Algorithmen, maschinelle Intelligenz, Big Data

Einige Grundsatzüberlegungen
Leitthema

Zusammenfassung

Wir erleben erstaunliche Entwicklungen im Bereich Big Data und Künstliche Intelligenz. Sie folgen einem Schema, das wir jetzt seit Jahrzehnten beobachten: dem Moore’s Law, also der Vertausendfachung der Leistungsfähigkeit und Effizienz im Bereich elementarer Rechenoperationen alle 20 Jahre. Auch wenn wir noch nicht dort angekommen sind, wo Maschinen im Sinne einer Singularität so „intelligent“ werden wie Menschen, so werden sie doch zunehmend besser. Das Internet der Dinge hilft, die Leistungsfähigkeit der Maschinen noch einmal massiv zu steigern. Big Data und eine entsprechende Analytik tun dasselbe. Lassen wir diese Prozesse einfach weiterlaufen, können sie die Zivilisation an vielen Stellen gefährden. Gelingt die „Einhegung“ dieser Prozesse im Sinne einer vernünftigen politischen Global Governance, im Sinne einer weltweiten ökologisch-sozial vernünftig regulierten Marktwirtschaft und im Sinne einer Ökonomie der grünen und inklusiven Märkte, könnte daraus viel Wünschenswertes und für die Zukunft Gutes resultieren. Irgendwann könnte dann auch der dauernde Zwang zur Innovation aufhören. Dass es aber so kommen wird, ist alles andere als sicher. Wir stehen vor großen Herausforderungen.

Schlüsselwörter

Algorithmen Big Data Entscheidungsfindung Ökologisch-soziale Marktwirtschaft Maschinelle Intelligenz 

Algorithms, machine intelligence, big data

General considerations

Abstract

We are experiencing astonishing developments in the areas of big data and artificial intelligence. They follow a pattern that we have now been observing for decades: according to Moore’s Law,the performance and efficiency in the area of elementary arithmetic operations increases a thousand-fold every 20 years. Although we have not achieved the status where in the singular sense machines have become as “intelligent” as people, machines are becoming increasingly better. The Internet of Things has again helped to massively increase the efficiency of machines. Big data and suitable analytics do the same. If we let these processes simply continue, our civilization may be endangerd in many instances. If the “containment” of these processes succeeds in the context of a reasonable political global governance, a worldwide eco-social market economy, andan economy of green and inclusive markets, many desirable developments that are advantageous for our future may result. Then, at some point in time, the constant need for more and faster innovation may even stop. However, this is anything but certain. We are facing huge challenges.

Keywords

Algorithms Big data Decision making Green and inclusive markets Machine intelligence 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

F.J. Radermacher gibt an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Schirrmacher F (2013) EGO – Das Spiel des Lebens, 3. Aufl. Karl Blessing, MünchenGoogle Scholar
  2. 2.
    Hermes H (1961) Aufzählbarkeit, Entscheidbarkeit, Berechenbarkeit. Springer, Berlin-Göttingen-HeidelbergGoogle Scholar
  3. 3.
    Calvin WH (1993) Die Symphonie des Denkens. Wie aus Neuronen Bewusstsein entsteht. Carl Hanser, MünchenGoogle Scholar
  4. 4.
    Churchland P (1997) Die Seelenmaschine, Eine philosophische Reise ins Gehirn. Spektrum Akademischer Verlag GmbH, HeidelbergGoogle Scholar
  5. 5.
    Damasio A (2005) Descartes’ Irrtum – Fühlen, Denken und das menschliche Gehirn. List Taschenbuch, Berlin. ISBN: 3-548-60443-9Google Scholar
  6. 6.
    Dennett D (1995) Darwin’s Dangerous idea – evolution and the meanings of life. Simon & Schuster, New YorkGoogle Scholar
  7. 7.
    Hofstadter D, Dennett D (1982) The mind’s I. Bantam Books, New YorkGoogle Scholar
  8. 8.
    Levelt W (1993) Speaking: from intention to articulation. ACL MIT Press Series in Natural-Language Processing, first MIT Press paperback editionGoogle Scholar
  9. 9.
    Pöppel E (1995) Lust und Schmerz. Über den Ursprung der Welt im Gehirn. Goldmann, MünchenGoogle Scholar
  10. 10.
    Searle J (2005) Der Geist der Tiere. In: Perler D, Wild M (Hrsg) Der Geist der Tiere. Philosophische Texte zu einer aktuellen Diskussion. Suhrkamp, Frankfurt a. M., S. 132–154Google Scholar
  11. 11.
    Braitenberg V (1986) Künstliche Wesen – Verhalten Kybernetischer Vehikel. Vieweg & Sohn, BraunschweigGoogle Scholar
  12. 12.
    Braitenberg V, FJ Radermacher (2006) Interdisciplinary approaches for a new understanding of cognition and consciousness. Ergebnisband Villa Vigoni Konferenz, Italy 1997Google Scholar
  13. 13.
    Radermacher FJ (1996) Cognition in systems. Cybernet Syst 27(1):1–41CrossRefGoogle Scholar
  14. 14.
    Radermacher FJ (2000) Wissensmanagement in Superorganismen. In: Hubig C (Hrsg) Unterwegs zur Wissensgesellschaft. Edition Sigma, Berlin, S. 63–81Google Scholar
  15. 15.
    Siegelmann H, Sontag E (1991) On the computational power of neural nets. Report SYCON-91–11, Rutgers Center for Systems and ControlGoogle Scholar
  16. 16.
    Kahneman D, Tversky A (Hrsg) (2000) Choices, values, and frames. Cambridge University Press, Cambridge, GBGoogle Scholar
  17. 17.
    Keeney RL, Raiffa H (1976) Decisions with multiple objectives. John Wiley, New YorkGoogle Scholar
  18. 18.
    Goldin C, Katz LF (2010) The race between education and technology. Belknap Press, Cambridge, Mass.Google Scholar
  19. 19.
    Brynjolfsson E, McAfee A (2014) The second machine age – work, progress and prosperity in a time of brilliant technologies, Norton & Company, New YorkGoogle Scholar
  20. 20.
    Mayer-Schönberger V, Cukier K (2013): Big Data. A revolution that will transform how we live, work and think. John Murray, LondonGoogle Scholar
  21. 21.
    OECD (2013) Exploring data-driven innovation as a new source of growth: mapping the policy issues raised by ‘Big Data’, OECD Digital Economy Papers, No. 222. OECD Publishing, Paris. doi 10.1787/5k47zw3fcp43-enGoogle Scholar
  22. 22.
    OECD (2014) Synthesis report on data-driven innovation for growth and well-being. http://www.oecd.org/sti/inno/data-driven-innovation-interim-synthesis.pdf
  23. 23.
    Piketty T (2014) Das Kapital im 21. Jahrhundert. C. H. Beck, MünchenGoogle Scholar
  24. 24.
    Eggers D (2013) The circle. Hamish Hamilton. Imprint of Penguin BooksGoogle Scholar
  25. 25.
    Radermacher FJ (2014) Chancen und Risiken durch Robotik. In: Computerwoche, Ausgabe 38–29Google Scholar
  26. 26.
    Radermacher FJ, Beyers B (2011) Welt mit Zukunft – Die ökosoziale Perspektive. Murmann, HamburgGoogle Scholar
  27. 27.
    Radermacher FJ, Riegler J, Weiger H (2011) Ökosoziale Marktwirtschaft – Historie, Programm und Perspektive eines zukunftsfähigen globalen Wirtschaftssystems. oekom, MünchenGoogle Scholar
  28. 28.
    Solte D (2015) Wann haben wir genug? Europas Ideale im Fadenkreuz elitärer Macht. Goldegg, WienGoogle Scholar
  29. 29.
    Zucman G (2014) Steueroasen – Wo der Wohlstand der Nationen versteckt wird. Suhrkamp, BerlinGoogle Scholar
  30. 30.
    Randers J, Bus A, Held U, Leipprand A (2012) 2052 – Der neue Bericht an den Club of Rome: Eine globale Prognose für die nächsten 40 Jahre. oekom, MünchenGoogle Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2015

Authors and Affiliations

  1. 1.Universität Ulm / Forschungsinstitut für anwendungsorientierte Wissensverarbeitung/n (FAW/n)UlmDeutschland

Personalised recommendations