Im Folgenden werde ich das System zur künstlichen Lernintelligenz (Artificial Learning Intelligence System, ALIS) organisieren, indem ich seine Konzepte und Prinzipien bis hin zu seinem grundlegenden Design und seinen Entwicklungsmethoden behandle.
Konzept
Aktuelle generative KI, primär große Sprachmodelle, werden basierend auf überwachtem Lernen mittels neuronaler Netze trainiert.
Wir bezeichnen diesen Trainingsprozess neuronaler Netze als angeborenes Lernen.
ALIS ist ein System, das umfassende Inferenz ermöglicht, indem es sowohl angeborene als auch erworbene Lernprozesse integriert, indem es einen vom angeborenen Lernen getrennten erworbenen Lernprozess einbezieht.
Bei diesem erworbenen Lernen wird gelerntes Wissen extern zum neuronalen Netz gespeichert und während der Inferenz genutzt.
Der technische Kern von ALIS liegt daher in der Extraktion, Speicherung von wiederverwendbarem Wissen sowie der Auswahl und Nutzung von Wissen während der Inferenz.
Des Weiteren ist ALIS nicht nur eine einzelne elementare Technologie, sondern auch eine Systemtechnologie, die angeborenes und erworbenes Lernen kombiniert.
Elemente eines Lernintelligenzsystems
ALIS behandelt sowohl bestehendes angeborenes Lernen als auch zukünftiges erworbenes Lernen als nach denselben Prinzipien innerhalb des Rahmens von Lernen und Inferenz funktionierend.
Um die Prinzipien des Lernens in ALIS zu erläutern, definieren wir fünf Elemente eines Lernintelligenzsystems:
Das erste ist der Intelligente Prozessor. Dieser bezieht sich auf ein Verarbeitungssystem, das Inferenz mittels Wissen durchführt und Wissen zum Lernen extrahiert.
Repräsentative Beispiele für intelligente Prozessoren sind LLMs und Teile des menschlichen Gehirns.
Das zweite ist der Wissensspeicher. Dieser bezieht sich auf einen Speicherort, an dem extrahiertes Wissen gespeichert und bei Bedarf abgerufen werden kann.
In LLMs sind die Parameter des neuronalen Netzwerks der Wissensspeicher. Beim Menschen entspricht er dem Langzeitgedächtnis im Gehirn.
Das dritte ist die Welt. Dies bezieht sich auf die externe Umgebung, wie sie von Lernintelligenzsystemen wie Menschen oder ALIS wahrgenommen wird.
Für den Menschen ist die Welt die Realität selbst. Im Fall von LLMs wird der Mechanismus, der Ausgaben vom LLM empfängt und an dieses zurückmeldet, als Äquivalent zur Welt betrachtet.
Das vierte ist der Zustandsspeicher. Dies bezieht sich auf einen internen temporären Speicher, ähnlich einem Notizblock, den ein Lernintelligenzsystem während der Inferenz verwendet.
In LLMs ist dies der während der Inferenz verwendete Speicherbereich, bekannt als Hidden States. Beim Menschen entspricht er dem Kurzzeitgedächtnis.
Das fünfte ist das Framework. Dies ist das sogenannte Denkgerüst. In der Terminologie eines Lernintelligenzsystems bezieht es sich auf die Kriterien zur Auswahl des notwendigen Wissens während der Inferenz und die logische Zustandsraumstruktur zur Organisation des Zustandsspeichers.
In LLMs ist es die semantische Struktur der Hidden States, und im Allgemeinen ist ihr Inhalt vage und für den Menschen unverständlich. Darüber hinaus ist die Wissensauswahl in den Aufmerksamkeitsmechanismus integriert, der für jedes zu verarbeitende Token auswählt, auf welche vorhandenen Token verwiesen werden soll.
Für den Menschen ist es, wie oben erwähnt, das Denkgerüst. Beim Denken mit einem bestimmten Denkgerüst werden bestimmte Sätze von Know-how aus dem Langzeitgedächtnis abgerufen und in das Kurzzeitgedächtnis geladen. Dann werden die aktuell wahrgenommenen Informationen gemäß dem Denkgerüst organisiert, um die Situation zu verstehen.
Prinzipien eines Lernintelligenzsystems
Ein Lernintelligenzsystem funktioniert wie folgt:
Der intelligente Prozessor wirkt auf die Welt ein. Die Welt reagiert mit Ergebnissen, die auf dieser Aktion basieren.
Der intelligente Prozessor extrahiert wiederverwendbares Wissen aus diesen Ergebnissen und speichert es im Wissensspeicher.
Wenn der intelligente Prozessor wiederholt auf die Welt einwirkt, wählt er Wissen aus dem Wissensspeicher aus und nutzt es, um seine Handlungsweise zu modifizieren.
Dies ist der grundlegende Mechanismus.
Im Grunde bestimmen jedoch die Methoden zur Wissensextraktion, -speicherung, -auswahl und -nutzung, ob das System sinnvolles Lernen erreichen kann.
Menschen besitzen Mechanismen, die eine effektive Wissensextraktion, -speicherung, -auswahl und -nutzung ermöglichen, wodurch sie lernen können.
Neuronale Netze, einschließlich LLMs, verfügen über Mechanismen zur Speicherung, Auswahl und Nutzung, obwohl der Extraktionsteil von einem externen Lehrer übernommen wird. Dies ermöglicht es ihnen zu lernen, solange ein Lehrer die Eingabe bereitstellt.
Darüber hinaus kann ein Lernintelligenzsystem komplexeres Lernen erreichen, indem es auch die Extraktion, Speicherung und Auswahl von Frameworks sowie deren Nutzung im Zustandsspeicher als Wissen lernt.
Wissensarten
Basierend auf diesem Prinzip ist es beim Entwurf von erworbenem Lernen notwendig zu klären, welche Form von Information erworbenes Wissen annehmen wird.
Es ist denkbar, erworbenes Wissen separat als Parameter eines neuronalen Netzes zu lernen.
Erworbenes Wissen muss sich jedoch nicht ausschließlich auf neuronale Netzwerkparameter beschränken. Ein realistischer Kandidat ist in natürlicher Sprache textuelles Wissen.
Wenn Wissen in natürlicher Sprache textuell erfasst wird, kann es durch die Nutzung der Fähigkeiten zur Verarbeitung natürlicher Sprache von LLMs extrahiert und verwendet werden. Darüber hinaus kann es als Daten in einem regulären IT-System behandelt werden, was Speicherung und Auswahl erleichtert.
Ferner ist in natürlicher Sprache textuelles Wissen für Menschen und andere LLMs leicht zu überprüfen, zu verstehen und in einigen Fällen zu bearbeiten.
Es kann auch mit anderen lernenden intelligenten Systemen geteilt und zusammengeführt oder aufgeteilt werden.
Aus diesen Gründen wird das erworbene Wissen im ALIS-Konzept anfänglich darauf abzielen, Wissen in natürlicher Sprache zu textuieren.
Erworbener Zustandsspeicher und Framework
Ich habe die Vorteile erläutert, die sich aus der Wahl von in natürlicher Sprache textuell erfasstem Wissen als erworbenes Wissen ergeben.
Ähnlich kann auch natürlicher Sprachtext für den Zustandsspeicher und das Framework zur Inferenz verwendet werden.
Das Framework, das eine konzeptionelle Struktur ist, kann ebenfalls als in natürlicher Sprache textuell erfasstes Wissen im Wissensspeicher gespeichert und genutzt werden.
Beim Initialisieren oder Aktualisieren von Zuständen basierend auf der durch dieses Framework definierten Struktur kann textbasierter Zustandsspeicher verwendet werden.
Durch die Gestaltung von ALIS, die das Textformat nicht nur für erworbenes Wissen, sondern auch für Frameworks und Zustandsspeicher nutzt, kann ALIS die Funktionen zur Verarbeitung natürlicher Sprache von LLMs sowohl für das erworbene Lernen als auch für die allgemeine Inferenz nutzen.
Formale Kenntnisse
Erworbenes Wissen, Frameworks und Zustandsspeicher können nicht nur durch natürliche Sprachtexte, sondern auch durch präzisere formale Sprachen oder formale Modelle dargestellt werden.
Obwohl ich „auswählen“ schrieb, ist es das Ziel von ALIS, mehrere Mechanismen für den Erwerb von Wissen zu integrieren, um eine hybride Nutzung von angeborenem und erworbenem Lernen zu ermöglichen.
Wissen, das durch formale Sprachen oder formale Modelle dargestellt wird, kann präziser und eindeutiger sein.
Wenn ein Framework mittels einer formalen Sprache oder eines formalen Modells ausgedrückt wird und ein Anfangszustand im Zustandsspeicher erweitert wird, kann ein formales Modell von einem intelligenten Prozessor (nicht einem LLM) verarbeitet werden, um präzise Simulationen und logische Schlussfolgerungen durchzuführen.
Ein Paradebeispiel für solche formalen Sprachen und formalen Modelle sind Programmiersprachen.
Wenn das System die Welt lernt und dabei die zugrunde liegenden Gesetze und Konzepte als Programme innerhalb eines Frameworks ausdrücken kann, können diese anschließend von einem Computer simuliert werden.
Spalte 1: Arten von Wissen
Wenn wir das Wissen innerhalb eines lernenden intelligenten Systems organisieren, wird deutlich, dass es grob in drei Systeme und zwei Typen kategorisiert werden kann.
Die drei Systeme sind: Netzwerkparameterwissen, das von neuronalen Netzen verarbeitet wird, natürliches Wissen in natürlicher Sprache und formales Wissen in formalen Sprachen.
Die zwei Typen sind zustandslos (stateless) und zustandsbehaftet (stateful).
Zustandsloses Netzwerkparameterwissen ist intuitives Wissen, wie es in Deep-Learning-KI vorkommt. Die Merkmale von Katzen und Hunden, die nicht verbal gedacht oder identifiziert werden können, können als zustandsloses Netzwerkparameterwissen gelernt werden.
Zustandsbehaftetes Netzwerkparameterwissen ist unscharfes, aus iterativen Prozessen abgeleitetes Wissen, wie es in generativer KI vorkommt.
Zustandsloses natürliches Wissen ist Wissen wie die einem Wort zugeordnete Bedeutung.
Zustandsbehaftetes natürliches Wissen ist Wissen, das den Kontext innerhalb eines Satzes umfasst.
Einiges natürliches Wissen ist von Natur aus im zustandsbehafteten Netzwerkparameterwissen enthalten, aber es gibt auch Wissen, das postnatal aus natürlichem Sprachtext erworben werden kann.
Zustandsloses formales Wissen ist Wissen, das durch mathematische Formeln ausgedrückt werden kann, die keine Iteration enthalten. Zustandsbehaftetes formales Wissen ist Wissen, das durch Programme ausgedrückt werden kann.
Das Kurzzeitgedächtnis des eigenen Gehirns kann auch als Zustandsspeicher für natürliches und formales Wissen verwendet werden.
Da es sich jedoch um Kurzzeitgedächtnis handelt, besteht das Problem, dass es schwierig ist, einen Zustand stabil aufrechtzuerhalten. Auch ist es nicht gut darin, Wissen in einem formalisierten, eindeutigen Zustand zu halten.
Andererseits können Papier, Computer oder Smartphones als Zustandsspeicher zum Aufschreiben und Bearbeiten von natürlichem Sprachtext, formalen Sprachen oder formalen Modellen verwendet werden.
Im Allgemeinen werden Daten auf Papier oder Computern oft als etwas zum Speichern von Wissen als Wissensspeicher wahrgenommen, aber sie können auch als Zustandsspeicher zum Ordnen von Gedanken verwendet werden.
Somit ist offensichtlich, dass Menschen intellektuelle Aktivitäten ausführen, indem sie diese drei Systeme und zwei Arten von Wissen geschickt nutzen.
ALIS hat auch das Potenzial, seine Fähigkeiten dramatisch zu verbessern, indem es intellektuelle Aktivitäten, die dieselben drei Systeme und zwei Arten von Wissen nutzen, ermöglicht und erweitert.
Insbesondere hat ALIS die Stärke, riesige Wissensspeicher und Zustandsspeicher nutzen zu können. Darüber hinaus kann es leicht mehrere Instanzen jedes Typs vorbereiten und intellektuelle Aufgaben durch Wechseln oder Kombinieren ausführen.
Spalte 2: Intellektuelle Orchestrierung
Obwohl es eine Stärke ist, eine große Menge an Wissen im Wissensspeicher ablegen zu können, ist eine bloße große Wissensmenge nicht unbedingt vorteilhaft für intellektuelle Aktivitäten, da die Anzahl der Tokens, die eine generative KI gleichzeitig nutzen kann, begrenzt ist und irrelevantes Wissen zu Rauschen wird.
Andererseits können durch eine geeignete Segmentierung des Wissensspeichers und die Schaffung hochdichter, spezialisierter Wissensspeicher, die für bestimmte intellektuelle Aufgaben notwendiges Wissen sammeln, die Probleme der Token-Begrenzung und des Rauschens gemildert werden.
Im Gegenzug wären solche spezialisierten Wissensspeicher nur für diese spezifischen intellektuellen Aufgaben nutzbar.
Viele intellektuelle Aktivitäten sind komplexe Kombinationen verschiedener intellektueller Aufgaben. Indem Wissen nach der Art der intellektuellen Aufgabe in spezialisierte Wissensspeicher unterteilt und die intellektuelle Aktivität in intellektuelle Aufgaben untergliedert wird, kann ALIS die gesamte intellektuelle Aktivität ausführen, während es angemessen zwischen den spezialisierten Wissensspeichern wechselt.
Dies gleicht einem Orchester, das aus professionellen Musikern besteht, die verschiedene Instrumente spielen, und einem Dirigenten, der das Ganze leitet.
Durch diese Systemtechnologie, die „intellektuelle Orchestrierung“, wird ALIS in der Lage sein, seine intellektuellen Aktivitäten zu organisieren.
ALIS: Grundlegendes Design und Entwicklungsmethode
Von hier aus werde ich den Entwicklungsansatz für ALIS organisieren.
Wie bereits in den Prinzipien und Spalten dargelegt, ist ALIS von Natur aus so konzipiert, dass seine Funktionen und Ressourcen leicht erweitert werden können. Dies liegt daran, dass das Wesen von ALIS nicht in spezifischen Funktionen, sondern in den Prozessen der Wissensextraktion, -speicherung, -auswahl und -nutzung liegt.
Zum Beispiel können mehrere Arten von Wissensextraktionsmechanismen vorbereitet und dann je nach Systemdesign ausgewählt oder gleichzeitig verwendet werden.
Darüber hinaus kann ALIS diese Auswahl selbst vornehmen.
Speicherung, Auswahl und Nutzung können ebenfalls frei gewählt oder parallelisiert werden.
Daher kann ALIS inkrementell und agil entwickelt werden, ohne dass die gesamte Funktionalität nach dem Wasserfallmodell entworfen werden muss.
Der Beginn von ALIS
Nun wollen wir ein sehr einfaches ALIS entwerfen.
Die grundlegende Benutzeroberfläche wird die bekannte Chat-KI sein. Zunächst wird die Benutzereingabe direkt an das LLM weitergeleitet. Die Antwort des LLM wird dann auf der Benutzeroberfläche angezeigt, und das System wartet auf die nächste Benutzereingabe.
Wenn die nächste Eingabe erfolgt, empfängt das LLM nicht nur die neue Eingabe, sondern auch den gesamten Chat-Verlauf zwischen dem Benutzer und dem LLM bis zu diesem Zeitpunkt.
Hinter dieser Chat-KI-Benutzeroberfläche werden wir einen Mechanismus vorbereiten, um wiederverwendbares Wissen aus dem Chat-Verlauf zu extrahieren.
Dies kann dem Chat-KI-System als Prozess hinzugefügt werden, der beim Beenden einer Konversation oder in regelmäßigen Abständen ausgeführt wird. Selbstverständlich wird ein LLM für die Wissensextraktion verwendet.
Diesem LLM werden das ALIS-Konzept und seine Prinzipien sowie Know-how zur Wissensextraktion als System-Prompts gegeben. Wenn das Wissen nicht wie beabsichtigt extrahiert wird, sollten die System-Prompts durch Versuch und Irrtum verfeinert werden.
Das aus dem Chat-Verlauf extrahierte Wissen wird direkt in einem Wissenssee (Knowledge Lake) gespeichert. Ein Wissenssee ist ein Mechanismus zur einfachen Speicherung von Wissen in einem flachen, unstrukturierten Zustand, bevor es strukturiert wird.
Als Nächstes werden wir einen Strukturierungsmechanismus vorbereiten, um die Auswahl von Wissen aus dem Wissenssee zu erleichtern.
Dies bedeutet die Bereitstellung von Embedding-Vektorspeichern für die semantische Suche, wie sie typischerweise in RAG verwendet werden, sowie von Stichwortindizes und anderem.
Fortgeschrittenere Optionen umfassen die Generierung eines Wissensgraphen oder die Durchführung einer Kategorisierung.
Diese Sammlung strukturierter Informationen für den Wissenssee wird als Wissensbasis (Knowledge Base) bezeichnet. Diese gesamte Wissensbasis und der Wissenssee bilden den Wissensspeicher (Knowledge Store).
Als Nächstes werden wir den Wissensspeicher in die Verarbeitung der Chat-Benutzeroberfläche integrieren.
Dies entspricht im Wesentlichen einem allgemeinen RAG-Mechanismus. Für die Benutzereingabe wird relevantes Wissen aus dem Wissensspeicher ausgewählt und zusammen mit der Benutzereingabe an das LLM weitergeleitet.
Dies ermöglicht es dem LLM, Wissen bei der Verarbeitung von Benutzereingaben automatisch zu nutzen.
Auf diese Weise wird sich Wissen mit jeder Konversation mit dem Benutzer ansammeln, wodurch ein einfaches ALIS realisiert wird, das das aus früheren Konversationen angesammelte Wissen nutzt.
Einfaches Szenario
Stellen Sie sich zum Beispiel vor, ein Benutzer entwickelt eine Webanwendung mit diesem einfachen ALIS.
Der Benutzer meldet, dass der vom LLM vorgeschlagene Code zu einem Fehler führte. Nachdem Benutzer und LLM zusammengearbeitet haben, um das Problem zu beheben, stellen sie fest, dass die dem LLM bekannte externe API-Spezifikation veraltet war und das Programm nach Anpassung an die neueste API-Spezifikation korrekt funktioniert.
Aus diesem Chat-Thread könnte ALIS dann Wissen in seinem Wissensspeicher ansammeln: insbesondere, dass die dem LLM bekannte API-Spezifikation alt ist und wie die neueste API-Spezifikation aussieht.
Wenn dann das nächste Mal ein Programm mit derselben API erstellt wird, könnte ALIS dieses Wissen nutzen, um von Anfang an ein Programm zu generieren, das auf der neuesten API-Spezifikation basiert.
Verbesserungen am initialen ALIS
Damit dies jedoch geschehen kann, muss dieses Wissen als Reaktion auf Benutzereingaben ausgewählt werden. Es ist möglich, dass dieses Wissen nicht direkt mit der Benutzereingabe verknüpft ist, da der problematische API-Name möglicherweise nicht in der Benutzereingabe erscheint.
In diesem Fall würde der API-Name erst während der Antwort des LLM auftauchen.
Daher werden wir das einfache ALIS leicht erweitern, indem wir Mechanismen für die Voranalyse und Nachprüfung hinzufügen.
Die Voranalyse ähnelt dem „Denkmodus“ in neueren LLMs. Ein Speicher, der Text als Zustandsspeicher aufnehmen kann, wird vorbereitet, und der System-Prompt weist das LLM an, nach Empfang einer Benutzereingabe eine Voranalyse durchzuführen.
Das Ergebnis der Voranalyse des LLM wird im Zustandsspeicher abgelegt. Basierend auf diesem Voranalyseergebnis wird Wissen aus dem Wissensspeicher ausgewählt.
Anschließend werden der Chat-Verlauf, das Voranalyseergebnis, das der Benutzereingabe entsprechende Wissen und das dem Voranalyseergebnis entsprechende Wissen an das LLM übergeben, um eine Antwort zu erhalten.
Darüber hinaus wird das vom LLM zurückgegebene Ergebnis auch verwendet, um Wissen aus dem Wissensspeicher zu suchen. Einschließlich des dort gefundenen Wissens wird das LLM gebeten, eine Nachprüfung durchzuführen.
Werden Probleme festgestellt, werden die problematischen Punkte und die Gründe für die Beanstandung aufgenommen und an das Chat-LLM zurückgegeben.
Indem wir Möglichkeiten zur Wissensauswahl während der Voranalyse und Nachprüfung schaffen, können wir die Chancen erhöhen, angesammeltes Wissen zu nutzen.
Ausblick
Dieser Ansatz, ein initiales ALIS zu entwickeln und dann Verbesserungen zur Behebung seiner Schwächen hinzuzufügen, veranschaulicht perfekt agile Entwicklung und die inkrementelle Verbesserung von ALIS.
Darüber hinaus eignet sich das initiale ALIS, wie beispielhaft gezeigt, am besten für den Einsatz in der Softwareentwicklung. Dies liegt daran, dass es ein stark nachgefragtes Feld ist und auch eines, in dem Wissen leicht und klar akkumuliert werden kann.
Es ist ein Genre, in dem Dinge eindeutig Schwarz oder Weiß sind, und doch ist es auch ein entscheidendes Feld, in dem Versuch und Irrtum sowie eine iterative Wissensakkumulation notwendig und wichtig sind.
Da die ALIS-Entwicklung selbst Softwareentwicklung ist, ist es zudem attraktiv, dass ALIS-Entwickler selbst ALIS-Benutzer sein können.
Und zusammen mit dem ALIS-System kann der Wissenssee auch offen auf Plattformen wie GitHub geteilt werden.
Dies würde vielen Menschen ermöglichen, an ALIS-Systemverbesserungen und Wissensakkumulation zusammenzuarbeiten, wobei alle von den Ergebnissen profitieren und die ALIS-Entwicklung weiter beschleunigt wird.
Selbstverständlich ist die Wissensfreigabe nicht auf ALIS-Entwickler beschränkt, sondern kann von allen Softwareentwicklern gesammelt werden, die ALIS nutzen.
Die Tatsache, dass Wissen in natürlicher Sprache vorliegt, bietet zwei weitere Vorteile:
Der erste Vorteil ist, dass das Wissen auch dann genutzt werden kann, wenn sich das LLM-Modell ändert oder aktualisiert wird.
Der zweite Vorteil ist, dass der riesige angesammelte Wissenssee als Vortrainings-Datensatz für LLMs verwendet werden kann. Dies kann auf zwei Arten geschehen: indem er für das Fine-Tuning verwendet wird oder indem er für das LLM-Vortraining selbst verwendet wird.
In jedem Fall wird die Softwareentwicklung noch effizienter, wenn LLMs, die das im Wissenssee angesammelte Wissen angeboren gelernt haben, genutzt werden können.
Darüber hinaus gibt es innerhalb der Softwareentwicklung verschiedene Prozesse wie Anforderungsanalyse, Design, Implementierung, Test, Betrieb und Wartung, und für jede Softwaredomäne und -plattform existiert spezialisiertes Wissen. Wenn ein Mechanismus geschaffen wird, um das riesige angesammelte Wissen aus diesen Perspektiven zu segmentieren, kann auch ein ALIS-Orchester gebildet werden.
Somit sind die elementaren Technologien für ALIS vorhanden. Der Schlüssel liegt nun darin, verschiedene Methoden – wie Know-how zur Wissensextraktion, angemessene Wissensauswahl, Segmentierung spezialisierten Wissens und die Nutzung des Zustandsspeichers – praktisch auszuprobieren, um effektive Ansätze zu entdecken. Auch mit zunehmender Komplexität werden Verarbeitungszeit und LLM-Nutzungskosten steigen, was eine Optimierung erfordert.
Diese Versuch-und-Irrtum- und Optimierungsprozesse können adaptiv durch die Entwicklung und Verbesserung von Frameworks verfolgt werden.
Anfangs werden die Entwickler als Benutzer Frameworks wahrscheinlich durch Versuch und Irrtum in ALIS integrieren. Doch auch dann kann das LLM selbst Framework-Ideen generieren.
Und indem Frameworks in ALIS integriert werden, die Frameworks basierend auf den aus der Welt erhaltenen Ergebnissen und extrahiertem Wissen verbessern oder entdecken, wird ALIS selbst adaptiv Versuch und Irrtum sowie Optimierung durchführen.
ALIS in der realen Welt
Sobald ALIS bis zu diesem Stadium verfeinert wurde, sollte es in der Lage sein, Wissen nicht nur in der Welt der Softwareentwicklung, sondern auch in verschiedenen anderen Bereichen zu erlernen.
Ähnlich wie in der Softwareentwicklung wird erwartet, dass ALIS seinen Anwendungsbereich auf verschiedene intellektuelle Aktivitäten ausdehnen wird, die Menschen mithilfe von Computern ausführen.
Selbst bei solchen rein intellektuellen Aktivitäten besitzt ALIS eine Art verkörperte KI-Natur in Bezug auf die Zielwelt.
Dies liegt daran, dass es die Grenze zwischen sich selbst und der Welt erkennt, über diese Grenze auf die Welt einwirkt und Informationen wahrnehmen kann, die es von der Welt erhält.
Was wir im Allgemeinen als „Körper“ bezeichnen, ist eine physisch sichtbare und an einem Ort lokalisierte Grenze zur Welt.
Doch selbst wenn die Grenze unsichtbar und räumlich verteilt ist, ist die Struktur der Wahrnehmung und Aktion über eine Grenze hinweg dieselbe wie die eines physischen Körpers.
In diesem Sinne kann ALIS, wenn es intellektuelle Aktivitäten ausführt, als virtuell verkörperte KI betrachtet werden.
Und sobald ALIS so weit verfeinert ist, dass es auch in neuen, unbekannten Welten angemessen lernen kann, besteht die Möglichkeit, dass ALIS als Teil einer realen verkörperten KI, die einen physischen Körper besitzt, integriert werden kann.
Auf diese Weise wird ALIS schließlich in der realen Welt angewendet und beginnen, von ihr zu lernen.