Harvard-Workshop fragt, was die Evolution KI-Forscher über das Lernen lehren kann

Warum die Biologie weiterhin die Nase vorn hat

Laut dem Kempner Institute können moderne KI-Systeme in riesigen Datenmengen Zusammenhänge erkennen und werden immer besser darin, komplexe Probleme zu lösen. Die biologische Intelligenz behält jedoch einige Vorteile. Biologische Systeme, von der Evolution geformt, können aus begrenzter Erfahrung lernen, sich leicht an neue Situationen anpassen und kommen mit sehr wenig Energie aus. Das Institut beschreibt diese Fähigkeiten als solche, die für moderne KI-Systeme "weiterhin schwer zu erreichen" sind.

Diese Lücke wirft für Biologen, Neurowissenschaftlerinnen und KI-Forschende eine Reihe von Fragen auf. Was treibt Lernen und Anpassung in biologischen und künstlichen Systemen an? Wie hat die Evolution Intelligenz geformt? Wie können Erkenntnisse aus der KI helfen, das Lernen in der Biologie zu erklären? Und wie lassen sich die Vorteile des biologischen Lernens nutzen, um die nächste Generation von KI zu bauen?

Was der Workshop behandelte

Der Workshop wurde vom Kempner Institute for the Study of Natural and Artificial Intelligence in Harvard ausgerichtet und zog Teilnehmende aus Wissenschaft und Industrie an. Er umfasste Vorträge, Kurzvorträge (Lightning Talks) und eine Postersession und konzentrierte sich auf die Mechanismen hinter flexiblem, effizientem Lernen in natürlichen wie künstlichen Systemen.

Die Themen waren breit gefächert. Forschende stellten Arbeiten dazu vor, wie Menschen beim Laufenlernen neue motorische Fähigkeiten erwerben, und zu den evolutionären Prozessen, die Hunden die Fähigkeit gaben, neue, an ihre Umgebung angepasste Verhaltensweisen wie Hüten oder Jagen zu lernen. Weitere Beiträge untersuchten, wie KI-Systeme ähnlich wie biologische Systeme durch Interaktion mit der Welt lernen könnten, und welche Rolle das Auswendiglernen beim Verallgemeinern von Wissen spielt.

Zu den Hauptrednern zählte Venkatesh Murthy, Associate Faculty Member am Kempner Institute, der über "An Inductive Bias for Generalization in Mouse Olfactory Learning" sprach. Karolina Dziugaite, Senior Research Scientist bei Google DeepMind, hielt einen Vortrag mit dem Titel "The Dynamics of Memorization in Deep Learning".

Das Programm war um die Schnittstelle von Evolution, biologischer Intelligenz und KI aufgebaut. Es beleuchtete, wie biologische und künstliche Systeme jeweils Effizienz, Flexibilität, Robustheit und Generalisierung erreichen oder verfehlen. Die Vortragenden diskutierten außerdem Sprache, Gedächtnis und Entscheidungsfindung in unterschiedlichen biologischen Systemen und wie Rechenmodelle helfen können, diese zu erklären.

Von der Evolution inspiertes Lernen für neuronale Netze

Die Organisatoren knüpften die Diskussion direkt daran an, wie künstliche neuronale Netze aufgebaut und trainiert werden. Dabei handelt es sich um KI-Modelle, die von Struktur und Funktion des menschlichen Gehirns inspiriert sind.

"Die biologische Evolution ist hier eine wichtige Perspektive, weil sie eine interessante Grundlage für das Lernen in KI-Modellen bietet", sagte Janet Wallace, Research Projects Manager am Kempner Institute, die den Workshop mitorganisierte. Sie fügte hinzu, biologische Systeme passten sich mit begrenzter Erfahrung rasch an neue Situationen an, und "wir sehen diese Fähigkeit zunehmend auch in künstlichen Systemen".

Bingbin Liu, Research Fellow am Kempner Institute und Mitorganisatorin, wies auf einen praktischen Aspekt hin. "Für künstliche Netze gibt es Lernalgorithmen, die wir nutzen könnten und die von der Evolution inspiriert sind", sagte Liu. "Das kann uns helfen, bessere neuronale Netze zu entwickeln und sie im Verlauf des Trainings effizienter zu verbessern."

Was das für die KI-Forschung bedeutet

Das Institut sieht den Workshop als Beleg dafür, dass Erkenntnisse aus Evolution und Anpassung das Verständnis des Lernens prägen und KI-Forschenden neue Strategien eröffnen können. Das erklärte Ziel ist es, robustere Rechenmodelle zu entwickeln, die sich an neue Herausforderungen anpassen und darauf verallgemeinern können.

Liu fasste eine Erkenntnis so zusammen: "Wir sollten für interdisziplinäre Diskussionen und Ideen offen sein, etwa dafür, wie Biologie und Evolution uns helfen können, neuronale Netze zu optimieren." Konkrete neue Methoden oder Ergebnisse der Veranstaltung nennt die Quelle nicht. Sie beschreibt den Workshop als Austausch zwischen Fachgebieten.

Videoaufzeichnungen der Vorträge sind über eine vom Kempner Institute verlinkte Playlist verfügbar, für alle, die die Beiträge aus Wissenschaft und Industrie nachverfolgen möchten.