Wie gut spiegeln künstliche neuronale Netze das visuelle System des Gehirns wider? Ein neuer Preprint legt nahe, dass die Antwort davon abhängt, welchen Gehirnbereich und welche Spezies man betrachtet. Die Studie testete fünf Lernregeln sowohl gegen menschliche fMRT als auch gegen Elektrophysiologie von Makaken und fand heraus, dass frühe visuelle Bereiche besser übereinstimmen als Bereiche höherer Ordnung – und dass ein vortrainiertes ResNet-50 in höheren Bereichen besser abschneidet als maßgeschneiderte Modelle.
Die Forschung
Nils Leutenegger, ein Kognitionswissenschaftler, verglich fünf Lernregeln – Backpropagation (BP), Feedback Alignment (FA), Predictive Coding (PC), Spike-Timing-Dependent Plasticity (STDP) und Zufallsgewichte – über Arten hinweg. Mithilfe der Representational Similarity Analysis (RSA) maß er die Übereinstimmung mit Makaken-V1/V2 (102–103 Neuronen) und V4/IT (88–168 Neuronen) aus zwei Datensätzen und verglich diese mit menschlichen fMRT-Daten aus einer Begleitstudie.
Wichtigste Ergebnisse: Alle Modelle zeigten eine höhere Übereinstimmung mit dem frühen visuellen Kortex von Makaken (V1/V2: rho = 0,15–0,30) als mit menschlicher fMRT (rho = 0,01–0,08), wahrscheinlich aufgrund des höheren Signal-Rausch-Verhältnisses der Elektrophysiologie. STDP und PC führten bei der frühen visuellen Übereinstimmung (rho ~ 0,30 bzw. 0,28). Am IT (inferotemporaler Kortex) zeigten die Rangfolgen über Arten hinweg jedoch keine Korrelation (Kendalls Tau = 0,00, p = 1,00), obwohl die Studie nur fünf Lernregeln umfasste, was die Aussagekraft begrenzte, um andere als exakte Umkehrungen zu erkennen. Ein vortrainiertes ResNet-50 erreichte am IT rho = 0,25 und übertraf damit alle maßgeschneiderten CNN-Bedingungen (rho = 0,07–0,14), was darauf hindeutet, dass die IT-Übereinstimmung durch Modellkapazität und Trainingsdaten begrenzt ist, nicht nur durch die Lernregel.
Eine Korrektur vom August 2026 wies darauf hin, dass ein Bug die PC- und STDP-Ergebnisse beeinflusste; nach der Reparatur führte STDP weiterhin in V1, aber PC fiel auf das Ausgangsniveau zurück. Andere Ergebnisse blieben unverändert.
Warum es wichtig ist
Dieser artübergreifende Vergleich ist ein seltener Schritt, um KI-Modelle des Sehens an biologischen Gehirnen zu validieren. Er zeigt, dass die frühe visuelle Verarbeitung über Arten hinweg ziemlich konserviert ist, was gute Nachrichten für die Verwendung von KI zum Verständnis des niedrigstufigen Sehens sind. Aber das Nullergebnis am IT unterstreicht, dass höherstufige Kognition von aktuellen Deep-Learning-Modellen immer noch schlecht erfasst wird – die Lücke zwischen künstlichem und biologischem Sehen bleibt groß.
Für die Leser unterstreicht dies, dass KI zwar beeindruckend ist, aber noch ein weiter Weg bevorsteht, bevor sie die volle Komplexität des Gehirns nachahmen kann. Es zeigt auch den Wert der Untersuchung mehrerer Arten, um menschliche Kognition zu verstehen.
Was Sie tun können
- Fordern Sie Ihre visuelle Verarbeitung heraus: Probieren Sie visuelle Rätsel oder Gehirntrainingsspiele aus, die die Mustererkennung trainieren.
- Lernen Sie über Kognitionswissenschaft: Verstehen Sie, wie Ihr Gehirn funktioniert, indem Sie über Forschung wie diese lesen.
- Machen Sie einen kostenlosen IQ-Test: Messen Sie Ihre eigenen kognitiven Fähigkeiten, um zu sehen, wo Sie stehen.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntrainingsstufen.