Backpropagation ist der Algorithmus, der Deep Learning antreibt, doch eine neue Studie legt nahe, dass das Gehirn ihn nicht verwendet – obwohl die Repräsentationen in künstlichen und biologischen Sehsystemen ähnlich aussehen.
Die Forschung
Unter der Leitung von Joséphine Raugel von Meta und in Zusammenarbeit mit mehreren Institutionen nutzte das Forschungsteam fMRT- und MEG-Aufzeichnungen menschlicher Gehirnreaktionen auf natürliche Bilder. Sie verglichen, wie gut Vorwärtsaktivierungen – der standardmäßige Signalfluss durch neuronale Netze – und rückpropagierte Gradienten (die Fehlersignale, die zum Lernen verwendet werden) die Gehirnaktivität in achtzehn Sehmodellen, einschließlich des selbstüberwachten DINOv3, vorhersagten.
Sie fanden heraus, dass rückpropagierte Gradienten zuverlässig Gehirnsignale im höheren visuellen Kortex und bei späteren Verarbeitungslatenzen vorhersagen konnten. Allerdings stimmte die räumliche und zeitliche Organisation dieser Gradienten nicht mit der Hierarchie der menschlichen visuellen Verarbeitung überein. Insbesondere die Reihenfolge, in der Gradienten berechnet werden (von späteren Schichten zurück zu früheren), und ihre räumliche Anordnung wichen von den zeitlichen und räumlichen Hierarchien ab, die im Gehirn beobachtet werden. Dies deutet darauf hin, dass die endgültigen Repräsentationen zwar übereinstimmen, die zugrundeliegenden Lernmechanismen jedoch unterschiedlich sind.
Warum es wichtig ist
Seit Jahren diskutieren Forscher, ob das Gehirn Backpropagation implementiert. Diese Studie liefert starke Beweise dagegen, zumindest für visuelles Lernen. Das Ergebnis deutet darauf hin, dass tiefe neuronale Netze zwar leistungsfähige Werkzeuge zur Vorhersage von Gehirnaktivität sind, aber keine genauen Modelle dafür, wie wir lernen. Das Verständnis der wahren Lernregeln des Gehirns könnte effizientere, biologisch plausible KI inspirieren und Licht auf kognitive Stärken und Herausforderungen beim Menschen werfen.
Was Sie tun können
Ihr Gehirn verwendet wahrscheinlich einen anderen Algorithmus als KI – einen, der flexibler, weniger datenhungrig und energieeffizienter ist. Um Ihre Lernmechanismen scharf zu halten, beschäftigen Sie sich mit vielfältigen kognitiven Aufgaben: Rätseln, neuen Fähigkeiten, sozialer Interaktion und körperlicher Bewegung. Diese Aktivitäten fördern die Neuroplastizität und könnten die einzigartigen Lernprozesse des Gehirns nutzen.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder versuchen Sie 306 Gehirntrainingslevel.
