Distinguishing Task-Specific and General-Purpose AI in Regulation

Das Große Ganze: Das „Schweizer Taschenmesser“ vs. das „Spezialwerkzeug“

Stellen Sie sich die Welt der Künstlichen Intelligenz (KI) wie einen Eisenwarenladen vor.

In den letzten zehn Jahren haben politische Entscheidungsträger Regeln für aufgabenbezogene KI (Task-Specific AI) aufgestellt. Betrachten Sie dies als spezialisierte Werkzeuge: einen Hammer, einen Schraubendreher oder einen Toaster. Sie wissen genau, wofür ein Hammer gut ist (Nägel einschlagen). Sie wissen genau, wofür ein Toaster gut ist (Brot rösten). Da diese Werkzeuge eine klare Aufgabe haben, ist es einfach, Regeln für sie aufzustellen. Man kann zum Beispiel sagen: „Dieser Hammer muss stark genug sein, um einen Nagel einzuschlagen, ohne zu brechen“ oder „Dieser Toaster darf das Brot nicht verbrennen“.

Jetzt haben wir Allzweck-KI (General-Purpose AI – GPAI). Betrachten Sie dies als ein magisches Schweizer Taschenmesser, das sich in alles verwandeln kann. Es kann ein Hammer, ein Schraubendreher, eine Säge, ein Zahnstocher oder ein Korkenzieher sein, je nachdem, wie man es darum bittet. Es hat nicht einen einzigen Job; es hat das Potenzial, fast alles zu tun.

Das Problem: Die Autoren argumentieren, dass politische Entscheidungsträger versuchen, dieses magische Schweizer Taschenmesser mit denselben Regeln zu regulieren, die sie für den Hammer geschrieben haben. Sie versuchen, „Hämmer“ basierend auf der Schwere des Griffs zu verbieten, merken aber nicht, dass das Schweizer Taschenmesser dazu verwendet werden könnte, eine Weinflasche zu öffnen, ein Auto zu reparieren oder ein Seil zu schneiden. Die alten Regeln passen nicht zu dem neuen Werkzeug.

---

Vier Gründe, warum die alten Regeln nicht funktionieren

Die Arbeit identifiziert vier Hauptgründe, warum wir für dieses „magische Schweizer Taschenmesser“ einen anderen Ansatz benötigen.

1. Es ist zu flexibel, um es festzulegen

Die Analogie: Stellen Sie sich vor, Sie versuchen ein Gesetz zu schreiben, das besagt: „Kein Werkzeug, das mehr als 5 Pfund wiegt, darf verkauft werden.“

• Für einen Hammer: Das funktioniert. Man wiegt den Hammer. Wenn er zu schwer ist, wird er verboten.
• Für das Schweizer Taschenmesser: Das scheitert. Das Messer könnte leicht sein, aber wenn man es benutzt, um eine Bombe zu bauen, ist es gefährlich. Wenn man es benutzt, um eine Uhr zu repariieren, ist es hilfreich. Das Werkzeug selbst ist nicht das Problem; die Art und Weise, wie es verwendet wird, ist es.

Die Behauptung des Papers: Da GPAI angepasst werden kann, um tausende verschiedene Dinge zu tun, ist die Regulierung des „Werkzeugs“ (des Modells) selbst nutzlos. Man kann nicht vorhersagen, welchen Schaden es anrichten wird, indem man nur seine Größe oder sein Gewicht betrachtet. Man muss den spezifischen Job regulieren, der von ihm verlangt wird.

2. Man kann es nicht richtig testen

Die Analogie: Stellen Sie sich eine Fahrprüfung vor.

• Für einen spezialisierten Lieferroboter: Man testet ihn auf einer bestimmten Route. Man weiß, dass er an roten Ampeln halten und Schlaglöcher vermeiden muss. Man kann ihm leicht eine Bestanden- oder Nicht-bestanden-Note geben.
• Für das Schweizer Taschenmesser: Wie testet man es? Fragt man es, ob es fahren kann? Kochen kann? Ein Gedicht schreiben kann? Ein mathematisches Problem lösen kann?
  • Wenn man es bei einer „Kochprüfung“ testet, besteht es vielleicht. Aber das sagt einem nicht, ob es ein Auto Unfall verursachen wird.
  • Wenn man es bei einer „Fahrprüfung“ testet, fällt es vielleicht durch, aber das sagt einem nicht, ob es ein schlechtes Gedicht schreiben wird.

Die Behauptung des Papers: Aktuelle Regeln verlangen, dass KI bestimmte „Tests“ besteht, bevor sie veröffentlicht wird. Aber da GPAI keinen spezifischen Job hat, sind diese Tests irreführend. Ein Modell kann eine Sicherheitsprüfung für das Schreiben von Geschichten bestehen, aber völlig versagen, wenn es zur Erstellung medizinischer Ratschläge verwendet wird. Die Tests spiegeln die reale Gefahr nicht wider, weil sich die „reale Welt“ jedes Mal ändert, wenn das Werkzeug eingesetzt wird.

3. Es entstehen neue rechtliche Alpträume

Die Analogie: Stellen Sie sich eine Fabrik vor, die früher nur Ziegelsteine hergestellt hat.

• Alte Regeln: Wir hatten Gesetze über die Sicherheit von Ziegeln, Ziegelstaub und die Lieferung von Ziegeln.
• Neue Realität: Jetzt stellt die Fabrik Ziegelsteine her, aber auch gefälschte Diamanten, gefälschte Stimmen und gefälschte Viren.

Die Behauptung des Papers: Aufgabenbezogene KI warf hauptsächlich Fragen der Fairness auf (z. B. „Hat dieser Einstellungs-Roboter diskriminiert?“). GPAI wirft völlig neue, beängstigende Probleme auf, die alte Gesetze nicht vorhergesehen haben:

• Urheberrecht: Es kann Bücher und Lieder perfekt kopieren.
• Fake News: Es kann Fake-News-Geschichten schreiben, die echt klingen.
• Deepfakes: Es kann Videos von Menschen erstellen, die Dinge sagen, die sie nie gesagt haben.
• Biosicherheit: Es könnte böswilligen Akteuren helfen, gefährliche Viren zu entwerfen.

Dies sind unterschiedliche rechtliche Probleme, die unterschiedliche Experten erfordern (wie Urheberrechtsexperten oder Biosicherheits-Experten), nicht nur „KI-Experten“.

4. Die Lieferkette ist ein Chaos

Die Analogie: Stellen Sie sich ein spezialisiertes Auto vor.

• Der alte Weg: Ein Unternehmen baut das Auto, testet es und verkauft es. Wenn die Bremsen versagen, wissen Sie, wen Sie verklagen können: das Automobilunternehmen.
• Der neue Weg: Stellen Sie sich einen modularen Roboter vor.
  • Unternehmen A baut das „Gehirn“ (das GPAI-Modell).
  • Unternehmen B nimmt dieses Gehirn und bringt ihm bei, einen Lkw zu steuern.
  • Unternehmen C nimmt diesen Lkw und macht daraus einen Lieferdienst.
  • Unternehmen D nutzt den Lieferdienst, um illegale Waren zu transporten.

Die Behauptung des Papers: Bei GPAI wird das „Gehirn“ von einem riesigen Unternehmen gebaut, aber dann passen tausende andere Menschen es an und nutzen es für verschiedene Dinge. Wenn etwas schiefgeht, ist es unglaublich schwer herauszufinden, wer verantwortlich ist. War es der Hersteller des Gehirns? Die Person, die es angepasst hat? Die Person, die es benutzt hat? Die alten Regeln setzen einen klaren Besitzer voraus, aber die neue Realität ist ein verwobenes Netz aus vielen Besitzern.

---

Die drei Empfehlungen: Wie man es behebt

Die Autoren schlagen drei Wege vor, um diese kaputten Regeln zu reparieren:

1. Reguliere den „Job“, nicht das „Werkzeug“

Die Metapher: Versuchen Sie nicht, „Messer“ zu verbieten, weil sie scharf sind. Verbotene Sie stattdessen „das Stechen in Menschen“.

• Aktueller Ansatz: „Keine KI-Modelle größer als X Größe.“ (Das ist so, als würde man alle Messer mit Klingenlängen von mehr als 3 Zoll verbieten, selbst wenn sie für die Chirurgie verwendet werden).
• Neuer Ansatz: „Keine KI, die für Einstellungen verwendet wird und diskriminiert.“ oder „Keine KI, die zur Erstellung von Fake News verwendet wird.“
• Warum: Dies konzentriert sich auf den Schaden (das Stechen) statt auf das Werkzeug (das Messer). Es ermöglicht die Nutzung der Technologie für Gutes (Chirurgie), während das Schlechte (Verbrechen) gestoppt wird.

2. Nutze „technische Spezifikationen“ nur als letztes Mittel

Die Metaphorik: Ein Lineal zu benutzen, um Gefahr zu messen, ist eine Abkürzung, aber oft falsch.

• Die Idee: Manchmal müssen wir vielleicht sagen: „Wenn ein Computer zu leistungsstark ist, müssen wir ihn beobachten.“ Aber wir sollten dies nur tun, wenn:
  1. Wir die Nutzung des Werkzeugs nicht regulieren können (weil die Gefahr zu groß oder zu schnell ist).
  2. Die Gefahr real und bewiesen ist (nicht nur eine Vermutung).
  3. Der Nutzen, das Werkzeug zu stoppen, die Kosten für das Stoppen der Innovation wert ist.
• Warum: Wenn wir Werkzeuge nur nach ihrer Größe oder Geschwindigkeit verbieten, verbieten wir vielleicht versehentlich hilfreiche Dinge (wie Klimamodellierung) oder übersehen gefährliche Dinge, die klein, aber mächtig sind.

3. Baue „Geschwindigkeitsbegrenzer“ in das System ein

Die Metapher: Anstatt zu versuchen, jeden schlechten Fahrer zu erwischen, baue eine Straße, die es schwer macht, überhaupt schnell zu fahren.

• Die Idee: Das Paper schlägt vor, die gesamte „Risikokette“ zu betrachten. In der Vergangenheit war die Herstellung einer biologischen Waffe schwierig, weil man ein Labor, teure Chemikalien und einen PhD brauchte. Dies waren „natürliche Geschwindigkeitsbegrenzer“.
• Die Bedrohung: KI könnte diese Geschwindigkeitsbegrenzer entfernen. Sie könnte es jemandem ermöglichen, auf einem Laptop ein Virus zu entwerfen, ohne ein Labor zu benötigen.
• Die Lösung: Regulierer müssen neue Geschwindigkeitsbegrenzer finden. Wenn KI es einfach macht, an das „Wissen“ zu kommen, müssen wir vielleicht die „Materialien“ oder die „Computer“ regulieren, die benötigt werden, um die KI laufen zu lassen. Wir müssen das gesamte Ökosystem betrachten, um zu sehen, wo die Barrieren fallen und um neue zu bauen.

Zusammenfassung

Das Paper argumenttiert, dass wir versuchen, ein magisches, formveränderndes Schweizer Taschenmesser mit Regeln zu regulieren, die für einen einfachen Hammer entwickelt wurden. Da das Messer alles machen kann, können wir es nicht nach seinem Gewicht oder seiner Größe beurteilen. Stattdessen müssen wir:

1. Den spezifischen Job regulieren, den es ausführt.
2. Nur die technischen Spezifikationen des Werkzeugs betrachten, wenn es absolut notwendig ist.
3. Barrieren in das System einbauen, um Schlechtes zu verhindern, anstatt nur zu versuchen, die schlechten Akteure im Nachhinein zu schnappen.