Der Weg zum künstlichen Gehirn muss nicht unbedingt über immer mehr Daten, Rechenleistung und Modellgröße führen. Alternativen sind zum Beispiel:

Neuromorphe Systeme

• Inspiration aus der Biologie: Anstatt klassische von-Neumann-Architekturen zu verwenden, ahmen neuromorphe Chips die Struktur und Funktionsweise des menschlichen Gehirns nach.
• Effizienz: Sie sind energieeffizienter und schneller in der Verarbeitung bestimmter Aufgaben, insbesondere im Bereich der Sensorik und des maschinellen Lernens.
• Beispiel: Intel’s Loihi-Chip.

Wissensbasierte und symbolische KI (Hybrid-KI)

• Verknüpfung von Symbolik und Lernen: Die Kombination von maschinellem Lernen mit symbolischen Logiken ermöglicht ein besseres Verständnis von Kausalität und logischen Zusammenhängen.
• Vorteil: Weniger Abhängigkeit von großen Datenmengen und bessere Erklärbarkeit.
• Beispiel: IBM Watson kombiniert symbolische Methoden mit Machine Learning.

Kontextuelles und transferbasiertes Lernen

• Weniger Datenbedarf: Modelle, die aus wenigen Beispielen lernen (Few-Shot Learning, Zero-Shot Learning), kommen mit weniger Trainingsdaten aus.
• Transfer Learning: Vortrainierte Modelle werden auf neue, ähnliche Aufgaben übertragen.
• Beispiel: GPT-Modelle im Zero-Shot-Modus.

https://buchshop.bod.de/strategie-im-ki-zeitalter-joerg-becker-9783758339707