KI-Grafikmodelle funktionieren anders als das menschliche Gehirn
Eine neue Studie der York University widerlegt die Annahme, dass künstliche neuronale Netze die biologischen Sehmechanismen des Primatenhirns exakt nachahmen, da interne KI-Strukturen nicht mit derselben Präzision aus biologischen Daten ableitbar sind wie umgekehrt. Die Forscher warnen davor, dass diese Diskrepanz die Validität ützten Modellen für klinische Anwendungen wie Autismus oder posttraumatische Belastungsstörungen gefährdet, und stellen ein offenes Bewertungswerkzeug zur Überprüfung der Übereinstimmung bereit.
Kurzfassung
Warum das wichtig ist
- Eine neue Studie der York University widerlegt die Annahme, dass künstliche neuronale Netze die biologischen Sehmechanismen des Primatenhirns exakt nachahmen, da interne KI-Strukturen nicht mit derselben Präzision aus biologischen Daten ableitbar sind wie umgekehrt.
- Die Forscher warnen davor, dass diese Diskrepanz die Validität ützten Modellen für klinische Anwendungen wie Autismus oder posttraumatische Belastungsstörungen gefährdet, und stellen ein offenes Bewertungswerkzeug zur Überprüfung der Übereinstimmung bereit.
- Die Annahme, dass neuronale Netze beim Erkennen das Primatenhirn durchlaufen, bildet eine der grundlegenden Sulen des modernen computergesttzten Neurowissenschaften.
SvyTech-Check
Redaktionelle Einordnung
Kernpunkt
Die Forscher warnen davor, dass diese Diskrepanz die Validität ützten Modellen für klinische Anwendungen wie Autismus oder posttraumatische Belastungsstörungen gefährdet, und stellen ein offenes...
Warum relevant
Eine neue Studie, die durchgefhrt und in der Zeitschrift Nature Machine Intelligence verffentlicht wurde, zeigt jedoch, dass diese hnlichkeit mglicherweise viel oberflchlicher ist, als bisher angenommen.
Einordnung
SvyTech ordnet die Meldung aus scitechdaily.com als Teil des Themenfelds Technologie ein und verweist auf den Originalartikel, damit Leser Fakten, Quelle und Kontext nachvollziehen koennen.
Eine neue Studie, die durchgefhrt und in der Zeitschrift Nature Machine Intelligence verffentlicht wurde, zeigt jedoch, dass diese hnlichkeit mglicherweise viel oberflchlicher ist, als bisher angenommen.
Das vom Forschungsteam unter der Leitung Muzellec gefhrte Projekt hat festgestellt, dass die interne Funktionsweise biologischen Sehmechanismen bereinstimmt. Zweirichtiger Vergleichstest Bisher haben Wissenschaftler einseitige Tests angewendet, um zu messen, inwieweit KI-Modelle biologische Gehirnaktivitten erfolgreich vorhersagen knnen.
Das Team der York University hat diesen Testprozess umgekehrt und ein neues Verfahren entwickelt. Wenn KI-Modelle die Sehfunktion des Gehirns tatschlich nachahmen, mssten die neuronalen Aktivitten im Gehirn die Reaktionen in den internen Schichten der KI vorhersagen knnen.
Technik und Auswirkungen
Um diese Hypothese zu testen, entwickelten die Forscher eine bidirektionale Metrik fr rckwrts gerichtete Vorhersagen. Zur Validierung des Verfahrens wurden KI-Modelle und biologische Probanden mit 1.320 natrlichen und synthetischen Bildern getestet.
Quellenprofil
Quelle und redaktionelle Angaben
- Quelle
- scitechdaily.com
- Canonical
- https://svytech.de/artikel/ki-grafikmodelle-funktionieren-anders-als-das-menschliche-gehirn
- Quell-URL
- https://scitechdaily.com/scientists-discover-ai-models-may-not-think-like-the-brain-after-all/
Aehnliche Inhalte
Verwandte Themen und interne Verlinkung
Weitere Artikel aus aehnlichen Themenfeldern, damit Leser direkt im selben Kontext weiterlesen koennen.
Ehemaliger Intel-Chef gesteht: NVIDIA-Grafikkarten wurden unterschätzt
Der ehemalige Intel-CEO Pat Gelsinger kritisierte in einem Podcast die strategischen Fehler der Vorperiode, bei der stattdessen 100 Milliarden Dollar an Aktionäre ausgeschüttet wurden, was zum Verlust der Marktführerschaft beitrug, und hob gleichzeitig die aktuellen Bemühungen zur Kapazitätsausweitung sowie die Risiken der Abhängigkeit vom taiwanischen Hersteller TSMC hervor. Zudem prognostizierte Gelsinger, dass Fortschritte im Quantencomputing, insbesondere durch Partnerschaften mit Unternehmen wie PsiQuantum, grundlegende Hindernisse überwinden und vor 2030 bahnbrechende Ergebnisse in Bereichen wie Chemie, Biologie und Logistik liefern werden.
17.07.2026
