Ein kleiner, aber bedeutender Durchbruch in der Kombination aus Künstlicher Intelligenz und Neurowissenschaften könnte das Verständnis dafür revolutionieren, wie das Gehirn visuelle Informationen verarbeitet. An der Cold Spring Harbor Laboratory (CSHL) entwickelte Assistant Professor Benjamin Cowley gemeinsam mit Forschern von der Carnegie Mellon University und der Princeton University ein neuartiges, äußerst kompaktes KI-Modell, das die Art und Weise, wie Makaken (eine menschenähnliche Affenart) visuelle Reize verarbeiten, viel präziser nachbildet als bisherige, riesige KI-Systeme. Die Studie, veröffentlicht in Nature, zeigt, dass selbst winzige KI-Modelle – hier auf nur etwa 1/1000 der Größe herkömmlicher Systeme – in der Lage sind, neuronale Aktivitäten im visuellen Kortex von Makaken mit hoher Genauigkeit vorherzusagen. Die Forscher präsentierten den Tieren sorgfältig ausgewählte natürliche Bilder und registrierten, welche Neuronen im visuellen Cortex darauf reagierten. Zunächst trainierten sie große KI-Modelle, bis sie die neuronalen Antworten um über 30 Prozent besser vorhersagten als bestehende Ansätze. Anschließend nutzten sie Kompressionsmethoden, um das Modell auf eine Größe zu reduzieren, die es als E-Mail-Anhang übertragen ließe. Dieser Durchbruch zeigt, dass die komplexen Prozesse im Gehirn nicht unbedingt durch gigantische KI-Systeme nachgebildet werden müssen – manchmal ist „klein“ besser. Die Analyse des komprimierten Modells offenbarte eine bemerkenswerte Struktur: Die künstlichen Neuronen zerlegen Bilder in grundlegende Merkmale wie Kanten, Farben und Muster – genau wie das biologische Gehirn. Besonders auffällig war, dass bestimmte Neuronen spezifische Präferenzen entwickelten, etwa für Punkte. Cowley erklärt: „In der Makakenhirnrinde – und vermutlich auch im menschlichen Gehirn – gibt es eine Gruppe von V4-Neuronen, die besonders auf Punkte reagieren.“ Diese Erkenntnis ist nicht zufällig: Augen sind biologisch gesehen Punkte, die eine immense Rolle in der sozialen Kommunikation spielen. Die neuronale Spezialisierung auf solche Merkmale könnte daher evolutionär bedeutsam sein. Die Forschung hat weitreichende Implikationen. Cowley sieht nun die Möglichkeit, KI-Modelle für psychiatrische und neurodegenerative Erkrankungen zu entwickeln. „Bei Alzheimer verlieren wir Synapsen“, sagt er. „Wenn wir wissen, welche Bilder Neuronen aktivieren, könnten wir künstlich Synapsen wiederherstellen, die durch Krankheit verloren gingen.“ Solche Ansätze könnten eines Tages zu neuen therapeutischen Strategien führen, bei denen visuelle Stimulation helfen könnte, neuronale Netzwerke zu stabilisieren oder zu regenerieren. Industrieexperten sehen in der Arbeit eine bedeutende Verschiebung: Statt immer größere KI-Modelle zu bauen, könnten kleinere, interpretierbare Systeme die Schlüssel zur Entschlüsselung des Gehirns sein. Die Methode kombiniert biologische Präzision mit technologischer Effizienz – ein Paradigmenwechsel, der nicht nur die Hirnforschung, sondern auch die Entwicklung ethischer, transparenter KI beeinflussen könnte. Cowleys Ansatz demonstriert, dass manchmal der Weg zur menschlichen Intelligenz nicht über Skalierung, sondern über Verständnis führt.