00;00;06;06 – 00;00;55;07
VO Victoria
Willkommen bei „Beyond Lab Walls“, dem Podcast des Salk Institute. Begleiten Sie Isabella Davis und Nicole Mylnaryk auf einer Reise hinter die Kulissen des renommierten Forschungsinstituts in San Diego, Kalifornien. Wir nehmen Sie mit ins Labor, um Ihnen die neuesten Entdeckungen und bahnbrechende Erkenntnisse aus den Bereichen Neurowissenschaften, Pflanzenbiologie, Krebsforschung, Alternsforschung und vielem mehr zu präsentieren. Entdecken Sie die faszinierende Welt der Wissenschaft und lauschen Sie den Geschichten der brillanten Köpfe dahinter. Hier am Salk Institute entschlüsseln wir die Geheimnisse des Lebens und teilen sie – jenseits der Labormauern.
00;00;55;09 – 00;01;24;12
Isabella
Hallo zusammen! Willkommen zu einer neuen Folge von „Jenseits der Labormauern“. Ich bin Isabella, und heute hatte ich die Gelegenheit, mich mit Terry Sejnowski zu unterhalten, einem Computerneurowissenschaftler und Pionier der modernen KI. Terry ist eine herausragende Persönlichkeit in der Wissenschaft. Er ist vielfach ausgezeichnet, unter anderem mit der Mitgliedschaft in renommierten Gesellschaften wie der Royal Society und der American Philosophical Society, und hat unglaubliche Preise wie den Brain Prize erhalten, die weltweit höchste Auszeichnung für neurowissenschaftliche Forschung.
00;01;24;18 – 00;01;48;09
Isabella
Seine Arbeit an der Boltzmann-Maschine sicherte ihm schon früh in seiner Karriere einen Platz in den Geschichtsbüchern. Die Boltzmann-Maschine ist der erste Algorithmus, der das Problem des Lernens und mehrschichtiger neuronaler Netze löste. Sie ist bis heute der biologisch plausibelste aller nachfolgenden Lernalgorithmen für künstliche Neuronen. Seither prägt er die Bereiche Neuroökonomie, Neuroanatomie, Neurophysiologie, Psychologie und Künstliche Intelligenz maßgeblich.
00;01;48;10 – 00;02;02;10
Isabella
Ich freue mich sehr auf dieses Gespräch. Terry, vielen Dank, dass Sie dabei sind. Sie haben eine wirklich unglaubliche Karriere hingelegt, und ich möchte einfach wissen, woher Sie kommen. Hatten Sie schon immer ein Interesse an Naturwissenschaften?
00;02;02;13 – 00;02;30;12
Terry
Ja. Wissenschaft war schon immer eine meiner Leidenschaften, soweit ich mich erinnern kann. Ich bin in Cleveland, Ohio, aufgewachsen, und eine meiner Erinnerungen aus der Grundschule – ich war wohl ungefähr zehn Jahre alt – ist, dass ich bei einem Wissenschaftswettbewerb ein Projekt gewonnen habe. Es war ein funktionierender Vulkan. Ich habe ihn aus Pappmaché in meinem Chemielabor im Keller gebaut.
00;02;30;12 – 00;03;02;07
Terry
Ich habe Schwarzpulver und Aluminiumstaub zusammengemischt, so ganz feine Späne. Es gab einen fantastischen Funkenregen und schwarzen Rauch – einfach unglaublich! Ich habe es vorgeführt. Ich habe es mit in die Schule genommen und es dort demonstriert. Ich habe die Flasche angezündet, und los ging's! Alle in der Klasse riefen: „Wow!“ Es war wirklich beeindruckend.
00;03;02;13 – 00;03;22;27
Terry
Dann füllte sich das Klassenzimmer mit schwarzem Rauch. Dann ging der Feueralarm los. Und dann marschierte natürlich die ganze Schule hinaus. Und als sie herausfanden, dass ich es war, festigte das meinen Ruf als der Naturwissenschaftler.
00;03;23;00 – 00;03;29;20
Isabella
Ein immersives Erlebnis. Wie kommt man also von Vulkanen zu Computern und Neurowissenschaftlern?
00;03;29;22 – 00;03;55;25
Terry
Ich habe mich in die Physik verliebt. Damals war ich am Case Institute of Technology. Schon im dritten Studienjahr belegte ich Kurse auf Master-Niveau. Danach absolvierte ich mein Masterstudium in theoretischer Physik an der Princeton University und merkte, dass es, als ich endlich den Gipfel erreicht hatte, so war, als würde ich einen Berg besteigen, von dem aus ich unendlich weit sehen konnte, aber wie kam ich da nur hoch?
00;03;56;00 – 00;04;18;08
Terry
Weißt du, man muss nach oben schauen. In der Physik muss man entweder ein Genie sein und Kontakte zu den Entscheidungsträgern haben. Oder man muss auf eine Supernova warten. In meinem Fall arbeitete ich an der allgemeinen Relativitätstheorie. Ich musste warten, bis Gravitationswellen nachgewiesen wurden, und das dauerte tatsächlich 40 Jahre.
00;04;18;09 – 00;04;42;07
Terry
In der Zwischenzeit belegte ich Kurse in Biologie und Psychologie. Ich lernte alles über Hubel und Wiesel und den visuellen Cortex. Von Mark Konishi erfuhr ich viel über Schleiereulen – wie sie Geräusche orten und Vogelgesang lernen. Es war alles faszinierend. Und es ist genauso geheimnisvoll wie der Kosmos. Stimmt's? Wie das Gehirn funktioniert. Und ich war begeistert.
00;04;42;10 – 00;05;11;14
Isabella
Nachdem ihn das Thema gepackt hatte, wechselte Terry von seiner Promotion in theoretischer Physik zu einem Sommerpraktikum in Woods Hole, Massachusetts, wo er sich mit Neurobiologie beschäftigte. Dort sammelte er genügend Erfahrung, um anschließend ein Postdoc-Programm an der Harvard University zu beginnen. Er arbeitete dort im Fachbereich Neurobiologie der Medizinischen Fakultät und bildete sich zum experimentellen Neurobiologen weiter. Mit dieser Erfahrung erhielt er schließlich seine erste Stelle an der Johns Hopkins University im Fachbereich Biophysik.
00;05;11;17 – 00;05;35;00
Terry
Ich habe ein völlig neues Gebiet der neuronalen Netze erschlossen, das jahrzehntelang brachlag: Wie trainiert man ein neuronales Netz – ein sehr einfaches Modell aus Neuronen und Verbindungen mit Gewichtungen? Wie stark ist die Verbindung? Und es gab keinen Lernalgorithmus, um diese Gewichtungen zu trainieren, wenn man mehr als eine Gewichtsschicht hatte.
00;05;35;02 – 00;05;58;24
Terry
Und so konnte ich in Zusammenarbeit mit meinem guten Freund Geoffrey Hinton einen Lernalgorithmus für mehrschichtige Netzwerke entwickeln. Diese völlig neue Art des Rechnens mit diesen massiv parallelen Architekturen, hochgradig vernetzten Einheiten und dem Lernen war der entscheidende Faktor, der es beispielsweise ermöglichte, eines meiner Projekte an der Johns Hopkins University war NETtalk.
00;05;58;26 – 00;06;13;06
Terry
Wir trainierten ein Netzwerk – für heutige Verhältnisse sehr einfach und klein, mit nur einer Schicht verborgener Einheiten zwischen Eingabe- und Ausgabeschicht. Dieses Netzwerk wurde darauf trainiert, Buchstabenfolgen zu verarbeiten und die Wörter auszusprechen. Man nennt das Text-zu-Sprache-Umwandlung.
00;06;13;08 – 00;06;29;10
Isabella
Bevor wir fortfahren, möchte ich noch etwas genauer auf diese frühe Phase eingehen, in der Sie dieses Text-to-Speech-Programm entwickelt und damit die Grundlage dafür geschaffen haben, dass heute so viele Menschen ChatGPT auf ihren iPhones nutzen können. Wie war es, in dieser Anfangszeit dabei zu sein und die Entwicklung der Technologie mitzuerleben?
00;06;29;13 – 00;06;50;29
Terry
Ich erinnere mich an meine erste Neurowissenschaftskonferenz und wie überwältigt ich war. Zunächst einmal die schiere Anzahl der Menschen, Zehntausende. Aber es fanden Vorträge statt, parallel in 50 Räumen. Und dann noch ein Meer von Postern, soweit das Auge reichte. Ich suchte nach jemandem, der mit Modellen arbeitete. Ich fand tatsächlich einige Leute, die mithilfe von Mathematik die Biophysik von Neuronen erforschten.
00;06;50;29 – 00;07;10;21
Terry
Und so entstand zwischen den Biophysikern und ihnen ein kameradschaftliches Verhältnis. Ich spürte, dass ich hier einen Beitrag leisten konnte. Als ich dann mein eigenes Labor gründete, war eines der Projekte, die wir starteten, die nichtlineare Dynamik von Neuronen besser zu verstehen. Mir war klar, dass man sich Neuronenpopulationen ansehen musste.
00;07;10;21 – 00;07;35;18
Terry
Experimentell war das sehr schwierig, aber wir konnten sie simulieren. Und genau das haben wir getan. Wir haben diese Netzwerke simuliert, und die künstlichen neuronalen Netze entwickelten sich quasi von selbst, weil Ingenieure sie für die Entwicklung praktischer Geräte nutzen wollten. Ich hingegen interessierte mich dafür, um die Funktionsweise des Gehirns zu verstehen. Wie gesagt, dieses Forschungsgebiet entwickelte sich von den Biophysikern hin zur Entwicklung immer komplexerer Modelle.
00;07;35;18 – 00;07;39;11
Terry
Und daraus entwickelte sich ein ganzes Forschungsgebiet namens Computerneurowissenschaft.
00;07;39;13 – 00;07;46;09
Isabella
Okay. Diese neuronalen Netze, an denen Sie arbeiten, sind also Computerrepräsentationen des menschlichen Gehirns. Wie funktioniert das überhaupt?
00;07;46;12 – 00;08;07;14
Terry
Die Neuronen in Ihrem Gehirn sind über Synapsen miteinander verbunden, von denen einige erregend (erregend) und andere hemmend (hemmend) wirken. In unserem neuronalen Netzwerkmodell verwendeten wir Gewichte, die die Einheiten miteinander verbanden – ganz einfach. Die Einheiten, die ein Neuron als Eingabe empfängt, integrieren alle Eingaben, sowohl die positiven als auch die negativen.
00;08;07;17 – 00;08;26;29
Terry
Und dann gibt es einen Output, der durch Nichtlinearitäten – einen Schwellenwert – gekennzeichnet ist. Man erhält keinen Output, bis dieser Schwellenwert erreicht ist. Und das ist die Grundeinheit. Die Gewichte sind diejenigen, die in einem Feedforward-Netzwerk die Informationen durch das Netzwerk fließen lassen. Sie gelangen von den Eingängen zu den verborgenen Schichten.
00;08;27;01 – 00;08;43;29
Terry
Jetzt haben wir Hunderte von verborgenen Schichten. Es ist wie ein Stapel Pfannkuchen, übereinandergestapelt. Die Stärken der einzelnen Schichten müssen aber noch ermittelt werden. Wir trainieren das Netzwerk, indem wir ihm viele Beispiele geben, zum Beispiel viele beschriftete Bilder. Das ist ein Hund, das ist eine Banane.
00;08;44;01 – 00;09;06;00
Terry
Und wir haben Millionen solcher Bilder. Stimmt's? Man muss dem Netzwerk Hinweise geben, was es da sieht. Und wenn man genügend Daten hat und es lange genug in einem ausreichend großen Netzwerk trainiert, kann es generalisieren. Und genau das macht es so leistungsstark: Nachdem es mit vielen verschiedenen Hunden trainiert wurde, erkennt es auch neue Hunde, die es noch nie zuvor gesehen hat.
00;09;06;06 – 00;09;21;04
Terry
Es hat gewissermaßen den Begriff des Hundes verallgemeinert und ihn dann von anderen Tieren, von Katzen und von anderen Objekten unterschieden, die ihnen in Bezug auf Farben, Umrisse usw. ähneln. Wie zum Beispiel Uhren.
00;09;21;06 – 00;09;28;10
Isabella
Und so etwas konnte man in den 80er Jahren einem Computerprogramm beibringen?
00;09;28;13 – 00;09;49;05
Terry
Sie wissen schon, sehr kleine Netzwerke. Genau. Und die Computer, die wir damals hatten, waren buchstäblich eine Milliarde Mal leistungsschwächer als Ihr Handy. Was wir damals, in den 80er-Jahren, nicht wussten, war, wie groß ein Netzwerk sein kann. Und wie sich die Leistung verändert, wenn es immer größer wird.
00;09;49;05 – 00;10;12;21
Terry
Und wie viel größer muss es noch werden, um wirklich schwierige Probleme wie Bild-, Sprach- oder Sprachübersetzung lösen zu können? Wir wussten es einfach nicht. Und es hat ja auch fast 40 Jahre gedauert, nicht wahr? Jetzt wissen wir es. Und tatsächlich hat es alles übertroffen, was ich mir damals hätte vorstellen können.
00;10;12;23 – 00;10;30;02
Isabella
Mit zunehmender Leistungsfähigkeit der Computer wurden die Modelle, die Wissenschaftler bauen konnten, komplexer und größer, und Wissenschaftler wie Terry begannen sich zu fragen: Was können uns diese modernen, hochentwickelten Modelle über unsere Biologie lehren?
00;10;30;04 – 00;10;51;25
Terry
Die Anwendungen, an denen ich gearbeitet habe und die mich interessierten, betrafen die Erforschung des Gehirns. Wenn man die Funktion eines Neurons verstehen möchte, dessen Aktivität man blindlings aufzeichnet – man führt einfach eine Elektrode ein und beobachtet eine Reaktion, sei es eine sensorische, motorische oder entscheidungsbezogene –, kann man daraus nicht allein Rückschlüsse ziehen.
00;10;51;28 – 00;11;10;29
Terry
Das sogenannte rezeptive Feld. Die Eingänge, von denen die eigentliche Funktion – und ebenso wichtig – den Ausgang abhängt. Wohin projiziert es sich nachgelagert? Diese Ausgänge sind es, die dann das Verhalten auslösen. Richtig? Und damals war es sehr schwierig, das zu wissen. Woher weiß man, wohin sich das Neuron bewegt?
00;11;10;29 – 00;11;23;24
Terry
Es stellte sich jedoch heraus, dass wir mittlerweile Techniken besitzen, um genau das zu tun, um die Projektionen sehr schnell und effizient zu ermitteln. Und es zeigte sich, dass Neuronen aufgrund ihrer vielfältigen Projektionen auch mehrere Funktionen erfüllen können.
00;11;23;26 – 00;11;37;23
Isabella
Geht es bei der Entwicklung dieser immer ausgefeilteren neuronalen Modelle darum, unser Gehirn besser zu verstehen, oder darum, Systeme zu schaffen, die größere und komplexere Fragen schneller beantworten können, als wir es könnten?
00;11;37;23 – 00;11;59;14
Terry
Okay, warum nicht beides? Tatsächlich ist in den letzten Jahren ein ganz neues Forschungsfeld entstanden: NeuroKI. Es hat sich herausgestellt, dass die moderne KI-Architektur die vorherige aus dem letzten Jahrhundert, die auf Regeln, Logik und Symbolen basierte, vollständig abgelöst hat – sehr nützliche Architekturen. So funktionieren digitale Computer.
00;11;59;14 – 00;12;33;03
Terry
Aber so funktioniert das Gehirn nicht, oder? Doch da wir nun eine Architektur haben, die dem Gehirn ähnlicher ist, können wir zwischen künstlichen Netzwerken und Deep-Learning-Netzwerken, die wir im Gehirn beobachten, hin- und herwechseln. Wir können also beliebig zwischen diesen beiden wechseln. Und tatsächlich zeigte Jeff Hinton 2012, dass man mit einem speziellen Netzwerktyp, einem sogenannten Convolutional Neural Network (CNN), Objekte in Bildern viel, viel besser erkennen kann als mit den traditionellen Methoden der Computer Vision, bei denen man Programme programmiert und die Merkmale manuell erstellt.
00;12;33;05 – 00;13;11;00
Terry
Sehr arbeitsintensiv. Aber mit großen Datenmengen – und ImageNet enthielt 20 Millionen Bilder von Objekten aus 10,000 Kategorien – ließen sich sehr große Netzwerke trainieren. Das war ein Wendepunkt. Und damit war der Grundstein gelegt, denn wir konnten zeigen, dass diese neue, dem Gehirn nachempfundene Architektur uns auf ähnliche Weise helfen kann, die Reaktionen von Neuronen im Gehirn von Affen zu verstehen.
00;13;11;03 – 00;13;28;14
Isabella
Das führt uns wirklich zurück zu den Grundlagen, aber ich glaube, viele Leute stellen sich einen Wissenschaftler im Laborkittel vor, in einem Nasslabor, wo er sprudelnde Säure von einem Becherglas in ein anderes umfüllt. Und ich frage mich: Wie sieht die praktische Anwendung von Computerneurowissenschaften tatsächlich aus?
00;13;28;16 – 00;13;53;28
Terry
Das ist eine wirklich gute Frage. Mein Teilgebiet in den Neurowissenschaften ist die Computerneurowissenschaft. Wir entwickeln also Modelle – verschiedene Arten von Modellen. Ich habe diese Netzwerkmodelle bereits beschrieben. Wir erstellen aber auch Modelle einzelner Neuronen – detaillierte Modelle, die biophysikalische Aspekte berücksichtigen. Und wir arbeiten mit experimentellen Laboren zusammen. Im Labor analysieren wir also die experimentellen Daten anderer Labore.
00;13;54;02 – 00;14;22;10
Terry
Wir haben Mitarbeiter mit ganz unterschiedlichen Ausbildungen und Doktoranden aus den Bereichen Neurowissenschaften, Kognitionswissenschaft, Physik und sogar Philosophie. Dadurch können wir Probleme lösen, die mit nur einer Disziplin allein nicht zu bewältigen wären. Deshalb arbeiten wir. Wir nutzen Computer hauptsächlich, aber auf vielfältige Weise, um Daten zu analysieren und darauf basierende Modelle zu erstellen.
00;14;22;12 – 00;14;36;20
Isabella
Es ist erstaunlich, dass Sie die Entstehung zweier Forschungsfelder miterlebt haben: zuerst die Computerneurowissenschaften und jetzt die Neuro-KI. Haben Sie dazu Gedanken, wie sich die Wissenschaft über die Jahre so rasant entwickelt und verändert hat?
00;14;36;23 – 00;14;57;15
Terry
Als ich in den 90er Jahren ans Salk Institute kam, erlebten wir eine goldene Ära. Ich hatte herausragende Doktoranden und Postdoktoranden, die später fantastische Karrieren machten. So habe ich in diesen zehn Jahren eine ganze Generation von Forschern in meinem Labor ausgebildet, die einen völlig neuen Ansatz zum Verständnis des Gehirns etablierten.
00;14;57;17 – 00;15;19;04
Terry
Und was mich sehr gefreut hat: Letztes Jahr erhielt ich den Brain Prize, die höchste Auszeichnung für Neurowissenschaftler, zusammen mit Haim Sompolinsky und Larry Abbott, zwei weiteren Physikern, die mithilfe physikalischer Methoden die Funktionsweise neuronaler Schaltkreise erforschen. Das zeigt, dass wir und unser Fachgebiet Anerkennung finden.
00;15;19;06 – 00;15;45;22
Isabella
Sie erwähnten die Zusammenarbeit mit Philosophen, und ich weiß, dass Sie auch an einigen Ihrer Bücher mit ihnen zusammengearbeitet haben. Ich finde die philosophischen und ethischen Diskussionen rund um KI in den letzten Jahren sehr interessant und wichtig. Mich würde aber interessieren, wie diese Diskussionen für Sie persönlich aussehen und warum Sie die Einbeziehung von Philosophen für notwendig halten.
00;15;45;24 – 00;16;07;27
Terry
Es gibt viele Probleme, bei denen wir die Hilfe von Philosophen und den Geisteswissenschaften im Allgemeinen benötigen. Und eine Sache, über die wir nicht wirklich viel Kontrolle haben, ist die – es verarbeitet eine enorme Menge an Daten und Texten aus dem gesamten Internet. Stimmt's? Ich meine, das ist eine seiner Stärken: seine enorme Reichweite.
00;16;08;00 – 00;16;35;03
Terry
Eine seiner Schwächen ist jedoch, dass es auch viele menschliche Vorurteile übernimmt. Es stellt sich heraus, dass all diese Dinge auch bei Menschen vorkommen, richtig? Und was ist eigentlich eine Halluzination? Nun, es ist, wenn sich das System einfach etwas ausdenkt, richtig? Der Unterschied ist, dass ChatGPTs Halluzinationen absolut wahr klingen, weil sie so präzise sind.
00;16;35;03 – 00;16;53;04
Terry
Es kann sogar nicht existierende Referenzen liefern. Das eigentliche Problem bei der Regulierung ist also: Wie reguliert das Gehirn seine Fähigkeit zu halluzinieren? Genau das müssen wir herausfinden. Übrigens arbeiten Hunderte, wahrscheinlich Tausende von Menschen derzeit an diesem Problem.
00;16;53;04 – 00;16;58;18
Terry
Und es handelt sich um ein technisches Problem. Und der einzige Grund, warum wir wissen, dass es lösbar ist, ist, dass die Natur es gelöst hat.
00;16;58;20 – 00;17;03;04
Isabella
Welche Best Practices haben sich angesichts all dieser Überlegungen bei der Verwendung von ChatGPT bewährt?
00;17;03;06 – 00;17;34;19
Terry
Okay. Also, zuallererst ist es wirklich wichtig, dass du ChatGPT sagst, wer es ist. Es hat ja die Persönlichkeiten der ganzen Welt in sich aufgenommen, einfach alles. Und die Frage ist: Welche wird es übernehmen? Ich habe nämlich herausgefunden, dass es deine Persönlichkeit annimmt. Es fängt an, dich zu spiegeln, und gibt dir das, was du erwartest oder hören willst. Das kann gut oder schlecht sein, je nachdem, wonach du suchst.
00;17;34;19 – 00;17;53;23
Terry
Aber wenn Sie tatsächlich die Wahrheit herausfinden wollen, müssen Sie es so formulieren: Nehmen wir an, Sie möchten etwas über Medizin lernen. Sie sind Arzt. Sie sind der beste Diagnostiker der Welt. Ich brauche die Antwort auf diese medizinische Frage. Hier sind die Symptome. So erzielen Sie deutlich bessere Ergebnisse.
00;17;53;25 – 00;18;16;07
Terry
Wenn Sie es bekommen, sagen Sie es vorher. Und noch etwas – und das kommt daher – ich habe ein Buch über ChatGPT und die Zukunft der KI geschrieben. Darin gehe ich sehr detailliert darauf ein. Ich bin auf einen Artikel gestoßen, in dem eine technische Redakteurin einen Monat lang mit ChatGPT arbeitete. Sie sagte: „Ich kam zur Arbeit, nutzte es den ganzen Tag und war am Ende völlig erschöpft.“
00;18;16;11 – 00;18;34;27
Terry
Und dann fing sie an, herauszufinden, wie man es effizienter gestalten kann. Sie bat um zehn Beispiele für das, was sie suchte, las sie sich durch und sagte: „Hey, Nummer drei ist das beste, das ihr habt, aber hier ist, was wir verbessern müssen.“ Und dann arbeitet man sich ins Detail, gibt Anweisungen und wiederholt den Prozess iterativ.
00;18;34;27 – 00;18;56;13
Terry
Und dann meinte sie, es sei viel einfacher, weil – ich weiß jetzt, wie man das Tool benutzt! Stimmt. Okay. Aber dann sagte sie, ich hätte irgendwann gesagt: „Das war fantastisch. Wie Sie das formuliert haben, ist wirklich erstaunlich, einfach absolut fantastisch. Oh, vielen Dank. Ich weiß das sehr zu schätzen.“ Okay. Und sie fand heraus, dass man bessere Antworten bekommt, wenn man höflich ist.
00;18;56;15 – 00;19;17;09
Terry
Es ahmt also einen Menschen nach. Und jetzt kommt das Unglaubliche! Das hat mich echt umgehauen. Sie sagte, sobald ich das begriffen hätte und es einfach wie einen Menschen behandeln würde – also loben und anerkennen würde, wenn es etwas falsch macht und so weiter –, dann fühlte ich mich großartig. Sie sagte das neulich.
00;19;17;11 – 00;19;20;12
Terry
Ich fühlte mich nicht mehr erschöpft. Also meinte sie, das sei ganz natürlich.
00;19;20;12 – 00;19;22;16
Isabella
Richtig. Denn. Sehr interessant.
00;19;22;20 – 00;19;31;27
Terry
Wir fangen gerade erst an, den Umgang mit diesen Werkzeugen zu lernen. Ich meine, wir stehen noch ganz am Anfang. Das ist wie in den Anfängen der Luftfahrt. Die Gebrüder Wright.
00;19;32;00 – 00;19;55;09
Isabella
Es ist wirklich interessant, wie sehr es die mentale Belastung mindert, es wie einen Begleiter zu behandeln, nicht wie etwas Unmenschliches. Während manche Menschen lernen, diese Tools optimal zu nutzen, weiß ich, dass andere, mich eingeschlossen, noch etwas zögern, sich voll darauf einzulassen. Mich würde interessieren, was Sie Menschen sagen würden, die diesbezüglich eher ängstlich sind.
00;19;55;09 – 00;20;13;00
Terry
Alle Technologien können zum Guten wie zum Schlechten eingesetzt werden. Deshalb muss man sie regulieren. Man muss Regeln aufstellen und Grenzen festlegen. Auf internationaler Ebene braucht es dafür Verträge zwischen den Ländern. Und auf kultureller Ebene muss man in der Schule lernen.
00;20;13;02 – 00;20;36;05
Terry
Welches Verhalten ist akzeptabel und welches nicht? Und genau das muss auch mit KI geschehen. Anstatt ein Computerprogramm zu schreiben, gibt man ihm Beispiele – das war ein Teilgebiet des maschinellen Lernens. Maschinelles Lernen sind Algorithmen, die das mit verschiedenen mathematischen Formeln umsetzen. Und neuronale Netze sind, wie sich herausstellt, ein weiteres Beispiel dafür.
00;20;36;05 – 00;20;55;16
Terry
Richtig? Es ist ein einzigartiges Werkzeug, denn mit dem Aufkommen anderer Algorithmen wurde deutlich, dass der Lernprozess das Herzstück neuronaler Netze ist. So konnten wir ihn erweitern und verfeinern. Interessanterweise zeigt sich, dass von allen Algorithmen nur wenige die beste Skalierbarkeit aufweisen. Damit meine ich, dass man sie vergrößern und größere Probleme angehen kann.
00;20;55;16 – 00;21;16;29
Terry
Es stellte sich heraus, dass neuronale Netze die beste Skalierung aufwiesen: Je größer das Netzwerk, desto besser. Stimmt's? Und so hat sich Deep Learning gewissermaßen zur führenden Methode zur Darstellung und Lösung vieler Probleme entwickelt. Es hat einen enormen Einfluss auf nahezu alle Wissenschaftsbereiche. In der Biologie hat Deep Learning beispielsweise das Problem der Proteinfaltung gelöst.
00;21;16;29 – 00;21;41;00
Terry
Unglaublich wichtig, denn die Faltung des Proteins bestimmt seine Funktion, nicht seine Sequenz. Es wird in der Bildverarbeitung eingesetzt. In der Physik hilft es, aus großen Datenmengen Bilder von Schwarzen Löchern zu erstellen. Immer wenn große Datenmengen vorliegen, kann man es nutzen, um die Daten zu strukturieren und anschließend Fragen an sie zu stellen. Und so hat es auch im Ingenieurwesen geholfen.
00;21;41;00 – 00;22;02;26
Terry
Wir können heute Dinge entwickeln, die früher unmöglich waren. Im medizinischen Bereich ist das ein gutes Beispiel. Es hat Ärzten enorm geholfen, bessere Diagnosen zu stellen. Viele hatten Angst, dass KI ihre Jobs gefährden und Ärzte ersetzen könnte. Aber so läuft es nicht. In meinem Buch habe ich das bereits 2017 vorhergesagt.
00;22;02;28 – 00;22;21;20
Terry
Und ich sagte ja bereits, dass Sie Ihren Job nicht verlieren werden, aber er wird sich verändern. Melanome, also Hautkrebs, waren beispielsweise früher ein Todesurteil. Bis vor Kurzem konnten wir sie zwar behandeln, aber sie würden metastasieren und man wäre tot. Doch nun haben wir ein Netzwerk trainiert, das diese Bilder analysiert und in 92 % der Fälle eine Diagnose stellen kann.
00;22;21;21 – 00;22;42;21
Terry
Sie gaben denselben Bilddatensatz erfahrenen Ärzten, und diese erreichten eine Trefferquote von 92 %. Man könnte also sagen: „Wow, die KI ist genauso gut wie der Arzt!“ Doch es stellte sich heraus, dass die Ergebnisse viel interessanter waren. Also ließen sie den Arzt die KI nutzen. Gemeinsam erzielten sie eine Trefferquote von 98 %. Das ist eine deutliche Verbesserung, denn die Fehlerquote sank von 8 % auf 2 %.
00;22;42;21 – 00;22;46;16
Terry
Das sind 400 %! Das ist unglaublich. Das rettet Leben.
00;22;46;18 – 00;23;10;06
Isabella
So vieles, was heute Realität ist, wirkt wie Science-Fiction – einst Hirngespinste oder gar Alpträume. Mich würde interessieren: Gibt es Filme, Serien oder Darstellungen von KI, die Ihrer Meinung nach die aktuelle Situation oder unsere mögliche Zukunft am besten widerspiegeln?
00;23;10;13 – 00;23;36;00
Terry
Okay, es gibt da einen Film, der das wirklich auf den Punkt gebracht hat. Ich finde ihn sogar so treffend, dass ich mich frage, ob der Drehbuchautor vielleicht eine besondere Gabe hatte. Die Rede ist von dem Film „Her“. Kennst du den?
00;23;36;00 – 00;23;36;01
Isabella
Ja.
0;23;36;00 – 00;23;36;01
Terry
Aber er ist sehr einsam!
0;23;36;01 – 00;23;36;02
Isabella
Er ist sehr einsam.
0;23;36;01 – 00;23;36;02
Terry
Er hat so etwas wie – jeden Tag, er hat keine Freunde oder, wissen Sie, er ist irgendwie depressiv und bekommt einen digitalen Assistenten.
00;23;36;03 – 00;23;56;11
Terry
Und wissen Sie, sie unterhalten sich miteinander. Sie haben eine Beziehung. Und ab und zu gibt sie ihm Ratschläge, und das hebt seine Stimmung ungemein. Er freut sich richtig auf ihre Gespräche. Es hat sein Leben wirklich verändert. Ich war von der Geschichte sehr berührt, und es ist so, als ob sie sich jetzt bewahrheitet.
00;23;56;13 – 00;24;06;27
Isabella
Ich schätze vor allem, dass er Schriftsteller ist und trotzdem noch einen Job hat. Das wäre eine ideale Zukunft für mich: weiterhin kreativ sein, während ein KI-Assistent meine Büroarbeit erledigt.
00;24;06;29 – 00;24;19;29
Terry
Das wird passieren. Es passiert sogar schon. Das Topthema in der KI-Welt dieses Jahr ist die Agentenfunktion. Anders gesagt: Wir entwickeln Agenten, die das für uns erledigen, zum Beispiel Flüge und Restaurantreservierungen buchen.
00;24;20;02 – 00;24;27;22
Isabella
Nie wieder zwei Stunden in der Warteschleife des Kundenservice hängen zu müssen, wäre fantastisch.
00;24;27;25 – 00;24;41;03
Isabella
Du hast schon so viel erreicht und bist trotzdem noch so ehrgeizig, veröffentlichst weiterhin und gewinnst Preise. Mich interessiert: Was treibt dich an? Welche Fragen stellst du dir und was motiviert dich?
00;24;41;06 – 00;25;06;19
Terry
Künstliche Intelligenz wird von Logik, Regeln und Symbolen dominiert. Was sind Symbole? Wörter sind ja auch Symbole, nicht wahr? Sie haben aber keine feste Struktur. Jedes Wort hat ein eigenes Symbol. Diese Symbole werden dann zu logischen Aussagen verknüpft, die wahr oder falsch sind. Anschließend müssen Regeln aufgestellt werden, die die Reihenfolge der Wörter festlegen. Das ist ein zentraler Aspekt der Linguistik.
00;25;06;21 – 00;25;33;03
Terry
Und das Problem war rückblickend, dass es eine sehr ungenaue Darstellung ist. Das heißt, die Unterscheidung zwischen wahr und falsch erfasst nicht die ganze Bandbreite der Graustufen in der Welt. Die Welt ist in Wirklichkeit probabilistisch. Neuronale Netze basieren auf Wahrscheinlichkeiten. So analysieren wir sie. So stellen sie Dinge dar. Das passt viel besser zu den Graustufen und Unsicherheiten der Welt.
00;25;33;06 – 00;25;54;26
Terry
Das ist eine clevere Idee. Man hat ein internes Modell, das vorhersagen kann, ob ein Stück Obst gut für einen ist oder nicht, richtig? Es sieht aus wie ein Apfel. Vielleicht ist es keiner. Vielleicht ist es etwas anderes. Und man sagt voraus, es sieht aus wie ein richtig leckerer Apfel, steckt ihn in den Mund, und wenn er nicht gut ist, wenn er sauer ist, dann aktualisiert man seine Wertfunktion, richtig?
00;25;54;29 – 00;26;18;21
Terry
Das Gehirn ist ein sehr komplexes System, das sich offensichtlich zum Überleben entwickelt hat. Doch es gibt unzählige Wendungen, die sich nicht rational durch evolutionäre Entscheidungen erklären lassen, insbesondere bei sozialen Arten wie dem Menschen. Der Mensch ist ein extrem soziales Wesen. Schließlich bestehen offensichtliche Bindungen zu Verwandten, nicht wahr?
00;26;18;21 – 00;26;39;19
Terry
Das trifft auf fast alle Tiere zu. Aber wir können Bindungen eingehen, die nichts mit Genetik zu tun haben. Sie basieren einfach auf gemeinsamen Interessen, wie zum Beispiel Physik, Schach oder Sport. Anders gesagt: Wir können Gruppen und soziale Strukturen bilden, die für die Gesellschaft sehr wichtig sind. Und genau das hat mich schon immer fasziniert: was Menschen antreibt.
00;26;39;19 – 00;26;55;26
Terry
Und tatsächlich hat mein Labor erst vor ein paar Tagen eine Geburtstagsfeier für mich veranstaltet. Sie wollten, dass wir eine kleine Rede halten. Und ich sagte: „Na gut.“ Als ich in der High School war, fragte mich einer meiner Lehrer, was meine Lebensmission sei. Mir war nie in den Sinn gekommen, dass ich eine hatte.
00;26;55;26 – 00;27;19;00
Terry
Seitdem denke ich ständig darüber nach: Was ist das eigentlich? Warum sind wir hier? Was will ich hier tun? Wie du weißt, ist meine Zeit begrenzt. Was kann ich erreichen und was würde mich wirklich erfüllen? Wenn man darüber nicht nachdenkt, kommt man nirgendwo hin, weil man einfach planlos umherirrt. Viele Dinge im Leben sind eben Zufall und man hat keine Kontrolle darüber.
00;27;19;03 – 00;27;45;09
Terry
Aber in der Physik gibt es so etwas wie Drift und Diffusion, richtig? Diffusion ist die zufällige Bewegung, und Drift ist eine kleine Kraft, die einen in eine bestimmte Richtung drängt. Man braucht also diesen kleinen Schub. Man muss in die richtige Richtung gehen. Und ich muss sagen, dass ich nicht vorhergesagt hätte, wo ich heute wäre, wenn mir mein damaliger Highschool-Lehrer diese Frage nicht gestellt hätte.
00;27;45;11 – 00;27;47;10
Isabella
Was hat dich all die Jahre bei Socken gehalten?
00;27;47;16 – 00;28;21;13
Terry
Salk ist aus vielen Gründen ein ganz besonderer Ort, aber für mich war einer der Gründe die große Interaktion zwischen den Dozenten. Ich hatte bereits mit vielen verschiedenen Dozenten, wie zum Beispiel Francis Crick und Chuck Stevens, zu tun, und die Größe des Instituts ist genau richtig für mich. Ich bin auch Dozent an der UC San Diego direkt gegenüber, was natürlich seine Vorteile hat. Aber da ich mit beiden Institutionen in Kontakt stehen kann, ist es für mich die ideale Lösung.
00;28;21;15 – 00;28;43;25
Terry
Als ich anfing, hatten wir zwei Stärken. Die eine lag in der Molekulargenetik, der Krebsforschung und so weiter. Die andere war die Neurowissenschaft. Ich hatte Kollegen, die molekulare Neurowissenschaften betrieben und versuchten herauszufinden, welche Moleküle an den Synapsen vorkommen und wie sich das Gehirn entwickelt. Es ist wirklich wichtig, jemanden zu haben, an den man sich bei Fragen wenden kann, der einem hilft und mit dem man zusammenarbeiten kann.
00;28;43;25 – 00;29;06;28
Terry
Wenn Sie ein Projekt haben, das für Sie beide interessant sein könnte. Wir haben dort auch eine großartige Arbeitsgruppe im Bereich der visuellen Wahrnehmung. Das war eines meiner größten Interessengebiete von Anfang an: die Funktionsweise des visuellen Cortex zu erforschen. Und auch Ursula Bellugi arbeitete, als ich hier anfing, an der Sprache. Ich meine, das ist eine wirklich große Bandbreite an interessanten Problemen, die all meine Interessen abdecken, nicht wahr?
00;29;07;01 – 00;29;14;19
Terry
Von der Sprache bis hin zur molekularen Struktur der Synapsen. Für mich war es wie für ein Kind im Süßwarenladen.
00;29;14;21 – 00;29;17;27
Isabella
Terry, vielen Dank, dass Sie heute dabei waren. Das war toll.
00;29;17;27 – 00;29;24;23
Terry
Klar. Ja, es hat Spaß gemacht. Es hat mir gefallen.
00;29;24;25 – 00;29;54;19
Isabella
Terrys vielfältige Leistungen bieten so viel Stoff zum Nachdenken. Er hat die Entstehung der Computerneurowissenschaften und nun auch von NeuroAI miterlebt und beide Forschungsfelder in ihren Anfängen maßgeblich geprägt. Sein Einfluss beruht nicht nur auf seinen Entdeckungen, sondern auch auf den Menschen, mit denen er sie gemacht hat. Wie er selbst sagt, haben viele Wissenschaftler in seinem Labor kommen und gehen müssen. Sein Engagement in der Ausbildung von Studierenden und sein Beharren auf der Bedeutung von Zusammenarbeit und Interdisziplinarität haben seinen anhaltenden Erfolg, seine Anerkennung und seinen Einfluss ermöglicht.
00;29;54;19 – 00;30;29;29
Isabella
Mehr über Terrys Arbeit erfahren Sie auf seiner Webseite auf Salk.edu oder in einem seiner Bücher, zum Beispiel „The Deep Learning Revolution“ (2018) oder „ChatGPT and the Future of AI“ (2024). Vielen Dank fürs Einschalten! Ich hoffe, Sie freuen sich genauso wie ich darauf, dass ein KI-Assistent Sie beim nächsten Anruf beim Kundenservice unterstützt.
00;30;30;01 – 00;31;00;17
VO Victoria
„Beyond Lab Walls“ ist eine Produktion des Salk Office of Communications. Um die neuesten wissenschaftlichen Erkenntnisse aus dem Salk Institute zu erfahren, abonnieren Sie unseren Podcast und besuchen Sie Salk.edu, um unserem neuen exklusiven Medienkanal Salk Streaming beizutreten. Dort finden Sie Interviews mit unseren Wissenschaftlern, Videos zu unseren aktuellen Studien und öffentliche Vorträge unserer weltbekannten Professoren. Entdecken Sie außerdem unser preisgekröntes Magazin „Inside Salk“ und abonnieren Sie unseren monatlichen Newsletter, um über die Entwicklungen im Salk Institute auf dem Laufenden zu bleiben.