Aufmerksamkeit ist längst nicht mehr nur ein Begriff der Psychologie. Sie ist das Rechenprimitiv im Zentrum der modernen künstlichen Intelligenz: Die Transformer-Architektur, auf der die führenden Sprach- und multimodalen Modelle von heute laufen, beruht auf einer Operation, mit der ein Netzwerk abwägt, welche Teile seiner Eingabe bei der Erzeugung jeder Ausgabe am wichtigsten sind.
In einem neuen Essay fragt Quanta Magazine, ob diese Konvergenz auf etwas Tieferes hindeutet – ob Aufmerksamkeit, die die Kognitionswissenschaft lange als Filter und Priorisierung der Informationsflut des Gehirns versteht, das Wesen der Intelligenz sein könnte.
Die Parallele ist auffällig. Die Psychologie beschreibt Aufmerksamkeit als knappe Ressource: Wir können nur begrenzt viel im Kopf behalten und wählen daher, was wir repräsentieren und was wir ignorieren. Das maschinelle Lernen kam aus der entgegengesetzten Richtung zur selben Idee – mit der Entdeckung, dass ein differenzierbarer 'Attention'-Mechanismus es ermöglichte, Modelle in nie gekanntem Maßstab zu trainieren.
Der Essay lotet aus, wo die Analogie trägt und wo sie bricht. Aufmerksamkeit in einem neuronalen Netz ist ein durch Trainingsdaten und Gradienten geformtes Routing von Information; menschliche Aufmerksamkeit ist an Ziele, Salienz, Emotion und subjektives Erleben gebunden. Das eine ist eine mathematische Funktion, das andere eine gelebte Fähigkeit.
Warum es zählt: Intelligenz über Aufmerksamkeit zu fassen, ordnet die lautesten Debatten des Feldes neu – ob Skalierung allein genügt, was heutigen Modellen noch fehlt und ob der eigentliche Engpass die Architektur, die Daten oder etwas noch Unbenanntes ist.
