Der Bereich der k\u00fcnstlichen Intelligenz (KI) entwickelt sich rasant weiter. Sie ist mittlerweile in der Lage, Aufgaben zu bew\u00e4ltigen, die einst als ausschlie\u00dflich der menschlichen Intelligenz vorbehalten galten, wie beispielsweise Bilderkennung, Sprachgenerierung und das Schreiben von Computercode. Von zentraler Bedeutung f\u00fcr diesen beeindruckenden Fortschritt sind k\u00fcnstliche neuronale Netze, die ihre Leistungsf\u00e4higkeit durch Selbstreorganisation verbessern \u2013 \u00e4hnlich wie die Schaltkreise unseres Gehirns.<\/p>\n
Da KI jedoch immer ausgefeilter wird, stellt sich die Frage: Was k\u00f6nnen uns diese maschinellen Systeme \u00fcber die Lernprozesse des Gehirns lehren? Welche Modelle liefern die aufschlussreichsten Erkenntnisse? Forscher vom MIT McGovern-Institut f\u00fcr Hirnforschung<\/a> und die K. Lisa Yang, ICoN-Zentrum<\/a> hat sich k\u00fcrzlich mit diesen Fragen befasst in PNAS ver\u00f6ffentlichte Studie<\/a>. Sie vertreten die Ansicht, dass die biologische Plausibilit\u00e4t des Lernansatzes eines k\u00fcnstlichen neuronalen Netzes anhand seiner F\u00e4higkeit zur Selbstorganisation beurteilt werden kann, unabh\u00e4ngig von Eingriffen seitens der Entwickler.<\/p>\n Sie zeigen, dass sich ein Netzwerk aus zuf\u00e4llig verbundenen Einheiten mit anf\u00e4nglichen Vorgaben dazu, wie und wann sich die Verbindungen entwickeln sollen, in ein effizientes Datenverarbeitungssystem verwandeln kann. Es lernt aus den Daten, auf die es st\u00f6\u00dft \u2013 \u00e4hnlich wie unser Gehirn neue Informationen verarbeitet.<\/p>\n \u201cDie heutige KI-Technologie ist \u00e4u\u00dferst effektiv\u201d, erkl\u00e4rt Qianli Liao, Postdoktorand am K. Lisa Yang ICoN Center, \u201caber sie bildet nicht unbedingt den Lernalgorithmus des Gehirns nach.\u201d Liao stellt gemeinsam mit seinen Kollegen, den MIT-Professoren Tomaso Poggio und Mark Harnett, fest, dass Ingenieure die Regeln daf\u00fcr festlegen, wie sich Verbindungen ver\u00e4ndern, w\u00e4hrend eine KI Daten verarbeitet und R\u00fcckmeldungen erh\u00e4lt. Obwohl dieser Ansatz beim Training von KI sehr wirkungsvoll ist, liefern diese Netzwerke m\u00f6glicherweise keine tiefgreifenden Einblicke in das biologische Lernen. \u201cDas Gehirn organisiert sich selbst. Wir m\u00fcssen verstehen, wie einfache Regeln diese Organisation steuern\u201d, f\u00fcgt Liao hinzu.<\/p>\n Dieses Verst\u00e4ndnis der Funktionsweise des Gehirns spielt eine entscheidende Rolle bei der Entwicklung neuer Therapien und Pr\u00e4ventionsstrategien. Liao verweist auf neue Anwendungsbereiche wie Gehirn-Computer-Schnittstellen, die Kommunikationsf\u00e4higkeiten wiederherstellen oder gel\u00e4hmten Patienten helfen k\u00f6nnten, neuroprothetische Gliedma\u00dfen zu steuern. Ihr Vorhaben er\u00f6ffnet eine ganz neue Welt von M\u00f6glichkeiten f\u00fcr die Erforschung der Mechanismen des Gehirns.<\/p>\n Inzwischen haben sich Liao und seine Kollegen Ziyin und Gan zum Ziel gesetzt, ein selbstorganisierendes Computernetzwerk zu entwickeln, das in der Lage ist, eigenst\u00e4ndig zu lernen. Dabei nutzen sie einfache Regeln, die die Umstrukturierung von Gehirnschaltkreisen w\u00e4hrend des Lernens bestimmen \u2013 beispielsweise die Tatsache, dass Neuronen, die \u2018gemeinsam feuern\u2019, dazu neigen, ihre Verbindung zu st\u00e4rken. Durch diese Mechanismen kann das Netzwerk Muster erkennen und Bilder klassifizieren, wobei sich selbstorganisierende Motive als zentrale Bausteine dienen. Das Netzwerk optimiert sich selbst, indem es auf Fehler reagiert \u2013 ein Prozess, der dem Gradientenabstieg \u00e4hnelt, einer in modernen KI-Anwendungen weit verbreiteten Technik.<\/p>\n Auch wenn dieses selbstorganisierende Netzwerk nicht genau wie das Gehirn lernt, stellt es doch einen bedeutenden Schritt in Richtung biologischer Plausibilit\u00e4t dar. \u201cSelbstorganisation ist der erste \u00fcbergeordnete Rahmen\u201d, erkl\u00e4rt Liao. \u201cSobald wir diesen Ansatz etabliert haben, k\u00f6nnen wir weiterforschen.\u201d Letztendlich besteht das Hauptziel zwar darin, die Feinheiten des menschlichen Gehirns besser zu verstehen, doch dieses Wissen kann auch Systeme des maschinellen Lernens verbessern und es Ingenieuren erm\u00f6glichen, Netzwerke zu entwickeln, die effizienter funktionieren oder menschliches Verhalten genauer nachahmen.<\/p>\n Sind Sie auf der Suche nach KI-Automatisierungsl\u00f6sungen f\u00fcr Ihr Unternehmen? Entdecken Sie die M\u00f6glichkeiten mit implementi.ai<\/a>. Wenn Sie sich n\u00e4her mit diesem Thema befassen m\u00f6chten, schauen Sie sich den Originalnachrichtenartikel hier<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" Understanding AI’s Learning Journey The realm of artificial intelligence (AI) is swiftly advancing. It’s now capable of performing tasks that were once deemed exclusive to human intelligence, like image recognition, generating language, and writing computer code. Central to this impressive progress are artificial neural networks, which improve their performance by reorganizing themselves, much like our brain’s circuits. However, as AI gets more sophisticated, it begs the question: What can these machine systems teach us about the brain’s learning processes? Which models provide the most insightful information? Researchers from MIT\u2019s McGovern Institute for Brain Research and the K. Lisa Yang ICoN […]<\/p>\n","protected":false},"author":4,"featured_media":9818,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-9817","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9817","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=9817"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9817\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/9818"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=9817"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=9817"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=9817"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Ein Vergleich zwischen biologischem Lernen und KI-Lernen<\/h5>\n
Die Zukunft des KI-Lernens<\/h5>\n