KI - Quo vadis? Von ChatGPT über neuronale Netze zu neuromorpher KI
Praktisch nutzbare Künstliche Intelligenz entstand aus dem Bündnis kluger Köpfe mit den rechentechnischen Fähigkeiten Boolescher Automaten – natürliche Intelligenz dagegen aus Selbstorganisation und Evolution. Dieser zweite Weg rückt mit dem neuromorphen Rechnen zunehmend wieder in das Blickfeld von Wissenschaft und Praxis: Spikende neuronale Netze (SNN) stellen dem wachsenden Energiehunger moderner KI-Systeme eine reale Alternative entgegen und erweitern das Methodenrepertoire der KI um Elemente der Selbstorganisation. Das vorliegende Werk erläutert dieses Spannungsfeld allgemeinverständlich und zugleich mathematisch nachvollziehbar. Am Beispiel des Texterzeugungsmoduls von ChatGPT werden Konzept, Eleganz und Aufwand der modernen Transformer-basierten KI Schritt für Schritt sichtbar gemacht und mit den Kodierungs-, Lern- und Netzgestaltungsmethoden spikender neuronaler Netze verglichen. Den Hintergrund bilden ausgewählte Wirkungsmechanismen des menschlichen Nervensystems – die kybernetischen Vorbilder des neuromorphen Rechnens. Behandelt werden u. a. Spike-Timing-Dependent Plasticity, Populations- und Zeitkodierung, das Neural Engineering Framework, neuromorphe Hardware von Loihi 2 bis zu kommerziellen Edge-Prozessoren sowie die Perspektiven der wechselseitigen Befruchtung klassischer und neuromorpher KI – bis hin zum optischen Rechnen. (ca. 90 Seiten, 20 Abbildungen) English abstract: Practically usable artificial intelligence arose from the alliance of ingenious minds with the computational power of Boolean automata – natural intelligence, by contrast, from self-organization and evolution. With neuromorphic computing, this second path is moving back into the focus of science and engineering: spiking neural networks (SNN) offer a real alternative to the growing energy appetite of modern AI systems and fundamentally extend the methodological repertoire of AI by elements of self-organization. This monograph (in German) explains this field of tension in a generally accessible yet mathematically traceable way. Using the text-generation module of ChatGPT as a representative example, the concept, elegance and computational cost of modern transformer-based AI are made visible step by step and compared with the coding, learning and network-design methods of spiking neural networks. The background is provided by selected mechanisms of the human nervous system – the cybernetic archetypes of neuromorphic computing. Topics include spike-timing-dependent plasticity, population and temporal coding, the Neural Engineering Framework, neuromorphic hardware from Loihi 2 to commercial edge processors, and the prospects of mutual enrichment of classical and neuromorphic AI – up to optical computing. (approx. 90 pages, 20 figures)