Wissenschaftler der Loughborough University haben einen vielversprechenden Entwurf für eine neue Generation künstlicher Intelligenz vorgelegt, die im Gegensatz zu herkömmlichen Systemen vollständig nachvollziehbar ist. Bisherige KI-Modelle werden oft als Blackbox bezeichnet, da ihre Entscheidungswege für Menschen nicht transparent sind. Die neu entwickelte Technologie soll dieses Problem lösen, indem sie offenlegt, wie sie lernt, Informationen speichert und Entscheidungen trifft. Die Studie wurde im Fachjournal Physica D: Nonlinear Phenomena veröffentlicht. Das entwickelte Prototypensystem verfügt über eine Struktur, die sowohl ein Gehirn als auch ein Gedächtnis umfasst. Im Gegensatz zu herkömmlichen neuronalen Netzen kann dieses Modell kontinuierlich lernen, ohne dabei zuvor erworbene Kenntnisse zu verlieren. Zudem vermeidet es die Bildung falscher Erinnerungen und ahmt menschliche Denkprozesse nach, indem es Informationen je nach Bedarf verstärkt oder vergisst. Dr. Natalia Janson, leitende Autorin der Studie, betonte, dass Intelligenz bisher häufig als unzugänglicher Prozess betrachtet wurde. Ihr Ziel war es, künstliche Intelligenz von Grund auf neu zu denken, um die inneren Abläufe der Kognition vollständig einsehbar zu machen. Erste Tests des Systems zeigten vielversprechende Ergebnisse. In einfachen Demonstrationen erlernte der Prototyp musikalische Noten und kurze Phrasen ohne Aufsicht sowie Farben in visuellen Daten wie Cartoon-Bildern. Dabei verhielt sich das System auf allen Aufgabenbereichen vorhersagbar und verfolgbar. Wichtig war dabei, dass es Probleme vermeiden konnte, die bei aktuellen KI-Modellen häufig auftreten, wie etwa das katastrophale Vergessen von Wissen oder das Erzeugen von Halluzinationen. Der Kern der neuen Theorie liegt in einem mathematischen Konzept namens "plastisches Vektorfeld". Dieses modelliert, wie sich Informationen über die Zeit verändern, und spiegelt dabei wider, wie das menschliche Gehirn Informationen verarbeitet und speichert. Durch diesen Ansatz kann jeder Schritt des Lernprozesses und der Kognition nachvollzogen werden, wobei Transparenz von Anfang an in die Architektur integriert ist, statt nachträglich hinzugefügt zu werden. Die Forscher untersuchten auch die Grenzen heutiger neuronaler Netze und stellten fest, dass viele Einschränkungen auf deren Design zurückzuführen sind. Professor Alexander Balanov von der Fakultät für Physik an der Loughborough University erklärte, dass es nicht nur ein technisches Hindernis sei, sondern dass die Architektur herkömmlicher Netze eine vollständige Kontrolle über Lern- und Speicherprozesse faktisch unmöglich mache. Daher sind neue Ansätze wie der ihre entscheidend für die Zukunft der Technologie. Obwohl das aktuelle Prototypensystem noch relativ einfach ist und für den breiten Einsatz skaliert werden muss, haben die Forscher konkrete Pläne für die Weiterentwicklung. Sie beabsichtigen, das System weiter auszubauen und seine Anwendbarkeit zu erforschen, unter anderem durch den Einsatz in neuer Hardware. Das ultimative Ziel ist es, Technologien zu schaffen, die leistungsstark und zugleich verständlich und vertrauenswürdig sind. Professor Balanov fasste zusammen, dass diese Forschung uns näher an Anwendungen bringt, denen die Bevölkerung im Alltag vertrauen kann, von sichereren Werkzeugen im Gesundheitswesen bis hin zu nachvollziehbaren automatisierten Entscheidungen.