Mensch, Maschine - Teil 1
Text: Dr. Jakob Vicari | Lesezeit: ca. 15 Min. MENSCH, MASCHINEKünstliche Intelligenz hat in Werkhallen und Wohnungen Einzug gehalten: Sie begegnet uns direkt als Assistent in Smartphones, analysiert Algorithmen, stellt medizinische Diagnosen oder überprüft Fertigungsteile. Mit ihrer Hilfe werden Daten und Informationen nicht nur lebendig, sondern wertvoll. Die intelligenten Systeme lernen ständig dazu. Schneller als die Menschen, die sie benutzen. Die Technologie schickt sich an, unser Leben zu verändern – und uns womöglich zu überflügeln. Nicht mehr nur Menschen sind Ansprechpartner, sondern auch die Dinge und Maschinen um uns herum. Sie verstehen nicht nur, was wir sagen, sondern auch in welcher Stimmung wir sind und was wir dabei tun.
KAPITEL 1 – Wie lernt sie?
KAPITEL 2 – Wie arbeitet sie?
KAPITEL 3 – Wie kommuniziert sie mit uns?
KAPITEL 2 – Wie arbeitet sie?
KAPITEL 3 – Wie kommuniziert sie mit uns?
TEIL 1 Wie lernt sie? Was passiert, wenn die Maschine intelligenter ist als der Mensch, der sie bedient? Daran arbeitet das Start-up „Twenty Billion Neurons“ aus Berlin.
Das sagt Gründer Christian Thurau. Und er meint diesen Anspruch ernst. Er hat 15 Jahre auf dem Gebiet geforscht und über 50 wissenschaftliche Aufsätze verfasst, bevor er vor drei Jahren das eigene Start-up gründete. Und doch ist er fasziniert von der Geschwindigkeit, mit der sich die Technologie weiterentwickelt.
DAS SEHEN VERSTEHENDer Boom der künstlichen Intelligenz verdankt sich der steigenden Prozessorleistung und Durchbrüchen im maschinellen Lernen. Kern vieler Technologien sind künstliche neuronale Netze, Gebilde aus künstlichen Neuronen, die sich verstärken oder hemmen, ganz ähnlich wie die Neuronen im menschlichen Gehirn. Wird ein solches Netz mit Daten gefüttert, lernt es durch das Knüpfen neuer Verbindungen, das Löschen und das Ändern der Gewichtung. Eine Kunst liegt darin, die riesige Menge an künstlichen Neuronen möglichst geschickt anzuordnen, eine andere darin, sie möglichst sinnvoll zu schulen.
Die Aufgaben werden immer komplexer. Bei TwentyBN glauben sie, dass eine künstliche Intelligenz, die Videos versteht, der nächste Durchbruch sein wird. Thurau sagt: „Wir konnten zeigen, dass künstliche Intelligenzen die Physik unserer Welt verstehen – und erkennen können, was in visuellen Szenarien passiert.“ Solche smarten Analysesysteme, früher wegen der Datenmengen undenkbar, könnten auch beim autonomen Fahren oder in der Produktion ein großer Vorteil sein. Gelöst sind sie noch nicht.
VOM WAS ZUM WAS PASSIERT DAEin Mann greift nach einer Tasse, trinkt, hält sie zur Kamera und zeigt, dass sie nun leer ist. Eine Handlung, die Menschen seit frühester Kindheit vertraut ist. Künstliche Intelligenzen haben keine Kindheit. Sie teilen nicht den „Common Sense“ des alltäglichen Verstehens. Und ahnen nicht, dass eine Person, die sie erkannt haben und die hinter einem Auto verschwindet, auf der anderen Seite wieder herauskommen wird. Und so gilt die Erkennung von Handlungen als eine der größten Herausforderung für künstliche Intelligenzen. Der Bewegungsablauf, so trainiert er ist, besteht aus Dutzenden Schritten.
„Unser Cortex ist darauf trainiert, Folgen miteinander in Bezug zu setzen“, sagt Christian Thurau von TwentyBN. Denn Videodaten sind viel komplexer als Bilddaten. Und vor allem ist die Abfolge bei jeder Person etwas anders, schon allein abhängig davon, ob sie Rechts- oder Linkshänder ist. Verbaut in einen Industrieroboter könnte die Technologie erkennen, was ein menschlicher Kollege tut, und entsprechend reagieren, sie könnte beim autonomen Fahren helfen oder als Teil von Pflegerobotern.
ZWEITHIRN ZUR MIETETwentyBN vermietet sein künstliches Zweithirn an Unternehmen. Wer einen Zugang mietet, kann ein neuronales Netz nutzen: ein Gebilde aus künstlichen Neuronen, trainiert auf Aufgaben, das Dinge lernt, ähnlich, wie es Menschen tun. Daher kommt auch der Name des Unternehmens: Er ist abgeleitet von den 20 Milliarden Nervenzellen in unserer Großhirnrinde. Thurau kann sein künstliches Neuronennetz trainieren, damit es Bilder erkennt, Texte übersetzt oder Fragen beantwortet.
Und Muster gibt es praktisch überall, ob auf Werkteilen oder in Roboterbewegungen. Thurau kommt aus der Forschung und hat zuvor beim Fraunhofer-Institut gearbeitet. „Ein Fertigungsroboter könnte dank Mustererkennung lernen, sich selbst einzustellen“, sagt Thurau, „oder eine Kamera erkennt Lackschäden auf Autotüren.“
DAS TRAININGEine unsichtbare Armee von Crowd-Schauspielern filmt alltägliche Dinge um künstliche Intelligenzen zu trainieren. TwentyBN ist nur eines der Start-ups, die ihnen wenige Cents für Videos zahlen, auf denen die Laiendarsteller alltägliche Sachen tun. So haben schon einige tausend Menschen verschiedene Handgesten vorgeführt und gefilmt, die die künstliche Intelligenz auf diese Weise gelernt hat: Sie greifen nach Schuhen, bedienen eine Fernbedienung oder winken einfach. „Es geht darum, den Common Sense beizubringen“, sagt Christian Thurau, „Dinge, die für uns vollkommen klar sind.“ Die Kommunikation Mensch-Maschine, sie scheint in diesen Momenten nur noch ein Trainingsproblem zu sein.
Teil 2: Wie arbeitet sie?
TEIL 2 Wie arbeitet sie? Die Idee, Maschinen wie Menschen denken zu lassen, existiert schon lange. Das Konzept der neuronalen Netze hatten Warren McCulloch und Walter Pitts 1943 an der Universität Chicago vorgestellt. Doch die Versuche, einen intelligenten Computer zu entwickeln, waren zunächst vor allem eins: frustrierend. Erst das Internet brachte die riesigen digitalen Datenmengen, um künstliche Intelligenzen ausreichend füttern zu können – und erst das anbrechende 21. Jahrhundert die massive Rechenpower, die erforderlich ist, um diese Datenflut vernünftig auswerten zu können. Sammelten Computer im letzten Jahrhundert vor allem riesige Datenmengen, so erlaubt es erst künstliche Intelligenz, die Daten schlau auszunutzen.
ALEXAS UROMAEliza, von Joseph Weizenbaum am MIT entwickelt, ist der berühmteste Sprachcomputer. Ihre Intelligenz beschränkte sich auf ein paar festverdrahtete Regeln, die Weizenbaum entworfen hatte. Wenn man zum Beispiel „Ich erinnere mich an …“ eintippte, antwortete Eliza zuverlässig: „Warum erinnerst du dich daran gerade jetzt?“ Eliza antwortete mit diesem Muster, und zwar egal, ob es in der genannten Erinnerung um die Kindheit, ein Haustier oder einen Unfall ging. Andere Sätze wiederholte sie und hängte einfach ein Fragezeichen an. Nach der ersten Verblüffung merkten die Menschen schon nach drei oder vier Fragen, dass Elizas Intelligenz eher bescheiden war. Doch etwas in der Beziehung zwischen Mensch und Maschine veränderte sich: Mit Eliza und ihren Nachfolgern lernten die Nutzer, Fragen so zu stellen, dass die Computer sie verstanden.
EIN A IST KEIN KAFFEEFLECKKlassische Computerprogramme verwalten ihre Informationen wie in Schubladen einer Kommode. Auf jeder steht eine Frage, innen liegt die Antwort. Maschinelles Lernen löst das Schubladendenken auf. Es organisiert Informationen als Netz. Und ermöglicht es, anhand großer Datenmengen Vorhersagen zu treffen, indem es Muster erkennt und die Fähigkeit hat, selbstständig Wissen aus den eigenen Erfahrungen zu erzeugen.
Weil neuronale Netze in ihrer Funktionsweise mit den Nervenzellen des menschlichen Gehirns verwandt sind, müssen sie nicht umständlich programmiert werden. Sie werden trainiert, wie man Kinder unterrichten würde: mit möglichst vielen unterschiedlichen Beispielen, die ein zugrunde liegendes Prinzip erkennen lassen. Um etwa den Buchstaben „A“ möglichst zuverlässig identifizieren zu können, würde das neuronale Netz mit unterschiedlichen Erscheinungsformen des „A“ gefüttert, etwa in Handschrift, in Helvetica, Garamond und Times, unsauber gedruckt, gefettet oder auf dem Kopf stehend.
So wie ein Kind teils angeleitet, teils selbstständig lernt, Buchstaben und Zahlen zu unterscheiden, lernen die künstlichen Netze zum Beispiel zunächst, einen Kaffeefleck von einem Buchstaben zu unterscheiden und erst später ein „A“ von einem „Z“ – und das, ohne dass der Lehrer ständig alle Einzelheiten erklären müsste. Ein falsch gelernter Buchstabe ist kaum mehr zu beheben.
MEHR ALS EIN SPIEL In der Öffentlichkeit populär wurden die Leistungssprünge in der Künstlichen Intelligenz vor allem dadurch, dass sie Meister der Disziplin in Brettspielen schlugen. Dem Programm AlphaGo, entwickelt vom Google-Unternehmen DeepMind, schlug im Jahr 2016 den südkoreanischen Profi Lee Sedol im Brettspiel Go. Der Nachfolger Alpha Zero schaffte es ein Jahr später, die Spiele Schach, Go und Shogi in nur 24 Stunden zu erlernen und die besten Spielprogramme, die es bis dahin gab, zu schlagen.
INTELLIGENTE START-UPSEin guter Indikator, wie kurz die Einführung einer Technologiebevorsteht, ist stets die Zahl der Start-ups. Es gibt immer mehr Start-ups, die künstliche Intelligenz für marktreif halten. Die zwei Dutzend Gründer, die sich in der deutschen Hauptstadt bislang der bahnbrechenden Technologie widmen, sind fest entschlossen, sie für Software zu nutzen, die schlauer ist, als Computerprogramme nach herkömmlichen Maßstäben eigentlich sein können. Immerhin gibt es seit Februar 2018 einen Bundesverband www.ki-verband.de, der sich unter anderem der Förderung eines menschen-zentrierten und menschen-dienlichen Einsatzes von KI-Technologien verschrieben hat. Große Technologiekonzerne wie Google, Facebook und Apple kaufen fast wöchentlich Künstliche-Intelligenz-Spezialisten auf, um die eigenen Konzerne für die Zukunft zu rüsten. Der Digitalverband Bitkom schätzt, dass das Weltmarktvolumen für KI-Software im Jahr 2020 auf 21,2 Milliarden Euro wachsen wird.
IN MEHREREN DURCHLÄUFEN IN DIE TIEFEVor allem die „Deep Learning“ genannte Technologie hat den Boom der künstlichen Intelligenz gefördert. Beim „Deep Learning“ werden mehrere neuronale Netze übereinander geschichtet. Je mehr solcher Netze miteinander verschaltet sind, desto komplexer sind die Zusammenhänge, die sich die künstliche Intelligenz erschließen kann. Die Gesichtserkennung etwa verdankt die rasanten Fortschritte, die sie in den vergangenen Jahren erzielt hat, vor allem dem Deep Learning, das, vereinfacht beschrieben, so funktioniert: In der ersten Schicht lernt das System die Erkennung von Hell-Dunkel-Kontrasten, in der zweiten Schicht die Identifizierung von Kanten und einfachen Formen, in der dritten Schicht macht es sich komplexere Formen zu eigen, in der vierten Schicht lernt es schließlich, welche dieser Formen kennzeichnend für Gesichter sind.
VOM HUND ZUR SCHRAUBEEin oft eingesetztes Trainingssystem sind Hunderassen. Ohne Probleme unterscheidet das neuronale Netz einen „Rauhaardackel“ von einem „Entlebucher Sennenhund“. Der Stammbaum der Hunde ist einfach zu trainieren. Und er hat überraschenderweise eine verschachtelte Struktur, wie es sie als Problem auch in vielen Werkshallen gibt, wenn es zum Beispiel um die verschiedenen Formen von Schrauben geht.
WO LIEGT DER FEHLERAntworten von Künstliche-Intelligenz-Systemen, die derart komplex aufgebaut sind, sind selbst für die Entwickler nicht immer vorherzusehen. (Was die Fehlerbehebung nicht gerade einfacher macht.) Wir sind auf dem Weg zu einer neuen Art von Software. Software etwa, die von uns lernt, wie man Probleme löst, die an ihren Aufgaben wächst – und früher oder später ein effektiverer Problemlöser sein wird als die besten menschlichen Experten.
„Der wesentliche Vorteil künstlicher Intelligenz in der Produktion ist, dass nun Abläufe in einer Art und Weise optimiert werden können, die bis dato nicht möglich war“, sagt Dr. Walter Heibey, Head of Technology Innovation bei Sanofi. Denn die komplexe Planung muss nicht ein im Zweifel überlasteter Mensch machen. Die Abstimmung in der Produktion können die Maschinen untereinander verhandeln. OPTIMAL IM EINSATZGerade die Art, wie Menschen kommunizieren, oder eben nicht, macht das Leben in Unternehmen oft schwer. „Maschinen kommunizieren untereinander gänzlich vorbehaltslos – im Gegensatz zu Menschen“, so Heibeys Kollege Jan Tessnow, Experte für Smart Manufacturing bei MHP. Dabei geht es nicht um die Abschaffung des Menschen, das ist Heibey wichtig. Richtig spannend wird es, wenn mehrere intelligente Systeme miteinander sprechen, wie es bereits in Produktion und Logistik beginnt, wo beispielsweise durch ein intelligentes Roboterfahrzeug Teile aus dem Lager geholt und nachbestellt werden. Die getrennten Kreisläufe von Produktion und Logistik werden dabei durchbrochen.
VERZEIHEN UND VERSTEHEN„Wenn ich nicht erst schauen muss, ob das benötigte Spezialbauteil geliefert worden ist, sondern es schon bereitliegt, dann ist das die Magie, mit der die künstliche Intelligenz an Akzeptanz gewinnt“, sagt Heibey. Andererseits müssen die Menschen bereit sein, dem Computer Fehler zu verzeihen. Denn auch die künstliche Intelligenz ist nicht unfehlbar. Das sind die aktuellen Herausforderungen, wenn intelligente Systeme eingeführt sind. Tessnow spricht in diesem Zusammenhang von einem „Reifegrad“, den Unternehmen und Menschen haben müssen. „Nur in Unternehmen, in denen miteinander geredet wird, statt sich in Silos zu verschanzen, macht die Einführung von Künstliche-Intelligenz-Systemen Sinn.“
Teil 3: Wie kommuniziert sie mit uns?
TEIL 3Wie kommuniziert sie mit uns? Ob in der Produktion bei Audi oder als Gesundheitsassistent am Krankenbett: Künstliche Intelligenzsysteme haben in unserer Umgebung Einzug gehalten. Nicht immer erkennen wir sie auf den ersten Blick, wenn sie im Verborgenen Prozesse optimieren. Aber wenn wir ihnen begegnen, tun wir das unbefangen. Allerdings erwarten wir auch viel.
Die große Herausforderung für künstliche Intelligenzen im Umgang mit Menschen ist gar nicht so sehr, richtige Ergebnisse zu liefern. Das trauen wir Computern inzwischen zu. Wir akzeptieren sogar, dass sie uns in manchen Bereichen überlegen sind. Wichtig ist, dass sie uns offen mitteilen, wie sie entscheiden. Und dass sie es empathisch tun. Das weiß jeder, der schon einmal mit dem Sprachassistenten seines Navis über die richtige Route aneinandergeraten ist. Oder der den Sprachassistenten anschreit, weil der die falsche Musik spielt.
DIE MITFÜHLENDEN„Die Verfassung eines Patienten zu erkennen, dafür braucht ein Arzt einen Blick. Ada braucht vier bis fünf Fragen – manchmal auch ein paar mehr.“ Das sagt Martin Hirsch, Mediziner und Gründer von Ada. Ada versteht sich als „smarter Health Companion“, eine App, die einen begleitet und ihrem Besitzer hilft, sich besser zu fühlen. Die Gesundheits-App funktioniert so ähnlich wie ein Arzt-Besuch: Der Anwender nennt seine Symptome und beantwortet eine Reihe von Fragen nach dem eigenen Befinden. Daraus erstellt Ada mithilfe künstlicher Intelligenz eine Vor-Diagnose. „Es ist bereits ein erheblicher Mehrwert, wenn Patienten mit unserem Analyseergebnis zum Arzt gehen“, sagt Hirsch.
Dr. Martin Hirsch, Gründer und Chief Scientific OfficerMartin Hirsch wuchs in einer Familie von Wissenschaftlern auf und ist ein Enkel des berühmten Nobelpreisträgers Werner Heisenberg. Er studierte theoretische Medizin, bevor er als unabhängiger Forscher arbeitete. Sein besonderes Interesse gilt der kognitiven Neurowissenschaft, der semantischen Wissensrepräsentation und dem Einsatz von Technologie zur Unterstützung des menschlichen Denkens und der Entscheidungsfindung.
„Vertrauen entsteht durch Interaktion“, sagt Hirsch. „Der Vertrauensaufbau erfolgt in den ersten Sekunden.“ Lange hat das Team deshalb am Auftreten von Ada gefeilt. „Sie hält eine Mischung aus Distanz und Nähe, ist nicht übertrieben anbiedernd. Eher leise“, beschreibt er den Charakter von Ada. Sechs Jahre lang haben Hirsch und sein Team Ada entwickelt. Sie mussten dabei zum Beispiel lernen, dass die künstliche Intelligenz nicht die Frage stellt, die ihr in diesem Moment die meisten Informationen bringt, sondern die, die zur letzten Frage passt. „Die Nutzer wollen etwas, das sich verhält und anfühlt wie ein Mensch am anderen Ende der Leitung.“Was bedeutet das für unser Selbstverständnis als Mensch – wenn ein Sprachassistent unsere Stimmung erkennt und darauf reagiert? „Ein häufiges Feedback, das wir bekommen, ist: Endlich hört mir jemand zu. Ein Arzt hat ja in der Regel gar nicht mehr die Zeit, sich fünf Minuten für die Anamnese zu nehmen“, sagt Hirsch. Ada soll den Arzt nicht ersetzen. Sie soll ihn unterstützen. Unser Gehirn organisiert seinen Speicher effizient. „Die Faktenkapazität unseres Gehirns ist begrenzt. Für einen Computer hingegen ist Datenmenge kein Problem“, so Hirsch. Gerade bei seltenen Krankheiten ist Ada dem Arzt überlegen. Misstrauen hegen die Menschen eher gegen die Macher, nicht gegen die KI selbst, so sieht es Hirsch.
Wenn man sie lässt, kann Ada die Daten aus Apple Health nutzen, sehen, wie man schläft, wie viel man läuft und in welche Restaurants man geht. So hat die App mehr Daten als ein Arzt. Gerade arbeitet das Start-up an der Einbindung der Informationen von genetischen Analysen. Wenn der Patient schon mit einer Vor-Diagnose kommt, eröffnet das dem Arzt neue Freiräume.GEGENSEITIGES VERSTÄNDNISDie Freiräume betont auch Walter Heibey von Sanofi: „Der Mensch muss lernen, dem Algorithmus zu vertrauen. Wenn er das tut, dann ergibt sich für ihn selber die Möglichkeit, sich auf weitreichendere Dinge zu konzentrieren.“ Intelligente Computersysteme werden uns nicht die Jobs wegnehmen, aber sie werden sie verändern. Der intelligente Algorithmus kann in der Automobilproduktion zum Beispiel die Reihenfolge am Band ändern, wenn der LKW mit benötigten Teilen nicht pünktlich ist. „Wichtig ist es, dem Arbeiter diese Entscheidung des Systems transparent zu machen und nicht als dunkle Macht im Hintergrund wirken zu lassen.“
LÄNGST KEINE SCIENCE FICTIONNach den Gadgets hält die künstliche Intelligenz Einzug in die Industrie. Denn um zunehmend komplexere Daten zu analysieren und Voraussagen in vernetzten Systemen zu treffen, sind künstliche Intelligenzen unschlagbar. Am Ende steht die Vision von der selbststeuernden Fabrik. In den meisten Fällen werden KI-Systeme weitgehend unsichtbar ihr Werk verrichten. Wenn Maschinen denken wie die Gesundheitsberaterin Ada und Handlungen erkennen wie TwentyBN, können sie zu geschätzten Kollegen werden.
Die Frage ist dann nicht mehr so sehr, was die Computer können. Sondern die, ob die Menschen mit ihnen umgehen können, ob sie ihnen vertrauen und Informationen mit ihnen teilen.
Scrollen, um weiterzulesen
Wischen, um weiterzulesen
Wischen, um Text einzublenden
MENSCH, MASCHINE
Wie lernt sie?
Vorstellung Christian Thurau
Die Aufgaben werden immer komplexer.
Verbaut in einen Industrieroboter könnte die Technologie erkennen, was ein menschlicher Kollege tut, und entsprechend reagieren, sie könnte beim autonomen Fahren helfen oder als Teil von Pflegerobotern.
Wie arbeitet sie?
Eliza, 1964
So wie ein Kind teils angeleitet, teils selbstständig lernt, Buchstaben und Zahlen zu unterscheiden, lernen die künstlichen Netze zum Beispiel zunächst, einen Kaffeefleck von einem Buchstaben zu unterscheiden und erst später ein „A“ von einem „Z“ – und das, ohne dass der Lehrer ständig alle Einzelheiten erklären müsste. Ein falsch gelernter Buchstabe ist kaum mehr zu beheben.
Vor allem die „Deep Learning“ genannte Technologie hat den Boom der künstlichen Intelligenz gefördert.
Antworten von Künstliche-Intelligenz-Systemen, die derart komplex aufgebaut sind, sind selbst für die Entwickler nicht immer vorherzusehen. (Was die Fehlerbehebung nicht gerade einfacher macht.) Wir sind auf dem Weg zu einer neuen Art von Software. Software etwa, die von uns lernt, wie man Probleme löst, die an ihren Aufgaben wächst – und früher oder später ein effektiverer Problemlöser sein wird als die besten menschlichen Experten.
OPTIMAL IM EINSATZ
Wie kommuniziert sie mit uns?
Dr. Martin Hirsch, Gründer und Chief Scientific Officer
GEGENSEITIGES VERSTÄNDNIS
Die Frage ist dann nicht mehr so sehr, was die Computer können. Sondern die, ob die Menschen mit ihnen umgehen können, ob sie ihnen vertrauen und Informationen mit ihnen teilen.
MENSCH, MASCHINE
Wie lernt sie?
Vorstellung Christian Thurau
Die Aufgaben werden immer komplexer.
Verbaut in einen Industrieroboter könnte die Technologie erkennen, was ein menschlicher Kollege tut, und entsprechend reagieren, sie könnte beim autonomen Fahren helfen oder als Teil von Pflegerobotern.
Wie arbeitet sie?
Eliza, 1964
So wie ein Kind teils angeleitet, teils selbstständig lernt, Buchstaben und Zahlen zu unterscheiden, lernen die künstlichen Netze zum Beispiel zunächst, einen Kaffeefleck von einem Buchstaben zu unterscheiden und erst später ein „A“ von einem „Z“ – und das, ohne dass der Lehrer ständig alle Einzelheiten erklären müsste. Ein falsch gelernter Buchstabe ist kaum mehr zu beheben.
Vor allem die „Deep Learning“ genannte Technologie hat den Boom der künstlichen Intelligenz gefördert.
Antworten von Künstliche-Intelligenz-Systemen, die derart komplex aufgebaut sind, sind selbst für die Entwickler nicht immer vorherzusehen. (Was die Fehlerbehebung nicht gerade einfacher macht.) Wir sind auf dem Weg zu einer neuen Art von Software. Software etwa, die von uns lernt, wie man Probleme löst, die an ihren Aufgaben wächst – und früher oder später ein effektiverer Problemlöser sein wird als die besten menschlichen Experten.
OPTIMAL IM EINSATZ
Wie kommuniziert sie mit uns?
Dr. Martin Hirsch, Gründer und Chief Scientific Officer
GEGENSEITIGES VERSTÄNDNIS
Die Frage ist dann nicht mehr so sehr, was die Computer können. Sondern die, ob die Menschen mit ihnen umgehen können, ob sie ihnen vertrauen und Informationen mit ihnen teilen.
