Bernhard Schölkopf ist ein Pionier dieser „dritten industriellen Revolution“ – wie er sie nennt. „Die erste basierte auf Energie aus Wasser- und Dampfkraft, die zweite auf Energie aus Elektrifizierung. Die gegenwärtig laufende dritte ersetzt Energie durch den Begriff der Information.“

Expertensysteme legten den Grundstein für das Fach Informatik

Für intelligente Computersysteme gibt es viele unterschiedliche Ansätze. Bereits in den 1950er Jahren forschten US-Wissenschaftler an KI. Sie simulierten die Denkweise menschlicher Experten in sogenannten Expertensystemen, die mit Wenn-Dann-Regeln gefüttert wurden. Aus den gespeicherten Regeln „Wenn es regnet, ist die Straße glatt“ und „Wenn die Straße glatt ist, geraten Autos leicht ins Schleudern“ konnten Expertensysteme eigenständig schlussfolgern: „Wenn es regnet, geraten Autos leicht ins Schleudern.“ Das war freilich ein rein formallogischer Akt computerisierter Datenverarbeitung. Davon, was eine Straße oder ein Auto ist, hatten die Systeme keinen Schimmer. Trotzdem begleitete ihre Entwicklung ein enormer Hype. KI-Legende Marvin Minsky vom Massachusetts Institute of Technology behauptete damals: „Wir Menschen können froh sein, wenn uns intelligente Roboter in 50 Jahren noch als ihre Haustiere akzeptieren“. Von all dem war ein halbes Jahrhundert später wenig zu sehen. Immerhin entwickelten KI Forscher erste höhere Programmiersprachen für Computer (u. a. Lisp), die für Programmierer leichter verständlich sind als reiner Maschinen-Code aus Nullen und Einsen – und legten damit den Grundstein für das Fach Informatik.

Weit mehr Erfolg hatten seit Mitte der 1980er Jahre sogenannte künstliche neuronale Netze, deren Aufbau entfernt am menschlichen Gehirn orientiert ist. Sie verfügen über künstliche Neuronen, die in mehreren Schichten angeordnet sind, und werden nicht mit Expertenregeln gefüttert, sondern lernen die Bewältigung von Aufgaben eher wie ein Kind: Ein Data Scientist lernt ein neuronales Netz schrittweise an, indem er ihm beispielsweise Bilder von Birnen und Äpfeln zeigt. Das Netz rät zunächst, um welche der beiden Früchte es sich handelt. Der Data Scientist überprüft die Ergebnisse und teilt dem System mit, ob es richtig oder falsch lag. Im Laufe dieses Trainings wird das neuronale Netz immer besser. Sein gelerntes „Wissen“ speichert es im Netz seiner künstlichen Neuronen, die wie Synapsen im Gehirn über erregende oder hemmende Gewichtungen miteinander verbunden sind. Nach vielen tausend Trainingsdurchgängen sind die Gewichtungen so eingestellt, dass das neuronale Netz nun auch auf neuen Bildern, die es zuvor nie gesehen hat, Äpfel von Birnen zu unterscheiden vermag.

1997 Besiegte ein KI-System erstmals den amtierenden Schachweltmeister

Der aktuelle Durchbruch der KI geht vor allem auf solche Methoden des „maschinellen Lernens“ zurück, deren Leistung dank immer schnellerer Computer, immer größerer Speicher und rasant wachsender Datenmengen zum Trainieren stark zugelegt hat. Heute steuern neuronale Netze unter anderem selbstfahrende Autos, die sie mit Hilfe von Kamera- und Sensordaten eigenständig lenken und beim Erkennen von Hindernissen automatisch abbremsen.

In vielen Spielen sind KI-Systeme menschlichen Gegnern inzwischen weit überlegen. Bereits 1997 schlug „Deep Blue“ – ein von IBM gebauter Schachcomputer, der über eine riesige Wissensdatenbank mit Meisterpartien verfügte und 200.000 Stellungen pro Sekunde berechnen konnte – unter Turnierbedingungen den damals amtierenden Schachweltmeister Garri Kasparow. Den Weltmeister im komplizierten japanischen Brettspiel Go besiegte 2016 ein von der Google-Firma DeepMind entwickeltes System namens „AlphaGo“, das auf einem mit Meisterpartien trainierten neuronalen Netz basierte.

Support-Vektor-Maschinen liefern besonders präzise Ergebnisse

Die von Schölkopf mitentwickelten Support-Vektor-Maschinen ähneln der Arbeitsweise von neuronalen Netzen, liefern jedoch bei einigen Aufgaben präzisere Ergebnisse. Darüber hinaus basieren sie auf soliden mathematischen Grundlagen, was ihre Arbeitsweise transparenter macht.

„Eine einfache Aufgabe für eine Support-Vektor-Maschine wäre zum Beispiel, nach Eingabe von Körpergröße und Gewicht zu bestimmen, ob eine Person ein Mann oder eine Frau ist“, erklärt Matthias Bauer, Doktorand in Schölkopfs Tübinger MPI Team. Die Ergebnisse stellt das System mathematisch als Vektoren dar, die man sich als zwei Wolken von Punkten (eine für Frauen, eine für Männer) in einem zweidimensionalen Koordinatensystem vorstellen kann. Idealerweise lassen sich beide Wolken durch eine gerade Linie trennen. Eine Gerade ist eine sogenannte lineare Lösung, die sich besonders schnell berechnen lässt. Da es jedoch auch kleine, leichte Männer und schwere, große Frauen gibt, landen einige Punkte in der falschen Wolke.

Um die Wolken dennoch zu trennen, müsste eine nichtlineare Schlangenlinie verwendet werden, die jedoch viel komplizierter zu berechnen ist.

Als Abhilfe geht der Programmierer zur Trennung nun gleichsam in die dritte Dimension: Mit Hilfe eines mathematischen Algorithmus – einer frei wählbaren „Kernfunktion“ – hebt oder senkt er die zuvor in der 2-D-Ebene liegenden Punkte, sodass sie nunmehr unterschiedlich hoch in einem 3-D-Raum schweben. „Als Stellgröße für die Höhe könnte man beispielsweise ein Drittel des Gewichts plus viermal die Größe nehmen“, erklärt Bauer. Bei geschickter Wahl dieser Kernfunktion lassen sich die im 3-D-Raum schwebenden Punkte anschließend durch eine Fläche trennen, die – bezogen auf den 3-D-Raum – ebenfalls eine lineare Lösung darstellt. Diese Vorgehensweise lässt sich beliebig steigern: Die Punkte (Vektoren) können auch in einen multidimensionalen (oder sogar unendlichdimensionalen) Raum transformiert werden. Die zu suchende lineare „Hypertrennebene“ liegt dann jeweils eine Dimension tiefer.

Die Trennebene ist jeweils durch einige ausgewählte Vektoren definiert, die dieser möglichst nahe liegen. Daher werden sie auch „Supportvektoren“ genannt. Man kann sie sich bildlich als Stelzen vorstellen, die die Trennebene von beiden Seiten stützen (aber nicht ganz berühren). Wird in das obige Beispielsystem nun ein Wertepaar für Größe und Gewicht aus unbekannter Quelle eingespeist, vergleicht die Support-Vektor-Maschine den aus diesen Werten erzeugten Vektor mit den Stützvektoren, die die Mann-Frau-Grenze markieren, und kann so schnell das Geschlecht bestimmen.

Der entscheidende Trick der Support-Vektor-Maschinen ist, dass die Trennung der Punkte zwar sauber im multidimensionalen Raum erfolgt, der Computer dazu aber gar nicht die zugehörigen komplizierten und aufwendigen Vektor- Berechnungen vornehmen muss. Denn die Systeme arbeiten mit den Skalarprodukten dieser Vektoren, die per Definition Zahlen sind und vom Computer entsprechend einfach verrechnet werden können.

„Wenn unser Beispielsystem immer noch zu viele Fehler macht, also zu viele Frauen als Männer und umgekehrt einstuft, muss der Programmierer Anpassungen an der Kernfunktion vornehmen“, erklärt Bauer. „Das Schöne an der Kernfunktion ist, dass es sich um eine mathematisch exakt definierte Größe handelt – und somit um eine präzise Stellschraube.“ Ein neuronales Netz ist im Vergleich dazu eine intransparente „Black Box“, bei der die während des Trainings rein statistisch erzeugten Parameter irgendwo in den Netz-Gewichtungen verborgen liegen.

Bernhard Schölkopf ist der am häufigsten zitierte deutsche Informatiker

Ihre größten Erfolge verzeichneten Support-Vektor-Maschinen in den 1990er Jahren. In den „Bell Labs“ entwickelten Schölkopf und Vladimir Vapnik gemeinsam ein System, das handgeschriebene Ziffern auf Briefen fast so gut erkennen konnte wie ein Mensch – und besser war als alle konkurrierenden Systeme inklusive neuronalen Netzen. 1997 gelang es einer Support-Vektor-Maschine, 21.450 News-Meldungen der Agentur Reuters automatisch auszuwerten und in 135 thematische Kategorien wie Sport, Wirtschaft und Politik zu unterteilen.

Support-Vektor-Maschinen gaben der Informatik und speziell deren Unterabteilung „Maschinelles Lernen“ wegen ihres systematischen mathematischen Ansatzes einen deutlichen Schub. Bernhard Schölkopf ist der am häufigsten zitierte deutsche Informatiker und zählt gemäß dem US-Forschungsmagazin „Science“ zu den zehn einflussreichsten Computerwissenschaftlern der Welt.

„Entscheidend für die großen Fortschritte im Maschinellen Lernen sind vor allem die ungeheuer gewachsenen Datenmengen, in den USA Big Data genannt“, sagt Schölkopf – und erklärt dies am folgenden Beispiel: Eine Support-Vektor-Maschine könnte zum Beispiel vor die Aufgabe gestellt werden, in Abschnitten der Erbsubstanz DNA biologisch bedeutsame Klassen aufzuspüren. „Solange wir nur wenige Trainingsdaten haben, etwa ein paar tausend, ist die Genauigkeit sehr niedrig. Wir Menschen würden uns vermutlich überhaupt nur ein paar tausend anschauen. Dies würde aber nicht ausreichen, um Gesetzmäßigkeiten zu erkennen. Doch mit großen Datenmengen, z. B. 10 bis 15 Millionen, steigt die Genauigkeit stark an. Die Support-Vektor-Maschine kann damit Strukturen aufspüren, die ein Mensch niemals zu finden in der Lage wäre.“

KI-Technologie arbeitet aber noch längst nicht perfekt. „Ein neuronales Netz kann zum Beispiel eine Kuh auf den meisten Bildern problemlos erkennen“, sagt Schölkopf. „Es bekommt aber Probleme, wenn das Bild einer Kuh am Meeresstrand gezeigt wird. Dies liegt an den Trainingsdaten, die Kühe meist auf Wiesen zeigen. Das System wird durch das zu Kuh unpassende Umfeld Strand gleichsam in die Irre geführt und erkennt die Kuh nicht, da es nur auf Korrelationen achtet und Kausalität ignoriert. Zukünftige KI-Systeme“, so Schölkopf, „sollten auch Kausalität verstehen: Denken ist laut Konrad Lorenz nichts anderes als Handeln im vorgestellten Raum. Die Repräsentationen, die wir lernen, sollten also ein Verständnis abbilden, wie die Welt auf unser Handeln reagiert – dies geht über die statistischen Methoden hinaus, die den derzeitigen Methoden zugrunde liegen.“

Fehler treten unter anderem auch bei der automatischen Bearbeitung von Online-Kreditanträgen auf. Immer wieder kommt es vor, dass KI-Systeme Kredite verweigern, obwohl der Kreditnehmer beste Bonität vorweisen kann. Ganz auszumerzen werden solche Fehler nach Expertenmeinung wohl niemals sein, weil Informatiker oft unterschiedlicher Meinung sind, welcher Algorithmus sich für welche Anwendung am besten eignet. Außerdem können beispielsweise bei autonomen Fahrzeugen die Sensoren altern oder verschmutzen.

Schon bald werden KI-Systeme auch den Büroalltag revolutionieren

Nach der Roboterisierung der Fabriken werden KI-Systeme künftig auch den Büroalltag revolutionieren. Sie „verstehen“ inzwischen problemlos die Inhalte von Dokumenten und legen diese automatisch ab. Auf ähnliche Weise filtern sie Spam-E-Mails heraus. Selbst einfache Versicherungsfälle können die Systeme eigenständig bearbeiten. Bei der Qualitätssicherung in der Fertigung entdecken sie blitzschnell kleinste Mängel, die Menschen leicht übersehen könnten. In der Medizin spüren sie auf Röntgen- oder Tomographenbildern Tumoren so treffsicher auf wie menschliche Experten. Mehrere renommierte US-Zeitungsredaktionen und -Agenturen wie Associated Press lassen sogar bereits Journalisten-Roboter einfache Standardmeldungen aus den Bereichen Wirtschaft und Sport verfassen.

Aktuell erforscht das Schölkopf-Team am MPI Tübingen Algorithmen, die aus Daten auch kausale Zusammenhänge erkennen können. Kausale Inferenz nennt sich diese vielversprechende neue Forschungsrichtung. Ziel ist unter anderem, KI-Systeme robuster gegen Störeinflüsse zu machen. „Wenn in einer geschlossenen Ortschaft ein Tempo-30-Schild so überklebt wurde, dass es wie ein Tempo-120-Schild aussieht, dann muss das KI-System eines selbstfahrenden Autos aus dem Kontext erschließen können, dass dieses Schild zu ignorieren ist“, erklärt Schölkopf. Tatsächlich haben selbstfahrende Autos in den USA bereits mehrere tödliche Unfälle verursacht.

Neue KI-Systeme bringen sich sogar das Lernen selber bei

Der neueste Trend im Maschinellen Lernen geht dahin, die Systeme nicht mehr aufwendig mit teils Millionen Trainingsdaten zu trainieren, sondern sie vollkommen eigenständig Gesetzmäßigkeiten, Strukturen und Regeln erkennen zu lassen. Nach dem „überwachten Lernen“ (mit Training) kommt also nun das „unüberwachte Lernen“.

Einen aufsehenerregenden Erfolg auf diesem Teilgebiet erzielte 2015 die Google-Firma DeepMind. (DeepMind ist ein 2010 in London gegründetes KI-Start-up, das Google im Januar 2014 aufgekauft hat.) Die DeepMind-Forscher hatten ein neuronales Netz kreiert, das eigenständig lernte, gegen 49 klassische, auf der Konsole Atari 2600 laufende Computer spiele aus den 1980er Jahren zu spielen. Das Team nutzte dazu das sogenannte Deep-Learning-Verfahren, bei dem ein neuronales Netz mit besonders vielen Neuronen und Schichten verwendet wird. Als Input erhielt dieses Netz die farbigen Pixel des jeweiligen Videospiels sowie den angezeigten Spielstand. Als Output erzeugte das Netz Joystick- Bewegungen. Der Algorithmus war so programmiert, dass Joystick-Bewegungen, die den Spielstand erhöhten, belohnt wurden. Anfangs bewegte das Netz den Joystick zufällig – und oft falsch. Nach und nach lernte es jedoch, die Bewegungen so zu optimieren, dass sich die Zahl der Gewinnpunkte erhöhte. Nach vielen tausend Spielen war das Netz derart gut, dass es vergleichbar gut spielte wie menschliche Meisterspieler. Die Regeln dafür hatte es sich selber beigebracht.

Bernhard Schölkopf schrieb dazu auf Einladung des renommierten britischen Wissenschaftsmagazins „Nature“ den Fachartikel „Learning to see and act“. Besonders beeindruckte ihn, dass die DeepMind-Forscher das Netz nach der ersten Lernphase auch gegen sich selber spielen ließen: „Sie speicherten die bereits gesammelten Erfahrungen des Systems und nutzten diese, um es im Spiel gegen sich selbst weiter zu trainieren. Dies ähnelt Prozeduren, die im Hippocampus des Gehirns im Schlaf auftreten“. In der Tat hatten die Hirnforscher May-Britt und Edvard Moser, die den Körber-Preis 2014 und kurz darauf den Nobelpreis erhalten hatten, bei Experimenten mit Ratten, die tagsüber durch ein Labyrinth liefen, herausgefunden, dass die Nager nachts im Schlaf in ihrem Hippocampus die Erkundungsläufe des Tages noch einmal rekapitulierten. Diese geträumten Wiederholungen führen zu einer synaptischen Konsolidierung des Gelernten. In der KI-Forschung wird dieser Vorgang als „reinforcement Learning“ – verstärkendes Lernen – bezeichnet.

Auch mehrere Schölkopf-Teams arbeiten an der neuen Forschungsrichtung „verstärkendes Lernen“: Im Keller des Tübinger Instituts steht eine Tischtennisplatte mit zwei Roboterarmen. Zunächst können die Arme lediglich den Schläger halten. Sie haben keine Ahnung, wie Tischtennis zu spielen ist, sollen dies aber ebenfalls eigenständig nach der Versuch-Irrtum-Methode lernen. „Wir werden sie mit einer Lernsoftware füttern, die sie befähigt, aus ihren eigenen Fehlern zu lernen und die richtigen Schlüsse zu ziehen“, sagt Schölkopf. „Damit können sie dann die ganze Nacht üben, und am nächsten Morgen werden sie schon viel besser spielen.“ Das Team hofft, dass der Tischtennis-Roboter eines Tages so leistungsfähig wird, dass er menschliche Spieler besiegt.

Der KI-Standort Deutschland muss sich gegen harte Konkurrenz aus den USA und China bewähren

Dank der rasanten Fortschritte hat KI in den letzten Jahren auch deutlich an wirtschaftlicher Relevanz gewonnen. „Hiesige Forscher sind in großer Sorge, dass Länder wie China und die USA stärker in KI investieren und viel stärker strategisch denken“, sagt Schölkopf. Er setzt sich engagiert dafür ein, Deutschland als KI-Standort zu stärken und in der harten internationalen KI-Konkurrenz zu einer Spitzenstellung zu verhelfen. Schölkopf ist Mitgründer des inzwischen weltweit renommierten „Cyber Valley“ in der Region Stuttgart-Tübingen – eines vom Land Baden-Württemberg geförderten KI-Kompetenzzentrums, das neben großen deutschen Technologiekonzernen auch große IT-Firmen aus den USA einbinden konnte.

Gemessen an der Zahl wissenschaftlicher Publikationen zum Thema KI ist Deutschland im internationalen Vergleich bereits ins Hintertreffen geraten. „Nur noch drei bis vier Prozent der Artikel bei Top-Konferenzen haben deutsche Co-Autoren“, sagt Schölkopf. Vor gut zehn Jahren seien es noch zehn Prozent gewesen. Vor allem China hole mächtig auf. 2017 wurden dort 48 Prozent aller weltweit in KI-Start-ups geflossenen Mittel investiert, im Jahr davor waren es noch elf Prozent. Auf einer Fortune-Liste der 100 führenden KI-Start- ups sei Deutschland überhaupt nicht vertreten.

„Wer sich mittelfristig eine Führungsposition in der KI sichern will, sollte“, so Schölkopf, „zum einen bereits existierende KI-Methoden breit einsetzen – durch Förderung von Start-ups, Technologietransfer und angewandte Forschung in Fraunhofer-Instituten und am Deutschen Forschungszentrum für Künstliche Intelligenz –, zum anderen sollte er strategisch in die Grundlagenforschung investieren, denn KI-Hotspots wie im Silicon Valley oder Cambridge entstehen an Orten mit herausragender Grundlagenforschung. Die Lernverfahren von morgen werden heute erfunden. Die maschinelle Intelligenz benötigt nicht nur Daten, sondern vor allem Köpfe“. Deshalb werde die Firma mit den besten selbstfahrenden Autos „nicht die mit den besten Patenten oder dem besten Geheimwissen sein, sondern diejenige mit den besten Ingenieuren, den besten Machine-Learning-Leuten“.

Lokale KI-Hotspots in Europa müssen gestärkt werden

Europa hat bislang vor allem personell das Nachsehen, weil große IT-Firmen und Elite-Universitäten, vor allem aus den USA, konsequent die besten Talente abwerben. Google finanziert zurzeit über 250 Forschungsprojekte im Bereich „Deep Learning“. Am stärksten betroffen sind hiesige öffentliche Forschungseinrichtungen. Schölkopf: „Viele unserer angehenden Doktoranden haben Angebote von amerikanischen Firmen oder Elite-Universitäten. Dort arbeiten Professoren aus Europa, die in den USA zu Superstars und erfolgreichen Unternehmern aufgestiegen sind. Und Nachwuchswissenschaftler wollen halt dort lernen, wo die Besten forschen“. Es sei daher entscheidend, lokale Hotspots in Europa – wie das neue deutsche Cyber Valley – zu stärken, Zugpferde der Zunft zu halten oder nach Europa zurückzuholen. Zum Glück habe die Max-Planck-Gesellschaft frühzeitig in die KI-Zukunft investiert und 2011 das inzwischen weltweit anerkannte MPI für Intelligente Systeme gegründet.

Im Rahmen des geplanten ELLIS-Programms (European Lab oratory for Learning and Intelligent Systems) will Schölkopf „führende europäische Standorte besser miteinander vernetzen, gemeinsame Programme aufsetzen und Doktoranden ausbilden. Junge Spitzenforscher sollten nicht in die USA gehen müssen, um auf dem höchsten Niveau zu arbeiten“. Die Mittel des Körber-Preises will Schölkopf unter anderem in seinem neuen Fachgebiet Kausale Inferenz und für Workshops zur Förderung des ELLIS-Projekts verwenden.

Schölkopf sieht aber auch die Schattenseiten der KI: Einige Wissenschaftler arbeiten an intelligenten Kampfmaschinen, die im Krieg autonom Menschen töten könnten. Schölkopf ächtet diese militärischen KI-Anwendungen entschieden und organisiert gemeinsam mit vielen anderen KI- und Robotik- Forschern den Protest dagegen.

Die verbreitete Angst vieler Menschen vor KI hält Schölkopf dagegen für übertrieben: „Die Systeme funktionieren nur in thematisch jeweils sehr eng begrenzten Spezialgebieten. Selbst Deep-Learning-Netze sind verglichen mit dem Gehirn recht simple Strukturen“. Sein Fachkollege Wolfgang Wahlster, Gründungsdirektor des Deutschen Forschungszentrums für Künstliche Intelligenz, pflichtet ihm bei: „Von der menschlichen Alltagsintelligenz ist die KI immer noch Lichtjahre entfernt. Gesunden Menschenverstand kann sie nur äußerst beschränkt erwerben“.

Bernhard Schölkopf wuchs in Filderstadt nahe Stuttgart auf. Sein Vater war Maurermeister und später Bauunternehmer, die Mutter Hausfrau. Freunde der Eltern bezeichneten den eher zurückhaltenden Jungen als „kleinen Professor“. Bereits in der Schulzeit entdeckte Schölkopf seine Liebe zu den Zahlen. Nach dem Abitur (1987) studierte er in Tübingen und London Physik, Mathematik und Philosophie. 1997 promovierte er in Computerwissenschaften an der TU Berlin.

Prägend für Schölkopfs Karriere war ein Stipendium der Studienstiftung des deutschen Volkes, das ihn an die amerikanischen Bell Labs brachte. Dort half er seinem späteren Doktorvater Vladimir Vapnik, sogenannte Support Vector Machines zur Anwendungsreife zu entwickeln. Nach der Promotion arbeitete Schölkopf für Microsoft Research im britischen Cambridge. Dort lernte er auch seine spätere Frau, eine spanische Illustratorin, kennen, mit der er drei Kinder hat. Sie hat zu einer seiner Ideen – einem Jungen, der auf einem Kometen reitet und Sternschnuppen über unserem Planeten verstreut – einen Bildband veröffentlicht.

Nach weiterer Tätigkeit beim New Yorker Biotech-Start-up Biowulf wurde Schölkopf 2001 zum Direktor des Max-Planck-Instituts (MPI) für biologische Kybernetik in Tübingen berufen. 2011 zählte er zu den Gründungsdirektoren des Tübinger MPI für intelligente Systeme. Mit seinen stark mathematisch geprägten Arbeiten zum Thema Maschinelles Lernen hat Schölkopf Weltruhm erlangt. Er ist in wissenschaftlichen Publikationen zu diesem Thema der am häufigsten zitierte deutsche Forscher und zählt zu den zehn weltweit bedeutendsten Computerwissenschaftlern. Schölkopf wurde bereits mit zahlreichen renommierten Preisen ausgezeichnet – darunter 2018 mit dem Leibniz-Preis.

Weiterhin setzt er sich stark dafür ein, Deutschland als KIStandort zu fördern: Schölkopf ist Mitgründer des „Cyber Valley“ im Raum Stuttgart-Tübingen – ein KI-Hotspot, an dem inzwischen auch große IT-Firmen aus den USA Forschungszentren errichtet haben. Im geplanten ELLIS-Programm (European Laboratory for Learning and Intelligent Systems) will er führende europäische Standorte besser miteinander vernetzen. Zu Schölkopfs Hobbys zählt die Musik, er spielt Klavier und singt im Chor. Sein Lieblingskomponist ist Johann Sebastian Bach.