Der Geniale Denker, Der Sich Geirrt Haben Könnte
Okay, ich muss euch etwas erzählen, das mich diese Woche wirklich umgehauen hat. Es hat meine Sicht auf künstliche Intelligenz komplett auf den Kopf gestellt.
Jahrzehntelang haben wir den Fortschritt der KI an einer Vision gemessen, die Alan Turing 1950 entworfen hat. Sein berümmtes „Imitationsspiel" – heute als Turing-Test bekannt – besagte: Wenn ein Computer Menschen davon überzeugen könnte, sie unterhielten sich mit einem anderen Menschen, dann wäre er im Grunde „denkfähig."
Klingt logisch, oder?
Nun ja. Laut Peter J. Denning, einem hoch angesehenen Informatiker, der gerade ein neues Buch namens „Turing's Mistake: Escaping the Yoke of Unintelligent Machines" veröffentlicht hat, jagen wir vielleicht seit 75 Jahren dem falschen Traum hinterher.
Und ehrlich? Nachdem ich seine Argumente gelesen habe, denke ich, dass er möglicherweise auf etwas Tiefgreifendes gestoßen ist.
Das Körperproblem (Ja, Es Ist Wichtig)
Hier ist die erste Annahme, die Denning falsch findet: die Idee, dass Intelligenz unabhängig von einem physischen Körper existieren kann.
Denkt einen Moment darüber nach. Wir versuchen, menschliche Intelligenz in Computern nachzubauen – pure Software, die im digitalen Raum herumschwebt. Aber Denning argumentiert, das sei, als würde man Schwimmen verstehen wollen, indem man Wassermoleküle studiert. Man übersieht etwas Wesentliches.
Wenn du und ich durch die Welt navigieren, verarbeiten wir nicht nur Informationen. Wir fühlen Dinge. Wir spüren die Temperatur, fühlen die Textur einer Türklinke, bemerken das leichte Wackeln, wenn wir auf eine leicht unebene Bordsteinkante treten. Diese ganze körperliche Erfahrung formt, wie wir denken, schlussfolgern und die Welt verstehen.
Denning weist darauf hin, dass unsere Körper nicht nur Fahrzeuge sind, die unsere Gehirne herumtragen. Sie sind ein integraler Bestandteil unseres Denkens.
Und hier ist das Interessante: Das ist keine Randidee. Philosophen reden seit Jahren über „verkörerte Kognition." Aber die KI-Forschung hat sie weitgehend ignoriert und sich stattdessen auf rein rechnerische Ansätze konzentriert.
Das Rätsel Des Impliziten Wissens
Hier wird es richtig spannend (und ein bisschen philosophisch, aber ich verspreche, es bodenständig zu halten).
Denning führt das Konzept des „impliziten Wissens" ein – und es ist wirklich eine dieser Ideen, die man, einmal begriffen, überall sieht.
Implizites Wissen ist all das Zeug, das man weiß, aber nicht leicht erklären kann. Zum Beispiel... Woher weißt du genau, wie viel Druck du beim Aufschließen einer Tür anwenden musst? Wie fängst du einen Ball, ohne komplexe Physikberechnungen im Kopf durchzuführen? Woher weißt du, ob jemand ironisch oder aufrichtig spricht, basierend auf dem Tonfall?
Diese Dinge fühlen sich automatisch an. Aber sie sind unglaublich komplex.
Denning argumentiert, dass es mindestens fünf große Kategorien impliziten Wissens gibt, die maschinelles Lernen schlicht nicht erfassen kann:
Gesunder Menschenverstand – Die Millionen kleiner Fakten darüber, wie die Welt funktioniert, an die wir nie bewusst denken.
Alltägliche Interaktionen – Wie wir soziale Situationen lesen, persönliche Beziehungen navigieren, unausgesprochene Erwartungen verstehen.
Emotionen und Wahrnehmung – Die Art und Weise, wie das Erleben von Freude oder Trauer grundlegend verändert, wie wir Informationen verarbeiten.
Praktische Fähigkeiten – Das Wissen, das ein Meisterhandwerker oder ein Virtuose besitzt und das er nicht vollständig artikulieren kann.
Kulturelles Verständnis – Werte, Normen, Geschichte und tiefere Bedeutungen, die in der Funktionsweise von Gemeinschaften stecken.
Warum 40 Jahre Cyc Das Problem Nicht Gelöst Haben
Um die Herausforderung zu verdeutlichen, verweist Denning auf ein Projekt namens Cyc. Falls ihr es nicht kennt: Cyc war ein ehrgeiziger Versuch, der in den 1980er Jahren begann, eine riesige Datenbank mit gesundem Menschenverstand aufzubauen – Dinge wie „Wenn man etwas fallen lässt, fällt es nach unten" oder „Menschen brauchen Wasser zum Überleben."
Das Projekt hat vier Jahrzehnte gebraucht, um ungefähr 25 Millionen Einträge mit gesundem Menschenverstand aufzubauen.
Fünfundzwanzig Millionen Wissenseinträge!
Und wisst ihr was? Es war immer noch nicht genug, um wirklich kluge Systeme zu erschaffen. Denning bemerkt, dass „ein Großteil des Wissens, das Menschen zu Experten macht, nicht als Aussagen formuliert werden kann."
Das ist die stille Tragödie des Cyc-Projekts. Es hat durch schiere Anstrengung demonstriert, dass der Versuch, menschlichen gesunden Menschenverstand manuell zu kodieren, im Grunde unmöglich ist. Es gibt zu viel davon, und zu viel davon ist implizit statt explizit.
Die Musikerin, Die Es Nicht Erklären Kann
Lasst mich eins von Denning Beispielen teilen, das mir wirklich geblieben ist.
Denkt an eine Virtuosin auf der Geige. Jemand, die mit atemberaubender Schönheit und Emotion spielen kann. Versucht jetzt, einem Anfänger genau zu erklären, wie man diesen Klang erzeugt.
Das kann sie nicht wirklich. Nicht vollständig. Sie könnte technische Ratschläge geben – den Bogen hier ansetzen, dort Druck ausüben – aber die Lücke zwischen „Wissen wie" und „Wissen was" ist enorm.
Die Geigerin besitzt verkörpertes Wissen, das in ihren Muskeln, ihren Nerven, ihrer physischen Erfahrung des Klangschaffens existiert. Das kann man nicht in einen Computer herunterladen. Man kann es nicht in eine Datenbank übersetzen.
Und hier ist der tiefere Punkt: Selbst wenn man einen Roboter bauen würde, der die Bewegungen einer Geigerin perfekt nachahmen könnte, könnte dieser Roboter trotzdem nicht verstehen, wie es sich anfühlt, schöne Musik zu erschaffen. Ihm fehlt die biologische Erfahrung, der emotionale Kontext, die Verbindung zu einem Publikum.
Das Repräsentationsproblem
Also, was passiert hier eigentlich? Warum ist menschliches Wissen so hartnäckig resistent gegen die Digitalisierung?
Denning nennt es das „Repräsentationsproblem," und es ist wirklich fundamental.
Computer arbeiten mit Symbolen – Einsen und Nullen, die Dinge repräsentieren. Wenn wir Informationen in Computer eingeben, kodieren wir Wissen aus der realen Welt in diese symbolischen Formen.
Aber hier ist der Haken: Hinter jedem Wort, jedem Konzept, jedem Stück „Wissen", das wir besitzen, gibt es einen tiefen Brunnen an implizitem Verständnis, das ihm Bedeutung verleiht. Worte sind nur Symbole, die auf Bedeutungen zeigen – sie sind nicht die Bedeutungen selbst.
Denning drückt es so aus: „Hinter jedem Wort steht ein tiefer Brunnen an implizitem Wissen, der ihm Bedeutung verleiht. Worte sind symbolische Repräsentationen von Bedeutungen, nicht die Bedeutungen selbst."
Das bedeutet, wenn du mit etwas wie ChatGPT, Claude oder Gemini sprichst, interagierst du mit Systemen, die unglaublich raffiniert im Manipulieren von Symbolen sind, aber sie verstehen nicht wirklich, was diese Symbole repräsentieren. Sie können Muster brillant zuordnen, aber Musterzuordnung ist nicht Verstehen.
Kontext Ist Alles (Und Maschinen Haben Ihn Nicht)
Hier ist eine weitere Ebene, mit der KI kämpft: Kontext.
Wenn du und ich ein Gespräch führen, greifen wir auf endlose Schichten geteilten Verständnisses zurück. Wir wissen, wer wir sind, was wir zusammen durchgemacht haben, was die aktuelle Situation ist, was angemessen versus unangemessen ist, wann jemand scherzt versus ernst meint.
Dieser Kontext ist nicht nur Hintergrundrauschen – er ist fundamental für Bedeutung.
Denning beschreibt ihn als fraktal: Jeder Kontext ruht auf früheren Kontexten, die auf noch früheren basieren. Es ist eine endlose Kette geteilten Verständnisses, die wir über ein Leben voller Erfahrung aufgebaut haben.
Kultur fügt noch eine weitere Dimension hinzu. Denning beschreibt sie als umfassend „Werte, Normen, Urteile, Geschichte, Gemeinschaften, Stimmungen und sogar Beziehungen, die Macht und Fürsorge betreffen."
All das ist für KI-Systeme unsichtbar. Sie können Muster in Sprache erkennen, aber sie können nicht wirklich die kulturelle Schwere hinter Worten und Handlungen erfassen.
Was Bedeutet Das Für Die Zukunft Der KI?
Jetzt sage ich nicht, dass KI nutzlos ist – offensichtlich ist sie das nicht. Diese Systeme sind bei bestimmten Aufgaben wirklich beeindruckend und unglaublich nützliche Werkzeuge.
Aber Denning Argument impliziert, dass wir möglicherweise eine Decke erreichen. Dass echte allgemeine künstliche Intelligenz – Maschinen mit menschlichem Verständnis und Anpassungsfähigkeit – durch unsere aktuellen Ansätze fundamental unerreichbar sein könnte.
Und hier wird es ein bisschen beunruhigend: Denning warnt, dass wenn wir AGI weiterverfolgen und dabei diese fundamentalen Einschränkungen ignorieren, wir riskieren, Technologien zu bauen, die erhebliche neue Risiken einführen, ohne ihre Versprechen zu erfüllen.
Denkt darüber nach. Wir bauen Systeme, die wir nicht vollständig verstehen, mit Ansätzen, die möglicherweise grundlegend limitiert sind, um Probleme zu lösen, die Arten von Verständnis erfordern, auf die diese Systeme keinen Zugang haben.
Meine Einschätzung
Ehrlich gesagt, fand ich Denning Argumente überzeugend, aber nicht völlig vernichtend.
Ja, es gibt fundamentale Herausforderungen beim Erfassen impliziten Wissens. Ja, verkörperte Erfahrung ist wahrscheinlich wichtiger, als wir zugegeben haben. Und ja, der Turing-Test ist möglicherweise ein schlechter Maßstab für echte Intelligenz.
Aber ich denke auch, dass wir diese Einschränkungen in Echtzeit entdecken, und dass dieser Entdeckungsprozess selbst wertvoll ist. Jede Herausforderung, die Denning identifiziert, ist auch eine Forschungsfrage. Jede Mauer, gegen die wir stoßen, lehrt uns etwas Neues über menschliche Kognition und Bewusstsein.
Vielleicht ist die wahre Lektion hier nicht, dass KI nicht intelligent sein kann, sondern dass menschliche Intelligenz bemerkenswerter ist, als wir zu schätzen wussten. Jedes Mal, wenn du einen Witz verstehst, einen Ball fängst oder spürst, dass etwas in einem Gespräch „komisch" wirkt – dann machst du etwas, das unsere raffiniertesten Computer immer noch nicht können.
Vielleicht ist die Frage nicht, ob Maschinen wie Menschen denken können. Vielleicht ist sie: Was können sie gut machen, und wie bauen wir das in eine Welt ein, in der menschliche Qualitäten mehr, nicht weniger zählen?
Das ist eine Frage, die man eine Weile lang sacken lassen sollte.
Was denkt ihr? Resoniert Denning Kritik mit eurer Erfahrung bei der Nutzung von KI-Tools? Oder denkt ihr, wir unterschätzen, was diese Systeme letztendlich erreichen können?
Schreibt einen Kommentar – ich möchte wirklich wissen, wie das bei euch ankommt.
Quelle: ScienceDaily (https://www.sciencedaily.com/releases/2026/07/260713084850.htm)