A battery of image classification challenges reveals shared and distinct object categorization behavior across monkeys, humans, and deep networks

Die Studie zeigt, dass Affen ohne Sprachkenntnisse komplexe Bildklassifizierungsaufgaben erlernen und dabei Fehlermuster aufweisen, die menschlichen Urteilen ähneln, während ihre Leistung stärker mit sprachunabhängigen visuellen Deep-Learning-Modellen korreliert als die von Menschen.

Das Wesentliche

Das große Bild-Raten-Spiel: Affen, Menschen und Computer im Vergleich

Stellen Sie sich vor, Sie spielen ein Spiel, bei dem Sie Bilder von Gegenständen sehen müssen und schnell entscheiden sollen: „Ist das lebendig oder tot?", „Ist das natürlich oder künstlich?" oder „Ist das ein Säugetier oder ein Reptil?".

Wissenschaftler haben dieses Spiel mit drei Gruppen gespielt:

1. Menschen (die das natürlich sofort verstehen).
2. Rhesusaffen (die keine Sprache haben und nur mit Bildern lernen).
3. Künstliche Intelligenz (KI) – also Computer-Programme, die wie menschliche Augen funktionieren.

Das Ziel war herauszufinden: Wie gut können Affen abstrakte Kategorien verstehen, ohne dass ihnen jemand etwas erklärt? Und wie ähnlich sind sie dabei uns Menschen oder einer reinen Bild-KI?

---

1. Das Spiel: Der „Zieh-und-Sortiere"-Trick

Normalerweise ist es für Affen schwer, komplexe Regeln zu lernen. Die Forscher haben aber einen cleveren Trick angewendet:

• Der Affe sieht ein Bild (z. B. einen Hund).
• Er muss das Bild mit dem Finger auf dem Touchscreen greifen und in eine der zwei Boxen ziehen.
• Eine Box bedeutet „Lebendig", die andere „Totes Ding".
• Wenn er richtig liegt, gibt es Saft als Belohnung.

Die Analogie: Stellen Sie sich vor, Sie lernen, Wäsche zu sortieren. Am Anfang sortieren Sie vielleicht nur nach Farbe. Aber nach ein paar Tagen verstehen Sie plötzlich das Prinzip: „Alles, was man anzieht, kommt in den Korb links, alles andere rechts." Die Affen haben genau das geschafft: Sie haben die Regel verstanden, nicht nur das einzelne Bild auswendig gelernt.

2. Was die Affen konnten (und was nicht)

Die Affen waren überraschend schlau!

• Leicht: Sie lernten schnell, lebende Dinge von toten zu unterscheiden, oder natürliche Dinge (wie Bäume) von künstlichen (wie Autos). Sie konnten das auch auf neue Bilder anwenden, die sie noch nie gesehen hatten. Das ist, als würden Sie nach dem Lernen der Regel „Hunde" auch sofort erkennen, dass ein neuer Hundebild auch ein Hund ist, auch wenn er anders aussieht.
• Schwer: Bei sehr abstrakten Regeln scheiterten sie. Zum Beispiel: „Ist dieses Objekt mit Feuer oder mit Wasser verbunden?" (z. B. ein Feuerlöscher vs. eine Badewanne). Oder: „Ist das ein westliches oder ein östliches Objekt?" (z. B. ein Kronkorken vs. ein chinesischer Laternen).
  • Warum? Diese Konzepte erfordern kulturelles Wissen oder Sprache. Ein Affe sieht einen Feuerlöscher und denkt: „Roter Zylinder". Er weiß nicht, dass er mit Feuer zu tun hat, es sei denn, er hat es schon mal gesehen.

3. Der Vergleich: Affe vs. Mensch vs. KI

Hier wird es spannend. Die Forscher haben die Ergebnisse mit Computer-Modellen verglichen:

• Die „reine" Bild-KI: Diese Modelle wurden nur mit Bildern trainiert, ohne Text oder Sprache. Sie sehen ein Bild und analysieren Formen, Farben und Texturen.
  • Ergebnis: Die Affen verhielten sich fast genau wie diese KI! Wenn die KI Schwierigkeiten hatte, einen Gegenstand zu erkennen (weil er z. B. nur als Umriss gezeichnet war), hatten die Affen auch Probleme.
• Die „sprachbewusste" KI: Diese Modelle (wie CLIP) wurden mit Bildern und Texten trainiert. Sie wissen also, dass ein „Feuerlöscher" mit „Feuer" zu tun hat, weil sie das Wort gelesen haben.
  • Ergebnis: Die Menschen verhielten sich wie diese KI. Wir nutzen unser Sprachwissen, um auch abstrakte Kategorien zu verstehen.

Die Metapher:

• Der Affen ist wie ein sehr talentierter Maler, der nur mit den Augen lernt. Er sieht die Welt so, wie sie aussieht.
• Der Mensch ist wie ein Maler, der auch ein Wörterbuch liest. Er sieht nicht nur die Form, sondern weiß auch, was das Ding ist und wozu es dient.
• Die reine KI ist wie der Affe (nur digital).
• Die sprachbewusste KI ist wie der Mensch (digital).

4. Die große Erkenntnis

Die Studie zeigt uns etwas Wichtiges über unser Gehirn:
Viele Dinge, die wir für „intelligentes Denken" halten (wie zu erkennen, was lebendig ist), basieren eigentlich nur auf visuellen Mustern. Unsere Augen und unser Gehirn können diese Muster ohne Sprache erkennen.

Affen (und unsere KI-Modelle ohne Sprache) sind also in der Lage, die Welt visuell zu verstehen, fast so gut wie wir. Aber sobald es um Dinge geht, die wir wissen müssen (weil wir sie gelernt haben, z. B. kulturelle Symbole), brauchen wir die Sprache. Ohne Sprache bleiben wir bei den Bildern stehen.

Zusammenfassend:
Die Affen haben bewiesen, dass man keine Sprache braucht, um die Welt visuell zu kategorisieren. Sie sind Meister der visuellen Mustererkennung, genau wie moderne Bild-KIs. Wir Menschen hingegen nutzen unsere Sprache als „Super-Brille", um noch tiefer in die Bedeutung der Dinge einzudringen.

Technische Zusammenfassung

Titel:

Eine Batterie von Bildklassifizierungsaufgaben deckt gemeinsame und unterschiedliche Objektkategorisierungsverhalten bei Affen, Menschen und tiefen neuronalen Netzen auf.

1. Problemstellung und Hintergrund

Menschen sind in der Lage, Objekte auf verschiedenen Abstraktionsebenen zu kategorisieren (z. B. belebt vs. unbelebt, natürlich vs. künstlich, Säugetier vs. Nicht-Säugetier). Während tiefe neuronale Netze (DNNs) gezeigt haben, dass komplexe visuelle Verarbeitung allein ausreicht, um solche Klassifikationen ohne Sprache oder menschliches Vorwissen zu leisten, ist unklar, inwieweit nicht-menschliche Primaten (NHP) ohne Sprachfähigkeit ähnliche Fähigkeiten besitzen.
Bisherige Studien an Makaken konzentrierten sich meist auf grundlegende Objekterkennung (z. B. Ähnlichkeitsurteile) und nicht auf das systematische Lernen hochabstrakter Regeln. Es fehlte eine umfassende Charakterisierung, welche Klassifikationsregeln Affen lernen können und welche ihnen Schwierigkeiten bereiten, sowie ein direkter Vergleich ihres Verhaltens mit dem von DNNs.

2. Methodik

Experimentelles Paradigma:
Die Autoren entwickelten ein neuartiges "Object Drag"-Paradigma (Objekt-Zieh-Aufgabe), das auf Touchscreens in den Käfigen der Affen implementiert wurde.

• Aufgabe: Ein Affe muss ein Objektbild erfassen und zu einem von zwei grauen Zielkästen ziehen, die zwei Kategorien repräsentieren (z. B. "belebt" vs. "unbelebt").
• Lernprozess: Die Regel ist für die Affen nicht explizit vorgegeben; sie müssen sie durch Feedback (Saftbelohnung bei korrekter Wahl) inferieren.
• Skalierbarkeit: Das Paradigma ermöglichte ein schnelles Training, sodass Affen innerhalb weniger Tage neue Regeln lernen und auf neue Bilder generalisieren konnten.

Versuchsdesign:

• Probanden: Drei erwachsene Rhesusaffen (Makaken) und eine Gruppe menschlicher Teilnehmer.
• Aufgaben-Batterie: Es wurden über 10 verschiedene binäre Klassifikationsregeln getestet (insgesamt 26 Aufgaben inkl. Subaufgaben), darunter:
  • Visuell/Perzeptiv: Belebt vs. unbelebt, natürlich vs. künstlich, Säugetier vs. Nicht-Säugetier, groß vs. klein, Innen- vs. Außenräume.
  • Abstrakt/Konzeptuell: Feuer-bezogen vs. Wasser-bezogen, westliche vs. östliche Kultur.
• Stimuli: Verwendung von graustufigen, freigestellten Objektbildern sowie großen Datensätzen aus der THINGS-Datenbank (Tausende von Bildern). Kontrollbedingungen umfassten Cartoon-Bilder, Silhouetten, Umrisszeichnungen und texturierte Bilder ("Texforms").
• Modellvergleich: Das Verhalten der Affen wurde mit verschiedenen Modellen verglichen:
  • Niedrig- und mittlere visuelle Modelle (V1-Filter, Luminanz/Statistiken, Textur).
  • Deep Neural Networks (DNNs): AlexNet, VGG16, ResNet-50, Vision Transformer (ViT), DINO.
  • Sprachinformierte Modelle: CLIP und SigLIP2 (trainiert mit Bild-Text-Paaren).
  • Neurophysiologische Daten: Spiking-Daten aus dem ventralen Sehbahn (V1, V4, IT) von Makaken.

Datenanalyse:

• Anwendung des Drift-Diffusions-Modells (DDM), um aus Wahlentscheidungen und Reaktionszeiten (RT) eine Metrik für die "Kategorisierungs-Sensitivität" (Stimulus-Schwierigkeit) abzuleiten.
• Berechnung von Dissimilaritätsmatrizen und t-SNE-Visualisierungen, um die Ähnlichkeit zwischen menschlichem Verhalten, Affenverhalten und Modellvorhersagen zu quantifizieren.

3. Wichtige Beiträge

1. Systematische Charakterisierung: Erstmals wurde eine große Batterie von Klassifikationsaufgaben verwendet, um die Grenzen und Fähigkeiten der Objektkategorisierung bei Makaken quantitativ zu erfassen.
2. Schnelles Lernen und Generalisierung: Die Affen lernten komplexe abstrakte Regeln (z. B. "belebt vs. unbelebt") innerhalb weniger Tage und generalisierten diese erfolgreich auf völlig neue Bilder, ohne dass sie einzelne Exemplare auswendig lernten.
3. Ausschluss trivialer Strategien: Durch Kontrollaufgaben (z. B. zufällige Zuordnung von Bildern zu Zielen, Verwendung von Silhouetten oder verzerrten Texturen) wurde gezeigt, dass die Affen nicht auf einfache visuelle Merkmale (wie Gesichter oder Farben) oder reines Auswendiglernen von Stimulus-Antwort-Paaren angewiesen waren.
4. Vergleich mit KI-Architekturen: Die Studie etabliert einen Benchmark, der zeigt, dass das Verhalten von Affen besser durch rein visuelle DNNs (ohne Spracheingabe) erklärt wird als durch Sprachmodelle, während menschliches Verhalten stärker mit sprachinformierten Modellen korreliert.

4. Ergebnisse

• Lernfähigkeit: Affen erzielten in Aufgaben wie "belebt vs. unbelebt", "natürlich vs. künstlich" und "groß vs. klein" schnell hohe Genauigkeiten (>90 %) und generalisierten diese Regeln erfolgreich.
• Grenzen der Abstraktion: Affen scheiterten jedoch bei hochabstrakten Regeln, die stark auf menschlichem kulturellem Wissen oder semantischen Assoziationen basieren (z. B. "Feuer-bezogen vs. Wasser-bezogen" oder "Westliche vs. Östliche Kultur"). Ihre Leistung lag hier nahe dem Zufallsniveau.
• Korrelation mit Menschen: Obwohl Menschen in fast allen Aufgaben nahezu perfekt waren, zeigte sich eine moderate positive Korrelation zwischen der Schwierigkeit der Stimuli für Menschen und Affen (gemessen über die DDM-Driftrate). Beide Spezies hatten Schwierigkeiten mit denselben "mehrdeutigen" Bildern (z. B. Umrisszeichnungen).
• Modellvergleich:
  • Die Klassifikationsleistung und das Fehlverhalten der Affen korrelierten am stärksten mit visuellen DNNs ohne Spracheingabe (z. B. ResNet-50, AlexNet).
  • Das menschliche Verhalten korrelierte deutlich besser mit sprachinformierten Modellen (CLIP, SigLIP2).
  • Niedrigere visuelle Modelle (V1-ähnlich) konnten das Verhalten weder bei der Klassifikationsgenauigkeit noch bei der Vorhersage der Affenentscheidungen erklären.
• Neuronale Daten: Die Anpassung an neuronale Daten aus dem ventralen Sehbahn zeigte, dass die höheren Areale (IT-Kortex) das Verhalten der Affen besser vorhersagen als frühe Areale (V1), was die Ähnlichkeit zu tiefen DNN-Schichten unterstreicht.

5. Bedeutung und Fazit

Diese Studie liefert wichtige Erkenntnisse für die Neurowissenschaft und die Künstliche Intelligenz:

• Biologische neuronale Netze: Sie demonstriert, dass biologische neuronale Netze (Makakenhirne) in der Lage sind, hochabstrakte visuelle Konzepte zu lernen und zu generalisieren, ohne auf Sprache oder menschliches Vorwissen zurückzugreifen. Viele Konzepte sind bereits strukturell in den visuellen Eingaben enthalten und können rein visuell extrahiert werden.
• Rolle der Sprache: Der entscheidende Unterschied zwischen menschlicher und Affen-Kategorisierung liegt in der Fähigkeit, semantische und kulturelle Konzepte zu nutzen, die durch Sprache vermittelt werden. Menschen nutzen diese zusätzlichen Informationen, um auch bei visuell mehrdeutigen Aufgaben (wie kulturellen Zuordnungen) erfolgreich zu sein.
• Benchmark für KI: Die Ergebnisse bieten einen neuen Benchmark für die Entwicklung von DNNs. Sie zeigen, dass rein visuelle Modelle die Fähigkeiten von Primaten gut abbilden, während die Integration von Sprache notwendig ist, um menschliche Abstraktionsfähigkeiten vollständig zu replizieren.

Zusammenfassend belegt die Arbeit, dass die visuelle Verarbeitung bei Primaten und DNNs stark überlappt, aber die menschliche Objektkategorisierung durch sprachliche und konzeptuelle Wissensstrukturen erweitert wird, die über reine visuelle Merkmale hinausgehen.