Moravecs Paradoxon
Englisch: Moravec's paradox
Die Beobachtung, dass entgegen traditioneller Annahmen höheres Denken, das beim Menschen hochgradig ist, sehr wenig Rechenleistung erfordert, während sensomotorische Fähigkeiten, die beim Menschen vergleichsweise niedrig eingestuft werden, enorme Rechenressourcen benötigen.
Moravecs Paradoxon: einfache Aufgaben erfordern den kompliziertesten Code
Moravecs Paradoxon beschreibt eine hartnäckige Diskrepanz zwischen menschlichen und maschinellen Fähigkeiten: Aufgaben, die wir für trivial halten, wie eine Kaffeetasse greifen oder über Kies gehen, erfordern von einem Roboter um ein Vielfaches mehr Rechenleistung als Aufgaben, die wir für intellektuell schwierig halten, wie Schach spielen oder Differentialgleichungen lösen. Ein Roboterarm braucht Millionen von Sensor-Updates pro Sekunde, komplexe Rückkopplungsschleifen und Echtzeit-Kollisionserkennung, um ein Objekt zu greifen, ohne es zu zerquetschen. Um einer Maschine Schachgewinnen beizubringen, brauchte es Brute-Force-Berechnungen, aber nichts, das sich der Rechenleistung näherte, die ein Kleinkind beim Laufenlernen einsetzt.
Das Paradoxon entsteht aus einem evolutionären Missverhältnis. Das menschliche Gehirn entwickelte sich über Millionen von Jahren, um zunächst sensomotorische Probleme zu lösen: Überleben bedeutete, Beute zu sehen, Werkzeuge zu greifen, sich durch Gelände zu bewegen. Abstraktes Denken ist verhältnismäßig jung und aufgebaut auf diese verkörperten Fähigkeiten. Wir haben spezialisierte neuronale Hardware für Sehen und Motorik, geschärft durch natürliche Selektion. Digitale Computer haben dieses Erbe nicht. Sie glänzen bei formaler Symbolmanipulation, beim Befolgen expliziter Regeln, aber ihnen fehlt das dichte, parallele, analoge Substrat, das menschliches Wahrnehmen und Bewegen so effizient macht.
Wo der Engpass sitzt
Sensomotorische Echtzeitkontrolle erfordert Abtastrate, Latenz und Bandbreite, die sich schlecht skalieren lassen. Eine Roboterhand mit 20 Gelenken, 50 Tastsensoren und Kameraeingabe muss Gelenkdrehmomente berechnen, Rutschen vorhersagen, Kollisionen erkennen und Strategie in 10 bis 100 Millisekunden aktualisieren. Das ist nicht eine Berechnung. Es sind Tausende gekoppelter Differentialgleichungen, Zustandsschätzung und gelernte Heuristiken, die parallel laufen. Eine Schach-Engine kann Züge dagegen offline abarbeiten. Ihre Latenz kann sich über Sekunden erstrecken. Der Unterschied ist nicht subtil: es ist der Unterschied zwischen geschlossener Regelschleife mit physischer Wechselwirkung und offener Schleife mit Symbolmanipulation.
Das Paradoxon hat die Robotikforschung neu geprägt. Statt Roboter zu bauen, die über die Welt nachdenken und dann handeln, trainieren Ingenieure jetzt neuronale Netze auf Basis von Sehen und Eigenwahrnehmung und lernen sensomotorische Strategien direkt aus Daten. Das funktioniert besser als explizites Programmieren, weil das Netz die Statistik des physikalischen Problems implizit erfassen kann. Aber dieser Wechsel von Logik zu Lernen beseitigt die grundsätzlichen Kosten nicht. Ein Roboter, der Greifen lernt, braucht Tausende oder Millionen von Versuchen, entweder in Simulation oder auf echter Hardware. Ein menschliches Kleinkind greift natürlicherweise innerhalb weniger Monate.
Benannt nach Hans Moravec in den 1980er Jahren, bleibt die Beobachtung zentral für Debatten über künstliche allgemeine Intelligenz. Sie deutet darauf hin, dass das schwierige Problem der KI nicht Denken ist, sondern Verkörperung. Eine Maschine, die sich unterhalten kann, aber keine Tür öffnen kann, ist nicht intelligent; sie ist ein Zirkustrick mit flachen Wurzeln in der realen Welt. Das hat Robotik zu verkörpertem Lernen, Sim-zu-Real-Transfer und biomimetischen Designs gelenkt, die ihre Struktur von der Biologie borgen, statt von Grundprinzipien aus zu bauen.