Vom Schachbrett hinter das Lenkrad: künstliche Intelligenz auf dem Vormarsch

Künstliche Intelligenz stellt mehr als bloß einen Hype dar. Spätestens seit selbstständig lernende Computer den weltbesten Schachspielern ihre Grenzen aufzeigten, gilt das Thema als branchenübergreifender Megatrend. Die Unternehmen aus dem Automobilbereich setzen im Zusammenhang mit dem autonomen Fahren ihre Hoffnungen auf die künstliche Intelligenz. Insbesondere Zulieferer wie Bosch oder Continental arbeiten intensiv an entsprechenden Systemen, die Situationen im Straßenverkehr interpretieren.

Neuronales Netzwerk schlägt professionelle Pokerspieler nach drei Trainingstagen

Im Jahr 1996 gewann der von der IBM entwickelte Computer "Deep Blue" gegen den damaligen Weltmeister im Schachspiel. Besagtes System überprüfte sekündlich 200 Millionen Züge und berechnete deren Erfolgswahrscheinlichkeit. Seitdem verzeichnet die Forschung auf dem Feld der künstlichen Intelligenz (kurz KI) rasante Fortschritte. 2015 entwickelte der Forscher Matthew Law vom Londoner Imperial College ein neuronales Netzwerk namens Giraffe. Die künstliche Intelligenz benötigte eine kurze Trainingszeit von lediglich drei Tagen, um bereits gegen Profis zu bestehen. Anfang 2017 schlugen zwei KI-Systeme in einem Turnier vier der weltweit besten Pokerspieler. Damit handelte es sich erstmals um ein Spiel, bei dem der künstlichen Intelligenz nicht alle relevanten Informationen vorlagen. Die Systeme kannten die Karten ihrer Gegner nicht und führten selbstständig Bluffs durch.

Künstliche Intelligenz als Voraussetzung für autonome Mobilität

Die genannten Beispiele aus dem Schachbereich oder dem Pokern stellen die Leistungsfähigkeit von KI-Systemen eindrucksvoll unter Beweis. Aus diesem Grund befassen sich zahlreiche Industriezweige mit möglichen Einsatzszenarien der künstlichen Intelligenz. Das trifft beispielsweise auf die Automobilbranche zu. Dort verfolgen die Hersteller die Vision des autonom navigierenden und manövrierenden Fahrzeugs. Die autonome Mobilität setzt hoch entwickelte künstliche Intelligenz voraus.

NVIDIA stellt autonomen Audi Q7 vor

Auf der CES 2017 in Las Vegas präsentierte der Chip-Produzent NVIDIA einen autonom fahrenden Audi Q7. Die Lösung basiert nicht auf Algorithmen, die vom Menschen stammen. Stattdessen kommt das maschinelle Lernen mit neuronalen Netzen zum Einsatz. Die Entwickler zeigten dem KI-System beispielsweise zahlreiche Bilder von Hindernissen und erklärten, dass darauf ein Bremsvorgang folgt. Das System stellte die Verbindung zwischen Hindernis und Bremsmanöver selbstständig her und stoppte daraufhin in vergleichbaren Situationen auf eigene Initiative.

Das auch als "Deep Learning" bekannte maschinelle Lernen stellt die Schlüsseltechnologie für das autonome Fahren dar. Dabei besitzt das KI-System die Fähigkeit, eigenständig Verbindungen herzustellen und Ähnlichkeiten zu identifizieren. Für die Programmierer entfällt der Aufwand, das komplette relevante Umgebungsmodell manuell zu entwerfen.

Bosch arbeitet am "Gehirn" des autonomen Autos

Der durch das autonome Fahren initiierte Branchenwandel stellt für die Automobilhersteller und für etablierte Zulieferer eine Chance dar. Zu den größten und bekanntesten Automobilzulieferern gehört Bosch. Das Unternehmen deckt traditionell in dieser Hinsicht ein breites Produktportfolio ab. Wie man bei vielen Händlern sieht (siehe hier), ist die Marke Bosch sehr breit vertretten. Das neue Geschäftsfeld der künstlichen Intelligenz im Automobil bedient der Zulieferer ebenfalls. Nach eigener Ankündigung arbeitet Bosch an einem Bordcomputer, der künftig als Gehirn im autonomen Fahrzeug fungiere. Das Ziel bis Anfang des nächsten Jahrzehnts: Das KI-System interpretiert Verkehrssituationen und prognostiziert das Verkehrsverhalten von anderen Teilnehmern.

Mit Continental unternimmt ein weiterer etablierter Zulieferer gleichermaßen Anstrengungen auf dem Gebiet der künstlichen Intelligenz. In Kooperation mit der Universität Oxford erforscht das Unternehmen Einsatzszenarien für KI-Lösungen. Die Zusammenarbeit befasst sich mit Deep-Learning-Algorithmen für die optische Objekterkennung.