Navigating Simply, Aligning Deeply: Winning Solutions for Mouse vs. AI 2025
Das Team HCMUS_TheFangs erzielte in beiden Tracks des NeurIPS 2025 Mouse vs. AI-Wettbewerbs siegreiche Ergebnisse, indem es demonstrierte, dass leichte, einfache Architekturen bei der visuellen Robustheit exzellent sind, während tiefere, hochkapazitive Modelle bei der neuronalen Ausrichtung überlegen sind, was offenbart, dass die optimale Leistung davon abhängt, die architektonische Komplexität an die spezifischen Aufgabenziele anzupassen, anstatt lediglich die Modellgröße zu maximieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich einen Wettbewerb vor, bei dem künstliche Intelligenz-Agenten gegen echte Mäuse um die Wette laufen, um einen versteckten Ball in einem 3D-Labyrinth zu finden. Aber es gibt eine Wendung: Der Wettbewerb hat zwei verschiedene Richter mit sehr unterschiedlichen Zielen.
Der Wettbewerb: „Maus vs. KI“
Denken Sie an das wie bei einer Fahrprüfung.
- Track 1 (Der „Schlechtes Wetter“-Test): Der erste Richter möchte sehen, ob die KI das Labyrinth auch dann durchfahren kann, wenn sich das Wetter ändert. Was ist, wenn es plötzlich neblig wird? Was ist, wenn das Licht flackert oder die Sonne untergeht? Das Ziel hier ist Robustheit – kann die KI weiterarbeiten, wenn es unordentlich wird?
- Track 2 (Der „Hirnscan“-Test): Der zweite Richter kümmert sich nicht darum, ob die KI das Rennen gewinnt. Stattdessen möchte er wissen: Funktioniert das Gehirn der KI wie das Gehirn einer Maus? Er hat Aufzeichnungen von 19.000 echten Mausneuronen, die feuern, während die Mäuse durch das Labyrinth laufen. Das Ziel hier ist Alignment (Anpassung) – sieht die interne Verarbeitung der KI biologisch aus?
Die große Überraschereiung: Einfach vs. Komplex
Das Team von der University of Science, VNU-HCM (Team HCMUS_TheFangs) nahm am Wettbewerb teil und machte eine überraschende Entdeckung: Einheitsgrößen passen nicht für alle.
1. Für den „Schlechtes Wetter“-Test (Track 1): Halten Sie es einfach
Das Team versuchte, ein superkomplexes KI-Gehirn mit vielen Schichten zu bauen (wie ein tiefes neuronales Netz). Es war, als würde man der KI eine riesige, komplizierte Enzyklopädie zum Auswendiglernen geben.
- Was passierte: Die komplexe KI lernte das Trainings-Labyrinth perfekt auswendig, aber sie erstarrte, als der Nebel aufzog. Sie war zu spezifisch.
- Die Gewinnlösung: Sie wechselten zu einem winzigen, zwei-schichtigen Gehirn (einem „SimpleCNN“). Denken Sie an einen straßenschlauen Einheimischen, der die allgemeinen Verkehrsregeln kennt, aber nicht jedes Detail überanalysiert.
- Das Geheimrezept: Sie fügten zwei einfache Werkzeuge hinzu:
- Normalisierung: Dies ist wie das Aufsetzen einer Sonnenbrille. Es hilft der KI, plötzliche Änderungen in Helligkeit oder Farbe zu ignorieren und sich nur auf die Form des Pfades zu konzentrieren.
- Gating (GLU): Dies wirkt wie ein Türsteher in einem Club. Es lässt nützliche Informationen hinein, blockiert aber „Rauschen“ oder verwirrendes visuelles Statik-Rauschen.
- Das Ergebnis: Diese einfache, „straßenschlaue“ KI gewann mit einem Score von 95,4 %. Sie bewies, dass man für das Überleben in seltsamem Wetter keinen Supercomputer braucht, sondern ein einfaches, anpassungsfähiges System.
2. Für den „Hirnscan“-Test (Track 2): Gehen Sie in die Tiefe
Als sich das Ziel änderte und es darum ging, ein Mäusegehirn nachzuahmen, kehrte sich die Strategie um. Die winzige KI war nicht gut genug.
- Das Problem: Ein Mäusegehirn ist eine massive, komplexe Hierarchie. Es verarbeitet einfache Kanten, dann Formen, dann Objekte, alles gleichzeitig. Eine winzige KI konnte diese Tiefe einfach nicht erfassen.
- Die Gewinnlösung: Sie bauten ein tiefes, 16-schichtiges ResNet. Denken Sie an eine massive Bibliothek mit 17,8 Millionen Büchern (Parametern). Es besitzt genug „Gehirnleistung“, um die komplexe, vielschichtige Art und Weise zu verstehen, wie eine Maus die Welt sieht.
- Das Ergebnis: Dieses tiefe, komplexe Modell belegte den ersten Platz für die neuronale Anpassung. Es zeigte, dass man, um die Biologie nachzuahmen, tatsächlich ein großes, komplexes Gehirn benötigt.
Die Entdeckung des „Sweet Spot“
Das Team bemerkte auch etwas Merkwürdiges bezüglich der Trainingszeit. Man könnte denken: „Wenn ich die KI länger trainiere, wird sie besser.“
- Die Realität: Es ist keine gerade Linie. Sie testeten Modelle, die für unterschiedliche Zeiten trainiert wurden (von 60.000 Schritten bis über 1 Million).
- Die Erkenntnis: Die besten Modelle wurden oft um die 200.000 Schritte herum gefunden. Wenn sie zu lange trainierten (wie 1 Million Schritte), wurden die Modelle tatsächlich schlechter.
- Die Analogie: Es ist wie das Lernen für eine Prüfung. Wenn du ein wenig lernst, weißt du nichts. Wenn du genau richtig viel lernst, bestehst du die Prüfung mit Bravour. Aber wenn du tagelang ohne Pause durchlernst, brennst du aus, vergisst die Grundlagen und machst dumme Fehler. Das „perfekte“ Modell war dasjenige, das das Training genau dann stoppte, bevor es anfing, die Dinge zu überanalysieren.
Was scheiterte?
Das Team probierte viele ausgeklügelte Ideen aus, die nicht funktionierten:
- InceptionNet: Eine sehr komplexe Architektur, die schlichtweg sich weigerte, etwas zu lernen.
- Data Augmentation: Sie versuchten, die Trainingsbilder künstlich seltsam aussehen zu lassen (Regen, Nacht usw.), um der KI etwas beizubringen. Überraschenderweise machte dies die KI schlechter. Es war, als würde man versuchen, jemandem das Autofahren beizubringen, indem man ihm Fotos von brennenden Autos zeigt; es verwirrte die KI eher, als dass es half.
- LSTMs (Gedächtnis): Sie versuchten, der KI ein „Gedächtnis“ zu geben, damit sie sich an vergangene Frames erinnern kann. Dies zerstörte die Fähigkeit der KI, das 2D-Bild klar zu sehen, und machte sie tollpatschig.
Das Fazit
Das Paper schließt mit einer klaren Lektion ab:
- Wenn Sie eine KI wollen, die in wechselnden Umgebungen hart im Nehmen und zuverlässig ist, halten Sie es einfach. Überkonstruieren Sie sie nicht.
- Wenn Sie eine KI wollen, die Biologie nachahmt, benötigen Sie Komplexität und Tiefe, um der Reichhaltigkeit eines lebenden Gehirns zu entsprechen.
Das Team hat nicht nur einen Gewinner gefunden; es hat gezeigt, dass das „beste“ KI-Design völlig davon abhängt, was man eigentlich erreichen will. Manchmal ist weniger mehr; manchmal braucht man die ganze Bibliothek.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.