Spektrum der Wissenschaft - 08.2019

Stelle zu gelangen. Nach dem Prozess des Metalernens

erkannte der Roboter, dass er bei jeder Aufgabe rennen

musste. Danach stellte sich ihm bloß noch die Frage, in

welche Richtung er losflitzen sollte. Um sich bestmöglich

auf einen Befehl vorzubereiten, rannte der Roboter daher an

Ort und Stelle. »Das macht es für ihn einfacher, vorwärts

oder rückwärts loszusprinten«, sagt Finn.

Die neue Methode scheint also in der wirklichen Welt zu

funktionieren. Dennoch birgt sie auch Nachteile: Man

braucht zwar nur wenige Daten, um einem bereits optimier-

ten Algorithmus eine bestimmte Fertigkeit beizubringen,

trotzdem sind insgesamt enorme Datenmengen für den

Metalerner nötig, der das Lerner-Netzwerk trainiert. Zudem

ist der Ansatz extrem rechenintensiv, weil die Algorithmen

die teilweise sehr feinen Unterschiede zwischen den ver-

schiedenen Aufgaben erkennen müssen. »Selbst wenn

neuronale Netze in den letzten Jahren große Fortschritte

gemacht haben, sind sie noch weit davon entfernt, wie

Menschen zu lernen«, erklärt der Kognitionswissenschaftler

Brenden Lake von der New York University.

Gegnerische Netzwerke

Metalernen ist nicht der einzige Ansatz, bei dem Forscher

neuronale Netze nutzen, um diese selbst zu verbessern.

Tatsächlich kann ein Algorithmus ein Netzwerk darauf

trainieren, zwei durch und durch menschliche Züge zu ent-

wickeln: Kreativität und Fantasie (siehe Spektrum Mai 2019,

S. 68). Das zeigte sich in einer Flut von Porträtfotos, die in

den letzten Jahren das Internet überschwemmten. Das

Überraschende an ihnen ist: Die abgebildeten Menschen

haben niemals existiert. Sie sind das Produkt einer neuen

Technologie mit einer ausgeklügelten Art von Fantasie.

Überraschenderweise lässt sich die menschliche Vorstel-

lungskraft nämlich recht einfach automatisieren. Dazu muss

man bloß ein gewöhnliches Bilderkennungsprogramm, ein

so genanntes diskriminierendes neuronales Netz, rück-

wärtslaufen lassen. Dadurch wird es zu einem »generati-

ven« Netzwerk, das Bilder erzeugt. Während man einem

Diskriminator Bilder übergibt, die er daraufhin benennt oder

beschreibt, funktioniert ein Generator genau andersherum:

Aus einer Bezeichnung kreiert er eigenständig Bilder. Der

Vorgang ist allerdings recht aufwändig. Immerhin muss

man irgendwie sicherstellen, dass das Netzwerk ein sinnvol-

les Ergebnis produziert. Übergibt man ihm beispielsweise

den Begriff »Dobermann«, dann sollte es erkennbar einen

solchen Hund zeichnen. Doch wie trainiert man einen

Generator darauf, derartige Aufgaben zu erfüllen?

Als sich Ian J. Goodfellow, heute bei Google Brain in

Mountain View, Kalifornien, während seiner Doktorarbeit

mit dieser Frage beschäftigte, kam ihm 2014 die Idee,

generative Netzwerke durch einen Diskriminator zu trainie-

ren. Wenn man daher das Bild eines Dobermanns erzeugen

»Generative adversarial networks«

Man kann ein klassifizierendes Netzwerk auch rückwärts ablaufen lassen,

so dass es beispielsweise realistische Bilder von Katzen erzeugt, die

niemals existiert haben. Wissenschaftler trainieren diese »generativen

Netzwerke« durch gewöhnliche Klassifizierer (so genannte Diskriminato-

ren), die bewerten, wie wirklichkeitsnah die KI-Bilder sind. Zusätzlich

fügen sie dem System zufälliges Rauschen hinzu, um sicherzustellen,

dass jede Katze einzigartig ist.

Netzwerke im Tandem

Um einem Programm beizubringen, die Objekte

einer Szene zu identifizieren, braucht man zwei

Netzwerke. Das eine (im blauen Bild links) kompri-

miert die übergebenen Daten, während das andere

(rechts) sie wieder dekomprimiert. Je weniger man

die Daten komprimiert, desto präziser wird die

Beschreibung des Bilds.

Training

Dem Diskrimina-

tor wird zufällig

entweder ein

echtes oder ein

generiertes

Katzenbild

gezeigt.

Diskriminator

echt

gefälscht

Der Diskriminator

beurteilt, ob das Bild

echt ist. Falls er zu

einem negativen

Ergebnis kommt, teilt er

dem Generator mit, was

Generator ihn am Bild gestört hat.

gefälschtes

Katzenbild

Ergebnis: Fähigkeit, ein realistisches Katzenbild zu erzeugen

Input: zufälliges

Rauschen und eine

Bezeichnung

Katze

Training

Input: einfache Elemente mit

mehreren Freiheitsgraden

Ergebnis: Fähigkeit, einzelne Elemente zu

identifizieren und zu rekonstruieren

Programm wird immer weniger eingeschränkt.

Rauschen

BROWN BIRD DESIGN / SCIENTIFIC AMERICAN MAI 2019