KI und Nachhaltigkeit

Die Ausbeutung planetarer Ressourcen wird 2030 zum Systemkollaps führen und globale Hungersnöte auslösen. Das sagten die Forschenden des Club of Rome in ihrem 1972 erschienenen Buch vorher und brachten die Debatte um die begrenzten Ressourcen unseres Planeten damit erstmals auf die großen Bühnen von Politik und Gesellschaft. Gestützt waren die Prognosen auf eine im Rückblick verblüffend präzise Computersimulation. 

Gutes Leben für alle Menschen auf der Welt, jetzt und immer. Aber was heißt gutes Leben und wie kann man das messen? Die Nachhaltigkeitsziele der Vereinten Nationen bilden einen Minimalkonsens der 193 Mitgliedstaaten. Zwar schaffen sie wichtige Richtlinien für eine nachhaltige Entwicklung, gehen aber auch mit einer Vielzahl von Problemen einher. 

Die Kontamination von Grundwasser kann ganze Landstriche vergiften und unbewohnbar machen. Um die Ausbreitung von Substanzen im Boden vorherzusagen – und zwar auch dann, wenn bestimmte Bodeneigenschaften unbekannt sind – konzipierten Forscher aus Tübingen und Stuttgart ein maschinelles Lernmodell, dessen Vorhersagen den Gesetzen der Physik gehorchen.

Menschen haben Vorurteile – KI-Modelle auch. Oft sollen diese Modelle lernen, menschliches Verhalten zu reproduzieren. Das kann dazu führen, dass Stereotype automatisiert und Gesellschaftsgruppen diskriminiert werden. Katharina Brunner, Elisa Harlan und Shannon Reitmeir untersuchen vier Dienste zur Erkennung anzüglicher Inhalte auf Bildern. Alle vier scheinen Frauen zu diskriminieren.

In seinem Debattenbeitrag im Spiegel macht Roberto Simanowski darauf aufmerksam, dass sprachverarbeitende künstliche Intelligenz (KI) ungleiche Machtverhältnisse zwischen Bevölkerungsgruppen verstärken könnte. Als ein Hauptproblem sieht er an, dass die Daten, an denen sie trainiert wird, vorrangig von weißen jungen Männern aus den USA stammen.

Der Ruf nach Nachhaltigkeit und Klimaschutz ist heute allgegenwärtig. Weniger konsumieren, weniger Schadstoffe ausstoßen, mehr Biodiversität. Kurzum, den Planeten retten. Neben der ökologischen Nachhaltigkeit sieht Dirk Arne Heyen vom Öko-Institut jedoch auch die Notwendigkeit einer ökonomischen Nachhaltigkeit und nimmt verschiedene deutsche Wirtschaftsbereiche unter die Lupe. Als Ergebnis präsentiert er einen Weg zu einer nachhaltigen Wirtschaft.

Weiß ein künstliches neuronales Netz, wann es überfragt ist? Es ist oft sehr selbstsicher in seinen Antworten, selbst wenn es die Frage nicht versteht. Alexander Meinke, Julian Bitterwolf und Matthias Hein versuchen herauszufinden, wie man ihm beibringen kann, zu erkennen, dass es eine Aufgabe nicht lösen kann.

„There ain’t no such thing as a free lunch“, zu deutsch: „Es gibt nichts umsonst.“ Diese Aussage gilt auch für maschinelles Lernen. David Wolpert und William G. Macready formalisierten diese Aussage zwischen 1992 und 1996 in Form der „No-Free-Lunch“-Theoreme. Eine häufige Interpretation der Theoreme ist, dass maschinelles Lernen unmöglich ist und alle Lernalgorithmen gleich schlecht sind. Sterkenburg und Grünwald beleuchten Kritik, Erweiterungen und Interpretationen der Theoreme und argumentieren, dass modernes maschinelles Lernen und dessen theoretische Grundlagen nicht im Widerspruch zu den „No-Free-Lunch“-Theoremen stehen. 

Schon 1965 prophezeite der berühmte Politikwissenschaftler und Organisationsforscher Herbert A. Simon: „Maschinen werden in zwanzig Jahren in der Lage sein, jede Arbeit zu erledigen, die ein Mensch verrichten kann.“ Er unterschätzte ganz offensichtlich die Komplexität der Aufgabe. Larry Hardesty beschreibt in einem ausführlichen Blogpost, wie das Massachusetts Institute of Technology (MIT) 50 Jahre später einen neuen Anlauf nahm: dieses Mal mit vereinten Kräften aus Informatik, Biologie und Psychologie.

„Wenn Sie mir noch drei Minuten Gemeinwohl gestatten? Sonst lasse ich es weg, weil ich es nämlich für nicht ganz so relevant halte.“ Solche Zitate aus dem Wortprotokoll der KI-Enquete-Kommission zeigen: Wenn Expert*innen im Auftrag des Bundestages über die ganz großen Fragen rund um künstliche Intelligenz diskutieren, ist der Zeitplan strikt und jedes noch so wichtige Thema muss um seinen Platz auf der Tagesordnung kämpfen – und das, obwohl hier zwischen den Zeilen die Interessenkonflikte einer zukünftigen KI-Gesellschaft verhandelt werden.

Wie können wir sicherstellen, dass eine ökologisch nachhaltige Entwicklung auch sozial gerecht ist? Dieser Frage geht Eva Senghaas-Knobloch nach. Sie untersucht Ansätze zur Messung und Konzeptualisierung sozialer Nachhaltigkeit. Diese sieht sie als Grundvoraussetzung für eine ökologisch nachhaltige Entwicklung an.

Objekte auf Bildern erkennen – für Menschen eine Kleinigkeit. Computern dagegen konnte das Sehen erst vor zehn Jahren beigebracht werden. Dafür sorgte der gebürtige Ukrainer Alex Krizhevsky, der 2012 als Doktorand in Kanada die Bildverarbeitung revolutionierte. Er setzte dabei auf die Lernfähigkeit künstlicher neuronaler Netze und übertraf die Treffsicherheit vorheriger Ansätze um phänomenale 20 Prozent.

Können Maschinen denken? Alan Turing stellte im Jahr 1950 diese bis heute relevante und ungeklärte Frage. Er reformulierte sie in Form eines Spiels, das er Imitation Game nannte. Dessen Vereinfachung ist bis heute unter dem Namen Turing-Test bekannt und soll zwischen Mensch und Maschine differenzieren. 

Moderne Machine-Learning-Algorithmen werden oft als Black Box bezeichnet, weil selbst ihre Entwickler*innen nicht genau nachvollziehen können, warum ein Algorithmus funktioniert. Wie begann die Geschichte dieser Black-Box-Verfahren? 2001 plädiert Leo Breiman in einem kontroversen Essay für diese neue Denkkultur: weg von einfachen, erklärbaren Algorithmen – hin zur leistungsfähigen Black Box.

Die Menschheit ist bereits zweimal an dem Versuch gescheitert, eine computerbasierte künstliche Intelligenz (KI) zu entwickeln. Der sogenannte dritte KI-Sommer könnte sich jedoch dauerhaft etablieren, spekuliert Henry A. Kautz 2020 in einem Vortrag. Er spannt einen Bogen von vergangenen KI-Sommern und -Wintern über die negativen Potentiale der Technologie bis hin zu seiner eigenen KI-Vision.