Milliarden-Parameter-KI-Modelle, die auf Gehirnscans trainiert wurden, versagen dabei, vorherzusagen, wie gut Sie denken – während ein einfaches statistisches Maß erfolgreich ist, und das ohne GPU oder Vortraining. Das ist das Ergebnis einer neuen Studie, die einen grundlegenden blinden Fleck in den heutigen fortschrittlichsten Gehirnmodellen aufdeckt.
Die Forschung
Giovanni Marraffini und Kollegen am Französischen Nationalinstitut für Forschung in digitaler Wissenschaft und Technologie (Inria) testeten drei hochmoderne Gehirn-Grundlagenmodelle (BFMs) – große KI-Systeme, die auf fMRT-Daten von Tausenden von Menschen vortrainiert wurden. Sie bewerteten, wie gut jedes Modell die individuelle kognitive Leistung vorhersagen konnte, anhand standardmäßiger kognitiver Tests aus großen öffentlichen Datensätzen wie dem Human Connectome Project.
Das Ergebnis war verblüffend: Jedes BFM sagte Kognition schlechter voraus als eine einfache lineare Regression unter Verwendung der funktionellen Konnektivitätsmatrix (FC) – einer Matrix von etwa 80.000 Zahlen, die paarweise Korrelationen zwischen Gehirnregionen beschreibt. Schlimmer noch: Größere Modelle schnitten schlechter ab: BrainLMs 650-Millionen-Parameter-Version war schlechter als ihr 111-Millionen-Parameter-Gegenstück.
Das Team führte das Problem auf das zurück, was sie ein Varianzallokationsproblem nennen. BFMs werden darauf trainiert, das fMRT-Signal so genau wie möglich zu rekonstruieren, was bedeutet, dass sie sich auf die größten, dominantesten Varianzkomponenten konzentrieren – diese sind jedoch größtenteils Rauschen für die Kognition. Entscheidend ist, dass die Modelle die Co-Schiefe dritter Ordnung zerstören – ein statistisches Maß, das asymmetrische, nicht-gaußsche Beziehungen zwischen Gehirnregionen erfasst –, das sich als weitaus vorhersagekräftiger für die Kognition erweist als gewöhnliche Korrelationen.
Um das wiederzugewinnen, was BFMs verlieren, entwickelten die Forscher eine einfache lineare Pipeline: Projizieren Sie das fMRT-Signal in den Unterraum, der die Co-Schiefe am besten erhält, und berechnen Sie dann FC in diesem Unterraum. Diese Methode – die keine GPU und kein Vortraining erfordert – übertraf rohe FC und jedes BFM in allen getesteten Datensätzen und Gehirnparzellierungen. Sie erreichte sogar die Spitzenleistung des Forward-Passes von BrainLM nach gezieltem Feintuning.
Warum es wichtig ist
Dieses Ergebnis hat tiefgreifende Auswirkungen darauf, wie wir Intelligenz verstehen und messen. Die kognitiv relevantesten Signale des Gehirns sind möglicherweise nicht die stärksten oder offensichtlichsten – sie sind subtile Muster höherer Ordnung, die herkömmliche KI-Modelle ignorieren. Für jeden, der an seinen eigenen kognitiven Fähigkeiten interessiert ist, deutet dies darauf hin, dass einfache, gut gewählte Maße informativer sein können als komplexe Black-Box-Algorithmen.
Wichtig ist, dass die Studie zeigt, dass der Engpass in der aktuellen Gehirn-KI nicht die Modellarchitektur oder -größe ist, sondern das Vortrainingsziel selbst. Durch die Verlagerung des Fokus auf Statistiken dritter Ordnung könnten zukünftige Modelle sowohl einfacher als auch genauer werden.
Was Sie tun können
Auch wenn Sie zu Hause keine Co-Schiefe aus Ihrem Gehirn extrahieren können, können Sie doch schätzen, dass Kognition aus komplexen, nicht-linearen Interaktionen entsteht. Aktivitäten, die Ihr Gehirn fordern – wie Rätsel, das Erlernen neuer Fähigkeiten oder kognitives Training – können diese subtilen Verbindungen stärken. Und wenn Sie Behauptungen hören, dass KI Intelligenz vorhersagt, denken Sie daran, dass manchmal weniger mehr ist: Das richtige einfache Maß kann ein Millarden-Parameter-Modell übertreffen.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntrainingsstufen.
