Beyond Task Intelligence: Artificial Intelligence, Embodied Robotics, and the Epistemic Limits of Machine Cultural Understanding

Stellen Sie sich eine Welt vor, in der Maschinen schneller laufen können als der schnellste menschliche Sprinter, aber dennoch Schwierigkeiten haben, ein einfaches Kabel aufzuheben, ohne es fallen zu lassen. Dies ist keine Geschichte über das Scheitern von Robotern, sondern über ein tieferes Rätsel in der Art und Weise, wie wir Intelligenz messen. Heute können Systeme der künstlichen Intelligenz flüssige Essays schreiben, Sprachen übersetzen und Fakten aus riesigen Textbibliotheken mit verblüffender Geschwindigkeit abrufen. Sie werden an spezifischen Aufgaben getestet, wie etwa dem Lösen von Matheaufgaben oder dem Identifizieren von Objekten auf Fotos, und sie gewinnen oft. Doch einen spezifischen Test zu gewinnen, bedeutet nicht, dass eine Maschine die Welt, in der sie operiert, wirklich versteht. Die Frage, vor der Wissenschaftler und Gelehrte stehen, ist nicht länger, ob eine Maschine eine Aufgabe ausführen kann, sondern ob sie den Kontext, die Geschichte und die menschlichen Beziehungen verstehen kann, die dieser Aufgabe ihre Bedeutung verleihen. Dies ist der Unterschied zwischen dem perfekten Befolgen einer Anweisung und dem Wissen, wann diese Anweisungen nicht mehr sinnvoll sind.

Ein neuer systematischer Review von Prudhvi Kumar Kanyadari von der Loughborough University untersucht diese Lücke zwischen Tun und Verstehen. Die Arbeit argumentiert, dass Maschinen zwar unglaublich gut in spezifischen, messbaren Jobs werden, ihnen aber oft eine tiefere Art des Wissens fehlt, die Menschen als selbstverständlich voraussetzen. Dieses tiefere Wissen handelt nicht nur davon, Informationen zu besitzen; es geht darum, zu wissen, wie diese Informationen in eine bestimmte Zeit, einen bestimmten Ort und eine bestimmte Kultur passen. Der Autor schlägt vor, dass wir aufhören sollten, künstliche Intelligenz nur danach zu beurteilen, wie gut sie in Standardtests abschneidet, und statfangen sollten zu fragen, ob sie mit der chaotischen, unsicheren und oft widersprüchlichen Natur des menschlichen Lebens umgehen kann.

Die Arbeit beginnt mit dem Blick auf ein markantes Beispiel von den 2026 World Humanoid Robot Games. Bei diesen Veranstaltungen liefen Roboter wie der Tiangong Ultra die 100-Meter-Distanz in 8,64 Sekunden und schlugen damit den menschlichen Weltrekord von 9,58 Sekunden, der von Usain Bolt gehalten wird. Diese Maschinen sind unglaublich schnell und effizient im Laufen. Dennoch haben dieselben Roboter oft Schwierigkeiten mit viel einfacheren, alltäglichen Aufgaben, wie etwa dem Einstecken eines Kabels oder dem Handhaben eines Pakets in einer sich verändernden Umgebung. Der Autor weist darauf hin, dass Laufen ein geschlossenes Problem ist: Die Bahn ist flach, die Distanz ist fest vorgegeben und das Ziel ist klar. Das Einstecken eines Kabels hingegen ist ein offenes Problem. Der Roboter muss die Form des Steckers fühlen, den Widerstand der Buchse spüren und seinen Griff anpassen, wenn sich das Kabel bewegt. Er muss sich an eine Welt anpassen, die nicht perfekt für ihn entworfen wurde. Der Roboter kann das Rennen gewinnen, aber er weiß noch nicht, wie er sich in der Welt zurechtfindet.

Dasselbe Muster zeigt sich in der Welt der Sprache und Kultur. Große Sprachmodelle, die Systeme hinter vielen modernen Chatbots, können literarische Zitate abrufen oder historische Ereignisse schneller zusammenfassen als jeder menschliche Forscher. Wenn sie jedoch gebeten werden, ein kulturelles Ritual zu interpretieren oder einen sozialen Brauch zu erklären, machen diese Systeme oft Fehler, die einen Mangel an echtem Verständnis offenbaren. Sie produzieren vielleicht eine wunderschön geschriebene Erklärung einer Tradition, die faktisch falsch ist, oder sie wiederholen schädliche Stereotypen über eine Gruppe von Menschen, weil diese Stereotypen in den Daten, mit denen sie trainiert wurden, häufig vorkommen. Die Arbeit stellt fest, dass diese Systeme Informationen abrufen können, aber oft die „Dichte Beschreibung“ (thick description) von Kultur nicht verstehen – die Idee, dass dieselbe Handlung je nach Person, Ort und Geschichte unterschiedliche Bedeutungen haben kann.

Der Autor führt drei verschiedene Arten der Messung von Intelligenz ein, um dieses Problem zu klären. Die erste ist die Aufgabenkompetenz (task competence), die fragt, ob eine Maschine eine spezifische Operation ausführen kann, wie etwa ein Rennen laufen oder ein Wort finden. Die zweite ist die Kontextkompetenz (contextual competence), die fragt, ob die Maschine weiterhin gut funktionieren kann, wenn sich die Situation ändert, etwa wenn die Sprache anders ist, die Geschichte komplex ist oder die physische Umgebung unvorhersehbar wird. Die dritte und schwierigste ist die epistemische Kompetenz (epistemic competence). Hierbei wird gefragt, ob die Maschine weiß, wann sie nicht über genügend Informationen verfügt, um eine Antwort zu geben, oder ob sie erkennen kann, wenn eine Frage selbst fehlerhaft ist. Die gegenwärtige künstliche Intelligenz ist sehr gut in der ersten Art der Kompetenz, scheitert aber oft an der zweiten und dritten. Sie kann eine selbstbewusste Antwort geben, selbst wenn die Beweise fehlen oder wenn das Thema zu komplex für eine einzige, einfache Erklärung ist.

Eines der schwerwiegendsten Probleme, das in der Arbeit hervorgehoben wird, ist das Problem der „halluzinierten“ Zitate. In der akademischen Forschung ist eine Zitierung ein Verweis auf eine Quelle, die einen Punkt belegt. Diese Systeme erfinden jedoch manchmal Quellen, die echt aussehen, aber nicht existieren, oder sie zitieren reale Bücher, behaupten aber, diese Bücher hätten Dinge gesagt, die sie nie gesagt haben. Dies ist gefährlich, weil es die Beweiskette unterbricht. In den Geisteswissenschaften baut sich Wissen auf einer Kette von Dokumenten, Archiven und Interpretationen auf. Wenn eine Maschine einen gefälschten Link in diese Kette einfügt, kann das gesamte Gefüge kollabieren. Die Arbeit argumentt, dass dies nicht nur ein Bug ist, der durch bessere Daten behoben werden kann; es ist ein grundlegender Unterschied zwischen der Art und Weise, wie Maschinen Informationen verarbeiten, und der Art und Weise, wie Menschen Wissen aufbauen. Menschen wissen, wann sie innehalten und sagen: „Ich weiß es nicht“ oder „Diese Quelle ist unzuverlässig“. Maschinen, die darauf getrieben sind, eine Aufgabe abzuschließen, forcieren oft eine selbstbewusste, aber falsche Antwort.

Der Review untersucht auch, wie diese Systeme mit Kultur und Repräsentation umgehen. Wenn sie gebeten werden, Bilder von Menschen aus spezifischen Kulturen zu generieren, verlassen sich diese Systeme oft auf Stereotypen. Wenn zum Beispiel Bilder von Menschen aus Indien generiert werden, zeigt das System konsistent vielleicht Oberkastengruppen in modernen Umgebungen, während es Menschen niedrigerer Kasten nur in Szenen der Armut oder des Protests darstellt. Dies geschieht, weil das System aus Mustern in bestehenden Daten lernt, und diese Muster spiegeln oft historische Vorurteile wider. Das Ergebnis ist ein Bild, das plausibel erscheint, aber tatsächlich eine Verzerrung der Realität ist. Die Arbeit legt nahe, dass ein kulturell überzeugendes Bild ein epistemisches Versagen sein kann, was bedeutet, dass es die Wahrheit der Kultur, die es zu repräsentieren vorgibt, nicht korrekt wiedergibt.

Der Autor schlägt vor, dass wir eine neue Art benötigen, künstliche Intelligenz zu testen, die über einfache Punktzahlen hinausgeht. Anstatt nur zu fragen, ob eine Maschine eine Frage korrekt beantwortet, sollten wir fragen, ob sie mit Änderungen im Kontext umgehen kann. Kann sie eine Geschichte noch verstehen, wenn sich die historische Periode ändert? Kann sie erkennen, wenn ein kultureller Begriff keine direkte Übersetzung hat? Kann sie zugeben, wenn eine Frage auf einer falschen Annahme basiert? Die Arbeit schlägt vor, dass zukünftige Benchmarks „Perturbations-Tests“ (Störungstests) beinhalten sollten, bei denen Forscher die Bedingungen einer Aufgabe absichtlich verändern, um zu sehen, ob das System zusammenbricht. Sie sollten auch auf „epistemische Enthaltung“ (epistemic abstention) testen, indem sie das System dafür belohnen, zu wissen, wann es nicht genügend Informationen hat, um eine Antwort zu geben.

Dieser neue Ansatz erfordert eine Partnerschaft zwischen Informatikern und Gelehrten aus den Geisteswissenschaften, wie Historikern, Anthropologen und Literaturkritikern. Diese Fachbereiche beschäftigen sich seit Jahrhunderten damit, wie Wissen erzeugt wird, wie Kategorien gebildet werden und wie Macht beeinflusst, was wir als wahr ansehen. Die Arbeit argumentiert, dass diese Gelehrten nicht nur Kritiker der Technologie sein sollten, sondern aktive Teilnehmer an deren Gestaltung. Sie können helfen zu definieren, was es bedeutet, dass eine Maschine „kulturell kompetent“ ist, und können helfen, Tests zu entwickeln, die die verborgenen Vorurteile und Grenzen aktueller Systeme aufzeigen.

Die Arbeit kommt zu dem Schluss, dass die Zukunft der künstlichen Intelligenz nicht darin besteht, Maschinen zu bauen, die schneller oder leistungsfähiger sind, sondern Systeme zu schaffen, die verantwortungsbewusster sind. Eine wahrhaft intelligente Maschine sollte nicht nur in der Lage sein, ein Problem zu lösen; sie sollte in der Lage sein, das Problem selbst zu verstehen. Sie sollte wissen, wann eine Frage unfair ist, wann eine Kategorie veraltet ist oder wann eine Darstellung schädlich ist. Sie sollte in der Lage sein, die Grenzen ihres eigenen Wissens zu erkennen. Der Autor deutet an, dass die Geisteswissenschaften der perfekte Ort sind, um diese Fähigkeiten zu testen, da sie sich mit genau jenen Dingen befassen, mit denen Maschinen Schwierigkeiten haben: Ambivalenz, Geschichte und das komplexe Geflecht menschlicher Beziehungen.

Letztendlich ist das Ziel nicht, Maschinen dazu zu bringen, exakt wie Menschen zu handeln, sondern Systeme zu erschaffen, die verantwortungsvoll mit uns zusammenarbeiten können. Dies bedeutet, Maschinen zu entwickeln, die zwischen einem Fakt und einer Meinung, zwischen einem Stereotyp und einer Realität sowie zwischen einer selbstbewussten Vermutung und einer gut belegten Wahrheit unterscheiden können. Die Arbeit legt nahe, dass wir, wenn wir dies erreichen, über die bloße Aufgabenleistung zu einer Form der Intelligenz übergegangen sind, die wirklich allgemein und wirklich nützlich ist. Der Weg nach vorn besteht nicht nur darin, bessere Roboter oder intelligentere Software zu konstruieren; es geht darum, neu zu denken, was es bedeutet, etwas zu wissen, in einer Welt, die sich ständig verändert. Der wichtigste Schritt ist sicherzustellen, dass diese Systeme, während sie fähiger werden, auch bescheidener werden und erkennen, dass manche Fragen mehr als nur eine Antwort erfordern.