Wir
Mithilfe künstlicher Intelligenz alles Natürliche verstehen

In den vergangenen Jahren ist der Einsatz von neuronalen Netzen in diversen Lebensbereichen nahezu zur Norm geworden. Künstler:innen und Designer:innen wenden sich an midjourney und dall-e, um Inspiration und Grundlagen für neue Projekte zu finden. Journalist:innen und Schriftsteller:innen verwenden ChatGPT, um Skizzen für ihre eigenen Texte zu erstellen und danach diese zu vollständigen Artikeln oder Buchkapiteln zu entwickeln. Auch die Wissenschaft bleibt nicht zurück. Forschende nutzen zunehmend neuronale Netze, um das menschliche Verständnis der Welt zu erweitern. Aktuelle Experimente von Takuei Ito und Kolleg:innen (2022) haben aufgezeigt, dass neuronale Netze in der Erforschung der Entscheidungsfindung des Gehirns abhängig vom Kontext und den Regeln einer Aufgabe nützlich sein können.

Stellen Sie sich vor, Sie erledigen eine Aufgabe, bei der Sie die Taste A drücken müssen, wenn ein Tierbild vor Ihnen erscheint, und die Taste B, wenn auf dem Bild ein Mensch zu sehen ist. In regelmäßigen Abständen werden diese Regeln jedoch aufgrund eines Signals vertauscht.

Für die Handlung in Situation A und für die Handlung in Situation B sowie für jeden der Stimulustypen gibt es im Gehirn eine Darstellung in Form einer Abfolge von biochemischen und elektrischen Impulsen zwischen verschiedenen Gruppen von Neuronen. Eine Gruppe von Neuronen aktiviert sich, wenn ein Bild eines Tieres gezeigt wird, eine andere Gruppe aktiviert sich bei der Darstellung eines Bildes einer Person. Eine dritte Gruppe von Neuronen aktiviert sich bei Betätigung von Taste A, während die vierte Gruppe aktiv wird, wenn eine Person Taste B drückt.

Wenn eine neue Regel auftaucht oder sich eine bereits bekannte ändert, aktualisiert das Gehirn die internen Repräsentationen der Regeln. Damit nichts durcheinandergebracht und die Aufgabe erfolgreich erledigt wird, muss das Gehirn ständig die bereits vorhandenen Informationen über die Regeln der Aufgabe ergänzen, die von außen kommen. Es muss auch vorhandene Repräsentationen von Regeln und Kontext um neue Details ergänzen, wenn sie sich während der Durchführung ändern.

Um dies zu bewerkstelligen, müssen die Repräsentationen von Regeln, Kontext und Stimuli zusammengeführt und dann zu einem gemeinsamen Signal vereint werden, das zum Motorkortex weitergeleitet wird, um die Handlung unmittelbar auszuführen. Die Stelle, an der eine solche Kombination von internen Repräsentationen stattfindet, wurde von Wissenschaftler:innen als „Verbindungszentren“ (engl. „conjunction hubs“) bezeichnet. In funktionaler Hinsicht sollten solche Zentren äußerst flexibel sein, um sie in verschiedenen Situationen, Kontexten und bei unterschiedlichen und sich ändernden Regeln einsetzen zu können.

Obwohl all dies vor der Verwendung von neuronalen Netzen in der Neurowissenschaft bekannt war, war es nicht klar, wo genau sich die Verbindungszentren im Gehirn befinden und was mit dem Signal passiert, das von diesen Zentren für die Verknüpfung von Kontext, Regeln und Stimuli erzeugt wird. Hier kommen künstliche neuronale Netze ins Spiel. Die Architektur künstlicher neuronaler Netze besteht aus drei grundlegenden Schichten: den sensorischen Neuronen (die Informationen wahrnehmen), den analysierenden Neuronen (die Informationen analysieren) und den ausgebenden Neuronen (die das Analyseergebnis ausgeben). In der Regel wird ein neuronales Netz in einer chaotischen Reihenfolge trainiert: Während es mit einem Datensatz „überflutet“ wird, verbindet es zufällig sensorische Neuronen mit analysierenden Neuronen und analysierende Neuronen untereinander sowie mit den ausgebenden Neuronen. Wenn neu entstandene Verbindungen schlecht funktionieren, wird die Genauigkeit der Ausgabe nicht verbessert, danach wird das Netz gelöscht und alles beginnt von vorne. Auf diese Weise wird das Netz weiterhin neu zusammengesetzt, bis es die erforderliche Genauigkeit bei der Ausführung der gestellten Aufgabe erreicht hat. Jedes neuronale Netz ist somit ein statistisches Modell, das Vorhersagen (Drücken der erforderlichen Taste) auf der Grundlage der Interaktion verschiedener Parameter (Regeln, Kontext, Stimuli usw.) trifft.
Zuerst brachten Ito und Kolleg:innen (2022) einem künstlichen neuronalen Netz bei, die zuvor beschriebene Aufgabe auszuführen. Dieses neue Modell hat Vorhersagen generiert - das Drücken von Tasten, die am besten zum Kontext, den Aufgabenregeln und den präsentierten Stimuli passten. Anschließend führten die Proband:innen die gleiche Aufgabe durch, die sich in einem Magnetresonanztomographen (MRT) befanden, der Daten über ihre Hirnaktivität sammelte, während die Proband:innen die Aufgabe ausführten. Die Genauigkeit der Aufgabenbewältigung war sowohl bei Menschen als auch bei künstlichen neuronalen Netzen gleich hoch. Die Kommunikation zwischen den Neuronen in der analysierenden Schicht des neuronalen Netzes ähnelte sehr stark der Aktivität im präfrontalen Kortex des Gehirns. Dennoch lieferte das neuronale Netz keine punktuelle, funktionelle oder anatomische Informationen über die Arbeitsweise des Gehirns während der Entscheidungsfindung, da es architektonisch einfach nicht der Struktur des menschlichen Gehirns entsprach.
Hier haben die Forscher:innen beschlossen, den Aktivitätsfluss des menschlichen Gehirns während der Aktualisierung der Regeln der oben beschriebenen Aufgabe auf die interne, analysierende Schicht des neuronalen Netzes zu übertragen. Dies wurde durch Übertragung der Daten über die Gehirnaktivität von etwa zehn Personen während des MRT durchgeführt. Dies hat nicht nur die Genauigkeit des neuronalen Netzes bei der Erledigung der Aufgaben stark erhöht, sondern auch gezeigt, wo genau das Verbindungszentrum von Repräsentationen alter Regeln mit Repräsentationen neuer Regeln und aktualisiertem Kontext liegt. Es wurde festgestellt, dass sich solche Verbindungszentren im dorsalen (hinteren) Aufmerksamkeitsnetzwerk konzentrieren, von wo aus die aktualisierten Informationen ihrerseits an den Motorkortex gesendet werden, um die Aufgabe auszuführen und die entsprechende Taste zu drücken. Auf diese Weise half ein künstliches neuronales Netz, das mit Gehirndaten gespeist wurde, den Forscher:innen bei der Identifikation der spezifischen Gehirnregion, die an der Aktualisierung alter Regeln beteiligt ist.

Durch umfassende Veränderungen der Architektur des neu gebildeten neuronalen Netzes konnten die Forscher:innen bestätigen, dass diese Methode die Funktionen verschiedener Gehirnregionen während der Ausführung einfacher Aufgaben lokalisieren und beschreiben kann. Eine komplexere Aufgabe wie z. B. die visuelle Erkennung von Objekten erfordert jedoch mehr als eine Schicht von analysierenden Neuronen (Yamins et al., 2014). Außerdem senden in künstlichen neuronalen Netzwerken die Ausgabeneuronen nur ein Signal – die Ausgabe, während die „Ausgabe-“ oder Motorneuronen im menschlichen Gehirn regelmäßig zusätzliche Signale zurück durch das neuronale Netz senden, um interne Repräsentationen zu aktualisieren und zu verfeinern, die von demselben neuronalen Netz zur Aufgabenbewältigung verwendet werden.

Jedoch zeigt die oben beschriebene Studie deutlich, dass neuronale Netze nicht nur in der Lage sind, auf Anfragen Bilder und Texte zu produzieren, sondern auch unsere Fähigkeiten in der Erforschung des Gehirns erweitern können. Potenziell könnten Forscher:innen durch die Schaffung eines ausreichend komplexen und mehrschichtigen künstlichen neuronalen Netzes verschiedene Funktionen des menschlichen Gehirns „digitalisieren“. Jedoch steht dies noch aus. Bis dahin sollte die Menschheit über die verschiedenen ethischen Probleme der Schaffung einer menschenähnlichen künstlichen Intelligenz nachdenken. Zum Beispiel stellt sich die Frage, ob die Funktion der Selbstwahrnehmung, die jedem gesunden Menschen zu eigen ist, auf ein künstliches neuronales Netz übertragen werden kann, und wenn ja, in welchem Ausmaß dies für eine künstliche Intelligenz notwendig ist, die darauf trainiert ist, spezifische Aufgaben auszuführen. Auf jeden Fall lässt sich zum gegenwärtigen Zeitpunkt mit Sicherheit sagen, dass die Synergie zwischen Neurowissenschaft und Programmierung der neutralen Netze deutlich ihre Früchte in Form von neuen anatomischen und funktionellen Daten über das Gehirn zeigt.