Neue Forschungsergebnisse der Johns Hopkins University zeigen, dass künstliche Intelligenzsysteme, die mit biologisch inspirierten Strukturen entwickelt wurden, Aktivitätsmuster erzeugen können, die den im menschlichen Gehirn beobachteten Mustern ähnlich sind, und das sogar, bevor sie trainiert werden.
Die Studie, veröffentlicht in Nature Machine Intelligence, legt nahe, dass das Design eines KI-Modells wichtiger sein könnte als die umfangreichen Deep-Learning-Prozesse, die oft Monate in Anspruch nehmen, enorme Energiekosten verursachen und Milliarden von Dollar kosten.
Der Hauptautor Mick Bonner, Assistenzprofessor für kognitive Wissenschaften an der Johns Hopkins University, erklärte: „Derzeit verfolgt die KI-Branche den Ansatz, viele Daten auf die Modelle zu werfen und Rechenressourcen in der Größe kleiner Städte aufzubauen. Das erfordert Hunderte von Milliarden Dollar. Währenddessen lernen Menschen mit sehr wenigen Daten zu sehen.“ Er fügte hinzu: „Die Evolution könnte aus gutem Grund dieses Design gewählt haben. Unsere Arbeit deutet darauf hin, dass architektonische Designs, die eher dem Gehirn ähneln, die KI-Systeme in einen sehr vorteilhaften Ausgangspunkt versetzen.“
Untersuchung von Netzwerkdesigns
Bonner und seine Kollegen analysierten drei Hauptkategorien von Netzwerkdesigns, die häufig den Bau moderner KI-Systeme leiten: Transformer, vollständig verbundene Netzwerke und konvolutionale Netzwerke.
Testen von KI-Architekturen gegen Gehirnaktivität
Die Wissenschaftler modifizierten wiederholt die drei Entwürfe, um Dutzende einzigartiger künstlicher neuronaler Netzwerke zu erstellen. Anschließend wurden diese neuen und untrainierten KI-Netzwerke Bildern von Objekten, Menschen und Tieren ausgesetzt und die Reaktionen der Modelle mit der Gehirnaktivität von Menschen und Primaten verglichen, die denselben Bildern ausgesetzt waren.
Als Transformer und vollständig verbundene Netzwerke durch eine größere Anzahl künstlicher Neuronen modifiziert wurden, zeigten sie nur geringe Veränderungen. Im Gegensatz dazu ermöglichte das Anpassen der Architekturen konvolutionaler neuronaler Netzwerke den Forschern, Aktivitätsmuster in der KI zu erzeugen, die besser mit den Mustern im menschlichen Gehirn simuliert wurden.
Architektur ist wichtiger als erwartet
Die untrainierten konvolutionalen neuronalen Netzwerke konkurrierten mit herkömmlichen KI-Systemen, die während des Trainings normalerweise Millionen oder Milliarden von Bildern ausgesetzt sind. Dies deutet darauf hin, dass die Architektur eine wichtigere Rolle spielt, als die Forscher zuvor erkannt hatten.
„Wenn das Training mit massiven Daten wirklich der entscheidende Faktor ist, dann sollte es auf keinen Fall möglich sein, brain-like KI-Systeme nur durch architektonische Modifikationen zu erreichen“, sagte Bonner. „Das bedeutet, dass wir durch den Beginn mit dem richtigen Entwurf und vielleicht durch die Integration anderer biologischer Erkenntnisse das Lernen in KI-Systemen dramatisch beschleunigen könnten.“
Zukünftige Entwicklungen
Als Nächstes arbeiten die Forscher an der Entwicklung einfacher Lernalgorithmen, die biologischen Modellen nachempfunden sind, um ein neues Deep-Learning-Rahmenwerk zu informieren.
Referenz: „Konvolutionale Architekturen sind kortex-aligned de novo“ von Atlas Kazemian, Eric Elmoznino und Michael F. Bonner, 13. November 2025, Nature Machine Intelligence.
DOI: 10.1038/s42256-025-01142-3
Verpassen Sie keinen Durchbruch: Melden Sie sich für den SciTechDaily-Newsletter an.
Folgen Sie uns auf Google und Google News.
