Die moralische Kompassnadel der KI: Zwischen Fortschritt und Verantwortung

Im Jahr 2023 wurden weltweit bereits über 200 Milliarden US-Dollar in künstliche Intelligenz investiert, was die transformative Kraft dieser Technologie unterstreicht. Doch mit jeder neuen Innovation wächst auch die dringende Notwendigkeit, ihren moralischen Kompass zu kalibrieren und klare regulatorische Rahmenbedingungen zu schaffen.

Die moralische Kompassnadel der KI: Zwischen Fortschritt und Verantwortung

Künstliche Intelligenz (KI) entwickelt sich rasant von einem akademischen Konzept zu einem allgegenwärtigen Werkzeug, das unseren Alltag, unsere Wirtschaft und unsere Gesellschaft grundlegend verändert. Von selbstfahrenden Autos, die Verkehrsunfälle potenziell reduzieren, über medizinische Diagnosewerkzeuge, die Leben retten können, bis hin zu Finanzsystemen, die effizienter arbeiten – die Vorteile scheinen grenzenlos. Doch hinter der glänzenden Fassade des Fortschritts verbirgt sich eine komplexe ethische Landschaft, die sorgfältige Navigation erfordert. Die entscheidende Frage ist nicht mehr, ob KI intelligent ist, sondern ob sie weise und gerecht handeln kann. Dies erfordert einen robusten moralischen Kompass, der uns hilft, die richtigen Wege zu wählen.

Die Entwicklung von KI wirft tiefgreifende Fragen auf, die weit über rein technische Aspekte hinausgehen. Wie stellen wir sicher, dass diese mächtigen Werkzeuge zum Wohle der Menschheit eingesetzt werden? Wer ist verantwortlich, wenn eine KI Fehler macht oder Schaden anrichtet? Und wie können wir verhindern, dass bestehende gesellschaftliche Ungleichheiten durch KI verstärkt werden, anstatt sie zu überwinden? Diese Fragen sind nicht nur akademischer Natur, sondern haben reale und oft gravierende Konsequenzen für Individuen und Gemeinschaften weltweit.

Die evolutionäre Natur von KI und Ethik

KI ist kein statisches Gebilde. Sie lernt, sie passt sich an und sie entwickelt sich weiter. Dies macht die ethische Bewertung und Regulierung zu einer fortlaufenden Herausforderung. Was heute als ethisch vertretbar gilt, kann morgen bereits überholt sein. Dieser dynamische Charakter erfordert einen flexiblen und vorausschauenden Ansatz. Wir müssen Mechanismen schaffen, die es uns ermöglichen, ethische Standards kontinuierlich zu überprüfen und anzupassen, um mit der rasanten Entwicklung der KI Schritt zu halten.

Ein zentraler Aspekt ist die Notwendigkeit, nicht nur auf Probleme zu reagieren, sondern proaktiv ethische Überlegungen in den Design- und Entwicklungsprozess zu integrieren. "Ethics by Design" ist hier das Schlüsselwort. Das bedeutet, dass ethische Prinzipien von Anfang an in die Architektur und Funktionalität von KI-Systemen eingebettet werden müssen. Dies erfordert eine enge Zusammenarbeit zwischen Ethikern, Philosophen, Sozialwissenschaftlern, Juristen und natürlich den KI-Entwicklern selbst.

Globale Perspektiven und unterschiedliche Werte

Die ethischen Herausforderungen der KI sind nicht auf eine Region oder Kultur beschränkt. Sie sind global. Doch was in einer Kultur als ethisch akzeptabel gilt, kann in einer anderen als problematisch angesehen werden. Kulturelle Unterschiede, religiöse Überzeugungen und verschiedene Rechtsordnungen prägen, wie wir über Themen wie Datenschutz, Autonomie und Gerechtigkeit denken. Die Schaffung universeller ethischer Richtlinien für KI ist daher eine komplexe Aufgabe, die internationale Zusammenarbeit und ein tiefes Verständnis für kulturelle Vielfalt erfordert.

Die Europäische Union versucht beispielsweise mit dem AI Act, einen umfassenden Rechtsrahmen zu schaffen, der Risikobasierte Ansätze verfolgt. Andere Länder verfolgen möglicherweise andere Wege, die stärker auf Marktfreiheit oder spezifische nationale Interessen ausgerichtet sind. Dieser Mosaik aus nationalen und regionalen Ansätzen kann zu Fragmentierung und regulatorischer Unsicherheit führen, was wiederum die globale Entwicklung und Anwendung von KI erschweren kann.

Die ethische Landkarte: Schlüsselherausforderungen intelligenter Systeme

Die Entwicklung und Implementierung von KI birgt eine Reihe von spezifischen ethischen Herausforderungen, die dringend adressiert werden müssen. Diese reichen von der Fairness und Transparenz bis hin zu Fragen der Verantwortlichkeit und der potenziellen Auswirkungen auf den Arbeitsmarkt. Das Verständnis dieser Herausforderungen ist der erste Schritt zur Entwicklung wirksamer Lösungen und regulatorischer Rahmenbedingungen.

Ein zentrales Problem ist die Geschwindigkeit, mit der KI-Systeme lernen und sich entwickeln. Dies stellt die traditionellen Rechts- und Ethikrahmen, die oft auf statischen Regeln basieren, vor enorme Herausforderungen. Wir müssen lernen, mit Systemen umzugehen, die sich selbst verändern und deren Verhalten nicht immer vollständig vorhersehbar ist.

Bias in Algorithmen: Wenn Daten die Vorurteile widerspiegeln

Eines der meistdiskutierten ethischen Probleme im Zusammenhang mit KI ist der Bias, der sich in Algorithmen einschleichen kann. KI-Systeme lernen aus Daten. Wenn diese Daten historische Vorurteile, Diskriminierung oder Ungleichheiten enthalten, wird die KI diese Muster lernen und reproduzieren, oft sogar verstärken. Dies kann zu diskriminierenden Entscheidungen in Bereichen wie Kreditvergabe, Personalwesen, Strafjustiz oder sogar bei der Gesichtserkennung führen.

Beispielsweise können Gesichtserkennungssysteme, die hauptsächlich mit Bildern von hellhäutigen Männern trainiert wurden, bei Frauen oder Menschen mit dunklerer Hautfarbe eine deutlich geringere Genauigkeit aufweisen. Dies hat nicht nur praktische, sondern auch gravierende ethische und soziale Folgen. Es ist entscheidend, Strategien zu entwickeln, um Datenverzerrungen zu erkennen und zu mindern und sicherzustellen, dass KI-Systeme fair und gleichbehandelnd sind. Dies kann durch sorgfältige Datenauswahl, algorithmische Korrekturen und regelmäßige Audits erreicht werden.

Transparenz und Erklärbarkeit: Das Black Box-Problem

Viele fortschrittliche KI-Modelle, insbesondere Deep-Learning-Systeme, funktionieren wie eine "Black Box". Das bedeutet, dass es selbst für die Entwickler schwierig sein kann, genau zu verstehen, wie eine KI zu einer bestimmten Entscheidung gekommen ist. Diese mangelnde Transparenz ist problematisch, insbesondere wenn KI-Systeme in kritischen Bereichen eingesetzt werden, in denen Rechenschaftspflicht und Vertrauen unerlässlich sind.

Stellen Sie sich vor, eine KI lehnt einen Kreditantrag ab. Ohne Erklärbarkeit können weder der Antragsteller noch die Bank verstehen, warum die Ablehnung erfolgte. Dies untergräbt das Vertrauen und macht es unmöglich, Fehler zu identifizieren oder gegen ungerechte Entscheidungen Einspruch zu erheben. Die Forschung im Bereich der "Explainable AI" (XAI) zielt darauf ab, KI-Modelle verständlicher zu machen und nachvollziehbare Erklärungen für ihre Entscheidungen zu liefern. Dies ist eine entscheidende Voraussetzung für den verantwortungsvollen Einsatz von KI.

Autonomie und Entscheidungsfindung: Wer trägt die Verantwortung?

Mit zunehmender Autonomie von KI-Systemen stellt sich die Frage der Verantwortlichkeit. Wenn ein autonomes Fahrzeug einen Unfall verursacht, wer ist dann schuld? Der Hersteller, der Programmierer, der Eigentümer des Fahrzeugs oder die KI selbst? Diese Haftungsfragen sind komplex und erfordern neue rechtliche Rahmenbedingungen. In vielen Fällen ist die traditionelle Zurechnung von Schuld nicht mehr so einfach.

Ein weiteres ethisches Dilemma betrifft Entscheidungen, bei denen menschliches Leben auf dem Spiel steht. Zum Beispiel in autonomen Waffensystemen oder bei medizinischen Entscheidungen, die von KI unterstützt werden. Wie programmieren wir eine KI so, dass sie in solchen Situationen ethisch korrekt handelt? Diese Fragen berühren fundamentale philosophische Konzepte wie Moral und Gewissen, die wir nun versuchen, in Maschinen zu implementieren.

Bias in Algorithmen: Wenn Daten die Vorurteile widerspiegeln

Die Vorstellung, dass Algorithmen objektiv und unparteiisch sind, ist ein weit verbreiteter Irrtum. Tatsächlich können sie, wie bereits angedeutet, die Vorurteile und Ungleichheiten, die in den Daten enthalten sind, auf denen sie trainiert werden, aufnehmen und verstärken. Dies ist kein technisches Versagen im eigentlichen Sinne, sondern ein Spiegelbild der Gesellschaft, aus der die Daten stammen.

Die Auswirkungen von algorithmischem Bias können verheerend sein. Sie können dazu führen, dass bestimmte Bevölkerungsgruppen systematisch benachteiligt werden, sei es bei der Kreditvergabe, bei der Einstellung von Personal, bei der Strafverfolgung oder beim Zugang zu Bildung. Die Bekämpfung von Bias erfordert einen mehrdimensionalen Ansatz, der sowohl technische als auch gesellschaftliche Aspekte berücksichtigt.

Quellen von Bias

Es gibt verschiedene Quellen für Bias in KI-Systemen:

• Datensatz-Bias: Der Trainingsdatensatz spiegelt nicht die Realität wider oder enthält historische Diskriminierung. Zum Beispiel, wenn ein System zur Vorhersage von Kriminalität hauptsächlich auf Daten trainiert wird, die eine unverhältnismäßig hohe Anzahl von Verhaftungen in bestimmten Vierteln zeigen, kann das System diese Viertel fälschlicherweise als gefährlicher einstufen, unabhängig von der tatsächlichen Kriminalitätsrate.
• Algorithmischer Bias: Bestimmte Algorithmen können von Natur aus oder durch ihre Konstruktion zu verzerrten Ergebnissen führen, auch wenn die Daten einigermaßen ausgewogen sind.
• Evaluations-Bias: Die Art und Weise, wie die Leistung eines KI-Systems gemessen wird, kann ebenfalls zu Verzerrungen führen, wenn die Metriken nicht die Fairness über verschiedene Gruppen hinweg berücksichtigen.

Strategien zur Minderung von Bias

Die Reduzierung von Bias ist eine fortlaufende Aufgabe, die proaktive Maßnahmen erfordert:

• Datensammlung und -aufbereitung: Sorgfältige Auswahl und Bereinigung von Trainingsdaten, um Verzerrungen zu minimieren. Dies kann die Überprüfung auf historische Diskriminierung und die Ergänzung fehlender Daten beinhalten.
• Algorithmusdesign: Entwicklung von Algorithmen, die Fairness als explizites Ziel haben. Dies beinhaltet Techniken wie faire maschinelle Lernmodelle, die darauf ausgelegt sind, bestimmte Diskriminierungskriterien zu vermeiden.
• Audits und Tests: Regelmäßige Überprüfung von KI-Systemen auf Voreingenommenheit, bevor und nachdem sie eingesetzt werden. Dies beinhaltet die Durchführung von Fairness-Tests über verschiedene demografische Gruppen hinweg.
• Transparenz und Erklärbarkeit: Wie bereits erwähnt, hilft die Fähigkeit, zu verstehen, wie ein Algorithmus zu seinen Entscheidungen kommt, dabei, potenzielle Bias-Quellen zu identifizieren.

Transparenz und Erklärbarkeit: Das Black Box-Problem

Das Vertrauen in KI-Systeme hängt maßgeblich von unserer Fähigkeit ab, ihre Funktionsweise zu verstehen. Wenn KI-Entscheidungen getroffen werden, die reale Auswirkungen auf Menschen haben, ist es unerlässlich, dass diese Entscheidungen nachvollziehbar sind. Das "Black Box"-Problem, bei dem die internen Mechanismen komplexer KI-Modelle unzugänglich bleiben, stellt eine erhebliche ethische und praktische Hürde dar.

Ohne Transparenz und Erklärbarkeit können wir die Zuverlässigkeit und Fairness von KI nicht beurteilen. Dies behindert die Fehlererkennung, die Verbesserung von Systemen und die Möglichkeit, sich gegen ungerechte Entscheidungen zu wehren. Daher ist die Entwicklung von "Explainable AI" (XAI) zu einem zentralen Forschungsfeld geworden.

Warum Transparenz wichtig ist

Transparenz in der KI ist aus mehreren Gründen unerlässlich:

• Rechenschaftspflicht: Wenn wir verstehen, wie eine KI zu einer Entscheidung gelangt, können wir die Verantwortung zuweisen, wenn etwas schiefgeht. Dies ist entscheidend für rechtliche und ethische Haftungsfragen.
• Vertrauen: Nutzer und Stakeholder sind eher bereit, KI-Systemen zu vertrauen, wenn sie deren Funktionsweise verstehen können. Ein Mangel an Transparenz kann zu Skepsis und Widerstand führen.
• Fehlerbehebung und Verbesserung: Das Verständnis der Ursachen für Fehlentscheidungen ermöglicht es Entwicklern, die KI zu verbessern und ihre Leistung zu optimieren.
• Gerechtigkeit und Fairness: Transparenz hilft dabei, versteckte Vorurteile oder diskriminierende Muster innerhalb eines Algorithmus aufzudecken, sodass sie korrigiert werden können.
• Regulierung: Aufsichtsbehörden benötigen ein gewisses Maß an Transparenz, um die Einhaltung von Vorschriften und Standards sicherstellen zu können.

Ansätze zur Erklärbarkeit

Es gibt verschiedene Ansätze, um KI-Systeme erklärbarer zu machen:

• Modell-agnostische Erklärbarkeit: Techniken, die auf die Vorhersagen jedes beliebigen ML-Modells angewendet werden können, ohne auf dessen interne Struktur zuzugreifen. Beispiele sind LIME (Local Interpretable Model-agnostic Explanations) und SHAP (SHapley Additive exPlanations).
• Modellspezifische Erklärbarkeit: Ansätze, die für bestimmte Arten von Modellen entwickelt wurden, wie z.B. Entscheidungsbäume, die von Natur aus leichter zu verstehen sind.
• Sichtbarmachung von Feature-Wichtigkeit: Identifizierung, welche Eingabemerkmale den größten Einfluss auf die Ausgabe eines Modells haben.
• Generierung von Beispielerklärungen: Erstellung von Beispielen, die zeigen, wie sich Änderungen an den Eingaben auf die Ausgabe auswirken.

Trotz dieser Fortschritte bleibt die Erklärbarkeit bei sehr komplexen Modellen wie Deep-Learning-Netzwerken eine erhebliche Herausforderung. Es gibt oft einen Kompromiss zwischen Modellkomplexität und Erklärbarkeit.

Autonomie und Entscheidungsfindung: Wer trägt die Verantwortung?

Ein weiterer kritischer ethischer und rechtlicher Knackpunkt ist die zunehmende Autonomie von KI-Systemen. Während Automatisierung Prozesse effizienter macht, wirft sie drängende Fragen nach der Verantwortlichkeit auf, wenn autonome Systeme Fehler machen oder Schaden anrichten. Die traditionellen rechtlichen Rahmenbedingungen, die auf menschlicher Absicht und Handlungen basieren, stoßen hier an ihre Grenzen.

Die Komplexität wird noch verstärkt, wenn KI-Systeme in kritischen Bereichen eingesetzt werden, in denen Entscheidungen direkte und potenziell irreversible Folgen haben. Dies reicht von autonomen Waffensystemen, die über Leben und Tod entscheiden, bis hin zu medizinischen Diagnoseprogrammen, die Behandlungspläne vorschlagen.

Haftungsfragen bei autonomen Systemen

Die Klärung der Haftung für autonome KI-Systeme ist eine der größten Herausforderungen für Gesetzgeber weltweit. Mögliche Akteure, die zur Verantwortung gezogen werden könnten, sind:

• Hersteller: Für Designfehler oder mangelhafte Tests.
• Entwickler: Für Programmierfehler oder das Versäumnis, Sicherheitsmechanismen zu implementieren.
• Betreiber/Nutzer: Für unsachgemäße Nutzung oder Wartung des Systems.
• Das KI-System selbst: Eine Idee, die derzeit außerhalb der meisten Rechtssysteme liegt, aber in Zukunft diskutiert werden könnte.

Die Herausforderung besteht darin, die Kausalität eindeutig festzustellen und angemessene Sanktionen zu finden, insbesondere wenn die KI während des Betriebs lernt und sich verändert.

Ethische Entscheidungsfindung durch KI

Die Programmierung von KI, um ethische Entscheidungen zu treffen, ist ein weiteres komplexes Feld. Wie bringen wir einer Maschine bei, was "richtig" oder "falsch" ist, insbesondere in Grauzonen?

• Das Trolley-Problem: Ein klassisches Gedankenexperiment, das die Schwierigkeit verdeutlicht. Soll ein autonomes Auto, um eine Gruppe von Menschen zu retten, einen einzelnen Fußgänger überfahren? Solche Szenarien zwingen uns, menschliche ethische Dilemmata zu quantifizieren und in Algorithmen zu übersetzen.
• Wer definiert die Ethik? Die ethischen Leitlinien für KI können stark variieren, je nachdem, wer sie entwickelt und welche Werte im Vordergrund stehen. Dies wirft Fragen nach kulturellen Unterschieden und der Gefahr der Auferlegung einer dominanten Ethik auf.
• Unvorhergesehene Konsequenzen: Selbst gut gemeinte ethische Regeln können zu unerwarteten und negativen Ergebnissen führen, wenn sie auf komplexe reale Szenarien angewendet werden.

Die Entwicklung von KI, die ethisch handelt, erfordert nicht nur technische Expertise, sondern auch ein tiefes Verständnis von Philosophie, Psychologie und Soziologie. Es ist ein Bereich, in dem wir erst am Anfang stehen.

Regulierungsansätze: Ein globaler Wettlauf um Standards

Angesichts der tiefgreifenden ethischen und gesellschaftlichen Auswirkungen von KI ist eine effektive Regulierung unerlässlich. Doch die Entwicklung von KI verläuft so schnell, dass Gesetzgeber oft hinter der technologischen Entwicklung hinterherhinken. Es gibt weltweit unterschiedliche Ansätze, die jeweils ihre eigenen Vor- und Nachteile haben.

Ein zentrales Problem ist die globale Natur der KI. Algorithmen und Daten kennen keine nationalen Grenzen. Eine fragmentierte Regulierung kann die Innovation behindern und es Unternehmen erschweren, in verschiedenen Märkten tätig zu sein. Daher ist internationale Zusammenarbeit von entscheidender Bedeutung.

Der EU AI Act: Ein risikobasierter Ansatz

Die Europäische Union hat mit ihrem AI Act einen ambitionierten Versuch unternommen, einen umfassenden Rechtsrahmen für KI zu schaffen. Der Kern des Gesetzes ist ein risikobasierter Ansatz:

• Unannehmbares Risiko: KI-Systeme, die die Grundrechte von Menschen gefährden, wie z.B. Social Scoring durch Regierungen, sind verboten.
• Hohes Risiko: KI-Systeme, die in kritischen Bereichen eingesetzt werden (z.B. im Gesundheitswesen, in der Bildung, bei der Strafverfolgung, im Transportwesen), unterliegen strengen Anforderungen an Transparenz, Datengovernance, menschliche Aufsicht und Robustheit.
• Begrenztes Risiko: KI-Systeme, die bestimmte Verpflichtungen zur Transparenz erfüllen müssen, wie z.B. Chatbots, die als solche erkennbar sein müssen.
• Minimales Risiko: Die meisten KI-Anwendungen fallen in diese Kategorie und unterliegen keinen spezifischen regulatorischen Anforderungen.

Der AI Act zielt darauf ab, ein Gleichgewicht zwischen der Förderung von KI-Innovation und dem Schutz von Grundrechten und Sicherheit zu finden. Er wird voraussichtlich als Vorbild für Regulierungen in anderen Teilen der Welt dienen.

Andere Regulierungsmodelle und Herausforderungen

Andere Länder verfolgen unterschiedliche Strategien:

• USA: Die USA setzen stärker auf einen technologie-neutralen Ansatz und fördern Innovationen durch Selbstregulierung der Industrie und gezielte Leitlinien statt umfassender Gesetze. Es gibt jedoch zunehmend Forderungen nach mehr Regulierung.
• China: China hat eine starke staatliche Kontrolle über die KI-Entwicklung und -Nutzung und konzentriert sich auf Aspekte wie Datensicherheit und die Stärkung nationaler KI-Kapazitäten.
• Internationale Organisationen: Organisationen wie die OECD und die UNESCO arbeiten an globalen Prinzipien und Empfehlungen für die ethische Entwicklung von KI, um einen Konsens zu fördern.

Die größte Herausforderung bei der Regulierung von KI liegt darin, flexibel zu bleiben, um mit der rasanten technologischen Entwicklung Schritt zu halten, ohne gleichzeitig Innovationen zu ersticken. Es bedarf eines ständigen Dialogs zwischen Regulierungsbehörden, Industrie, Wissenschaft und Zivilgesellschaft.

Ein wichtiger Aspekt ist auch die internationale Harmonisierung von Standards. Wenn jedes Land seine eigenen, stark abweichenden Regeln hat, wird es für Unternehmen schwierig, global zu agieren, und die Entwicklung von KI könnte in verschiedenen Regionen stark auseinanderdriften. Organisationen wie die OECD und die UNESCO arbeiten an globalen Empfehlungen, um einen gemeinsamen Nenner zu finden.

Die Rolle der Gesellschaft: Bürgerbeteiligung und Bildung

Die ethische Entwicklung und Regulierung von KI ist keine Aufgabe, die allein den Regierungen und Technologieunternehmen überlassen werden kann. Die Gesellschaft als Ganzes muss aktiv eingebunden werden. Dies erfordert eine informierte und kritische Öffentlichkeit, die die Chancen und Risiken von KI versteht und ihre Stimme einbringen kann.

Bildung spielt hierbei eine zentrale Rolle. Nur wer die Grundlagen von KI versteht, kann fundierte Meinungen bilden und sich an der Debatte beteiligen. Dies bedeutet, dass KI-Literacy in Schulen und Universitäten gefördert werden muss, aber auch für Erwachsene zugänglich gemacht werden sollte.

Förderung von KI-Kompetenz

Die Förderung von KI-Kompetenz sollte mehrere Ebenen umfassen:

• Grundlegendes Verständnis: Vermittlung der grundlegenden Konzepte von KI, wie sie funktioniert, welche Arten von KI es gibt und welche Anwendungsbereiche existieren.
• Ethische und gesellschaftliche Implikationen: Aufklärung über die potenziellen ethischen Herausforderungen wie Bias, Datenschutz, Autonomie und die Auswirkungen auf den Arbeitsmarkt.
• Kritisches Denken: Förderung der Fähigkeit, KI-Anwendungen kritisch zu hinterfragen und potenzielle Risiken zu erkennen.
• Zugang zu Bildung: Schaffung von zugänglichen Bildungsangeboten für alle Altersgruppen und Bildungsniveaus, einschließlich Online-Kurse, Workshops und Informationsveranstaltungen.

Bürgerbeteiligung und Dialog

Die Einbindung der Bürger in die Debatte über KI ist entscheidend, um sicherzustellen, dass die Entwicklung und Regulierung der Technologie den Bedürfnissen und Werten der Gesellschaft entspricht. Dies kann durch verschiedene Mechanismen geschehen:

• Öffentliche Konsultationen: Einholung von Meinungen und Feedback zu geplanten KI-Richtlinien und -Gesetzen.
• Bürgerräte: Zusammensetzung von zufällig ausgewählten Bürgergruppen, die sich intensiv mit KI-Themen auseinandersetzen und Empfehlungen erarbeiten.
• Plattformen für den Dialog: Schaffung von Räumen, in denen Experten, Politiker und Bürger offen über die Zukunft der KI diskutieren können.
• Unterstützung zivilgesellschaftlicher Organisationen: Stärkung von Organisationen, die sich für eine verantwortungsvolle KI-Entwicklung einsetzen und die Interessen der Bürger vertreten.

Die Zukunft der KI ist keine rein technische Frage, sondern eine gesellschaftliche. Nur durch gemeinsame Anstrengungen und einen offenen Dialog können wir sicherstellen, dass intelligente Maschinen uns dienen und nicht umgekehrt, und dass ihr moralischer Kompass mit unseren menschlichen Werten übereinstimmt.