Frame Problem

Du willst einem Roboter Dinge beibringen. Aktion: "Bewege den Stein." Was ändert sich? "Der Stein ist jetzt woanders." Das ist einfach. Aber was ändert sich nicht? Die Farbe des Steins? Die Schwerkraft? Der Präsident der USA? Der Roboter muss wissen, dass sich alles andere in der Welt nicht ändert. Wenn du ihm das nicht sagst, denkt er vielleicht: "Wenn ich den Stein bewege, wird die Wand blau." Du müsstest Milliarden von Regeln schreiben: "Farbe_Stein_Danach = Farbe_Stein_Davor." "Wandfarbe_Danach = Wandfarbe_Davor." Das Frame Problem ist die Unmöglichkeit, effizient aufzulisten, was alles gleich bleibt (Nicht-Effekte).

Merksatz: Ein fundamentales Problem der künstlichen Intelligenz (speziell in der Logik und Handlungsplanung), das darin besteht, effizient auszudrücken, welche Eigenschaften der Welt sich durch eine Handlung nicht ändern.

In Code (OOP) ist das einfach. stone.move(x, y). Das Objekt stone ändert seine Koordinaten. Das Objekt wall wird gar nicht angefasst. In der Logik (Prolog / Situation Calculus) ist es extrem schwer. Man braucht "Frame Axioms": holds(F, do(A, S)) :- holds(F, S), not abnormal(A, F, S). "Fakt F gilt immer noch, außer die Aktion A ist 'abnormal' für F."

1. McCarthy & Hayes (1969)

Sie entdeckten das Problem. In der klassischen Logik muss man explizit sagen, dass sich Dinge nicht ändern. Sonst weiß man nichts über den neuen Zustand. "Wenn ich schieße, bin ich tot?" -> Ja. "Wenn ich schieße, ist die Sonne noch da?" -> Logisch nicht ableitbar, wenn du es nicht explizit hinschreibst.

2. Sleeping Dog Strategy

Die Lösung im Menschenhirn (und modernen KIs): Wir nehmen an, dass sich nichts ändert (Persistenz), außer wir haben einen Grund zur Annahme. "Lass schlafende Hunde liegen." Wir modellieren nur Veränderungen (Deltas). Das ist die Basis für effiziente Planer (STRIPS).

1. Reiter's Solution (Successor State Axioms)

Die mathematisch eleganteste Lösung für das Frame Problem stammt von Raymond Reiter (1991). Anstatt für jeden Fakt (Fluent) und jede Aktion eine Regel zu schreiben, schreibt man pro Fakt eine einzige, universelle Gleichung: $Fluent(s') \iff [\text{Aktion hat Fluent aktiviert}] \lor [Fluent(s) \land \neg(\text{Aktion hat Fluent deaktiviert})]$. Diese Formel fasst alle möglichen Veränderungen zusammen. Sie ist die Basis für die Sprache Golog, mit der man Roboter steuern kann. Der Computer muss so nur eine handvoll Axiome prüfen, anstatt Milliarden von Nicht-Effekten zu verwalten.

2. Non-Monotonic Logic (Circumscription)

Eine andere Lösung ist die Nutzung von Nicht-monotoner Logik. Standard-Logik ist monoton: Mehr Wissen = Mehr wahre Sätze. Nicht-monotone Logik erlaubt es, Annahmen zu treffen, die später revidiert werden können. Man nutzt Circumscription (John McCarthy): "Minimiere die Anomalien." Wir nehmen an, dass sich nichts ändert, außer es gibt einen zwingenden logischen Grund. Wenn also nicht bewiesen werden kann, dass die Wandfarbe sich ändert, dann bleibt sie gleich. Das entspricht eher der menschlichen Intuition, ist aber mathematisch extrem schwer umzusetzen, da man über "Mengen von Modellen" schließen muss.

3. Qualifikations- & Ramifikationsproblem

Das Frame Problem kommt selten allein.

Qualifikationsproblem: Was muss alles wahr sein, damit eine Aktion klappt? (Habe ich den Schlüssel? Ist Benzin im Auto? Ist die Schwerkraft noch da?). Man kann nie alle Vorbedingungen auflisten.
Ramifikationsproblem: Was sind die indirekten Folgen? (Wenn ich den Wagen bewege, bewegt sich auch die Fliege, die auf dem Wagen sitzt). Experten in der KI-Forschung versuchen, diese drei Probleme (Frame, Qualification, Ramification) in einem einheitlichen System (z.B. Situation Calculus oder Fluent Calculus) zu lösen, um Maschinen "gesunden Menschenverstand" beizubringen.