Es ist ein bekanntes psychologisches Phänomen: Wenn man ein Wort oft genug wiederholt, verliert es schließlich jede Bedeutung und zerfällt wie ein feuchtes Gewebe in ein phonetisches Nichts. Für viele von uns hat sich der Begriff „künstliche Intelligenz“ schon vor langer Zeit auf diese Weise aufgelöst. Künstliche Intelligenz ist heute in der Technik allgegenwärtig, vom Fernseher bis zur Zahnbürste, aber noch nie waren die Worte selbst so bedeutungslos.

So sollte es nicht sein.

Während der Begriff „künstliche Intelligenz“ zweifellos missbraucht wird, leistet die Technologie mehr denn je – zum Guten wie zum Schlechten. Sie wird im Gesundheitswesen und in der Kriegsführung eingesetzt, sie hilft Menschen, Musik und Bücher zu machen, sie prüft Ihren Lebenslauf, beurteilt Ihre Kreditwürdigkeit und optimiert die Fotos, die Sie mit Ihrem Handy machen. Kurz gesagt, sie trifft Entscheidungen, die Ihr Leben beeinflussen, ob Sie wollen oder nicht.

Es kann schwierig sein, den Hype und das Getöse, mit dem KI von Technologieunternehmen und Werbetreibenden diskutiert wird, in Einklang zu bringen. Nehmen Sie zum Beispiel die Genius X Zahnbürste von Oral-B, eines der vielen Geräte, die auf der diesjährigen CES vorgestellt wurden und mit angeblichen „KI“-Fähigkeiten werben. Aber wenn man die oberste Zeile der Pressemitteilung liest, bedeutet das nur, dass die Zahnbürste ein ziemlich einfaches Feedback darüber gibt, ob Sie Ihre Zähne in der richtigen Zeit und an den richtigen Stellen putzen. Es sind einige clevere Sensoren im Spiel, um herauszufinden, wo in Ihrem Mund sich die Bürste befindet, aber es als künstliche Intelligenz zu bezeichnen, ist Quatsch, mehr nicht.

Wenn kein Hype im Spiel ist, gibt es Missverständnisse. Die Presse kann die Forschung übertreiben, indem sie jeder vagen KI-Geschichte ein Bild eines Terminators anhängt. Oft liegt das an der Verwirrung darüber, was künstliche Intelligenz überhaupt ist. Für Laien ist das ein schwieriges Thema, und oft verwechseln die Menschen die heutige KI fälschlicherweise mit der Version, mit der sie am meisten vertraut sind: die Science-Fiction-Vision eines bewussten Computers, der um ein Vielfaches intelligenter ist als ein Mensch. Experten bezeichnen diese spezielle Form der KI als künstliche allgemeine Intelligenz, und wenn wir so etwas jemals erschaffen, wird das wahrscheinlich noch in weiter Ferne liegen. Bis dahin ist niemandem damit geholfen, die Intelligenz oder die Fähigkeiten von KI-Systemen zu übertreiben.

Es ist also besser, von „maschinellem Lernen“ zu sprechen als von KI. Dies ist ein Teilbereich der künstlichen Intelligenz, der so ziemlich alle Methoden umfasst, die derzeit den größten Einfluss auf die Welt haben (einschließlich des so genannten Deep Learning). Der Begriff hat nicht die Mystik von „KI“, aber er ist hilfreicher, um zu erklären, was die Technologie tut.

Wie funktioniert maschinelles Lernen? In den letzten Jahren habe ich Dutzende von Erklärungen gelesen und gesehen, und die Unterscheidung, die ich am nützlichsten fand, steckt schon im Namen: Beim maschinellen Lernen geht es darum, Computern zu ermöglichen, selbständig zu lernen. Aber was das bedeutet, ist eine viel größere Frage.

Beginnen wir mit einem Problem. Nehmen wir an, Sie wollen ein Programm erstellen, das Katzen erkennen kann. (Aus irgendeinem Grund sind es immer Katzen). Man könnte versuchen, dies auf die altmodische Art und Weise zu tun, indem man explizite Regeln wie „Katzen haben spitze Ohren“ und „Katzen sind pelzig“ einprogrammiert. Aber was würde das Programm tun, wenn Sie ihm ein Bild von einem Tiger zeigen? Es wäre sehr zeitaufwändig, jede einzelne Regel zu programmieren, und man müsste auf dem Weg dorthin alle möglichen schwierigen Begriffe wie „Pelzigkeit“ und „Spitzigkeit“ definieren. Besser ist es, die Maschine selbst lernen zu lassen. Man gibt ihr also eine riesige Sammlung von Katzenfotos, die sie durchforstet, um in dem, was sie sieht, ihre eigenen Muster zu finden. Sie verbindet die Punkte, anfangs ziemlich wahllos, aber man testet sie immer wieder, wobei man die besten Versionen behält. Und mit der Zeit wird es ziemlich gut darin, zu sagen, was eine Katze ist und was nicht.

So weit, so vorhersehbar. Wahrscheinlich haben Sie eine Erklärung wie diese schon einmal gelesen, und das tut mir leid. Aber wichtig ist nicht, die Glosse zu lesen, sondern wirklich darüber nachzudenken, was diese Glosse impliziert. Was sind die Nebeneffekte, wenn man ein Entscheidungssystem auf diese Weise lernen lässt?

Nun, der größte Vorteil dieser Methode ist der offensichtlichste: Man muss es nie wirklich programmieren. Sicher, man bastelt eine Menge herum, verbessert die Art und Weise, wie das System die Daten verarbeitet, und findet intelligentere Wege, die Informationen aufzunehmen, aber man sagt ihm nicht, wonach es suchen soll. Das bedeutet, dass es Muster erkennen kann, die Menschen vielleicht übersehen oder an die sie gar nicht erst denken. Und da das Programm nur Daten – 1en und 0en – benötigt, gibt es so viele Aufgaben, für die man es trainieren kann, denn die moderne Welt ist einfach voll von Daten. Mit einem Hammer für maschinelles Lernen in der Hand ist die digitale Welt voller Nägel, die nur darauf warten, eingeschlagen zu werden.

Aber denken Sie auch an die Nachteile. Wenn man dem Computer nicht ausdrücklich etwas beibringt, woher weiß man dann, wie er seine Entscheidungen trifft? Maschinelle Lernsysteme können ihr Denken nicht erklären, und das bedeutet, dass Ihr Algorithmus aus den falschen Gründen gute Ergebnisse erzielt. Da der Computer nur die Daten kennt, mit denen Sie ihn füttern, kann es sein, dass er ein verzerrtes Bild von der Welt hat oder dass er nur für Aufgaben geeignet ist, die den Daten ähneln, die er bereits gesehen hat. Er hat nicht den gesunden Menschenverstand, den man von einem Menschen erwarten würde. Man könnte das beste Katzenerkennungsprogramm der Welt entwickeln, und es würde einem nie sagen, dass Kätzchen nicht Motorrad fahren sollten oder dass eine Katze eher „Tiddles“ als „Megalorth der Unsterbliche“ heißt.

Computern beizubringen, selbst zu lernen, ist eine brillante Abkürzung. Und wie bei allen Abkürzungen muss man auch hier Abstriche machen. Es gibt Intelligenz in KI-Systemen, wenn man es so nennen will. Aber es ist keine organische Intelligenz, und sie spielt nicht nach denselben Regeln wie der Mensch. Sie können genauso gut fragen: Wie klug ist ein Buch? Welches Fachwissen steckt in einer Bratpfanne?

Wo stehen wir nun mit der künstlichen Intelligenz? Nach jahrelangen Schlagzeilen, die den nächsten großen Durchbruch ankündigen (was, nun ja, noch nicht ganz aufgehört hat), sind einige Experten der Meinung, dass wir so etwas wie ein Plateau erreicht haben. Aber das ist kein wirkliches Hindernis für den Fortschritt. Auf der Forschungsseite gibt es eine riesige Anzahl von Möglichkeiten, die wir mit unserem vorhandenen Wissen erforschen können, und auf der Produktseite haben wir erst die Spitze des algorithmischen Eisbergs gesehen.

Kai-Fu Lee, ein Risikokapitalgeber und ehemaliger KI-Forscher, beschreibt den gegenwärtigen Moment als das „Zeitalter der Implementierung“ – eines, in dem die Technologie beginnt, „aus dem Labor in die Welt hinauszuschwappen“. Benedict Evans, ein weiterer VC-Stratege, vergleicht maschinelles Lernen mit relationalen Datenbanken, einer Art von Unternehmenssoftware, die in den 90er Jahren ein Vermögen machte und ganze Branchen revolutionierte. Was diese beiden Leute damit sagen wollen, ist, dass wir jetzt an einem Punkt angelangt sind, an dem KI schnell zur Normalität werden wird. „Irgendwann wird so ziemlich alles irgendwo drin sein, und es wird niemanden mehr interessieren“, sagt Evans.

Er hat Recht, aber so weit sind wir noch nicht.

Im Hier und Jetzt ist künstliche Intelligenz – maschinelles Lernen – immer noch etwas Neues, das oft nicht erklärt oder nicht ausreichend untersucht wird. In der Sonderausgabe von The Verge, der KI-Woche, zeigen wir Ihnen, wie das alles jetzt passiert, wie diese Technologie genutzt wird, um Dinge zu verändern. Denn in der Zukunft wird es so normal sein, dass Sie es nicht einmal bemerken werden.