Die Art und Weise, wie das Gehirn Probleme löst. @OpenLedger
Dein Gehirn ist eine Vorhersagemaschine. Wenn du als Kind Feuer anfasst, verkabeln sich deine Neuronen, um den Schmerz zu erinnern. Wenn du einen Hund siehst, überprüft dein Gehirn kein Regelbuch. Stattdessen feuern Millionen von Neuronen in Mustern, die deine vergangenen Erfahrungen von „Hundsein“ kodieren.
Das ist Intelligenz: Die Fähigkeit, aus Erfahrung zu generalisieren. Maschinen wollten dasselbe tun. Der erste Versuch war nicht, Neuronen zu bauen, sondern Regeln zu schreiben. Wenn Feuer = heiß, dann nicht anfassen. Wenn Hund = vier Beine, Schwanz, bellt, dann klassifiziere als Hund. Das wurde symbolische KI genannt, eine Welt aus handgefertigter Logik.#OpenLedger
Illustration, die das brain-like und rule-based Problemlösen vergleicht
Es funktionierte bei engen Problemen, brach aber zusammen, als die Realität chaotisch wurde. Das Gehirn gedeiht in chaotischen Situationen, Regeln nicht.
Erfahre mehr:
Geschichte der Künstlichen Intelligenz (Wikipedia) $OPEN
Die Dartmouth-Konferenz: Wo 'KI' geboren wurde
Im Sommer 1956 versammelten sich John McCarthy, Marvin Minsky, Claude Shannon und Nathaniel Rochester am Dartmouth College für das Dartmouth Summer Research Project über KI.
Hier wurde der Begriff 'Künstliche Intelligenz' erstmals geprägt. Der Vorschlag besagte:
„Jeder Aspekt des Lernens oder irgendeines anderen Merkmals von Intelligenz kann prinzipiell so präzise beschrieben werden, dass eine Maschine gemacht werden kann, um es zu simulieren.“
Das war kein Coding-Hackathon. Es war ein Blueprint für ein Feld, das auf neuronale Netze, Suche, symbolisches Denken und Sprache hinwies. Der Traum war gesetzt.
Um mehr zu erfahren:
Dartmouth-Konferenz
Von Regeln zu Lernen: Der Perceptron
1957 stellte Frank Rosenblatt die Frage: Was wäre, wenn Maschinen wie Neuronen lernen könnten? Er führte den Perceptron ein, das erste mathematische Modell eines Neurons.
Der Perceptron nimmt Inputs, multipliziert sie mit Gewichten, addiert einen Bias und führt sie durch eine Schrittfunktion:
f(x) = h(w ⋅ x + b)
Inputs (xi) = Merkmale, wie Pixelwerte
Gewichte (wi) = Bedeutung jedes Merkmals
Bias (b) = passt die Entscheidungsgrenze an
Schrittfunktion (h) = binäre Ausgabe (1 oder 0)
Das machte den Perceptron zu einem linearen Klassifikator, der in der Lage war, eine gerade Grenze zwischen Klassen zu ziehen.
Rosenblatt baute auch Hardware: den Mark I Perceptron (1960). Er hatte ein 20×20 Raster von Fotodioden, die wie eine Netzhaut agierten, zufällig mit Assoziationseinheiten verbunden, mit einstellbaren Gewichten, die durch Potenziometer implementiert wurden. Motoren aktualisierten diese Gewichte während des Lernens.
Er war in der Lage, einfache Muster zu klassifizieren und erzeugte massive Aufregung. Die New York Times behauptete sogar, er könnte eines Tages laufen, sprechen und bewusst sein (
NYT-Archiv, 1958).
