Doc Bernds FutureLab

Can we copy the brain?

Das Gehirn ist eines der faszinierendsten Teile des Körpers und trotz all des bestehenden Wissens bleiben noch viele Fragen offen. Daher habe ich die Xyna Konferenz 2017 unter das Motto „Can we copy the brain“ gestellt. Eine zentrale Frage, die uns schon länger begleitet und mit der wir uns auch aktuell beschäftigen. Besonders relevant sind die beiden Ansätze der Deep Learning Neuronal Networks und des Neuromorphic Computings. Insbesondere der letzte Ansatz, in der Ausführung mit Spiking Neuronal Networks, bietet einen interessanten Ansatz für nichtdigitale algorithmische Intelligenz. Als Vertreter der Deep Learning Networks konnte ich einen der berühmtesten Forscher der künstlichen Intelligenz, Prof. Dr. Schmidhuber, als Sprecher für unsere Xyna Konferenz 2017 gewinnen. Sein Vortrag gewährte den Gästen einen spannenden Einblick über die zukünftige Entwicklung der künstlichen Intelligenz und in seine Forschungsarbeit. Dabei kam er auf seine Vision, in der das Weltall durch Maschinen mit künstlicher Intelligenz erobert würde, zu sprechen.  Seiner maschinenzentrierten und posthumanen Zukunftsvision stellte die Philosophin Prof. Dr. Gehring eine philosophische und ethische Betrachtung des Themas entgegen. Falls Sie noch mehr über unsere diese Konferenz lesen möchten, klicken Sie hier.

Seit 2017 hat sich viel im Bereich der künstlichen Intelligenz getan. Deshalb formuliere ich aktuell die Frage „Can we copy the brain“ um in „Can we support the brain”. Im Gegensatz zur ersten kann die zweite Frage bereits mit Ja beantwortet werden.

Der Ansatz einer datengetriebenen algorithmischen Intelligenz, wie es die AI Ansätze wie z. B. DLN bieten, beinhaltet, dass für deren Training die richtigen Daten in ausreichender Menge zur Verfügung gestellt werden können. Das mag zwar bei der Erkennung von Katzenbildern noch vergleichsweise einfach sein, aber für komplexere Fragestellung nicht trivial. Zentral ist es, die richtige Aufgabenstellung zu definieren und die richtigen Daten mit der notwendigen Quantität und Qualität zu gewinnen. Damit verschiebt sich die Aufgabe von der wissensbasierten Modellbildung hin zur Datengewinnung, oder wie ich es als Physiker beschreiben würde: die Bestimmung der relevanten Parameter mithilfe der dazugehörigen Messverfahren.

Ich widme mich aktuell der Frage, wie bei 5G und XG Mobilfunkverfahren mittels AI das Routing & Beamforming realisiert werden könnte. In diesem Zusammenhang verweise ich auf den Artikel von F. Restuccia und T. Melodia in IEEE Communications Vol. 58 No. 10 S.58.