Damit sind die von Science-Fiction inspirierten Tr\u00e4ume von lebensechten Robotern ein wenig der Realit\u00e4t von oberfl\u00e4chlicheren gro\u00dfen Sprachmodellen (LLMs) wie ChatGPT gewichen. <\/span><\/p>\n Nat\u00fcrlich sind die aktuellen KI-Modelle immer noch faszinierend, aber sie sind eher ein Werkzeug als ein Wesen.\u00a0<\/span><\/p>\n Noch ist es nicht so weit, aber trotz ph\u00e4nomenaler Fortschritte hat das Wettr\u00fcsten in Sachen KI L\u00fccken in unserem Streben nach wirklich intelligenten Maschinen aufgedeckt.\u00a0<\/span><\/p>\n Egal, wie leistungsf\u00e4hig unsere Algorithmen werden, es fehlt ihnen an Eleganz, Anpassungsf\u00e4higkeit und Energieeffizienz - den Merkmalen biologischer Systeme. <\/span><\/p>\n Die Forscher wissen das - und es frustriert sie.\u00a0<\/span><\/p>\n Professor Tony Prescott und Dr. Stuart Wilson von der Universit\u00e4t Sheffield haben k\u00fcrzlich <\/span>hervorgehoben<\/span><\/a> dass die meisten KI-Modelle, wie z. B. ChatGPT, \"k\u00f6rperlos\" sind, d. h. sie haben keine direkte Verbindung zur physischen Umgebung.\u00a0<\/span><\/p>\n Im Gegensatz dazu hat sich das menschliche Gehirn innerhalb eines physischen Systems - unseres K\u00f6rpers - entwickelt, das es uns erm\u00f6glicht, die Welt direkt wahrzunehmen und mit ihr zu interagieren.<\/span><\/p>\n Die Forscher sind bestrebt, die KI von ihrer monolithischen Architektur zu befreien, was zu einem Wiederaufleben der bioinspirierten KI gef\u00fchrt hat, die manchmal auch als neuromorphe KI bezeichnet wird, eine Unterdisziplin, die versucht, die komplexen Prozesse der Natur nachzuahmen, um intelligentere, effizientere Systeme zu schaffen.\u00a0<\/span><\/p>\n Diese Bem\u00fchungen st\u00fctzen sich auf verschiedene biologische Rahmenbedingungen, von den Strukturen, die unser Gehirn bilden, bis hin zur Schwarmintelligenz, die bei Ameisen oder V\u00f6geln beobachtet wird.<\/span><\/p>\n Auf der Suche nach Autonomie und Effizienz zwingt uns die bioinspirierte KI, seit langem bestehende Rechenprobleme zu untersuchen, z. B. die Abkehr von ressourcenintensiven Architekturen, die aus Tausenden von stromfressenden GPUs bestehen, hin zu leichteren, komplexeren analogen Systemen.\u00a0<\/span><\/p>\n Prescott, Mitverfasser eines k\u00fcrzlich erschienenen Artikels, \"<\/span>Verst\u00e4ndnis der funktionellen Architektur des Gehirns durch Robotik<\/span><\/a>Es ist viel wahrscheinlicher, dass KI-Systeme eine menschen\u00e4hnliche Kognition entwickeln, wenn sie mit Architekturen gebaut werden, die auf \u00e4hnliche Weise lernen und sich verbessern wie das menschliche Gehirn, indem sie seine Verbindungen zur realen Welt nutzen.<\/span><\/p>\n Das menschliche Gehirn ist ein gutes Beispiel daf\u00fcr - jeder Gedanke und jede Handlung, die Ihr Gehirn hervorruft, ben\u00f6tigt nur die Leistung einer schwachen Gl\u00fchbirne - etwa 20 Watt.\u00a0<\/span><\/p>\n Und es geht noch weiter. Selbst wenn der Mensch keine Energie von au\u00dfen durch Nahrung erh\u00e4lt, kann er \u00fcber einen Monat lang \u00fcberleben. Extremophile haben Methoden gefunden, um in einigen der unwirtlichsten Umgebungen der Erde zu \u00fcberleben. <\/span><\/p>\n Vergleichen Sie das mit der Infrastruktur, die erforderlich ist, um KI-Modelle wie ChatGPT zu betreiben, das die Leistung einer Kleinstadt ben\u00f6tigt und sich nicht selbst replizieren, heilen oder an seine Umgebung anpassen kann.\u00a0<\/span><\/p>\n Um der KI eine faire Chance zu geben, kann man argumentieren, dass der Vergleich von KI mit biologisch intelligenten Systemen unzureichend ist.\u00a0<\/span><\/p>\n Schlie\u00dflich sind Computer und Gehirne einfach f\u00fcr unterschiedliche Aufgaben hervorragend geeignet - vielleicht liegt es in der Natur des Menschen, sie in anthropomorphen Visionen von autonomen KI zu verschmelzen, die mit der Umwelt wie die biologischen Wesen interagieren, neben denen wir uns entwickelt haben.\u00a0\u00a0<\/span><\/p>\n Doch sowohl KI-Forscher als auch Neurowissenschaftler sind bereit, sich in diese intellektuelle Sackgasse zu begeben, und viele w\u00fcrden das Gehirn als \"Computer\" bezeichnen, der k\u00fcnstlich modelliert und repliziert werden kann.<\/span><\/p>\n Die <\/span>Das Human Brain Project (HBP) der EU<\/span><\/a>, ein fast $1 Mrd. schweres multinationales Experiment im Bereich der gro\u00dfen Wissenschaft, war ein Lehrst\u00fcck daf\u00fcr, wie sich die Komplexit\u00e4t des Gehirns einer k\u00fcnstlichen Modellierung entzieht. <\/span><\/p>\n Das HBP hatte sich zum Ziel gesetzt, das menschliche Gehirn in seiner Gesamtheit zu modellieren, aber es gelang ihm nur, Teile seiner Funktionalit\u00e4t zu modellieren.\u00a0<\/span><\/p>\n Unser Gehirn -<\/span> als eine einzige Einheit -<\/span> die kollektiven Gehirne von Tausenden von Forschern, die \u00fcber enorme Finanzmittel und Rechenleistung verf\u00fcgen, zu besiegen - es nennen<\/span> poetische Gerechtigkeit.<\/p>\n Das Bewusstsein und das Wesen der Gedankenbildung ist eine \u00e4hnlich ferne Grenze zu den Tiefen des Weltraums. - w<\/span>Wir sind einfach noch nicht so weit.<\/p>\n Im Kern geht es dabei um die Trennung zwischen Biologie und Maschinen. <\/span><\/p>\n W\u00e4hrend neuronale Netze und andere Formen des maschinellen Lernens (ML) in Analogie zu biologischen Gehirnen modelliert werden, ist die Berechnungsmethode grundlegend anders.\u00a0<\/span><\/p>\n Rodney Brooks, emeritierter Professor f\u00fcr Robotik am MIT, hat \u00fcber diesen Stillstand nachgedacht, <\/span>mit der Angabe<\/span><\/a>Es besteht die Sorge, dass seine Version des Rechnens, die auf Funktionen ganzer Zahlen basiert, begrenzt ist. Biologische Systeme unterscheiden sich eindeutig. Sie m\u00fcssen \u00fcber lange Zeitr\u00e4ume hinweg auf unterschiedliche Reize reagieren; diese Reaktionen ver\u00e4ndern wiederum ihre Umgebung und nachfolgende Reize.\u00a0<\/span>Das individuelle Verhalten sozialer Insekten wird zum Beispiel durch die Struktur des Hauses, das sie bauen, und das Verhalten ihrer Geschwister darin beeinflusst.\u00a0<\/span><\/p>\n Brooks fasst dieses Paradoxon mit der Frage zusammen: \"Sollten diese Maschinen dem Gehirn nachempfunden werden, da unsere Modelle des Gehirns auf solchen Maschinen ausgef\u00fchrt werden?\"<\/span><\/p>\n Die Natur hatte Millionen von Jahren Zeit f\u00fcr Forschung und Entwicklung, um ihre unglaublich widerstandsf\u00e4higen Mechanismen zu perfektionieren.\u00a0<\/span><\/p>\n Der Trend zur bioinspirierten KI kann als Kurskorrektur gesehen werden, als bescheidene Anerkennung der Tatsache, dass unser Streben nach fortschrittlicher KI uns m\u00f6glicherweise auf einen Weg gef\u00fchrt hat, der zwar in seiner Komplexit\u00e4t immer noch verbl\u00fcffend ist, aber auf lange Sicht nicht nachhaltig sein kann. <\/span><\/p>\n Zumindest wird die derzeitige Entwicklung m\u00f6glicherweise nicht dem entsprechen, was die Menschheit letztlich von der KI erwartet. Wenn wir in einer \"Zukunft\" leben wollen, in der Menschen und Roboter Seite an Seite arbeiten (auch wenn das nat\u00fcrlich nicht jeder will), dann m\u00fcssen wir mehr tun, als immer mehr Grafikprozessoren anzusammeln und immer gr\u00f6\u00dfere Modelle zu trainieren.\u00a0<\/span><\/p>\n Dennoch gibt es Hoffnung f\u00fcr die leidenschaftlichen Futuristen unter uns, denn die Forscher mulchen schon seit Jahrzehnten Ideen f\u00fcr bioinspiriertes Computing, und einige spekulative Ideen beginnen, sich durchzusetzen.\u00a0<\/span><\/p>\n In den sp\u00e4ten 50er und fr\u00fchen 60er Jahren war Frank Rosenblatts Arbeit an der Perceptron<\/a> bot das erste vereinfachte Modell eines biologischen Neurons.\u00a0<\/span><\/p>\n Das Papier von 1986 \"<\/span>Lernen von Repr\u00e4sentationen durch R\u00fcck\u00fcbertragung von Fehlern (back-propagating)<\/span><\/a>\" von David Rumelhart, Geoffrey Hinton und Ronald Williams hat das Spiel ver\u00e4ndert.\u00a0<\/span><\/p>\n Hinton und sein Team f\u00fchrten den Backpropagation-Algorithmus ein, der einen robusten Mechanismus f\u00fcr das Training von mehrschichtigen neuronalen Netzen darstellt und das Feld f\u00fcr Anwendungen von der Verarbeitung nat\u00fcrlicher Sprache (NLP) bis zum Computer Vision (CV) - zwei grundlegende Bereiche der modernen KI - er\u00f6ffnete.<\/span><\/p>\n Bald darauf schlug die Bioinspiration einen anderen Weg ein, indem sie sich auf darwinistische Prinzipien berief. John Hollands 1975 erschienenes Buch \"<\/span>Adaptation in nat\u00fcrlichen und k\u00fcnstlichen Systemen<\/span><\/a>\" legte den Grundstein f\u00fcr genetische Algorithmen.\u00a0<\/span><\/p>\n Durch die Simulation von Mechanismen wie Mutation und nat\u00fcrliche Selektion hat dieser Ansatz ein leistungsf\u00e4higes Werkzeug f\u00fcr Optimierungsprobleme geschaffen, das in Branchen wie der Luft- und Raumfahrt und dem Finanzwesen Anwendung findet.<\/span><\/p>\n Konzepte wie die \"Schwarmintelligenz\", die man bei Insektenschw\u00e4rmen und der synchronisierten Bewegung von V\u00f6geln und Fischen beobachten kann, wurden erstmals in den 80er und 90er Jahren in die Informatik eingef\u00fchrt und haben im Jahr 2023 bemerkenswerte Fortschritte gemacht.\u00a0<\/span><\/p>\n Im August 2023 werden ehemalige Google-Mitarbeiter <\/span>gr\u00fcndete Sakana<\/span><\/a>ein Startup-Unternehmen, das ein Ensemble kleinerer KI-Modelle entwickeln will, die zusammenarbeiten. <\/span><\/p>\n Sakanas Ansatz ist von biologischen Systemen wie Fischschw\u00e4rmen oder neuronalen Netzen inspiriert, bei denen kleinere Einheiten zusammenarbeiten, um ein komplexeres Ziel zu erreichen.\u00a0<\/span><\/p>\n Angesichts der monolithischen Architekturen moderner KI-Modelle wie ChatGPT verspricht dieser Ansatz, den Energieverbrauch zu senken und die Anpassungsf\u00e4higkeit und Widerstandsf\u00e4higkeit zu erh\u00f6hen - Eigenschaften, die biologischen Organismen eigen sind.<\/span><\/p>\n Sogar das Verst\u00e4rkungslernen (Reinforcement Learning, RL), ein Zweig des maschinellen Lernens, der sich damit befasst, Algorithmen zu lehren, Entscheidungen zu treffen, die auf eine Belohnung abzielen, wurde weitgehend biologisch inspiriert.\u00a0<\/span><\/p>\n Das bahnbrechende Buch von Richard Sutton und Andrew Barto \"<\/span>Reinforcement Learning: Eine Einf\u00fchrung<\/span><\/a>\"Die Studie zeigt anhand zahlreicher Beispiele, wie Tiere von ihrer Umwelt lernen, und inspiriert Algorithmen, die sich auf der Grundlage von Belohnungen und Bestrafungen anpassen k\u00f6nnen.<\/span><\/p>\n In dem Buch werden Hunderte von Vergleichen mit dem Verhalten von Tieren angestellt: \"Von allen Formen des maschinellen Lernens kommt das verst\u00e4rkende Lernen dem Lernen von Menschen und anderen Tieren am n\u00e4chsten.\"<\/span><\/p>\n Bei komplexen biologischen Lebewesen wie dem Menschen und anderen Wirbeltieren arbeiten verschiedene Komponenten des Nervensystems zusammen, um ein breites Spektrum von Funktionen zu steuern.<\/p>\n Das zentrale Nervensystem (ZNS) dient als Schaltzentrale, verarbeitet Informationen und steuert Reaktionen.<\/p>\n In der Zwischenzeit fungiert das periphere Nervensystem (PNS) als Kommunikationsnetz, das Signale zwischen dem ZNS und anderen Teilen des K\u00f6rpers \u00fcbertr\u00e4gt.<\/p>\n Innerhalb des PNS befindet sich das spezialisierte autonome Nervensystem (ANS), das unwillk\u00fcrlich arbeitet, um lebenswichtige Funktionen wie Herzfrequenz und Verdauung zu steuern. Jedes System hat seine eigenen Aufgaben, doch sie sind miteinander verbunden und arbeiten nahtlos zusammen, um uns zu helfen, uns in der Umwelt zurechtzufinden.<\/p>\n Einfachere Organismen wie Insekten haben ein schlankeres, sparsameres Nervensystem, wenn auch immer noch unglaublich komplex. Eine Fruchtfliege hat einige 3.000 Neuronen und eine halbe Million Synapsen<\/a>.\u00a0<\/span><\/p>\n Die Komponenten des biologischen Nervensystems sind anatomisch unterschiedlich, arbeiten aber ganzheitlich und sind \u00fcber Neuronen miteinander verbunden, die Sinnesreize senden und empfangen und schlie\u00dflich ein konzeptuelles Verst\u00e4ndnis - oder bei komplexeren Wesen ein Bewusstsein - bilden.\u00a0<\/span><\/p>\n Um autonome Roboter mit eng gekoppelten Gehirnen und sensorischen Systemen zu entwickeln, m\u00fcssen die Forscher vom Brute-Force-Computing wegkommen und leichtgewichtige Systeme schaffen, die auf der sensorischen Realit\u00e4t basieren.\u00a0<\/span><\/p>\n KI-Modelle wie ChatGPT verf\u00fcgen zwar \u00fcber ein immenses Wissen, sind aber in gewisser Weise in der Zeit gefangen und von der sensorischen Realit\u00e4t abgeschnitten.<\/span><\/p>\n Das verschafft der KI Vorteile, oder besser gesagt, es verleiht ihr F\u00e4higkeiten, die sich von denen biologischer Wesen unterscheiden - was vielleicht der Grund daf\u00fcr ist, dass die Menschheit bestrebt ist, KI zu entwickeln, um die Unzul\u00e4nglichkeiten eines biologischen Wesens auszugleichen.\u00a0<\/span><\/p>\n Als Amnon Schaschua <\/span>Highlights<\/span><\/a>Die \"v\u00f6llig andere Architektur des Computers beg\u00fcnstigt Strategien, die seine praktisch unbegrenzte Speicherkapazit\u00e4t und Brute-Force optimal ausnutzen\".<\/span><\/p>\n Wenn wir die KI jedoch jemals aus den Grenzen von Rechenzentren und Webbrowsern befreien wollen, m\u00fcssen die Forscher diese Herausforderungen l\u00f6sen und Wege finden, um KI-Systeme mit einem \"K\u00f6rper\" zu verbinden oder sie zumindest mit einer soliden sensorischen Grundlage auszustatten.\u00a0<\/span><\/p>\n Dies hat einen unmittelbaren praktischen Nutzen. Nehmen wir das Beispiel der fahrerlosen Autos - ihre sensorischen Systeme m\u00fcssen \u00e4hnlich funktionieren wie unsere, um sicher zu funktionieren. Andernfalls haben sie keine Chance, ein potenzielles Hindernis zu \"sehen\" und schnell zu reagieren, um eine Katastrophe zu verhindern, was sich als erhebliches Hindernis f\u00fcr ihre Masseneinf\u00fchrung erweist.\u00a0\u00a0<\/span><\/p>\n In diesem Sinne argumentierte Dennis Bray, Fachbereich Physiologie, Entwicklung und Neurowissenschaften, Universit\u00e4t Cambridge: \"Maschinen k\u00f6nnen uns bei vielen Aufgaben das Wasser reichen, aber sie funktionieren anders als Netzwerke von Nervenzellen. Wenn unser Ziel darin besteht, Maschinen zu bauen, die immer intelligenter und geschickter werden, dann sollten wir Schaltkreise aus Kupfer und Silizium verwenden. Wenn unser Ziel aber darin besteht, das menschliche Gehirn mit seiner eigenartigen Brillanz, seiner F\u00e4higkeit zum Multitasking und seinem Selbstbewusstsein zu reproduzieren, dann m\u00fcssen wir nach anderen Materialien und anderen Konstruktionen suchen.\"\u00a0<\/span><\/p>\n Diese Kommentare, die auch heute noch aktuell sind, wurden in einer <\/span>Diskussionsartikel in der Natur<\/span><\/a> das 2012 zum hundertsten Geburtstag Turings ver\u00f6ffentlicht wurde - und die KI hat sich seitdem rasant weiterentwickelt.\u00a0<\/span><\/p>\n Und wo stehen wir jetzt?<\/p>\n Heute erforschen Forscher die von Bray erw\u00e4hnten \"anderen Materialien und unterschiedlichen Designs\", wie z. B. Spiking Neural Networks (SNNs), eine Art neuronales Netzwerk, das der neuronalen Funktionalit\u00e4t sehr \u00e4hnlich ist.<\/span><\/p>\n SNNs bieten eine spezialisierte Alternative zu den herk\u00f6mmlichen neuronalen Netzen, denen wir beim maschinellen Lernen h\u00e4ufig begegnen.\u00a0<\/span><\/p>\n Anstatt sich auf kontinuierliche Aktivierungsfunktionen zur Verarbeitung von Eingabedaten zu verlassen, ahmen SNNs die Feinheiten biologischer neuronaler Netze nach, indem sie diskrete Spikes f\u00fcr die interneuronale Kommunikation verwenden.\u00a0<\/span><\/p>\n In diesen Netzen integriert jedes k\u00fcnstliche Neuron im Laufe der Zeit die von den angeschlossenen Neuronen eingehenden Spikes. Wenn das akkumulierte Signal bzw. das Membranpotenzial einen bestimmten Schwellenwert \u00fcberschreitet, gibt das Neuron selbst eine Spitze ab.\u00a0<\/span><\/p>\n Dieser Spiking-Mechanismus erm\u00f6glicht es dem Netzwerk, sowohl r\u00e4umliche als auch zeitliche Muster zu erfassen und zu verarbeiten, \u00e4hnlich wie die Neuronen in biologischen Gehirnen.<\/span><\/p>\n Was also macht SNNs zu einem Schwerpunkt in der bioinspirierten KI?\u00a0<\/span><\/p>\n Erstens zeichnen sie sich dadurch aus, dass sie auf nat\u00fcrliche Weise zeitliche Datensequenzen verarbeiten k\u00f6nnen, so dass keine zus\u00e4tzlichen Speichereinheiten wie bei rekurrenten neuronalen Netzen (RNN) erforderlich sind.<\/span><\/p>\n Zweitens wurden SNNs so konzipiert, dass sie unglaublich energieeffizient sind. Im Gegensatz zu herk\u00f6mmlichen neuronalen Netzen, bei denen jedes Neuron st\u00e4ndig aktiv ist, erm\u00f6glicht die sp\u00e4rliche und ereignisgesteuerte Natur von SNNs, dass die Neuronen gr\u00f6\u00dftenteils inaktiv bleiben und nur dann Spikes abfeuern, wenn es notwendig ist. Dadurch wird ihr Energieverbrauch erheblich gesenkt.<\/span><\/p>\n Und schlie\u00dflich haben SNNs durch die genauere Nachahmung biologischer Systeme das Potenzial f\u00fcr mehr Robustheit und Flexibilit\u00e4t, insbesondere in verrauschten oder unvorhersehbaren Umgebungen.<\/span><\/p>\n Obwohl das Konzept der SNNs seine Wurzeln im theoretischen Verst\u00e4ndnis biologischer neuronaler Systeme hat, haben Fortschritte in der Hardwaretechnologie diese Netze f\u00fcr Berechnungsaufgaben zug\u00e4nglicher gemacht.\u00a0<\/span><\/p>\n Neuromorphe Chips, die speziell f\u00fcr die effiziente Simulation der Spike-Dynamik entwickelt wurden, haben wesentlich dazu beigetragen, SNNs praktisch nutzbar zu machen.\u00a0<\/span><\/p>\n In den letzten zwei Jahren wurden wesentliche Fortschritte im Ultraleichtbau erzielt, <\/span>energieeffiziente KI<\/span><\/a> L\u00f6sungen, auch neuromorphe Chips genannt.<\/span><\/p>\n Inzwischen gibt es auch andere Arten von neuromorphen Technologien, wie z. B. neuromorphe Kameras nach dem Vorbild biologischer Augen.\u00a0\u00a0<\/span><\/p>\n Entwickelt im Jahr 2023, <\/span>IBMs Chip<\/span><\/a> verwendet analoge Komponenten wie Memristoren, um unterschiedliche numerische Werte zu speichern. Au\u00dferdem wird ein Phasen\u00e4nderungsspeicher (PCM) verwendet, um ein Spektrum von Werten anstelle von 0en und 1en zu registrieren.\u00a0<\/span><\/p>\n![\"Android\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_2229125163.jpg\")
![\"Gehirn-Atlas\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Brainatlas-1024x620.png\")
Die Reise der bioinspirierten KI<\/span><\/h2>\n
![\"Perceptron\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/NMAH-72-361.jpg\")
![\"Ameisen-KI\"](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/shutterstock_1185312127.jpg\")
Auf dem Weg zu bioinspirierter KI<\/span><\/h2>\n
![\"Nervensystem](\"https:\/\/dailyai.com\/wp-content\/uploads\/2023\/08\/Nerv_1.jpg\")
Neuronale Spitzennetze (SNNs) und biologische Hardware<\/span><\/h2>\n
IBMs bioinspirierter Analogchip und SNNs<\/span><\/h3>\n