Ingenieursphilosophie: Raj Reddy, Technologie für die ärmste Milliarde

Die wichtigsten Erkenntnisse

• Bauen Sie die Schnittstelle, die keine Lese- und Schreibfähigkeit voraussetzt. Reddy widmete seine Laufbahn der Aufgabe, Maschinen das Verstehen menschlicher Sprache beizubringen – die ersten Systeme für kontinuierliche Sprache, dann Hearsay und Harpy –, weil Sprache die eine Schnittstelle ist, die dem Benutzer nichts abverlangt. Man muss weder lesen noch tippen noch eine Tastatur besitzen, um zu sprechen. Für die rund 2,5 Milliarden Menschen weltweit, die nicht lesen können, ist die Stimme keine Bequemlichkeit; sie ist die einzige Tür zum Wissen der Welt.¹⁹
• Den Turing Award gewann er dafür, KI im großen Maßstab Wirklichkeit werden zu lassen. 1994 teilte sich Reddy den ACM A.M. Turing Award mit Edward Feigenbaum „für die wegweisende Konzeption und Konstruktion großmaßstäblicher Systeme der künstlichen Intelligenz, die die praktische Bedeutung und das potenzielle kommerzielle Gewicht der KI-Technologie demonstrierten”. Er war der erste Mensch asiatischer Herkunft, der die Auszeichnung erhielt.¹²
• Das Blackboard-Modell ist sein stiller, universeller Beitrag. Hearsay-II koordinierte unabhängige Wissensquellen – akustische, phonetische, lexikalische, syntaktische –, indem es sie auf einem gemeinsamen Arbeitsbereich, dem „Blackboard”, zusammenwirken ließ. Diese Architektur wuchs über die Sprache hinaus und wurde zu einem allgemeinen Muster, um viele Belegquellen zu einer einzigen Antwort zusammenzuführen – genau das, was ein moderner KI-Stack noch immer tut.³⁴
• Von einem Dorf ohne elektrisches Licht zum ersten KI-Doktoranden unter McCarthy. 1937 in Katoor, Andhra Pradesh, geboren und der Erste seiner Familie, der die Schule abschloss, ging Reddy von Guindy über New South Wales bis zu einer Promotion 1966 in Stanford unter John McCarthy und baute dann an der Carnegie Mellon die ehrgeizigsten Systeme des Fachs – und richtete sie zurück auf Menschen wie jene, unter denen er aufgewachsen war.⁵⁶⁹

Das Prinzip

„Alles, was Sie mit Ihrem Verstand tun, können Sie mithilfe von Computern schneller, besser und günstiger tun … Wir könnten die zusätzliche Produktivität auf Bereiche mit großem gesellschaftlichem Bedarf lenken.” – Raj Reddy⁹

Die meiste Spitzentechnologie sickert von oben nach unten durch. Sie wird für jene gebaut, die sie sich bereits leisten können – die Lesekundigen, die Vernetzten, die mit Gerät und Datentarif – und erreicht alle anderen erst Jahre später, verwässert, wenn überhaupt. Reddy kehrte das Ziel um. Seine Überzeugung war, dass die fortschrittlichste KI auf die Menschen gerichtet werden sollte, die der Rest der Datenverarbeitung außen vor lässt: die Lese- und Schreibunkundigen, die ländliche Armut, das, was Entwicklungsökonomen die ärmste Milliarde nennen. Nicht als Wohltätigkeit, die einem fertigen Produkt angeflanscht wird, sondern als Entwurfsbedingung, die an erster Stelle steht.⁹

Das Prinzip hat eine präzise ingenieurtechnische Konsequenz, und sie ist der rote Faden durch alles, was er baute: Die Schnittstelle darf nichts verlangen, was der Benutzer nicht bereits besitzt. Eine Tastatur verlangt Lesefähigkeit und ein lateinisches Alphabet. Ein Touchscreen verlangt ein Gerät und die Fähigkeit, sich mit Symbolen zurechtzufinden. Sprache verlangt nichts. Jeder Mensch, der sprechen kann, hat die vollständige Schnittstelle bereits bei der Geburt installiert, in seiner eigenen Sprache. Wenn Sie also das Wissen der Welt in die Reichweite von jemandem bringen wollen, der nie lesen gelernt hat, dann bringen Sie ihm nicht das Lesen bei – Sie bringen der Maschine das Zuhören bei. Deshalb verbrachte ein Mann, dem die ärmsten Menschen der Erde am Herzen lagen, Jahrzehnte mit dem zutiefst technischen Problem der kontinuierlichen Spracherkennung. Beides ist dasselbe Vorhaben.¹⁹

Das macht Reddy unter den Größen der KI ungewöhnlich. Das Ansehen des Fachs fließt der Leistungsfähigkeit zu – größere Modelle, härtere Benchmarks, übermenschliches Spiel. Reddy jagte der Leistungsfähigkeit so hartnäckig nach wie nur einer und baute Systeme, ehrgeizig genug, den Turing Award zu gewinnen. Doch nie trennte er wie mächtig von für wen. Die Stimme als der große Gleichmacher; große KI-Systeme, gebaut, um den Menschen am unteren Ende der Pyramide zu dienen. Technologie muss die Ausgegrenzten erreichen – und der Weg, das sicherzustellen, besteht darin, die Ausgegrenzten zur Vorgabe zu machen.

Kontext

Dabbala Rajagopal Reddy wurde am 13. Juni 1937 in Katoor geboren, einem Dorf im heutigen Andhra Pradesh, Indien. Er war der Erste seiner Familie, der eine Hochschule besuchte – der Erste, in einem wesentlichen Sinn, der überhaupt den Wirkungskreis des Dorfes verließ.⁵⁶ Jahrzehnte später, auf diese Herkunft angesprochen, wies er das Deutungsmuster der Entbehrung zurück: „Der Himmel war wunderschön klar, und ich konnte alle Sterne sehen. Leute haben gefragt: ‚Oh mein Gott, wart ihr so arm?’ Aber ich habe mich nie im Geringsten benachteiligt gefühlt.”⁹ Dieser Satz ist für die Ingenieurskunst von Bedeutung, denn der Mann, der für die ärmste Milliarde entwarf, entwarf nicht für eine Abstraktion. Er entwarf für die Menschen, aus denen er kam, und er sah sie als Menschen, denen es an nichts mangelte außer an Zugang.

Der Weg hinaus führte über die Ingenieurwissenschaften. Seinen Bachelor erwarb er 1958 am College of Engineering, Guindy (University of Madras), dann 1960 einen Master an der University of New South Wales in Sydney, wobei er in Australien für IBM arbeitete, bevor er den Pazifik überquerte.⁵⁶ In Stanford erwarb er 1964 einen Master und 1966 eine Promotion in Informatik unter John McCarthy – dem Mann, der ein Jahrzehnt zuvor den Begriff „künstliche Intelligenz” geprägt hatte. Reddy wird weithin als der erste Mensch beschrieben, der unter McCarthy in KI promovierte, was ihn an den buchstäblichen Quellort des Fachs stellt.⁵⁶

Er blieb als Dozent in Stanford (1966–69) und tat dann den Schritt, der den Rest seines Lebens prägte: 1969 wechselte er an die Carnegie Mellon University, wo er seither geblieben ist.⁶ An der CMU baute er die Sprachsysteme, die seinen Namen begründeten, gründete 1979 das Robotics Institute (die erste Robotik-Abteilung an einer US-amerikanischen Universität), war Dekan der School of Computer Science (1991–99) und wurde Moza Bint Nasser University Professor für Informatik und Robotik.⁵⁶⁷ Stanford gab ihm die reinste Abstammungslinie des Fachs. Carnegie Mellon gab ihm die Freiheit, große, unordentliche, reale Systeme zu bauen – und die Glaubwürdigkeit eines Turing-Preisträgers für eine Bevölkerung einzusetzen, für die sonst niemand in der KI baute.

Die Arbeit

Spracherkennung: Hearsay, das Blackboard-Modell und Harpy

Beginnen wir mit dem schwierigen Teil, denn dort wird das Prinzip zur Mathematik. Menschliche Sprache ist ein kontinuierlicher Klangstrom ohne saubere Lücken zwischen den Wörtern – die Pausen, die Sie zwischen Wörtern zu hören glauben, sind größtenteils eine Illusion, die Ihr Gehirn liefert. Schlimmer noch, dasselbe akustische Signal lässt sich in verschiedene Wörter zerlegen. Das klassische Beispiel ist, dass „recognize speech” und „wreck a nice beach” fast identisch klingen. Auf der rohen Tonspur allein erzielen beide Lesarten ungefähr die gleiche Bewertung; die Maschine kann tatsächlich nicht erkennen, welche Sie gemeint haben. Mit dem folgenden Widget können Sie hören, wie diese Mehrdeutigkeit in sich zusammenfällt.

Reddys Einsicht, die er mit seinen Studierenden an der CMU in den 1970er-Jahren im Rahmen des DARPA-Programms Speech Understanding Research entwickelte, war, dass keine einzelne Wissensquelle diese Mehrdeutigkeit auflösen kann, mehrere zusammenwirkende Quellen aber schon. Die Akustik sagt Ihnen, welche Laute vorhanden sind. Ein phonetisches Modell ordnet Laute möglichen Phonemen zu. Ein Lexikon schränkt ein, welche Phonemfolgen echte Wörter sind. Eine Grammatik schränkt ein, welche Wortfolgen plausible Sätze ergeben. Jede ist für sich allein unzuverlässig; zusammen legen sie die Antwort fest. Die Frage war, wie man unabhängige, unzuverlässige Quellen zum Zusammenwirken bringt.

Seine Antwort war das Blackboard-Modell, verwirklicht in Hearsay-II. Stellen Sie sich ein Gremium von Fachleuten rund um ein gemeinsames Blackboard vor. Jeder hält Ausschau nach etwas, das er versteht – einem Phonem, einem Wort, einer Wendung –, und wenn er etwas beitragen kann, schreibt er eine Hypothese mit einem Konfidenzwert an die Tafel. Andere Fachleute lesen die Tafel, bauen auf dem auf, was sie sehen, und schreiben ihre eigenen Hypothesen an. Kein Fachmann hat das Sagen; keine feste Pipeline zwingt sie in eine Reihenfolge. Die richtige Deutung entsteht aus vielen partiellen, probabilistischen Beiträgen, die über einen gemeinsamen Arbeitsbereich zusammenwirken. Der Untertitel der veröffentlichten Arbeit sagt es genau so: integrating knowledge to resolve uncertainty – Wissen zusammenführen, um Unsicherheit aufzulösen.³⁴ Hearsay-I, das ihm vorausging, war das erste System, das überhaupt zu kontinuierlicher Spracherkennung fähig war; Hearsay-II verlieh dieser Fähigkeit ihre dauerhafte Architektur.¹³

Parallel zu Hearsay lief Harpy (Bruce Lowerre und Reddy, ca. 1976), das auf das Gegenteil setzte und sich als ebenso einflussreich erwies. Statt unabhängiger Quellen, die an eine gemeinsame Tafel schreiben, übersetzte Harpy das gesamte Wissen – Vokabular, Grammatik, Aussprache – in ein einziges riesiges Netzwerk jeder Äußerung, die das System überhaupt hören konnte, und durchsuchte dieses Netzwerk dann mit der Strahlsuche (beam search): In jedem Schritt behält man nur die vielversprechendsten wenigen Pfade und beschneidet den Rest, sodass die Suche handhabbar bleibt, obwohl der Raum gewaltig ist.⁸ Harpy bewältigte ein Vokabular von 1.011 Wörtern und war das erste System, das kontinuierliche Sprache mit weniger als zehn Prozent Fehlern nahezu in Echtzeit verstand.⁸ Hearsays Blackboard gab der KI einen Weg, Wissensquellen zu kombinieren; Harpys Strahlsuche gab ihr einen Weg, den kombinierten Raum effizient zu durchsuchen. Beide Ideen tragen noch immer – das Zusammenwirken von Belegen und das disziplinierte Beschneiden von Möglichkeiten liegen unter der Spracherkennung in jedem Telefon von heute.

Das CMU Robotics Institute

1979 gründete Reddy das Robotics Institute an der Carnegie Mellon und war dessen erster Direktor – die erste Robotik-Abteilung an einer Universität in den Vereinigten Staaten.⁵⁶⁷ Man kann dies leicht als ein eigenes Kapitel lesen, als Wende von der Sprache zu Maschinen. Besser liest man es als denselben Instinkt, nur weiter gefasst. Spracherkennung ist das Problem einer Maschine, die ein unordentliches, kontinuierliches, reales Signal unter tiefer Unsicherheit wahrnimmt und deutet. Robotik ist dasselbe Problem, ergänzt um den Rest der physischen Welt: Sehen, Bewegung, Manipulation, alles verrauscht, alles mehrdeutig, alles erfordert, dass viele unvollkommene Informationsquellen zu einer Entscheidung verschmolzen werden.

Der Blackboard-Instinkt – viele zusammenwirkende Wissensquellen, die gemeinsam Unsicherheit auflösen – ist genau das, was ein autonomer Roboter braucht, um seine Umgebung zu begreifen. Indem Reddy eine Institution baute und nicht bloß ein Labor, tat er etwas, das ein einzelner Forscher nicht kann: Er schuf einen Ort, an dem die Zusammenführung von Wahrnehmung, Lernen und Handeln über Jahrzehnte von Hunderten von Menschen verfolgt werden konnte. Das Robotics Institute wurde zu einem der bedeutendsten Zentren des Fachs, und es ist ein struktureller Ausdruck derselben Überzeugung, die seine Sprachforschung antreibt – dass die interessanten Probleme die Gesamtsystem-Probleme sind, bei denen viele Teile zusammenwirken müssen, um eine Welt zu bewältigen, die nicht vorbeschriftet ankommt.

Der Turing Award 1994 und großmaßstäbliche KI-Systeme

1994 teilten sich Reddy und Edward Feigenbaum den ACM A.M. Turing Award – die höchste Ehrung der Informatik – mit einer Begründung, die genaues Lesen lohnt: „für die wegweisende Konzeption und Konstruktion großmaßstäblicher Systeme der künstlichen Intelligenz, die die praktische Bedeutung und das potenzielle kommerzielle Gewicht der KI-Technologie demonstrierten.”¹² Reddy war der erste Mensch asiatischer Herkunft, der den Turing Award erhielt.⁵

Verweilen Sie bei dem, was die Begründung würdigt. Kein Theorem. Kein einzelner Algorithmus. Die Konzeption und Konstruktion großmaßstäblicher Systeme und der Nachweis ihrer praktischen Bedeutung. Feigenbaum hatte gezeigt, dass KI Expertenwissen in realen Bereichen erfassen und anwenden kann; Reddy hatte gezeigt, dass KI die reale, unordentliche menschliche Welt der kontinuierlichen Sprache wahrnehmen und verstehen kann. Gemeinsam führten sie die KI von der Laborvorführung zum funktionierenden System – der Beweis, dass diese Ideen im großen Maßstab gebaut werden konnten und über die Wissenschaft hinaus Gewicht haben würden.¹² Diese Betonung von gebaut, im großen Maßstab, für den realen Gebrauch ist der gesamte Grundton von Reddys Laufbahn. Er gab sich nie mit einem Ergebnis zufrieden, das nur in einer Arbeit existierte. Der Sinn war stets ein System, das jemand tatsächlich nutzen konnte – was natürlich derselbe Impuls ist, der ihn zu den Menschen treibt, die am wenigsten haben.

Technologie für die ärmste Milliarde: das Million Book Project, die RGUKT und die digitale Kluft

Hier tritt das Prinzip vollends zutage. Nachdem er die höchste Ehrung des Fachs für den Bau großer KI-Systeme errungen hatte, richtete Reddy die zweite Hälfte seiner Laufbahn darauf, eben diese Leistungsfähigkeit auf die Menschen zu lenken, die die Technologiebranche routinemäßig vergisst. Er war von 1999 bis 2001 Ko-Vorsitzender des President’s Information Technology Advisory Committee (PITAC) der USA und prägte nationale Forschungsprioritäten von innerhalb der Regierung heraus.⁵ Doch seine bezeichnendsten Projekte waren für die Entwicklungsländer gebaut.

Die Universal Digital Library / das Million Book Project, das Reddy ab 2001 an der Carnegie Mellon leitete, hatte sich vorgenommen, eine Million Bücher zu digitalisieren und sie kostenlos online verfügbar zu machen, mit einem bewussten Schwerpunkt auf mehrsprachigen und unterversorgten Bevölkerungsgruppen – das Wissen der Welt, digitalisiert, für Menschen, die nie eine Bibliothek gehabt hatten. Bis Dezember 2007 hatte es mehr als 1,5 Millionen Bücher in rund 20 Sprachen digitalisiert, in Zusammenarbeit mit Partnern in Indien, China und Ägypten.¹⁰ Die Rajiv Gandhi University of Knowledge Technologies (RGUKT), an deren Schaffung Reddy maßgeblich beteiligt war und deren Gründungskanzler er war, wurde eigens dazu gebaut, „den Bildungsbedürfnissen der einkommensschwachen, begabten, ländlichen Jugend” Indiens gerecht zu werden – Studierende wie der Junge aus Katoor, der zufällig herauskam.⁵⁶ Er war zudem Gründungsvorsitzender des International Institute of Information Technology (IIIT) Hyderabad und wurde 2001 mit dem Padma Bhushan ausgezeichnet, einer der höchsten zivilen Ehrungen Indiens.⁵

Die verbindende Logik ist jene, zu der er immer wieder zurückkehrt: „Für die 2,5 Milliarden lese- und schreibunkundigen Menschen der Welt sucht [Reddy] seine Spracherkennungstechnologie anzuwenden, um ihnen über das Internet Zugang zum Wissen der Welt zu verschaffen.”¹ Er hat sich ausdrücklich dafür eingesetzt, die KI auf die schwersten Probleme der Entwicklungsländer zu richten – Armut, Gesundheitsversorgung, Bildung –, statt diese als nachträglichen Einfall zu kommerziellen Produkten zu behandeln.¹¹ Die Sprachforschung und die Entwicklungsarbeit sind nicht zwei Laufbahnen. Der ganze Sinn, einer Maschine das Verstehen gesprochener Sprache beizubringen, war stets dieser – dass ein Mensch, der nicht lesen kann, in einem Dorf ohne elektrisches Licht, einer Maschine in seiner eigenen Zunge eine Frage stellt und die Antwort erhält. Die Stimme ist der große Gleichmacher, weil sie die Schnittstelle ist, deren Bedienung jeder Mensch bereits bei der Geburt beherrscht.

Die Methode

Reddys Methode ist weniger ein Slogan als ein Bündel beständiger Verpflichtungen. Liest man quer durch die Sprachforschung, das Institut und die Entwicklungsprojekte, kehren dieselben Züge wieder.

Machen Sie die Einschränkung des Benutzers zur Vorgabe des Systems. Die tiefste Entwurfsentscheidung in Reddys Laufbahn – Jahrzehnte der Spracherkennung nachzujagen – folgt unmittelbar aus einer Tatsache über den vorgesehenen Benutzer: Er kann vielleicht nicht lesen. Die Schnittstelle durfte nichts verlangen, also musste die Maschine alles leisten. Die allgemeine Lehre lautet, die härteste Einschränkung zu finden, mit der Ihr am schlechtesten versorgter Benutzer konfrontiert ist, und sie die Architektur bestimmen zu lassen, statt für den einfachen Benutzer zu entwerfen und den Rest zu flicken. Das ist das minimal lohnende Produkt, gelesen vom unteren Ende der Pyramide nach oben.⁹

Wenn keine einzelne Quelle zuverlässig ist, lassen Sie viele zusammenwirken. Das Blackboard-Modell ist eine Methode, nicht bloß ein Artefakt: Hören Sie auf, das eine Orakel zu suchen, das Unsicherheit auflöst, und lassen Sie stattdessen unabhängige, fehlbare Belegquellen an einen gemeinsamen Arbeitsbereich schreiben und konvergieren. So hörte Hearsay Sprache; so verschmilzt ein modernes System Signale; und so, offen gesagt, funktioniert auch gute Beratung unter Menschen.³⁴

Bauen Sie Systeme, keine Vorführungen. Die Turing-Begründung würdigt Konstruktion im großen Maßstab. Reddys Maßstab war nie „funktioniert es in der Arbeit”, sondern „ist es ein System, das jemand nutzen kann.” Ein Ergebnis, das sich nicht bauen und ausliefern lässt, ist nach seinem Verständnis unvollständig – die Evidenz-Schwelle, angewandt auf ganze Systeme statt auf einzelne Behauptungen.²

Richten Sie die fortschrittlichste Leistungsfähigkeit auf die am schlechtesten versorgten Menschen. Das ist der Zug, der den Rest zu mehr als beeindruckend macht. Die Disziplin besteht darin, das voreingestellte Gefälle abzulehnen – bei dem Technologie zu den bereits Versorgten fließt – und die Front bewusst auf die ärmste Milliarde zu richten. Leistungsfähigkeit ohne ein würdiges Ziel ist ein Kunststück; der Steve-Test dafür, ob die Arbeit zu existieren verdient, beantwortet danach, für wen sie da ist.⁹

Lehnen Sie das Deutungsmuster der Entbehrung ab. „Ich habe mich nie im Geringsten benachteiligt gefühlt.” Reddy entwirft für die Unterversorgten, ohne auf sie herabzublicken – er behandelt sie als Menschen, denen es an Zugang fehlt, nicht an Fähigkeit. Dieser Respekt ist selbst ein Entwurfsprinzip: Bauen Sie das Werkzeug, das ihnen auf Augenhöhe begegnet, in ihrer eigenen Sprache, statt der vereinfachten Sache, die ihnen Ihrer Annahme nach zuzumuten ist.⁹

Die Einflusskette

Wer ihn prägte

John McCarthy. Reddy promovierte unter dem Mann, der das Fach benannte, in Stanford, in dessen Gründungsjahren – er kam zur KI, bevor die KI festgelegt hatte, was sie war. Das stellt seine gesamte Weltsicht an den Ursprung: Er lernte die Disziplin als etwas, das man baut, von den Menschen, die sie erfanden. (Direkter Einfluss)

Das Dorf, aus dem er kam. Katoor ist keine Kulisse. Die Entscheidung, eine Laufbahn als Turing-Preisträger der ärmsten Milliarde zu widmen, ist ohne es unverständlich. Der Junge, der als Erster seiner Familie die Schule abschloss, hörte nie auf, für die Menschen zu entwerfen, die er zurückließ, weshalb seine technischste Arbeit und seine humanitärste Arbeit dieselbe Arbeit sind. (Prägender Einfluss)

Das DARPA-Programm Speech Understanding. Der geförderte, kompetitive, von Fristen getriebene Vorstoß der 1970er-Jahre gab Reddy und seinen Studierenden den Druck und die Mittel, Hearsay und Harpy als reale Systeme statt als Skizzen zu bauen – das Bewährungsfeld, auf dem das Blackboard-Modell und die Strahlsuche-Spracherkennung geschmiedet wurden. (Direkter Einfluss)

Wen er prägte

Die moderne Spracherkennung. Die Systeme für kontinuierliche Sprache, die Reddy und seine Studierenden an der CMU bauten, begründeten die Ideen – zusammenwirkende Wissensquellen, probabilistische Bewertung, effiziente Suche über riesige Hypothesenräume –, die in weiterentwickelter Form unter jedem Sprachassistenten und Diktiersystem von heute laufen. Die Arbeit speist sich unmittelbar in Barrierefreiheit als Plattformfunktion.

Die Blackboard-Architektur, überall. Das Muster unabhängiger Wissensquellen, die auf einem gemeinsamen Arbeitsbereich zusammenwirken, um Unsicherheit aufzulösen, wuchs über die Sprache hinaus und wurde zu einem allgemeinen KI-Entwurfsmuster, das überall dort eingesetzt wird, wo viele partielle Signale zu einer Antwort verschmolzen werden müssen.

Eine Generation von Forschern und Institutionen. Durch das CMU Robotics Institute, die School of Computer Science, die RGUKT und das IIIT Hyderabad prägte Reddy nicht nur Ideen, sondern die Orte und Menschen, die sie hervorbringen – in den USA und in Indien –, was eine eigene Art von Einfluss ist, der sich über Jahrzehnte verstärkt.

Der durchgehende Faden

Reddy ist die Stelle, an der der durch diese Reihe laufende Faden über für wen Technologie da ist auf die tiefe Maschinerie der KI trifft. Grace Hopper brachte den Computer dazu, eine Sprache zu sprechen, die Menschen lesen konnten, und bestand darauf, dass sich das Programmieren den Menschen beugen sollte und nicht die Menschen der Maschine; Reddy ist ihr Spiegelbild – er brachte den Computer zum Zuhören, damit Menschen, die nicht lesen oder tippen können, dennoch verstanden werden konnten. Tim Berners-Lee baute ein Web, das für alle gedacht war, nach dem Grundsatz, dass Zugang nicht von Privilegien abhängen sollte; Reddy treibt diese Universalität eine Stufe weiter nach unten, zu den Menschen, die das Web selbst noch ausschließt – jene ohne Lese- und Schreibfähigkeit. Und wo Fei-Fei Li auf eine menschenzentrierte KI besteht, ist Reddy der frühe Beweis der Lehre: KI, die von der ersten Einschränkung an um den Menschen herum entworfen ist, der am wenigsten hat. Hopper sagt, bringt die Maschine dazu, menschlich zu sprechen; Berners-Lee sagt, bringt sie dazu, alle zu erreichen; Reddy sagt, bringt sie dazu, denen zuzuhören, die nie erreicht wurden – und richtet das fortschrittlichste System, das er bauen kann, auf die ärmste Milliarde. (Reihenbrücke)

Was ich daraus mitnehme

Die Lehre, die ich von Reddy behalte, ist, dass für wen Sie bauen, eine ingenieurtechnische Entscheidung ist, und sie sollte an erster Stelle stehen. Es ist leicht, den Benutzer als einen Parameter zu behandeln, den man am Ende justiert – liefere die mächtige Sache aus, denke dann an Barrierefreiheit, lokalisiere sie dann vielleicht. Reddy machte es umgekehrt. Er nahm die härteste Einschränkung, mit der sein vorgesehener Benutzer konfrontiert war – er kann nicht lesen –, und ließ diese eine Tatsache die tiefste technische Verpflichtung seiner Laufbahn diktieren. Die Schnittstelle durfte nichts verlangen, also verbrachte er Jahrzehnte damit, Maschinen das Hören beizubringen. Das ordnet neu, wie ich über meine eigene Arbeit denke: nicht „was kann dieses System leisten, und wer kann es nutzen”, sondern „für wen ist es da, und wozu zwingt das das System zu werden.” Die Vorgabe beginnt am unteren Ende der Pyramide, nicht an der Spitze.

Die zweite Lehre ist leiser, und sie handelt von Ehrgeiz mit einem Ziel. Reddy jagte der Leistungsfähigkeit so hartnäckig nach wie nur ein Turing-Preisträger – großmaßstäbliche Systeme, gegründete Institutionen, Jahrzehnte der Spitzenforschung. Doch nie ließ er wie mächtig sich von wem es dient lösen. Das fortschrittlichste, was er bauen konnte, bewusst auf die Menschen gerichtet, die der Rest der Branche vergisst. Das ist die Disziplin, die ich mir borgen will: das voreingestellte Gefälle abzulehnen, bei dem Technologie bergauf zu den bereits Bequemen fließt. Bauen Sie die Front-Sache, und richten Sie sie dann nach unten. Es ist Qualität ist die einzige Variable mit einem angehefteten Gewissen – die Frage lautet nicht nur „ist es hervorragend?”, sondern „ist es hervorragend für die Menschen, die es am dringendsten brauchten?” Reddy verbrachte eine ganze Laufbahn damit zu beweisen, dass das dieselbe Frage sein kann.

FAQ

Was ist die Ingenieursphilosophie von Raj Reddy?

Dass die fortschrittlichste Technologie auf die Menschen gerichtet werden sollte, die der Rest der Datenverarbeitung außen vor lässt, und dass der Weg, dies sicherzustellen, darin besteht, den am schlechtesten versorgten Benutzer zur Entwurfsvorgabe zu machen. Für Reddy bedeutete das Sprache: Weil die rund 2,5 Milliarden lese- und schreibunkundigen Menschen der Welt weder lesen noch tippen können, ist die einzige Schnittstelle, die ihnen nichts abverlangt, die menschliche Stimme. Also verbrachte er seine Laufbahn mit dem zutiefst technischen Problem der kontinuierlichen Spracherkennung – gerade weil ihm die ärmsten Menschen am Herzen lagen. Die Ingenieurskunst und die Mission sind dasselbe Vorhaben.¹⁹

Warum gewann Raj Reddy den Turing Award?

1994 teilte sich Reddy den ACM A.M. Turing Award mit Edward Feigenbaum „für die wegweisende Konzeption und Konstruktion großmaßstäblicher Systeme der künstlichen Intelligenz, die die praktische Bedeutung und das potenzielle kommerzielle Gewicht der KI-Technologie demonstrierten.”¹² Die Auszeichnung würdigt den Bau realer Systeme im großen Maßstab statt eines einzelnen Theorems – Reddy für das Sprachverstehen, Feigenbaum für Expertensysteme. Reddy war der erste Mensch asiatischer Herkunft, der die Auszeichnung erhielt.⁵

Was ist das Blackboard-Modell in der KI?

Das Blackboard-Modell, verwirklicht in Reddys Sprachsystem Hearsay-II, ist eine Architektur, in der mehrere unabhängige „Wissensquellen” – akustische, phonetische, lexikalische, syntaktische – zusammenwirken, indem sie Hypothesen, jede mit einem Konfidenzwert, an einen gemeinsamen Arbeitsbereich namens Blackboard schreiben.³⁴ Keine einzelne Quelle ist zuverlässig genug, um die Mehrdeutigkeit in der Sprache aufzulösen, doch zusammen konvergieren sie auf die plausibelste Deutung. Das Muster erwies sich als allgemein: Es wurde quer durch die KI zu einer Standardmethode, um viele partielle, unsichere Belegquellen zu einer Antwort zu verschmelzen.

Was waren Hearsay und Harpy?

Es waren die wegweisenden Systeme für kontinuierliche Sprache, die Reddy und seine Studierenden an der Carnegie Mellon im Rahmen des DARPA-Programms Speech Understanding der 1970er-Jahre bauten. Hearsay-I war das erste System, das zu kontinuierlicher Spracherkennung fähig war; Hearsay-II verlieh dieser Fähigkeit die dauerhafte Blackboard-Architektur zusammenwirkender Wissensquellen.¹³ Harpy (Lowerre und Reddy, ca. 1976) übersetzte alles linguistische Wissen in ein einziges großes Netzwerk und durchsuchte es mit der Strahlsuche (beam search) – wobei in jedem Schritt nur die vielversprechendsten Pfade behalten werden –, bewältigte ein Vokabular von 1.011 Wörtern und wurde das erste System, das kontinuierliche Sprache mit weniger als zehn Prozent Fehlern nahezu in Echtzeit verstand.⁸

Quellen