Lange versuchten KI-Forscher ihre Software zu Spitzenleistungen in Nischenbereichen hochzuzüchten. Die Künstlichen Intelligenzen sollten besser Schach spielen und sicherer Autofahren als ihre menschlichen Vorbilder. Doch bei der Erkennung von Mustern und Zusammenhängen bleibt die Maschine bis heute weit abgeschlagen. Es scheint schwieriger zu sein ein vierjähriges Kind beim Spielen zu simulieren als einen Großmeister beim Schachspiel.

Kinder haben eine spezielle, explorative Art sich Neues zu erschließen. Nur dadurch sind sie in der Lage auch anhand weniger Beobachtungen Muster, wie Ursache-Wirkung-Beziehungen zu erkennen, für die künstliche Intelligenzen gigantische Datenbanken mit Millionen von Einzelfällen brauchen.

Der Unterschied liegt in der Operationsweise: Beim Umgang mit Neuem setzen KIs meist auf die Analyse von Ergebnishäufungen. Babies hingegen entwickeln, basierend auf ihrem begrenzten Wissen, eigenständig Hypothesen und prüfen diese auf Plausibilität. Entsprechend können Kleinkinder den Sinn von Worten häufig schon beim ersten Hören aus dem Kontext erschließen.

Diese Methode nennt sich in der Lernforschung „Bayesian Learning“. Sie basiert darauf, Schlüsse zu ziehen, statt Häufigkeiten zu bestimmen und auf Basis dieser Schlüsse eigene Konzepte und Theorien über die Welt und ihre Funktionsweise zu entwickeln.

Ein Team von Forschern der New York University und der Toronto University entwickelten auf der Basis dieser Erkenntnisse einen eigenen Algorithmus und erzielten eindrucksvolle Ergebnisse im Bereich der Handschrifterkennung. Statt Buchstaben mit Beispielen aus Datenbanken zu vergleichen, ersetzte die Software einzelne Teile des Buchstabens, um neue Ähnlichkeiten zu finden. Sie lernte spielend.

Allerdings gelang es der Software nicht eigenständig Hypothesen aufzustellen. Der Kern menschlichen Lernens, das Verstehen und Abstrahieren, scheint also weiterhin den Kindern vorbehalten zu sein.