Neue KI sieht wie der Mensch – mit 10x weniger Energie All-Topographic Neural Networks ahmen menschliche Wahrnehmung nach. Wird das das Ende energiehungriger Bild-KIs? Kurzfassung | Andreas Becker, 12.07.25
gpt-image-1 | All-AI.de EINLEITUNG Forscher aus Osnabrück stellen eine neue KI vor, die menschliches Sehen überraschend gut nachahmt. Ihre sogenannten „All-Topographic Neural Networks“ (All-TNNs) zeigen nicht nur menschliche Sehgewohnheiten, sondern verbrauchen auch deutlich weniger Energie als herkömmliche Modelle. Ist das der Weg zu KI, die tatsächlich biologischer denkt? NEWS Topografie statt Kopie: Menschliches Sehen als Vorbild Die von Tim Kietzmann entwickelte All-TNN-Architektur unter*******t sich wesentlich von klassischen „Convolutional Neural Networks“ (CNNs). Statt ihre Filter gleichmäßig über das Bild zu verteilen, setzt sie für jeden Bildbereich eigene Parameter ein. Das Ergebnis sind organisch wirkende, glatte Muster, vergleichbar mit topografischen Landkarten. Dieser Ansatz orientiert sich direkt am Gehirn: Anders als in technischen Systemen kann das menschliche Gehirn Wissen nicht beliebig kopieren, sondern nutzt lokal begrenzte Lernprozesse. Genau dies imitiert das All-TNN – eine Abkehr vom üblichen Engineering-Prinzip, bei dem möglichst identische Filter mehrfach eingesetzt werden, um schneller zu lernen. Natürliche Sehgewohnheiten im Netzwerk Spannend ist, wie die All-TNNs typische Wahrnehmungsmuster nachbilden. Wie der Mensch lernt das Netzwerk, Flugzeuge eher oben und Schuhe eher unten im Bild zu erwarten. In Experimenten zeigte sich, dass die Ergebnisse des All-TNNs deutlich enger mit menschlichem Sehverhalten übereinstimmen als bei klassischen CNNs – in Zahlen: dreimal stärker. Die Kehrseite dieser menschlichen Nähe ist eine geringere Genauigkeit bei der reinen Bildklassifikation. Während CNNs weiterhin die besten Werte liefern, liegt die Stärke der All-TNNs in ihrer Interpretierbarkeit: Sie liefern nachvollziehbare Antworten, keine undurchsichtigen Entscheidungen aus einer Blackbox. Effizienz trotz großer Parameterzahl Eine überraschende Stärke der neuen Architektur ist ihre Energieeffizienz. Obwohl das Netzwerk mit rund 107 Millionen Parametern deutlich größer ausfällt als CNNs mit etwa 8 Millionen Parametern, verbraucht es zehnmal weniger Energie. Möglich wird das, weil nur jene Neuronen aktiviert werden, die in bestimmten Bildregionen wichtig sind – ganz ähnlich, wie wir Menschen unsere Aufmerksamkeit lenken. Damit könnte das All-TNN auch für mobile Anwendungen interessant werden, wo wenig Energieverbrauch ent*******nd ist. Doch wichtiger ist den Forschern ein anderer Punkt: Sie sehen die Architektur als ersten Schritt hin zu einer KI, die tatsächlich wie ein Gehirn funktioniert – und nicht einfach nur Datenberge auswertet. AUSBLICK Das menschliche Gehirn als Vorbild Das Spannendste an den neuen All-TNNs ist vielleicht ihre Nähe zum Menschen. Statt nur auf Größe zu setzen, könnte die KI-Welt lernen, smarter zu arbeiten – ähnlich wie unser Gehirn es tut. Eine charmante Vorstellung: Technik, die nicht nur intelligenter wirkt, sondern tatsächlich mehr wie wir denkt. DEIN VORTEIL - DEINE HILFE Kostenlose News und Tutorials – mit minimaler Werbung und maximalem Mehrwert. Damit das so bleibt und wir uns stetig verbessern können, freuen wir uns über deine Unterstützung. Teile diesen Beitrag Folge uns auf Social Media Keine KI-News mehr verpassen und direkt kommentieren! Mastodon X Bluesky Facebook LinkedIn Youtube Unterstütze uns direkt Mit einer YouTube-Mitgliedschaft (ab 0,99 €) oder einmalig über PayPal. So helft ihr uns, unabhängig neue Tools zu testen und noch mehr Tutorials für euch zu erstellen. Vielen Dank für euren Support! Youtube - Kanal PayPal - Kaffee KURZFASSUNG
Ein Forscherteam aus Osnabrück hat mit All-TNNs eine neue Netzwerkarchitektur entwickelt, die menschliches Sehen besser nachahmt als klassische CNNs.
Statt identischer Merkmale an jedem Ort zu lernen, nutzen All-TNNs ortsspezifische Parameter mit „glatter“ Abstimmung zwischen benachbarten Neuronen.
Die Modelle zeigen stärkere Ähnlichkeit zum menschlichen Wahrnehmungsverhalten und sind dabei deutlich energieeffizienter – trotz größerer Modellgröße.
Das Konzept könnte neue Wege in der KI-Forschung eröffnen – weg vom reinen „Scale“-Denken, hin zu biologisch inspirierten Architekturen.
QUELLEN
Nature Human Behaviour
Futurity.org
IEEE Spectrum

Weiterlesen...