bedeckt München 11°

Robotik:"Manche Dinge können Maschinen auch besser"

Wer von Matthias Bethge (Universität Tübingen) wissen will, wie viel Gehirn heute in den maschinellen Lernverfahren steckt, muss sich zunächst mit einer Zeichnung begnügen. Auf einer Tafel im Max-Planck-Institut in Tübingen zieht er viele parallele Linien. Es sind die Schichten eines tiefen neuronalen Netzes. Und dazwischen kleine Trichter. Sie sollen den Informationsfluss durch dieses Netz symbolisieren.

Kürzlich hat er Kollegen gezeigt, dass die Objekterkennung in solchen Netzen ganz anders funktioniert als beim Menschen. Aus einem einfachen Grund: Künstliche Netze nutzen Informationen nur bruchstückhaft. Man kann es mit einem Bild vergleichen, das in viele kleine Puzzleteile zerlegt und durcheinandergewürfelt wird. Für Menschen ist es sehr schwierig, den Bildinhalt zu erraten. Der Computer kann aus den zufällig angeordneten Puzzleteilen problemlos das ursprüngliche Bild erkennen. Sogar verschiedene Hunderassen können treffsicher unterschieden werden.

"Das ist ein klarer Hinweis darauf, dass das künstliche Netz den Inhalt eines Bildes ganz anders verarbeitet als das Gehirn", sagt Bethge. Zusammen mit Neurowissenschaftlern versucht er derzeit, genau nachzuvollziehen, welche Bildinformationen in der Netzhaut im Auge extrahiert und an das Gehirn weitergeleitet werden. "Der wichtigste Unterschied zwischen Mensch und der bisherigen KI liegt im Generalisierungsverhalten", sagt der Wissenschaftler aus Tübingen. Etwas wiederzuerkennen, oder noch allgemeiner, etwas aus Erfahrung zu lernen, geht nur, indem manche Details ausgeblendet werden. Die entscheidende Frage lautet dann: Welche Informationen können ignoriert werden und welche sind wichtig?

Bethge versucht, das mit einer Analogie zu verdeutlichen: Ein Spielzeug-Toaster kann noch so realistisch aussehen, ohne Heizdraht wird man damit keine krossen Brote herstellen. Für das Toasten ist der Heizdraht das Entscheidende.

Beim Human Brain Project warnt Bethge deshalb vor falschen Erwartungen. Neuronale Netze werden nicht unbedingt besser, nur weil man sie an das menschliche Gehirn anlehnt. "Manche Dinge können Maschinen auch besser", sagt er. Beispielsweise Muster in großen Datenmengen erkennen - auch wenn das genau eines der Probleme verursacht, mit denen die Forscher kämpfen.

Algorithmen gehen eine Aufgabe ganz anders an, als es Menschen tun. Ihnen fehlt ein Modell der Welt. Das ist wohl einer der Gründe, weshalb Menschen teilweise nur ein einziges Trainingsdatum brauchen, um ein Tier wieder zu erkennen. Sie gleichen es einfach mit ihrem Weltmodell ab: Ein Körper mit vier Beinen, Fell, Schnauze? Klar, dass es sich um ein Tier handeln muss. Der Rest ist Feintuning.

Umgekehrt sind das genau die Eigenschaften, die Algorithmen fehlen: das Körpergefühl, das intuitive Verständnis für die Physik, das Menschen bei der Interaktion mit der Umwelt automatisch mitbekommen. "Wenn man das Gehirn vollständig verstehen will, muss man es auf allen Ebenen verstehen, bis hinunter auf die molekulare Ebene", sagt HBP-Direktor Knoll, "ein biologisches Gehirn ohne Körper existiert nicht." Manche Spezialisten verzichten deshalb auf rein virtuelle Roboter. Stattdessen bauen sie lernende Systeme mit echten Körpern. Also schlaue Roboter.

Vielleicht besteht die Abhängigkeit auch umgekehrt. Gut möglich, dass die Neurowissenschaft die Robotik genauso braucht, um das menschliche Gehirn in seiner Gänze zu verstehen. Sonderlich weit ist man damit aber noch nicht gekommen. Selbst wenn man die Struktur des Menschenhirns in all seinen Details rekonstruieren könnte, weiß man noch lange nicht, wie die einzelnen Komponenten aufeinander wirken. Aktivitäten lassen sich im lebenden Gehirn nur schwer beobachten. Der Computer könnte da weiterhelfen, glauben zumindest manche Experten. Er könnte Vorhersagen erarbeiten, die man hinterher im Experiment überprüft. "Sollten Simulationsvorhersagen im Experiment eintreten, hat man einen Teil des Gehirns verstanden", sagt Marcel Oberlaender von der Max-Planck-Gruppe in Bonn.

86 Milliarden

Nervenzellen besitzt das menschliche Gehirn. Früher ging man von einer weitaus größeren Zahl aus. Inzwischen sind die Berechnungen aber genauer. Das haben Wissenschaftler festgestellt, indem sie Gehirne aus Leichen entnommen und homogenisiert haben. Die entnommenen Proben verfügen über eine durchschnittliche Verteilung von Zellen und sind repräsentativ für das ganze Gehirn.

Oberlaender will sich nicht zu sehr von den Unterschieden zwischen künstlichen und biologischen Netzwerken einschränken lassen. Er glaubt sehr wohl, dass man vom einen aufs andere schließen kann. Als Beispiel nennt auch er die unterschiedliche Informationsverarbeitung. Es sei nun mal so, dass künstliche Netze Informationen hierarchisch von einer Schicht zur nächsten weitergeben. Verglichen mit der Biologie ist das ein grundverschiedener Vorgang. Im menschlichen Gehirn gibt es jede Menge Querverbindungen innerhalb der Schichten, sie heißen Loops und sorgen dafür, dass Informationen hin- und her geschickt werden.

Zur SZ-Startseite

Lesen Sie mehr zum Thema