Austausch über autonome Waffensysteme
Ein dreitägiges Seminar widmete sich dem Thema „Autonome Waffensysteme und künstliche Intelligenz“.
Ein dreitägiges Seminar widmete sich dem Thema „Autonome Waffensysteme und künstliche Intelligenz“.
Stefan Küchemann, Steffen Steinert und Jochen Kuhn
Die Digitalisierung in Schule und Hochschule hat nicht zuletzt durch die Corona-Pandemie einen großen Schub erhalten. Onlinebasierte Formate fanden größere Verbreitung; allein die Lernplattform Moodle umfasste im September 2023 über 46 Millionen Kurse und über 394 Millionen Nutzende weltweit [1]. Dies macht digitale Daten verfügbar und verarbeitbar, nicht zuletzt durch Methoden der Künstlichen Intelligenz. Insbesondere verdeutlicht das Sprachmodell ChatGPT von OpenAI, dass KI-basierte Anwendungen für Lernen und Lehren weit über den Rahmen von gängigen Lernplattformen hinausgehen [2].
Für den Einsatz von Künstlicher Intelligenz (KI) im Bildungskontext stellen sich weitreichende Fragen: Wie lassen sich Lernende durch solche Anwendungen effektiv begleiten und (frühzeitig) fördern? Auf welche Weise lassen sich personenbezogene Daten für das Training von KI-Algorithmen nutzen und gleichzeitig schützen? Genügen Menge und Qualität der anfallenden Datensätze überhaupt für eine sinnvolle Anwendung von Künstlicher Intelligenz? (...)
Der Einsatz von generativer Künstlicher Intelligenz wird auch für Lehre und Studium diskutiert.
Damit Prothesen die Aufgaben unserer Hände zumindest teilweise übernehmen können, nutzen sie modernste Technologien und künstliche Intelligenz.
Als Physiker bei Lidl Analytics wendet Armin Müller Methoden der Statistik und der künstlichen Intelligenz an.
Dr. Armin Müller (34) arbeitet bei der Lidl Stiftung & Co. KG in Neckarsulm. Als Bereichsleiter bei Lidl Analytics unterstützt er andere Geschäftsbereiche beim Einsatz analytischer Methoden. Ziel ist es dabei, die Geschäftsprozesse des international agierenden Discounters zu optimieren – damit sich ein Einkauf bei Lidl für die Kunden lohnt.
Was waren Ihre Schwerpunkte im Studium?
Ich habe am Karlsruher Institut für Technologie studiert und für meine Diplomarbeit untersucht, wie Halbleiter-Nanopartikel auf Polymerstrukturen wachsen. Die Frage dahinter war, ob elektronische Strukturen auch ohne lithographische Verfahren herstellbar sind.
Haben Sie das in der Promotion vertieft?
Nein, ich habe nach dem Diplom bei einer Unternehmensberatung gearbeitet. Für die Promotion an der FernUniversität in Hagen war ich freigestellt und habe mich an der wirtschaftswissenschaftlichen Fakultät mit Monte-Carlo-Verfahren befasst. (...)
Die Gemeinsame Wissenschaftskonferenz hat zwei neue Bund-Länder-Programme beschlossen, um die Forschung zu Künstlicher Intelligenz zu fördern.
Helmholtz fördert 19 KI-Projekte zur Lösung drängender gesellschaftlicher Herausforderungen.
Saugroboter reinigen den Boden dank zahlreicher Sensoren und durchdachter Algorithmen zunehmend autonom.
Interview mit den Tübinger Forschern Felix Wichmann und Matthias Bethge zur Robustheit des Sehens und zur Zukunft der KI-Forschung in Deutschland
Der Psychophysiker Felix Wichmann und der Physiker Matthias Bethge wollen den menschlichen Sehprozess genau verstehen, um künstlichen Intelligenzen robustes Sehen beizubringen. Bethge nutzt künstliche neuronale Netze, um das Sehen zu ergründen, Wichmann beschäftigt sich mit den psychologischen Prozessen, die der menschlichen visuellen Wahrnehmung zugrunde liegen.
Sie untersuchen die Robustheit des Sehens. Worum geht es dabei konkret?
Felix Wichmann: Robustes Sehen bedeutet, sich nicht davon beeinflussen zu lassen, dass sich die Randbedingungen radikal ändern. Das stört den Menschen praktisch nicht. Wir können Objekte erkennen, wenn sie halb
verdeckt sind oder wir sie aus einem anderen Blickwinkel sehen beziehungsweise wenn es sehr hell oder dunkel wird. Dieses robuste Sehen möchten wir den Maschinen beibringen.
Worin besteht dabei das Problem?
Matthias Bethge: Wenn neue Daten oder Probleme den Trainingsdaten ähneln, sind Maschinen meistens besser als der Mensch. Aber mit Störungen können sie schlechter umgehen. In unserem Forschungsprojekt untersuchen wir, was die Robustheit des menschlichen Sehens ausmacht.
Wie untersuchen Sie das?
Wichmann: Unser Labor ist komplett schwarz, damit wir die Versuchspersonen gezielt visuellen Reizen aussetzen können, die wir genau unter Kontrolle haben. Ich weiß also exakt, welches Licht mit welcher Wellenlänge den Menschen ins Auge fällt. Darauf bauen wir unsere Modelle auf, um daraus Verhalten vorauszusagen. (...)
Cognitive Deep Learning soll neuronale Netze und Wissensverarbeitung kombinieren.
Maschinen sind dem Menschen bei vielen Aufgaben überlegen. Ein Computer führt numerische Berechnungen um Größenordnungen schneller und präziser durch, und auch beim fehlerlosen Speichern und Abrufen großer Datenmengen ist die Maschine ungeschlagen. Was uns auszeichnet, sind die kognitiven Fähigkeiten: Zwar übertreffen künstliche Sensoren unsere Sinneswahrnehmungen, doch in der Verarbeitung dieser Information, also im Lernen, Erinnern und Anwenden, zeigt unser Gehirn seine wahre Leistungsfähigkeit. Durch das sogenannte Deep Learn ing gelang es in den letzten Jahren, den Rückstand von Maschinen bei Mustererkennung, Sprachverarbeitung oder Problemlösefähigkeit deutlich zu verkürzen und in Teilen sogar in eine Überlegenheit zu wandeln.
Von allen Sinnesorganen des Menschen ist der Sehsinn für das Wahrnehmen der Umwelt der wichtigste: Er liefert rund Prozent aller Informationen. Sehen bedeutet, dass elektromagnetische Lichtwellen die Hornhaut und das gesamte Auge durchdringen. Auf der Netzhaut angelangt, regen sie Nervenzellen an, welche die Licht reize über den Sehnerv an das Gehirn weiterleiten. Erst dort entsteht das Bild. Im visuellen Cortex, dem Bereich des Gehirns, der für das Sehen zuständig ist, reagieren Nervenzellen auf unterschiedliche Reize wie bestimmte Farbkombinationen oder Hell-Dunkel-Kontraste. Solche Eindrücke ermöglichen durch den Vergleich mit gespeicherten Bildern das Wiedererkennen eines bekannten Gesichts. (...)
Erkenntnisgewinn durch moderne datengetriebene Methoden
Die Entwicklung neuer Technologien ist entscheidend für Erkenntnisgewinne in der Grundlagen- und angewandten Forschung. Fortschritten bei modernen Datenanalyseverfahren kommt dabei besondere Bedeutung zu: Sie sind der Schlüssel, um neue Erkenntnisse aus Messdaten zu schöpfen und entscheidenden Mehrwert aus Messapparaturen zu erwirken.
In der Physik werden aktuell Deep Learning-Verfahren bei Fragestellungen erprobt, bei denen sich ein passender Algorithmus nicht so einfach programmieren lässt. Hier weisen Deep Learning-Verfahren häufig Vorteile gegenüber bisher verwendeten Analyseverfahren auf, was zu präziseren wissenschaftlichen Resultaten führt, Erkenntnisprozesse zu mindest beschleunigt oder eventuell erst ermöglicht. Deep Learning beruht auf neuronalen Netzwerken (vgl. dazu die Artikel von Ulrich Eberl und Marco F. Huber sowie die Infoseite „Neuronale Netzwerke kurz erklärt“) [1]. Mit ihnen lassen sich flexible Modelle für beliebige funktionale Zusammenhänge realisieren (Abb. 1). (...)
Treiber, Einsatzfelder und Perspektiven der Künstlichen Intelligenz
Maschinen lernen dank Künstlicher Intelligenz rasend schnell sprechen, sehen, lesen und auch, große Datenmengen nach Mustern zu durchsuchen. Sie werden bald alle Lebensbereiche des Menschen grundlegend verändern. Was treibt diese Entwicklung, wo liegen die Anwendungen, wie intelligent können Maschinen werden und was können Phy- siker dazu beitragen?
Über ein halbes Jahrhundert lang spiegelte der Begriff „Künstliche Intelligenz“ (KI) eher die überzogenen Erwartungen seiner Erfinder wider, als dass er etwas mit der Realität zu tun hatte. In den Jahrzehnten nach 1956, als erstmals ein Forschungsprojekt von Wissenschaftlern um John McCarthy, Marvin Minsky und Claude Shannon so bezeichnet wurde [1], waren die Erfolge überschaubar: Eine Software, die besser Dame spielte als ihr Entwickler, erste selbsttätig fahrende Autos in den 1980er-Jahren, der IBM-Rechner Deep Blue, der 1997 den Schachweltmeister Garri Kasparow besiegte, zweibeinige Roboter wie Hondas Asimo und kleinere Neuronale Netze, welche die Steuerung von Walzwerken und Papierfabriken optimierten – das waren die wesentlichen Meilensteine. (...)
Eine starke Verbindung von Physik und Robotik dient dem KI-Standort Deutschland.
Das Thema der letztjährigen Tagung „Forschung – Entwicklung – Innovation“ war die Künstliche Intelligenz.
Die Bundesregierung hat ihre Strategie für Künstliche Intelligenz vorgestellt.
Mit gezielter Förderung kann sich Deutschland auch in der zweiten Welle der Digitalisierung und bei der Gestaltung künstlicher Intelligenz an die Spitze der Entwicklung setzen.
In der DPG wurde der Arbeitskreis für „Physik und moderne Informationstechnologien“ gegründet
Der Bereich künstliche Intelligenz und Robotik bietet auch Physikerinnen und Physikern vielfältige Jobmöglichkeiten.
Präzise führt der zweiarmige Roboter im Reinraum die Pipette in das winzige Reaktionsgefäß und nimmt die Flüssigkeit darin auf. Nach einem genau festgelegten Ablauf schwenkt er seinen anderen Arm zur Seite und greift eine Petrischale, in die er die Flüssigkeit füllt und rührt. Obwohl die Bewegungen ungelenk aussehen, geht nichts kaputt, nichts wird verschüttet, nie greift der Roboter daneben. Mit einer Präzision von einem Zehntel Millimeter führt er zielsicher den einprogrammierten Arbeitsablauf aus. Ob er dabei mit teuren oder giftigen Substanzen hantiert, die z. B. zur Herstellung von Krebsmedikamenten notwendig sind, spielt keine Rolle.
Heutzutage sind Roboter in der Industrie wichtige Helfer – sei es zum Sortieren, Verpacken, Kleben, Schweißen oder als ein Helfer in der Automobilherstellung, der schwere Einzelteile hebt und perfekt positioniert, damit der Mensch diese Lasten nicht mehr stemmen muss. Das japanische Unternehmen Yaskawa ist mit weltweit rund 15 000 Mitarbeitern einer der führenden Hersteller von Antriebstechnologie, Automation und Industrierobotern. Diese sind unter dem Label „Motoman“ bekannt und zählen weltweit zu den besten in puncto Bahn- und Wiederholgenauigkeit. Zudem können mehrere Roboter perfekt synchron arbeiten, indem sie parallel miteinander kommunizieren. Auch in Deutschland ist das Unternehmen tätig mit der Zentrale in Eschborn und einem Standort für Anlagentechnik und Robotik in Allershausen nördlich von München. Leiter dieses Standorts, an dem hochkomplexe Anlagen bis hin zu kompletten Fertigungsstraßen gebaut werden, ist seit dem letzten Jahr der Physiker Otwin Kleinschmidt.
Seit 2012 arbeitet er bei Yaskawa. Gestartet ist er dort als Leiter des Projektmanagements – eine Aufgabe, die nach dem Physikstudium nicht unbedingt nahe lag. „Nach dem Abschluss habe ich mich bewusst für den Wechsel in die Industrie entschieden. Alles weitere hat sich dann sukzessive entwickelt“, erinnert sich Otwin Kleinschmidt. Bei verschiedenen Arbeitgebern – zunächst in der Oberflächenanalytik, später in der Halbleiterfertigung – hat er im Marketing, Vertrieb und im Projektmanagement gearbeitet. „In all diesen Feldern hatte ich mit der Technologie zwar nicht direkt zu tun, aber ohne technisches Verständnis hätte ich keine komplexen Anlagen verkaufen können“, stellt er fest.
Der Arbeitskreis befasst sich fachverbandsübergreifend mit aktuellen Fragestellungen der datenintensiven Physik, Informationstechnologie, Informationstheorie und Künstlichen Intelligenz – in Zusammenarbeit mit anderen DPG Fachverbänden und Arbeitskreisen sowie mit den Fachgesellschaften verwandter Gebiete (z.B. Gesellschaft für Informatik, VDI)
Der FBKI ist Träger der wissenschaftlichen Arbeit der Gesellschaft für Informatik (GI) auf allen Teilgebieten der Künstlichen Intelligenz, wobei sowohl die theoretischen, die software- und hardwaretechnischen Aspekte und die Verbindungen zu Anwendungsgebieten abgedeckt werden.
Das Deutsche Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) wurde 1988 als gemeinnützige Public-Private Partnership (PPP) gegründet. Es unterhält Standorte in Kaiserslautern, Saarbrücken, Bremen, Niedersachsen, Labore in Berlin, Darmstadt und Lübeck sowie eine Außenstelle in Trier. Das DFKI ist auf dem Gebiet innovativer Softwaretechnologien auf der Basis von Methoden der Künstlichen Intelligenz die führende wirtschaftsnahe Forschungseinrichtung Deutschlands.
Die KI-Förderung des BMBF fokussiert darauf, die Technologie weiterzuentwickeln, in konkreten wirtschaftlichen und gesellschaftlichen Nutzen zu überführen und die notwendigen Kompetenzen und Infrastrukturen bereitzustellen.
Artikel vom damaligen DPG-Präsidenten Otto G. Folberth (IBM Deutschland GmbH) aus den Physikalischen Blättern.
Ein Bericht von Jörg Siekmann über die erste Fachtagung ,,Künstliche Intelligenz" der Gesellschaft fur Informatik am 26. bis 30. Januar 1981 im Physikzentrum in Bad Honnef – der fünfte Workshop zu diesem Thema in Deutschland
Abriß eines Vortrages, den der deutsche Informatiker Karl Steinbuch (1917–2005) am 2. Juni 1959 an der TH Karlsruhe gehalten hat.