Melanie Mitchell

Melanie Mitchell ist eine US-amerikanische Informatikerin und Professorin am Santa Fe Institute. Sie forscht zu Abstraktion, Analogiebildung und visueller Erkennung in KI-Systemen und gehört zu den einflussreichsten Stimmen, die vor einer Überschätzung der Fähigkeiten heutiger KI warnen.

Zusammenfassung

Mitchell promovierte 1990 an der University of Michigan bei Douglas Hofstadter und entwickelte dort das Programm Copycat, ein kognitives Modell der Analogiebildung.

Ihre Position ist damit anders begründet als die verbreitete Skalierungskritik: Sie kommt aus der Erforschung dessen, was Analogiebildung leistet, und nicht aus der Kritik am Deep Learning als Verfahren.

Ihr Buch Artificial Intelligence: A Guide for Thinking Humans (2019) gilt als eine der klarsten allgemeinverständlichen Darstellungen des Feldes und argumentiert, dass zwischen den tatsächlichen Leistungen und der öffentlichen Wahrnehmung eine erhebliche Lücke besteht.

Neben der KI-Forschung ist Mitchell für ihre Arbeiten zur Komplexitätsforschung bekannt.

Werdegang

Mitchell promovierte 1990 in Informatik an der University of Michigan. Betreuer waren Douglas Hofstadter und John Holland, der Begründer der genetischen Algorithmen. Ihre Dissertation trug den Titel Copycat: A Computer Model of High-Level Perception and Conceptual Slippage in Analogy-Making.

Es folgten Stationen an der University of Michigan, am Santa Fe Institute – dort ab 1992 als Leiterin des Programms Adaptive Computation –, am Los Alamos National Laboratory, am Oregon Graduate Institute und ab 2004 als Professorin an der Portland State University. Seit 2020 ist sie Professorin am Santa Fe Institute.

Sie ist Autorin oder Herausgeberin von sechs Büchern. Complexity: A Guided Tour (2009) erhielt 2010 den Phi Beta Kappa Science Book Award. Mitchell begründete die Online-Lernplattform Complexity Explorer des Santa Fe Institute. 2023 erhielt sie den Senior Scientific Award der Complex Systems Society.

Position

Analogiebildung als Kern der Kognition

Mitchells Forschung geht von der Annahme aus, dass Abstraktion und Analogiebildung zentrale Leistungen menschlicher Intelligenz sind – die Fähigkeit, eine Struktur in einem Bereich zu erkennen und auf einen anderen zu übertragen. Das Programm Copycat modellierte diesen Vorgang in einer idealisierten Domäne aus Buchstabenfolgen.

Aus dieser Perspektive beurteilt sie heutige Systeme: Deren Schwäche liege nicht in mangelndem Wissen, sondern in der begrenzten Fähigkeit, Strukturen zu abstrahieren und auf Neues zu übertragen. Diese Position ist mit Chollets Bestimmung von Intelligenz als Lerneffizienz verwandt; beide arbeiten an Benchmarks für abstraktes Schließen.

Barriere der Bedeutung

In Artificial Intelligence: A Guide for Thinking Humans führt Mitchell den Ausdruck einer Barriere der Bedeutung zwischen maschinellem Lernen und Alltagsverstand ein. Systeme erreichen hohe Leistung in eng gefassten Aufgaben, verfügen aber nicht über das Hintergrundverständnis, das Menschen die Einordnung ermöglicht. Das Buch zeichnet die Geschichte der KI nach und arbeitet heraus, dass sich Phasen überzogener Erwartungen regelmäßig wiederholen.

Kritik am AGI-Diskurs

Mitchell zählt zu denjenigen, die die Unbestimmtheit des AGI-Begriffs selbst zum Gegenstand machen: Ohne konsensfähige Bestimmung von Intelligenz, Allgemeinheit und menschlichem Niveau sei die Frage, ob und wann AGI erreicht werde, nicht hinreichend bestimmt, um beantwortet zu werden. Diese Kritik richtet sich nicht gegen eine bestimmte Prognose, sondern gegen die Voraussetzung, dass die Frage überhaupt entscheidbar sei.

Analogie als Kern des Denkens

Mitchells fachlicher Ausgangspunkt liegt in der Analogieforschung, und von dort aus erklärt sich ihre Position in der AGI-Debatte. Ihre Doktorarbeit bei Douglas Hofstadter untersuchte, wie Analogiebildung als Wahrnehmungsvorgang zu modellieren sei – nicht als nachträgliches Vergleichen fertiger Repräsentationen, sondern als der Vorgang, in dem eine Situation überhaupt erst eine Gestalt annimmt.

Daraus folgt ihr wiederkehrender Einwand gegen Fähigkeitsnachweise bei Sprachmodellen. Wenn Verstehen wesentlich darin besteht, eine neue Lage auf eine bekannte zu beziehen, dann ist der entscheidende Prüffall nicht die schwierige, sondern die unvertraute Aufgabe – und zwar unvertraut für das geprüfte System, nicht für den prüfenden Menschen.

Eine Aufgabe, deren Lösungsmuster im Trainingskorpus vorliegt, prüft Abruf; erst die Abwandlung, für die kein Muster vorliegt, prüft Übertragung. Mitchell hat entsprechende Prüfsammlungen mitentwickelt, die aus wenigen abstrakten Regeln bestehen und systematisch variiert werden.

Ein zweiter, ebenso wiederkehrender Punkt betrifft die Sprache, in der über Modelle gesprochen wird. Ausdrücke wie versteht, weiß, plant oder täuscht stammen aus dem Bereich menschlicher Absichten und tragen Annahmen mit sich, die für ein statistisches Modell nicht belegt sind.

Mitchell hat mehrfach beschrieben, wie solche Formulierungen von der Umgangssprache in Fachtexte und von dort in Regulierungsentwürfe wandern, wobei die ursprüngliche Vorsichtsklausel unterwegs verlorengeht. Ihr Vorschlag ist keine Sprachreinigung, sondern eine Prüfregel: Für jede unterstellte Fähigkeit sei anzugeben, welche Beobachtung sie belegen würde und welche sie widerlegen könnte.

Rezeption

Mitchell wird in der Debatte häufig als besonnene Gegenstimme wahrgenommen – anders als Gary Marcus, dessen Kritik in schärferem Ton auftritt. Ihre Darstellungen gelten als sachlich und werden auch von Vertretern gegenläufiger Positionen als redlich anerkannt.

Kritik an ihrer Position setzt daran an, dass die Betonung anhaltender Defizite die Geschwindigkeit der Entwicklung unterschätze und dass die Forderung nach begrifflicher Klärung praktische Entscheidungen nicht ersetze.

Werke (Auswahl)

• Analogy-Making as Perception (1993)
• An Introduction to Genetic Algorithms (1996)
• Complexity: A Guided Tour (2009)
• Artificial Intelligence: A Guide for Thinking Humans (2019; erweiterte Neuauflage mit neuem Vorwort)

Verwandte Begriffe

• AGI – Begriff, dessen Bestimmbarkeit sie hinterfragt
• Santa Fe Institute – ihre Wirkungsstätte
• Gary Marcus – Vertreter einer verwandten, anders begründeten Kritik
• François Chollet – Vertreter einer verwandten, messtheoretisch begründeten Position
• ARC-AGI – Benchmark für abstraktes Schließen
• Symbol-Grounding-Problem – verwandte Frage nach dem Weltbezug von Symbolen
• Stochastic Parrots – verwandte Kritik mit anderer Begründung

Quellenangaben

1. Mitchell, Melanie (1990): Copycat: A Computer Model of High-Level Perception and Conceptual Slippage in Analogy-Making. Dissertation, University of Michigan.
2. Mitchell, Melanie (2009): Complexity: A Guided Tour.
3. Mitchell, Melanie (2019): Artificial Intelligence: A Guide for Thinking Humans.
4. Mitchell, Melanie, o. J. Curriculum Vitae. https://melaniemitchell.me/MitchellCV.pdf
5. Santa Fe Institute, o. J. Melanie Mitchell. Profilseite. https://www.santafe.edu/people/profile/melanie-mitchell

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.