Können Computer denken? Teil 1 - Didaktik der Informatik

geht die Sonne auf“ zu).
In der Mathematik kann und darf sich die Gültigkeit der Ableitung einer Konklusion
aus gegebenen Prämissen (z. B. Axiomen) nicht ändern, wenn zu den Prämissen weitere
hinzukommen oder später auch noch eine andere Schlußfolgerung gezogen wird (diese
Eigenschaft nennt man Monotonie). Im Alltag und in den empirischen Wissenschaften
ist das ersichtlich anders, hier gibt es ständig eine Revision des Wissens. Solches —
nicht-monotones — Denken zu formalisieren, ist eine grundlegende, aber bisher nicht in
der nötigen Allgemeinheit gelöste Aufgabe der KI. Insbesondere hat sich die Modellierung
und Formalisierung zeitlicher Zusammenhänge und Schlußweisen als ausgesprochen
schwierig erwiesen (wir beziehen uns dabei auf logisch und mathematisch gesehen sehr
unterschiedliche Entitäten: absolute und relative Zeitpunkte, scharf und unscharf abgegrenzte
Zeitintervalle). Im engen Zusammenhang damit steht das schon klassisch zu nennende
Rahmen-Problem der KI: wir sehen jemand mit einem Karton unterm Arm aus
einem Geschäft heraus kommen; wir nehmen dabei ganz selbstverständlich an, daß sich
abgesehen von dieser leichten Veränderung des Waren- und Kassenbestandes ansonsten
im Geschäft nichts wichtiges geändert hat, daß ” im wesentlichen“ alles ” normal“ ist und
daß andere Wahrnehmungen, die wir nur am Rande unseres Bewußtseins haben (Autos
fahren vorbei, irgendwelche Lichter gehen an und aus), unwichtig sind. Das alles ändert
sich schlagartig, wenn wir entdecken, daß die Person eine Strumpfmaske trägt (in der
Sprache der KI wechselt der ” Rahmen“ unseres Wissens, Wahrnehmens und Schließens
von ” Einkauf“ zu ” Raub“). Je nach Situation und Kontext erschließen wir uns nicht nur
neue Fakten, wir entscheiden auch blitzschnell, was sich alles nicht geändert hat und was
davon und von den Veränderungen relevant bzw. irrelevant ist. Die Übertragung dieser
Fähigkeit in ein formales System ist außerordentlich schwierig (als Lösungsansätze wurden
u. a. die oben genannten frames und scripts entwickelt), da bei jeder Stufe neben den
intendierten Veränderungen und möglichen Seiteneffekten auch explizit angegeben werden
muß, was gleich bleibt und was davon ignoriert (aber nicht vergessen!) werden kann, um
von dieser Basis aus weiter Schlüsse ziehen und dabei zwischen relevanten und uninteressanten
unterscheiden zu können. Ein weiteres Problem bei der Formalisierung unserer
Alltagslogik ist unser lockerer und meist problemloser Umgang mit unscharfen Begriffen
(ab wieviel Zentimeter genau ist eine Frau ” groß“? für wen, zu welcher Zeit und an
welchem Ort?). Auch hier gibt es eine lebhafte Grundlagenforschung mit einigen Lösungsansätzen,
die bisher allerdings weder allgemein anwendbar noch akzeptiert sind. Durch
Medien und Werbung wird insbesondere die fuzzy logic ins öffentliche Bewußtsein gehoben.
Die bisher vorliegenden technischen Realisierungen dieser ” verschwommenen“ Logik
gehören eher zum Bereich der Regeltechnik (z. B. Steuerung chemischer Prozesse, Autofocus
in einer Kamera) in recht gut überschaubaren, eingegrenzten Gebieten; wieweit sich
damit auch Schlußfolgerungen in allgemeineren Zusammenhängen im Kernbereich der KI
realisieren lassen, bleibt abzuwarten.
In den letzten Absätzen ist deutlich geworden, daß sich die Grundprobleme der adäquaten
Wissensrepräsentation und der formalen Beschreibung von Schlußfolgerungen nicht wirklich
trennen lassen; beim Schließen kann nur auf solche Aspekte Bezug genommen werden,
die symbolisch repräsentiert sind, die symbolische Darstellung nützt nichts, wenn nicht
auch dazu passende Ableitungsregeln existieren. Wissen und Schlußfolgern allein reichen
allerdings für in der Praxis verwendbare KI-Systeme nicht aus. Je größer das Wissen,
je vielfältiger die Ableitungsregeln, desto größer wird die Anzahl der zu untersuchenden
Möglichkeiten. Dabei tritt — wie oben am Beispiel Schach demonstriert — sehr schnell
24