- Axiom bietet eine effiziente Alternative zu herkömmlichen KI-Methoden durch aktive Inferenz. Axiom basiert auf dem Freie-Energie-Prinzip, inspiriert von der Funktionsweise des menschlichen Gehirns. Das System benötigt weniger Beispiele und Rechenleistung als traditionelle tiefenlernende Netzwerke. Axioms Architektur erlaubt es KI-Agenten, in Echtzeit zu lernen und komplexe Interaktionen effizient zu modellieren. Axiom könnte bedeutende Fortschritte im Feld der künstlichen Intelligenz ermöglichen.
Ein neuartiger Ansatz im maschinellen Lernen, inspiriert von der Art und Weise, wie das menschliche Gehirn die Welt modelliert und lernt, hat sich als bemerkenswert effizient in der Beherrschung einfacher Videospiele erwiesen. Das System, bekannt als Axiom, bietet eine Alternative zu den dominierenden künstlichen neuronalen Netzen in der modernen KI. Entwickelt von der Softwarefirma Verse AI, ist Axiom mit vorrangigem Wissen über die physische Interaktion von Objekten in virtuellen Welten ausgestattet. Mithilfe eines Algorithmus modelliert es, wie das Spiel auf Eingaben reagieren sollte und passt seine Annahmen basierend auf den beobachteten Ergebnissen an – ein Vorgang, der als aktive Inferenz bezeichnet wird.
Axiom und das Freie-Energie-Prinzip
Dieser Ansatz zieht seine Inspiration aus dem Freie-Energie-Prinzip, einer Theorie, die Intelligenz durch Grundlagen der Mathematik, Physik, Informationstheorie sowie Biologie erklärt. Entwickelt von Karl Friston, einem renommierten Neurowissenschaftler, der zugleich als leitender Wissenschaftler bei einem „kognitiven Computerunternehmen“ tätig ist, könnte dieser Ansatz insbesondere bei der Entwicklung von KI-Agenten von Bedeutung sein. Friston betont, dass solche Agenten nicht nur lernen müssen, Wissen zu erlangen, sondern auch, wie man in der Welt handelt. Im Gegensatz zu herkömmlichen Lernmethoden, die auf tiefem Reinforcement-Learning basieren und umfangreiche Anpassungen durch Versuch und Irrtum erfordern, benötigt Axiom weniger Beispiele und Rechenleistung, um verschiedene vereinfachte Versionen populärer Spiele zu meistern.
Effiziente Lernmethoden bei Axiom
Laut François Chollet, einem KI-Forscher und Entwickler des Leistungsmaßstabs ARC 3, verfolgt der Ansatz sowohl allgemeine Ziele als auch entscheidende Merkmale, die für die Entwicklung künstlicher allgemeiner Intelligenz relevant sind. Er schätzt die Originalität des Projekts und betont die Notwendigkeit neuer Ideen abseits der bekannten sprachlichen Modellen. Während moderne KI-Netzwerke in ihrer Funktionsweise grundlegend vom menschlichen Gehirn abweichen, ermöglicht tiefes Lernen beeindruckende Fähigkeiten wie Sprachtranskription und Gesichtserkennung. Theoretisch verspricht Axiom jedoch einen effizienteren Ansatz zum Aufbau von KI von Grund auf. Besonders für Agenten, die schnell aus Erfahrungen lernen müssen, könnte Axiom äußerst effektiv sein.
Die Architektur von Axiom, wie der CEO von Verses, Gabe René, betont, erlaubt es KI-Agenten, in Echtzeit zu lernen. Ein Finanzunternehmen testet die Technologie bereits zur Modellierung von Märkten. Trotz oder gerade wegen seiner alternativen Position zur modernen KI kostet es weniger und ist strukturierter als große neuronale Netzwerke. René beschreibt diese Art von Architektur als eine digitale Gehirnstruktur, die effizienter und genauer agiert.
Ein Schritt in die Zukunft der KI
Es ist faszinierend, dass das Freie-Energie-Prinzip ursprünglich von Arbeiten beeinflusst wurde, die auch zur Entwicklung moderner KI-Methoden beitrugen. Diese vielversprechende Divergenz könnte den Weg für effizientere, lernfähigere KI-Agenten ebnen, die in der Lage sind, komplexe Interaktionen in realistischen Szenarien besser zu meistern. Solche Fortschritte versprechen, das Feld der künstlichen Intelligenz auf bedeutende Weise zu erweitern.
