Archiv für den Monat: August 2019

Technik, Zukunft

Die Lage der KI-Forschung

Schreibe einen Kommentar

State of AI 2019 Report herunterladen

Eine Suche in Google Trends zeigt es deutlich: Künstliche Intelligenz (KI) bzw. Artificial Intelligence (AI) ist weltweit ein Hype. Der Suchbegriff wird etwa doppelt so häufig abgefragt wie am Anfang des Jahrzehnts. Dabei handelt es sich nicht um einen kurzlebigen Trend. Obwohl es ganz offensichtlich gewisse Konjunkturen gibt, ist das Interesse am Suchbegriff seit einigen Jahren kontinuierlich hoch. Und wer in das Suchfeld von Google den Begriff „Artificial Intelligence“ eingibt, erhält die ersten zehn von ungefähr 436 Millionen Webseiten zu diesem Stichwort präsentiert.

Es ist nur sehr schwer möglich, hier noch einen einigermaßen fundierten Überblick zu behalten. Einen ebenso wichtigen wie interessanten Ausschnitt aus der KI zeigt der Bericht State of AI 2019. Die beiden Autoren Nathan Benaich und Ian Hogarth sind langjährige Beobachter der KI-Szene als Investoren und Wissenschaftler. Sie präsentieren nach eigener Auskunft auf 136 Seiten „einen Schnappschuss der exponentiellen Entwicklung der KI mit einem Schwerpunkt auf Entwicklungen in den letzten zwölf Monaten“. Der Bericht widmet sich fünf wichtigen Schlüsselbereichen innerhalb der künstlichen Intelligenz und präsentiert sie in den folgenden Abschnitten:

  • Research: Forschungsergebnisse und technologische Durchbrüche.
  • Talent: Berufsbilder und Personalgewinnung in der KI.
  • Industry: KI-Unternehmen und ihre Finanzierung.
  • China: Neue KI-Trends in China.
  • Politics: Die Behandlung der KI im Rahmen von Politik und Gesellschaft.

Da der Bericht nur schwer zusammenzufassen ist, habe ich einige besonders interessante Themen ausgewählt und sie jeweils in einem Kurzartikel dargestellt. Wer einen lesen möchte: Einfach auf den grauen Balken mit dem Thema klicken.

[toggle title=“Reinforcement Learning“]

Reinforcement Learning

Diese Form von Deep Learning ist in den letzten Jahren intensiv erforscht worden. Das Prinzip: Software-Agenten lernen zielorientiertes Verhalten durch Versuch und Irrtum. Sie agieren dabei in einer Umgebung, die ihnen positive oder negative Belohnungen als Reaktion auf ihre Handlungen gibt. Für das Training von neuronalen Netzwerken sind die KI-Entwickler dazu übergegangen, Computerspiele wie beispielsweise Montezuma’s Revenge (Jump’n’Run), Quake III Arena (Egoshooter) oder Star Craft II (Echtzeit-Strategiespiel) einzusetzen.

Solche Umgebungen, aber auch speziell angefertigte Computersimulationen eignen sich hervorragend dazu, Verhalten zu variieren und anschließend erfolgreiches Verhalten zu wiederholen. Darüber hinaus sind die Belohnungen bereits in die Games integriert. In der realen Welt sind variantenreiche Lernumgebungen nicht so einfach umzusetzen, etwa für die Robotik.

So hat OpenAI eine Roboterhand in einer Simulation darin trainiert, physikalische Objekte zu manipulieren. Auch das zweibeinige Gehen wird gerne in Simulationen geprobt, denn es ist weniger einfach, als wir Menschen intuitiv glauben. Um nicht regelmäßig teuren Elektroschrott zu erzeugen, werden gehende Roboter deshalb ebenfalls in Simulationen trainiert. Dabei wird unter anderem Reinforced Learning genutzt.

Simulationen und Computerspiele eignen sich gut zum Trainieren von lernfähigen Systemen, da sie kostengünstig und weithin verfügbar sind. Im Grunde kann jeder Entwickler damit arbeiten, auch ohne Risikokapital im Hintergrund. Darüber hinaus können die Spielumgebungen unterschiedlich komplex gestaltet werden. Das ist einer der Gründe, warum Open World Games wie Grand Theft Auto gerne beim grundlegenden Training von Deep-Learning-Modellen für das autonome Fahren genutzt werden.

Sind Games und Simulationen also die optimale Umgebung für das KI-Training? Sicher nicht, wie auch die Autoren des Berichts nahelegen. Denn jede simulierte Welt ist deutlich weniger komplex als die wirkliche Welt. Im Normalfall wird das Ergebnis niemals ein austrainiertes KI-Modell sein, das direkt und ohne Probleme in der Wirklichkeit eingesetzt werden kann. Die Erfahrungen mit den bisherigen KI-Anwendungen für fahrerlose Autos zeigen, dass hier auch ein altbekanntes Prinzip für die Optimierung von Prozessen gilt: Die letzten Prozent der zu trainierende Fähigkeiten machen mindestens so viel Aufwand wie der Rest.

[/toggle]

[toggle title=“Natural Language Processing“]

Natural Language Processing

Alexa, Siri & Co. haben in den letzten Jahren gezeigt, dass Natural Language Processing (NLP) recht weit fortgeschritten ist und es zahlreiche alltagstauglich Anwendungen gibt — in bestimmten Bereichen. Schwierig sind echte Dialoge mit Rückbezügen auf vorher Gesagtes. Außerdem kommt das menschliche Gehirn immer noch besser mit dem uneigentlichen Sprechen wie Ironie oder Hyperbeln zurecht. Wer mit Alexa redet, muss eindeutig und in Anweisungsform sprechen, typisch menschliche Unschärfen in der Aussage führen meist nicht zum Ergebnis.

Die Erkenntnis zahlreicher Projekte: Vortrainierte Sprachmodelle verbessern die Ergebnisse von NLP deutlich. Im Bereich Computer Vision sind damit große Erfolge erzielt worden. So werden beispielsweise viele neuronale Netze für die Bilderkennung mit ImageNet vortrainiert und erst dann mit weiterem Training an den speziellen Anwendungsfall angepasst. Dieses Dataset besteht aus momentan knapp 14,2 Millionen Bildern, die nach fast 22.000 semantischen Kategorien indiziert sind. Diese wiederum sind nach den Prinzipien der lexikalisch-semantischen Datenbank WordNet organisiert.

Eine vergleichbare Vorgehensweise ist auch bei NLP sinnvoll, denn es ist aufwendig, valide Trainingsdaten für Teilaufgaben zu entwickeln — beispielsweise das Bestellen einer Pizza, wie es Google Duplex beherrschen soll. Google hat vor einiger Zeit eine Technik für das Vortrainieren von NLP-Modellen als Open Source freigegeben. Das Ergebnis heißt BERT (Bidirectional Encoder Representations from Transformers) und basiert auf demselben Neuronetz wie Google Translator. BERT kann vergleichsweise einfach durch ein Zusatztraining an die jeweilige Aufgabe angepasst werden.

Zudem kann BERT auch durch weitere Lernverfahren ergänzt werden, beispielsweise durch Multi-Task Learning (MTL). Eine Demo dieser Möglichkeiten bietet Microsoft Research mit seinem Multi-Task Deep Neural Network (MT-DNN). Dabei werden verschiedene, aber verknüpfte Aufgaben gleichzeitig gelernt, wodurch der Lernfortschritt größer wird. Pate war hier eine Eigenheit des menschlichen Lernens: Wer bereits gut auf Inlinern skaten kann, lernt das Schlittschuhfahren deutlich schneller als jemand ohne Inliner-Erfahrung.

Der Einsatz vortrainierter Modelle hat in der Computer Vision manchen Durchbruch gebracht, Benaich und Hogarth hoffen, dass dies ebenso für das Verständnis menschlicher Sprache durch neuronale Netze gilt.

[/toggle]

[toggle title=“Rückkehr der symbolischen KI“]

Rückkehr der symbolischen KI

Das Verstehen natürlicher Sprache ist ein wesentliches Element von Sprachassistenten. Doch zahlreiche Praktiker sind mit reinen KI-Modellen über ein Problem gestolpert: Domänenwissen lässt sich einem Neuronetz nicht ohne weiteres antrainieren, denn das Training ist aufwendig und die Gewinnung von validen Datasets teuer.

Hier kommt dann ein Ansatz ins Spiel, der Mitte der achtziger Jahre als der Königsweg zur künstlichen Intelligenz galt: Symbolische KI, die unter anderem mit Verzeichnissen von Regeln und Alltagswissen arbeitet, um das Schlussfolgern aus Common-Sense-Sachverhalten zu ermöglichen. Die bekannteste Datenbank dieser Art ist Cyc und wird seit 1984 schrittweise aufgebaut.

Dieser Ansatz galt über lange Jahre hinweg als gescheitert, da selbst eine noch so große Datenbank nicht das gesamte Weltwissen enthalten kann. Doch als Partnerverfahren ist Domänenwissen inzwischen wieder wertvoll für KI. Denn eine Datenbank wie Cyc kann ein Deep-Learning-System durch Wissensprimitive ergänzen, sodass das Training sich ausschließlich High-Level-Sachverhalten widmen kann.

[/toggle]

[toggle title=“Autonome Fahrzeuge“]

Autonome Fahrzeuge

Roboterautos und andere autonome Fahrzeuge gehören zu den wichtigsten Zukunftsvisionen bei KI. Einer der Vorreiter ist Waymo, dessen autonome Fahrzeugflotte auf den US-Straßen mehr als 16 Millionen Kilometer bewältigt und dabei wichtige Fahrdaten gesammelt hat. Die Daten von weiteren 11 Milliarden Kilometern in Computersimulationen kommen hinzu. Allein im letzten Jahr haben die 110 Waymo-Wagen in Kalifornien mehr als 1,5 Millionen Kilometer bewältigt.

Hinzu kommt der Datensatz von Tesla, der durch Auswertung aller von jedem einzelnen Tesla-Modell gefahrenen Kilometer entsteht. Die genaue Fahrleistung ist unbekannt, wird aber auf mehr als zwanzig Milliarden Kilometer geschätzt. Was die Menge der Daten angeht, dürfte Tesla einen uneinholbaren Vorsprung vor der Konkurrenz haben. Hinzu kommt: Das Unternehmen entwickelt seinen eigenen KI-Chip. Die Analysten des institutionellen Investors ArkInvest schätzen, dass Teslas Konkurrenten beim autonomen Fahren drei Jahre hinterher fahren.

Es ist allerdings sehr schwer, den tatsächlichen Erfolg der einzelnen Anbieter von Robotertaxis einzuschätzen. Einen kleinen Hinweis geben die von der kalifornischen Straßenbehörde veröffentlichten Disengagement-Reports. Danach schaffen Fahrzeuge von Waymo eine Jahresfahrleistung von fast 50.000 Kilometern mit lediglich einem oder zwei Aussetzern („Disengagements“), bei denen der menschliche Testfahrer übernehmen musste. Zum Vergleich: Auch Mercedes testet in Kalifornien. Doch 2018 waren es nur vier Fahrzeuge mit wenigen hundert Kilometern Fahrleistung, aber etlichen hundert Aussetzern.

Von Tesla gibt es übrigens keine Angaben dazu. Das Unternehmen sammelt zurzeit in erster Linie Fahrdaten, vermutlich um seine Modelle in Simulationen zu trainieren. Trotz des Vorsprung: Selbst der Datensatz von Tesla ist im Vergleich zu den menschlichen Fahrleistungen winzig. So wird die Gesamtfahrleistung nur der kalifornischen Autofahrer für das Jahr 2017 auf knapp 570 Milliarden Kilometer geschätzt. Dem stehen etwa 485.000 Autounfälle gegenüber, was einem Disengagement auf jeweils 1,2 Millionen Kilometer entspricht. Kurz: Das Robotertaxi scheint noch einige Zeit entfernt zu sein.

[/toggle]

[toggle title=“Robotic Process Automation“]

Robotic Process Automation

Robotic Process Automation (RPA) hat nichts mit Robotik zu tun, sondern ist ein Verfahren der Prozessautomatisierung und nachfolgend der Kostensenkung in Unternehmen. Das klingt im ersten Moment langweilig, ist aber ein spannendes Anwendungsgebiet in der KI. Denn es wird in der Praxis bereits eingesetzt und ist zu einem Markt mit hohen Erwartungen geworden: Anbieter wie UiPath sind mit 800 Millionen Dollar und Automation Anywhere mit 550 Millionen Dollar Risikokapital ausgestattet.

Für Unternehmen, die mit der Digitalisierung ihrer Prozesse kämpfen, ist RPA eine interessante Sache. Vereinfacht ausgedrückt ersetzen RPA-Anwendungen die menschlichen Endanwender in der vorhandenen Software-Infrastruktur. Dadurch ist es möglich, Prozesse zu automatisieren, die mehrere Anwendungen übergreifen, vor allem, wenn es keine definierten Software-Schnittstellen dafür gibt. RPA-Anwendungen sind in aller Regel lernfähig, sodass sie vergleichsweise leicht auch an exotische Altysteme anzupassen sind.

[/toggle]

[toggle title=“Demand Forecasting“]

Demand Forecasting

Ein brandneues Thema ist Demand Forecasting nicht, unter dem Stichwort Bedarfsermittlung wird es bereits seit längerer Zeit mit statistischen Methoden oder Fuzzy Logic umgesetzt. Es geht dabei um die Prognose der Anforderung bestimmter Ressourcen anhand von historischen Daten. Dabei wird zunehmend Machine Learning eingesetzt, um auch externe Daten (Wetter, Verkehr, Kundenströme usw.) zu berücksichtigen.

Es gibt einige Branchen und Anwendungsgebiete, in denen Demand Forecasting erfolgreich eingesetzt wird: So ermitteln Energieversorger beispielsweise den Strombedarf anhand von Wetterinformationen, Betriebsdaten und gemessenen Leistungsanforderungen. Zur Vorbereitung auf Starkregenfälle mit anschließenden Überflutung-Szenarien erschließt Machine Learning auf der Basis von historischen hydrologischen Daten neue Wege der Vorhersage von Fluten.

In Handel, Logistik, Gastronomie, Hotellerie und Touristik ordnet Machine Learning Ressourcen deutlich flexibler zu als herkömmliche Methoden. Ein Beispiel: Die Nachfrage nach bestimmten Produkten oder Services ist unter anderem vom Wetter, der aktuellen Verkehrslage in der Region, jahreszeitlichen Trends, aktuellen Moden bei Farbe oder Form und vielen anderem abhängig. Mit Machine Learning werden solche Faktoren berücksichtigt.

Große Supermarktketten müssen täglich Entscheidungen über Aufnahme, Streichung oder Nachbestellung von Millionen Einzelposten treffen. Ohne KI-Verfahren wird dies in der Zukunft schwer möglich sein, da einfache „Daumenregeln“ zu Schnelldrehern und Produktplatzierungen die immer dynamischer werdende Nachfrage kaum noch abbilden.

[/toggle]

Zukunft

Der Phonophor & das iPhone

Schreibe einen Kommentar

Steve Jobs gilt als Erfinder des iPhones, doch das ist nicht ganz richtig. Denn eine genuine Erfindung ist es nicht, eher ein Konglomerat aus vorhandener Technik. So gab es 2007, im Jahr der Einführung des iPhones, bereits Smartphones. Sie besaßen oft eine Minitastatur und manchmal einen Touchscreen, der mit einem kleinen Stift bedient wurde. Das war immer ziemlich fummelig, sodass Jobs auf die Tastatur verzichtete und stattdessen einen Touchscreen nutzte, der sich mit den Fingern bedienen ließ.

Der Rest ist Geschichte. Das iPhone fand mit den kostengünstigen Android-Smartphones Nachahmer für den Massenmarkt und so haben heute viele zu jeder Zeit und an jedem Ort ein Smartphone dabei — das kleine und leichte Universalgerät rund um Kommunikation, Information und Wissen.

Ein Vorläufer des Smartphones

Wenn es so etwas wie einen Erfinder dieser Geräteklasse gibt, dann ist das erstaunlicherweise ein deutscher Schriftsteller, der 1895 geboren wurde: Ernst Jünger. Er hat nach 1945 den Pfad des Kriegers verlassen und mit unterschiedlichen literarischen Genres experimentiert, unter anderem mit utopischen Romanen.

Sein erster Versuch in diesem Genre war Heliopolis. Rückblick auf eine Stadt von 1949. Das Buch bietet keine Science-Fiction in der Nachfolge von Hans Dominik, sondern eine Utopie im Stile Thomas Morus‘ — den Entwurf einer fiktiven Gesellschaft, die andere historische und gesellschaftliche Traditionen besitzt. In dem Buch ist sie autokratisch organisiert, so gibt es unter anderem eine ständige Überwachung aller Bürger.

Vehikel dafür ist der Phonophor (Allsprecher), der als eine Art Mobiltelefon allerlei Zusatzfunktionen besitzt, inklusive Personenidentifikation, Navigation, Geldbörse und einer Möglichkeit zur Anpeilung. Der Phonophor gehört zusammen mit Dingen wie Weltraumfahrt, Strahlenwaffen und Schwebepanzern zum futuristischen Hintergrundgemälde des Buches. Jünger hat dieses Szenario allerdings nur wenig ausgearbeitet. Es ist in erster Linie eine Markierung, die den Roman zeitlich in der Zukunft verankert. Doch zu seiner Idee des Phonophor schreibt Jünger etwas ausführlicher.

Die Vorzüge von Telefon und Radio

Ein Phonophor wird als flache Hülse in der linken Brusttasche getragen, aus der er fingerbreit hervorragt.

[Ein Phonophor überträgt] Orts- und astronomische Zeit, Länge und Breite, Wetterstand und Wettervoraussage. Ersetzt Kennkarte, Pässe, Uhr, Sonnenuhr und Kompaß, nautisches und meteorologisches Gerät. Vermittelt automatisch die genaue Position des Trägers an alle Rettungswarten bei Gefahren zu Lande, auf dem Wasser und in der Luft. Verweist im Peilverfahren an jeden Ort. Weist auf den Kontostand des Trägers beim Energeion und ersetzt auf diese Weise das Scheckbuch bei jeder Bank und jeder Postanstalt, und in unmittelbarer Verrechnung die Fahrkarten auf allen Verkehrsmitteln. Gilt auch als Ausweis, wenn die Hilfe der örtlichen Behörden in Anspruch genommen wird. Verleiht bei Unruhen Befehlsgewalt.

Vermittelt die Programme aller Sender und Nachrichten-Agenturen, Akademien, Universitäten, sowie die Permanentsendungen des Punktamtes und des Zentralarchivs. Hat Anschluß an alle Radiostationen mit ihren Strömen des Wissens, der Bildung und Unterhaltung, soweit sie durch Ton und Wort zu übermitteln sind. Gibt Einblick in alle Bücher und Manuskripte, soweit sie durch das Zentralarchiv akustisch aufgenommen sind, ist an Theater, Konzerte, Börsen, Lotterien, Versammlungen, Wahlakte und Konferenzen anzuschließen, und kann als Zeitung, als ideales Auskunftsmittel, als Bibliothek und Lexikon verwandt werden. Gewährt Verbindung mit jedem anderen Phonophor der Welt, mit Ausnahme der Geheimnummern der Regierungen, der Generalstäbe und der Polizei. Ist gegen Anrufe abschirmbar. Auch kann eine beliebige Menge von Anschlüssen gleichzeitig belegt werden – das heißt, daß Konferenzen, Vorträge, Wahlakte, Beratungen möglich sind. Auf diese Weise vereinen sich die Vorzüge der Telephone mit denen der Radios.

Ernst Jünger: Heliopolis. Rückblick auf eine Stadt, Berlin 1948

Zusammenführen und weiterdenken

Diese Erklärungen und vor allem der letzte Satz zeigen deutlich, dass der Phonophor ausschließlich eine Sprachschnittstelle nutzt. Ein kleiner Minibildschirm mit Bedienung per Berührung war für Jünger damals unvorstellbar. Zwar kannte er mit hoher Wahrscheinlichkeit die ersten TV-Versuche in den 193oer Jahren und die darin benutzte monströse Technik. Doch er hat sie wohl als nicht für die Miniaturisierung geeignet betrachtet.

Denn der beinahe wichtigste Aspekt des Phonophors ist seine Kleinheit. Jünger hat scharfsinnig erkannt, dass technische Geräte im Laufe der Zeit schrumpfen. Er hat auch in anderer Hinsicht bereits vorhandene Phänomene weitergedacht. So sagten die Mitarbeiterinnen der Handvermittlung im Fernsprechamt seit Anfang des 20. Jahrhunderts auf Wunsch auch die Uhrzeit an. Ab 1937 wurde die Zeitansage automatisiert und von hier bis zum akustischen Lexikon ist es nur ein kurzer Denkschritt.

Ernst Jünger hat etwas ähnliches gemacht wie sechs Jahrzehnte später Steve Jobs. Er hat die vorhandene Technik weitergedacht und zusammengeführt. Aber anders als Jobs musste er sich um die Verwirklichung keine Gedanken machen, sodass manche Funktion eher umständlich ist. Denn gegenüber Audio und Video hat die Textkommunikation einen großen Vorteil: Sie ist schnell. Viele Leute lesen ein Buch rascher als sie es in einem Audiobook anhören könnten.

Innovation bedeutet nicht: Völlig neu

An der verblüffenden Ähnlichkeit des Phonophor mit dem iPhone lässt sich zeigen, was Innovation wirklich bedeutet und was nicht. Beide Geräte sind innovativ, weil sie vorhandene Ideen bündeln und zu einer Novität zuspitzen. Sie sind jedoch nicht fundamental neu. Ein Innovator hat immer einen Ausgangspunkt — er muss die Innovation ja denken können, auf der Basis seines aktuellen Wissensstands.

Doch er darf nicht dabei stehenbleiben. Ein erfolgreicher Innovator stellt gängige Denkmuster infrage und gibt sich nicht mit scheinbaren Naturgesetzlichkeiten zufrieden. Nur weil eine Sache immer schon auf eine bestimmte Weise gemacht wurde, bedeutet das nicht, dass es nicht auch anders geht. Und nur weil eine Sache noch nie gemacht wurde, ist sie nicht grundsätzlich unmöglich.

Entscheidend ist ein frischer Blick auf Selbstverständlichkeiten und der kommt meist von außen. So haben häufig fachliche Außenseiter gute, innovative Ideen, denn sie sind mit den Konventionen und Traditionen eines Sachgebiets nicht vertraut. Beides kann durchaus hinderlich sein. Wie sagte der Dadaist Francis Picabia 1922? „Unser Kopf ist rund, damit das Denken die Richtung wechseln kann.“

Wirtschaft

Digitalboom in China

Schreibe einen Kommentar

China Internet Report 2019 herunterladen

China hat es geschafft: Es besitzt in einigen Bereichen der Digitalwirtschaft einen deutlichen technologischen Vorsprung gegenüber Deutschland und Europa.. Ob es nun um Elektromobilität, 5G-Mobilfunk oder künstliche Intelligenz geht – in China ist Realität, worüber Deutschland noch umständlich diskutiert.

Ein Beispiel: Hierzulande sind laut Statista lediglich 228 Elektrobusse unterwegs. In China dagegen fahren nach Untersuchungen von Bloomberg etwa 421.000 dieser Gefährte. Städte wie Guangzhou und Shenzhen haben inzwischen ihre gesamte Busflotte auf Elektromobilität umgerüstet. Im Moment betreiben chinesische Nahverkehrsanbieter etwa 20 Prozent der Busse elektrisch, bis 2040 sollen es 70 Prozent werden.

Chinas Digitalwirtschaft boomt enorm

Auch in der Digitalwirtschaft prescht China vorneweg, wie der China Internet Report 2019 der englischsprachigen South China Morning Post zeigt. Er bietet eine Vielzahl an interessanten Zahlen zu verschiedenen Branchen der Digitalwirtschaft und zur Internetnutzung in China. Der Bericht zeigt deutlich: Dank des riesigen Binnenmarkts skalieren beispielsweise Apps oft schneller als im englischsprachigen Raum. Darüber hinaus sind die chinesischen Entwickler durchaus innovativ und werden inzwischen häufig selbst kopiert. So zogen die superkurzen Videos von TikTok eine Welle an Nachahmern hinter sich her.

Solche Entwicklungen zeigen, dass mit China zu rechnen ist. Dabei hat das Land neben dem Binnenmarkt ein weiteren Vorteil: Als Nachzügler und ehedem unterentwickeltes Land konnte es einige technologische Zwischenstufen einfach überspringen. So bedeutet Internetnutzung in China in erster Linie mobiles Internet und eine große Mehrheit nutzt auch Mobile Payment. Die unterschiedlichen Zahlungsdienste haben etwa 583 Millionen Nutzer, was einer Verbreitung von 42 Prozent entspricht – es gab vorher kein gut ausgebautes Bankensystem. In Deutschland nutzen dagegen lediglich gut 4,1 Millionen Personen oder etwa zwei Prozent das mobile Bezahlen.

Daran zeigt sich eine Besonderheit von China: Die Bevölkerung steht technologischen Neuerungen sehr offen gegenüber. Sie interessiert sich in höherem Maße für die Sharing-Ökonomie wie beispielsweise Ridesharing. Hier gibt es zwar eine ganze Reihe von Anbietern, doch absoluter Marktführer (91 %) ist Didi Xuching. Auch Smart Speaker mit Sprachschnittstelle haben sich in einem Jahr rasant verbreitet. So wird inzwischen jedes zweite Neugerät in China ausgeliefert.

Bald haben 176 Millionen Chinesen 5G-Mobilfunk

Die deutsche Politik konnte sich trotz der desaströsen Erfahrungen mit der Versteigerung der UMTS-Lizenzen nicht zurückhalten: Auch die 5G-Lizenzen sind wieder versteigert worden, für sechs Milliarden Euro. Das bindet natürlich enorme Mengen von Investitionskapital, führt zu einer eher negativen Konkurrenzsituation und für die zukünftigen 5G-Nutzer sicher wieder mal zu überteuerten, aber schlechten Mobilfunkverbindungen.

China dagegen hat das 5G-Problem mehr oder weniger per Anweisung geregelt. Die Regierung hat die drei großen Telkos zur Zusammenarbeit bei 5G verdonnert und zahlreiche Auflagen gemacht. Dafür geht es dann recht schnell voran. Bis Ende des Jahres sollen 200.000 Basisstationen online sein, sodass in einigen Metropolregionen 167 Millionen Person potenziell Zugriff darauf haben.

Die Konsequenz: In Deutschland hat der Staat ein paar Euro, mit denen er Haushaltslöcher stopfen kann. China kann dagegen den technischen Vorsprung in Sachen 5G ausbauen. Der ist ohnehin nicht klein, denn der Telko-Riese Huawei aus Shenzhen bietet die zur Zeit technisch fortgeschrittensten und ausgereiftesten 5G-Netzwerkkomponenten an.

Der Vorsprung bei Computer Vision wächst

Künstliche Intelligenz (KI) wird in China besonders stark gefördert. Die Regierung hat dieses Thema als eines der wirtschaftlichen und technologischen Schlüsselthemen für die nächsten 50 Jahre identifiziert und entsprechende strategische Förderprogramme aufgelegt. Besonders stark ist China im Bereich Computer Vision, vor allem bei der Gesichtserkennung.

  • So wird Gesichtserkennung auf einem Bahnhof in Shenzhen zum Bezahlen genutzt. Pendler scannen ihr Gesicht auf einem Tablet am Eingang und lassen den Fahrpreis von ihrem Bankkonto einziehen. E-Commerce-Riese Alibaba hat ein Hotel, in dem sich die Zimmertüren durch Gesichtserkennung öffnen.
  • Doch auch andere Formen von Machine Learning sind im Einsatz. So bietet Alibaba die Positions- und Fahrdaten seiner Lieferfahrzeuge den lokalen Verwaltungen an, die damit die Anfahrtszeiten von Krankenwagen durch bessere Planung verkürzen.
  • Eine wichtige KI-Anwendung ist die Personenerkennung durch Kameras an allen möglichen Standorten. Sie dient einerseits der Verbrechensaufklärung und andererseits der Vorbereitung des von der chinesischen Regierung propagierten Social-Score-Systems. Dort gibt es für „vertrauenswürdiges Verhalten“ Punkte, für das Gegenteil Punktabzüge.

Wirtschaft und Regierung investieren in Zukunftsbranchen

Der Vorsprung in Sachen Gesichtserkennung liegt an der leichten Verfügbarkeit von Daten. Mangels Datenschutz und durch die hohe Verbreitung von Social-Media-Profilen mit Fotos und Videos haben chinesische KI-Entwickler Zugriff auf eine gigantische Menge an „gelabelten“ Trainingsdaten für die Entwicklung von Anwendungen.

Entsprechend investiert die Wirtschaft in China stark in KI. Der chinesische Anteil der globalen KI-Investments ist innerhalb von fünf Jahren von drei auf 14 Prozent angestiegen. Auch das Thema autonome Fahrzeuge wird stark unterstützt. So haben zahlreiche chinesische Städte ihre Straßen ganz oder teilweise für fahrerlose Autos geöffnet und verteilen Lizenzen an interessierte Unternehmen aus aller Welt.

Zwar nutzt die chinesische Suchmaschine Baidu mit ihrer KI-Tochter die Hälfte dieser Lizenzen, doch in der anderen Hälfte des Lizenzpools tauchen auch deutsche Autohersteller wie BMW, Mercedes und Audi auf. Der Grund ist ganz einfach: Während in Deutschland noch über mögliche rechtliche Probleme diskutiert wird, können die Unternehmen in China bereits Testfahrzeuge einsetzen.

Technik

Tesla stolpert in die #servicehell

Schreibe einen Kommentar
© Tesla, Inc.
© Tesla, Inc.

Teslas größter Feind ist keiner der traditionellen Autohersteller. Sie bieten (im Moment) keine konkurrenzfähigen Modelle. Der technische Vorsprung des US-Unternehmens bleibt trotz aller Anstrengungen groß: Hervorragende (bald Kobalt-freie) Akkus mit einem ausgereiften Temperaturmanagement, hocheffiziente Elektromotoren und eine beispiellose Software. Kurz: Die OEMs bauen E-Autos, Tesla dagegen liefert ein Gesamtkonzept inklusive Supercharger-Infrastruktur.

Doch während der letzten Monate ist ein neuer Gegner für Tesla aufgetaucht, der den Erfolg des Unternehmens bedroht: Tesla selbst. Denn mögen auch die Autos einen technologischen Spitzenplatz einnehmen, die Qualitätssicherung und der Service vor, während und nach der Auslieferung ist unterirdisch – finden viele Tesla-Besitzer wie Marcus Mayenschein.

Verarbeitung schlechter geworden, meint Tesla-Fahrer

Der Rastatter ist langjähriger Modell-S-Besitzer und fährt seit kurzem ein neues Model S Performance. Grundsätzlich ist er begeistert von den Neuerungen in der aktuellen Serie mit der internen Bezeichnung „Raven“, die seit dem Mai ausgeliefert wird. „Aber die Verarbeitung und der Lack sind definitiv schlechter als vor 3 Jahren! Dies weiß ich auch von zahlreichen privaten Zuschriften“, schreibt er zu einem 15-minütigen Video, in dem er alle Probleme vorstellt und auch die ersten Reparaturen zeigt.

Mayenschein führt die Probleme in erster Linie auf Personalmangel bei gleichzeitiger Priorität einer möglichst raschen und zahlreichen Auslieferung zurück. Dadurch wird offensichtlich die Übergabe eines problemfreien Autos zum Glücksspiel. Dieser Käufer eines Model 3 hat nichts zu klagen. Das Auto ist perfekt verarbeitet, wie Tesla-Doc Ove Kröger beim Check feststellte. Demgegenüber stehen zahlreiche Käufer, die zum Teil erhebliche Mängel hatten, wie dieser Thread im Forum „Tesla Fahrer und Freunde“ zeigt.

Die Liste der Schwierigkeiten ist lang: Schlechte oder fehlende Lackierung, falsch montierte Bauteile, elend lange Wartezeiten auf einen Reparaturtermin beim Servicecenter, keine Rückrufe, nicht erreichbarer Service, und so weiter und so fort. Wer eine Stunde Zeit hat, sollte sich dieses Video anschauen. Mayenschein und der mit ihm befreundete Tesla-Fahrer Gabor Reiter diskutieren hier intensiv über die aufgezählten Probleme. Sie fordern von Tesla, dringend Qualitätssicherung und Service zu verbessern. Andernfalls vergraule das Unternehmen potentielle Kunden abseits der innovationsfreudigen Early Adopter der Elektromobilität.

Hallo Tesla: Die Zeit der Early Adopter ist vorbei

Bei ihnen gibt es eine gewisse Leidensfähigkeit: Wer in einer frühen Phase innovative Technik nutzt, ist durchaus bereit, niedrigere Standards bei Qualität und Service zu ignorieren. Doch langsam findet die Elektromobilität auch Aufmerksamkeit bei durchschnittlichen Autokäufern, die für ihr Geld ein hochwertiges Auto und herausragenden Service wünschen.

Der typische Autokäufer möchte losfahren und längere Zeit keine Werkstätten und Servicecenter von innen sehen. Und falls doch mal etwas ist, möchte er Termine oder Ersatzteile nicht innerhalb von zwei Monaten, sondern zwei Tagen. Neukunden erwarten von Tesla also einen Auftritt wie ein typischer OEM. Dies betrifft auch den B2B-Markt, der bei den traditionellen Autoherstellern überlebensnotwendig ist Wenn Tesla langfristig überleben will, muss es auch diesen Markt angreifen. In Teilen passiert das bereits, denn einige Autovermietungen haben sich auf Elektromobilität spezialisiert.

Die größte ist NextMove aus Leipzig, die 380 Elektrofahrzeuge zur Kurz- und Langzeitmiete anbieten, neben den Modellen von Tesla auch von allen relevanten Herstellern. Stefan Moeller, einer der beiden nextmove-Gründer, hat von Anfang an Tesla-Modelle in das Portfolio aufgenommen. Sie gehören natürlich zu den gefragtesten Mietfahrzeugen und so hat das Unternehmen im Dezember 2018 einhundert (!) Model 3 bestellt. Insgesamt ging es also um eine Bestellung im Wert von mehr als fünf Millionen Euro, wenn man den Grundpreis einer Long-Range-Version zugrunde legt.

Nur jedes vierte Model 3 für nextmove war fehlerfrei

Doch bei der Auslieferung waren die nextmove-Mitarbeiter überrascht: „Nach der Auslieferung der ersten 15 Modell 3 musste nextmove wegen schwerer Qualitäts- und Sicherheitsmängel die Auslieferung weiterer Fahrzeuge stoppen. Nur jedes vierte Fahrzeug war fehlerfrei, in einigen Fällen waren die Fahrzeuge nicht einmal fahrtüchtig.“ Die übliche Vorgehensweise bei Tesla ist nun, alle Mängel bei einem späteren Termin im Servicecenter oder einer zertifizierten Werkstatt zu beheben.

Doch solche Termine können im Moment durchaus in weiter Zukunft liegen. Darüber hinaus gibt es teils sehr lange Lieferfristen für Ersatzteile, sodass ein Fahrzeug wochen- oder sogar monatelang nicht genutzt werden kann. Für eine Autovermietung ist das nicht hinzunehmen, denn in aller Regel laufen Leasingverträge oder Finanzierungen und Kunden müssen vertröstet oder sogar entschädigt werden.

Wie machen das andere OM? Ganz einfach: Sie haben für ihre Geschäftskunden entsprechende B2B-Prozesse, die anders ablaufen als bei Privatkunden. Darüber hinaus ist die für Tesla typische Vorkasse unüblich. Die Autovermietung hat also Tesla vorgeschlagen, einen Sonderprozess zu vereinbaren. Das gelang scheinbar auch bei dem direkten Ansprechpartner, doch bereits am Folgetag wurde die Vereinbarung wieder gekippt und Tesla stornierte den Auftrag. Wer sich für alle Details der Geschichte interessiert, findet sie in diesem und jenem Video in großer Ausführlichkeit oder im nextmove-Blog etwas knapper erzählt.

Tesla muss sich weiterentwickeln

Diese Geschichte und die erste Reaktion von Tesla darauf (Der Kunde ist schuld) zeigen deutlich: Das Unternehmen muss sich dringend weiterentwickeln. Vor allem der CEO hat das nötig, findet das Manager Magazin. Ziert das Titelbild noch Elon Musk in Siegerpose, so geht es im Inneren des Heftes zur Sache: „Elektrovisionär Elon Musk scheitert an den Niederungen des Autogeschäfts.“ Und weiter: „Der Zuwachs der Fahrzeugflotte bringt die Serviceinfrastruktur an den Rand des Zusammenbruchs.“

In seinem typischen, stark personalisierenden Stil bringt das Manager Magazin verschiedene Analysten und Investoren als Kritiker in Stellung. Sie hätten Tesla bislang positiv gesehen und bekämen jetzt langsam Zweifel . Dazu gehört nach Ansicht des Magazins beispielsweise James Anderson vom größten Tesla-Investor Baillie Gifford. Er vermisst Wachstum, kritisiert die schlecht gemachte Kapitalerhöhung im Frühjahr und findet, Musk müsse sich nicht persönlich in jede kleine Entscheidung einmischen.

Wird Elon Musk also zum Problem? Er ist sicher nicht der typische graue Manager, der auf Zahlen achtet und seinen Laden auf Effizienz trimmt. Er ist einerseits ein Visionär, dessen Beharrlichkeit uns nicht nur Elektroautos, sondern auch wiederverwendbare Raketen mit schicken Landeanflügen gebracht hat. Zugleich hat er die Tendenz, seinen Hang zu unkonventionellen Lösungen auf kleinste Bereiche auszudehnen. Immerhin ist es ihm so gelungen, das Auto in Teilen neu zu erfinden.

Tesla darf seine Vergangenheit nicht aufgeben

Doch ständige Innovation ist teuer, kosteneffizienter Automobilbau lebt von langfristig geltenden Standards. Vermutlich muss sich Tesla in genau diese Richtung weiterentwickeln. Ein Spagat: Einerseits sollte das Unternehmen innovativ und visionär bleiben, es darf seine Vergangenheit nicht aufgeben. Doch andererseits muss es im Massenmarkt mit seinen geringen Margen Erfolg haben, um profitabel werden.

Dieser Spagat muss allerdings nicht zwingend von einer Person geleistet werden. Die Entwicklung von Tesla könnte auch bedeuten, dass sich Elon Musk auf die Position eines Chairman zurückzieht, der für Visionen und Innovation verantwortlich ist. Nun kann ein – womöglich aus der Autoindustrie stammender – angestellter CEO unauffällig und geräuschlos, aber profitabel das klein-klein eines OEM abwickeln. Die Frage ist aber, ob Tesla dann immer noch Tesla ist.