Das Rätsel ist einfach. Der ARC-Preis ist sehr hoch. § 1.000.000+ sind ausgerufen für die Lösung: Wie bringt man etwas Maschinen bei, was Fünfjährige schon können?

Wir Menschen lösen das im Handumdrehen.
Wir erkennen die Muster sofort und setzen diese fort.
Selbst Vorschulkinder bekommen etwa 50 % der Lösungen hin.

Doch die Maschinen scheitern hier kläglich.

Doch schauen wir uns die Grundlagen genauer an.

Kristalline Intelligenz

Kristalline Intelligenz bezieht sich auf erworbenes Wissen, Fähigkeiten und Erfahrungen. Sie nimmt im Laufe des Lebens zu, da sie auf akkumuliertem Wissen beruht.

Kristalline Intelligenz und umfasst beispielsweise:

• Wortschatz
• Allgemeinwissen
• Mathematische Fähigkeiten wie das Zählen
• Fachwissen

Fluide Intelligenz

Fluide Intelligenz ist eine ganz besondere Fähigkeit:
Menschen passen Lösungen im Handumdrehen an.
Englisch ausgedrückt klingt es wunderschön: Humans adapt solutions on the fly.

Psychologen beschäftigen sich mit fluider Intelligenz in den Kognitionswissenschaften. Cattell hat dazu erste Forschungsergebnisse bereits 1940 veröffentlicht.

Fluide Intelligenz, auch fluides Denken genannt, ist die Fähigkeit, logisch zu denken, Probleme zu lösen und sich an neue Situationen anzupassen, ohne auf vorhandenes Wissen zurückzugreifen. Sie umfasst Fähigkeiten wie:

• Informationsverarbeitung im Arbeitsgedächtnis: Die Geschwindigkeit und Effizienz, mit der Informationen kurzfristig gespeichert, verarbeitet und verwendet, um diese für die Lösung zu nutzen.
• Abstraktes Denken: Erkennen von Mustern, Zusammenhängen und Beziehungen zwischen Konzepten.
• Logisches Denken: Schlussfolgerungen ziehen und Lösungen für Probleme finden. Deduktives und induktives Denken anwenden.
• Problemlösungsfähigkeit: Komplexe Probleme analysieren und effektive Strategien entwickeln. Neue Strategien entwickeln und Lösungen finden.
• Adaptivität: Die Fähigkeit, sich an neue und unvertraute Situationen anzupassen.

Fluide Intelligenz gilt als weitgehend angeboren. Sie ist relativ unabhängig von Bildung und Erfahrung. Sie erreicht ihren Höhepunkt im frühen Erwachsenenalter und nimmt dann allmählich ab, kann aber durch gezieltes Training erhalten werden.

Beispiele für fluide Intelligenz sind:

• Logikspiele spielen, die man noch nicht kennt.
• Ein neues Rätsel lösen, das man noch nie zuvor gesehen hatte.
• Sich in einer unbekannten Stadt zurechtfinden.
• Neue Software oder Technologie erlernen.
• Einen komplexen wissenschaftlichen Artikel verstehen.
• Analytische Aufgaben wie neue wissenschaftliche Experimente, bei denen neue Hypothesen aufgestellt, getestet und validiert werden müssen.

Die fluide Intelligenz ist ein wichtiger Faktor für den Erfolg. Wir Menschen greifen darauf zurück beim Lernen, bei der Arbeit, bei der Entscheidungsfindung und bei sozialer Interaktion. Menschen mit einer hohen fluiden Intelligenz sind eher in der Lage, sich schnell an neue Situationen zu gewöhnen und innovative Lösungen zu finden.

Fluide Intelligenz kann durch gezieltes Training verbessert werden, z. B. durch das Lösen von Denksportaufgaben, das Erlernen neuer Fähigkeiten oder das Spielen von Strategiespielen.

Maschinen und fluide Intelligenz

Doch die LLMs können das noch nicht. Sie versagen hier.
LLMs können alles erinnern. Bekannte Muster wiederholen.
Doch bei völlig neuen Aufgaben sind Maschinen aufgeschmissen:

• Maschinen verfügen über algorithmische Intelligenz. Diese ermöglicht ihnen, bestimmte Aufgaben sehr schnell und präzise auszuführen.
  Ihre Intelligenz basiert auf Mustererkennung, statistischen Modellen und vordefinierten Regeln.
• Während Maschinen kreative Ergebnisse erzeugen können, basieren diese oft auf der Kombination und Variation bereits vorhandener Daten und Muster.
  Es ist kein echter kreativer Prozess.
• Maschinen haben kein Bewusstsein, keine Emotionen oder Intuition, die oft ein wesentlicher Teil der menschlichen fluider Intelligenz sind.

Maschinen und große Sprachmodelle (LLMs) wie ChatGPT, Claude, Llama oder Gemini besitzen keine fluide Intelligenz im gleichen Sinne wie Menschen. Während sie beeindruckende Leistungen in vielen Bereichen zeigen, gibt es grundlegende Unterschiede zwischen menschlicher fluider Intelligenz und den Fähigkeiten von Maschinen und LLMs.

Maschinen und LLMs wie ChatGPT, Claude, Llama oder Gemini haben beeindruckende Fähigkeiten zur Informationsverarbeitung und Mustererkennung, die einige Aspekte der fluiden Intelligenz nachahmen können. Sie verfügen jedoch nicht über die echte fluide Intelligenz, die Menschen auszeichnet. Maschinen fehlen Bewusstsein, echtes Verständnis und die Fähigkeit, vollständig neue und unvorhergesehene Probleme kreativ zu lösen. Echte Innovationen sind deshalb noch den Menschen vorbehalten.

Unterschiede und Gemeinsamkeiten von Menschen und Maschinen

Die Unterschiede und Gemeinsamkeiten von Menschen und Maschinen lassen sich gut in der Informationsverarbeitung, Problemlösungsfähigkeit und Adaptivität herausarbeiten.

1. Informationsverarbeitung
   • Menschen verarbeiten Informationen in einem breiten Kontext. Sie verwenden ihre sensorischen Erfahrungen und haben die Fähigkeit, abstrakte und konzeptionelle Verbindungen herzustellen.
   • Maschinen verarbeiten Informationen auf der Grundlage von Algorithmen und Daten. LLMs wie Gemini oder ChatGPT analysieren große Mengen an Textdaten und erkennen Muster, um Antworten zu generieren. Sie haben jedoch keinen direkten Zugang zu sensorischen Erfahrungen. Ihnen fehlt auch ein echtes Verständnis von Kontext.
   • LLMs können zwar seht gut beschreiben, wie Erdbeeren schmecken. Erlebt haben sie es jedoch nicht.
2. Problemlösungsfähigkeit
   • Menschen können kreative Lösungen entwickeln und neue, unbekannte Probleme lösen, indem sie auf ihre fluide Intelligenz zurückgreifen.
   • Maschinen und LLMs können Probleme lösen, die sie innerhalb ihrer Trainingsdaten gesehen haben und auch solche, die algorithmisch beschrieben werden können.
   • Maschinen haben jedoch Schwierigkeiten mit völlig neuen, unvorhergesehenen Problemen, die nicht durch vorhandene Muster oder Algorithmen gelöst werden können.
3. Abstraktes Denken und Adaptivität
   • Menschen können abstrakte Konzepte verstehen und sich an neue Situationen anpassen, indem sie ihre Erfahrungen und ihr Wissen anwenden.
   • LLMs können Text generieren, der abstrakt erscheint, aber sie verstehen diese Abstraktionen nicht wirklich.
   • LLMs sind nicht adaptiv. Sie folgen festgelegten Algorithmen und Regeln.

Der ARC-Preis ist heiß

Was uns Menschen so besonders gegenüber den Maschinen macht:
Wir haben eine Intelligenz, die mit Veränderungen, Neuheiten und Unsicherheiten umgehen kann. Das ist die fluide Intelligenz oder auch AGI (Allgemeine künstliche Intelligenz) bei Maschinen genannt.

Warum ist nun der ARC-Preis so hoch?

Die fluide Intelligenz ist noch eine ausschließlich menschliche Fähigkeit, die sich auf das Lösen neuer Probleme und an das Anpassen an unbekannte Situationen und den Umgang mit Risiko bezieht.

Die Aufgabe ist es nun, einer Maschine beizubringen, mit Veränderungen, Neuheiten und Unsicherheiten umzugehen. Die fluide Intelligenz in den LLms verankern.

Künstliche allgemeine Intelligenz (AGI) ist ein Konzept einer künstlichen Intelligenz, die in der Lage ist, jede intellektuelle Aufgabe zu erfüllen, die ein Mensch ausführen kann.

AGI ist wäre dann System, dass effizient neue Fähigkeiten erwerben und offene Probleme lösen kann.

Hebt der ARC-Preis-Gewinner hebt die Maschinen auf das AGI-Niveau?

Hierzu lesen wir bei der ARC-Preis-Ausschreibung:

„Ohne AGI werden wir nie Systeme haben, die neben dem Menschen erfinden und entdecken können.“

Mehr als die Freude am Lernen können wir den Kindern nicht mitgeben. Diese Neugier, Entdeckerfreude und Abenteuerlust ist auch das Schönste, das wir uns auch als Erwachsene erhalten können. Das innovative Mindset hilft uns dabei. Jedoch werden wir nun das auch an die Maschinen weitergeben?

Wer hat eine Idee?

Hier geht es zu der besagten Seite mit der Ausschreibung.

Quellen

Wichtigste wissenschaftliche Artikel:

• Cattell, R. B. (1940): A culture-free intelligence test I. In: Journal of Educational Psychology.
• Horn, J. L., & Cattell, R. B. (1967): Age differences in fluid and crystallized intelligence. In: Acta Psychologica.
• McArdle, J. J., Hamagami, F., Meredith, W., & Woodcock, R. W. (2000): Modeling the dynamic hypotheses of Gf-Gc theory using longitudinal data. In: Learning and Individual Differences.