- Neue Forschungsergebnisse der Johns Hopkins University zeigen, dass KI beginnen kann, hirnähnliches Verhalten zu zeigen, selbst wenn sie noch nie mit Daten trainiert wurde.
- Diese Entdeckung stellt den derzeitigen Mainstream-Ansatz infrage, der auf riesigen Datensätzen, monatelangem Training und einer Computerinfrastruktur im Wert von Hunderten Milliarden Dollar basiert.
- Wissenschaftler konzentrieren sich darauf, die KI-Architektur so zu verändern, dass sie dem biologischen Gehirn ähnlicher wird, anstatt mehr Daten „hineinzustopfen“.
- Die in Nature Machine Intelligence veröffentlichte Studie betont, dass die Systemstruktur ebenso wichtig ist wie die Menge der Eingabedaten.
- Das Forschungsteam verglich drei gängige KI-Architekturen: Transformer, vollvernetzte Netzwerke und faltende neuronale Netze (CNNs).
- Dutzende verschiedener Modelle wurden ohne Vortraining erstellt und anschließend mit Bildern von Objekten, Menschen und Tieren konfrontiert.
- Die internen Aktivitäten dieser Modelle wurden mit den Gehirnreaktionen von Menschen und Primaten beim Betrachten derselben Bilder verglichen.
- Die Erhöhung der Anzahl der Neuronen in Transformern und vollvernetzten Netzwerken ergab fast keinen signifikanten Unterschied.
- Im Gegensatz dazu erzeugten untrainierte CNNs Aktivitätsmuster, die dem menschlichen Gehirn sehr nahe kommen.
- Die Effizienz dieser Modelle ist vergleichbar mit traditioneller KI, die auf Millionen oder Milliarden von Bildern trainiert werden muss.
- Die Ergebnisse legen nahe, dass die KI-Architektur „hirnähnliches“ Verhalten stärker beeinflussen kann als die Daten selbst.
- Das Team erforscht weiterhin einfache, biologisch inspirierte Lernmethoden, um effizientere Deep-Learning-Frameworks zu schaffen.
📌 Fazit: Eine Studie der Johns Hopkins University belegt, dass KI auch ohne Trainingsdaten hirnähnliches Verhalten zeigen kann. Forscher fokussieren sich zunehmend auf bio-inspirierte Architekturen statt auf reine Datenmengen. Dies eröffnet neue Wege und stellt die datenhungrigen Modelle der aktuellen generativen KI grundlegend infrage.
