Forschungsergebnisse eines Teams um Nabil Imam von der Georgia Tech, veröffentlicht in Science Advances (2026), widerlegen die seit den 1950er-Jahren diskutierte Annahme, das Gehirn entwickle sich schichtenweise von einem primitiven Reptilienhirn hin zu einer rationalen Großhirnrinde. Stattdessen zeigt die Studie, dass die neuronale Evolution ein strategischer Wettbewerb um begrenzte physiologische Ressourcen zwischen zwei grundlegend verschiedenen Verdrahtungsarchitekturen ist. Die Autoren analysierten nicht isolierte Hirnareale, sondern das Skalierungsverhalten des Neokortex und des limbischen Systems über 182 Tierarten hinweg. Dabei zeigte sich, dass diese Regionen nicht unabhängig voneinander variieren, sondern als koordiniertes Gesamtsystem expandieren oder schrumpfen. Der zugrundeliegende Mechanismus beruht auf angeborenen Verschaltungsmustern, die bereits vor der Geburt fixiert sind. Das Neokortex organisiert neuronale Kreise als räumliche Karten: Areale für benachbarte Körperteile oder ähnliche sensorische Eingangskanäle liegen physisch nah beieinander. Das limbische System arbeitet hingegen mit verteilten, strichcodeartigen Mustern, die Gerüche, Emotionen und komplexe Gedächtnisinhalte abbilden. Künstliche neuronale Netze, die nach diesem Prinzip prästrukturiert wurden, bestätigten die biologischen Befunde: Räumliche Konnektivität begünstigt die Verarbeitung visueller und taktiler Daten, während verteilte Netzwerke essentielle Voraussetzungen für Geruchserkennung und speichergestützte Lernprozesse darstellen. Da Schädelvolumen und metabolische Energie begrenzt sind, zwingt die natürliche Selektion zu einem evolutionären Kompromiss. Die Simulationen belegen, dass ökologische Anforderungen direkt über die Ressourcenallokation entscheiden. Bei stark geruchsorientierten Arten wie dem Neunband-Panzerkreuztier dominiert das limbische System, während es bei visuell geprägten Spezies wie dem Eichhörnchen-Makaken stark zurückgeht, wodurch Kapazität für die Großhirnrinde frei wird. Die Evolution fügt also keine neuen Rationalitätschichten hinzu, sondern priorisiert dynamisch eine der beiden Grundarchitekturen. Die Erkenntnisse besitzen unmittelbare Relevanz für die künstliche Intelligenz. Aktuelle Deep-Learning-Modelle basieren nahezu ausschließlich auf datenintensivem Training, was enorme Rechenkapazitäten bindet. Imam verweist darauf, dass biologische Hirne auf einer fest verdrahteten Natur angelegten Architektur beruhen, die erst durch Erfahrung präzise justiert wird. Durch die Integration der beobachteten räumlichen versus verteilten Verschaltungsprinzipien in KI-Systeme ließen sich Algorithmen entwickeln, die sich der Lernökologie des Gehirns annähern, deutlich weniger Trainingsdaten benötigen und energieeffizienter funktionieren. Damit verschiebt sich das wissenschaftliche Paradigma von einer hierarchischen Schichtung hin zu einem dynamischen Ressourcenmanagement, das sowohl die Neurowissenschaften als auch die Algorithmik nachhaltig prägen wird.