„Eine Stubenfliege stellt jeden Roboter in den Schatten“

Wo stand damals die Hirnforschung, Herr Singer?
Es gab einen vielversprechenden Ansatz, der auf Theorien der Verhaltensforschung, des Behaviorismus, beruhte. Das Gehirn wurde als Reiz-Reaktions-Maschine betrachtet: Über die Sinnesorgane wird ein Reiz aufgenommen und in neuronale Erregung umgewandelt, die durch die Schichten eines hierarchisch aufgebauten Systems fließt. An der Spitze dieser Verarbeitungspyramide, so die Vermutung, würden dann alle Informationen gebündelt und bildeten die Grundlage von Wahrnehmungen, Entscheidungen und schließlich motorischen Reaktionen.

Und so ist es nicht?
Wir haben inzwischen gelernt, dass das Gehirn völlig anders aufgebaut ist. Es gibt nicht diesen einen Chef, der an der Spitze des Systems sitzt und der sagt: ‚Ich beschließe jetzt.‘ Die meisten Funktionen des Gehirns erfolgen parallel und deren Koordination organisiert sich selbst. Das Gehirn ist ständig aktiv und formuliert auf der Basis von gespeichertem Wissen Hypothesen, die es mit eintreffenden Signalen abgleicht. Wir haben einen ungeheuren Schatz an Vorwissen, der das Wenige, das über sensorische Signale vermittelt wird, ständig interpretiert, ordnet, hinterfragt und letztlich zu Wahrnehmungen verarbeitet.

Was ist denn dann ein Gedanke?
Ein Gedanke, eine Wahrnehmung oder auch eine Entscheidung beruht auf extrem komplexen, raumzeitlich strukturierten Wolken von neuronaler Aktivität, die sich in einem hochdimensionalen System konfigurieren.

Wie bitte?
Diese Deutung lässt sich gegenwärtig nicht weiter reduzieren.

Herr Singer, es gibt so viele Theorien über das Funktionieren des Gehirns – was wissen Sie und Ihre Kollegen eigentlich gesichert?
Aufgrund der modernen Methoden wächst das Wissen derzeit exponentiell – es ist wirklich erstaunlich, welche Fortschritte da in den vergangenen zwei, drei Jahrzehnten erzielt worden sind. Man weiß viel über die integrativen Eigenschaften von einzelnen Neuronen und auch über die Art, wie sie verschaltet sind. Also: Was die Komponenten machen, die Schaltelemente, das wissen wir ziemlich gut. Aber das genügt nicht. Wir müssen die Algorithmen verstehen, nach denen sie zusammenarbeiten. Und das ist das große Problem.

Das klingt recht abstrakt.
Dann versuche ich es anschaulicher: Stellen Sie sich vor, Sie hätten drei unabhängige Pendel. Deren Schwingungen lassen sich mit einem einfachen mathematischen Formalismus berechnen. Und jetzt kommt der nächste Schritt: Wenn Sie die drei Pendel mit einem Gummifaden koppeln, sodass sich deren Schwingungen gegenseitig beeinflussen, dann entsteht eine hochkomplexe nicht lineare Dynamik, die sich mathematisch nicht mehr fassen lässt. Ähnlich verhält es sich mit der Dynamik neuronaler Netzwerke – nur dass wir da nicht von drei Neuronen reden, sondern von vielen Milliarden Neuronen, die alle untereinander verkoppelt sind. Die Netzwerke in unserem Gehirn entwickeln eine Dynamik, deren Komplexität wir uns schlicht nicht vorstellen können.

Werden die Maschinen irgendwann klüger sein als die Menschen?
Das ist der Hype um künstliche Intelligenz und Deep Learning. Diese Maschinen sind auf dem neurobiologischen Wissen der 1960er-Jahre aufgebaut. Sie basieren auf einer seriellen Kombination von Signalen in einem hierarchisch aufgebauten System von hintereinander geschalteten Schichten. Diese weisen in der Tat einige Merkmale neuronaler Netze auf. Über gezielte, oft millionenfach wiederholte Justierung der Verbindungen wird dafür gesorgt, dass unterschiedlichen Mustern an der Eingangsschicht eindeutige Aktivitätsprofile in der Ausgangsschicht zugeordnet werden. In diesen Systemen fehlen aber wesentliche Merkmale natürlicher neuronaler Netze. Es gibt keine Rückkopplungsschleifen von den höheren zu den tieferen Schichten und auch in den Schichten fehlen Verbindungen zwischen den Knoten, den Schaltelementen der Netze. Zudem erfolgt die Justierung der Verbindungen nach gänzlich anderen Prinzipien als das Lernen in natürlichen Systemen.

Dafür funktioniert die künstliche Intelligenz aber recht gut, oder?
Deshalb gehen nicht wenige davon aus, dass auch natürliche Systeme so funktionieren würden und drängende Fragen der Hirnforschung somit beantwortet wären. Leider ist dem nicht so, weil die Evolution bei der Entwicklung von Gehirnen andere Wege beschritten hat. Dies ist der Grund, warum Gehirne gerade solche Probleme gut bewältigen, an denen Supercomputer scheitern; warum sie so schnell sind, obgleich Neuronen unendlich viel langsamer arbeiten als elektronische Schaltelemente; und warum sie so wenig Energie verbrauchen wie eine Glühbirne, während Supercomputer so viel Strom benötigen wie eine Kleinstadt.

Kann die künstliche Intelligenz diese Differenzen nicht noch aufholen?
Natürlich kann die Technik jetzt schon vieles, was wir nicht können – eine Schachpartie gewinnen zum Beispiel. Alles, was sich über repetitives Lernen von Zuordnungen oder durch Ausrechnen bewältigen lässt, gelingt gut. Auch mein Taschenrechner kann besser multiplizieren als ich, aber er ist halt trotzdem bloß ein etwas eleganterer Rechenschieber. Selbst das, was eine Stubenfliege kann, stellt jeden Roboter in den Schatten: Sie kann ein autonomes Dasein führen, sich in einer gefahrvollen Umgebung zurechtfinden und reproduzieren.

20 Jahre Communicator-Preis - Grund genug für MERTON, die bisherigen 20 Preisträger in einer besonderen Bild- und Artikelserie zu würdigen. Nicht nur der Fotograf Christian Bohnenkamp setzt die Protagonisten in stimmungsvolles Licht, auch der Autor Kilian Kirchgeßner bringt sie in seinen Texten zum Leuchten. Wer die ausdrucksstarke Bilder einmal aus der Nähe sehen will: Das Wissenschaftszentrum Bonn präsentiert die Werke voraussichtich im Sommer 2021 in einer kleinen Retrospektive. 

Alle Folgen dieser Serie