KI für alle: Super-intelligente Systeme, mit denen Datenersteller belohnt werden

Dieser Beitrag ist Teil des CoinDesk-Berichtsjahres 2019, einer Sammlung von 100 Beiträgen, Interviews und Informationen zum Stand der Blockchain und der Welt. Ben Goertzel ist Gründer und CEO von SingularityNET, einem Blockchain-basierten KI-Marktplatz-Projekt.

Da die KI schnell alle Wirtschaftszweige durchdringt, gibt es nur wenige dringlichere Fragen als diejenigen, die die für die Schulung von KI-Systemen verwendeten Daten besitzen, steuern und leiten sowie die Modelle und Schlussfolgerungen, die die KI aus diesen Daten zieht.

Derzeit lautet die Antwort in der Regel: Große Unternehmen. Daten zu unseren Gedanken, Vorlieben, Ängsten und Wünschen, wie sie in unseren E-Mails, Nachrichten, Fotos und Dokumenten enthalten sind, werden in Unternehmens-Repositories gespeichert und zur Erstellung personalisierter Anzeigen verwendet, die unser Einkaufsverhalten bestimmen. Daten über unseren Körper und unser Genom werden in Datenbanken von Pharmaunternehmen gespeichert und für firmeneigene Forschung und Entwicklung verwendet, ohne dass wir unsere ausdrückliche Zustimmung erteilen und für entdeckte Therapien eine Belohnung erhalten. Und diese großen Unternehmen arbeiten natürlich eng mit staatlichen Überwachungsbehörden zusammen, manchmal zum Schutz der Zivilbevölkerung und manchmal schändlicher.

Je intelligenter die KI wird, desto dringlicher wird die Frage, wem sie gehört und wer sie kontrolliert. Es ist daher ein Glück, dass es Technologien gibt, die eine sorgfältige Verfolgung und Kontrolle der Nutzung personenbezogener Daten durch AI ermöglichen, sowie Modelle und Schlussfolgerungen und Fähigkeiten, die auf der Grundlage der Daten der Menschen erlernt wurden. Dies könnte letztendlich die kritischste Anwendung der Blockchain-Technologie und der damit verbundenen Methoden wie homomorphe Verschlüsselung und Multiparty-Computing sein, die eine anspruchsvolle AI-Datenverarbeitung unter Wahrung des Datenschutzes ermöglichen.

In den letzten zwei Jahren hat sich die Bedeutung der Kombination von KI und Blockchain bei Konferenzen, Workshops und Startups fast zu einer Selbstverständlichkeit entwickelt. Es gibt noch kein dezentrales KI-Netzwerk mit breiter kommerzieller Akzeptanz, aber das Konzept hat sich weitgehend durchgesetzt. Bis Ende 2020 wird es wahrscheinlich spannende Anwendungsfälle geben, bei denen kleine und große Unternehmen ihre KI-Dienste nicht über einen zentralen KI-Dienst, sondern über API-Aufrufe in ein dezentrales, blockchain-basiertes Netzwerk einbinden.

Im gleichen Zeitraum hat die Leistung von KI-Systemen in bemerkenswertem Maße zugenommen, und es wurden bekanntere Geschäftsanwendungen in mehreren vertikalen Märkten sowie grundlegende Forschungsfortschritte erzielt, die den Sprung von anwendungsspezifischen „schmalen KI“ -Systemen zu allgemeineren machten AI-Systeme, wie sie von Science-Fiction-Autoren und Zukunftsexperten seit langem vorgesehen sind.

Vor nicht allzu langer Zeit war die künstliche allgemeine Intelligenz (Artificial General Intelligence, AGI) nur in bestimmten verdünnten Forschungskreisen Gegenstand von Diskussionen. Aber seit Microsofts Investition von 1 Milliarde Dollar in OpenAI, hört man den Begriff jetzt aus dem Munde von Staats- und Unternehmensführern. Es ist mittlerweile allgemein bekannt, dass KI über die Nachahmung seiner Trainingsdatensätze hinausgehen und die Fähigkeit erlangen muss, mit neuen Domänen umzugehen, die seine Programmierer und Trainer nicht erwartet hatten. Während AGI-Systeme auf menschlicher Ebene für die Zukunft bestehen bleiben, unternehmen wir Schritte in diese Richtung mit KI-Systemen, die kausale Schlussfolgerungen ziehen (Ermittlung der Ursachen für komplexe Ereignisse wie Börsencrashs oder Krankheitsausbrüche) und analoge Überlegungen anstellen (Wissen nutzen) etwa Mäusekrankheiten, um die Krankheit des Menschen besser verstehen zu können, oder Chinesischkenntnisse, um Englisch besser verstehen zu können).

Die Verschmelzung von AGI und dezentraler KI hat das öffentliche Radar jedoch noch nicht in großem Umfang getroffen. Im Jahr 2020 werden wir wahrscheinlich die ersten konkreten Schritte in diese Richtung sehen. Dies wird die Aufmerksamkeit der Öffentlichkeit auf das Potenzial dezentraler Rahmenbedingungen lenken, auf eine KI hinzuarbeiten, die eine tiefgreifende Vorstellungskraft, Generalisierung und kreatives Lernen ermöglicht.

AGI-orientierte Agenten in einem dezentralen AI-Meta-Netzwerk (an dem mehrere interoperierende dezentrale AI-Netzwerke beteiligt sind, z. B. SingularityNET, Ocean, Fetch.ai, Shivom und Dutzende andere, die alle zusammenarbeiten) können Abstraktions- und Generalisierungsdienste für bereitstellen Anwendungsorientierte KI-Agenten, die in demselben Metanetzwerk ausgeführt werden.

Angenommen, ein Healthtech-orientierter KI-Agent muss eine Hypothese aufstellen, welche der rund 25.000 menschlichen Gene an der Entstehung von Prostatakrebs beteiligt sind. Nehmen wir jedoch an, es enthält nur DNA-Daten von einigen hundert Personen – nicht genug, um solide Rückschlüsse auf so viele verschiedene Gene zu ziehen. Ohne ein Framework, das es diesem KI-Agenten erlaubt, andere KI-Agenten um Hilfe zu bitten, würde der KI-Agent wahrscheinlich einfach aufgeben. In einem Kontext wie SingularityNET, in dem AIs andere AIs um Unterstützung bitten können, kann es jedoch subtile Wege zum Erfolg geben. Wenn es andere Datensätze zu Erkrankungen gibt, die Prostatakrebs in Modellorganismen wie Mäusen ähneln, ist möglicherweise ein Fortschritt zu erkennen, welche Gene an Prostatakrebs beteiligt sind, indem mehrere KI-Wirkstoffe mit unterschiedlichen Fähigkeiten zusammenarbeiten.

Angenommen, AI # 1 – nennen wir es den Analogy Master – verfügt über ein Talent für analoges Denken. Dies ist die Art von Argumentation, die Wissen über eine Situation auf eine andere Art von Situation abbildet – zum Beispiel, indem Wissen über Kriegsführung verwendet wird, um Schlussfolgerungen über das Geschäft abzuleiten. Der Analogy Master ist möglicherweise in der Lage, genetische Daten zu Mäusen mit ähnlichen Bedingungen wie Prostatakrebs zu verwenden, um indirekte Rückschlüsse auf Prostatakrebs beim Menschen zu ziehen.

Angenommen, AI # 2 – wir nennen es den Data Connector – ist gut darin, biologische und medizinische Datensätze zu finden, die für ein bestimmtes Problem relevant sind, und diese Datensätze für die AI-Analyse vorzubereiten. Und dann nehmen wir an, AI # 3 – wir nennen es den Disease Analyst – ist Experte darin, maschinelles Lernen zu nutzen, um die Ursachen menschlicher Krankheiten zu verstehen.

Wenn der Disease Analyst die Aufgabe hat, menschliche Gene zu finden, die mit Prostatakrebs zusammenhängen, muss er möglicherweise überlegen, ob er einen konzeptionellen Sprung machen und das Problem lösen soll. Es bittet den Analogy Master oder viele verschiedene AIs um Hilfe.

Der Analogy Master weiß möglicherweise nichts über Krebsbiologie, obwohl er gut darin ist, konzeptuelle Sprünge zu machen, indem er analog argumentiert. Um dem Disease Analyst bei seinem Problem zu helfen, muss er möglicherweise seine Wissensbasis mit einigen relevanten Daten füllen, zum Beispiel über Krebs bei Mäusen. Der Data Connector hilft dann, den Analogy Master mit den Daten zu Mäusekrebs zu versorgen, die er für das kreative Brainstorming benötigt, und unterstützt den Disease Analyst bei der Lösung seines Problems.

All diese Zusammenarbeit zwischen KI-Agenten kann aus Benutzersicht hinter den Kulissen stattfinden. Das Forschungslabor, das den Disease Analyst um Hilfe bei der genetischen Analyse von Prostatakrebs bittet, muss nie wissen, dass der Disease Analyst seine Aufgabe erfüllt hat, indem er den Analogy Master und Data Connector um Hilfe bittet. Darüber hinaus müssen der Analogy Master und der Data Connector nicht unbedingt die firmeneigenen Daten des Disease Analyst anzeigen, da die KI-Analyse mithilfe von Mehrparteienberechnung oder homomorpher Verschlüsselung für eine verschlüsselte Version eines Datensatzes durchgeführt werden kann, ohne den Datenschutz zu verletzen (in diesem Fall Privatsphäre des Patienten).

Mit den Fortschritten in der KI-Technologie und der Cloud-basierten IT wird diese Art der Zusammenarbeit zwischen mehreren KIs erst jetzt möglich. Und natürlich kann eine solche Zusammenarbeit auf eine Weise stattfinden, die von großen Unternehmen hinter Firewalls kontrolliert wird. Interessanter ist jedoch, wie sich dieses Paradigma für die Erreichung einer immer leistungsfähigeren und allgemeineren KI auf natürliche Weise mit dezentralen Kontrollmodalitäten vereinbaren lässt.

Was ist, wenn die drei KI-Agenten in diesem Beispielszenario verschiedenen Parteien gehören? Was ist, wenn die vom Disease Analyst verwendeten Daten zu menschlichem Prostatakrebs im Besitz der Personen mit Prostatakrebs sind und von diesen kontrolliert werden, von denen die Daten gesammelt wurden? Dies ist nicht die Art und Weise, wie die medizinische Einrichtung derzeit arbeitet. Aber zumindest können wir auf technologischer Ebene sagen, dass es keinen Grund gibt, dass die AI-getriebene medizinische Entdeckung monolithisch und zentralisiert sein muss. Ein dezentraler Ansatz, bei dem Intelligenz über mehrere Agenten mit mehreren Eigentümern erzielt wird, die auf sicher verschlüsselten Daten reagieren, ist jetzt technisch realisierbar, indem moderne KI mit Blockchain-Infrastruktur kombiniert wird.

Die Zentralisierung der Analyse und Entscheidungsfindung von KI-Daten in der Medizin wie auch in anderen Bereichen ist zu diesem Zeitpunkt eher aus Gründen der politischen und branchenbezogenen Struktur und Trägheit verbreitet, als weil dies die einzige Möglichkeit ist, die Technologie zum Funktionieren zu bringen.

In diesem Fall wäre es sinnvoll, die ursprüngliche, auf Gesundheitstechnologie ausgerichtete KI, die die genetischen Ursachen von Krebs zu verstehen hat, mit dieser analogen KI und einem Anbieter relevanter Modellorganismusdaten zu verknüpfen, um sie an den analogen Denker weiterzuleiten , um seine Hilfe bei der Lösung seiner Aufgabe zu bekommen.

Im Netzwerk der künstlichen allgemeinen Intelligenz der nahen Zukunft wird die Intelligenz auf zwei verschiedenen Ebenen existieren – den einzelnen KI-Agenten und der kohärenten und koordinierten Aktivität des Netzwerks der KI-Agenten (die Kombination von drei KI-Agenten im obigen Beispiel; und Kombinationen einer größeren Anzahl verschiedener KI-Agenten in komplexeren Fällen). Die Fähigkeit zur Verallgemeinerung und Abstraktion wird in gewissem Maße auch auf beiden Ebenen vorhanden sein. Es wird in einzelnen KI-Agenten wie dem Analogy Master im obigen Beispiel vorhanden sein, die sich eher an der allgemeinen Intelligenz als an der Lösung hochspezialisierter Probleme orientieren. Und es wird im gesamten Netzwerk vorhanden sein, einschließlich einer Kombination aus generalisierungsorientierten KI-Agenten wie dem Analogy Master und speziellen KI-Agenten wie dem Disease Analyst und „Connector“ -KI-Agenten wie dem obigen Data Connector.

Der skalierbare Rollout und die breite Akzeptanz dezentraler KI-Netzwerke stehen noch am Anfang und es gibt viele Feinheiten, die in den kommenden Jahren angetroffen und gelöst werden müssen. Schließlich ist das, was die dezentrale KI-Community benötigt, um ihre mittelfristigen Ziele zu erreichen, grundlegend komplexer als die IT-Systeme, die Google, Facebook, Amazon, IBM, Tencent oder Baidu erstellt haben. Diese Systeme sind das Ergebnis jahrzehntelanger Ingenieursarbeit von Zehntausenden brillanter Ingenieure.

Die dezentrale KI-Community wird nicht mehr Ingenieure einstellen als diese Unternehmen. Aber dann hat Linux Foundation noch nie so viele Ingenieure eingestellt wie Microsoft oder Apple, und jetzt ist es das Betriebssystem Nummer 1, das sowohl dem serverseitigen Internet als auch den Mobil- und IoT-Ökosystemen zugrunde liegt. Wenn der Versuch der Blockchain-KI-Welt, die Entstehung von allgemeiner Intelligenz durch die kooperative Aktivität zahlreicher KI-Agenten mit unterschiedlichem Abstraktionsgrad zu katalysieren, erfolgreich sein soll, muss dies über Community-Aktivitäten geschehen. Diese Gemeinschaftsaktivität muss in hohem Maße selbst organisiert werden. Die Tokenom-Modelle, die vielen dezentralen KI-Projekten zugrunde liegen, sind genau so konfiguriert, dass sie diese Selbstorganisation fördern, indem sie KI-Agenten Anreize bieten, die dazu dienen, die Intelligenz des gesamten Netzwerks zu stimulieren und zu lenken sowie auf ihre individuellen Ziele hinzuarbeiten.

Große, zentralisierte Unternehmen bringen enorme Ressourcen auf den Tisch. Für viele Anwendungen – einschließlich Medizin und Werbung – sind es jedoch nicht Unternehmen, sondern Einzelpersonen, die die Daten auf den Tisch bringen. Und KIs brauchen Daten, um zu lernen. Wenn Blockchain-basierte KI-Anwendungen auftauchen, können große Unternehmen feststellen, dass ihnen ihre einzigartige Kraft entzogen wird.

Möchten Sie lieber eine medizinische Therapie besitzen, die anhand Ihrer medizinischen Unterlagen und genomischen Daten entdeckt wurde? Möchten Sie lieber genau wissen, wie der Inhalt Ihrer Nachrichten und Ihre Surfmuster verwendet werden, um zu entscheiden, welche Produkte Ihnen empfohlen werden sollen? Ich auch.

2020 wird das Jahr sein, in dem diese Vision etwas an Fahrt gewinnt. Wir werden den Beginn einer echten Benutzerakzeptanz für Plattformen sehen, die Blockchain und KI zusammenbringen. Wir werden auf allgemeinere Formen der KI hinarbeiten, die den Personen gehören und von ihnen geleitet werden, die die KI mit den Daten versorgen, die sie zum Lernen und Wachsen benötigen.