Neuartiges KI-Framework basiert auf kognitiven Karten und neuromorpher Hardware Ein Forschungsteam der Tsinghua-Universität, der Technischen Universität Graz und des Nationalen Forschungsrats Italien hat ein neues KI-Rahmenwerk vorgestellt, das in der Fachzeitschrift Nature Machine Intelligence im Jahr 2026 publiziert wurde. Die Entwicklung zielt darauf ab, den extrem hohen Energieverbrauch moderner künstlicher Intelligenz zu reduzieren, indem sie sich an biologischen Prinzipien des menschlichen Gehirns orientiert. Laut Seniorautor Wolfgang Maass weichen die Algorithmen der natürlichen Intelligenz deutlich von den heute dominierenden Deep Neural Networks und Large Language Models ab, die zwar leistungsfähig, aber rechen- und energiehungrig sind. Im Gegensatz dazu benötigt das menschliche Gehirn bei der Informationsverarbeitung lediglich etwa 20 Watt. Das neue Modell verzichtet auf traditionelle neuronale Netzarchitekturen und speichert Wissen stattdessen in sogenannten kognitiven Karten. Diese biologisch inspirierten Repräsentationen ermöglichen es dem System, Informationen adaptiv zu organisieren und Probleme in Echtzeit zu lösen, ohne auf massive Datensätze oder rechenintensive Trainingsprozesse angewiesen zu sein. Das Framework lernt lokal, weist eine hohe Interpretierbarkeit auf und kann sich flexibel an neue Aufgaben anpassen. Experimentelle Tests belegen, dass die Architektur sowohl Planungsprozesse als auch Entscheidungsfindung effizient und nachvollziehbar steuert. Ein entscheidender Vorteil des Ansatzes liegt in der Kompatibilität mit energieeffizienter Hardware. Das Konzept lässt sich direkt auf neuromorphe Chips und In-Memory-Computing-Systeme übertragen, bei denen Datenverarbeitung und Speicher physisch zusammenfallen und damit den energieintensiven Datentransfer zwischen Prozessor und Speicher vermeiden. Dazu arbeitet das Forscherteam bereits mit Ingenieuren von Intel sowie einem US-amerikanischen Start-up zusammen, um die Algorithmen in physische Halbleiterarchitekturen zu portieren. Ziel ist es, die Latenzzeit weiter zu senken und die Entscheidungsflexibilität unter dynamischen Bedingungen zu steigern. Gleichzeitig soll die Erklärbarkeit der KI-Entscheidungen durch konkrete, erfahrungsbasierte Pfade verbessert werden, was ein zentrales Forschungsziel der aktuellen KI-Entwicklung darstellt. Mit der Veröffentlichung setzt das Team einen neuen Impuls für die nachhaltige KI-Forschung. Durch die Verbindung kognitionswissenschaftlicher Erkenntnisse mit moderner Halbleitertechnik soll künftig eine Generation intelligenter Systeme entstehen, die nicht nur ressourcenschonend, sondern auch robust und transparent agiert. Die nächsten Entwicklungsschritte konzentrieren sich auf die Erweiterung der Testumgebungen und die finale Implementierung auf kommerzieller neuromorpher Infrastruktur.