Das menschliche Gehirn ist der künstlichen Intelligenz überlegen und effizienter, sagen Wissenschaftler

Von „Terminator“ bis „I, Robot“ sind Killerroboter seit Jahren ein fester Bestandteil von Science-Fiction-Blockbustern.

Aber Albträume, dass die KI die Menschheit überholt, könnten laut Wissenschaftlern weiter entfernt sein, als wir dachten.

Neue Forschungsergebnisse der Universität Oxford legen nahe, dass das menschliche Gehirn Informationen auf eine grundlegend andere und effizientere Weise lernt als Maschinen.

Dies ermöglicht es Menschen, etwas zu lernen, nachdem sie es einmal gesehen haben, während die KI hunderte Male auf die gleichen Informationen trainiert werden muss.

Im Gegensatz zur KI kann der Mensch auch neue Informationen lernen, ohne dass dies unser bereits vorhandenes Wissen beeinträchtigt.

Einer der grundlegenden Prozesse des Lernens ist die sogenannte „Credits-Zuweisung“.

Wenn wir einen Fehler machen, versucht die Kreditzuweisung herauszufinden, wo in der Informationsverarbeitungspipeline der Fehler aufgetreten ist.

Die meisten modernen künstlichen Intelligenzen bestehen aus künstlichen neuronalen Netzen, bei denen es sich um Schichten von „Knoten“ oder Neuronen handelt, die denen ähneln, die man im Gehirn findet.

Wenn eine KI einen Fehler macht, passt sie die Verbindungen zwischen diesen Neuronen an, auch Anpassung der „Gewichte“ genannt, um ihre Entscheidungsprozesse zu verfeinern, bis sie die richtige Antwort erhält.

Dieser Vorgang wird Backpropagation genannt, da sich Fehler rückwärts durch das neuronale Netzwerk der KI ausbreiten.

Bis vor Kurzem dachten auch viele Forscher, dass biologische neuronale Netze wie das menschliche Gehirn auf diese Weise aus neuen Erfahrungen lernen.

In ihrem in Nature Neuroscience veröffentlichten Artikel schreiben die Autoren: „Backpropagation als einfache, aber effektive Theorie der Kreditzuweisung hat seit ihrer Einführung zu bemerkenswerten Fortschritten in der künstlichen Intelligenz geführt und auch beim Verständnis des Lernens im Gehirn eine herausragende Stellung eingenommen.“

Sie weisen jedoch auch darauf hin, dass das Gehirn KIs, die Backpropagation nutzen, in vielerlei Hinsicht überlegen ist.

Während KI den Menschen bei Aufgaben vom kreativen Denken bis zur Personaleinstellung übertreffen kann, dauert es lange, bis die KI das lernt.

Menschen sind in der Lage, aus einer einzigen Instanz einer neuen Erfahrung zu lernen, während die KI hunderte, wenn nicht tausende Male mit Beispielen konfrontiert werden muss.

Und was sehr wichtig ist: Wenn Menschen etwas Neues lernen, beeinträchtigt dies nicht das, was wir bereits wissen, während dies bei KI der Fall ist.

Angesichts dieser Beweise untersuchten die Forscher die Gleichungssätze, die beschreiben, wie sich das Verhalten von Neuronen im Gehirn ändert.

Als sie diese Informationsverarbeitungsmethoden simulierten, stellten sie fest, dass dies eine völlig andere Art des Lernens war als die Backpropagation, die sie prospektive Konfiguration nennen.

Im Gegensatz zur KI, die zunächst die Verbindungen zwischen den Neuronen anpasst, ändert sich die Aktivität der Neuronen, sodass sie das Ergebnis besser vorhersagen können. Anschließend werden die Gewichte angepasst, um diesem neuen Muster zu entsprechen.

Auch wenn dies kein wichtiger Unterschied zu sein scheint, können die Auswirkungen sehr erheblich sein.

Als Beispiel beschreiben die Forscher einen Bären, der auf Fischjagd geht.

Wenn der Bär den Fluss sieht, generiert sein Verstand Vorhersagen, dass er das Wasser hört und den Lachs riecht.

Wenn dies gut funktioniert, kann der Bär daraus schließen, dass er den Lachs im Fluss riechen sollte, wenn er ihn sieht, und daher weiß, wo er jagen muss.

Doch eines Tages kommt der Bär zum Fischen und hat sich das Ohr verletzt, so dass er den Fluss überhaupt nicht hören kann.

Wenn der Bär eine KI-ähnliche Lernmethode verwenden würde, würde die Rückausbreitung diesen Fehler – das Fehlen des Gehörs – auslösen, um den Zusammenhang zwischen dem Sehen und Hören des Flusses zu verringern.

Dies würde jedoch auch die Gewichtung zwischen dem Sehen des Flusses und dem Riechen der Fische verringern.

Der Bär würde dann nicht vorhersagen, dass er den Fisch riechen kann, wenn er in den Fluss kommt, und daraus schließen, dass es im Fluss keine Lachse gibt.

Allerdings funktionieren biologische Lebewesen offensichtlich nicht so.

Zukünftige Konfigurationsmethoden hingegen würden sicherstellen, dass die Änderung der Hörinformationen keinen Einfluss auf das übrige Wissen des Bären hat.

Doch obwohl die prospektive Konfiguration eine effizientere Lernmethode ist, sagen die Wissenschaftler, dass aktuelle Computer diese Art von System nicht nutzen können.

Der Erstautor der Studie, Dr. Yuhang Song, sagt: „Die Simulation der voraussichtlichen Konfiguration auf vorhandenen Computern ist langsam, weil sie auf grundlegend andere Weise funktionieren als das biologische Gehirn.“

Dr. Song sagt jedoch, dass die Möglichkeit besteht, neue Computer zu entwickeln, die diese Methode nutzen könnten.

Er fügt hinzu: „Es muss ein neuer Computertyp oder eine spezielle, vom Gehirn inspirierte Hardware entwickelt werden, die in der Lage ist, die geplante Konfiguration schnell und mit geringem Energieverbrauch umzusetzen.“

Der leitende Forscher Professor Rafal Bogacz weist außerdem darauf hin, dass derzeit eine große Wissenslücke zwischen dieser Theorie und der Realität besteht.

Professor Bogacz sagt: „Derzeit besteht eine große Lücke zwischen abstrakten Modellen zur prospektiven Konfiguration und unserem detaillierten Wissen über die Anatomie von Gehirnnetzwerken.“

Er sagt, dass zukünftige Forschung darauf abzielen wird, die Lücke zwischen Algorithmen und echten Gehirnen zu schließen.