Forscher der Technischen Universität Graz haben ein KI-System entwickelt, das komplexe Planungsprobleme mit denselben energiesparenden Strategien löst, die auch der menschliche Hippocampus verwendet – und dabei nur einen Bruchteil der Rechenleistung herkömmlicher tiefer neuronaler Netze verbraucht.
Die Forschung
Wolfgang Maass und Yukun Yang vom Institut für Maschinelles Lernen und Neuronale Berechnung haben gemeinsam mit internationalen Partnern neurowissenschaftliche Studien zum Hippocampus herangezogen, um drei Hirnmechanismen zu identifizieren, die es wert sind, in Code übersetzt zu werden:
- Kognitive Karten – Das Gehirn wandelt Beziehungen zwischen abstrakten Objekten in geometrische Beziehungen zwischen neuronalen Codes um und erzeugt so einen „Orientierungssinn“, der einer räumlichen Karte ähnelt.
- Stochastische neuronale Berechnung – Das Gehirn erzeugt ständig hypothetische Szenarien und Vorhersagen, anstatt jede Möglichkeit erschöpfend zu berechnen.
- Kompositionelle Kodierung – Informationen und Handlungspläne zerfallen in wiederverwendbare Komponenten, ähnlich wie LEGO-Steine, die für neue Aufgaben neu zusammengesetzt werden können.
Wenn die KI vor einem Problem steht, berechnet sie nicht jeden möglichen Lösungsweg. Stattdessen erzeugt sie – geleitet von ihrer kognitiven Karte – einen zufälligen Zwischenschritt und prüft, ob dieser sie dem Ziel näher bringt. Wenn ja, verfolgt das System diesen Weg und wiederholt den Prozess von seiner neuen Position aus. Dieser schrittweise Ansatz nähert sich allmählich einer Lösung, ohne erschöpfende Berechnungen durchzuführen.
Das Team validierte die Architektur anhand von drei Benchmarks: zweidimensionale räumliche Navigation, abstrakte mehrdimensionale Orientierung sowie das Zusammensetzen und Zerlegen einer Silhouette aus Bausteinen. Entscheidend war, dass sich das System ohne erneutes Training oder Parameteroptimierung an neue Umgebungen und strukturelle Veränderungen anpasste – eine Fähigkeit, die als Zero-Shot-Adaptivität bezeichnet wird. Das menschliche Gehirn arbeitet mit etwa 20 Watt Leistung, während große Sprachmodelle Energie im Megawatt-Bereich benötigen können.
Warum das wichtig ist
In dieser Forschung geht es nicht darum, große Sprachmodelle in ihrem eigenen Spiel zu schlagen. Wie Maass es ausdrückt: „Wir stehen noch relativ am Anfang der Entwicklung. Aber unsere Arbeit zeigt, dass leistungsstarke KI nicht unbedingt riesige Rechenzentren und enorme Energiemengen erfordert.“ Die Implikationen reichen über die KI-Effizienz hinaus. Das Modell legt nahe, dass die Fähigkeit des Gehirns, flexibel zu planen – ohne massiven Rechenaufwand – auf bestimmten, identifizierbaren Strategien beruht: abstrakte Beziehungen geometrisch abzubilden, zufällige Zwischenschritte zu testen statt einer erschöpfenden Suche und Handlungskomponenten wiederzuverwenden.
Für alle, die sich für ihre eigene Kognition interessieren, zeigt diese Forschung, dass menschliches Problemlösen bemerkenswert effizient ist. Ihr Gehirn erzwingt keine Lösungen durch rohe Gewalt. Es verwendet räumliche Metaphern für abstrakte Probleme, probiert Möglichkeiten aus, anstatt sie aufzuzählen, und kombiniert vertraute Handlungen zu neuen Plänen. Das sind trainierbare Fähigkeiten.
Was Sie tun können
Versuchen Sie, diese Prinzipien auf Ihr eigenes Denken anzuwenden. Wenn Sie vor einem komplexen Problem stehen, skizzieren Sie eine grobe „Karte“ davon, wie die Schlüsselelemente miteinander zusammenhängen. Anstatt jeden Schritt zu planen, wählen Sie einen plausiblen ersten Zug und bewerten Sie, ob er Sie Ihrem Ziel näher bringt. Zerlegen Sie große Aufgaben in wiederverwendbare Komponenten, die Sie für zukünftige Herausforderungen neu anordnen können. Dies spiegelt die vom Gehirn inspirierte Strategie wider und kann Ihnen helfen, Probleme mit weniger mentaler Ermüdung zu lösen.
Quelle: Neuroscience News
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntraining-Level aus.