教育新闻网如今，人工智能的基础流程实际上是愚蠢的。波鸿(Bochum)的研究人员正在努力使它们变得更智能。
激进大趋势甚至可能是一种风险：人工智能已经渗透到所有工业领域，并使媒体忙碌。RUB神经计算研究所的研究人员已经研究了25年。他们的指导原则是：为了使机器真正地智能化，新方法必须首先使机器学习更加有效和灵活。
“如今，成功的机器学习有两种类型：深度神经网络(也称为深度学习)以及强化学习，”神经元系统理论教授Laurenz Wiskott教授解释说。
神经网络能够做出复杂的决定。它们经常用于图像识别应用中。维斯科特说：“例如，他们可以从照片中分辨出被摄对象是男人还是女人。”
这种网络的结构受到大脑中神经细胞或神经元网络的启发。神经元通过几个输入通道接收信号，然后决定它们是否以电脉冲的形式将信号传递给下一个神经元。
神经网络同样接收多个输入信号，例如像素。第一步，许多人工神经元通过简单地将输入乘以不同但恒定的权重，然后将它们相加，从几个输入信号中计算出一个输出信号。这些算术运算中的每一个都产生一个值(以男性/女性为例)，对女性或男性的决策贡献不大。Laurenz Wiskott解释说：“但是，通过将负结果设置为零，结果会略有改变。这也是从神经细胞复制而来的，对于神经网络的性能至关重要。”
直到网络在最后阶段做出决定之前，相同的事情会在下一层再次发生。该过程中的阶段越多，功能越强大–具有100多个阶段的神经网络并不少见。神经网络通常比人类更能解决歧视任务。
这样的网络的学习效果是基于对正确的加权因子的选择，这些加权因子最初是随机选择的。劳伦兹·维斯科特(Laurenz Wiskott)表示：“为了训练这样的网络，从一开始就指定输入信号以及最终决定的内容。”因此，网络能够逐渐调整加权因子，以便以最大的可能性最终做出正确的决策。
另一方面，强化学习是受心理学启发的。在这里，算法做出的每个决定(专家称其为代理人)都会得到奖励或惩罚。“想象一下中间有座席的网格，” Laurenz Wiskott说道。“它的目标是通过最短的路线到达左上方的盒子，但它不知道。”代理商唯一想要的就是获得尽可能多的奖励，否则就毫无头绪了。首先，它会随意移动，未达到目标的每一步都会受到惩罚。只有朝着目标迈进才有回报。
