Physische Einschränkungen treiben die Evolution von gehirnähnlichem KI an

In einer bahnbrechenden Studie haben Cambridge-Wissenschaftler einen neuen Ansatz für künstliche Intelligenz vorgestellt, indem sie zeigen, wie physische Einschränkungen die Entwicklung eines KI-Systems tiefgreifend beeinflussen können.

Diese Forschung, die an die entwicklungs- und betriebsbedingten Einschränkungen des menschlichen Gehirns erinnert, bietet neue Einblicke in die Evolution komplexer neuronaler Systeme. Durch die Integration dieser Einschränkungen spiegelt das KI-System nicht nur Aspekte der menschlichen Intelligenz wider, sondern enthüllt auch das komplexe Gleichgewicht zwischen Ressourcenaufwand und Informationsverarbeitungseffizienz.

Das Konzept physischer Einschränkungen in KI

Das menschliche Gehirn, ein Musterbeispiel für natürliche neuronale Netze, entwickelt und funktioniert innerhalb einer Vielzahl physischer und biologischer Einschränkungen. Diese Einschränkungen sind keine Hindernisse, sondern formen seine Struktur und Funktion. In den Worten von Jascha Achterberg, einem Gates-Stipendiat von der Medical Research Council Cognition and Brain Sciences Unit (MRC CBSU) an der University of Cambridge, “Nicht nur ist das Gehirn großartig darin, komplexe Probleme zu lösen, es tut dies auch, während es sehr wenig Energie verbraucht. In unserer neuen Arbeit zeigen wir, dass die Berücksichtigung der Problemlösungsfähigkeiten des Gehirns neben seinem Ziel, so wenige Ressourcen wie möglich zu verbrauchen, uns helfen kann, zu verstehen, warum Gehirne so aussehen, wie sie es tun.”

Das Experiment und seine Bedeutung

Das Cambridge-Team startete ein ambitioniertes Projekt, um ein künstliches System zu erstellen, das eine stark vereinfachte Version des Gehirns modelliert. Dieses System war in seiner Anwendung von “physischen” Einschränkungen einzigartig, ähnlich wie im menschlichen Gehirn.

Jeder Rechenknoten innerhalb des Systems wurde einem bestimmten Ort in einem virtuellen Raum zugewiesen, der die räumliche Organisation von Neuronen nachahmt. Je größer der Abstand zwischen zwei Knoten, desto schwieriger ihre Kommunikation, was der neuronalen Organisation im menschlichen Gehirn entspricht.

Dieses virtuelle Gehirn wurde dann mit der Aufgabe betraut, ein Labyrinth zu durchqueren, einer vereinfachten Version der Labyrinth-Navigationsaufgaben, die oft an Tiere in Gehirnstudien vergeben werden. Die Bedeutung dieser Aufgabe liegt in ihrer Anforderung, dass das System mehrere Informationen – wie den Start- und Endpunkt sowie die Zwischenschritte – integrieren muss, um den kürzesten Weg zu finden. Diese Aufgabe testet nicht nur die Problemlösungsfähigkeiten des Systems, sondern ermöglicht auch die Beobachtung, wie verschiedene Knoten und Cluster auf verschiedenen Stufen der Aufgabe kritisch werden.

Lernen und Anpassung im KI-System

Die Reise des künstlichen Systems von der Unerfahrenheit zur Meisterschaft in der Labyrinth-Navigation ist ein Zeugnis für die Anpassungsfähigkeit von KI. Anfangs kämpfte das System, ähnlich wie ein Mensch, der eine neue Fähigkeit erlernt, mit der Aufgabe und machte zahlreiche Fehler. Durch einen Prozess des Trial-and-Error und der anschließenden Rückmeldung verfeinerte das System jedoch allmählich seinen Ansatz.

Wesentlich war, dass dieses Lernen durch Veränderungen in der Stärke der Verbindungen zwischen seinen Rechenknoten erfolgte, was der synaptischen Plastizität im menschlichen Gehirn entspricht. Was besonders faszinierend ist, ist, wie die physischen Einschränkungen diesen Lernprozess beeinflussten. Die Schwierigkeit, Verbindungen zwischen entfernten Knoten herzustellen, bedeutete, dass das System effizientere, lokalisierte Lösungen finden musste, was der Energie- und Ressourceneffizienz in biologischen Gehirnen ähnelt.

Aufkommende Merkmale im künstlichen System

Als das System evolvierte, begann es, Merkmale zu zeigen, die verblüffend ähnlich zu denen des menschlichen Gehirns sind. Eine solche Entwicklung war die Bildung von Knoten – stark vernetzten Knoten, die als Informationsleiter über das Netzwerk fungieren, ähnlich wie neuronale Knoten im menschlichen Gehirn.

Noch faszinierender war jedoch die Veränderung in der Informationsverarbeitung durch einzelne Knoten. Anstatt eines starren Codierungsverfahrens, bei dem jeder Knoten für einen bestimmten Aspekt des Labyrinths verantwortlich war, übernahmen die Knoten ein flexibles Codierungsverfahren. Dies bedeutete, dass ein einzelner Knoten mehrere Aspekte des Labyrinths zu verschiedenen Zeiten darstellen konnte, ein Merkmal, das an die adaptive Natur von Neuronen in komplexen Organismen erinnert.

Professor Duncan Astle von der psychiatrischen Abteilung der Universität Cambridge hob diesen Aspekt hervor und sagte: “Diese einfache Einschränkung – es ist schwieriger, Knoten zu verbinden, die weit voneinander entfernt sind – zwingt künstliche Systeme, einige ziemlich komplexe Merkmale hervorzubringen. Interessanterweise sind dies Merkmale, die biologischen Systemen wie dem menschlichen Gehirn ähneln.”

Weitere Auswirkungen

Die Auswirkungen dieser Forschung erstrecken sich weit über die Bereiche der künstlichen Intelligenz hinaus und in das Verständnis der menschlichen Kognition selbst. Durch die Nachbildung der Einschränkungen des menschlichen Gehirns in einem KI-System können Forscher wertvolle Einblicke in die Gestaltung der Gehirnorganisation und die Beiträge zu individuellen kognitiven Unterschieden gewinnen.

Dieser Ansatz bietet ein einzigartiges Fenster in die Komplexität des Gehirns, insbesondere im Verständnis von Zuständen, die die kognitive und geistige Gesundheit beeinträchtigen. Professor John Duncan von der MRC CBSU fügt hinzu: „Diese künstlichen Gehirne geben uns eine Möglichkeit, die reichen und verwirrenden Daten zu verstehen, die wir sehen, wenn die Aktivität von realen Neuronen in realen Gehirnen aufgezeichnet wird.“

Zukunft des KI-Designs

Diese bahnbrechende Forschung hat bedeutende Auswirkungen auf die zukünftige Gestaltung von KI-Systemen. Die Studie verdeutlicht lebhaft, wie die Integration biologischer Prinzipien, insbesondere solcher, die mit physischen Einschränkungen zusammenhängen, zu effizienteren und anpassungsfähigeren künstlichen neuronalen Netzen führen kann.

Dr. Danyal Akarca von der MRC CBSU unterstreicht dies und sagt: „KI-Forscher versuchen ständig herauszufinden, wie man komplexe, neuronale Systeme erstellt, die flexibel und effizient codieren und verarbeiten können. Um dies zu erreichen, denken wir, dass die Neurobiologie uns viele Inspirationen liefern wird.“

Jascha Achterberg erläutert weiter die Möglichkeiten dieser Erkenntnisse für den Bau von KI-Systemen, die eng die menschlichen Problemlösungsfähigkeiten nachahmen. Er schlägt vor, dass KI-Systeme, die ähnliche Herausforderungen wie die des Menschen bewältigen, wahrscheinlich Strukturen entwickeln werden, die dem menschlichen Gehirn ähneln, insbesondere wenn sie unter physischen Einschränkungen wie Energiebegrenzungen operieren. „Die Gehirne von Robotern, die in der realen Welt eingesetzt werden“, erklärt Achterberg, „werden wahrscheinlich mehr wie unsere Gehirne aussehen, weil sie möglicherweise dieselben Herausforderungen wie wir haben.“

Die Forschung, die das Cambridge-Team durchgeführt hat, markiert einen bedeutenden Schritt im Verständnis der Parallelen zwischen menschlichen neuronalen Systemen und künstlicher Intelligenz. Durch die Auferlegung physischer Einschränkungen auf ein KI-System haben sie nicht nur Schlüsselmerkmale des menschlichen Gehirns repliziert, sondern auch neue Wege für die Gestaltung effizienterer und anpassungsfähigerer KI eröffnet.