Geschrieben von Qubic Scientific Team
Stellen Sie sich ein Gebäude mit dreißig Personen vor. Zu wissen, wie viele es gibt, trägt wenig bei. Was wirklich erklärt, was passiert, ist, wer von wem abhängt, wer ein Sohn, Vater, Ehefrau, Ehemann ist, wer das Gebäude koordiniert, wer der Präsident der Gemeinschaft ist, wer der Pförtner, der Zusteller, der Eigentümer oder der Mieter ist. Die Dynamik der Gruppe liegt nicht in der Anzahl, sondern in der Struktur der Beziehungen. Es ist das Wesen des sozialen Gehirns, das wir sind.
Im Gehirn ist das Connectome (https://en.wikipedia.org/wiki/Connectome) ähnlich wie im vorherigen Beispiel: eine vollständige Beschreibung dieser dynamischen Struktur. Der Schlüssel liegt nicht in der Karte, sondern im Verständnis, welche Art von Dynamik aus ihr entstehen kann, wenn sie aktiviert wird. Im Gebäude, was geschieht, wenn der Sohn einer Familie in eine andere Stadt zieht, wenn sich ein Paar trennt und Wohnungen verfügbar werden, wenn der Präsident wechselt, wenn neue Nachbarn ankommen. Um dies biologisch zu verstehen, kartieren Wissenschaftler das Connectome von Organismen, die einfacher sind als Homo sapiens. In diesem aktuellen Papier analysieren sie das Connectome der Fruchtfliege: Drosophila melanogaster (https://www.nature.com/articles/s41586-024-07558-y).
Die zugrunde liegende Idee ist tiefgründig: In biologischen Systemen ist ein Teil der Intelligenz nicht erlernt; sie ist bereits in der Architektur enthalten. Dieses Konzept, bekannt als starke architektonische Prioritäten (https://www.nature.com/articles/s41467-019-11786-6), stellt das vorherrschende Paradigma der KI in Frage, das ausschließlich auf Lernen aus Daten angewiesen ist.
Das vollständige Connectome des Fruchtfliegengehirns: Ein Meilenstein in der Kartierung neuronaler Schaltkreise
Das vollständige Connectome des Fliegengehirns, mehr als 125.000 Neuronen und etwa 50 Millionen Synapsen, ist nicht nur eine technische Errungenschaft, sondern eine neue computergestützte Analyseeinheit (Shiu et al., 2024). Zum ersten Mal können wir ein komplettes Nervensystem als nahezu geschlossenen funktionalen Graphen untersuchen. Das FlyWire-Projekt, ein von Princeton geleitetes Konsortium von über 200 Forschern aus 127 Institutionen, machte dieses whole-brain Connectome durch eine Kombination aus KI-unterstützter Segmentierung, Bürgerwissenschaft und Expertenkorrektur möglich.
Spiking Neural Network Modell: Wie Konnektivität sensorimotorische Berechnung antreibt
Darauf aufbauend erstellen die Autoren ein sehr einfaches Modell. Sie konstruieren ein Netzwerk von Neuronen (leaky integrate-and-fire-Typ: https://neuronaldynamics.epfl.ch/online/Ch1.S3.html), wo die Aktivität gemäß der synaptischen Konnektivität und der Art des Neurotransmitters propagiert wird (Gerstner et al., 2014; Shiu et al., 2024). Es ist kein Training erforderlich. Das spiking neural network „lernt“ nicht im klassischen Sinne, sondern führt aus, was seine Struktur zulässt. Ähnlich wie im Beispiel des Gebäudes, wo die Funktionen und Verbindungen zwischen den Mitgliedern der Gemeinschaft ihre Verhaltensweisen leiten und vorkonfigurieren.
Das von den Forschern entwickelte Modell ist in der Lage, vollständige sensorimotorische Transformationen vorherzusagen. Wenn sie gustatorische Neuronen aktivieren, ermöglicht es ihnen, vorherzusagen, welche motorischen Neuronen aktiviert werden, und diese Vorhersagen werden experimentell mithilfe einer Technik namens Optogenetik validiert (Shiu et al., 2024). Das heißt, die Funktion entsteht direkt aus der Architektur. Das heißt, indem sie manipulieren, wie die Fliege Reize in Bezug auf Geschmack sammelt und konstruiert, können sie wissen, wie sie reagieren wird. Konnektivität ist nicht nur eine Unterstützung; sie ist auch Berechnung (Bargmann & Marder, 2013).
Architektonische Prioritäten: Intelligenz kodiert, bevor das Lernen beginnt
In der Biologie starten Gehirne nicht leer. Ein Organismus wird mit organisierten Schaltkreisen geboren, die von Anfang an funktionale Verhaltensweisen ermöglichen. In einfachen Systemen wie C. elegans oder anderen Insekten wird ein Großteil der funktionalen Dynamik direkt durch die Konnektivität bedingt (Winding et al., 2023; Scheffer & Meinertzhagen, 2021). Wenn ein vollständiges Connectome rekonstruiert wird, erscheinen wiederkehrende Muster. Dies sind Rückkopplungsschleifen, wettbewerbsfähige hemmende Schaltkreise, hochgerichtete sensorimotorische Wege. Diese Muster sind nicht das Ergebnis von Lernen in Echtzeit, sondern von evolutionären Prozessen, die, um es so zu sagen, „Lösungen“ in ihre eigene Struktur „kodiert“ haben.
In der tiefen Lernens beginnen Netzwerke jedoch mit willkürlich initialisierten Parametern und Intelligenz, oder besser gesagt deren Erscheinung, entsteht durch Optimierung mit großen Datenmengen (LeCun, Bengio, & Hinton, 2015). Architektur führt zu Verzerrungen, aber durch das Training werden sie allmählich bis zu einem gewissen Grad geglättet, rein durch rechnerische Skalierbarkeit.
Das Connectome der Fruchtfliege deutet auf eine andere Möglichkeit hin: Ein Teil der Intelligenz könnte bereits vor dem Lernen in der Struktur liegen. Dies eröffnet ein alternatives Paradigma für gehirn-inspirierte künstliche Intelligenz, da Architekturen, die bereits nützliche rechnerische Eigenschaften enthalten, die Rolle des Lernens verstärken. Dieser Ansatz wurde als Verwendung starker architektonischer Prioritäten oder connectome-basierter Ansätze formuliert (Zador, 2019).
Energieeffizienz in neuronaler Berechnung: Warum die Gehirnarchitektur wichtig ist
Es gibt auch ein physikalisches Argument, das diese Idee verstärkt: Effizienz. Das Gehirn einer Fliege führt komplexe Aufgaben mit sehr niedrigem Energieverbrauch aus. Dies deutet darauf hin, dass Effizienz nicht von der Anzahl der Parameter abhängt, sondern davon, wie neuronale Schaltkreise organisiert sind (Laughlin & Sejnowski, 2003). Connectomes ermöglichen es uns, genau diese Organisation explizit zu studieren. Dieses Prinzip steht im Mittelpunkt des wachsenden Feldes des neuromorphen Rechnens, das darauf abzielt, Hardware und Algorithmen zu entwickeln, die die bemerkenswerte Energieeffizienz des Gehirns widerspiegeln.
Einschränkungen des Drosophila-Connectomes: Warum ein Gehirnverdrahtungsdiagramm nicht ausreicht
Das Papier hat in letzter Zeit an Sichtbarkeit gewonnen, aber es ist wichtig, es richtig einzuordnen.
Das Connectome der Fliege erlaubt keine vollständige Vorhersage des Verhaltens. Es ermöglicht eine ziemlich genaue Vorhersage einiger lokaler sensorimotorischer Transformationen, wie welche Neuronen aktiviert werden oder welche Knoten für eine Reaktion notwendig sind, aber es stellt keine vollständige Theorie des Verhaltens dar. Die Arbeit selbst erkennt klare Einschränkungen an, da das Modell Neuromodulation, interne Zustände, extrasynaptische Signalisierung oder nachhaltige basale Aktivität nicht angemessen berücksichtigt und auf stark vereinfachten Annahmen basiert, wie einer Null-Basis-Feuerrate, das heißt, ohne spontane Aktivität, die sehr unterschiedlich ist von realem biologischen Verhalten, wo das Gehirn jederzeit aktiv ist (Shiu et al., 2024). Hier beschreibt das Connectome eher eine Struktur von Möglichkeiten, aber nicht die komplette Dynamik des Systems. Dasselbe Netzwerk kann je nach internem Zustand, vorheriger Geschichte oder Kontext unterschiedliche Verhaltensweisen hervorrufen. Diese Idee ist gut etabliert: Konnektivität schränkt Dynamik ein, bestimmt sie aber nicht vollständig (Marder & Bucher, 2007; Bargmann, 2012). In Ihrer Wohngegend prägen Beziehungen eine hohe Wahrscheinlichkeit von Funktionen und Verhaltensweisen, fixieren sie aber nicht. Wenn ein unerwartetes Ereignis eintritt, wie eine Party, ein Treffen oder ein Stromausfall, werden die Menschen entsprechend dem Kontext handeln, nicht nur basierend auf ihrem strukturellen Connectome. Das Papier hat betont, dass „ein Connectome nicht genug ist“, um ein Gehirn zu verstehen (Scheffer & Meinertzhagen, 2021).
Das menschliche Gehirn: Jenseits der strukturellen Konnektivität
Diese Einschränkung wird noch klarer, wenn wir den menschlichen Fall betrachten. Selbst wenn wir ein vollständiges menschliches Connectome hätten, was heute nicht existiert und dessen Verfügbarkeit ungewiss ist, wäre es nicht ausreichend, um Verhalten vollständig zu verstehen. Es würde dazu dienen, strukturelle Einschränkungen abzustecken, organisatorische Prinzipien zu verstehen und dynamische Modelle zu verbessern, aber menschliches Verhalten hängt auch von Entwicklung, Plastizität, dem Körper, Endokrinologie, Sprache, Kultur und sozialem Kontext ab.
Aktuelle Studien, die versuchen, Verhalten aus der Gehirnkonnektivität vorherzusagen, zeigen klare Einschränkungen, bei denen die Effektgrößen bescheiden und stark von der Stichprobengröße abhängig sind (Marek et al., 2022). Daher wäre die Vorstellung, dass ein menschliches Connectome es uns ermöglichen würde, Verhalten vollständig „zu lesen“, eine Überinterpretation.
Vom Connectome zu Neuraxon: QUBICs gehirn-inspirierter KI-Ansatz
In Neuraxon wissen wir, dass Architektur Berechnung enthält, dass sie emergente Intelligenz unterstützt und wahrscheinliche Verhaltensweisen induziert. Aber wir wissen auch, dass sie nicht ausreicht, weshalb wir reiche interne Dynamiken, Neuromodulation und Zustände hinzufügen. Neuraxon zielt darauf ab, sich in diesem Raum zu positionieren. Es führt endogene Aktivität, Neuromodulatoren, multiple zeitliche Skalen und Plastizität ein und versucht, mehrere Funktionen des menschlichen Gehirns zu simulieren, nicht nur strukturelle. Wie in unserem tiefen Einblick in neuronale Netzwerke in KI und Neurowissenschaften untersucht, ist die Kluft zwischen biologischen und künstlichen neuronalen Netzwerken genau das, was Neuraxon überbrückt.
Aigarth geht diesen Ansatz einen Schritt weiter. Das Connectome der Fliege ist ein geschlossenes System. Aigarth schlägt Systeme vor, in denen sich die Struktur entwickeln kann, die Dynamik kontinuierlich ist und die Funktion ohne explizites Training entsteht. Hier ist Intelligenz nicht nur das Ergebnis von Optimierung, sondern eine Eigenschaft organisierter dynamischer Systeme (Friston, 2010).
Von der Optimierung zur Organisation: Die Zukunft der künstlichen Intelligenz
Insgesamt löst das Connectome der Drosophila nicht das Problem des Verhaltens, sondern zeigt uns die Bedeutung des Ausgangspunkts und der Anfangsstruktur. Es zeigt uns, dass ein erheblicher Teil der Intelligenz in der Architektur liegt. Aber zwischen Architektur und Verhalten gibt es immer noch Dynamik, Zustand, Geschichte und Kontext.
Wir müssen von Optimierung (LLMs) zu Organisation (Aigarth) übergehen. Wir sind fest davon überzeugt, dass dies einer der relevantesten Übergänge in der Zukunft der künstlichen Intelligenz ist. Selbst eine Fliege hilft uns, diese Ideen zu verteidigen.
Erforschen Sie die vollständige Neuraxon Intelligence Academy
Die Fruchtfliege hat bewiesen, dass Intelligenz mit der Architektur beginnt. Neuraxon baut auf diesem Prinzip auf. Erforschen Sie, wie gehirn-inspirierte KI auf QUBIC Gestalt annimmt, beginnen Sie mit der Neuraxon Intelligence Academy.
NIA Band 1: Warum Intelligenz nicht in Schritten, sondern in der Zeit berechnet wird— Untersucht, warum biologische Intelligenz in kontinuierlicher Zeit arbeitet und nicht in diskreten Berechnungsschritten wie traditionelle LLMs.
NIA Band 2: Ternäre Dynamik als Modell lebendiger Intelligenz — Erklärt ternäre Dynamik und warum dreistufige Logik (exzitatorisch, neutral, inhibitorisch) für die Modellierung lebender Systeme wichtig ist.
NIA Band 3: Neuromodulation und gehirn-inspirierte KI — Behandelt Neuromodulation und wie die chemischen Signale des Gehirns (Dopamin, Serotonin, Acetylcholin, Noradrenalin) die Architektur von Neuraxon inspirieren.
NIA Band 4: Neuronale Netzwerke in KI und Neurowissenschaften — Ein tiefer Vergleich biologischer neuronaler Netzwerke, künstlicher neuronaler Netzwerke und Neuraxons Ansatz des dritten Weges.
NIA Band 5: Astrozyten und gehirn-inspirierte KI — Untersucht, wie Astrozyten die synaptische Plastizität über die tripartite Synapse regulieren und wie Neuraxon das astrozytische Gating integriert, um das Stabilitäts-Plastizitäts-Dilemma zu adressieren, wodurch das Netzwerk lokal steuern kann, wann, wo und wie viel gelernt wird.
Qubic ist ein dezentralisiertes, Open-Source-Netzwerk für experimentelle Technologie. Um mehr zu erfahren, besuchen Sie qubic.org. Nehmen Sie an der Diskussion auf X, Discord und Telegram teil.
Referenzen
Bargmann, C. I. (2012). Jenseits des Connectomes: Wie Neuromodulatoren neuronale Schaltkreise formen. BioEssays, 34(6), 458–465.
Bargmann, C. I., & Marder, E. (2013). Vom Connectome zur Gehirnfunktion. Nature Methods, 10(6), 483–490.
Friston, K. (2010). Das Prinzip der freien Energie: Eine einheitliche Gehirntheorie? Nature Reviews Neuroscience, 11(2), 127–138.
Gerstner, W., Kistler, W. M., Naud, R., & Paninski, L. (2014). Neuronale Dynamik. Cambridge University Press.
Laughlin, S. B., & Sejnowski, T. J. (2003). Kommunikation in neuronalen Netzwerken. Science, 301(5641), 1870–1874.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436–444.
Marek, S., et al. (2022). Reproduzierbare gehirnweite Assoziationsstudien erfordern Tausende von Individuen. Nature, 603, 654–660.
Marder, E., & Bucher, D. (2007). Verständnis der Schaltkreisdynamik. Annual Review of Physiology, 69, 291–316.
Scheffer, L. K., & Meinertzhagen, I. A. (2021). Ein Connectome ist nicht genug. Journal of Experimental Biology, 224.
Shiu, P. K., Sterne, G. R., Spiller, N., et al. (2024). Ein rechnerisches Gehirnmodell der Drosophila offenbart sensorimotorische Verarbeitung. Nature.
Winding, M., et al. (2023). Das Connectome eines Insektengehirns. Science, 379.
Zador, A. M. (2019). Eine Kritik des reinen Lernens. Nature Communications, 10, 3770.
Quelle: https://qubic.org/blog-detail/fruit-fly-connectome-drosophila-brain-architecture-ai-qubic