Institut für Psychologie

Leopold Franzens Universität Innsbruck

Studienkennzahl: C298 / Psychologie

The Symbol Grounding Problem

Forschungsseminar:

Neuere psychologische Fachliteratur (Gruppe D)

SS 2007

Seminarleiter: Dr. Karl Leidlmair

Aufderklamm Lisa Maria 0416296

Caroline Gurschler 0438246

Inhaltsverzeichnis

1. Einleitung

1.1. Kaspar Hauser

1.2. Natürliche Sprache

2. Annäherung an das Problem in der Geschichte der

Psychologie

2.1. Vom Behaviorismus zum Kognitivismus

2.2. Symbolsysteme

3. Das Symbol Grounding Problem

3.1. Das Chinesische Zimmer

4. Searle, Dreyfus, Harnad

4.1. John Searle

4.2. Hubert Dreyfus

4.3. Stevan Harnad

5. Autonome Agenten

5.1. AIBO

6. Resümee

7. Literaturverzeichnis

1.Einleitung:

1.1. Caspar Hauser Syndrom

Am 26. Mai 1828 wurde in Nürnberg ein etwa 16-

jähriger, verwahrlost aussehender Junge gefunden,

der kaum sprechen konnte. Man brachte ihn zur

Polizeiwache, und nannte ihn „Kaspar Hauser“. Er

konnte lediglich zwei Sätze sagen: „Wos net“ und

„So ein Reiter möcht ich werden wie mein Vater“.

Sein Zustand erregte das Interesse von zahlreichen

Wissenschaftlern, die verschiedene Untersuchungen mit ihm

durchführten. Er bekam nun auch Unterricht im Sprechen. Sein

Hauptvormund Paul Johann Anselm Ritter von Feuerbach

beschrieb, dass Kaspar anfangs nur Brot und Wasser zu sich

nahm. Vor anderen Speisen ekelte er sich. Es wurde vermutet,

dass Kaspar Hauser lange Zeit einsam in einem dunklen Verlies

gefangen gehalten wurde und dort ohne Kontakt zur Außenwelt

lebte.

Auch in der Psychologie und Medizin kennt man das so genannte

Kaspar-Hauser-Syndrom. Es tritt bei Babies und Kleinkindern

auf, die lange Zeit ohne persönlichen Kontakt und ohne

liebevolle Zuwendung aufwuchsen und zugleich kaum soziale oder

kognitive Anregung erhielten.

Die Geschichte von Kaspar Hauser ist ein gutes Beispiel für

das Thema, welches wir in dieser Arbeit behandeln werden. Wir

beschäftigen uns in dieser Arbeit mit dem „Symbol Grounding

Problem“. Es geht grob formuliert darum, wie fremde Symbole

eine Bedeutung bekommen? Ferner geht es auch darum wie eine

Software mit einer bestimmten Pixelverteilung, die am

Bildschirm als „ja“ erscheint zur Bedeutung? Bekommt dieses

http://upload.wikimedia.org/wikipedia/commons/2/2f/Kaspar_hauser.jpg

„Ja“ seine Bedeutung erst durch den Menschen, der das Symbol

liest?

Die Standartantwort auf die Frage, woher Symbole ihre

Bedeutung haben ist, dass wir die Symbole in der richtigen Art

und Weise mit der Welt in Verbindung setzen oder dass sie

durch soziale Interaktion Bedeutung erhalten.

Diese Symbole sind also in der Umwelt des Menschen verankert.

Menschliche Symbole haben folglich immer einen Bezug zur

Umwelt, die uns Menschen zugänglich ist.

1.2. Natürliche Sprache

Unsere natürliche Sprache ist ein dynamisches System. Was

bedeutet, dass neue Worte auftauchen gehen verloren und die

Bedeutung verändert sich auf kultureller und individueller

Ebene. Der Sprachegebrauch einer einzelnen Person entwickelt

und ändert sich im Laufe des Lebens.

Wie vielleicht jedem bekannt ist, kennzeichnet gerade die

Sprache bestimmte Generationen oder soziale Milieus.

Sprache verändert sich also, und aufgrund dieser Dynamik muss

der Versuch scheitern, natürliche Sprache mit statistischen

Grammatiken zu erzeugen. Demzufolge muss die Wissenschaft

andere ausführlichere Modelle finden, die in der Lage sind

diese Dynamik zu berücksichtigen. Da die Evolution von Sprache

nicht wie die von Lebensformen auf genetischer, sondern auf

kultureller Ebene stattfindet, bietet sich die Untersuchung

der Dynamik innerhalb von Populationen an.

Es stellen sich nu zwei Fragen:

1. Wie lernt der Mensch den Gebrauch von Sprache?

2. Wie hat sich Sprache an sich entwickelt?

Dabei interessiert man sich nicht für Geräusche, Ausdrücke,

Zeichen oder etwa die Grammatik, sondern vielmehr Entstehung

von Bedeutung.

2. Annäherung an das Problem in der Geschichte der

Psychologie:

2.1. Vom Behaviorismus zum Kognitivismus

Für viele Jahre war die einzige empirische Annäherung an diese

Problematik in der Psychologie auf behavioristischer Grundlage

möglich. Der Behaviorismus vertrat den Standpunkt, dass es

nicht erlaubt sei, Theorien darüber zu bilden, was im Kopf

vorgeht, wenn ein bestimmtes Verhalten gezeigt wird oder

darüber was in den Köpfen und Gedanken überhaupt Eingang

findet. Nur Beobachtbares war Gegenstand des Behaviorismus.

Unter dem Begriff Behaviorismus werden alle die

Forschungsprogramme zusammengefasst, die sich der

naturwissenschaftlichen, objektiven und experimentellen

Methodik verschrieben haben. Es liegt also nahe, dass man sich

unter der Maxime des Behaviorismus nicht oder nur kaum mit der

Problematik des „Symbol Grounding Problems“ beschäftigen

konnte.

Erst mit der kognitiven Wende wurde akzeptiert, auch

unbeobachtbare Prozesse zu untersuchen. Die Kognitive Wende

war eine Entwicklung um 1950 innerhalb der Paradigmen der

psychologischen „scientific community“ vom Behaviorismus hin

zum Kognitivismus. Dadurch wurde aber auch der Weg für den

Einzug subjektiver Interpretationen in die Wissenschaft

geebnet.

Die Wirkung der Kognitionswissenschaft ging jedoch weit über

die Psychologie hinaus. Kognitionswissenschaftler findet man

heute außer in der Psychologie auch in der Linguistik, der

Philosophie, der Computerwissenschaft, der Physik, der

Mathematik, der Anthropologie, der Soziologie und der

Hirnforschung.

Auch die semantische Interpretierbarkeit, wie wir sie heute

kennen, wurde vom theoretischen Vokabular des Kognitivismus

bestimmt. Dieses Gebiet ist eines der wichtigsten und

zentralsten des Kognitivismus. Das Werk „The language of

thought“ von Fodor (1975) galt für lange Zeit als das

wichtigste Werk der Cognitive Theory.

Fodor hat unter Zuhilfenahme verschiedener Elemente aus der

Philosophie des Geistes und den Kognitionswissenschaften eine

komplexe Theorie des Geistes entwickelt, die er selbst

"repräsentational" nennt.

Zu Fodors repräsentationaler Theorie des Geistes gehört auch

die Annahme einer Sprache des Geistes (language of thought):

Der Geist arbeite mit mentalen Repräsentationen, die nach

einer mentalen Syntax zu Gedanken zusammengesetzt werden.

An Fodors repräsentationaler Theorie des Geistes ist in den

letzten Jahrzehnten viel Kritik geäußert worden. Es wird

argumentiert, dass mit dem Konnektionismus ein realistischeres

Modell des Geistes entwickelt worden sei. Der Konnektionismus

verzichtet nämlich auf eine Trennung zwischen Software- und

Hardwareebene: Künstliche neuronale Netze können kognitive

Fähigkeiten simulieren, ohne, dass sie explizite

Repräsentationen oder eine Syntax haben.

Fodor vertritt weiter die These, dass der Verstand ein

Symbolsystem sei und die Kognition, also das Erkennen ist

Symbolhandhabung. Die Möglichkeit des Erzeugens von komplexen

Verhalten durch Symbolhandhabung wurde empirisch durch Erfolge

auf dem Gebiet in der künstlichen Intelligenz (KI) gezeigt.

2.2 Symbol-Systeme

Was ist ein Symbolsystem? Nach Newell (1980) Pylyshyn (1984),

Fodor (1987) und der klassischen Arbeit von Neumann, Turing,

Goedel und Church kann man Symbolsysteme wie folgt definieren:

Ein Symbolsystem ist:

1. ein Satz von willkürlichen „physikalischen Zeichen“ also

Kratzer auf Papier, Löcher in einem Band, etc. Diese

sind

2. verändert aufgrund von „expliziten Regeln“, welche

3. physikalische Zeichen oder Zeichenketten sind. Die

Richtlinie zur Handhabung von Symbolen basiert

4. lediglich auf der Form des Symbolzeichens (nicht ihre

„Bedeutung“) d.h. sie ist lediglich syntaktisch und

besteht aus

5. „Kombinationen“ und Wiederverbindenden Symbolzeichen. Es

gibt

6. primitive Symbolzeichen und

7. zusammengesetzte Symbolzeichen, also Zeichenketten. Das

gesamte System und alle seine Teile, also die primitiven,

einfachen Zeichen, die zusammengesetzten Zeichen, die

tatsächlichen und möglichen syntaktischen Handhabungen

und die Richtlinien, sind alle

8. „semantisch erklärbar: “ Der Syntax kann systematisch

eine Bedeutung zugewiesen werden, z.B. für Gegenstände,

für Beschreiben von Sachlagen.

Auch wenn Psychologen heute verstärkt davon ausgehen, dass

sich die menschliche Intelligenz aus Modulen zusammensetzt,

ist es allem Anschein nach nicht damit getan, unterschiedlich

spezialisierte Systeme einfach zusammenzuschalten. Es führt

kein Weg von einem Computer zu den typischen Leistungen

allgemeiner menschlicher Intelligenz. Anders als Fachprogramme

oder Expertensysteme sind wir Menschen nicht auf eine einzige

Tätigkeit festgelegt. Wir können nicht nur Schach spielen oder

nur Theoreme beweisen oder nur Krankheiten diagnostizieren.

Wir Menschen können auch viele andere Sachen. Dies bezeichnet

man als Allgemeine Intelligenz.

Ein weiteres Problem von Computersystemen ist es schnell und

adäquat reagieren zu können. Man spricht hierbei von Echtzeit-

Performance. Ein intelligenter Organismus muss sofort

reagieren können und nicht erst dann, wenn er mit seiner

Datenverarbeitung fertig ist. Jedem von uns ist klar, dass die

zentralisierte Informationsverarbeitung in klassischen

seriellen Computern dafür zu langsam und unflexibel ist.

Eines der größten Probleme für Systeme der klassischen

Künstlichen ist das Symbol Grounding Problem. Mit diesem

werden wir uns in unserem Referat beschäftigen. Dabei handelt

es sich um die Frage, wie abstrakte Symbole zu ihrer Bedeutung

in der realen Welt kommen.

3. Symbol grounding problem

Mithilfe der heutigen Wissenschaft ist es möglich einem

Roboter beizubringen z. B. eine Flache von da drüben

herzubringen und auf den Tisch zu stellen. Die Technik macht

dies möglich. Das Problem dabei ist, wie man dem Roboter zu

verstehen gibt, was überhaupt eine Flache ist. Man nennt

dieses Problem das „Symbol Grounding Problem“, was aussagt,

dass die Symbole geerdet sein müssen. Was diese Metapher

bedeutet, ist dass das Wissen um die Bedeutung des Symbols in

der Erfahrung verankert sein, ansonsten hängt das Symbol in

der Luft und kann nicht benutzt werden.

Abbildung 1

Auf der linken Seite der Abbildung sieht man dass die

Bedeutungen „grounded“ sind, d. h. sie können mit der Welt in

Verbindung gebracht werden. Auf der rechten Seite hängen die

Symbole in der Luft, sie haben in diesem Fall keinen Bedeutung

für uns.

3.1. Chinesisches Zimmer

Das chinesische Zimmer ist ein Gedankenexperiment von John

Searle, mit welchem er zu widerlegen versuchte, dass

menschliche Intelligenz durch Computer nachgeahmt oder sogar

übertroffen werden könne. Searle plädierte dafür, dass der

Turing- Test nicht in der Lage ist künstliche Intelligenz

hinreichend zu beschreiben.

Beim Experiment wird ein geschlossener Raum beschildert, in

dem sich ein Mensch befindet. Durch den Türschlitz bekommt er

von außen mehrer Schriften mit Geschichten in chinesischer

Schrift. Da die Person kein Chinesisch spricht versteht sie

weder die Zeichen, noch den Sinn der Geschichte. Zusätzlich

bekommt er auch noch einige Schriften mit Fragen zu der

Geschichte. Im Zimmer findet er chinesische Skripte und ein

Handbuch mit Regeln in seiner Muttersprache vor. Anhand der

Zeichenerkennungen, kann er die Antworten auf die ihm

gestellten Fragen finden, und schreibt sie auf die Zettel,

ohne die Geschichten oder die Fragen verstanden zu haben.

Vor dem Raum befindet sich ein chinesisch sprechender Mensch,

welcher die Antworten liest und aus den Antworten schließt,

dass sich im verschlossenen Raum ebenfalls ein chinesischer

Muttersprachler befindet.

Abbildung 2

Daraus folgt, dass der Raum den Turing- Test besteht, obwohl

die Person die sich im Raum befindet, nicht einmal verstanden

hat, worum es sich handelt. Das Verstehen kann durch die

Regeln nicht geleistet werden, da die Symbole keine

intrinsische Bedeutung haben.

Stevan Harnad nimmt Bezug auf dieses Problem und versucht es

durch das Symbol Grounding zu lösen, d. h. durch die

Verankerung von Symbolen in der Welt.

„Dabei wird das klassische symbolverarbeitende System durch

Sensoren erweitert, die jeweils mit der Welt verbunden sind.

Diese Sensoren können beispielsweise neuronal und damit

insbesondere nichtsymbolisch arbeiten. Mit Hilfe der Sensoren

kann das ehemals rein symbolische System nichtsymbolische

Objekte und Ereignisse unterscheiden und identifizieren und

damit kategorisieren. Basierend auf den nichtsymbolischen

Kategorien können nun weitere symbolische Kategorien gebildet

werden oder auch symbolisch Schlussfolgerungen gezogen werden.

Harnad gibt ein Beispiel, bei dem ein Zebra als ein Pferd mit

Streifen definiert wird, wobei das Pferd und die Streifen

sensorisch verankert sind und das Zebra rein symbolisch aus

diesen gebildet wird.“1

Weiters betont Harnad über Interaktion mit der Umwelt

Erkenntnis erlangen und es deshalb keine explizite

Repräsentation von Wissen innerhalb des Systems geben muss.

Das System ist direkt eingebettet in seine Umwelt.

1 http://bieson.ub.uni-bielefeld.de/ S.22

http://bieson.ub.uni-bielefeld.de/

4. Searle, Dreyfus, Harnad

4.1. Searl:

„Intelligenz ist ein mentales Phänomen. Dieses ist nicht

unabhängig von der Hardware (unser Gehirn) – sie braucht

unseren Körper. Somit kann ein Computer nicht intelligent

sein.“

Das von Searle formulierte Unbehagen an computationellen

Modellen führte in den 80er Jahren mit dem sog. Konnektionismus

zu einer Art Paradigmenwechsel. Man merkte, dass die neuronale

Ebene des Gehirns berücksichtigt werden muss, die Fähigkeit

des menschlichen Gehirns, parallel zu arbeiten, also separate

Operationen unabhängig voneinander auszuführen und diese

weitgehend autonomen Operationen permanent miteinander zu

kombinieren z. B. bereits repräsentierte Referenzen im Diskurs

aufeinander zu beziehen.

Die strikte Trennung von mentaler (hardware) und neuronaler

(software) Ebene ist im Konnektionismus aufgehoben, die

Modellierung kognitiver Prozesse ist neuronal, nicht

symbolisch-funktional inspiriert. Konzepte sind im Gedächtnis

nicht isoliert abgespeichert sondern mit anderen Konzepten

verknüpft.

Er geht von der Annahme aus, dass Wissenseinheiten, auch

sprachliches Wissen, nicht ungeordnet, sondern in

systematischen Zusammenhängen und typischen Konstellationen,

wie z. B. Restaurantbesuch, Begrüßung, Immatrikulation etc.

abgespeichert, als Muster wieder erkannt und auf analoge

Situationen angewandt wird.

Verstehen und Sinn beruht damit auf einer vernetzten

Integrationsleistung, mit der wir Texte, Sätze, Wörter und

außersprachliche Wissensbestände in unser Bewusstsein

eingliedern. Dieser integrative Prozess ist subjektiv-

individuell, da die Verknüpfungen in neuronalen Netzwerken

nicht vorgegeben sind und sich jeweils selbst organisieren,

aus Erfahrung gelernt haben und weiterhin lernen. Verstehen

ist also nicht eine starre Zuordnung von Text und hierin

objektiv abgebildeter Realität sondern ein subjektiv-

interaktiver Prozess; in ihm erfolgt die mikrosekundenschnelle

Selektion, Verknüpfung und Bearbeitung sprachlicher

Repräsentation (die natürlich z. T. konventionell und

kulturell vorgeprägt ist) sowie deren Integration in die

Handlungszusammenhänge.

Der mit den Symbolen hantierende Mensch, so ist Searles Idee,

ist in derselben Lage, wie ein Computer. Er hat Symbole und

Anleitungen, diese zu kombinieren aber die Bedeutung dieser

Symbole erfährt er nicht. Dass Computer keine Bedeutung

kennen, liegt also nicht etwa daran, dass sie aus

Siliziumchips statt aus biologischer Materie bestehen.

Searle will seine Kritik auch nicht so verstanden wissen, als

sei grundsätzlich keine Maschine in der Lage, eine Sprache zu

verstehen. Er bezieht diese Feststellung nur auf eine

Maschine, deren Verhalten allein durch die formalen Prozesse

der Symbolmanipulation bestimmt ist.

Was die Maschine seiner Ansicht nach leisten müsste, ist

Bewusstsein und Intentionalität zu schaffen. Mit dieser These

stellt er das Programm der KI, kognitive Prozesse durch eben

solche formale Symbolmanipulation zu konstruieren, in Frage.

4.2. Dreyfus

Hubert Dreyfus stützte sich bei seiner Kritik am „Symbol

Grounding Problem“ auf Arbeiten der Philosophen Heidegger und

Merleau-Ponty.

Dreyfus führte die Misserfolge bei der Programmierung

intelligenter Rechner darauf zurück, dass es unmöglich sei,

das Alltagswissen des Menschen explizit zu machen und einem

Rechner zur Verfügung zu stellen. Er meint, dass menschliches

Handeln situationsbezogen ist also, dass z.B. Planen in hohem

Maße opportunistisch ist.

Klassisches Planen in der Künstlichen Intelligenz besteht

jedoch darin, dass ein kompletter Plan aufgebaut wird, bevor

dann die so geplante Handlung durchgeführt wird. Notwendig

unberücksichtigt bleibt dabei die Dynamik einer stets im

Wandel begriffenen Welt.

Man kann sich das etwa so vorstellen dass jemand, der, bevor

er eine Autofahrt antritt, anhand der Straßenkarte genauestens

festlegt, wie er fahren wird. Empfehlenswerter ist es aber

sicher, nur grob zu planen und während der Fahrt auf Wegweiser

zu achten denn so kann man vielleicht Staus u.s.w. ausweichen.

Zentral ist der Gedanke, dass kognitive Systeme nicht isoliert

betrachtet werden dürfen, sondern gerade hinsichtlich ihrer

kognitiven Aspekte vor allem in der Interaktion mit ihrer

Umwelt konstituieren. Das Alltagswissen, betonte Dreyfus, sei

nicht in Form von Sätzen oder Regeln gespeichert, es enthalte

vielmehr immer nicht explizierbare Anteile. Diese

»nichtformalisierbaren Formen der ›Datenverarbeitung‹« lassen

sich nach Dreyfus nur von Wesen bewältigen, die einen Körper

haben. Denn es sind seiner Ansicht nach im Wesentlichen

eingeübte körperliche Fähigkeiten, keine regelhaften

Abstraktionen, die Menschen intelligent handeln lassen. Die

Annahme, dass sich alles, was für intelligentes Verhalten

wichtig ist, in formale Regeln fassen lässt, ist demnach

falsch. Es ist wichtig hervorzuheben, dass Dreyfus nicht

glaubt, dass die Künstliche Intelligenz grundsätzlich

unmöglich ist. Er meint nur, dass das gegenwärtige

Forschungsprogramm noch nicht so weit ist, da es fehlerhaft

ist. Er meint um ein Gerät mit menschenähnlicher Intelligenz

zu erhalten, ist es nötig diesem Gerät eine menschenähnliche

Existenz zu geben. Solche Intelligenz braucht also einen

Körper wie den Unseren und auch eine soziale Kultur, wie etwa

unsere Gesellschaft.

4.3 Harnad

Stevan Harnad, (geb. 02.06.45 in Budapest) ist ungarischer

Kognitionswissenschaftler mit Professuren in Cognitive Science

an der University of Southampton sowie der Universitè du

Quèbec in Montreal. Seine Forschungsschwerpunkte liegen im

Bereich Kategorisierung, Kommunikation und Kognition.

Harnad erklärt nun das so genannte Symbol Grounding Problem

anhand von 2 Versionen in Bezug auf Searles Modell des

chinesischen Zimmers:

1. Version: Hier soll die Versuchsperson Chinesisch als

zweite Sprache allein mit einem chinesischen Wörterbuch

lernen. Dies ist an sich schon ein äußerst schwieriges, doch

nicht unlösbar, da die Person über eine vorherige Kenntnis von

Sprache wie z.B. Satzbau, Grammatik usw. verfügt und deshalb

die chinesischen Symbolfolgen zumindest als „Worte“ und

„Sätze“ (intrinsische Bedeutung) erkennen kann.

2. Version: Diese Version stellt nun das Dilemma dar. Hierbei

soll Chinesisch allein mit Hilfe des chinesisch Wörterbuchs

als erste Sprache gelernt werden, d.h. ohne vorherige Kenntnis

einer Sprache und deren formaler Regeln, ja sogar ohne die

Kenntnis, was „Sprache“ eigentlich bedeutet! Diese Version ist

damit unmöglich lösbar, da die Versuchsperson einfach nicht in

der Lage ist, die Symbole als Buchstaben, Worte und Sätze als

solche zu deuten und einfach planlos mit ihnen spielt. Somit

lässt sich allein aus der symbolischen Syntax keine direkte

semantische Bedeutung gewinnen.

Stevan Harnad geht noch einen Schritt weiter und stellt die

Frage ob man überhaupt eine fremde Sprache lernen kann, wenn

man nichts als ein einsprachiges Wörterbuch besitzt. Dies

scheint unmöglich, denn ein Symbol reiht sich an das andere

und nirgendwo wird die Bedeutung eines dieser Symbole fassbar.

Wie gehen Ethnologen vor, wenn sie in ein fremdes Land reisen

und Völker erforschen, deren Sprache sie nicht kennen?

Hier gelingt der Einstieg in die Sprache auf dem Umweg über

die Interaktion und die Welt. Wenn wir z. B. mit einem

indischen Ureinwohner durch den Wald spazieren und dieser auf

ein Kaninchen zeigt und „Gavagai“ sagt, sind wir uns zwar

nicht sicher, dass er „Kaninchen“ meint oder doch vielleicht

„Mittagessen“, aber wir haben eine Annahme, die wir weiter

verfolgen können. Spätestens dann wenn der Ureinwohner das

Tier mit einem Pfeil tötet, wissen wir, dass er mit „Gavagai“

Abendessen meint.

Wenn man nur ein einsprachiges Wörterbuch zur Verfügung hat,

kann diesen Weg nicht gehen, denn die Symbole haben keine

Bedeutung.

Harnad betont, dass beim Symbol Grounding Problem die

Bedeutung der Symbole dem System nicht intrinsisch ist,

sondern parasitär. Die Bedeutung kommt bloß aus dem Kopfe des

Benutzers. Wenn der Mensch also meint, dass der Computer ihn

verstünde er was man zu ihm sagt und was er einem antwortet,

so liegt das alleine daran, dass sich der Mensch in dieser

Hinsicht leicht täuschen lässt.

Wie schafft man es also einem Computer Bedeutung beizubringen.

Wie wir wissen ist der Computer ein in sich geschlossenes

System. Er ist nicht in der Welt und die Welt ist nicht in

ihm. Er weiß nichts von der Welt. Er will wahrscheinlich auch

nichts davon wissen, denn das einzige was ihn interessiert

sind die Bitmuster in seinem Speicher. Er transformiert Nullen

und Einsen, natürlich ohne Kenntnis, was diese Zahlen für uns

Menschen bedeuten. Der Mensch verbindet die Symbole zu dem was

sie bedeuten. Dies sieht man dann, wenn man dem Menschen aus

diesem Geschehen herauszieht, und den Roboter alleine in der

Welt agieren lässt. Harnad schlägt an dieser Stelle vor, dass

der Roboter durch Interaktion die Bedeutung der Symbole

erfährt.

Fast allen Programmen der frühen Kognitionswissenschaften

fehlt das Symbol Grounding Problem. Ein Schachprogramm z. B.

hat es nicht nötig zu wissen, dass es Schach spielt, es reicht

vollkommen wenn der Benutzer dieses Programms dies weiß.

Das Problem taucht aber dann auf, wenn sich ein System alleine

in der Welt zurechtfinden muss. Dann nämlich muss es lernen,

welche Bedeutung Symbole haben. Ein System, das eine Coladose

ergreifen und wegräumen soll, muss sein Symbol für die

Coladose mit dem in Verbindung bringen, was seine Sensoren

wahrnehmen.

Einer der gängigsten Lösungsvorschläge für dieses Problem

lautet, dass sich das System seine Begriffe selber bilden

müsse. Erst durch eigene Erfahrungen lernt es Begriffen

Bedeutung zu geben und dadurch sein Verhalten ohne Umweg durch

den Kopf des Programmierers zu steuern.

Auf diese Weise wäre auch die Lösung auf das Problem der

Kategorisierung gefunden.

Schon simple Alltagsdinge lassen sich nicht haargenau

definieren, immer drängt sich die eine oder andere Ausnahme

auf. Wie etwa definiert man Vögel so, dass Spatzen, Strauße,

Pinguine und Brathähnchen unter die Definition fallen? Wie

macht man einem Computer die unterschiedlichen Verwendungen

eines so einfachen Verbs wie »essen« klar?

5. Autonome Agenten

Prinzipiell glaubt Harnad schon, dass eine Maschine

intelligent sein kann, aber da das Verhalten beobachtbar sein

muss, müsste die Maschine über einen Körper in die Umgebung

eingebettet werden.

Autonome Agenten erfüllen dieses Kriterium, da sie in einen

künstlichen Körper stecken und Informationen aus ihrer Umwelt

mittels Sensoren empfangen und dann durch Effektoren die

Umwelt im Sinne der Erfüllung ihrer Aufgabe verändern. Dazu

benötigen sie natürlich Fortbewegungsmittel, in diesem Fall

Räder, Beine oder auch Raupen, um agieren zu können, oder auch

Greifarme um Sachen aus dem Weg zu räumen.

Man nennt die Agenten „autonom“, weil sie in der Lage sind,

sich in ihrer Umgebung zurechtfinden und diese zu verändern,

ohne dass sie vom Menschen gesteuert werden müssen. Autonom

bedeutet also soviel wie „seine eigenen Gesetze machen“.

Es gibt keine allgemeine Definition für autonome Agenten, da

das Anwendungsgebiet sehr breit gefächert ist.

Eine der Hauptaufgaben der autonomen Agenten ist der Einsatz

in gefährlichen Umgebungen z.B. Minensuchroboter. Sie

erledigen die Arbeit an Orten, wo es für Menschen zu

gefährlich ist, oder diese gar nicht hingelangen. z.B. in der

Kanalisation. Des Weiteren sollen die Agenten das Alltagsleben

der Menschen erleichtern, so wurden z.B. autonome Rollstühle

oder Roboter zur Altenpflege entwickelt.

Gerade für alte Menschen wurden auch autonome Agenten

entwickelt die rein der Unterhaltung dienen. Z.B. der

elektronische Hund AIBO (Artificial

Intelligence roBOt) der von Sony

entwickelt wurde. Die Nutzung reicht also

von ziemlich einfachen Aufgaben, bis zum

Einsatz in speziellen Bereichen wie z. B.

der Luftfahrt.

5.1 AIBO

Ein besonderes Merkmal von AIBO ist, dass er Wörter erlernen

kann und auf Befehle zu reagieren. Er lernt, indem man ihm

Dinge zeigt und das entsprechende Wort dazu genannt wird.

AIBO´s Augen (Kamera) nehmen dieses Objekt von verschiedenen

Seiten als Ganzes wahr. AIBO lernt Wörter durch

Verstärkungslernen, ein positives Feedback wird durch das Wort

„good“ gegeben, ein negatives Feedback durch das Wort „no“.

Das Erlernen von Wörtern ist durch den Kontext, in dem das

Lernen stattfindet stark beschränkt: das language game, AIBO´s

Eigenständigkeit und den Trainer. Oft ist es der Fall, dass

AIBO zu dem Zeitpunkt, an dem der Trainer auf ein Objekt zeigt

und das entsprechende Wort dazu ausspricht, schon wieder ein

anderes Objekt ansieht. Deshalb spielt die Aufmerksamkeit und

Zuwendung des Trainers eine große Rolle für den Lernerfolg: je

weniger intensiv sich der Trainer um AIBO kümmert, desto

schlechter wird AIBO im Klassifikationsspiel.

Ein typischer Dialog kann folgender sein:

1. Human: Stand (der Roboter hat schon Befehle erworben)

2. Human: Stand up.

3. Human: Look

4. Human: ball

5. Aibo: ball?

6. Human: Yes

7. Human: What is it?

8. Aibo: Ball

9. Human: Good

6. Resumé

Wie an dem “Symbol Grounding” Problem zu sehen ist, ist eine

Verbindung von Symbolen und den dazugehörigen Perzepten in der

Welt von immanenter Wichtigkeit.

Ein System zum Lernen von Objekten muss diese daher in der

Welt sensorisch verankern.

Bei der Benennung der Objekte muss das System Nominalphrasen

verarbeiten können.

7. Literaturverzeichnis

http://users.ecs.soton.ac.uk/

http://www.uibk.ac.at/psychologie/ arbeit.pdf

http://www.informatik.uni-leipzig.de/

http://www.ifi.unizh.ch/

http://www.christoph-pingel.de/

http://www.ling.ed.ac.uk/

http://www.wikipedia.de

http://www.philosophyofinformation.net/

Abbildungsverzeichnis

http://www.cs.bham.ac.uk/

http://www.unc.edu/

http://www.wikipedia.de

http://users.ecs.soton.ac.uk/~harnad/Papers/Harnad/harnad90.sgproblem.htmlhttp://www.informatik.uni-leipzig.de/http://www.ifi.unizh.ch/groups/ailab/teaching/semi2000/Design Principles of Autonomous Agents Text.pdfhttp://www.ling.ed.ac.uk/http://www.cs.bham.ac.uk/http://www.unc.edu/~prinz/pictures/c-room.gif

2.2 Symbol-Systeme