Das Moravec’sche Paradox - 1

Technische Universität Darmstadt

Im Robert-Piloty-Gebäude auf dem Campus der TU Darmstadt ist es an diesem Morgen sehr ruhig. Offenbar sind wir früh dran, denn die Flure sind menschenleer. Wir sind auf der Suche nach einem der herausragendsten Newcomer der KI-Forschung und finden ihn gut gelaunt in seinem Büro im zweiten Stock. Michael Lutter, gerade erst 28 Jahre alt, promoviert momentan an der TU Darmstadt in Informatik unter der Professur des international renommierten Wissenschaftlers der Informatik Jan Peters. Bei einem Kaffee gibt er uns einen ersten Einblick in sein Fachgebiet: Inductive Biases for Learning Robot Control. „Ich stelle mich der Frage, wie wir Wissen, das wir bereits aus vielen Jahrzehnten der Forschung in einem bestimmten Wissensgebiet wie Physik oder Regelungstechnik haben, in die Lernalgorithmen eines Roboters inkorporieren können.“ leitet er ein und schaut lachend in unsere fragenden Gesichter. „Vielleicht lässt sich meine Arbeit hier ganz gut anhand des Moravec’schen Paradoxes erklären:

In der Informatik benötigt hochrangiges Denken oftmals eigentlich nur sehr wenig Berechnung. Niedrigrangige sensomotorische Fähigkeiten benötigen allerdings enorme Rechenressourcen. Was wir Menschen als schwere Denkaufgabe empfinden, ist für einen Roboter einfach, und was wir als einfach empfinden, ist für Roboter mitunter sehr schwer. Ein Beispiel: Wir verbinden das Schachspiel in unserer Vorstellung mit hohen Denkanforderungen und nehmen an, dass Schachalgorithmen einen enormen Rechenaufwand benötigen. In der Tat sind wir bei Schachalgorithmen schon ziemlich weit, und selbst kleinere Computer können heute jeden Schachgroßmeister besiegen. Stellen wir allerdings einen Roboter vor die triviale Aufgabe, in einem Raum selbstständig eine Tür zu finden, diese zu öffnen und hindurchzugehen, scheitert er wahrscheinlich schon an den komplexen Herausforderungen, einen Türknauf von einer Klinke zu unterscheiden und den Knauf dann zu drehen, statt die Klinke herunterzudrücken.

Ich erforsche hier an der TU Darmstadt, wie man lernende Roboter in der Industrie einsetzen kann. Die klassische Robotik ist sehr gut in der Massenfertigung einsetzbar - immer dort, wo ein Produkt millionenfach über 10 Jahre produziert wird. Wenn wir aber die Produktion der Zukunft automatisieren wollen, bei der Produkte in kurzen Produktzyklen individuell gestaltet werden sollen, kann die klassische Robotik diese Automatisierung nicht ermöglichen. Daher wird es nötig sein, lernende Roboter zu entwickeln, die genau so durch Imitation und Ausprobieren lernen wie der Mensch. Wir wollen so ermöglichen, dass auch Roboter in der flexibilisierten Produktion einsetzbar sind.“

Hier geht's zu Teil 2

In Kürze folgt Teil 3