Introducing AI’s twin brother | Marcel Moosbrugger | TEDxSalzburg

Cambridge, Großbritannien 1936. Für kommerzielle Farbfotografie muss man sich zu der Zeit immer noch um die 30 Jahre gedulden. So lange ist es schon her, als dieser junge Mann, Alan Turing die Grundsteine für die Gesamtinformatik legte. Mit dem Turing Test hat er sich damals schon unglaublich vorausschauend Gedanken gemacht, wie man testen könnte, ob ein Computer denkt, also intelligent ist. Damit hatte Turing schon vor vielen Jahrzehnten die Vision von AI. Was für eine Entwicklung das Ganze bis heute annimmt, ist aber schon beeindruckend. Forscherinnen und Forscher arbeiten über ein halbes Jahrhundert an immer besseren Algorithmen, bis allerspätestens Ende 2022 mit der Einführung von ChatGPT. Das Thema regelrecht explodiert. Uns geht es allen ähnlich. Wenn man die Schlagzeilen zu AI verfolgt, hat man das Gefühl, man kann den ais beim intelligenter werden quasi zuschauen. Künstliche Intelligenz übertrifft menschliche Fähigkeiten immer schneller. Neues GPT Modell kann Mathematik unterrichten und flirten. Interessante Kombination. Neue Modelle bringen AI Intelligenz auf PhD Niveau. Intelligenz auf PhD NIVEAU, das ist schon eine Ansage. Schauen wir uns das genauer an. Bei PhD Niveau sollte eine kleine Einkaufsrechnung ja kein Problem sein. Probieren wir es aus. Eine Brezen kostet 4 Euro. Mozartkugeln jeweils eins. Wie viel mehr kosten 10 Brezn im Vergleich zu 10 Mozartkugeln? Was sagt unsere Ei 30 Euro. Richtig. Aber was passiert jetzt, wenn wir sagen, dass wir nach dem Kauf ein paar Brezen und Mozartkugeln verschenken? An den Kosten ändert das ja gar nichts. Aber davon sollte sich eine AI auf PhD Niveau auch nicht rausbringen lassen. Was sagt sie? 13 Euro? OK. Noch ein Seien wir einfach mal ganz direkt Was ist größer? 9,9 oder 9,11 Was sagt unsere PhD AI? 9,11 9,11 OK, was ist hier los? Das schaut ja gar nicht nach PhD Level aus. Noch nicht mal nach Volksschullevel. Was hier passiert ist, dass diese AI's nicht wirklich denken oder verstehen, sondern blind ein Lösungsschema anwenden, das sie während ihres Trainings schon mal gesehen haben. Man kann dei dann auf diesem Beispiel neu trainieren. Das wurde bei dieser AI vor kurzem auch gemacht. Hat dieses eine Beispiel damit gelöst. Man wird solche Fehler, solche AI Halluzinationen, wie man sie nennt aber im Allgemeinen nicht los. Es ist ein fundamentales Problem. Man behebt einen Fehler und ein neuer taucht auf. Gerade in sicherheitskritischen Bereichen können wir uns solche AI Halluzinationen einfach nicht leisten. Wer würde sich in ein Flugzeug setzen, wenn man Autopilot, eine AI die Hand im Spiel hat, die ab und zu halluziniert? Machen wir einen Sprung zurück zu Alan Turing. Denn genau für solche sicherheitskritischen Anwendungen wie ein Flugzeugautopilot gibt es noch eine Technologie, die bis auf ihn zurückgeht. Eine Technologie, die auch gerade in den letzten 10 Jahren einen großen Aufschwung erlebt und trotzdem bisher unter dem Radar der Öffentlichkeit fliegt. Automated Reasoning. Auf Deutsch könnte man automatisiertes logisches Schließen. Hört sich kompliziert an. Man kann sich Automated Reasoning aber ganz einfach vorstellen. AR ist wie ein digitaler Detektiv, der penibelst genau arbeitet. Wir geben dem Detektiv die Beweise, die Fakten und er leitet neue Tatsachen, neue Fakten ab und findet so für uns den Täter oder jedes andere Ziel, das wir für ihn definiert haben. Nehmen wir ein Sudoku. Wir geben dem Direktiv der AR einfach die Fakten, also die Regeln, wie Sudoku funktioniert. Und das reicht schon. Wir müssen ihm kein einziges Sudoku zeigen. Die Regeln alleine reichen. Und unsere AR kann jedes Sudoku für uns lösen. Und nicht nur 9 mal 9 Sudokus, die wir hier auch lösen könnten, sondern 20 mal 20 100 mal 100 Sudokus und vor Die Lösung, die wir bekommen, stimmt garantiert. Und unser AR Detektiv kann uns Schritt für Schritt erklären, wie er zur Lösung gekommen ist. Eine AI wie die, die wir vorher gesehen haben, funktioniert ganz anders. Wir müssten ihr zuerst tausende und tausende Sudokus zeigen. Und wenn sie dann ein neues Sudoku lösen soll, geht sie aber überhaupt nicht wie unser Detektiv logisch und systematisch vor, sondern eher wie ein Künstler von der Leinwand. Hier vielleicht eine 2, hier eine 9 schaut schön aus. Keine Ahnung warum. Vielleicht stimmt es vielleicht nicht. Sudoku ist ein einfaches Beispiel. Automated Reasoning kann aber noch viel mehr Es kann zum Beispiel Produktionsprozesse optimieren, garantieren, dass die Chips in unseren Smartphones richtig funktionieren oder Sicherheitslücken in Software finden. Weil AR Garantien geben kann, wird es immer mehr bei sicherheitskritischer Software eingesetzt. Standardsoftware wie eine App und eine Website, die jetzt nicht sicherheitskritisch ist, wird getestet, auf gut Deutsch gesagt. Man führt die Software ein zweimal aus und schaut, ob das Richtige rauskommt. Das reicht für eine App im Normalfall auch, aber zu Ich habe es zweimal ausprobiert, ist eindeutig zu wenig. Bei medizinischen Geräten oder in der Luft und Raumfahrt, wo es um Menschenleben geht, da möchte man eine Garantie haben, quasi ein Beweis, dass die Software genau das macht, was sie soll. Das Problem ist Es gibt unendlich viele Szenarien, die man testen müsste, um wirklich eine Garantie zu haben. Und genau hier hilft uns AR. Anstatt unendlich viele Tests durchführen zu müssen, was gar nicht geht, kann AR wie ein Detektiv neue Beweise, neue Fakten über eine Software ableiten und so Fehler in unendlich vielen Szenarien logisch ausschließen. Automated Reasoning kann nicht nur bei Software mit Unendlichkeiten umgehen. Erst dieses jahr, im Frühling 2024 wurde mit Hilfe von AR ein offenes Problem in der Mathematik gelöst, das fast 100 Jahre lang ungelöst blieb. Im Gegensatz dazu schaut unsere AI vom Anfang, die sagt, dass 9,11 größer ist als 9,9 noch schlechter aus. Der Vergleich ist aber nicht ganz AI und Automated Reasoning. Beides sind Werkzeuge mit ihren ganz eigenen Vor und Nachteilen. Es macht keinen Sinn, mit einem Hammer eine Schraube einzudrehen. Genauso wenig Sinn macht es mit einer AI ein Sudoku zu lösen oder mit einer AR eine E Mail zu schreiben. AI kann von riesigen Datenmengen lernen, kann selbst bei ungenauen Problembeschreibungen noch eine Antwort geben, aber nicht logisch schließen. AI reagiert intuitiv reflexartig. Man könnte fast unbewusst. Im Gegensatz dazu ist Automated Reasoning sehr logisch und strukturiert, kann aber nur schlecht mit ungenauen Daten umgehen. Man muss penibelst genau sagen, was man möchte. Dafür macht es dann keine Fehler. Spannend ist, dass wir Menschen in unserem Denken beide diese Welten mühelos miteinander vereinen. Wir können ganz intuitiv aus unseren Erfahrungen handeln, aber genauso einen Schritt zurück machen, das große Ganze sehen und die Situation analysieren. AI und AR Künstler und Direktiv. Intuition und Analyse. Wie diese beiden Welten in einem Computer vereint werden können, ist eine der größten aktuellen Herausforderungen der Informatik. Und ich kann euch momentan beißen wir uns in der Forschung daran die Zähne aus. Vielleicht ist die Leichtigkeit, wie wir diese beiden Welten vereinen, etwas, das uns als Menschen maßgeblich ausmacht. Visionäre Intuition, scharf analytischer Verstand, Neugier, Hoffnung. Eine zutiefst menschliche Sinfonie kam damals in Cambridge in Alan Turing zusammen, als er die Grundsteine für die Informatik legte. 100 Jahre später führen seine Erfindungen und Visionen zu Lösungen von Problemen, an die er damals noch nicht einmal gedacht hat. AI und Automated Reasoning sind Werkzeuge, die uns helfen können, die Herausforderungen von morgen zu lösen. Aber nicht AI oder Automated Reasoning wird der Schlüssel sein. Nicht Intuition oder Verstand, sondern die Einzigartigkeit von uns Menschen mit Intuition und Verstand. Danke. Feel I need to know.