Können wir Intelligenz erzeugen, indem wir ein Gehirn nachahmen?

Das Gehirn ist kein Computergerät und auch kein einfaches System zur Informationsverarbeitung, sondern ein System zur Bedeutungsextraktion. Kann es wirklich zurückentwickelt werden?

Geschrieben von Gu Fanji (School of Life Sciences, Fudan University)

Niemand wird leugnen, dass das menschliche Gehirn die komplexeste „Maschine“ der Welt ist, die viele Funktionen ausführen kann, zu denen die modernsten Maschinen nicht in der Lage sind. Um es im mathematischen Jargon auszudrücken: Das Gehirn liefert Beweise für die „Existenz“ dieser Funktionen höherer Ebene. Daher liegt die Idee nahe, vom menschlichen Gehirn zu lernen, sich dort Inspiration und Erkenntnisse zu holen und intelligentere Maschinen zu schaffen. Unter der Führung dieser Idee entstanden jedoch zwei unterschiedliche Denkrichtungen.

Ein Ansatz besteht darin, zunächst zu verstehen, wie das menschliche Gehirn funktioniert, und diesen Mechanismus dann mithilfe technischer Methoden nachzubilden. Um es genauer zu beschreiben, können wir vielleicht eine Passage aus dem jüngsten Buch „A Thousand Brains“ des amerikanischen Erfinders Jeff Hawkins verwenden, um die Sache in den Kontext zu setzen: „Um wirklich intelligente Maschinen zu erschaffen, müssen wir zunächst das Gehirn zurückentwickeln.“ „Der schnellste Weg, maschinelle Intelligenz zu erreichen, besteht darin, zu verstehen, wie das Gehirn funktioniert, und diese Prinzipien dann in Computern nachzuahmen.“[1] Kurz gesagt besteht der Kern dieser Idee darin, das menschliche Gehirn als Modell zu verwenden und mithilfe von Ingenieurtechnologie das Gehirn durch Reverse Engineering zu replizieren.

Reverse Engineering ist eine Methode oder ein Mittel des Ingenieurwesens, mit dem Menschen durch deduktives Denken zu verstehen versuchen, wie vorhandene Geräte, Prozesse, Systeme oder Software, deren Prinzipien sie nicht kennen, eine Aufgabe erfüllen. Im Wesentlichen geht es darum, das System auseinanderzunehmen und zu sezieren, um zu verstehen, wie es funktioniert, damit es repliziert oder verbessert werden kann. Einfach ausgedrückt handelt es sich um einen „Nachahmer“. Obwohl die spezifischen Methoden des Reverse Engineering je nach zu kopierendem Objekt variieren, umfasst der Prozess normalerweise drei grundlegende Schritte: Informationsextraktion, Modellierung und Überprüfung. [2]

Eine andere Idee besteht darin, sich von der Gehirnforschung „inspirieren“ zu lassen und dann mithilfe ingenieurwissenschaftlicher und technischer Mittel neue Maschinen zu entwickeln, ohne sich Gedanken darüber zu machen, ob deren Struktur, Funktion, Prinzip oder Mechanismus dem Gehirn „ähnlich“ sind. Solange das Ergebnis ingenieurstechnische Probleme lösen kann und wirtschaftlich und umsetzbar ist, ist es in Ordnung, ohne sich an die Details des Arbeitsprinzips halten zu müssen.

Zwischen den beiden oben genannten Ansätzen besteht ein großer Unterschied. Tatsächlich haben viele Wissenschaftler schon vor langer Zeit darauf hingewiesen und Analogien zwischen Vögeln und Flugzeugen herangezogen. Zweifellos ließen sich die Menschen beim Bau von Flugzeugen von der Flugfähigkeit der Vögel inspirieren, doch moderne Flugzeuge haben weder in ihrer Struktur noch in ihrer Funktion, weder in ihren Prinzipien noch in ihren Mechanismen, mit dem Flugverhalten von Vögeln etwas gemeinsam. Der von Leonardo da Vinci während der Renaissance gezeichnete „Ornithopter“ ähnelte eher einem Vogel. Zum Fliegen verließ es sich auf das Schlagen seiner Flügel, was man als eine Art Reverse Engineering des Vogelflugs bezeichnen könnte. Leider blieb es immer im Skizzenstadium (Abbildung 1) und wurde nie in die Praxis umgesetzt. Würde man allerdings ernsthaft versuchen, Leonardo da Vincis Skizze mit moderner Technik umzusetzen, dürfte es schwer werden, gute Ergebnisse zu erzielen.

Abbildung 1: Das von Leonardo da Vinci entworfene Schlagflügelflugzeug

Nicolelis und Mauk rufen sich gegenseitig an

Der erste Ansatz – Reverse Engineering des menschlichen Gehirns zur Schaffung intelligenter Maschinen – scheint ein schneller Weg zu sein und fasziniert nicht nur Ingenieure, sondern auch einige Neurowissenschaftler. In dem Buch Think Tank: 40 Neuroscientists Explore the Biological Roots of Human Experience[3], herausgegeben von David J. Linden und veröffentlicht im Jahr 2018, gibt es einen Artikel, der diese Idee vertritt.

„Grundsätzlich gibt es keinen Grund, warum wir nicht irgendwann denkende Maschinen bauen können.“

Der Titel des Artikels von Michael D. Mauk bringt seine zentrale Idee auf den Punkt: „Es gibt kein Prinzip, das uns daran hindert, irgendwann Maschinen zu bauen, die denken“ [4] . Darin räumte er zwar ein, dass das Gehirn erstaunlich groß sei und einige Einzelheiten unklar seien, glaubte jedoch, dass es bei der Suche nach einem künstlichen Geist keine unüberwindbare Lücke gebe; alles was nötig war, war „harte Arbeit“ und schnellere Computer mit mehr Speicher.

Mauk ist überzeugt: „Um das Gehirn zu verstehen, müssen wir, wie bei jedem Computer, die Eigenschaften seiner Hauptkomponenten (Neuronen), die Art der Verbindungen zwischen den Komponenten (Synapsen) und die Muster der Verbindungen (Schaltpläne) identifizieren. Die Zahl ist in der Tat erstaunlich, aber entscheidend ist, dass die Regeln, denen die Neuronen und ihre Verbindungen gehorchen, endlich und verständlich sind.“ Er betonte, dass nur einige hundert Neuronentypen bekannt seien, sodass wir die Input-Output-Regeln jedes Typs klar untersuchen könnten. Auch die Eigenschaften verschiedener Synapsen und die Regeln ihrer Plastizität sind begrenzt und verständlich. Obwohl die Anzahl der synaptischen Verbindungen groß ist, sind diese Verbindungen nicht zufällig; Sie gehorchen auch bestimmten Regeln, die wir erkennen können. Nun sollen groß angelegte „Konnektom“-Forschungsprojekte eine Karte der neuronalen Schaltkreise des gesamten Gehirns liefern. Um ein künstliches Gehirn zu bauen, muss man daher nur diese begrenzten Regeln verstehen.

Mauke argumentiert für die obige Ansicht aus zwei Aspekten:

1. Der Bau eines künstlichen Gehirns und die Nachbildung des Gehirns einer bestimmten Person sind zwei verschiedene Dinge. Nur wenn Sie das Gehirn einer bestimmten Person klonen, müssen Sie alle spezifischen Verbindungen in seinem oder ihrem Gehirn kennen. Diese Zusammenhänge hängen nicht nur von angeborenen Faktoren ab, sondern auch von erworbenen Erfahrungen. Jeder Zusammenhang ist spezifisch und muss herausgefunden werden. Um jedoch ein allgemeines künstliches Gehirn zu bauen, reicht es aus, die grundlegenden Verbindungsregeln einzuhalten.

Zweitens können wir ein Gedankenexperiment durchführen: Angenommen, wir können ein künstliches Neuron mit derselben Input-Output-Funktion wie ein echtes Neuron erzeugen und es verwenden, um das entsprechende biologische Neuron in einem Organismus zu ersetzen. Dann wird das Subjekt (der Organismus) keinen Unterschied spüren. Durch den schrittweisen Ersatz der entsprechenden biologischen Neuronen durch gleichwertige künstliche Neuronen spürt das Subjekt dennoch nichts Ungewöhnliches. Nach allen Ersetzungen wird das endgültige künstliche neuronale Netzwerk zu einem künstlichen Gehirn.

Die Idee von Mao Ke ist für manche Menschen sehr repräsentativ. In seinem Artikel erwähnte er einen anderen Artikel in der Sammlung, der gegenteilige Ansichten vertrat, widerlegte diese jedoch nicht. Dieser Artikel hält an der zweiten Idee fest:

„Es ist unmöglich, das menschliche Gehirn mit einer Turing-Maschine zu simulieren.“

Der vorletzte Artikel im Think Tank trägt den Titel „Das menschliche Gehirn, der wahre Schöpfer von allem, kann von keiner Turing-Maschine simuliert werden“ und wurde von Miguel AL Nicolelis geschrieben, einer führenden Persönlichkeit in der Forschung zu Gehirn-Computer-Schnittstellen [5] . Der Titel gibt auch Nicolelis' zentrale Idee treffend wieder. Obwohl er Mauks Argumentation nicht direkt widerlegte, wies er inhaltlich weitgehend auf die grundlegenden Probleme in Mauks Argumentation hin.

Nicolelis‘ Hauptargumente sind:

Manche Menschen in der heutigen Gesellschaft und sogar in der Wissenschaft glauben, dass das menschliche Gehirn lediglich eine Maschine zur Informationsverarbeitung oder eine physische Version eines digitalen Computers ist. Aufgrund dieser irreführenden Aussage könnten die Menschen glauben, dass eines Tages ein Supercomputer verwendet werden könnte, um das menschliche Gehirn zu simulieren oder sogar zu kopieren, und dass alle bewussten und unbewussten Erfahrungen im Leben eines Menschen auf einem digitalen Medium gespeichert werden könnten, wodurch digitale Unsterblichkeit erreicht würde; Andererseits könnten auch komplexe Inhalte in das Gehirn hochgeladen werden, sodass Menschen im Handumdrehen eine neue Sprache, neue Technologien oder Kenntnisse verwenden oder besitzen könnten.

Diese Idee wurzelt in einem Missverständnis von Informationen und Computern. Obwohl Claude Shannon uns daran erinnerte, als er seine bahnbrechende Informationstheorie vorschlug, befasste sich seine Definition von Information nur mit dem Quantifizierungsproblem der Nachrichtenübertragung in verrauschten Kommunikationskanälen, d. h., sie beinhaltete nur den Aspekt der „Verringerung der Unsicherheit über den Zustand des Absenders“ und ging überhaupt nicht auf Inhalt und Bedeutung der Information ein. Für das Gehirn sind Inhalt und Bedeutung einer Information die wichtigsten Aspekte.

Noch gravierender ist der Fehler im Begriff „Brain Computing“. Manchmal verallgemeinern die Leute den Begriff „Computer“ als Synonym zur Informationsverarbeitung, und manchmal beschränken sie den Begriff „Computer“ auf die Operationen, die in einem Von-Neumann-Computer ausgeführt werden, und wechseln ständig zwischen beiden Begriffen. Alan Turing, ein Pionier der modernen Digitalrechner, wies darauf hin, dass eine Aufgabe, die auf einen mathematischen Algorithmus reduziert werden kann, der in einer endlichen Zahl von Schritten ausgeführt werden kann, mit der von ihm vorgeschlagenen universellen Turingmaschine simuliert werden kann und dann als „berechenbar“ gilt. Gemäß der Church-Turing-Annahme ist jedes Gerät, das solche Berechnungen durchführen kann (wie etwa ein digitaler Computer), gleichwertig mit einer universellen Turingmaschine, und solche Berechnungen können als Berechnungen im Turing-Sinne bezeichnet werden. Turing war der erste, der darauf hinwies, dass es Probleme gibt, die in diesem Sinne nicht berechenbar sind. [6]

Leider sind das Gehirn und viele seiner Funktionen höherer Ebene nicht im Turing-Sinne berechenbar. Daher ist es, egal wie fortschrittlich ein Super-Digitalcomputer wird, unmöglich, das menschliche Gehirn zu replizieren. Die Operationen des Gehirns umfassen sowohl digitale als auch analoge Komponenten und es besteht eine rekursive, nichtlineare dynamische Interaktion zwischen beiden, die die Fähigkeiten einer Turingmaschine bei weitem übersteigt.

Das menschliche Gehirn ist nicht nur ein Gerät, das passiv externe Informationen dekodiert. Tatsächlich sagt das Gehirn auf der Grundlage seiner internen Modelle voraus, was in der Zukunft passieren könnte. Das Gehirn ist bei der Vorhersage dessen, was passieren wird, immer einen Schritt voraus. Wenn es eine falsche Vorhersage macht, lernt es aus dem Fehler und aktualisiert sein internes Modell, ein Prozess, der als „Neuroplastizität“ bekannt ist.

Obwohl Nicolelis Mauk nicht namentlich kritisierte, fand er doch einige deutliche Worte: „Wäre diese absurde Behauptung auf Science-Fiction-Filme aus Hollywood beschränkt, würde sie nicht viel ausmachen. Doch wenn bestimmte Informatiker und sogar Neurowissenschaftler diesen Mythos öffentlich wiederholen und den europäischen und amerikanischen Steuerzahlern Milliarden von Dollar für ihr sinnloses Bestreben abverlangen, das menschliche Gehirn auf einem digitalen Medium zu simulieren, wird das Problem weitaus gravierender.“ [5]

Aus Höflichkeit als Einladender spielte Linden Tai Chi zwischen diesen beiden diametral entgegengesetzten Ansichten. Im Nachwort des Buches schrieb er: „Wer hat in dieser wichtigen Frage Recht? Wir wissen es nicht. … Das ist bei der Entwicklung der Wissenschaft oft der Fall.“ Es besteht für uns jedoch keine Notwendigkeit, Tai Chi zu spielen.

Meiner Meinung nach sind beide Argumente von Mauke unhaltbar. Sein erstes Argument zeigt lediglich, dass das Klonen des Gehirns einer bestimmten Person schwieriger ist als der Aufbau eines allgemeinen menschlichen Gehirns. Dies ist jedoch kein Grund dafür, dass die letztgenannte Aufgabe (der Aufbau eines allgemeinen Gehirns) leicht zu bewältigen sein sollte.

Mauks zweites Argument ersetzt die Bedingungen. In seinem Gedankenexperiment befindet sich das hypothetische neuronale Netzwerk noch im Körper des Probanden. Es ist noch immer von anderem Gewebe wie Gliazellen, Gehirn-Rückenmarks-Flüssigkeit und Blutgefäßen umgeben (die Zahl der Gliazellen ist zehnmal so hoch wie die der Neuronen, und ihre Funktion ist noch immer nicht bekannt) und es hält alle normalen Verbindungen mit dem Körper aufrecht. Mit anderen Worten, dieses „künstliche neuronale Netzwerk“ ist immer noch „verkörpert“ und wurde nicht von der inneren Umgebung des Körpers des Subjekts getrennt. Da sich das Subjekt frei bewegen kann, ist es auch nicht von der äußeren Umgebung und dem sozialen Umfeld getrennt. Dies ist etwas völlig anderes als eine isolierte Gruppe von Neuronen, die vom Körper getrennt ist. Man denke nur an das Beispiel des Wolfsjungen: Obwohl das Gehirn des Wolfsjungen strukturell genau wie ein normales menschliches Gehirn ist und sogar verkörpert ist und mit der äußeren Umgebung interagiert, führt die bloße Trennung vom sozialen Umfeld dazu, dass das Subjekt seinen normalen Verstand verliert. Daher ist es unwahrscheinlich, dass eine isolierte Ansammlung künstlicher Neuronen, unabhängig von ihrer internen Vernetzung, über das verfügt, was Mauk einen „künstlichen Verstand“ nennt.

Mauk verfolgte einen völlig reduktionistischen Ansatz. Er glaubte, dass man die Eigenschaften des gesamten Systems verstehen könne, wenn man die Eigenschaften der Komponenten einer Maschine und die Eigenschaften ihrer gegenseitigen Verbindungen verstehe. Dies mag für ein einfaches System mit nur zwei Ebenen zutreffen, bei dem die Aktivitäten der oberen Ebene keine Auswirkungen auf die untere Ebene haben, aber es ist wahrscheinlich unmöglich, ein extrem komplexes System wie das Gehirn mit vielen Ebenen zu verstehen. Natürlich werden manche Leute argumentieren, dass wir bei mehrstufigen Systemen von der obersten Schicht aus beginnen und uns Schicht für Schicht nach unten vorarbeiten können, wobei wir jede angrenzende Schicht reduzieren, und dass wir schließlich die biologischen Makromoleküle der untersten Ebene und ihre Wechselwirkungen verwenden können, um den Geist zu erklären. Dabei handelt es sich um eine Art „lineares Kausalkettendenken“, bei dem davon ausgegangen wird, dass die Aktivitäten auf der nächsten Ebene die Ursache und die Aktivitäten auf der vorherigen Ebene die Wirkung sind. Aber in einem System wie dem Gehirn tragen nicht nur die Aktivitäten der unteren Ebene zu den Aktivitäten der oberen Ebene bei, sondern die Aktivitäten der oberen Ebene beeinflussen auch die Aktivitäten der unteren Ebene. Sie stehen in einem kausalen Zusammenhang. Darüber hinaus ist diese Beziehung nicht auf benachbarte Ebenen beschränkt, sondern kann sich über viele Ebenen erstrecken, es handelt sich also um eine Art „zirkulare Kausalität“. Bei einem solchen System wird eine radikale reduktionistische Strategie nicht funktionieren. Derzeit ist es auf einer sehr niedrigen Ebene noch möglich, mit reduktionistischen Strategien, wie etwa der Simulation biologischer Neuronen oder der Herstellung von Chips, bestimmte Ergebnisse zu erzielen. Sobald man jedoch auf die höchste Ebene, wie etwa den Geist oder sogar das Bewusstsein, vordringt, wird dies nicht mehr funktionieren.

Aus logischer Sicht ist der Titel von Mauks Artikel „Im Prinzip gibt es keinen Grund, warum wir nicht irgendwann eine denkende Maschine bauen können“ nicht falsch, denn das Gehirn selbst ist auch ein physikalisches System, sodass die Möglichkeit, ein künstliches physikalisches System mit Denkfähigkeit zu bauen, nicht völlig ausgeschlossen werden kann. Allerdings sind logische Möglichkeit und praktische Machbarkeit zwei verschiedene Dinge. Aus diesem Grund müssen wir bei der Prüfung von Anträgen auf Wissenschafts- und Technologiemittel nicht nur den Innovationsgrad des Antrags, sondern auch die technische Umsetzbarkeit berücksichtigen. Für Mao Ke ist es sinnlos, über Möglichkeiten zu sprechen, ohne die Machbarkeit zu berücksichtigen.

Die Karotte, die vor dem Esel baumelt: Markrams Versprechen

Nicolelis macht sich Sorgen über bestimmte Informatiker oder sogar Neurowissenschaftler, die europäische und amerikanische Steuerzahler um Milliarden von Dollar bitten, um das menschliche Gehirn zu simulieren. Es handelt sich dabei vermutlich um Wissenschaftler um Henry Markram, der sich 2013 erfolgreich um das mit einer Milliarde Euro dotierte „Human Brain Project“ (HBP) der Europäischen Union beworben hatte. In seinem Antrag schlug Markram vor, innerhalb von zehn Jahren ein künstliches menschliches Gehirn auf einem Supercomputer zu bauen. Seine Kernidee spiegelt sich in einem Artikel wider, den er 2012 zur Bewerbung seiner Anwendung „The Human Brain Project“ schrieb: „Der Schlüssel unseres Ansatzes liegt in der Untersuchung der grundlegenden Baupläne des Gehirns: der Prinzipien, die im Laufe der Evolution und auch während der Embryonalentwicklung zum Aufbau des Gehirns verwendet wurden. Theoretisch enthalten diese Prinzipien alle Informationen, die wir zum Aufbau eines Gehirns benötigen. Skepsis ist berechtigt: Die Komplexität, die diese Prinzipien erzeugen, ist atemberaubend – deshalb brauchen wir Supercomputer, um das Problem zu lösen. Die Prinzipien selbst zu entdecken, ist jedoch viel einfacher. Wenn wir sie finden, gibt es keinen logischen Grund, warum wir die Baupläne, die das Gehirn in der Biologie erzeugen, nicht auf die gleiche Weise nutzen können, um ein ‚Siliziumgehirn‘ zu konstruieren.“ [7]

Wie ist es Markram ergangen? Im Jahr 2009 versprach er in einem Interview mit dem Magazin Discover, innerhalb von drei Jahren (also bis 2012) das gesamte Gehirn einer Ratte zu simulieren[8] . Im Jahr 2012 machte er jedoch dasselbe Versprechen im Rahmen des Human Brain Project (dessen Veröffentlichung auf 2015 verschoben wurde). Bis 2015 war er jedoch aufgrund einer Reihe von Problemen, wie beispielsweise unrealistischen Zielen, im Zuge einer „Palastrevolution“ zum Rücktritt gezwungen und konnte sein Versprechen nicht erfüllen. Das „kleine Ziel“, ein Mäusegehirn zu simulieren, ist wie die Karotte, die vor dem Kopf eines Esels hängt. Obwohl es nur drei Schritte entfernt ist, bleibt es immer unerreichbar, ganz zu schweigen vom Klonen eines menschlichen Gehirns durch Reverse Engineering. Die Hintergründe dieses Plans habe ich bereits in einem langen Artikel in Fanpu [9] analysiert , deshalb werde ich sie hier nicht wiederholen. Seltsamerweise wollte Mauk drei Jahre später, nachdem das „revolutionäre“ Human Brain Project diese Fantasie aufgegeben hatte, seine alte Idee immer noch wiederbeleben . [4] Drei Jahre später wiederholte Hawkins seine Meinung mit einer kleinen Änderung [1] und sie erhielt immer noch die Unterstützung vieler Menschen. Dies ist eine gründliche Überlegung und weitere Analyse wert.

Abbildung 2: Das Versprechen des Reverse Engineering eines Mäusegehirns.

Der evolutionäre Ansatz unterscheidet sich vom Ansatz des Ingenieurs

In der gemeinsam mit Karl Schlagenhofer verfassten Buchreihe „Gehirn und künstliche Intelligenz“ habe ich darauf hingewiesen: „Die Natur verhält sich nicht wie Ingenieure. Ingenieure bevorzugen Einheitlichkeit, während die Natur Variabilität und Vielfalt bevorzugt. Bevor Ingenieure ein System bauen, haben sie einen Entwurf im Kopf. Sie hoffen, dass es möglichst wenige Komponententypen gibt und jede Komponente innerhalb eines Typs exakt gleich ist, damit sie Analyse, Konstruktion, Bau und Reparatur einfacher gestalten können. Die Natur gestaltet Organismen jedoch nicht absichtlich. Sie lässt mehr oder weniger unterschiedliche Individuen miteinander konkurrieren. Keine zwei Individuen sind exakt gleich. Im Wettbewerb haben nur Individuen, die besser an ihre Umwelt angepasst sind, eine bessere Chance zu überleben und die nächste Generation hervorzubringen. Edelmans neuronaler Darwinismus geht ebenfalls davon aus, dass zwischen den Schaltkreisen oder Modulen des Nervensystems ein Wettbewerb besteht und nur diejenigen Schaltkreise oder Module erhalten bleiben, die zur Erreichung ihrer Ziele geeignet sind.“ [10] Es ist natürlich Wunschdenken, wenn Markram und andere ihre Hoffnungen auf diesen nicht existierenden natürlichen „Bauplan“ setzen.

Auch der Molekularbiologe Francois Jacob sagte: „Die Evolution ist ein Tüftler, kein Ingenieur.“ Die Natur konstruiert bei neuen Aufgaben nicht nach logischem Denken von oben herab eine völlige Neukonstruktion, sondern fügt auf der bestehenden Basis einfach Neues hinzu. Dies stellt fest, dass das Gehirn nicht so perfekt ist, wie die meisten Menschen denken. Linden drückt es in seinem Buch „The Accidental Mind“ so aus: „Auf jeder Ebene, von Regionen und Schaltkreisen bis hin zu Zellen und Molekülen, ist das Gehirn eine schlecht konstruierte, ineffiziente Masse, die überraschend gut funktioniert. Es ist nicht der ultimative, allmächtige Supercomputer, die Improvisation eines Genies auf einem leeren Blatt. Es ist ein einzigartiges Konstrukt, das Produkt von Millionen Jahren Evolutionsgeschichte.“ [11]

Darüber hinaus ist das Gehirn kein Computergerät und auch nicht nur ein Gerät zur Informationsverarbeitung, sondern ein System zur Bedeutungsextraktion. [12] Es ist wenig darüber bekannt, wie man solche Systeme untersucht.

Schließlich ist das menschliche Gehirn das Produkt einer über 500 Millionen Jahre alten Evolution. Möglicherweise gelingt es uns, die Geheimnisse der Gehirnfunktionen nach und nach zu verstehen, doch nur wenige Menschen wagen eine Aussage darüber, wann wir die Gehirnfunktionen vollständig verstehen werden. Wenn es daher dringend erforderlich ist, bestimmte Probleme, die der menschlichen Gehirnfunktion ähneln, in der Ingenieurstechnologie zu lösen, können wir nicht warten, bis wir den entsprechenden Gehirnmechanismus herausgefunden haben, bevor wir einen Plan formulieren, sondern können uns nur vom bekannten Wissen über das Gehirn inspirieren lassen oder den Gehirnmechanismus einfach beiseitelassen und Lösungen ausschließlich in der Ingenieurstechnologie suchen. Selbst wenn wir die Mechanismen des Gehirns kennen, sind sie möglicherweise nicht auf die Technik anwendbar. Zwar kann die von Edelman entwickelte „Darwin-Maschine“, die auf dem Motorsteuerungsmechanismus des Kleinhirns basiert, auch Kurven frei befahren[13], doch ist es nicht die Darwin-Maschine, sondern die reine Ingenieurstechnologie der künstlichen Intelligenz, die das autonome Fahren endgültig auf die Straße gebracht hat. Natürlich könnte die Darwin-Maschine möglicherweise dazu beitragen, unser Verständnis der motorischen Kontrollmechanismen des Kleinhirns zu vertiefen.

Abbildung 4. Darwin-Maschine fährt frei in einer Kurve. [13]

Daher sollten sich Ingenieure, wann immer möglich, von der Hirnforschung inspirieren lassen und geeignete technische Techniken verwenden, um bestimmte gehirnähnliche Funktionen zu erreichen, anstatt die Struktur und den Mechanismus des biologischen Gehirns blind zu kopieren. Deep Learning, das derzeit in der künstlichen Intelligenz sehr beliebt ist, könnte von der mehrstufigen Verarbeitung des visuellen Systems inspiriert sein und kann als typisches Beispiel für „Gehirninspiration“ verwendet werden:

Das visuelle System extrahiert zunächst kontrastreiche Stellen im Raum, also Grenzen, auf der Netzhaut. dann extrahieren einfache Zellen im primären visuellen Kortex Liniensegmente mit spezifischen Ausrichtungen an spezifischen Stellen, während komplexe Zellen Liniensegmente mit spezifischen Ausrichtungen extrahieren, die irgendwo im rezeptiven Feld liegen, und so weiter ... sie extrahieren zunehmend globale Merkmale und integrieren schließlich die relevanten Merkmale im Gehirn, um Objekte zu identifizieren. Dieses letzte Problem, das als „Bindungsproblem“ bekannt ist, weist noch einige hypothetische neurobiologische Mechanismen auf, wie beispielsweise synchronisierte Schwingungen, die noch nicht endgültig gelöst sind. IT-Ingenieure haben den mehrstufigen Verarbeitungsmechanismus des visuellen Systems übernommen und viele Netzwerke auf mittlerer Ebene für „Deep Learning“ eingerichtet. Obwohl sich ihr Algorithmus stark vom Mechanismus des biologischen Sehsystems unterscheidet, haben sie bemerkenswerte Ergebnisse erzielt. Wenn sich die Mechanismen des Gehirns zufällig für die Umsetzung technischer Technologien eignen, können wir natürlich von den Lösungen des Gehirns lernen.

Der aktuellen Forschungslage zufolge verfügen die Menschen über ein klareres Verständnis der grundlegenden Organisation des Gehirns, etwa der Struktur und Funktion von Neuronen, sodass sie sich zahlreichere und umfassendere Details aneignen können. Ein relativ erfolgreiches Beispiel hierfür ist der „Neuromorphe Chip“ [Anmerkung 1] . Biologische Neuronen können sich hinsichtlich Geschwindigkeit und Zuverlässigkeit nicht mit elektronischen Geräten vergleichen, aufgrund ihrer Impulsausgabeform ist ihr Stromverbrauch jedoch wesentlich niedriger als bei aktuellen elektronischen Geräten. Neuromimetische Chips simulieren dies und können den Stromverbrauch um vier Größenordnungen senken. Daher ist mit ihrem Einsatz in Bereichen mit hohem Energieverbrauch zu rechnen, beispielsweise in der Luft- und Raumfahrttechnik. Für eine große Entwicklung einer neuen Technologie ist jedoch ihre weitverbreitete Anwendung der wichtigste Katalysator. In letzter Zeit ist der Chatbot ChatGPT auf der ganzen Welt populär geworden und seine Server waren überlastet. Die Kosten für den Energieverbrauch sind untragbar geworden. Man darf gespannt sein, ob das neuromorphe Engineering [14] diese Chance nutzen kann, um seine Ambitionen zu verwirklichen.

[Anmerkung 1]: Die gängige Übersetzung lautet mittlerweile „neuromorpher Chip“. Wenn wir dieses Wort in das Präfix „neuro“ und die Wurzel „morphic“ zerlegen, ergeben sich tatsächlich „neural“ und „morphic“. Dieser Chip hat jedoch nichts mit der „Morphologie“ von Nervenzellen oder dem Nervensystem zu tun. Es ist nur so, dass die Einheit in diesem Chip – das Neuron – in ihrem Mechanismus dem biologischen Neuron näher kommt, oder man könnte sagen, dass es „neuromorph“ ist. Der Autor ist der Ansicht, dass die Übersetzung „neuromorpher Chip“ die Leser leicht in die Irre führen kann. Der Autor glaubt, dass niemand Schmetterling mit Cremefliege übersetzen würde.

Abbildung 5: Ein neuromorpher Chip. [15]

Je höher die Ebene der Gehirnfunktion ist, desto weniger wissen die Menschen über die Mechanismen dahinter und desto weniger können sie daraus lernen. Möglicherweise müssen wir sogar auf Ingenieurstechnologie zurückgreifen, um diese Funktion so weit wie möglich zu erreichen. Dies ist im Allgemeinen der Weg, den die aktuelle künstliche Intelligenz einschlägt. Insbesondere streben wir nicht danach, eine KI zu schaffen, die dem menschlichen Gehirn ähnelt, sondern vielmehr danach, der KI zu ermöglichen, Entscheidungen wie das menschliche Gehirn zu treffen, ohne sich Gedanken darüber zu machen, ob sich ihr Entscheidungsmechanismus von dem des menschlichen Gehirns unterscheidet.

Generell sollte sich die Ingenieurtechnologie von der Hirnforschung inspirieren lassen, statt sie zu kopieren oder zu replizieren.

Um den Begriff richtig zu verwenden: gehirnähnlich oder gehirninspiriert?

In China hören wir oft den Begriff „gehirnähnlich“. Leser neigen dazu, „gehirnähnlich“ als „ähnlich einem echten Gehirn“ zu verstehen. Genauer gesagt bedeutet es Reverse Engineering des Gehirns. Aber der Sprecher meint das möglicherweise nicht so. Manche Leute meinen damit, sich von der Gehirnforschung inspirieren zu lassen und dann mithilfe von Ingenieurstechnologie bestimmte gehirnähnliche Funktionen zu erreichen.

Der Missbrauch des Begriffs „gehirnähnlich“ könnte historische Gründe haben: Ende des letzten und zu Beginn dieses Jahrhunderts gab es tatsächlich eine international verbreitete Denkrichtung zum Thema „gehirnähnlich“, die davon ausging, dass sich Ingenieurs- und technische Probleme durch Reverse Engineering des Gehirns lösen ließen. Natürlich gibt es immer noch einige Wissenschaftler, die diese Ansicht vertreten, wie zum Beispiel die, die wir zuvor vorgestellt haben. Allerdings verwenden die meisten Wissenschaftler den Begriff „gehirnähnlich“ kaum noch, sondern stattdessen „gehirninspiriert“. Das heißt, wir werden das Gehirn nicht mehr durch Reverse Engineering kopieren, sondern uns nur noch, wenn möglich, von der Hirnforschung inspirieren lassen und Ingenieurtechnologien nutzen, um bestimmte gehirnähnliche Funktionen zu erreichen. Dennoch verwenden viele Menschen in China immer noch den Begriff „gehirnähnlich“, vielleicht weil sie ihn für einfach und attraktiv halten. Der Autor ist der Ansicht, dass diese Aussage zwar „gängige Praxis“ sei, jedoch mehrdeutig sei und die Leser in die Irre führen werde. Sollten wir diese „gängige Praxis“ entschieden aufgeben und „ihren Namen richtigstellen“? Dem Autor ist aufgefallen, dass einige Wissenschaftler dies bereits tun. Sollten wir diese beiden technischen Wege bewusster voneinander unterscheiden?

Verweise

[1] Hawkins J (2021) Tausend Gehirne: Eine neue Theorie der Intelligenz. Grundlegende Bücher.

Chinesische Übersetzung: Hawkins, übersetzt von Liao Lu et al. (2022) Tausend Gehirne Intelligenz, Zhejiang Education Publishing House.

[2] https://en.wikipedia.org/w/index.php?title=Reverse_engineering&oldid=1128484181

[3] Linden DJ (Hrsg.) (2018) Think Tank: Vierzig Neurowissenschaftler erforschen die biologischen Wurzeln der menschlichen Erfahrung. Yale University Press. New Haven und London.

[4] Mauk MD (2018) Es gibt kein Prinzip, das uns daran hindert, irgendwann denkende Maschinen zu bauen. In Linden DJ (Hrsg.) (2018) Think Tank: Vierzig Neurowissenschaftler erforschen die biologischen Wurzeln der menschlichen Erfahrung. Yale University Press. New Haven und London.

[5] Nicolelis MAL (2018) Das menschliche Gehirn, der wahre Schöpfer von allem, kann von keiner Turingmaschine simuliert werden. In Linden DJ (Hrsg.) (2018) Think Tank: Vierzig Neurowissenschaftler erforschen die biologischen Wurzeln der menschlichen Erfahrung. Yale University Press. New Haven und London.

[6] https://en.wikipedia.org/w/index.php?title=Hypercomputation&oldid=1133373703

[7] Markram H (2012) Das menschliche Gehirnprojekt. Wissenschaft Bin. 306(6):50-5512.

[8] Kushner, D (2009), Das Discover-Interview mit Henry Markram. Discover 2009(12):61-77

[9] Gu Fanji (2019) Das europäische Human Brain Project: Können Geld und große Pläne zu Durchbrüchen in der Grundlagenforschung führen? Zurück zum Park 20. August 2019

[10] Gu Fanji und Karl Schlagenhofer, Die neue Welt der Hirnforschung, übersetzt von Gu Fanji (2019), Shanghai Education Press

[11] Linden DJ (2007) The Accidental Mind: Wie die Evolution des Gehirns uns Liebe, Gedächtnis, Träume und Gott geschenkt hat. Harvard University Press.

Chinesische Übersetzung: Lin Deng, übersetzt von Shen Ying et al. (2022) Unvollkommenes Gehirn: Wie die Evolution uns Liebe, Erinnerung und Träume schenkt, Shanghai Science and Technology Press

[12] Freeman WJ (1999) Wie das Gehirn seine Meinung bildet. Weidenfeld & Nicolson

[13] McKinstry, JL, Edelman, GM, und Krichmar, JL (2006). Ein Kleinhirnmodell zur prädiktiven Motorsteuerung, getestet in einem gehirnbasierten Gerät. Proc Natl Acad Sci USA 103, 3387-3392.

[14] Gu, F. J. (2019) Künstliches Gehirn und neuromorphe Strukturtechnik. Nature 41(1):35-43

[15] Abbott, J. et al. (2020) Ein Nanoelektrodenarray zum Erhalten intrazellulärer Aufzeichnungen von Tausenden verbundener Neuronen. Nat. Biomedizin. Eng. 4, 232–241

Dieser Artikel wird vom Science Popularization China Starry Sky Project unterstützt

Produziert von: Chinesische Vereinigung für Wissenschaft und Technologie, Abteilung für Wissenschaftspopularisierung

Hersteller: China Science and Technology Press Co., Ltd., Beijing Zhongke Xinghe Culture Media Co., Ltd.

Besondere Tipps

1. Gehen Sie zur „Featured Column“ unten im Menü des öffentlichen WeChat-Kontos „Fanpu“, um eine Reihe populärwissenschaftlicher Artikel zu verschiedenen Themen zu lesen.

2. „Fanpu“ bietet die Funktion, Artikel nach Monat zu suchen. Folgen Sie dem offiziellen Account und antworten Sie mit der vierstelligen Jahreszahl + Monat, also etwa „1903“, um den Artikelindex für März 2019 zu erhalten, usw.

Copyright-Erklärung: Einzelpersonen können diesen Artikel gerne weiterleiten, es ist jedoch keinem Medium und keiner Organisation gestattet, ihn ohne Genehmigung nachzudrucken oder Auszüge daraus zu verwenden. Für eine Nachdruckgenehmigung wenden Sie sich bitte an den Backstage-Bereich des öffentlichen WeChat-Kontos „Fanpu“.