DIKW-Pyramide, auf welche Ebene hat die KI aufgestiegen?

Sie haben vielleicht noch nie von der DIKW-Pyramide gehört, aber die Verachtung, die dieser Turm ausstrahlt, muss Sie schon einmal berührt haben.

Ein Spielemoderator beschrieb einmal seine Vorhersage: Das Publikum sah nur das zweite Level und dachte an das erste Level, aber tatsächlich war ich auf dem fünften Level. Daher beschrieben Internetnutzer einige unerwartete Vorgänge: „Diese Welle, diese Welle ist in der Atmosphäre.“

Obwohl diese Aussage etwas humorvoll klingt, ergibt sie aus wissenschaftlicher Sicht durchaus Sinn.

Die DIKW-Pyramide ist eine hierarchische Struktur des menschlichen Verständnisses, Denkens und Interpretierens, nämlich: Daten (ein Rohdatensatz an Fakten), Informationen (strukturierte Daten, die analysiert und gemessen werden können), Wissen (Lernen erfordert Einsicht und Verständnis) und Weisheit (Handlungsleitfaden).

Diejenigen, die an der Spitze der DIKW-Pyramide stehen, entsprechen den Topspielern, die alle Level durchlaufen haben. Nur wenn sie die Daten beherrschen, sie zu Informationen organisieren, sie als Wissen verstehen und in Weisheit umwandeln, können sie mit göttlicher Hilfe handeln. Zhuge Liang war ein einfallsreicher Mann, der alle seine Tricks mit Leichtigkeit anwenden konnte. Er war definitiv ein „Mann mit großem Charakter“.

Die DIKW-Pyramide gilt für Menschen, aber gilt sie auch für KI? Die Antwort ist ja.

Wenn KI auch eine Kette der Verachtung aufweist, wird die datenbasierte KI definitiv von der wissensbasierten KI vernichtet werden.

Dies liegt daran, dass KI eine Wissenstechnologie ist. KI ist eine wissensbasierte Technologie. Daher ist der Entwicklungsprozess von der primären künstlichen Intelligenz zur fortgeschrittenen künstlichen Intelligenz und zur allgemeinen künstlichen Intelligenz auch ein Prozess des Erklimmens der DIKW-Pyramide.

In den letzten Jahren haben sich viele akademische und industrielle Kräfte im Bereich der KI vom Brute-Force-Computing, bei dem „Daten Wunder bewirken“ im Vordergrund steht, zu höheren Ebenen der „Wissenspyramide“ bewegt und das Wissenscomputing als führenden zukünftigen Trend bei KI-Anwendungen gefördert.

Man kann sagen, dass wir uns in einer kritischen Phase des Übergangs zur wissensbasierten KI befinden. KI hat bereits jeden Aspekt Ihres und meines Lebens beeinflusst. Daher ist es notwendig, darüber zu sprechen, welche Änderungen KI mit sich bringen wird, wenn sie die DIKW-Pyramide hinaufklettert.

Das Pendel kehrt zurück: Die Renaissance des Rationalismus

Die Anwendung von Wissen auf maschinelle Intelligenz ist nichts Neues. Schon im letzten Jahrhundert begannen die Menschen, sich mit der Wissensinformatik auseinanderzusetzen und diese in Beruf und Privatleben umfassend einzusetzen.

Seit der Geburt der KI haben sich die beiden großen Denkschulen Rationalismus und Empirismus gegenseitig ergänzt, sind gewachsen und haben an Bedeutung verloren. Gemeinsam ist ihnen die Überzeugung, dass maschinelle Intelligenz zunächst über Wissen verfügen muss und dass Wissen der Kern der Intelligenz ist. Ihre Unterschiede liegen in ihrem unterschiedlichen Verständnis und ihrer Art, Wissen zu erlangen.

Mit der Entwicklung dieser beiden Schulen hat sich die Kombination von Wissen und KI auf zwei Arten manifestiert.

Eine davon ist eine rationalistische Kombination, bei der Menschen Wissen liefern und Maschinen für die Berechnungen zuständig sind.

Der Rationalismus geht davon aus, dass die menschliche Intelligenz angeboren und vererbt ist. Um maschinelle Intelligenz zu realisieren, müssen wir die Funktionsweise des menschlichen Gehirns verstehen, dieses Wissen zusammenfassen und dann Menschen der Maschine sagen lassen, was sie tun soll.

Eine typische Anwendung ist ein Expertensystem.

Menschliche Experten fassen Wissen zusammen und Computer lernen auf der Grundlage der Wissensbasis des Expertensystems. Dieser Ansatz ist sehr interpretierbar. Seit der erfolgreichen Entwicklung des weltweit ersten Expertensystems, des chemischen Expertensystems DENDRAL im Jahr 1968, erfreuen sich frühe Expertensysteme, die sich auf ein einzelnes Gebiet konzentrierten und Experten beim Durchführen von Schlussfolgerungen und Analysen imitierten, großer Beliebtheit und werden in vielen industriellen Computerszenarien wie Industrie, Landwirtschaft, Medizin, Meteorologie, Transport und Militär breit eingesetzt.

Allerdings können Expertenmaschinen nur in bestimmten Bereichen eingesetzt werden und die Kosten für ihre Herstellung sind sehr hoch. Darüber hinaus ist es aufgrund der kognitiven Grenzen von Experten noch unwahrscheinlicher, dass Maschinen das Wissen erlernen, wenn Menschen es nicht gefunden haben oder es nicht ausdrücken können.

Daher hat sich seit den 1990er Jahren bis heute eine andere Methode zur Kombination von KI und Wissen durchgesetzt: der Empirismus.

Ein Klassifikator wird manuell von Menschen erstellt und Entwickler müssen die Antwort nicht im Voraus kennen. Die Maschine stützt sich nicht auf Wissen, das von menschlichen Experten nicht beschrieben werden kann und nur verstanden, aber nicht in Worte gefasst werden kann. Es kann gemäß seinem eigenen Betriebsmechanismus Wissen aus Daten extrahieren und Modellparameter anhand großer Datenmengen trainieren und so eine Intelligenz demonstrieren, die die des Menschen übertrifft.

Das repräsentativste Beispiel hierfür ist Deep Learning.

Basierend auf leistungsstarken Daten, Rechenleistung und neuronalen Netzwerken kann Google Brain Daten durch Training ohne menschliche Hilfe in Wissen umwandeln, ohne das Wort „Katze“ zu kennen. Nachdem es sich Millionen von Bildern angesehen hat, kann es die grundlegenden Merkmale von Katzen selbst extrahieren, da es weiß, dass Katzen pelzige (hier werden einige Adjektive ausgelassen) Lebewesen sind, und kann dann Katzen erfolgreich in einem Stapel von Fotos identifizieren.

Obwohl die KI auf der Grundlage riesiger Datenmengen das relevante Wissen nicht wirklich versteht und beherrscht, d. h. „sie kennt die Ergebnisse, aber nicht die Gründe“, und es unmöglich ist, menschliche Experten wirklich zu ersetzen, kann sie komplexe Mustererkennungsprobleme in einfachere Mustererkennungsprobleme zerlegen und bei einigen spezifischen Aufgaben bessere und effizientere Ergebnisse erzielen als der Mensch. Sie hat dabei große Fortschritte erzielt. Deep Learning gilt auch als Höhepunkt des Empirismus und als Kern der dritten Welle der KI.

Es gibt jedoch einen wesentlichen Unterschied zwischen datenbasierter KI und wissensbasierter KI. Das berühmte Moravec-Paradoxon hat schon lange auf dieses Problem hingewiesen. Da Maschinen implizites Wissen nicht wie Menschen in Gedanken und Handlungen integrieren und so eine hochentwickelte Intelligenz entwickeln können, sind sie zu Giganten der Logik und Zwergen des gesunden Menschenverstands geworden. Bei manchen schwierigen Problemen, wie etwa Go, können sie Menschen übertreffen, bei sehr einfachen kognitiven Problemen ist ihre Leistung jedoch tatsächlich schlechter als die von vier- oder fünfjährigen Kindern.

Eine der Lösungen wird vom Rationalismus befürwortet, nämlich Maschinen zu ermöglichen, Wissen zu verstehen und wie echte Menschen zu denken.

Wie Churchill in „Das Pendel schwang zu weit“ vorhersagte, ist die KI zu weit vom Empirismus abgewichen und wird in Zukunft schneller zum Rationalismus zurückkehren. Das Tempo der Wiederbelebung des Rationalismus nimmt zu.

Der Ruf der Branche: Die Welle der Digitalisierung und das Licht des Wissens

Vielleicht glauben Sie, dass Empirismus und Rationalismus lediglich ein Streit zwischen Denkschulen in der Wissenschaft sind und nichts mit den einfachen Leuten und der industriellen Welt zu tun haben.

Tatsächlich verlangen im Zuge der industriellen Intelligenz immer mehr Branchen und Organisationen nach wissensbasierter KI. Dies liegt daran, dass:

Die Modellentwurfsphase erfordert ein wissensbasiertes Verständnis.

Wir wissen, dass die KI begonnen hat, die Labore und Elfenbeintürme zu verlassen und in Tausende von Branchen Einzug zu halten, und dass sie begonnen hat, sich in die physikalische und biologische Welt zu integrieren. Die Daten in diesen Feldern bestehen jedoch nicht ausschließlich aus Einsen und Nullen.

Wenn KI beispielsweise die Proteinstruktur vorhersagt, handelt es sich bei jedem Protein nicht nur um einfache Bilddaten, sondern es steckt eine spezifische Bedeutung dahinter. Es gibt eine ganze Reihe biologischer Logiken und Wissenssysteme, die erklären, wie unterschiedliche Moleküle miteinander in Beziehung stehen, wie sie miteinander interagieren und nach welchen Prinzipien sie miteinander verbunden sind. Wenn Ihnen Kenntnisse der Pharmawissenschaften fehlen und Sie beim Entwurf eines Modells einen rein datengesteuerten Ansatz verwenden, ist das von Ihnen erstellte Modell wahrscheinlich nicht effektiv.

Wenn wir also wollen, dass KI-Modelle in der Industrie wirklich eine Rolle spielen, müssen wir die Mechanismusmodelle der tatsächlichen Arbeit, des Expertenwissens usw. kombinieren und sie in eine mathematische Sprache umwandeln, die die KI verstehen, verarbeiten und analysieren kann.

Während der Modelltrainingsphase werden wissensbasierte Daten benötigt.

In der industriellen KI steckt in den Daten oft eine große Menge an Informationen, also nicht darstellbares oder nicht darstellbares Wissen, das sich oft in Form von Expertenerfahrung oder Meister-Lehrling-Vererbung widerspiegelt. Um ein effektiveres Industriemodell zu trainieren, ist nicht nur eine große Menge vollständiger Daten erforderlich, sondern auch die Fähigkeit, die Wissensbeziehungen zwischen den Daten genau zu beschreiben, sodass aus den Daten mehr nützliches Wissen extrahiert werden kann.

Nehmen Sie die Empfehlungsalgorithmen, denen wir in unserem täglichen Leben begegnen. Herkömmliche Empfehlungsalgorithmen empfehlen, was den Benutzern gefällt, wodurch es leicht wird, in einen Informationskokon zu fallen. Ein inländisches Forschungsteam hat den Wissensgraphen der Lebensmittelernährungswissenschaft mit einem Empfehlungsalgorithmus kombiniert und erstellt auf Grundlage von Benutzerfeedbackdaten wie Klickvolumen, Interessenpräferenzen, körperlichen Daten usw. in Kombination mit Gesundheitswissen Kombinationen und Empfehlungen.

Wissensbasierte Daten können dabei helfen, hochwertige Algorithmen zu erstellen, die die menschliche Natur besser verstehen. Nehmen Sie als Beispiel das oben erwähnte Empfehlungssystem. Im Vergleich zu Algorithmen, die sich ständig an den Benutzern orientieren, bietet es eine Option, die sowohl den Geschmacksvorlieben als auch den Anforderungen des Gesundheitsmanagements gerecht wird. Stellen Sie sich noch einmal vor: Wenn KI die Verhaltensdaten von Essenslieferanten mit dem gesunden Menschenverstand der Menschen kombinieren könnte, ließe sich vielleicht das interne Dilemma lösen, das durch die immer kürzer werdende Lieferzeit entsteht.

Während der Modellimplementierungsphase ist auf Wissen basierendes Vertrauen erforderlich.

Die praktische Anwendung von KI-Modellen hängt in hohem Maße von ihrer Zuverlässigkeit ab: Erstens von der Glaubwürdigkeit, also davon, ob die Ergebnisse von den Menschen als vertrauenswürdig eingestuft werden. Deep Learning ist durch das Problem der Erklärbarkeit eingeschränkt und genießt in Spezialbereichen wie der Medizin nicht das gleiche Vertrauen wie menschliche Experten. Zweitens die Zuverlässigkeit, also ob das Produkt auch bei Störungen eine gute Leistung erbringt, also die Lösung des Robustheitsproblems.

Professor Zhang Bei, Mitglied der Chinesischen Akademie der Wissenschaften und Dekan des Instituts für Künstliche Intelligenz an der Tsinghua-Universität, schlug einmal vor, dass künstliche Intelligenz für industrielle Anwendungen fünf Bedingungen erfüllen müsse: umfangreiche Daten oder Kenntnisse, vollständige Informationen, deterministische Informationen, statische Umgebung und spezifisches Feld oder einzelne Aufgabe. Wenn eine dieser fünf Bedingungen nicht erfüllt ist, wird die Industrialisierung der KI sehr schwierig sein.

Eine der Ideen zur Lösung dieses Dilemmas ist das Wissenscomputing. Es ermöglicht KI-Systemen, Wissen zu verstehen und vernünftiges Denken zu erlernen, wodurch das Modell vertrauenswürdig und äußerst zuverlässig wird.

Um die Glaubwürdigkeit und Überzeugungskraft der Suchmaschinenergebnisse zu verbessern, kombinierte Google zuvor NLP mit Wissensgraphen zum Lernen. Wenn der Suchende einige Artikel findet, in denen erwähnt wird, dass „XX in China gearbeitet hat“, und diese Information in die Wissensdatenbank integriert wird, um zu zeigen, dass XX für das China Trade Council gearbeitet hat, das ein Büro in Peking hat, dann wird die Glaubwürdigkeit von „XX hat in China gearbeitet“ erheblich verbessert.

Wenn das autonome Fahrsystem beispielsweise aus umfangreichen Textinformationen einige grundlegende Informationen zum Fahren extrahiert und lernt, wie etwa „Ein großer LKW blockiert die Sicht nach vorn, seien Sie also vorsichtig, da jemand plötzlich auf Sie zukommen und Sie anfahren könnte“, wird das Verständnis dieser grundlegenden Informationen zweifellos das Vertrauen der Menschen in die Sicherheit des autonomen Fahrens erheblich steigern.

Die Modellanwendungsphase erfordert wissensbasiertes Computing.

Ein großer Engpass der aktuellen industriellen Intelligenz sind die hohen Kosten für Rechenleistung. Große tiefe neuronale Netzwerksysteme erfordern viele Rechenressourcen, um komplexe Aufgaben zu bewältigen. Eine Studie der University of Massachusetts zeigt, dass beim Trainingsprozess mehrerer gängiger KI-Modelle im großen Maßstab mehr als 280.000 Kilogramm Kohlendioxid ausgestoßen werden, fast das Fünffache der Lebenszyklusemissionen eines durchschnittlichen Autos.

Vereinfacht ausgedrückt: Der Mensch ist beim Denken (was auch eine Art Wissensberechnung ist) sehr energieeffizient. Der Psychologe Kahneman schlug in „Schnelles Denken, langsames Denken“ vor, dass das menschliche Gehirn entweder langsameres rationales Denken mithilfe von System 2 durchführen oder System 1 verwenden kann, um basierend auf verinnerlichtem Wissen unbewusste, schnelle Berechnungen ähnlich dem Muskelgedächtnis durchzuführen, wobei das Gehirn sehr wenig Energie verbraucht.

Die Erstellung wissensbasierter KI-Modelle wird in Zukunft ebenso wie die Aktivierung von Gehirnarealen zu einer wichtigen Methode des Green Computing werden, um die nachhaltige Entwicklung industrieller Intelligenz sicherzustellen.

Es ist nicht schwer zu erkennen, dass die Kombination von Branchenwissen und KI-Computing nicht nur theoretisch ein unvermeidlicher Schritt in der Technologieentwicklung ist, sondern auch in der Praxis ein unverzichtbarer Schritt in der KI der Branche.

Als praktische Technologie kann KI den langfristigen Wert der Technologie nur dann verdichten und die dritte Welle der künstlichen Intelligenz vorantreiben, wenn sie Branchenwissen wirklich akzeptiert und integriert und im neuen Zeitalter Computerleistung und Wissen in Produktivität umwandelt.

Ein schwieriger Aufstieg: Wie viele Schritte sind es von der Datenebene zur Wissensebene?

Über die Perspektiven einer Technologie zu sprechen, ohne die Anwendungsbedingungen zu berücksichtigen, ist leeres Gerede. Auch wissensbasierte KI erfordert Voraussetzungen. Es werden mindestens mehrere Eigenschaften benötigt:

1. Genauigkeit der Wissensdarstellung.

Damit KI Wissen verstehen und zur Lösung komplexer Probleme der realen Welt nutzen kann, müssen diese Inhalte zunächst in eine mathematische Sprache umgewandelt und in einen datenbasierten Pfad umgewandelt werden, den KI lösen kann.

Es gibt jedoch viele Arten von Wissen, die in einem KI-System dargestellt werden müssen, und es ist nicht einfach, sie umfassend und genau darzustellen.

Darunter gibt es deklaratives Wissen, das leicht darzustellen ist, prozedurales Wissen darüber, wie etwas zu tun ist; es gibt auch Wissen, das nicht leicht zu beschreiben ist, wie etwa heuristisches Wissen, das auf der Grundlage der Erfahrungen von Experten auf einem bestimmten Gebiet zusammengefasst wird und möglicherweise nicht ganz korrekt ist; und strukturelles Wissen, das konzeptionelle Beziehungen darstellt, wie etwa die Interaktion zwischen Molekülen, die der Mensch derzeit noch nicht vollständig versteht.

Die Genauigkeit der Wissensrepräsentation wird einen direkten Einfluss darauf haben, ob Maschinen so intelligent sein können wie Menschen.

2. Vielfalt der Wissensargumentation.

Der größte Unterschied zwischen Menschen und anderen Arten besteht in der Denkfähigkeit, insbesondere im kreativen Denken. Die Kernkompetenz des Knowledge Computing liegt in der Schlussfolgerungsfähigkeit, die auf der Grundlage vorhandener Darstellungsstrukturen entsprechendes neues Wissen generiert und kreative Erkenntnisse für die Branche liefert.

Ein solches Szenario ist durchaus vorstellbar: die Einrichtung einer riesigen Wissensdatenbank, in der das Wissen gespeichert wird, das der Mensch zur Erledigung verschiedener Aufgaben benötigt. KI muss nicht mehr für jedes spezifische Szenario oder jeden spezifischen Datensatz speziell trainiert werden. Es kann wie ein wirklich intelligenter Mensch sein, der in der Lage ist, aus einem Fall auf den anderen Rückschlüsse zu ziehen, mühelos Schlussfolgerungen und Analysen durchzuführen und mit verschiedenen komplexen Aufgaben in der realen Welt fertig zu werden.

3. Automatisierung des Wissenserwerbs.

Der Aufbau einer Common-Sense-Datenbank ist keine leichte Aufgabe und wird auch als „Manhattan-Projekt der KI“ bezeichnet. Insbesondere angesichts der enormen Datenmengen, die durch die Informationsexplosion entstehen, müssen Maschinen die Aufgabe übernehmen, Informationen in Wissen umzuwandeln. Um die Effizienz der Wissensaneignung zu verbessern, ist die Automatisierung zu einer harten Nuss geworden.

Durch den Einsatz automatisierter Methoden zum Erwerb neuen Wissens können Sie die Iteration von KI-Wissenssystemen beschleunigen, eine automatische Aktualisierung von Modellen realisieren und die Zeit zum Erstellen branchenweiter Wissensgraphen verkürzen.

4. Hohe Effizienz bei der Wissensanwendung.

Die Methoden zur Wissensansammlung, -anwendung und -verwaltung sind in den verschiedenen Branchen sehr unterschiedlich, sodass es für Unternehmen nicht realistisch ist, einen eigenen Satz personalisierter Tools zu entwickeln. Wenn Wissensinformatik in der Industrie implementiert werden soll, sind daher auch eine Reihe standardisierter Tools erforderlich, die Funktionen wie Wissenssuche, Hochleistungsabfragen und visuelle Analysen bereitstellen, um die Effizienz des Knowledge Mining zu verbessern.

Da es sich um eine neu entstehende Technologierichtung handelt, sind zukunftsorientierte, plattformbasierte Technologieunternehmen und -organisationen erforderlich, um Infrastrukturen aufzubauen und Funktionsschnittstellen zu verschiedenen Branchen und Unternehmen zu öffnen.

Daten und Informationen beschreiben die Welt, Wissen und Weisheit verstehen die Welt. Aus dieser Perspektive gilt: Je höher die Stufe der KI in der DIKW-Pyramide, desto stärker sind ihre Fähigkeiten und desto näher kommt sie der starken künstlichen Intelligenz. Dieser Weg nach oben ist nicht einfach, aber er ist der einzige Weg, die Industrialisierung der KI und die KI der Industrie zu erreichen.

Wenn die KI schließlich die Spitze der Pyramide erreicht und wahre Weisheit erlangt, werden wir nicht mehr sicher sein, ob die KI das intelligenteste Objekt auf der Erde sein wird. Mit anderen Worten: Befinden sich die Menschen noch immer auf der höchsten Ebene der Weisheit?

Wie Eliot in seinem Gedicht schrieb: „Wo ist die Weisheit, die wir im Wissen verloren haben? / Wo ist das Wissen, das wir in der Information verloren haben?“

Es gab einmal eine Zeit, in der Weisheit etwas war, das nur dem Menschen eigen war und den Menschen als das intelligenteste Lebewesen auf der Erde darstellte. Im digitalen Zeitalter eignen sich viele Menschen immer weniger Wissen an und denken proaktiver. Sie sind zunehmend in einen riesigen Ozean fragmentierter Daten und Informationen eingetaucht.

Während wir beobachten, wie die KI an die Spitze der Pyramide klettert, ist es vielleicht wichtiger, wachsam zu bleiben und nicht zuzulassen, dass der Mensch an die Basis der Pyramide abrutscht.