Lade Inhalt...

Filmische Darstellung von künstlicher Intelligenz in „2001 - A Space Odyssey" (1968), „Her" (2013) und „Ex Machina" (2014)

Eine Filmanalyse

Bachelorarbeit 2018 71 Seiten

Filmwissenschaft

Leseprobe

Inhaltsverzeichnis

Kurzfassung

Abstract

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1. Einleitung

2. Was ist künstliche Intelligenz?
2.1 Begriffserkl ä rung und Definition
2.2 KI-Forschung
2.2.1 Geschichte der KI-Forschung
2.2.3 Stand der KI Forschung
2.2.4 Starke KI und schwache KI
2.3 Der "Turing-Test" von Alan Turing
2.4 Gedankenexperimente zur KI
2.4.1 „Das Chinesische Zimmer" von John Searle
2.4.2 „What Mary didn’t know“ von Frank Jackson

3. Die filmische Darstellung k ü nstlicher Intelligenz
3.1 HAL 9000 in „ 2001: A Space Odyssey “
3.1.1 Zusammenfassung des Films „2001: A Space Odyssey“
3.1.2 Beschreibung von HAL 9000 im Film "2001: A Space Odyssey"
3.1.3 Analyse von HAL 9000s Fähigkeiten
3.1.4 Interpretation
3.2 Samantha in „ Her “
3.2.1 Zusammenfassung des Films „Her“
3.2.2 Beschreibung von Samantha im Film "Her"
3.2.3 Analyse von Samanthas Fähigkeiten
3.2.4 Interpretation
3.3 Ava in „ Ex Machina
3.3.1 Zusammenfassung des Films „Ex Machina“
3.3.2 Beschreibung von Ava im Film "Ex Machina"
3.3.3 Analyse von Avas Fähigkeiten
3.3.4 Interpretation
3.4 Vergleich von HAL 9000, Samantha und Ava
3.5 Sind HAL 9000, Samantha und Ava intelligent?
3.6 Einordnung in die KI-Forschung und die Gesellschaft im Jahr

4. Fazit

5. Literaturverzeichnis

6. Quellenverzeichnis

7. Filmographie

Kurzfassung

Diese Bachelorarbeit beschäftig sich mit einer Analyse der filmischen Darstellung von künstlicher Intelligenz im Medium Film. Hierfür werden stellvertretend die Beispiele „2001: A Space Odyssey“ (1968) von Stanley Kubrick, „Her“ (2013) von Spike Jonze und „Ex Machina“ (2014) von Alex Garland herangezogen. Dabei werden zuerst die Grundlagen und die Geschichte der Disziplin künstliche Intelligenz erläutert. Anschließend werden die Fähigkeiten der künstlichen Intelligenzen HAL 9000, Samantha und Ava beschrieben und analysiert, bevor eine Interpretation in Bezug auf das Gesamtwerk stattfindet. Danach wird untersucht, inwieweit die filmische Darstellung der künstlichen Intelligenzen als intelligent gelten kann. Schließlich werden HAL 9000, Samantha und Ava miteinander verglichen und in den aktuellen Stand der Forschung und der Gesellschaft im Jahr 2018 eingeordnet.

Abstract

This bachelor thesis contains an analysis of the cinematic depiction of artificial intelligence in film. Therefore it uses the examples from the movies „2001: A Space Odyssey“ (1968) by Stanley Kubrick, „Her“ (2013) by Spike Jonze and „Ex Machina“ (2014) by Alex Garland. Initially, the basics and the history of artificial intelligence are explained. Subsequently, the artificial intelligences HAL 9000, Samantha and Ava are described and analyzed for their capabilities. In the following, it will be examined if their cinematic depiction can be classified as intelligent. Finally, HAL 9000, Samantha and Ava are compared and integrated into the current state of research and society in the year 2018.

Abbildungsverzeichnis

Abbildung 1: „Shakey the Robot“ des SRI Standford Research Institute

Abbildung 2: Einfaches künstliches neuronales Netz mit zwei Zwischenschichten

Abbildung 3: Vergleich der Bilderkennung zwischen Mensch und Maschine

Abbildung 4: Poole und Bowman, HAL im Hintergrund (TC: 01:24:48)

Abbildung 5: Das Auge des HAL 9000 Computers (TC: 01:08:24)

Abbildung 7: Theodore Twombly mit Ohrstöpsel (TC: 00:16:50)

Abbildung 8: Samantha auf dem Mobilgerät (TC: 01:10:43) und in Theodores Brusttasche (TC: 00:48:46)

Abbildung 9: Theodore und Samantha (TC: 00:29:15)

Abbildung 10: Theodore und Amy im futuristischen Los Angeles (TC: 01:57:24)

Abbildung 11: Androidin Ava in ihrem Zimmer, der Testumgebung (TC: 00:14:10)

Abbildung 12: Ava betrachtet eine Maske (TC: 01:28:17)

Abbildung 13: Ava flieht als „Mensch“ und lässt Caleb zurück (TC: 01:38:12)

Abbildung 14: Avas Menschenählichkeit und das Uncanny Valley

Abbildung 15: HAL 9000 , Samantha und Ava

Abbildung 15: Ein Affe nutzt einen Knochen als Werkzeug („2001: A Space Odyssey“,

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Einleitung

Können Maschinen denken? „Can machines think?“.1

Mit dieser einfachen, aber polarisierenden Frage des visionären britischen Computerwissenschaftlers Alan Turing nahm im Jahr 1950 das Phänomen seinen Anfang, das wir heute unter dem Begriff K ü nstliche Intelligenz kennen.

Bereits 18 Jahre später, im Jahre 1968, versetzte die künstliche Intelligenz HAL 9000 Kinozuschauer in aller Welt in Angst und Schrecken. Die Kreation des visionären Filmregisseurs Stanley Kubrick deutete an, zu was künstliche Intelligenz (KI) in der Zukunft in der Lage sein könnte.2

Seither spielen KI’s3 eine wiederkehrende Rolle in Science-Fiction Filmen. Dabei decken die verschiedenen Darstellungen das gesamte filmische Spektrum ab. Von aufwändig produzierten Hollywood-Blockbustern reicht dieses bis hin zu Independent-Filmen. Die KI’s treten dabei als Roboter in Erscheinung wie in „Chappie“ (2015) oder in Form eines Kindes wie in „A.I. - Artificial Intelligence“ (2001). In vielen Filmen haben KI’s die Weltherrschaft übernommen, wie in „Terminator“ (1984) und „Matrix“ (1999), oder streben zumindest danach, wie in „Avengers: Age of Ultron“ (2015). In anderen Beispielen dienen KI’s als unterstützender Sidekick, wie in „Iron Man“ (2008) oder „Moon“ (2009).

In dieser Arbeit soll die filmische Darstellung der KI’s Samantha aus Spike Jonzes „Her“ (2013) und Ava aus Alex Garlands „Ex Machina“ (2014) untersucht werden. Um einen geschichtlichen Kontext herzustellen, wird auch Stanley Kubricks HAL 9000 aus „2001: A Space Odyssey“ herangezogen. Ein besonderes Augenmerk liegt dabei auf der Frage, inwieweit die filmischen Darstellungen sich mit der KI-Forschung und dem aktuellen Stand der Technik in Einklang bringen lassen. Dazu wird betrachtet, inwieweit HAL 9000, Samantha und Ava als intelligente Darstellungen bezeichnet werden können, oder ob es sich bei den KI’s lediglich um künstliche Filmfiguren handelt. Referenzen zu KI’s wie Skynet aus „Terminator“ oder Jarvis aus „Iron Man“ werden dabei bewusst unterlassen, da diese in Paralleluniversen spielen.

Im zweiten Kapitel wird zunächst die Frage beantwortet, um was es sich bei künstlicher Intelligenz handelt. Dazu wird der Begriff künstliche Intelligenz definiert, wobei vor allem die Definition von menschlicher Intelligenz eine große Rolle spielt. Anschließend werden die Anfänge und die Geschichte künstlicher Intelligenz beleuchtet. Der Leser bekommt dadurch einen Einblick, welche Entwicklung stattfand und was technisch bereits möglich ist, um die spätere filmische Darstellung besser einordnen zu können. Ein kurzer Exkurs erklärt die verschiedenen technischen Ansätze, auf denen KI-Systeme basieren, sowie den Unterschied zwischen sogenannter starker und schwacher KI. Anschließend werden bekannte philosophische Fragestellungen zur künstlichen Intelligenz anhand von drei Gedankenexperimenten beschrieben. Neben dem als Imitation-Game oder Turing-Test bekannten Versuch, der von Alan Turing als Intelligenztest für KI’s vorgeschlagen wurde, werden auch das Chinesische Zimmer von John Searle und das Mary Experiment von Frank Jackson betrachtet.

In Kapitel 3 wird auf die jeweiligen Filme „2001: A Space Odyssey“, „Her“ und „Ex Machina“ eingegangen. Dabei werden die Filme für den Leser kurz zusammengefasst. Es folgt eine Beschreibung der entsprechenden KI’s HAL 9000, Samantha und Ava. Anschließend werden deren Fähigkeiten weitestgehend analysiert, um eine Interpretation der jeweiligen KI im Kontext des gesamten Films zu ermöglichen.

In Kapitel 3.4 werden HAL 9000, Samantha und Ava miteinander verglichen. Hierbei wird auf die äußere Erscheinung, die Rolle im Kontext des Films sowie die persönliche Zielsetzung und Zielerfüllung geachtet. Anschließend wird betrachtet, inwieweit die jeweilige filmische Darstellung als intelligent eingestuft werden kann. Dabei wird auf die in Kapitel 2 erlangten Erkenntnisse und Definitionen zurückgegriffen. Auch die philosophischen Ansätze werden hierzu mit einbezogen. Zu guter Letzt werden die drei KI’s zeitlich und gesellschaftlich eingeordnet. Dazu werden der Entstehungszeitraum und die Gesamtthematik der drei Filme herangezogen.

Das Fazit fasst die erlangten Erkenntnisse zusammen und beleuchtet die Bedeutung und die Möglichkeiten von künstlicher Intelligenz im Film.

2. Was ist k ü nstliche Intelligenz?

Heutzutage kann nahezu jeder etwas mit dem Begriff k ü nstliche Intelligenz oder vielmehr artificial intelligence (AI) anfangen. Dennoch stellt es sich als relativ schwierig dar, die simple Frage „Was ist künstliche Intelligenz?“ eindeutig zu beantworten. Es gibt bisher weder eine einheitliche Meinung darüber was KI genau ist, noch gibt es einen beweisbaren Grund zu der Annahme, dass die Intelligenz einer Maschine viel mit menschlicher Intelligenz gemeinsam hat. Dies erschwert den Vergleich zusätzlich.4 Um der Komplexität des Themas gerecht zu werden, beleuchtet das folgende Kapitel verschiedene Ansätze. Zudem wird versucht, den Begriff der künstlichen Intelligenz genauer zu definieren und die Geschichte der KI verständlich zu umreißen.

2.1 Begriffserkl ä rung und Definition

Der KI-Pionier John McCarthy sagte 1955, es sei das Ziel der KI, Maschinen zu entwickeln, die sich so verhalten, als verfügten sie über Intelligenz.5 Traditionell wurde die KI als die Simulation von intelligentem menschlichen Denken und Handeln aufgefasst. Ein Problem dieser Definitionen ist, dass sich intelligentes menschliches Denken und Handeln, ebenso wie der Begriff der Intelligenz selbst, nicht exakt definieren lassen.6 Um sich dem Begriff der k ü nstlichen Intelligenz anzunähern, erweist es sich als sinnvoll diesen zunächst in die Teilbegriffe „künstlich“ und „Intelligenz“ aufzuspalten.

„Künstlich“ wird im Duden als „nicht natürlich, sondern mit chemischen und technischen Mitteln nachgebildet, nach einem natürlichen Vorbild angelegt“ und „natürliche Vorgänge nachahmend“ definiert – also als „geschaffen“.7 Dem Künstlichen gegenüber steht somit das Natürliche. Zudem leitet es sich von dem Wort „Kunst“ ab, welches wiederum als ein „schöpferisches Gestalten“ definiert wird.8 Es setzt das Vorhandensein eines Künstlers oder Schöpfers voraus, ohne welchen es nicht existieren kann.

Die Definition von „Intelligenz“ gestaltet sich schwieriger, denn hinter dem klassischen Intelligenzbegriff verbirgt sich meist menschliche Intelligenz. Der Duden bezeichnet „Intelligenz“ als die „Fähigkeit (des Menschen), abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten“.9

Der Schweizer Entwicklungspsychologe Jean Piaget vereinfachte die Thematik mit der Aussage, „Intelligenz ist das, was wir benutzen, wenn wir nicht wissen, was wir tun sollen”.10 Intelligenz beschreibt also nicht nur den Bildungsstand oder die erlernten kulturellen Fähigkeiten einer Person, sondern auch Felder wie Kreativität, Abstraktionsvermögen und das Lösen kognitiver Herausforderungen. Bereits im Jahre 1924 fasste der US-amerikanische Psychologe Louis Leon Thurstone diese Erkenntnisse in eine recht breit gefächerte Definition. Intelligenz umfasst für ihn neben Fähigkeiten der Abstraktion auch die Wahrnehmungsgeschwindigkeit, das Gedächtnis, das Sprachverständnis, die Rechenfähigkeit, das logische Denken und das räumliche Vorstellungsvermögen.11 Insgesamt sieht Thurstone die „geistige Anpassungsfähigkeit“, also die enorme Adaptivität des Menschen, als wichtigsten Bestandteil der Intelligenz. So sind wir in der Lage, unser Verhalten durch Lernen zu ändern und uns den verschiedensten komplexen Umweltbedingungen problemlos anzupassen.12 Diese Meinung vertritt auch der schwedische Philosophieprofessor Nick Bostrom, Direktor des Institute of the Future of Humanity, der in der Anpassungsfähigkeit das Fundament menschlicher Intelligenz sieht. Intelligenz ist seiner Meinung nach „die Fähigkeit, verfügbare Ressourcen so einzusetzen, um vorgegebene Ziele bestmöglich zu erreichen“.13

Da sich Intelligenz also nicht zweifelsfrei definieren lässt, wurde schon immer versucht, Intelligenz anhand von Modellen und Methoden genauer zu beschreiben und zu messen. Hierbei gibt es viele verschiedene Ansätze. Der Entwicklungspsychologe Howard Gardner schlägt ein achtdimensionales Modell vor, welches Einstufungen von „musikalisch-rhythmischer Intelligenz“ über „körperlich-kineastische Intelligenz“ bis zu „naturalistischer Intelligenz“ enthält.14 Die bekannteste Methode ist jedoch der Intelligenzquotient, auch als IQ bekannt. Dieser ist allerdings umstritten, da er z.B. die Anpassungsfähigkeit oder die emotionale Intelligenz außen vor lässt. Unter emotionaler Intelligenz ist die Fähigkeit zu verstehen, eigene und fremde Gefühle korrekt wahrzunehmen, zu verarbeiten und entsprechend zu bewerten. Sie gilt als Grundlage zwischenmenschlicher Beziehungen in der Gesellschaft.15

Hinsichtlich der Implementierung von Intelligenz in Maschinen erscheint es letztendlich treffend, jedem System Intelligenz zu unterstellen, welches in der Lage ist, eigenständig Probleme zu lösen. Solche Systeme unterscheiden sich lediglich im Grad ihrer Intelligenz. Dieser hängt vom Grad der Selbstständigkeit, dem Grad der Komplexität des Problems und dem Grad der Effizienz des Problemlösungsverfahrens ab. Es lässt sich schlussfolgern: Je selbstständiger und effizienter eine Maschine ein komplexes Problem löst, umso intelligenter ist sie.16

Zusammenfassend versucht die künstliche Intelligenz, menschliche kognitive Fähigkeiten in sämtlicher oben aufgeführter Vielfalt zu erschaffen. Dabei wird stets versucht, Intelligenz (zumindest in Teilen oder in speziellen Disziplinen) nachzubilden oder zu imitieren.

Das bedeutet, dass in der KI Maschinen versuchen, sich so zu verhalten, als wären sie intelligent – was auch heutzutage noch ziemlich genau der anfänglichen Definition des Turing-Preisträgers John McCarthy entspricht. McCarthy war einer der Gründerväter im Bereich der KI. Er prägte den Begriff der k ü nstlichen Intelligenz maßgeblich, als er im Jahre 1956 am Darthmouth College (New Hampshire, USA) vorschlug, eine Konferenz zu diesem Thema abzuhalten.17 Hier nahm die Geschichte der KI-Forschung ihren Anfang.

2.2 KI-Forschung

2.2.1 Geschichte der KI-Forschung

Im Jahre 1950 stellte Alan Turing in seinem Aufsatz „Computing machinery and intelligence“ zum ersten Mal öffentlich die Frage: „Can machines think?“.18 Von Intelligenz sprach Turing allerdings noch nicht.

Sechs Jahre später schlugen vier Wissenschaftler, allen voran John McCarthy, Juniorprofessor der Mathematik am Darthmouth College, eine Konferenz vor, die sich mit dieser Thematik beschäftigt. Gemeinsam mit Marvin Minsky (Harvard), Nathan Rochester (IBM) und Claude Shannon (Bell Telephone Laboratories) wurde 1956 das Darthmouth Summer Research Project on Artificial Intelligence durchgeführt, bei dem zehn führende Wissenschaftler verschiedener Fachgebiete zwei Monate lang forschten. Die Ziele der Konferenz waren überaus optimistisch: Die Forscher wollten während des Projekts grundsätzlich alle Aspekte der Intelligenz und des Lernens so genau beschreiben, dass Maschinen im Stande sind diese zu simulieren.19 Auf der Agenda standen bereits Vorläufer heutiger Neuronennetze, das Erkennen und Verarbeiten von Sprache sowie die Fähigkeit, Abstraktionen vorzunehmen und Probleme zu lösen.20

An der sogenannten Darthmouth Konferenz nahmen Experten der Mathematik, Kybernetik, Neurologie und Kognitionspsychologie teil.21 Das menschliche Handeln wird in den Forschungsgebieten Psychologie und Philosophie behandelt, während das menschliche Denken Teil der Neurowissenschaften ist. Deren maschinelle Simulation wiederum gliedert sich in die Informatik und Ingenieurswissenschaften ein. Die KI-Forschung wird deshalb als „Querschnittsdisziplin zwischen Technik, Naturwissenschaft und Kulturwissenschaften“22 angesehen. Die wichtigsten Teilbereiche sind dabei die Verarbeitung natürlicher Sprache (NLP, Natural Language Processing), die Spracherkennung (sowohl gesprochener als auch geschriebener Sprache), die Computer Vision (die Fähigkeit, visuelle Bilder zu interpretieren) und die Robotik (physische Konstruktion von Maschinen).23

Obwohl unklar ist, ob 1956 überhaupt Ergebnisse erlangt wurden, gilt die Darthmouth Conference als Geburtsstunde der KI. Bestehen blieb vor allem der Begriff k ü nstliche Intelligenz (artificial intelligence), der damals zum ersten Mal Verwendung fand. Seit jeher polarisiert dieser Begriff die Massen, regt zum Nachdenken an und schürt teilweise sogar Ängste und Unruhe. Ganz sicher jedoch hat der geschickt gewählte Titel die Disziplin der KI weltweit bekannt und auch für Filme und Science-Fiction interessant gemacht.24

Nach der Darthmouth Konferenz wuchs das Interesse am Fachgebiet der KI schnell. Aufgrund des überschwänglichen Optimismus blieben große Durchbrüche am Anfang jedoch aus. Oft wurde lediglich versucht, vereinfachte Problemstellungen wie Spiele und einfache Logikaufgaben zu implementieren.25 Ein erkennbarer Erfolg sollte 1959 das Dame-Computerspiel von Arthur Samuel sein. Es bewies der Welt, das eine geschickte Programmierung, basierend auf internen Verbesserungsschlaufen, ein Spiel schließlich besser beherrschen kann als der Programmierer selbst.26 Insgesamt jedoch litt die Wissenschaft der 1950er und 60er Jahre daran, dass die frühen Computer der fehlenden Leistung geschuldet fast ausschließlich „Wenn-dann“ Operationen oder Rechnungen durchführen konnten. Aufgaben wie Spracherkennung, Schrifterkennung und das Erfassen von Bildern lagen deshalb noch in weiter Ferne.27

Im Jahre 1965 entwickelte das SRI International (Stanford Research Institute) in Kalifornien den ersten mobilen, teilautonomen Roboter Shakey. Dieser war in der Lage, sich dank Rädern und Batterien fortzubewegen und mit Kameras, Schall- und Kollisionsdetektoren seine Umwelt wahrzunehmen und zu erforschen. Eigens für ihn wurden Algorithmen zur Erfassung, Planung, Kartierung und zur Navigation entworfen, von denen letzterer zum Teil heute noch Verwendung findet.28 Das Life Magazin betitelte Shakey 1970 als die „erste elektronische Person“29. Shakey soll unter anderem den Autor Arthur C. Clarke inspiriert haben 1968 gemeinsam mit Regisseur Stanley Kubrick im Film „2001: A Space Odyssey“ den Prototyp einer gefährlichen Computerintelligenz zu schaffen: HAL 9000.30 Mit „2001: A Space Odyssey“ und HAL 9000 wird sich diese Arbeit ab Kapitel 3.1 genauer auseinandersetzen.

Für Schlagzeilen sorgte KI erneut im Jahre 1997, als IBM’s Rechner Deep Blue den damaligen Schachweltmeister Garri Kasparow besiegte. Da Schach als intellektuelle Instanz der Brettspiele gilt, war diese Errungenschaft für die KI von besonderer Bedeutung.31

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: „ Shakey the Robot “ des SRI Standford Research Institute.32

Um an diesem Erfolg anzuknüpfen, entwickelte IBM von 2005 an den Rechner Watson, um in der beliebten Fernseh-Quizshow Jeopardy! teilzunehmen. Um die Antworten in Jeopardy! zu finden, muss das System in der Lage sein, Hinweise in Form von Wortspielen und Rätseln voller Ironie, Reimen und subtilen Anspielungen zu verstehen und zu verarbeiten. Watson gewann schließlich 2011 gegen die amtierenden Rekord-Champions Ken Jennings und Brad Ruttner. Seit diesem öffentlichkeitswirksamen Fernsehauftritt gehört Watson zu den wohl bekanntesten KI’s. Watson wird von IBM seither weiterentwickelt und auch wirtschaftlich eingesetzt, unter anderem für Finanzdienstleistungen, juristische Aufgaben, in der Medizin und in Callcentern.33

Im Jahre 2004 rief die amerikanische Behörde DARPA, die Defense Advanced Research Projects Agency, die bereits Projekte wie Shakey finanziert hatte, zur Grand Challenge im autonomen Fahren auf. Die größte Herausforderung des autonomen Fahrens liegt nicht im Steuern eines PKW, sondern in der hinreichend genauen Erkennung und Verarbeitung der Fahrzeugumgebung. Besonders im Bereich der Computer Vision, des maschinellen Sehens, galt es deshalb Fortschritte zu erzielen. Ein Wagen der Standford Universität schaffte als erstes, die 240 Kilometer lange Strecke in der Mojave-Wüste zurückzulegen.34 Der Leiter des Stanford Racing Teams, der deutsche Informatiker und heutige CEO der Online-Akademie Udacity, Sebastian Thrun, wechselte nach der Challenge zu Google Research. Dort leitete er die Entwicklung eines autonomen Fahrzeugs für den öffentlichen Straßenverkehr. Heute ist vergleichbare Technologie zumindest in Form von Fahrassistenzsystemen in beinahe jedem modernen Auto verbaut. Lediglich Fragen der Haftung und der öffentlichen Akzeptanz verhindern es momentan, dass private PKW vollständig autonom fahren.35

Zuletzt triumphierte die KI im März 2016 über den Menschen, als Google DeepMind’s Programm AlphaGo den internationalen Spitzenspieler Lee Sedol im Brettspiel Go besiegte. Eine solche Leistung war frühestens für das Jahr 2025 prognostiziert gewesen, denn im Go gibt es mehr Spielvarianten als Atome in unserem Universum.36 Neben gewisser Kreativität wird zum Spielen von Go auch Intuition benötigt, da es selbst für heutige Rechner unmöglich ist, alle Spielvarianten im Voraus zu berechnen. Die AlphaGo Software ist in der Lage, in einem künstlichen neuronalen Netz nicht nur tausende Partien von Profispielern zu studieren, sondern auch unzählige Male gegen sich selbst anzutreten. Dabei lernte AlphaGo auch neue, für den Menschen bis dato unbekannte, Spielvarianten und Strategien.37

Während die Begeisterung 1996 beim Schachsieg von Deep Blue noch riesig war, ist die Bedeutung des Sieges von AlphaGo 2016 für künstliche Intelligenz ungewiss. Die New York Times zitierte die Leiterin des Stanford AI Labs, Fei-Fei Li, nach dem Sieg von AlphaGo mit folgenden Worten: „Ich bin nicht wirklich überrascht. Wir sind ja auch nicht überrascht, wenn ein Auto schneller ist als der schnellste Mensch.“38

2.2.2 Ans ä tze der KI Forschung

Prinzipiell lassen sich die Ansätze, die zur Konstruktion intelligenter Systeme verwendet werden, in zwei grobe Teilbereiche kategorisieren: die symbolische Argumentation und das Machine Learning.

Die symbolische Argumentation beruht auf der Hypothese, dass sich alle Konzepte und Aussagen in Form von Symbolen darstellen lassen. Diese kann man dann manipulieren und transformieren, um Schlussfolgerungen zu treffen. Aus den Aussagen „Sokrates war ein Mensch“ und „Menschen sind intelligent“ lässt sich z.B. die Schlussfolgerung „Sokrates war intelligent“ treffen.39 In sogenannten Expertensystemen werden Computern Datenbanken voller fachspezifischem Expertenwissen zur Verfügung gestellt, woraufhin der Computer in der Lage ist, Zusammenhänge zu bilden und daraus Schlussfolgerungen zu ziehen. Das Erstellen solcher Datenbanken ist allerdings sehr aufwändig. Vor allem in der sogenannten „Planung“ finden Symbolsysteme noch Anwendung. Dabei lassen sich Ziele erreichen, indem man von einem bekannten Anfangszustand ausgehend einen oder mehrere Endzustände erreichen möchte, meistens mit einer möglichst geringen Anzahl an Zwischenschritten. Hierzu werden dem Computer Regeln und Prozessabfolgen zur Verfügung gestellt, woraufhin der ideale Weg zum Erreichen des Ziels errechnet werden kann.40

Dem gegenüber steht der Ansatz des Machine Learning. Dieser befasst sich damit, dass eine der wichtigsten Eigenschaften von Intelligenz das Lernen ist. Systeme versuchen dabei zu lernen, indem sie Muster aus einer Vielzahl von Daten extrahieren und ihre Ergebnisse validieren. Die Hardwarearchitektur hinter dem Machine Learning sind die künstlichen neuronalen Netze. In diesen Netzen sind künstliche Neuronen in einer Reihe von Schichten angeordnet. Zwischen der Eingabe- und der Ausgabeschicht liegen mittlerweile unzählige verborgene Zwischenschichten („Hidden Layers“). Jedes künstliche Neuron ist mit den Neuronen der nächsten Schicht verknüpft. Auch Verknüpfungen in die vorgelagerte Schicht sind möglich. Die Weitergabe oder Rückkopplung von Informationen funktioniert wie bei biologischen Neuronen nach dem „Alles-oder-Nichts-Prinzip“, das der Booleschen Logik aus Nullen und Einsen sehr nahekommt. Je mehr Zwischenschichten ein künstliches neuronales Netz besitzt, desto exakter werden seine Ergebnisse. Moderne Ansätze des Machine Learning werden oft als Deep Learning bezeichnet, wobei sich das „Deep“ auf die tiefgehenden Schichten der Hardware bezieht.41

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Einfaches k ü nstliches neuronales Netz mit zwei Zwischenschichten.42

Künstliche neuronale Netze können entsprechend den Eingabedaten trainiert werden, z.B. auf das Erkennen von Gesichtern in Bildern oder von Sprache in Audiodateien. Vergleichbar ist dieses Training mit dem Lernprozess von Kleinkindern. Anstatt Vokabeln, Grammatik- und Syntaxregeln beigebracht zu bekommen, schnappen Kleinkinder Beispiele auf, probieren durch Versuch und Irrtum selbst und erhalten Rückmeldung von Muttersprachlern.43 In einem TED-Talk im Dezember 2017 sagte der Informatiker Sebastian Thrun über aktuelles Machine Learning: „Wenn man einem Computer genügend Leistung und Daten zur Verfügung stellt, findet er seine eigenen Regeln“.44

Sowohl die symbolische Argumentation als auch das Machine Learning finden heute Anwendung in der Praxis. Viele KI-Systeme beruhen mittlerweile auch auf einer Kombination der beiden Ansätze.

Die symbolische Argumentation ist dabei besser für Probleme geeignet, bei denen abstrakte Schlussfolgerungen gefragt sind. Beispiele hierfür finden sich bei Fahranweisungen in Navigationsgeräten oder bei der Steuerung von Bots in Computerspielen.

Machine Learning ist hingegen besser zur sensorischen Wahrnehmung geeignet, und zum Extrahieren und Erkennen von Mustern in riesigen Datenmengen. Beispiele hierfür sind Gesichtserkennung, Spracherkennung oder das Lenken eines PKW.45

2.2.3 Stand der KI Forschung

Im Jahr 2018 ist KI zumindest in der Form von Assistenzsystemen aus der Gesellschaft nicht mehr wegzudenken. Beispiele sind persönliche Assistenten wie Apple’s Siri, Autopiloten in PKW’s, Vorschläge für personalisiertes Entertainment bei Netflix, Kaufempfehlungen bei Amazon, medizinische Entscheidungsunterstützungssysteme, handschriftliche Zeichenerkennung bei der Postsortierung, maschinelle Übersetzung sowie Reinigungs-, Rettungs- und OP-Roboter.46

Ein interessantes Phänomen in der KI ist, dass Technologie oft nichtmehr als künstliche Intelligenz gilt, sobald sie im Alltag als selbstverständlich angesehen wird. John McCarthy sagte dazu: „Sobald es funktioniert, nennt es keiner mehr KI“.47 Dies gilt auch für die meisten oben genannten Beispiele.

Die Leistungsfähigkeit moderner KI-Systeme entwickelt sich 2018 stets weiter. Die Gründe dafür sind vielzählig: Die Rechenleistung unserer Prozessoren verdoppelt sich entsprechend des Moor’schen Gesetzes noch immer alle 18-24 Monate.48 Die drahtlose Kommunikation wird immer schneller und der Netzausbau besser, während Sensoren und Kameras immer genauer, kleiner und günstiger werden. Am wichtigsten ist allerdings die Explosion verfügbarer Daten im Internet, auf die zurückgegriffen werden kann. Ein Beispiel: Die gesamte Menschheitsgeschichte erzeugte bis zum Jahr 2000 etwa zwei Exabyte (zwei Milliarden Gigabyte) an Daten, von Keilschrift über Bücher bis hin zu Filmen und Audiodateien. 2018 entstehen bereits mehr als zwei Exabyte an Daten jeden Tag.49

Diese Daten sind für moderne KI-Systeme entscheidend, denn künstliche neuronale Netze können mit Unmengen an Beispielen trainiert werden. Diese Beispiele finden sich im Internet, frei zugänglich und meist sogar schon kategorisiert. Dabei werden die Systeme durch jede Benutzung ein wenig besser, da sie aus Erfolg oder Misserfolg lernen. Mit dem Aufstieg des Internets in den letzten zehn Jahren ist die Leistung des Machine Learnings exponentiell gestiegen.50

Die von künstlichen neuronalen Netzen erzielten Ergebnisse übersteigen in vielen Feldern die des Menschen, mittlerweile selbst in Bereichen wie der Bilderkennung. Kamerasysteme erkennen z.B. Verkehrsschilder zuverlässiger und schneller als jeder Mensch und die Gesichtserkennung ist weit genug fortgeschritten, um an automatisierten Grenzübergängen an Flughäfen eingesetzt zu werden.51 Auch wenn es darum geht, Motive auseinander zu halten, ist die Maschine besser. Ein Beispiel: Hundewelpen und Chocolate-Chip-Muffins sehen auf Bildern fast identisch aus. Beim Auseinanderhalten der Motive weisen Machine Learning Algorithmen mit nur drei Prozent eine geringere Fehlerquote auf als der Mensch (mit fünf Prozent).52

WELPE ODER MUFFIN?

Maschinen haben rapide Fortschritte gemacht. wenn es darum geht. sehr ahnliche Bildmotive auseinandcrzuhalten. Seit 2015 losen sie diese Aufgabe besser als der Mensch.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Vergleich der Bilderkennung zwischen Mensch und Maschine.53

Im Dezember 2017 veröffentlichte Google DeepMind Ergebnisse des ebenfalls auf künstlichen neuronalen Netzen basierenden AlphaGo Nachfolge-Programms AlphaZero. Im Gegensatz zu AlphaGo erhielt AlphaZero lediglich die Spielregeln und Zielvoraussetzungen der Brettspiele Schach, Shogi und Go, aber keinerlei Taktiken oder Spielzüge. Dann spielte AlphaZero basierend auf Zufallszügen gegen sich selbst, bewertete die Ergebnisse und optimiert seine Züge. Google DeepMind veröffentlichte Ergebnisse, wonach AlphaZero nach lediglich 8 Stunden bereits das Niveau von AlphaGo erreichte, als es 2016 den Go-Großmeister Lee Sedol schlug. Nach nur 24 Stunden verfügte AlphaZero in allen drei Brettspielen über übermenschliche Stärke und übertrumpfte auch die leistungsstärksten Konkurrenz-Programme Stockfish (Schach) und Elmo (Shogi).54

Auch IBM’s Watson ist in der Lage, auf riesige anwendungsspezifische Datensätze zurückzugreifen. Er versteht mittlerweile 21 Sprachen und ist in der Lage Bilder, Videos, Audiodateien, Handschriften und jegliche Formen von digitalen Dokumenten zu analysieren. So wurde Watson im Memorial Sloan Kettering Cancer Center in New York auf die Krankenakten und Symptome von Brust und Lungenkrebs trainiert. Analysiert Watson nun Krankenakten und Untersuchungsdaten, ist er in der Lage eine Diagnose zu erstellen und Behandlungsvorschläge zu machen. Dabei erkennt er Muster, die Ärzten teilweise entgehen, oder findet komplett neue Zusammenhänge zwischen Symptomen und Krankheiten.55 Das Besondere: Watson ist stets in der Lage, seine Entscheidungen zu begründen und seine Quellen anzugeben, sodass ein Arzt die Diagnose nachvollziehen kann.56

Watson ist allerdings kein Alleskönner. Er kann auf eine Vielzahl von Gebieten trainiert werden, wie der Krebstherapie, der Finanzberatung, der Werkstattberichterstattung oder der Arbeit in Callcentern. Was wir als Alltagswissen oder gesunden Menschenverstand verstehen, ist aber laut Aussage von IBM ausdrücklich nicht Teil des Systems.57

Insgesamt ist die KI dem Menschen in Teildisziplinen nahezu überall überlegen. Allerdings erledigt KI noch immer nur hochspezifische Aufgaben.58 Von einer allumfassend intelligenten Maschine, die das Niveau und die Breite der menschlichen Intelligenz erreicht, sind wir noch Jahrzehnte entfernt.59 Manche Forscher bezweifeln sogar komplett, dass eine Maschine jemals so umfassend intelligent werden kann. Deshalb wird oft zwischen sogenannter starker KI und schwacher KI unterschieden.

2.2.4 Starke KI und schwache KI

Die menschliche Intelligenz ist untrennbar mit dem menschlichen Verstand verknüpft, und der Tatsache, dass wir über ein Bewusstsein verfügen. Aus philosophischer Sicht entsteht deshalb die Frage, ob auch künstliche Intelligenz bzw. intelligente Maschinen über ein Bewusstsein verfügen können?

Die Vertreter der starken KI Hypothese sind der Meinung, dass Maschinen sehr wohl über ein Bewusstsein verfügen oder zumindest verfügen werden. Eine starke KI wäre sich ihrer selbst und ihrer Umwelt bewusst. Begründet wird diese Annahme meist damit, dass auch im menschlichen Gehirn nur elektrische Signale von Neuronen verarbeitet werden. Es ist davon auszugehen, dass eine starke KI vermutlich eine andere kognitive Struktur als unser Gehirn aufweisen wird. Ebenso besitzt eine starke KI vermutlich keine Gefühle wie Liebe, Freude, Angst oder Hass.60

Die Hypothese der starken KI führt zwangsläufig zu einem Szenario, das als technologische Singularität bekannt ist. Sollte eine wahrhaftig intelligente Maschine entwickelt werden können, wäre dies laut vielen Forschern wohl die letzte Erfindung der Menschheit.61 Von dort an käme es zu einer Intelligenzexplosion, da die intelligenten Maschinen sich selbst verbessern und optimieren könnten, losgelöst von der Kapazität des menschlichen Gehirns.62

Dem gegenüber steht die schwache KI Hypothese. Deren Vertreter sind der Meinung, dass KI Intelligenz immer nur simuliert. Maschinen sind demnach auch nicht in der Lage, wie Menschen zu denken, da keine individuelle Absicht und kein Handeln hinter den Rechenprozessen der Maschinen stecken. Auch wenn Maschinen zu denselben Ergebnissen kommen können wie Menschen, bilden sie die Komplexität der realen Welt immer nur ab, ohne jedoch einen Bezug zu dieser Welt herzustellen. Schwache KI wird oft mit intelligenten Maschinen gleichgesetzt, die auf eine gewisse Domäne beschränkt sind, wie z.B. autonomen Fahrassistenten. Dies ist aber ein Irrglaube, denn vielmehr geht es darum, ob der Fahrassistent sich seines Fahrens bewusst und dadurch wahrhaftig intelligent ist, oder ob er lediglich eine Abfolge von Befehlen ausführt und die Intelligenz somit simuliert.63

Eine entscheidende Frage ist, wie ein Mensch entscheiden kann, ob eine Maschine intelligent ist. Die bekannteste Methode dazu beschrieb Alan Turing in seinem Aufsatz „Computing Machinery and Intelligence“ im Jahr 1950 selbst.64 Der von ihm als Imitation Game benannte Versuchsablauf ist seither als Turing-Test bekannt.

2.3 Der "Turing-Test" von Alan Turing

Als Alan Turing im Jahr 1950 die Frage „Can machines think?“ stellte, stieß er auf ein formelles Problem. Eine im Zusammenhang passende Definition der Begriffe „think“ (Denken) und „machine“ (Maschine) zu finden, stellte sich als ebenso schwierig heraus wie die Definition von „Intelligenz“ zu Beginn dieses Kapitels. Denn Denken bezieht sich bislang nur auf Lebewesen, und Maschinen (in Turings Kontext gleichzusetzen mit „Computer“) „denken“ auf eine andere Art und Weise. Um die Formulierung „Can machines think?“ in seinem Aufsatz „Computing Machinery and Intelligence“ zu vermeiden, entwickelte er deshalb einen Versuch, den er als Imitation Game bezeichnete.65

Bei diesem als Turing-Test bekannten Versuch befinden sich ein Mann (A), eine Frau (B) und ein Fragesteller (C) in voneinander getrennten Räumen. Über eine Tastatur und einen Bildschirm kann der Fragesteller mit den anderen beiden Versuchsteilnehmern schriftlich kommunizieren. Der Fragesteller muss nun durch Fragen herausfinden, welcher Teilnehmer der Mann, und welcher die Frau ist. Dabei versucht der Mann den Fragesteller davon zu überzeugen, er sei die Frau, während die Frau stets die Wahrheit sagt. Am Ende muss der Fragesteller entscheiden, wer von A und B der Mann, und wer die Frau ist.

Turing stellt nun die Frage: Was würde passieren, wenn man A durch eine Maschine ersetzt, B allerdings ein Mensch bleibt. Dann müssen sowohl der Mensch als auch die Maschine versuchen, den Fragesteller davon zu überzeugen, sie seien der Mensch. Sobald der Fragesteller nichtmehr unterscheiden kann, wer von A und B nun Mensch und wer Maschine ist, gilt der Versuch als bestanden: Der Maschine kann laut Turing ein dem Menschen ebenbürtiges Denkvermögen bzw. eine dem Menschen ebenbürtige Intelligenz unterstellt werden.

Ein wichtiges Merkmal des Tests ist, dass intellektuelle und physische Merkmale der Maschine voneinander getrennt sind. Die Maschine muss lediglich in der Lage sein, einen Menschen intellektuell zu imitieren, um den Test zu bestehen.66

Turing ging davon aus, dass eine Maschine seinen Versuch bis zum Ende des Jahrtausends bestehen könnte. Vor allem hoffte er, dass der Begriff des Denkens eines Tages breit genug gefasst werde, um auch im Kontext intelligenter Maschinen sowie entsprechender Programme und Algorithmen genutzt werden zu können.67

Auch 2018 gilt der Turing-Test nicht als einwandfrei bestanden. Frühe Programme wie „ELIZA“ (1966), gemeinhin als Chatbots bekannt, konnten die menschlichen Fragesteller nur kurz täuschen. Oft wichen sie gestellten Fragen geschickt aus oder antworteten in Gegenfragen. Ob der wohl modernste Chatbot „Eugene Goostman“ den Turing-Test 2014 bestand, gilt als umstritten. Das Programm gibt sich als 13-jähriger Junge aus der Ukraine aus – viele Kritiker bemängeln, dass diese Tatsache über mögliche Schwächen des Programms hinwegtäusche.68

Auch im Film „Ex Machina“ von Alex Garland, mit dem sich diese Arbeit in Kapitel 3.3 beschäftigen wird, spielt der Turing-Test in abgeänderter Form eine Rolle.

[...]


1 Alan M Turing, ‘Computing Machinery and Intelligence’, Mind, 49 (1950), 433–60 <https://www.csee.umbc.edu/courses/471/papers/turing.pdf>, am 12.12.2017.

2 Vgl. Stanley Kubrick, 2001: Odyssee Im Weltraum ([S.l.]: Warner Home Video, 1968), DVD-Video (Regionalcode 2, 143 Min.).

3 KI folgend als Abkürzung für k ü nstliche Intelligenz.

4 Vgl. Jerry Kaplan, K ü nstliche Intelligenz, 1. Auflage (Frechen: mitp Verlag, 2017) S. 15.

5 Vgl. Wolfgang Ertel, ‘Grundkurs Künstliche Intelligenz’, Eine Praxisorientierte Einf ü hrung (Wiesbaden: Springer-Verlag GmbH Berlin Heidelberg, 2016), S.1.

6 Vgl. Klaus Mainzer, ‘Künstliche Intelligenz – Wann Übernehmen Die Maschinen?’ (Berlin, Heidelberg: Springer, 2016), S. 2.

7 ‘Duden’ <https://www.duden.de/rechtschreibung/kuenstlich> am 13.12.2017

8 ‘Duden’ <https://www.duden.de/rechtschreibung/Kunst> am 13.12.2017.

9 ‘Duden’ <https://www.duden.de/rechtschreibung/Intelligenz> am 13.12.2017.

10 Vgl. Ulrich Eberl, Smarte Maschinen, Wie K ü nstliche Intelligenz Unser Leben Ver ä ndert (München: Carl Hanser Verlag, 2016). S. 62.

11 Vgl. Louis Leon Thurstone, ‘The Nature of Intelligence’ (London: Routledge Verlag, 1999) S. 162.

12 Vgl. Ertel. S. 3.

13 Oskar Pietas, ‘Maschinen Sind Schneller, Stärker Und Bald Klüger Als Wir’ <http://www.zeit.de/campus/2015/03/kuenstliche-intelligenz-roboter-computer-menschheit-superintelligenz> am 13.12.2018.

14 Vgl. Kaplan. S.16.

15 Vgl. Daniel Goleman, ‘Emotionale Intelligenz’ (München: Hanser Verlag, 1996) S. 65 f.

16 Vgl. Mainzer. S. 3.

17 Vgl. John McCarthy u.A., ‘A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence’ <http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html> am 13.12.2017. S. 1.

18 Turing.

19 Vgl. McCarthy u.A. S. 1.

20 Vgl. Kaplan. S. 30.

21 Vgl. McCarthy u.A. S. 1.

22 Günther Goerz and Bernhard Nebel, ‘Künstliche Intelligenz’ (Frankfurt am Main: Fischer Verlag, 2015), S. 4.

23 Vgl. Kaplan. S. 63-80.

24 Vgl. Kaplan. S. 30.

25 Vgl. Kaplan. S. 33.

26 Vgl. Arthur L Samuel, ‘Some Studies in Machine Learning Using the Game of Checkers’, IBM Journal, Nr. 3 (1959), 210–29 <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.368.2254&rep=rep1&type=pdf> am 03.01.2018.

27 Vgl. Ulrich Eberl, Smarte Maschinen, Wie K ü nstliche Intelligenz Unser Leben Ver ä ndert (München: Carl Hanser Verlag, 2016) <http://www.hanser-fachbuch.de/9783446448704>. S. 41.

28 Vgl. Kaplan. S 33 f.

29 Vgl. SRI International Artificial Intelligence Center, ‘Shakey’ <http://www.ai.sri.com/shakey/> am 03.01.2018.

30 Vgl. Eberl. S. 43 f.

31 Vgl. Kaplan. S. 58 f.

32 <http://www.frc.ri.cmu.edu/~hpm/book98/fig.ch2/Shakey.150.jpg> am 16.02.2018.

33 Vgl. Eberl. S. 127-31.

34 Vgl. Steve Russel, ‘DARPA Grand Challenge Winner: Stanley the Robot!’, Popular Mechanics, 08.01.2006, <http://www.popularmechanics.com/technology/robots/a393/2169012/> am 04.01.2018.

35 Vgl. Kaplan. S. 59. f.

36 Vgl. Nick Bostrom, Superintelligence: Paths, Dangers, Strategies, First publ (Oxford: University Press, 2016). S. 16.

37 Vgl. Kaplan. S. 62.

38 Choe Sang-Hun und John Markoff, ‘Master of Go Board Game Is Walloped by Google Computer Program’, The New York Times, 9 March 2016

39 <https://www.nytimes.com/2016/03/10/world/asia/google-alphago-lee-se-dol.html> am 04.01.2018.

40 Vgl. Kaplan. S. 28. Vgl. Kaplan. S. 36-43.

41 Vgl. Kaplan. S. 43-53.

42 <http://davidvandegrift.com/blog?id=47> am 17.02.2018.

43 Vgl. Eberl. S. 113.

44 Sebastian Thrun und Chris Anderson, ‘TED 2017: What AI Is -- and Isn’t’, 2017 <https://www.ted.com/talks/sebastian_thrun_and_chris_anderson_the_new_generation_of_com puters_is_programming_itself/transcript> am 06.01.2018.

45 Vgl. Kaplan. S. 53 f.

46 Vgl. Bostrom. S.18 f.

47 Bostrom. S. 14.

48 Vgl. Max Tegmark, Leben 3.0: Mensch Sein Im Zeitalter K ü nstlicher Intelligenz, (Berlin: Ullstein, 2017).

49 Vgl. Eberl. S. 47-58.

50 Vgl. Eberl. S. 47-58.

51 Vgl. Bostrom. S. 18.

52 Vgl. Erik Brynjolfsson und Andrew McAfee, ‘Von Managern Und Menschen’, Havard Business Mangager, November 2017, S. 29.

53 Erik Brynjolfsson und Andrew McAfee. S.29.

54 Vgl. David Silver u.A., Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm, DeepMind, 2017 <https://arxiv.org/pdf/1712.01815.pdf> am 10.01.2018.

55 Vgl. Martin Ford, Aufstieg Der Roboter: Wie Unsere Arbeitswelt Gerade Auf Den Kopf Gestellt Wird - Und Wie Wir Darauf Reagieren M ü ssen, 2. Auflage (Kulmbach: Plassen Verlag, 2016). S. 128 ff.

56 Vgl. Eberl. S. 131 ff.

57 Vgl. Eberl. S. 137.

58 Vgl. Bostrom. S. 14.

59 Die Prognosen der Forscher schwanken laut Bostrom, S. 24 zwischen ca. 20 und 50 Jahren.

60 Vgl. Kaplan. S. 81 ff.

61 Vgl. Bostrom. S. 5 f.

62 Vgl. Irving John Good, ‘Speculations Concerning the First Ultraintelligent Machine’, Advances in Computers, 6 (1965), S. 31–88.

63 Vgl. Kaplan. S. 82 f.

64 Vgl. Turing.

65 Vgl. Turing. Vgl. Turing.

66 Vgl. Turing. Vgl. Turing.

67 Vgl. Kaplan. S. 84.

68 Vgl. Martin Holland, ‘“Eugene” und Der Angeblich Bestandene Turing Test: So Einfach Nun Dann Doch Nicht...’, Heise Online, 2014 <https://www.heise.de/newsticker/meldung/Eugene-und-der-angeblich-bestandene-Turing-Test-So-einfach-nun-dann-doch-nicht-2218151.html> am 07.01.2018.

Autor

Zurück

Titel: Filmische Darstellung von künstlicher Intelligenz in  „2001 - A Space Odyssey" (1968), „Her" (2013) und „Ex Machina" (2014)