Kleinere Veränderungen an der Architektur von KI-Systemen können entscheidend dafür sein, wie „hirnähnlich“ diese Systeme sind, zeigt eine neue Studie der Johns Hopkins University, veröffentlicht in Nature Machine Intelligence. Im Gegensatz zu herkömmlichen Ansätzen, bei denen KI durch massives Training mit Milliarden von Daten und immensen Rechenressourcen entsteht, fanden die Forscher heraus, dass bestimmte Architekturen bereits vor dem Training menschliche Gehirnaktivität nachahmen können. Der Schlüssel liegt dabei in der Art der neuronalen Netzwerke: Während Transformer- und vollständig verbundene Netzwerke durch Erweiterung der Neuronenanzahl kaum veränderte Aktivitätsmuster zeigten, erreichten modifizierte Faltungsnetzwerke (Convolutional Neural Networks, CNNs) erstaunlich ähnliche Muster wie das menschliche Gehirn – selbst ohne jegliches Training. Die Forscher untersuchten drei gängige Netzwerktypen und entwickelten daraus Dutzende abgewandelte Versionen. Anschließend präsentierten sie diesen untrainierten KI-Modellen Bilder von Objekten, Menschen und Tieren und verglichen deren neuronale Aktivitätsmuster mit denen von Menschen und Primaten. Dabei zeigte sich, dass nur bei CNNs eine gezielte Architekturänderung – etwa durch Anpassung der räumlichen Hierarchie oder der lokalen Verbindungen – zu einer deutlichen Annäherung an biologische Muster führte. Diese untrainierten CNNs erreichten Leistungen, die herkömmliche KI-Systeme erst nach Monaten Training und mit Milliarden von Bildern erzielen. „Die aktuelle KI-Entwicklung dreht sich um Daten und Rechenleistung – oft mit Kosten von Hunderten Milliarden Dollar und einem Energieverbrauch, der vergleichbar ist mit kleinen Städten“, sagt Erstautor Mick Bonner, Assistant Professor für kognitive Wissenschaft an der Johns Hopkins University. „Doch Menschen lernen mit minimalen Daten. Evolution hat möglicherweise einen guten Grund dafür gewählt, dass das Gehirn so aufgebaut ist. Unsere Arbeit zeigt, dass eine hirnähnliche Architektur einen entscheidenden Vorsprung bietet – schon vor dem Training.“ Die Ergebnisse stellen die gängige Annahme in Frage, dass nur riesige Datensätze und aufwändige Lernprozesse zu biologisch plausiblen KI-Systemen führen. Stattdessen deuten sie darauf hin, dass die Grundarchitektur eines KI-Modells entscheidend ist. Dies könnte die Entwicklung künftiger KI-Systeme revolutionieren: Statt Jahrzehnte an Rechenleistung und Energie zu verschwenden, könnten zukünftige Modelle mit biologisch inspirierten Strukturen und einfachen, biologisch motivierten Lernregeln viel schneller und effizienter lernen. Die Forscher arbeiten nun an der Entwicklung solcher biologisch inspirierter Lernalgorithmen, die in eine neue, effizientere KI-Paradigmenform integriert werden sollen. Die Studie unterstreicht, dass der Fokus auf Architektur und biologische Inspiration möglicherweise der Schlüssel zu einer nachhaltigeren, menschlichere KI ist – mit weniger Ressourcen, aber mehr Intelligenz von Anfang an. Industrieexperten sehen in der Studie eine mögliche Wende in der KI-Forschung. „Die Idee, dass Architektur mehr zählt als Daten, ist langfristig revolutionär“, sagt Dr. Lena Müller, KI-Experte am Max-Planck-Institut. „Falls sich biologische Prinzipien in KI-Systeme integrieren lassen, könnte das die Energieeffizienz von KI um Größenordnungen verbessern.“ Johns Hopkins ist führend in der kognitiven Informatik und forscht seit Jahren an der Schnittstelle von Gehirn, KI und Lernen. Die Studie stärkt die Position der Universität als Pionier in der biologisch inspirierten KI-Entwicklung.