Teil 1: Eine realistische Einschätzung des Fortschritts bei der Künstlichen Intelligenz

Seien wir ehrlich - wir lieben aufregende Ankündigungen. Warum sollte man über die kleinen technischen Verbesserungen eines bestimmten Systems der künstlichen Intelligenz (KI) sprechen, wenn man den kommenden Einzug der allgemeinen künstlichen Intelligenz (AKI) prognostizieren kann? Wenn man sich jedoch zu sehr auf die AKI konzentriert, läuft man Gefahr, viele inkrementelle Verbesserungen in diesem Bereich zu übersehen, ähnlich wie bei der Konzentration auf den Zeitpunkt, wann Autos buchstäblich selbst fahren können, die Gefahr besteht, dass man all die inkrementellen Fahrhilfen übersieht, die ständig in Autos eingebaut werden.

DeepMind an vorderster Front

Die Berichterstattung über AlphaGo, das System von DeepMind, das die Performance des professionellen Go-Spielers Lee Sedol übertreffen konnte, war ein Wendepunkt. Jetzt gibt es AlphaZero, AlphaFold und mehr. DeepMind erzielte unglaubliche Fortschritte und hat dabei gezeigt, wie KI auf reale Probleme angewendet werden kann. So sagte AlphaFold beispielsweise voraus, wie sich bestimmte Proteine falten werden. Durch die genaue Kenntnis der Form bestimmter Proteine eröffnete sich ein enormes Potenzial für unsere Überlegungen hinsichtlich bestimmter medizinischer Behandlungen.

Der Covid-19-Impfstoff, der mit mRNA hergestellt wird, basiert weitgehend auf der Form des spezifischen "Spike-Proteins". Das allgemeine Problem der Proteinfaltung war etwas, mit dem sich Menschen seit mehr als 50 Jahren beschäftigten.

DeepMind hat jedoch kürzlich ein neues "generalistisches" KI-Modell namens Gato vorgestellt. Stellen Sie sich das so vor: AlphaGo konzentriert sich speziell auf das Go-Spiel, AlphaFold konzentriert sich auf die Proteinfaltung - das sind keine generalistischen KI-Anwendungen, da sie sich speziell auf eine einzige Aufgabe konzentrieren. Gato kann :

• Atari-Videospiele spielen
• Bildunterschrift
• Chat
• Blöcke mit einem echten Roboterarm stapeln

Insgesamt konnte Gato 604 Aufgaben erledigen. Dies unterscheidet sich deutlich von spezifischeren KI-Anwendungen, die auf bestimmte Daten trainiert werden, um nur eine Sache zu optimieren.

Zeichnet sich nun AKI am Horizont ab?

Um es deutlich zu sagen: Die vollständige AKI liegt deutlich über allem bislang Erreichten. Es ist möglich, dass der von Gato eingeschlagene Weg in einer größeren Dimension zu etwas führt, das näher ist als alles, was die AKI erreicht hat. Es ist aber auch möglich, dass eine größere Dimension ins Leere führt. AKI erfordert möglicherweise Durchbrüche, die noch nicht feststehen.

Die Menschen lieben es, sich über KI und ihr Potenzial 'aufzuregen'. In den vergangenen Jahren waren die Entwicklung von GPT-3 von OpenAI und der Bildgenerator DALL-E von großer Bedeutung. Beides waren große Errungenschaften, aber keine von beiden hat dazu geführt, dass die Technologie zu einem Verständnis auf menschlichem Niveau führte. Es ist auch nicht bekannt, ob die in beiden verwendeten Ansätze in Zukunft zu AKI führen könnten.

Wenn wir nicht sagen können, wann die AKI kommen wird, was können wir dann sagen?

Auch wenn es schwierig, wenn nicht gar unmöglich ist, große Durchbrüche wie die AKI mit Sicherheit vorherzusagen, so hat der Fokus auf die KI im Allgemeinen einen unglaublichen Aufschwung erlebt. Der kürzlich veröffentlichte Stanford KI-Index-Bericht ist äußerst nützlich, da er Aufschluss gibt über:

1. Das Ausmaß der Investitionen, die in diesen Bereich fließen. Investitionen sind in gewissem Sinne ein Maß für das "Vertrauen", denn es muss der begründete Glaube bestehen, dass sich aus diesen Bemühungen eine produktive Tätigkeit ergeben könnte.

2. Der Umfang der KI-Aktivitäten und die Tatsache, dass die Aktivitäten durchgängig bessere Kennzahlen aufweisen.

Das Wachstum der KI-Investitionen

Ein Blick auf die nachstehende Abbildung 1 zeigt, dass die Entwicklung des Investitionswachstums überwältigend ist. Wir wissen natürlich, dass dies zum Teil auf die Begeisterung und das Potenzial der KI selbst zurückzuführen ist, aber auch auf das allgemeine Umfeld. Die Tatsache, dass in den Jahren 2020 und 2021 so hohe Zahlen vorgelegt wurden, könnte darauf zurückzuführen sein, dass die Kapitalkosten minimal waren und das Geld auf der Jagd nach spannenden Geschichten mit potenziellen Gewinnen war. Nach heutigem Kenntnisstand lässt sich nur schwer vorhersagen, ob die Zahl für das Jahr 2022 höher sein wird als die für das Jahr 2021.

Interessant ist auch ein Blick auf die Entwicklung der Investitionskomponenten:

• Das Jahr 2014 wurde durch das "öffentliche Angebot" definiert, das in den anderen Jahren im Vergleich zu den Gesamtwerten im Allgemeinen weniger umfangreich war.

• Die Haupteinflussfaktor des stetigen Investitionswachstums lag auf der privaten Seite, so dass Abbildung 1 eindeutig den zyklischen Aufschwung der privaten Investitionen zeigt, der zugegebenermaßen nicht notwendigerweise bis in die 2020er Jahre hinein einen geradlinigen Aufwärtstrend aufweisen wird.

Welche Aktivitäten werden mit dem Geld finanziert?

Die Gesamtinvestitionssummen sind eine Sache, konkreter wird es, wenn man die einzelnen Tätigkeitsbereiche betrachtet. Die nachstehende Abbildung 2 ist in dieser Hinsicht hilfreich und vermittelt ein Gefühl für die Veränderungen im Jahr 2021 im Vergleich zu 2020.

• Im Jahr 2021 werden die Bereiche "Datenmanagement, -verarbeitung, Cloud", "Fintech" und "Medizin und Gesundheitswesen" mit jeweils über 10 Mrd. USD an der Spitze stehen.

• Es ist bemerkenswert, dass in den Daten für das Jahr 2020 (violett) der Bereich "Medizin und Gesundheitswesen" mit rund 8 Mrd. USD an der Spitze steht. Der relative Anstieg gegenüber dem Vorjahr bei "Datenmanagement, -verarbeitung, Cloud" und "Fintech" wird dadurch noch deutlicher.

Abbildung 2: Private Investitionen in KI nach Schwerpunktbereichen, 2020 vs. 2021

Wird die KI technisch besser?

Dies ist eine faszinierende Frage, deren Antwort nahezu unendlich tiefgründig sein könnte und in einer unbegrenzten Reihe von wissenschaftlichen Abhandlungen behandelt werden würde. Wir können hier feststellen, dass es sich um zwei unterschiedliche Bemühungen handelt:

1. Entwerfen, Programmieren oder anderweitiges Erstellen der spezifischen KI-Implementierung.

2. Wir müssen herausfinden, wie wir am besten testen können, ob es tatsächlich das tut, was es tun soll, oder ob es sich mit der Zeit verbessert.

Besonders interessant finde ich die "semantische Segmentierung". Das klingt wie etwas, das nur ein Akademiker jemals sagen würde, aber es bezieht sich auf das Konzept, dass man auf einem Bild eine Person sieht, die Fahrrad fährt. Sie möchten, dass die KI in der Lage ist, zu erkennen, welche Pixel die Person und welche Pixel das Fahrrad darstellen.

Wenn Sie denken, dass es egal ist, ob eine hochentwickelte KI in einem solchen Bild die Person von dem Fahrrad unterscheiden kann, dann räume ich ein, dass dies vielleicht nicht die hochwertigste Anwendung ist. Stellen Sie sich jedoch ein Bild eines inneren Organs auf einem medizinischen Bild vor - denken Sie jetzt an den Wert der Segmentierung von gesundem Gewebe im Vergleich zu einem Tumor oder einer Läsion. Können Sie sich vorstellen, welchen Wert das haben könnte?

Der Stanford KI-Index-Bericht schlüsselt spezifische Tests auf, die den Fortschritt von KI-Modellen in Bereichen wie diesen messen sollen:

• Computer Vision
• Sprache
• Sprache
• Empfehlungen
• Verstärkendes Lernen
• Hardware-Schulungszeiten
• Robotik

Viele dieser Bereiche nähern sich dem an, was man als "menschlichen Standard" bezeichnen könnte, aber es ist auch wichtig festzustellen, dass die meisten von ihnen nur auf die eine bestimmte Aufgabe spezialisiert sind, für die sie entwickelt wurden.

Schlussfolgerung: Für KI ist es noch zu früh

Bei bestimmten Megatrends ist es wichtig, die nötige Bescheidenheit für das Eingeständnis aufzubringen, dass wir nicht mit Sicherheit wissen, was als Nächstes passieren wird. Mit KI können wir bestimmte Innovationen vorhersagen, sei es in der Bildverarbeitung, bei autonomen Fahrzeugen oder Drohnen, aber wir müssen auch erkennen, dass die größten Gewinne aus Aktivitäten kommen können, die wir noch nicht verfolgen.

Bleiben Sie dran für "Teil 2", in dem wir die jüngsten Ergebnisse bestimmter Unternehmen in diesem Bereich diskutieren.

Dieses Material wurde von WisdomTree und seinen verbundenen Unternehmen erstellt und soll nicht für Prognosen, Research oder Anlageberatungen herangezogen werden. Zudem stellt es weder eine Empfehlung noch ein Angebot oder eine Aufforderung zum Kauf bzw. Verkauf von Wertpapieren oder zur Übernahme einer Anlagestrategie dar. Die geäußerten Meinungen wurden am Herstellungsdatum getätigt und können sich je nach den nachfolgenden Bedingungen ändern. Die in diesem Material enthaltenen Informationen und Meinungen wurden aus proprietären und nicht proprietären Quellen abgeleitet. Daher übernehmen WisdomTree und seine verbundenen Unternehmen sowie deren Mitarbeiter, Führungskräfte oder Vertreter weder die Haftung für ihre Richtigkeit oder Zuverlässigkeit noch die Verantwortung für anderweitig auftretende Fehler und Auslassungen (einschließlich Verantwortlichkeiten gegenüber einer Person aufgrund von Fahrlässigkeit). Die Verwendung der in diesem Material enthaltenen Informationen erfolgt nach eigenem Ermessen des Lesers. Wertsteigerungen in der Vergangenheit lassen keinen Schluss auf zukünftige Ergebnisse zu.

1: Quelle: https://www.cdc.gov/coronavirus/2019-ncov/vaccines/different-vaccines/mrna.html#:~:text=The%20Pfizer%2DBioNTech%20and%20Moderna,use%20in%20the%20United%20States.
2: Source: Heikkila, Melissa. "The hype around DeepMind’s new AI models misses what’s actually cool about it." MIT Technology Review. 23 May 2022.

WisdomTree Einblicke