Jürgen Schmidhuber

Jürgen Schmidhuber, geboren 1963 in München, ist eine zentrale Figur in der Entwicklung der künstlichen Intelligenz und neuronaler Netze. Seine Forschungskarriere, die Jahrzehnte akademischer und institutioneller Positionen umfasst, konzentriert sich auf Deep-Learning-Architekturen, die vielen modernen Rechenaufgaben zugrunde liegen. Seine Beiträge verbinden frühe theoretische Entwicklungen bei rekursiven Strukturen und selbstüberwachtem Lernen mit weit verbreiteten modernen Anwendungen.

Akademische Grundlage und Forschungsleitung

Schmidhuber schloss sein Grundstudium und seine Promotion 1991 an der Technischen Universität München unter der Betreuung von Wilfried Brauer und Klaus Schulten ab. Seine Karriere umfasst Lehrtätigkeiten an der Technischen Universität München und der Università della Svizzera italiana. Seit 1995 leitet er das Dalle Molle Institute for Artificial Intelligence Research in der Schweiz. 2021 wechselte er an die King Abdullah University of Science and Technology in Saudi-Arabien, wo er die KI-Initiative innerhalb der Abteilung für Informatik, Elektrotechnik und Mathematik leitet.

Rekurrente Architekturen und Long Short-Term Memory

In den 1990er Jahren befasste sich Schmidhuber mit den Grenzen der Backpropagation beim Deep Learning. Nach der Diplomarbeit seines Studenten Sepp Hochreiter von 1991, die das Problem des verschwindenden Gradienten analysierte, ermöglichte Schmidhuber die Entwicklung des Long Short-Term Memory (LSTM). Das 1995 in einem technischen Bericht vorgestellte und 1997 veröffentlichte LSTM wurde zu einer dominierenden Technik für die Verarbeitung natürlicher Sprache. Zu den späteren Verfeinerungen gehörten die Standardarchitektur im Jahr 2000 mit Felix Gers und Fred Cummins sowie die konnektionistische temporale Klassifikation mit Alex Graves im Jahr 2006.

Innovationen bei neuronalen Netzen

Über LSTM hinaus erforschte Schmidhuber verschiedene Konzepte neuronaler Netze. 1991 führte er gegnerische neuronale Netze ein, die als künstliche Neugier bezeichnet wurden, bei denen konkurrierende Netze durch ein Nullsummenspiel interagieren. Dieser Rahmen bildet die Grundlage für moderne generative gegnerische Netze (GANs). 1992 veröffentlichte er den Fast-Weights-Programmer, einen Vorläufer des unnormalisierten linearen Transformers. Darüber hinaus demonstrierte sein Team am IDSIA 2011 signifikante Geschwindigkeitsverbesserungen für konvolutionale neuronale Netze durch den Einsatz von Grafikprozessoren, wodurch eine übermenschliche Leistung bei Computer-Vision-Wettbewerben erzielt wurde.

Kommerzielle Unternehmungen und berufliche Anerkennung

2014 gründete Schmidhuber NNAISENSE, um kommerzielle KI-Anwendungen in Sektoren wie Finanzen und Schwerindustrie zu erforschen. Während der Fokus zunächst auf allgemeiner künstlicher Intelligenz lag, verlagerte das Unternehmen später seinen Schwerpunkt auf die Vermögensverwaltung. Seine Beiträge zum Fachgebiet wurden offiziell anerkannt, unter anderem mit dem IEEE Neural Networks Pioneer Award 2016. Er ist Mitglied der Europäischen Akademie der Wissenschaften und Künste sowie des European Laboratory for Learning and Intelligent Systems.

Fakten auf einen Blick

- Geboren: 1963, München, Deutschland - Bildung: Technische Universität München (Promotion 1991) - Wichtige Entwicklung: Long Short-Term Memory (LSTM) - Branchenfokus: KI-Anwendungen via NNAISENSE - Aktuelle Position: Direktor, KI-Initiative an der KAUST - Bedeutende Auszeichnung: IEEE Neural Networks Pioneer Award (2016)

Fragen von Lesern

### Was ist die Bedeutung des Fast-Weights-Programmers?

Der 1992 von Schmidhuber veröffentlichte Fast-Weights-Programmer ist eine Alternative zu rekurrenten neuronalen Netzen, die später als äquivalent zum modernen unnormalisierten linearen Transformer identifiziert wurde.

### Was ist der Hauptfokus des Unternehmens NNAISENSE?

Das 2014 gegründete Unternehmen NNAISENSE zielte zunächst auf kommerzielle KI-Anwendungen in Bereichen wie Finanzen und selbstfahrende Autos ab und verlagerte seinen Fokus später auf die Vermögensverwaltung.