Architekturen von Computerchips knarzen heute ein wenig vor sich hin. Zusammen mit den Herstellern wird es immer schwieriger sich zu entwickeln, denn die Physik setzt Grenzen. Es reicht nicht mehr aus, zusätzliche Transistoren auf einen einzigen Prozessor zu pumpen. Dabei stoßen sie an die Grenzen der Mathematik, des Stromverbrauchs und der Wärmeentwicklung. Aber grade jetzt sind mehr Rechenleistung mit der steigenden Anzahl an Daten nötig.
Der erste Ansatz ist, das Gehirn zu kopieren. Es wird keine Trennung von Speicher- und Recheneinheit mehr vorgenommen. Neuromorphe Hardware hält beides kollektiv zusammen. Das heißt, sie haben einen eigenen Gemeinschaftsspeicher. Eine weitaus gehirnähnlichere Struktur spart Energie. Sie hilft auch, die Verarbeitung zu beschleunigen.
Neuromorphes Computing hat seinen Ursprung in Buchhaltungssystemen. Es wurde in den späten 1980er Jahren entwickelt, um die Vorzüge tierischer Nervensysteme zu imitieren. Seitdem hat Neuromorphic Computing an Fahrt aufgenommen: Viele große Namen der Technologie haben neuromorphe Hardware produziert, wie z. B. IBMs TrueNorth-Prozessor und Intels 128-Kern-Loihi-Prozessor. Auch die neuromorphe Plattform Pohoiki Beach wird bereits verwendet. Es wird vermutet, dass wir schon bald neuromorphe Systeme sehen werden, angefangen von Robotern und autonomen Autos. Probabilistic Computing könnte besonders nützlich sein.
Loihi ist eine brandneue Art von Architektur. Sie wurde speziell für neuromorphes Rechnen und Verarbeiten entwickelt und kann Speicher gemeinsam auf jedem Neuron platzieren. Im Gegensatz dazu hat sie verschiedene Bereiche in der CPU für jede Aufgabe. Intel hat Loihi im September 2017 angekündigt und angemerkt, dass es dank der Fähigkeit, die Arbeitsweise des Verstandes zu imitieren bei unglaublichen Lernraten effektiv gewesen sei. Zu seinen beeindruckenden Fähigkeiten gehört, dass er das angeeignete Wissen nutzen kann, um Rückschlüsse auf neue Daten zu ziehen. Das beschleunigt seinen Lernprozess, der mit der Zeit immer schneller wird.
Aktuelle KI ist in der Regel spärlich und wird mit lernenden, gespeicherten Daten hergestellt. Sie optimiert und entwickelt Berechnungen, bis sie ein bestimmtes Ergebnis erfüllen. Die Verwendung der gehirnähnlichen Pläne der neuromorphen Technologie könnte es der KI jedoch ermöglichen, neue Aufgaben zu übernehmen. Neuromorphe Systeme könnten arbeiten wie das menschliche Gehirn und somit in der Lage sein, mit Unsicherheit umzugehen, sich anzupassen und unübersichtliche, verwirrende Daten aus dem tatsächlichen Leben zu nutzen. Das kann die Grundlage dafür sein, dass sich KIs irgendwann durchsetzen. Dies ist insofern auch für Roboter wichtig, die so mit neuen Finanzanalysen sich stets selbst optimieren können.
