Beim Versuch ein geeignetes Modell für das Management von KI und Robotik zu finden, ist mir als erstes das Model der lebensfähigen Systeme von Stefford Beer eingefallen. Dabei vergleicht Beer das Management einer Unternehmung mit den verschiedenen Systemen, wie sie im menschlichen Körper auftreten. Das System 1 (Operations) ist für die Leistungserbringung zuständig und wird durch ein eigenes Management bzw. durch teilautonome Gruppen gesteuert. Das System 2 (Tactical planning) koordiniert die verschiedenen operativen Einheiten. Das System 3 (Operational Planning & Controlling) optimiert die Abläufe im hier und jetzt. Es ist für die kontinuierlichen Verbesserungsprozesse verantwortlich. Das System 4 (strategisches Management) ist für die Zukunftsplanung verantwortlich und schliesslich verantwortet das System 5 (Normatives Management) die Vision und Mission der Unternehmung.
Interessanterweise bin ich bei Gesprächen mit Robotik- und KI-Forschern wie auch in deren Literatur immer wieder über den Begriff "System" bzw. "Systemarchitektur" gestolpert. Sowohl in der Psychologie, der Physik als auch den Computerwissenschaften werden auch verschiedene Systemebenen beschrieben, welche ihrerseits unterschiedliche Funktionen einnehmen. Daher habe ich mir erlaubt, das Model der lebensfähigen Systeme zu adaptieren. Dabei habe ich einerseits die Stärke der KI in das Modell eingebaut und es mit den zentralen Aufgaben des integrierten Innovationsmanagements (Exploration & Exploitation) verknüpft. Wichtig hierbei ist, dass wir uns vorstellen müssen, dass alle Leistungen aber auch die Führung der verschiedenen Systemen durch Maschinen oder Roboter erbracht werden. Diese Systeme können zudem unterschiedlich intelligent sein. Das bedeutet, dass tiefes Lernen sowohl in einer "operational unit" implementiert sein kann, als auch in höher gelegenen Systemen. Ebenfalls wäre denkbar, dass Systeme nur rechnen und speichern können, sprich nicht lernfähig sind. Solange Systeme "sich erinnern", "rechnen" und "lernen" können sind sie zwar intelligent, haben aber noch kein Bewusstsein. Hierzu bräuchte es noch die Fähigkeit des "Erlebens" (vgl. weiter unten). Nicht nur die Forschung arbeitet bereits heute an der Umsetzung dieser Systeme, sondern auch verschiedenen Start-up's und Technologieunternehmen haben begonnen, ihre Maschinen und Dinge intelligent zu machen und zu vernetzten (vgl. Aibo 2 von Sony oder diverse IoT-Projekte). Das Start-up Singularitynet.io hat sich zum Ziel gesetzt, eine Infrastruktur zur Verfügung zu stellen, damit sich verschiedenen isolierte künstliche Intelligenzen in einer Cloud austauschen können. Diese Transaktionen werden zusätzlich in einer Blockchain gespeichert und mit einer Kryptowährung verrechnet. Diese Infrastruktur würde dann zum Beispiel die Koordination von verschiedenen Operational Units übernehmen, also eine Technik, welche ich dem System 2 zuordnen würde. Letztlich habe ich jeder Ebene (normativ, strategisch, operativ) einige zentrale Fragen hinzugefügt, die von den Systemen beantwortet werden müssen.
Zuletzt möchte ich noch kurz auf den Begriff des Bewusstseins eingehen. Hier steckt die Forschung noch in den Kinderschuhen und wird sehr interdisziplinär betrieben (Psychologie, Medizin, Recht, Physik, Mathematik, Informatik). Bewusstsein fühlt sich irgendwie immateriell an. Subjektives Erleben und Empfindungsfähigkeit basieren denn auch vielmehr auf der Struktur der Informationsverarbeitung und nicht auf der Struktur der Materie, die die Informationsverarbeitung ausführt. Das Bewusstsein ist somit in doppelter Weise substratunabhängig (Tegmark, 2017). Autoren wie Michio Kaku, Jeff Hawkins, Sandra Blakeslee oder Stanislas Dehaene schlagen vor, dass man sich die bewusste Informationsverarbeitung als den Geschäftsführer des Gehirns vorstellen sollte. Das Topmanagement beschäftigt sich nur mit den wichtigsten Entscheidungen, die eine über das gesamte Unternehmen verteilte Datenanalyse erfordern. Das Topmanagement will gar nicht wissen was die Unterstellten so treiben. Es kann dieses Wissen aber einfordern, wenn es das benötigt. Da eine superintelligente künstliche Intelligenz mit Bewusstsein ein x-faches unserer Leistungsfähigkeit haben wird, ist auch der Raum der möglichen Erlebnisse unvorstellbar grösser als das was wir Menschen erleben können.
Zuletzt möchte ich noch kurz auf den Begriff des Bewusstseins eingehen. Hier steckt die Forschung noch in den Kinderschuhen und wird sehr interdisziplinär betrieben (Psychologie, Medizin, Recht, Physik, Mathematik, Informatik). Bewusstsein fühlt sich irgendwie immateriell an. Subjektives Erleben und Empfindungsfähigkeit basieren denn auch vielmehr auf der Struktur der Informationsverarbeitung und nicht auf der Struktur der Materie, die die Informationsverarbeitung ausführt. Das Bewusstsein ist somit in doppelter Weise substratunabhängig (Tegmark, 2017). Autoren wie Michio Kaku, Jeff Hawkins, Sandra Blakeslee oder Stanislas Dehaene schlagen vor, dass man sich die bewusste Informationsverarbeitung als den Geschäftsführer des Gehirns vorstellen sollte. Das Topmanagement beschäftigt sich nur mit den wichtigsten Entscheidungen, die eine über das gesamte Unternehmen verteilte Datenanalyse erfordern. Das Topmanagement will gar nicht wissen was die Unterstellten so treiben. Es kann dieses Wissen aber einfordern, wenn es das benötigt. Da eine superintelligente künstliche Intelligenz mit Bewusstsein ein x-faches unserer Leistungsfähigkeit haben wird, ist auch der Raum der möglichen Erlebnisse unvorstellbar grösser als das was wir Menschen erleben können.
Fazit
Zum heutigen Zeitpunkt werden die meisten Führungsaufgaben ab System 2 noch von Menschen übernommen. Aufgaben im System 1 werden bereits heute oft von Maschinen und Algorithmen (rechnen und speichern) erledigt. Verfahren wie Long-Short-Term-Memory (LSTM), das bereits millionenfach in Spracherkennungssoftware oder Übersetzungsprogrammen eingesetzt wird, oder neuere Ansätze wie recurrent neural networks artificial intelligence (RNNAI) oder Learning Intelligent Distribution Agent (LIDA cognitive architecture) werden schon bald Aufgaben der Systeme 2 und 3 übernehmen können. Die AI-Forscher sind sich jedoch einig, dass es gegen oben keine Limite gibt und auch die Systeme 4 und 5 früher oder später durch künstliche Intelligenz gemanagt werden. Somit würde der durch viel schlauerer Maschinen gedemütigte Homo Sapiens (Weisheit) zu einem Homo Sentiens (Empfindungsvermögen) degradiert.
Auf die Frage, wie sich KI auf die Arbeitwelt auswirken wird, antwortet Jürgen Schmidhuber:" Artificial Intelligences (AIs) will learn to do almost everything that men can do, and much more. Their artificial neural networks (NNs) are getting smarter through experience, and faster and bigger by a factor of 100 per decade per dollar. That is, in a few decades we should have rather cheap computers with the raw computational power of all human brains combined, and it won’t stop there. The self-improving software running on such machines will not lag far behind. The deep learning NNs developed in our labs in Munich and Switzerland since the 1990s are already available to billions of users through their smartphones. Our formal theory of fun even allows to implement artificial curiosity and creativity, to build artificial scientists and artists. Supersmart AIs will soon colonize the solar system and the rest of the galaxy. Of course, robots and their owners will have to pay sufficient taxes to avoid a social revolution. What remains to be done for humans? Freed from hard work, “Homo Ludens” will (as always) invent new ways of professionally interacting with other humans. Already today, most humans (probably you too) are working in "luxury jobs" which unlike farming are not really necessary for the survival of our species. Machines are much faster than Usain Bolt, but he still can make hundreds of millions by defeating other humans on the race track. In South Korea, the most wired country, new jobs emerged, such as professional video game player. Remarkably, countries with many robots per capita (Japan, Germany, Korea, Switzerland) have relatively low unemployment rates. My old statement from the 1980s is still valid: It’s easy to predict which jobs will disappear, but hard to predict which new jobs will be created."
Ausblick
Vielleicht liefert LIDA cognitive architechture - Learning Intelligent Distribution Agent, ein Konzept für künftiges Bewusstsein von KI?
