Tiefe neuronale Netze und große Sprachmodelle haben viele Aufgaben erobert, verbrauchen aber enorme Mengen Strom – während das menschliche Gehirn Intelligenz mit etwa 20 Watt erzeugt. Ein neues, in Nature Machine Intelligence veröffentlichtes Framework wählt einen anderen Weg: Es übernimmt die eigene Datenstruktur des Gehirns, die kognitive Karte, um ein Netz zu bauen, das unbekannte Probleme mit einem Bruchteil der Energie löst.
Der Ansatz von Forschenden der Tsinghua-Universität, der TU Graz und des italienischen Nationalen Forschungsrats beruht auf einer Erkenntnis der Kognitionswissenschaft: Gehirne speichern gelerntes Wissen nicht als Parametertabellen, sondern als innere Karten – raumähnliche Repräsentationen, die schnelle, adaptive Entscheidungen in Echtzeit ermöglichen. Die meisten KI-Systeme ignorieren diese Organisation völlig.
Das Netz des Teams, beschrieben in „Neural sampling from cognitive maps enables goal-directed imagination and planning“, lernt lokal statt durch massives Offline-Training. Bei einem neuen Ziel sampelt es aus einer 2D-kognitiven Karte, um vor dem Handeln plausible Trajektorien zu imaginieren – ein algorithmisches Echo der mentalen Simulation, die Menschen beim Planen ausführen. In ersten Tests plante und löste das Netz erfolgreich Probleme, denen es nie begegnet war; seine Entscheidungen waren zudem weitaus besser interpretierbar als die typischer Deep-Modelle.
„Uns faszinierte, dass die Evolution Algorithmen und Datenstrukturen hervorgebracht hat, die im Gehirn Intelligenz erzeugen – und dass sich diese Lösungen stark von denen unterscheiden, die in heutiger KI verwendet werden“, sagt Seniorautor Wolfgang Maass. Das Framework ist für neuromorphe und In-Memory-Computing-Chips ausgelegt – die aufstrebende Hardware-Klasse, an der IBM, Intel und zahlreiche Start-ups arbeiten, die die Energiekosten der KI senken will, indem Daten dort verarbeitet werden, wo sie gespeichert sind.
Die Forschenden arbeiten bereits mit Ingenieuren von Intel und einem US-Start-up daran, den Algorithmus auf Silizium zu übertragen. Maass' Team plant, den Ansatz zu erweitern, um die niedrige Latenz des Gehirns und seine Fähigkeit, eigene Entscheidungen zu erklären, abzubilden – ein zentrales Ziel der KI-Forschung.
