Curiosity shapes brain-like architectures and functions
Diese Arbeit zeigt auf, dass die Kombination von kindlichem Entdeckergeist mit hirngleichen biophysikalischen Beschränkungen ausreicht, um das Entstehen komplexer neuronaler Architekturen und kognitiver Fähigkeiten, wie etwa der kompositionellen Generalisierung, in künstlichen neuronalen Netzen voranzutreiben.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Der menschliche Geist ist ein Ort unendlicher Möglichkeiten. Aus einer Handvoll einfacher Bausteine können wir unendliche Gedanken konstruieren, ferne Zukünfte planen und eine Welt begreifbar machen, die niemals stillsteht. Seit über einem Jahrhundert haben Wissenschaftler die Verhaltensweisen und Gehirnschaltkreise kartiert, die dies ermöglichen, doch ein grundlegendes Rätsel bleibt bestehen: Wie wird aus einem System aus einfachen Teilen ein Geist, der zu solch tiefgreifender Komplexität fähig ist? Eine langjährige Idee legt nahe, dass das Gehirn nicht mit jeder Antwort vorverdrahtet ist. Stattdessen könnte es sich selbst organisieren und sich durch das Zusammenspiel biologischer Grenzen und der Erfahrungen, die es im Laufe der Zeit sammelt, selbst formen. Das Testen dieser Theorie in einem lebenden menschlichen Gehirn ist jedoch unmöglich; wir können die Neugier eines Kindes nicht entfernen oder die Verdrahtung seines Gehirns umgestalten, um zu sehen, was passiert. Um dieses Rätsel zu lösen, haben sich Forscher einer anderen Art von Labor zugewandt: der Computersimulation. Durch den Bau künstlicher Gehirne, die spezifischen Regeln folgen, können Wissenschaftler beobachten, wie Komplexität aus Einfachheit entsteht, was ein Fenster dazu öffnet, wie unsere eigenen Geister Gestalt angenommen haben könnten.
In einer neuen Studie setzten sich Forscher zum Ziel zu prüfen, ob zwei spezifische Zutaten ausreichten, um eine geistähnliche Maschine zu bauen. Sie nahmen eine Population künstlicher neuronaler Netze – Computerprogramme, die darauf ausgelegt sind, die Art und Weise nachzuahmen, wie Neuronen sich verbinden – und verliehen ihnen zwei menschenähnliche Eigenschaften. Die erste war eine Form von Neugier, modelliert nach der Art und Weise, wie Säuglinge die Welt erkunden. Die zweite war ein Satz physischer Beschränkungen, die die biologischen Kosten nachahmten, denen reale Gehirne gegenüberstehen, wie etwa die Energie, die erforderlich ist, um lange Verbindungen zwischen entfernten Teilen des Gehirns aufzubauen. Die Forscher wollten wissen, ob diese beiden Faktoren, die zusammenwirkten, dazu führen konnten, dass die künstlichen Netzwerke dieselben komplexen Strukturen und Fähigkeiten entwickelten, die in menschlichen Gehirnen zu finden sind.
Um das Wesen der Neugier zu erfassen, untersuchte das Team zunächst 275 Säuglinge im Alter von acht bis fünfzehn Monaten. Sie beobachteten, wie die Babys visuelle Muster auf einem Bildschirm betrachteten, und notierten genau, wann sie entschieden, den Blick abzuwenden. Die Forscher fanden heraus, dass die Säuglinge nicht zufällig schauten. Stattdessen verhielten sie sich wie Sammler, die auf der Suche nach Nahrung sind, aber ihre „Nahrung“ war neue Information. Die Babys blieben so lange mit einem Muster beschäftigt, wie es ihnen etwas Neues lehrte. In dem Moment, in dem das Muster keine frischen Erkenntnisse mehr bot und ihr Lernen nachließ, wandten sie sich ab und gingen weiter. Dieses Verhalten entspricht einem Prinzip aus der Ökologie, bekannt als das Marginal Value Theorem (Grenzwert-Theorem), das vorhersagt, dass ein Akteur eine Ressource verlassen sollte, wenn ihr lokaler Ertrag unter den durchschnittlichen Ertrag in der Umgebung fällt. Die Forscher übersetzten diese Regel in einen Computeralgorithmus, der es ihren künstlichen Netzwerken ermöglichte, entscheiden, wann sie die Aufgabe zu wechseln, basierend darauf, wie viel sie in diesem Moment lernten.
Die zweite Zutat betraf das physische Layout der Netzwerke. Reale Gehirne sind nicht einfach nur ein Beutel voller Neuronen; sie sind in einen Schädel gepackt, in dem lange Verbindungen teuer zu bauen und zu unterhalten sind. Um dies nachzuahmen, platzierten die Forscher ihre künstlichen Netzwerke in einen virtuellen Raum, der der tatsächlichen Geometrie des menschlichen Gehirns entsprach. Sie belegten die Netzwerke mit Strafen für das Erstellen von Fernverbindungen, um sie dazu zu zwingen, effizient zu sein, genau wie die Evolution das menschliche Gehirn dazu gezwungen hat. Sie trainierten diese Netzwerke dann mit einer Batterie von zwanzig verschiedenen kognitiven Aufgaben, die von einfachen Zuordnungsspielen bis hin zu komplexen Entscheidungsprozessen reichten. Die Netzwerke waren frei darin, zu wählen, welche Aufgabe sie als Nächstes üben würden, geleitet durch ihren Neugier-Algorithmus, während sie durch ihre physischen Verdrahtungskosten beschränkt wurden.
Die Ergebnisse waren beeindruckend. Die Netzwerke, die Neugier mit physischen Beschränkungen kombinierten, lernten nicht nur die Aufgaben; sie entwickelten interne Strukturen, die dem menschlichen Gehirn verblüffend ähnlich sahen. Ihre Verbindungen organisierten sich in distinkte Module, ähnlich den spezialisierten Regionen des menschlichen Gehirns, und sie bildeten einen „Rich Club“ aus hoch vernetzten Hubs, ein Merkmal, das entscheidend für die effiziente Kommunikation im menschlichen Geist ist. Diese Netzwerke folgten auch einem Entwicklungspfad, der dem menschlichen Wachstum entsprach. Genau wie das menschliche Gehirn in der frühen Kindheit eine rasante Explosion von Verbindungen erlebt, gefolgt von einer langsamen, sorgfältigen Pruning-Phase (Beschneidungsphase), die bis ins Erwachsenenalter anhält, zeigten diese künstlichen Netzwerke einen ähnlichen Anstieg und Abfall ihrer Verbindungsdichte. Die Netzwerke, die der menschlichen Gehirnstruktur am besten entsprachen, zeigten auch das menschenähnlichste Muster der kognitiven Leistung, indem sie sich während ihres „Alterns“ verbesserten und dann allmählich zurückgingen, genau wie es die menschlichen Fähigkeiten über ein Leben lang tun.
Vielleicht am wichtigsten ist, dass diese menschenähnlichen Netzwerke ein Kennzeichen komplexen menschlichen Denkens zeigten: die Fähigkeit, das Gelernte zu rekombinieren. Die Forscher testeten dies, indem sie die internen Verbindungen der Netzwerke einfroren und sie baten, neue Probleme zu lösen, die Mischungen der alten Aufgaben waren. Wenn beispielsweise ein Netzwerk gelernt hatte, eine Ablenkung zu vermeiden, und gelernt hatte, eine Entscheidung zu treffen, konnte es dann sofort eine neue Aufgabe lösen, die beides erforderte? Die durch Neugier und physische Beschränkungen gesteuerten Netzwerke lösten diese neuartigen Kombinationen schnell. Sie mussten die Grundlagen nicht neu lernen; sie kombinierten einfach die internen Werkzeuge, die sie bereits aufgebaut hatten. Im Gegensatz dazu hatten Netzwerke, die ohne Neugier oder ohne die physischen Beschränkungen lernten, Schwierigkeiten, diese Verbindungen herzustellen.
Die Studie legt nahe, dass Neugier nicht bloß ein Nebenprodukt eines komplexen Gehirns ist, sondern ein Treiber, der hilft, diese Komplexität aufzubauen. Indem ein Akteur aktiv nach neuen Informationen sucht und aufhört, wenn diese nicht mehr nützlich sind, formt er seine eigene interne Architektur. Wenn diese Neugier mit den physischen Grenzen eines biologischen Systems gepaart wird, entsteht eine Struktur, die zu flexiblem, menschenähnlichem Denken fähig ist. Die Ergebnisse bieten eine neue Perspektive darauf, wie der Geist entsteht, und legen nahe, dass der Weg zu komplexer Kognition nicht darin besteht, größere oder leistungsfähigere Systeme zu bauen, sondern darin, einfachen Beschränkungen und aktiver Exploration Zeit zur Entfaltung zu geben. Dieser Ansatz bietet einen testbaren Rahmen für das Verständnis, wie das Zusammenspiel von Biologie und Erfahrung die unbegrenzte Bandbreite der Gedanken erschafft, die die menschliche Erfahrung definieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.