Im Schnittfeld von Neurowissenschaften und Künstlicher Intelligenz führten der renommierte Neurowissenschaftler Anthony Zador und der Moderator des Brain Inspired Podcasts, Paul Middlebrooks, ein tiefgehendes Gespräch. Als einer der Pioniere auf diesem Gebiet erläuterte Zador seine einzigartigen Einblicke in die zukünftige Entwicklung von NeuroAI.
Von anfänglicher Ablehnung des Begriffs „NeuroAI“ bis hin zur heutigen Erwartungshaltung hat sich Zadors Sichtweise durch tiefes Nachdenken über das Wesen der Problematik gewandelt. Er betonte, dass in den 80er und 90er Jahren die Computerneurowissenschaften und künstliche neuronale Netze eng miteinander verbunden waren. Im Laufe der Forschung erkannte er jedoch, dass die alleinige Konzentration auf die dynamischen Eigenschaften neuronaler Schaltkreise bei weitem nicht ausreicht. Viel wichtiger ist das Verständnis, wie diese Schaltkreise Lebewesen bei der Lösung realer Probleme helfen.
Bildquelle: Das Bild wurde mit KI generiert, Bildrechte liegen bei Midjourney.
In Bezug auf die aktuelle Entwicklung der KI brachte Zador einen zum Nachdenken anregenden Punkt vor. Er argumentierte, dass die derzeit viel beachtete Transformer-Architektur möglicherweise ein Gegenbeispiel für den Erfolg von NeuroAI darstellt, da sie kaum Ähnlichkeiten mit der Funktionsweise des Gehirns aufweist. Er erklärte, dass der Erfolg von ChatGPT hauptsächlich auf die geschlossene Natur des Sprachsystems zurückzuführen ist und nicht auf eine realistische Simulation menschlicher kognitiver Prozesse.
Für die zukünftige Entwicklung der KI betonte Zador die Koordinierung multipler Ziele als zentrale Herausforderung. Er wies darauf hin, dass bestehende KI-Systeme gut darin sind, einzelne Ziele zu optimieren, aber bei der Bearbeitung mehrerer Ziele oft schlecht abschneiden. Im Gegensatz dazu haben Lebewesen im Laufe der Evolution raffinierte Mechanismen entwickelt, um Ziele wie Nahrungssuche, Flucht und Fortpflanzung auszubalancieren. Die Art und Weise, wie dieser Ausgleich erreicht wird, könnte eine wichtige Inspiration für die zukünftige Entwicklung der KI sein.
Im Bereich Entwicklung und Lernen brachte Zador einen neuartigen Ansatz vor. Er argumentierte, dass das menschliche Genom als „komprimierte Darstellung“ neuronaler Schaltkreise betrachtet werden kann, die durch rekursive Regeln die Generierung komplexer Strukturen ermöglichen. Diese Sichtweise wird durch seine neuesten Forschungsergebnisse gestützt. Sein Team hat es geschafft, große neuronale Netze um das 100- bis 1000-fache zu komprimieren, ohne dabei die Leistung einzuschränken.
Bezüglich der Entwicklung der Robotik betonte Zador die Schwierigkeit der sim-to-real-Übertragung (Simulation zur Realität). Er wies darauf hin, dass biologische Systeme hier eine erstaunliche Anpassungsfähigkeit zeigen, beispielsweise können Hunde unterschiedlicher Größe ähnliche neurologische Entwicklungsanweisungen teilen. Hinter dieser Anpassungsfähigkeit steckt ein sorgfältig entwickelter Entwicklungsprozess, der durch schrittweises Lösen von Teilproblemen das Erlernen komplexer Fähigkeiten ermöglicht.
Für die Zukunft sieht Zador im Curriculum Learning einen wichtigen Ansatz zur Überwindung der aktuellen Engpässe in der KI-Entwicklung. Durch die Zerlegung komplexer Aufgaben in kleinere Teilaufgaben und deren schrittweises Erlernen in sinnvoller Reihenfolge könnten KI-Systeme effizienter lernen als durch direktes Erlernen des endgültigen Ziels. Diese Methode könnte nicht nur die Lernzeit verkürzen, sondern auch die Anpassungsfähigkeit des Systems an Veränderungen in der realen Welt verbessern.
Dieses Gespräch zeigt nicht nur das vielversprechende Potenzial der tiefen Verschmelzung von Neurowissenschaften und Künstlicher Intelligenz, sondern auch die wichtige Inspiration, die biologische Intelligenz für die Entwicklung der Künstlichen Intelligenz bietet. Mit fortschreitender Forschung wird diese interdisziplinäre Erkundung sicherlich weitere Erkenntnisse für die zukünftige Entwicklung der KI liefern.