Inhaltsverzeichnis

An Narayan Srinivasas Arbeitsplatz jedoch ist von dieser Schönheit nicht viel zu sehen. Er sitzt in einem fensterlosen Labor. Vor ihm liegt ein unscheinbarer Chip inmitten eines Kabelgewirrs. Seine Aktivität erscheint als Impulsgewitter auf einem Computerbildschirm, das EEG eines Silizium-Hirns. Der HRL-Chip besteht aus 576 künstlichen Neuronen und ist in dieser Hinsicht ganz ähnlich dem von IBM. Aber wie die Neuronen unseres eigenen Gehirns passen sich seine synaptischen Verbindungen an, wenn neue Informationen eintreffen. Mit anderen Worten: Der Chip lernt durch Erfahrung.

Der HRL-Chip ahmt zwei Phänomene des Gehirns nach: Zum einen sind Neuronen unterschiedlich empfänglich für Signale anderer Neuronen – und zwar abhängig davon, wie häufig deren Signale eintreffen. Zweitens reagieren Neuronen bevorzugt auf jene Nervenzellen, deren Signalaktivität über einen gewissen Zeitraum ihrer eigenen ähnelt. Arbeiten Gruppen von Neuronen also konstruktiv zusammen, verstärkt das ihre Verbindungen untereinander. Seltener genutzte synaptische Signalbahnen schwächen sich dagegen ab. Hirnforscher nennen dieses Phänomen "zeitabhängige Plastizität".

Experimente mit simulierten Versionen des Chips haben bereits eindrucksvolle Ergebnisse erbracht. Er spielte eine virtuelle Partie "Pong", obwohl der HRL-Chip gar nicht für das Spiel programmiert worden war. Er konnte nur den Ball erkennen, seinen Schläger bewegen und auf Feedback reagieren, das erfolgreiche Schläge belohnte oder fehlerhafte bestrafte. In den ersten Spielrunden schlug das System von 120 Neuronen zwar wild um sich. Aber bereits nach fünf Durchgängen hatte es sich zu einem geschickten Spieler entwickelt. "Wir programmieren nicht", sagt Srinivasa. "Wir sagen nur 'gut gemacht' oder 'nicht so toll', und es findet selbst heraus, was es tun sollte." Fügten die Forscher weitere Bälle, Schläger oder Gegner hinzu, adaptiert sich das Netzwerk schnell an die Veränderungen.

Die Einsatzmöglichkeiten sind vielfältig. Mit diesem Ansatz könnten Ingenieure beispielsweise einen Roboter erschaffen, der durch eine Art "Kindheit" stolpert und dabei lernt, sich zurechtzufinden. "Sie können den Ereignisreichtum der realen Welt nicht simulieren, daher ist es am besten, wenn das System direkt mit ihr interagiert", so Srinivasa. Dieses Wissen könnte die erste Maschinengeneration dann an die zweite weitergeben – einfach und schnell per Update. Srinivasa plädiert aber dafür, auch den nachfolgenden Robotergenerationen eine gewisse Lernfähigkeit zu lassen. So könnten sie unbekanntes Terrain meistern oder Beschädigungen ausgleichen.

Ein erster echter Test dieser Vision neuromorpher Computer ist für den Sommer geplant. Dann soll der HRL-Chip seinen Labortisch verlassen. In einem handtellergroßen Fluggerät mit schlagenden Flügeln, genannt Snipe, soll er sich in die Lüfte erheben. Ein menschlicher Pilot wird die Drohne ferngesteuert durch Innenräume fliegen, während der Chip Daten der eingebauten Kamera und anderer Sensoren auswertet. An bestimmten Punkten erhält der Chip das Signal "Pass hier auf". Kehrt der Snipe später zurück, soll er per Leuchtsignal melden, dass er den Raum wiedererkannt hat. Mit klassischer Chiptechnologie wäre diese Art der Erkennung zu aufwendig für ein derart kleines Fluggerät.

Sind die Wissenschaftler also auf dem Weg zu einer künstlichen Intelligenz, die diesen Namen wirklich verdient hat? Diese Frage muss trotz erster Erfolge offenbleiben. Denn noch ist unklar, ob sich aus den überschaubaren Systemen mit ein paar Hundert Neuronen komplexe Versionen mit Millionen Nervenzellen bauen lassen. Ob also Maschinen entstehen könnten, die tatsächlich anspruchsvollere Gehirnfunktionen nachahmen.

Der Neurowissenschaftler Henry Markram etwa, Entdecker der zeitabhängigen Plastizität, hat Modhas Arbeit in der Vergangenheit scharf attackiert. Dessen Netzwerke simulierter Neuronen hält er für zu stark vereinfacht. Um die Fähigkeiten des Gehirns erfolgreich nachzuahmen, müssten die Synapsen bis zur molekularen Ebene nachgebildet werden, glaubt Markram. Schließlich würden Dutzende Ionenkanäle und tausenderlei Botenstoffe das Verhalten von Neuronen beeinflussen. Zudem gebe es zahlreiche Typen von Synapsen, die sich zum Teil auch noch recht chaotisch verhielten.

Das Darpa-Team widerspricht. Es sei gar nicht notwendig, die volle Komplexität des Gehirns zu erfassen, um Nützliches zu tun. Vielleicht aber führt der direkte Vergleich mit dem menschlichen Gehirn auch in die Irre. Möglicherweise ist es besser, diese Chips als eigenständig zu akzeptieren. Als eine neue, fremde Form von Intelligenz. Eine allerdings, die uns in Zukunft zur Seite stehen wird. Das zumindest prophezeit Zachary Lemnios, strategischer Forschungsleiter bei IBM. Viele große Unternehmen sähen bereits Bedarf: "Der traditionelle Ansatz – einfach mehr Rechnerkapazität und leistungsfähigere Algorithmen einzusetzen – lässt sich nicht weiter hochskalieren, und das merken wir."

Als Beispiele nennt er Apples persönlichen Assistenten Siri und Googles autonom fahrende Autos. Googles Navigation ist stark von vorher geladenen Kartendaten abhängig, weil die Rechenkapazität im Fahrzeug nicht ausreichen würde, die Umgebung in Sekundenschnelle zu erfassen. Auch für Siri passt die nötige Computerleistung in kein Smartphone. Deshalb greift das Programm zur Spracherkennung und -verarbeitung auf Cloud-Server zurück. Das führt jedoch zu merklichen Verzögerungen.

Mit neuromorphen Maschinen ließe sich diese externe Hilfe minimieren. Ein kompakter Neurochip könnte beispielsweise helfen, Sprache und Bilder zu analysieren. Sinnvolle Antworten wie die von Siri sind auf diesem Weg zwar nicht möglich, weil die Chips auf absehbare Zeit nicht so leistungsfähig sein werden wie Computer in der Cloud. Die Fähigkeiten der Neurochips wären aber immer dort wertvoll, wo ein System sofort reagieren muss oder die Verbindung mit einem Rechenzentrum nicht möglich ist.

IBM spricht bereits mit Kunden, die sich für neuromorphe Lösungen interessieren. Die Auswertung von Überwachungskameras und die Vorhersage von Finanzbetrug stehen hier an vorderster Stelle, weil beide komplexe Lernprozesse und Mustererkennung in Sekundenbruchteilen erfordern.

Nützlich wären diese Fähigkeiten auch für das Militär – die Darpa fördert das Projekt schließlich nicht aus reinem Altruismus. "Neuromorphe Computer sind weder geheimnisvoll noch magisch", sagt Gill Pratt, der bei der Darpa das "Synapse"-Projekt betreut. Anstatt ein Video einer Gruppe von Männern an Hochleistungscomputer zu übertragen, um sie dort auszuwerten, "würde der Chip einfach signalisieren: 'Auf jeder dieser Positionen scheint eine Person zu rennen'", so Pratt. Wie meistens in der Computergeschichte werden also die ersten Systeme dieser Art auch beim Militär eingesetzt. Bei allem technischen Fortschritt gibt es Dinge, die sich einfach nicht ändern. (bsc)