von
Seit Jahrzehnten träumen Wissenschafter davon, KI-Modelle zu entwerfen, die wie ein menschliches Gehirn denken. Denn ein Gehirn ist von sich aus lernfähig und vor allem ein Meister der Energieeffizienz. "Das Gehirn arbeitet völlig anders als heutige KI-Systeme", betonte Wolfgang Maass vom Institute of Machine Learning and Neural Computation der TU Graz. Dort versucht man, die Prinzipien der Informationsverarbeitung im menschlichen Gehirn in Algorithmen zu übersetzen. Das Ziel: Eine KI, die flexibel planen, komplexe Probleme lösen und dabei energiesparend arbeiten kann.
"Wir stehen noch relativ am Anfang unserer Entwicklung, aber unsere Arbeit zeigt, dass leistungsfähige KI nicht zwangsläufig riesige Rechenzentren und enormen Energieverbrauch benötigt", wie der Informatiker und Mathematiker hervorhob. Der emeritierte Institutsvorstand arbeitet als Key Researcher im Exzellenzcluster Bilateral AI. Die jüngste Studie entstand in Zusammenarbeit mit der Tsinghua University in Peking sowie dem Nationalen Forschungsrat Italiens.
Im Mittelpunkt steht die Frage, welche Datenstrukturen, Algorithmen und Lernmethoden es dem Gehirn ermöglichen, bei minimalem Energieaufwand kontinuierlich zu lernen und sich blitzschnell an veränderte Rahmenbedingungen anzupassen. Aus Sicht von Wolfgang Maass und seinem Kollegen Yukun Yang sind es drei zentrale Werkzeuge, die das menschliche Gehirn beim Planen und Problemlösen anwendet: Kognitive Karten, stochastisches Rechnen und kompositionelle Codierung.
Das Gehirn erzeuge sogenannte kognitive Karten, wobei Beziehungen zwischen verschieden abstrakten Objekten in geometrische Beziehungen zwischen neuronalen Codes im Gehirn umgewandelt werden. Dieser Vorgang sorge wie eine räumliche Karte für einen "Orientierungssinn" beim Problemlösen. Zudem kann das Gehirn laufend virtuelle Zukunftsszenarien und Vorhersagen entwerfen (Stochastik) und Information und Handlungspläne in wiederverwendbare Komponenten zerlegen ("kompositionelle Kodierung"), um unbekannte Probleme ohne Neutraining zu lösen.
Die Übersetzung dieser Mechanismen in Algorithmen erlaube es dem Grazer KI-Modell, sich mögliche Ansätze zur Lösung komplexer Probleme vorzustellen und auszuprobieren, ohne sie vollständig bis zur Lösung durchzurechnen. Dadurch ergibt sich auch die Energieeffizienz. Weist ein zufällig gewählter Zwischenschritt in Richtung des avisierten Ziels - hier gibt die kognitive Karte dem System die nötige Orientierung vor - wird dieser Weg weiterverfolgt. Auf seiner neuen Position prüft das System erneut verschiedene Handlungsoptionen und kommt so - wie ein Wanderer - dem Ziel Schritt für Schritt näher. "Mit diesem Ansatz kann unser KI-Modell auch flexibel auf veränderte oder neue Situationen reagieren, ohne dass es dafür erneut trainiert werden muss", betonte Yukun Yang.
Die Fähigkeiten ihrer gehirninspirierten KI haben die Forschenden bereits anhand von drei Aufgaben erfolgreich getestet: Die Navigation in der Zweidimensionalität, die Orientierung in einem abstrakten mehrdimensionalen Raum und das Zusammensetzen und Zerlegen einer aus verschiedenen Teilen bestehenden zweidimensionalen Silhouette. Die Ergebnisse haben sie in der jüngsten Ausgabe von "Nature Machine Intelligence" veröffentlicht.
Die Forschenden betonten, dass ihr Ansatz nicht in Konkurrenz zu aktuellen großen Sprachmodellen zu sehen sei, sondern als Grundlage für einen alternativen Ansatz bei bestimmten Anwendungen sein kann. "Wir stehen noch relativ am Anfang unserer Entwicklung", sagt Wolfgang Maass. "Aber unsere Arbeit zeigt, dass leistungsfähige KI nicht zwangsläufig riesige Rechenzentren und enormen Energieverbrauch benötigt."
Langfristig könnten solche gehirninspirierten Systeme in Robotern, autonomen Fahrzeugen oder anderen Edge-Geräten eingesetzt werden, also überall, wo KI direkt vor Ort mit begrenzter Energie arbeiten muss, hieß es seitens der Forschenden der TU Graz.
(S E R V I C E -Hui Lin, Yukun Yang, Rong Zhao, Giovanni Pezzulo, Wolfgang Maass: "Neural sampling from cognitive maps enables goal-directed imagination and planning", In: Nature Machine Intelligence, 2026, DOI: https://doi.org/10.1038/s42256-026-01254-4
GRAZ - ÖSTERREICH: FOTO: APA/Lunghammer - TU Graz
