Die Frage einrahmen
Hamming eröffnet mit einer Falle. 'Können Maschinen denken?' klingt wie eine einfache Ja-oder-Nein-Frage. Er argumentiert, dass sie drei separate Probleme verbirgt: Was zählt als Maschine, was zählt als Denken & ob die Frage überhaupt eine sinnvolle Antwort hat.
Er verbrachte ein Jahr damit, das kleinste Programm zu identifizieren, von dem er glauben würde, dass es denken könnte. Nach einem Jahr des Scheiterns kam er zu dem Schluss, dass er die falsche Frage gestellt hatte. Vielleicht ist Denken keine Ja-oder-Nein-Eigenschaft. Vielleicht erlaubt es Abstufungen.
Sein Rahmenwechsel: Anstatt zu fragen 'können Maschinen denken', frage 'in welchem Ausmaß können Maschinen die intellektuellen Lasten des Lebens erleichtern?' Diese Frage zielt direkt auf Nützlichkeit statt auf Metaphysik.
Die Gefahr der Gewissheit
Hamming warnt, dass beide Extreme professionelles Risiko bergen. Glaube, dass Maschinen nicht denken können: Du wirst sie zu wenig nutzen & zurückfallen. Glaube, dass Maschinen offensichtlich denken können: Du wirst sie überschätzen & Systeme bauen, die auf Weisen scheitern, die du nicht erwartet hast.
Keine der beiden Überzeugungen ist sicher. Du musst deine eigene durchdachte Position entwickeln.
Der Turing-Test
Alan Turing schlug 1950 einen Verhaltenstest vor: Wenn eine Person an einem Fernschreiber einen Menschen nicht von einer geeignet programmierten Maschine unterscheiden kann, dann 'denkt' die Maschine: per Definition.
Hamming respektiert die Cleverness des Schachzugs. Turing vermeidet die unbeantwortbare philosophische Frage über innere Erfahrung & ersetzt sie durch ein beobachtbares Verhalten. Das ist gutes wissenschaftliches Gespür.
Aber Hamming hat einen strukturellen Einwand: Turings Test verstößt gegen die wissenschaftliche Standardmethode. Wissenschaft beginnt zuerst mit den einfachsten Problemen, nicht mit den schwersten. Turings Test ist, wie Hamming es ausdrückt, schwer vor leicht. Er bewertet vollständige konversationelle Intelligenz, bevor wir einfaches Lernen oder Regelbefolgung verstehen.
Was nicht in Worte gefasst werden kann
Hammings zentrale Behauptung über Grenzen maschineller Intelligenz: Nicht alles menschliche Wissen lässt sich in Regeln oder Anweisungen übersetzen. Manches Wissen widersetzt sich der Formalisierung: nicht aus Mangel an Mühe oder Intelligenz, sondern weil Verbalisierung nicht das richtige Medium ist.
Expertensysteme der 1980er Jahre versuchten, Expertise als Regelbasis zu erfassen: WENN Symptom-A UND Symptom-B DANN Diagnose-C. Sie funktionierten in engen, gut definierten Domänen. Sie scheiterten an den Grenzen dieser Domänen, wo gerade das stille Wissen erfahrener Praktiker am wichtigsten ist.
Die Intuition des Chemikers darüber, welche Reaktion ablaufen wird, das Gefühl des erfahrenen Schweißers für den richtigen Lichtbogenabstand, das Gespür des Chirurgen, wann Gewebe falsch aussieht: dies sind nicht einfach Regeln, die darauf warten, formuliert zu werden. Hamming argumentiert, dass manche möglicherweise dauerhaft uncodifizierbar sind.
Warum dies für Automatisierung wichtig ist
Regelbasierte Systeme funktionieren sehr gut im Zentrum gut definierter Domänen. Sie scheitern an der Grenze. Erfahrene Praktiker leben an der Grenze. Diese Asymmetrie prägt, was Automatisierung verdrängen kann & was nicht.
Stilles Wissen identifizieren
Michael Polanyis Formulierung dafür: 'Wir wissen mehr, als wir sagen können.' Er verwendete das Beispiel der Gesichtserkennung: Die meisten Menschen erkennen sofort Tausende von Gesichtern, können aber die Regeln, die sie verwenden, nicht beschreiben.
Hamming verbindet dies mit Expertensystemen: Das tiefere Problem ist nicht, dass wir die Regeln noch nicht geschrieben haben; es ist, dass für manche Domänen kein vollständiger Regelsatz existiert.
4×4×4 Tic-Tac-Toe
Hamming verwendet 4×4×4 dreidimensionales Tic-Tac-Toe als sein durchgearbeitetes Beispiel. Das Brett hat 64 Felder & 76 Gewinnlinien. Zweidimensionales Tic-Tac-Toe hat eine bekannte Unentschiedenstrategie; es zeigt keine interessante Intelligenz. Die 4×4×4-Version ist hart genug, um echte Heuristiken zu erfordern.
Die Struktur des Programms
Schritt 1: Aufzählen der erlaubten Züge.
Schritt 2: Bevorzuge 'Hot Spots': Ecken & Zentren haben mehr Gewinnlinien durch sich als Kanten- oder Flächenmittenfelder. Verwende die Zentrum-Ecken-Dualität des Würfels: Es existiert eine Inversion des Würfels, die Ecken in Zentren & Zentren in Ecken überführt, während alle 76 Linien erhalten bleiben.
Schritt 3: Spiele zufällig unter ungefähr gleichwertigen Zügen. Deterministisches Spiel erlaubt einem geduldigen Gegner, deine Strategie zu kartieren & Schwachstellen zu finden. Zufälligkeit verhindert systematische Ausnutzung.
Schritt 4: Wende sequentielle Regeln in Prioritätsreihenfolge an.
Die sequentiellen Regeln in Prioritätsreihenfolge: (1) Gewinne, wenn ein Gewinnzug existiert; (2) Blockiere den Gewinnzug des Gegners; (3) Nimm eine Gabel, falls verfügbar; (4) Blockiere die Gabel des Gegners; (5) Mache erzwingende Züge; (6) Greife auf Heuristiken zurück.
Beachte die Struktur: Deterministische Regeln decken die klar definierten Situationen ab. Heuristiken handhaben alles andere. Die Linie zwischen ihnen ist genau dort, wo stilles Wissen beginnt.
Samuels Damespielprogramm
Arthur Samuel von IBM schrieb ein Damespielprogramm, das berühmt wurde, weil es einen Staatsmeister besiegte. Was es bemerkenswert machte: Es verwendete einen Lernmechanismus. Samuel parametrisierte die Bewertungsfunktion (Gewichtung von Brettkontrolle, Königsvorteil, Mobilität, Steinfesselung etc.), dann ließ er zwei Kopien des Programms gegeneinander spielen, mit leicht unterschiedlichen Parametereinstellungen. Die leistungsfähigere Version überlebte.
Dies ist Parametersuche, nicht Regelentdeckung: aber es stellt Lernen in einem sinnvollen Sinne dar. Das Programm verbesserte sich, ohne dass der Programmierer explizit bessere Regeln schrieb.
Hamming fragt: Zeigte Samuels Programm Originalität, als es überraschende Züge machte? Du kannst nicht beweisen, dass es das tat, aber du kannst genauso wenig beweisen, dass du Originalität in irgendeinem Sinne hast, der das Damespielprogramm ausschließt.
Expertensysteme & ihre Grenzen
Expertensysteme der 1970er-80er Jahre stellten den systematischsten Versuch dar, professionelles Wissen als maschinenausführbare Regeln zu formalisieren. Medizinische Diagnose, geologische Vermessung, Finanzanalyse, Schaltungsdesign: Jede Domäne zog ihr eigenes regelbasiertes System an.
Die Leistung in gut definierten Teilproblemen war oft beeindruckend. Aber die Systeme teilten einen Versagensmodus: Sie funktionierten, bis das Problem außerhalb der Regelabdeckung trat, dann scheiterten sie vollständig. Menschliche Experten degradieren anmutig; Regelsysteme stürzen von einer Klippe.
Die Grundursache, die Hamming identifiziert: Die Personen, die Expertensysteme bauten, hatten keine systematische Möglichkeit zu wissen, was fehlte. Die Experten konnten ihre Regeln artikulieren: aber Experten verwenden ihr uncodifizierbares Urteilsvermögen, um zu entscheiden, welche Regeln gelten in einer gegebenen Situation. Dieses Meta-Level-Urteilsvermögen schaffte es nie ins System.
Die richtige Frage für deine Karriere
Die praktisch nützliche Frage ist nicht 'können Maschinen denken?' Sie lautet: Liegt für jede Aufgabe in deinem Fachgebiet die kritische Schwierigkeit im regelgedeckten Zentrum, oder an der Grenze, wo Urteilsvermögen & stilles Wissen funktionieren? Automatisierung handhabt zuverlässig das Erstere. Sie hat Schwierigkeiten mit dem Letzteren. Deine Karrierestrategie folgt aus dem Unterschied.