„Der Hype um Künstliche Intelligenz ist übertrieben“


Künstliche Intelligenz

Warum Maschinelles Lernen derzeit das Topthema der Robotikforschung ist, der aktuelle Hype um Künstliche Intelligenz aber dennoch übertrieben, erklärt Prof. Dr.-Ing. Torsten Kröger vom KIT.
Quelle: KIT

Was sind derzeit die prägenden Trends der Robotik-Forschung?

Spannend ist vor allem die Schnittstelle aus Maschinellem Lernen und Robotik. Ziel ist, den Programmieraufwand für Roboter zu verringern. Es ist schließlich kein Geheimnis, dass heute bei der Realisierung von Roboterapplikationen mit gängigen Robotersystemen nicht der Roboter selbst und die zugehörige Hardware die Kostentreiber sind, sondern der Programmieraufwand.

Welche Ideen und Ansätze gibt es, um die Programmierung zu vereinfachen?

Zum einen können grafische Oberflächen, mit denen man intuitiv auf einem Tablet Symbole quasi zu einem Ablaufdiagramm zusammen schiebt, die Programmierung vereinfachen. Hier gibt es bereits ganz konkrete Lösungen – etwa von ArtiMinds aus Karlsruhe und Drag&Bot vom Fraunhofer IPA. Und auch die Cobots Franka Emika und Sawyer haben ein ähnliches Prinzip. Einfache Aufgaben kann man damit auch prima umsetzen – aber richtig komplexe Applikationen, etwa schwierige Fügeaufgaben, sind mit diesen Ansätzen nur mit größerem Aufwand zu realisieren. An dieser Stelle kommen dann die Ansätze des Machine Learnings ins Spiel.

Um welche Art des Machine Learnings geht es hier?

Man muss grundsätzlich unterscheiden zwischen Perception, also Wahrnehmung, und Aktuatorik, also Bewegung. In Sachen Wahrnehmung gibt es beim Machine Learning derzeit enorme Durchbrüche. Fast jede Woche gibt es neue Rekorde zu vermelden – beispielsweise, dass die maschinelle Bilderkennung bei statischen Bildern inzwischen besser ist als beim Menschen. Und in drei bis fünf Jahren werden wir vermutlich in der Lage sein, aus einem 2D Bild mit Machine-Learning-Algorithmen auch Tiefeninformationen zu extrahieren – so wie ein Mensch mit nur einem Auge eine Tasse greifen kann. Und natürlich gibt es auch bei der Spracherkennung enorme Fortschritte – siehe Google Home und Amazon Alexa.

Und wie steht es um das Machine Learning bei der Aktuatorik?

Die Aktuatorik ist in der Robotik der kritische Punkt. Denn Robotik bedeutet ja, dass man physisch mit der Welt interagiert. Da gibt es in der Forschung erste Ansätze, Robotern datengetrieben etwas beizubringen. Roboter sollen wie kleine Kinder durch Ausprobieren lernen. Das funktioniert im Labor applikationsspezifisch bereits recht gut – etwa beim Griff in die Kiste, wo sich Roboter mit Lernmethoden selbständig verbessern. Wir sind aber noch sehr weit entfernt von einer generischen Lösung. Zumal ein Lernen durch Ausprobieren gerade in der Robotik seine Grenzen hat.

Inwiefern?

Man lernt ja vor allem durch Fehler gut. Bei Robotern sollte aber auch in der Lernphase – je nach Applikation – nichts schief gehen: Roboter sollten keine Teile kaputtmachen oder gar Menschen verletzten. Man kann in eine Automobilfabrik keine Roboter reinstellen, die erstmal lernen müssen, wie Autos gebaut werden. Erst wenn wir es schaffen, dass Roboter zunächst in der Simulation lernen und dann erst in der realen Welt eingesetzt werden, könnte man lernende Roboter viel universeller einsetzen. Da sind wir aber – zumindest heute – noch nicht.

Der aktuelle Hype um Machine Learning und KI ist also übertrieben?

Unbedingt. Das Thema muss man wirklich auf den Boden der Tatsachen holen. Auch wenn es bei der Bild- und Spracherkennung große Durchbrüche gibt, sind wir eben bei der Aktuatorik – also wenn sich Systeme bewegen und mit ihrer Umgebung physisch interagieren – noch sehr weit von Durchbrüchen entfernt. Wir wissen noch nicht einmal, ob die aktuellen Methoden des Machine Learning hier die richtigen sind. Denn die Methoden skalieren derzeit noch nicht. Die Hollywood-geprägte Erwartungshaltung an intelligente, autonome Robotern können wir kurz- und mittelfristig in keinster Weise erfüllen. Letztlich sollte man auch mit dem Begriff Künstliche Intelligenz vorsichtig sein: Machine Learning sind schlicht und einfach Software-Algorithmen, die aus Daten lernen. Punkt. Das hat noch nichts mit künstlicher Intelligenz oder gar menschlicher Intelligenz zu tun.

Werden wir den generisch autonomen und intelligenten Roboter also gar nie haben?

Nie würde ich nicht sagen, das wäre zu pessimistisch. Aber ich bin mir nicht sicher, ob ich das in meinem Leben noch erleben werde. Zumindest aus heutiger Sicht.

Sie waren lange Leiter der Robotics Software Division bei Google [X]. Was braut sich im Silicon Valley in Sachen Robotik zusammen?

Schwer zu sagen: Es gibt zwar an die 100 Robotik Startups im Silicon Valley und viel Venture Capital. Aber noch ist im Silicon Valley nichts Bedrohliches herangewachsen, was sicher auch der Mentalität der Investoren geschuldet ist. Die Investoren im Silicon Valley denken in einen Zeitraum von zwei Jahren. Aber in zwei Jahren ist es einfach schwierig, eine zertifizierte und sichere Robotersteuerung zu bauen – egal wieviel Geld und Manpower man hat. Zudem wird im Silicon Valley das Thema Qualität und Safety oft zu sehr vernachlässigt, man hängt dort noch zu sehr an der „Android-Denke“. Wenn beim Android Smartphone ein Fehler passiert, dann stürzt eben die App ab oder der Anruf wird unterbrochen. Beim Roboter kann ein Fehler Menschenleben kosten. Das sind zwei völlig unterschiedliche Konsequenzen, die daher eine andere Herangehensweise erfordern. Natürlich kann man mit der Android-Denke viel schneller erste Ergebnisse liefern und nach wenigen Monaten ein sexy Video drehen, wo der Roboter fantastische Sachen macht. Aber wenn man dies in marktfähige Produkte gießen will, läuft man mitunter Gefahr, in einer Sackgasse zu enden.

Kommt dann das Next Big Thing eher aus China?

Das ist viel wahrscheinlicher. Erstens haben die Chinesen das Thema Safety erkannt und nehmen es – anders als vor zwei bis drei Jahren – inzwischen ernst. Und auch beim Thema Machine Learning sind die Chinesen mit den Amerikanern gleichauf oder gar überlegen – zumindest auf der akademischen Seite: Zum Thema Machine Learning kommen derzeit mehr wissenschaftliche Papiere aus China als aus den USA. In China wächst also eine ganz neue Generation von Ingenieuren heran, die Machine Learning versteht. Zudem wir das Thema vom Staat strategisch gesteuert. Und für strategisch wichtige Themen stellt China solche Ressourcen bereit, dass es mich nicht wundern würde, wenn wir in fünf Jahren einige spannende Robotik-Innovationen aus China sehen.

Prof. Dr.-Ing. Torsten Kröger ist einer der erfolgreichsten deutschen Robotik-Forscher. Er hat TU Braunschweig promoviert und das mehrfach ausgezeichnete Startup Reflexxes gegründet, das recht schnell von Google gekauft wurde. Bei Google [X] war Torsten Kröger dann Leiter der Robotics Software Division und koordinierte zudem die Forschungsaktivitäten in Sachen Robotik und maschinellen Lernen zwischen DeepMind, Google Research und Google [X]. Darüber hinaus arbeitete er als Gastwissenschaftler an der Universität Standford. Seit 2017 ist Torsten Kröger Leiter des Instituts für Anthropomatik und Robotik (IAR) sowie Intelligente Prozessautomation und Robotik (IPR) am KIT in Karlsruhe.

Was sich in Sachen Robotik im Silicon Valley tut, berichtet Prof. Dr.-Ing. Torsten Kröger am Dienstag, den 19. Juni um 14:30 auf dem automatica Forum

Quelle: KIT