Ein einzelnes Neuron ist kein einfacher Schalter. Es ist ein Kraftpaket.
Neue Forschungsergebnisse stellen die Frage, wie wir die Verarbeitungseinheiten des Gehirns verstehen, auf den Kopf. Jahrzehntelang ging die Wissenschaft davon aus, dass unser kognitiver Vorsprung auf der bloßen Größe beruht. Sie kennen die Logik: 100 Milliarden Neuronen. Billionen von Verbindungen. Größere Hardware bedeutet größere Intelligenz.
Doch eine kürzlich in den Proceedings of the National Academy of Sciences (PNAS) veröffentlichte Studie legt nahe, dass diese Annahme veraltet ist. Das wahre Geheimnis? Die rechnerische Komplexität menschlicher Neuronen reicht weitaus tiefer als bisher angenommen.
Eine Gehirnzelle kann Berechnungen durchführen, die einem tiefen künstlichen neuronalen Netzwerk Konkurrenz machen. Nicht die vereinfachten Einheiten der heutigen KI, sondern die komplexe, vielschichtige Art.
Dies verändert die gesamte Landschaft der Neurowissenschaften. Wenn es bei Intelligenz nicht nur um Quantität, sondern um Qualität pro Zelle geht, müssen wir uns ansehen, wo Sprache, Mathematik und sogar Vorstellungskraft tatsächlich ihren Ursprung haben. Sie könnten ihren Ursprung in einem einzelnen Mikrochip in Ihrer Hirnrinde haben.
Der „Mikrochip“ in Ihrem Kopf
Neuronen im menschlichen Kortex – der äußeren Schicht, die für das Denken höherer Ordnung verantwortlich ist – verhalten sich eher wie hochentwickelte Prozessoren. Sie leiten Signale nicht einfach wie eine Eimerbrigade weiter. Sie analysieren. Sie verbinden sich. Sie berechnen.
Forscher der Hebräischen Universität unter der Leitung von Profs. Idan Segev und Mickey Londan haben sich mit Wissenschaftlern des Edmond and Lily SafraCenter for Brain Sciences (ELSC) zusammengetan, um dies zu beweisen. Dazu gehörte die Zusammenarbeit mit Prof. Chris de Kock von der Freien Universität Amsterdam.
„Menschen stellen sich ein Neuron oft als einen Ein-Aus-Schalter vor“, erklärte Segev. „Wir zeigen, dass ein einzelnes menschliches Neuron selbst ein außerordentlich hochentwickeltes Computergerät ist.“
Stellen Sie sich das so vor: Eine Glühbirne leuchtet entweder auf oder nicht. Ein menschliches kortikales Neuron? Es gewichtet eingehende Daten, berücksichtigt den Kontext ihrer Dendriten und trifft eine berechnete Entscheidung, die ein mehrschichtiges KI-Modell nachahmt.
Wie sie es getestet haben
Man kann nicht einfach die Größe einer Zelle messen und ihren IQ erraten. Ein größeres Neuron bedeutet nicht immer, dass es auch schlauer ist.
Das Team brauchte eine Metrik. Also bauten sie digitale Zwillinge.
Mithilfe von Computermodellen und KI versuchten sie, das Verhalten biologischer Neuronen mithilfe künstlicher neuronaler Netze (ANNs) nachzubilden. Es war ein Nachahmungsspiel.
- Sie haben ein biologisches Neuron genommen.
- Sie haben es mit Inputs gefüttert.
- Sie haben sich die Ausgabe angesehen.
- Dann versuchten sie, ein KI-Netzwerk zu trainieren, um genau diese Ausgabe zu reproduzieren.
Der Clou: Einfache Neuronen anderer Säugetiere ließen sich leicht kopieren. Ein kleines, flaches KI-Netzwerk könnte ihr Verhalten problemlos nachahmen.
Menschliche kortikale Neuronen? Das war hart.
Die KI musste deutlich tiefer, ausgefeilter und wesentlich komplexer sein, um die Schussmuster einer menschlichen Zelle genau zu reproduzieren. Je schwieriger das Neuron zu kopieren war, desto mehr Rechenleistung besaß es.
Warum menschliche Gehirne gewinnen
Die Daten sind eindeutig: Menschliche kortikale Neuronen benötigen zu ihrer Nachahmung komplexere künstliche Netzwerke als die anderer Säugetiere.
Warum? Es kommt auf die Struktur an. Insbesondere die dendritischen Bäume. Das sind verzweigte Strukturen, die Signale empfangen. Menschliche Neuronen verfügen über reich verzweigte, komplexe dendritische Bäume mit besonderen elektrischen Eigenschaften.
Dabei handelt es sich nicht nur um eine passive Verkabelung. Dadurch kann das Neuron Signalkombinationen analysieren, anstatt sie nur linear zu addieren.
Eine Zelle kann als Schichtsystem mit Fähigkeiten arbeiten, die mit denen eines tiefen neuronalen Netzwerks vergleichbar sind.
Diese Fähigkeit erklärt, warum wir subtile Details, wie den Unterschied zwischen einer Katze und einem Hund in einem Bild, unterscheiden oder abstrakte mathematische Konzepte erfassen können. Wir zählen nicht nur Neuronen. Wir nutzen die fortschrittliche Rechenleistung jeder einzelnen Zelle.
Was das für künstliche Intelligenz bedeutet
Das ist nicht nur akademische Neugier. Dies hat enorme Auswirkungen auf die Gestaltung gehirnbasierter KI.
Die meisten aktuellen Modelle des maschinellen Lernens basieren auf vereinfachten künstlichen Einheiten. Sie stapeln sie in tiefen Schichten und hoffen, dass eine kollektive Komplexität entsteht. Es ist ein Brute-Force-Ansatz.
Wenn wir wirklich fortschrittliche Systeme bauen wollen, müssen wir vielleicht nach innen schauen. Auf dem Weg zur Biologie.
Zukünftige KI-Modelle könnten künstliche Komponenten verwenden, die die Rechenkomplexität menschlicher Neuronen nachahmen. Stellen Sie sich anstelle von dummen, dummen, dummen, hochgestapelten Einheiten intelligente, differenzierte Verarbeitungseinheiten vor, die die Komplexität individuell bewältigen.
Das ist ein anderer Weg. Eines, das sich vom reinen Maßstab entfernt und hin zur strukturellen Raffinesse bewegt.
Die Forschung stellt die alte Ansicht in Frage, dass Intelligenz nur ein Spiel mit Zahlen sei. Beim menschlichen Erkennen kommt es nicht nur darauf an, ein großes Gehirn zu haben. Es geht darum, intelligente Teile zu haben.
Während wir die Grenzen sowohl der Neurowissenschaften als auch des maschinellen Lernens erweitern, könnte die Grenze zwischen Biologie und Silizium auf unerwartete Weise verschwimmen. Eines bleibt jedoch klar: Das größte Kapital des menschlichen Gehirns ist möglicherweise nicht seine Größe.
Es ist die Komplexität der Zelle.
