Eine neue Studie zeigt, dass die internen Speicheraktualisierungen bestimmter KI-Modelle – lineare Transformatoren – mathematisch identisch mit jahrhundertealten Theorien des tierischen Lernens sind. Diese überraschende Verbindung sagt voraus, wie sich diese Modelle verhalten, und eröffnet neue Wege, sowohl maschinelle als auch menschliche Kognition zu verstehen.
Die Forschung
Mu Qiao, ein Forscher an einer nicht genannten Einrichtung, veröffentlichte ein Papier auf arXiv (August 2025, v3 August 2026), das zeigt, dass große lineare Aufmerksamkeitsfamilien benannte Modelle aus der klassischen Lerntheorie implementieren. Lineare Aufmerksamkeit spiegelt Hebbsche Kontiguität wider, DeltaNet implementiert Rescorla-Wagner-Fehlerkorrektur, und Decay-Varianten wie RetNet ahmen Kontiguität mit einer Reizspur nach. Die Studie fand eine exakte geschlossene Form für Kamin-Blockierung – ein Phänomen, bei dem früheres Lernen neue Assoziationen blockiert –, verifiziert in Simulation auf weniger als 10^-7 über fünf Lernraten. Qiao sagte auch eine Dissoziation voraus: fehlerkorrigierende Aufmerksamkeit zeigt Hinweiswettbewerb, während kontiguitätsbasierte Aufmerksamkeit dies nicht tut, und validierte dies empirisch. Darüber hinaus skaliert die Einzelzustandskapazität mit Exponenten von 1,22 für Abruf und 1,89 für Identifikation, und der Abruffehler hängt hauptsächlich von der Gesamtzustandsgröße ab, nicht von der Kopfpartition. Die Studie bewies auch keine spontane Erholung für analysierte Einzelzustands-Rekurrenzen unter hinweis-orthogonalen Retentionsversuchen.
Warum es wichtig ist
Diese Forschung überbrückt KI und Psychologie und zeigt, dass Prinzipien des tierischen Lernens – wie Hinweiswettbewerb – auf maschinelles Gedächtnis anwendbar sind. Für Ihr Gehirn legt es nahe, dass die Art, wie wir Assoziationen lernen, ähnlichen Regeln folgen könnte, und das Verständnis dieser kann Ihnen helfen, Ihr eigenes Lernen zu optimieren. Die Ergebnisse implizieren auch, dass KI-Modelle, wie Menschen, Verzerrungen bei der Gedächtnisbildung zeigen können, was Auswirkungen auf Vertrauen und Fairness in KI hat.
Was Sie tun können
Um diese Erkenntnisse zu nutzen, variieren Sie Ihre Lernkontexte, um Hinweiswettbewerb zu vermeiden, und verteilen Sie Übung, um Assoziationen zu stärken. Für KI-Nutzer: Seien Sie sich bewusst, dass Modelle ähnliche Verzerrungen wie menschliche Konditionierung aufweisen können.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder versuchen Sie 306 Gehirntrainingslevel.