Hauptnavigation

• Alle News
  Zurück

  Alle News Alle News

  Menü schliessen
• Für Medien
  Zurück

  Für Medien Für Medien

  Menü schliessen
• UZH Magazin
  Zurück

  UZH Magazin UZH Magazin

  Menü schliessen
• Social Media
  Zurück

  Social Media Social Media

  Menü schliessen

• Mehr
  Menü schliessen

Kategorien

• Mathematik und Naturwissenschaften
• Digitaler Wandel
• Forschung
• Veranstaltungen

Ich glaube, dass wir in fünf bis zehn Jahren intelligente Systeme sehen werden, die komplexe Sachverhalte genauso gut oder sogar besser erklären können als Menschen.

Also braucht es künstliche neuronale Netzwerke, die arbeitsteiliger sind?

Grewe: Genau. Wir brauchen Netzwerke mit spezialisierten Subsystemen. Bestimmte Teile sollten Experten für bestimmte Funktionen sein. Wenn wir eine neue Aufgabe bekommen oder eine Frage gestellt wird, müsste das System zunächst entscheiden: Welche Teile meines Netzwerks sind dafür relevant? Erst dann sollten die Informationen dort verarbeitet werden. Und wenn das System dabei etwas Neues lernt, sollte auch nur dieser Teil verbessert werden - nicht das gesamte Netzwerk.

Was bedeutet das für die Weiterentwicklung von KI?

Grewe: Es braucht etwas grundsätzlich Neues - daran arbeiten wir. Wir müssen uns vom heute dominierenden Backpropagation-Algorithmus lösen - dem Verfahren also, das praktisch alle grossen KI-Systeme verwenden. Dieser Algorithmus hat beeindruckende Ergebnisse geliefert, aber ich glaube, dass das langfristig nicht der richtige Weg ist.

Sie forschen an der Schnittstelle von Biologie und Neuroinformatik. Was können wir von Säugetierhirnen für die Entwicklung künstlicher neuronaler Netzwerke lernen?

Grewe: Eine wichtige Frage ist: Wenn die heutigen Machine-Learning-Methoden nicht optimal sind - was ist dann die Alternative dazu? Eine Möglichkeit ist, sich stärker am Gehirn zu orientieren. Unsere neuen Algorithmen sind deshalb von biologischen Prinzipien inspiriert. Diese Algorithmen arbeiten mit einfachen, lokalen Lernregeln und nicht mehr mit globalen Differenzierungen wie beim klassischen Deep Learning. Moment interessieren uns insbesondere die Pyramidenzellen in der Grosshirnrinde, dem Cortex.

Weshalb?

Grewe: Der Cortex macht etwa 80 Prozent unseres Gehirns aus. Viele Forschende vermuten, dass unsere hohe Intelligenz unter anderem damit zusammenhängt, dass dieser Bereich so gross ist. Pyramidenzellen sind eine spezielle Zellart im Cortex. Sie haben eine interessante Eigenschaft: Sie können Informationen aus unterschiedlichen Ebenen miteinander verbinden. Sie erhalten einerseits Eingänge aus höheren Hirnarealen, die abstrakte Konzepte repräsentieren. Gleichzeitig bekommen sie Signale aus sensorischen Bereichen - etwa visuelle Informationen, die über Auge und Thalamus ins Gehirn gelangen. Dadurch können sie eine Verbindung herstellen zwischen dem, was wir sehen, und den abstrakten Konzepten, mit denen wir diese Wahrnehmung erklären.

Die Pyramidenzellen sind also gewissermassen Schnittstellenneuronen?

Grewe: Ja, und diese Verbindung findet über mehrere Hierarchieebenen hinweg statt. So können zum Beispiel Szenen durch wenige abstrakte Konzepte erklärt werden. Das ist vermutlich auch entscheidend dafür, dass Menschen neue Situationen verstehen können. Selbst wenn wir eine Szene noch nie genau so gesehen haben, können wir sie aus bekannten Konzepten zusammensetzen. Wir sprechen in diesem Zusammenhang auch von Corner Cases. Das sind Situationen, in denen bekannte Elemente in einer neuen Kombination auftreten. Für ein autonomes Fahrzeug kann das problematisch sein: Wenn es eine bestimmte Kombination von Ereignissen noch nie gesehen hat, kann das System versagen. Wenn man dagegen die zugrunde liegenden Konzepte versteht, kann man eine neue Situation aus bereits bekannten Konzepten zusammensetzen.

Wo stehen die von Ihnen entwickelten Systeme heute?

Grewe: Wir sind noch ganz am Anfang. Im Moment testen wir unsere neuronalen Netzwerke mit relativ einfachen Aufgaben. Ein Beispiel ist das sogenannte N-Body-Problem: mehrere Körper, die sich durch Gravitation gegenseitig beeinflussen. Unsere Systeme können vorhersagen, wie sich diese Körper im Raum bewegen. Klassische Machine-Learning-Systeme können das auch - aber sie versagen oft, wenn man die Bedingungen leicht verändert, etwa einen Körper entfernt oder Kräfte anders kombiniert. Unsere Systeme lernen dagegen separate Module für unterschiedliche Konzepte: etwa für Gravitation oder für einzelne Körper. Dadurch können sie flexibel kombinieren und neue Situationen besser modellieren.

Wie sehen Sie die längerfristige Entwicklung: Werden sich biologische und künstliche Intelligenz immer mehr annähern?

Grewe: Ich glaube, dass wir in fünf bis zehn Jahren intelligente Systeme sehen werden, die komplexe Sachverhalte genauso gut oder sogar besser erklären können als Menschen. Gleichzeitig werden sie über ein sehr breites Wissen verfügen. Wir werden zunächst mit ihnen zusammenarbeiten und sie anleiten. Irgendwann könnten sie uns in bestimmten Bereichen übertreffen.

Die Brain Fair steht unter dem Motto «20 Jahre Fortschritte in der Hirnforschung». Was waren für Sie die wichtigsten Entwicklungen dieser Zeit?

Grewe: Mich haben besonders Studien interessiert, die Parallelen zwischen Deep Learning und Gehirnfunktionen untersucht haben. Unsere eigene Forschung argumentiert allerdings, dass das Gehirn vermutlich kein klassisches Deep Learning betreibt.

Was sind in den Neurowissenschaften die grossen offenen Fragen zu KI und Gehirn?

Grewe: Für mich persönlich ist die wichtigste Frage: Wie funktioniert der Lernalgorithmus des Gehirns auf konzeptueller Ebene? Ich muss nicht jedes molekulare Detail verstehen. Aber ich möchte den Mechanismus so gut verstehen, dass man ihn auf Computerhardware nachbilden kann. Wenn uns das gelingt, könnten wir Systeme entwickeln, die unsere Welt wirklich verstehen - ohne Halluzinationen und mit einem echten Verständnis von Konzepten.

Was würde das für Anwendungen bedeuten?

Grewe: Die KI-Revolution hat gezeigt, dass solche Systeme in vielen Bereichen nützlich sind: von Chatbots über autonome Fahrzeuge bis hin zu Robotik und Prozessautomatisierung. Wenn wir Algorithmen entwickeln, die unsere Welt wirklich verstehen und Konzepte korrekt miteinander verknüpfen, könnten sie noch viel leistungsfähiger werden. Zurzeit ist das Vertrauen in KI nicht sehr gross. Mit verlässlicheren Systemen könnte sich das ändern. Künftig können wir vielleicht virtuelle Assistenten entwickeln, die auf einem ähnlichen Niveau arbeiten wie gute menschliche Assistent:innen oder Forscher:innen.

Interview: Roger Nickl

Weitere Informationen

Weiterführende Links