Ein Unternehmen entwickelt eine KI, die in einem großen Archiv von Texten neue, innovative Ideen entdecken soll.
Die KI soll kreative Verbindungen herstellen und ungewöhnliche Lösungsansätze vorschlagen, um Forschung und Entwicklung zu fördern.
Zunächst liefert die KI viele Vorschläge, doch bald fällt auf: Die meisten Ideen sind sehr konventionell und basieren immer wieder auf denselben bekannten Konzepten.
Ungewöhnliche oder wirklich neuartige Ansätze tauchen kaum auf.
Das Unternehmen fragt sich: Warum erzeugt die KI kaum kreative oder originelle Ideen, sondern bleibt immer bei naheliegenden, vertrauten Mustern?
Frage: Warum neigt eine KI, die auf große Textmengen trainiert wurde, dazu, vor allem naheliegende und vertraute Ideen zu generieren, anstatt wirklich innovative oder überraschende Vorschläge zu machen?
Lösung folgt morgen.
Lösung
Die KI wurde auf vorhandenen Texten trainiert, die überwiegend bekannte, etablierte Ideen und Muster enthalten.
Sie lernt, Zusammenhänge und Wahrscheinlichkeiten basierend auf häufigen Kombinationen und bestehenden Konzepten zu erkennen.
Da wirklich neue, kreative Ideen selten und statistisch ungewöhnlich sind, bewertet die KI diese als weniger wahrscheinlich oder weniger passend.
Das Trainingsziel, die plausibelsten und am besten erklärbaren Vorschläge zu generieren, führt dazu, dass die KI vor allem vertraute, naheliegende Verknüpfungen bevorzugt.
Innovationen, die von bestehenden Mustern stark abweichen, werden von der KI oft nicht als sinnvoll erkannt und daher kaum erzeugt.
Ergebnis: Eine KI, die auf vorhandenen Daten basiert, kann Schwierigkeiten haben, echte Kreativität zu zeigen, weil sie auf Wahrscheinlichkeiten und Bekanntes optimiert ist. Für kreative Anwendungen sind daher spezielle Strategien und Trainingsmethoden nötig, die gezielt ungewöhnliche Kombinationen fördern und belohnen.