
Technology, Computer, Computer Monitor, Cloud Computing, Human Brain
Künstliche Intelligenz versucht, das menschliche Gehirn mit seinen 86 Milliarden Nervenzellen zu kopieren. Und sie tut das erstaunlich gut, wie Gespräche mit ChatGPT und Co. zeigen. Nur: Sie tun es ebenso erstaunlich ineffizient. Während das menschliche Gehirn mit rund 20 Watt auskommt – etwa so viel wie eine Glühbirne - laufen die künstlichen Gehirne grosser Sprachmodelle in Rechenzentren, deren Stromverbrauch an den einer Kleinstadt heranreicht.
Wieso also macht man den Umweg über Siliziumchips – und nutzt nicht gleich ein Mini-Gehirn aus echten menschlichen Nervenzellen, das Rechenaufgaben um Grössenordnungen effizienter erledigen könnte? Tatsächlich wird das inzwischen in einzelnen Forschungslabors erprobt. «Ein natürliches Neuron ist für die Informationsverarbeitung über Hunderte Millionen Jahre von der Natur optimiert worden. Es wäre absurd, diesen Effizienzvorteil nicht zu nutzen», sagt Fred Jordan, Co-CEO von FinalSpark, einem Start-up am Genfersee. Es ist eines von weltweit nur wenigen Unternehmen, die an dieser Technologie mit den rund ein Millimeter kleinen Mini-Gehirnen arbeiten.

Ein kleines Hirnorganoid aus dem Labor von FinalSpark.
Inhaltsverzeichnis
Zellhaufen lernen zu schiessen
Erst vor Kurzem hat ein mit Jordan und seinem Team konkurrierendes Forschungsteam aus Australien Schlagzeilen gemacht. Die Firma Cortical Labs veröffentlichte auf ihrer Webseite einen Videoclip, der Spielszenen aus dem Ego-Shooter «Doom» zeigt. Gespielt wurde das Spiel nicht von einem Menschen aus Fleisch und Blut, sondern von einem lebenden Nervennetz auf einem Chip. Doch wie soll das funktionieren?
Tatsächlich «sah» das Mini-Gehirn das Spiel nie. Stattdessen wurde der Zustand der Spielwelt – etwa die Position von Gegnern – zunächst von einem künstlichen neuronalen Netz in einfache elektrische Signale übersetzt. Diese Signale wurden an die Nervenzellen weitergegeben.
Anfangs konnte der Zellhaufen damit nichts anfangen. Doch nach einigen Tagen Training lernte das System laut Cortical Labs immer besser, auf die Eingangssignale zu reagieren. Diese Reaktion wurde wiederum von der KI in konkrete Spielaktionen übersetzt: vorwärtsgehen, abbiegen, schiessen oder nicht schiessen.
Fred Jordan kennt das Video seiner Konkurrenz. «Das ist eine sehr interessante Demonstration», sagt er. «Aber ich kann das Ergebnis derzeit nicht wirklich einordnen, da noch keine wissenschaftliche Studie dazu publiziert wurde.» Aus der Demo gehe etwa nicht hervor, wie gut das System tatsächlich gespielt habe – also ob es wirklich besser sei als ein Spieler, der blind und zufällig feuern würde.
Auch wie das Training der Neuronen im Detail funktionierte, bleibt unklar. «Das Training dieser Mini-Gehirne ist derzeit denn auch die grösste Herausforderung in unserem Feld», sagt Jordan. Zwar ist das Prinzip im Grunde einfach: Lernen funktioniert über Belohnung und Bestrafung. Wer etwas richtig macht, wird belohnt, etwa mit einem Schöggeli. Wer etwas falsch macht, wird bestraft, etwa durch ein strenges Wort.
«Wir wissen also sehr genau, wie Belohnung und Bestrafung bei Menschen, Tieren und auch bei künstlichen neuronalen Netzen funktionieren», sagt Jordan. «Aber was ist eine Belohnung und was eine Bestrafung für eine Ansammlung von Hunderttausenden Neuronen in einer Zellkultur in der Petrischale?» Darüber wisse man erstaunlich wenig.
Die australischen Forschenden scheinen das Problem so gelöst zu haben: Sie setzten zufälliges, unvorhersagbares Rauschen als eine Art Bestrafung ein – etwas, das Nervenzellen offenbar vermeiden. Umgekehrt wurden gleichmässige, vorhersehbare Signale als eine Form von Belohnung verwendet.

Die dunklen Flecken sind Neuronen, die sich auf einem Chip befinden.
Dopamin als Belohnung
Jordan und sein Team verfolgen einen anderen Ansatz. «Wir arbeiten mit Neuromodulatoren wie Dopamin, Serotonin oder Glutamat», sagt er. Wenn ein Experiment erfolgreich sei, also die Neuronen das gewünschte Verhalten zeigen, versuche man, sie etwa mit Dopamin zu belohnen.
Ob das funktioniert? «Manchmal ja, manchmal nein», sagt Jordan und lacht. Genau darin liege das Problem: Biologische Systeme sind schwer zu kontrollieren und noch schwerer zu reproduzieren. Während sich ein Computerprogramm einfach kopieren lasse – Code verschicken, installieren, und das Ergebnis ist auf allen Computern identisch –, verhält sich jede Zellkultur unterschiedlich, selbst unter scheinbar gleichen Bedingungen wie demselben Nährmedium, dem man sie schwimmen lässt. «Die biologischen Systeme sind unberechenbar. Wir arbeiten daran, sie kontrollierbarer zu machen», so Jordan.
Helfen könnte dabei ausgerechnet jene Technologie, die man zumindest teilweise ersetzen will: künstliche Intelligenz. Anstatt den Nervenzellen direkt zu «sagen», was richtig oder falsch ist, setzen Forschende zunehmend auf KI-Systeme, die das Training übernehmen. Die Idee: Ein Algorithmus bekommt Zugriff darauf, welche Signale an die Zellen gesendet und welche wieder ausgelesen werden, und versucht selbst herauszufinden, welche Reize zu welchem Verhalten führen.
Ein Weg zur allgemeinen künstlichen Intelligenz?
Wie weit also ist der Weg zum alltagstauglichen Bio-Computer? Noch vor wenigen Jahren hätte Fred Jordan vorsichtig von einem Zeithorizont von etwa einem Jahrzehnt gesprochen. Dank der Integration von KI in die Trainingsprozesse habe die Forschung jedoch einen enormen Schub erhalten. «Einen so bedeutenden, dass ich inzwischen wirklich keine Prognose mehr wage – es könnte schnell gehen», sagt er.
Im Alltag von Nutzerinnen und Nutzern würde sich zunächst wenig ändern. Ein Chatbot würde, wie bei den heutigen Sprachmodellen, weiterhin Antworten geben, Texte formulieren oder Bilder erzeugen. «Der Unterschied läge vor allem im Energieverbrauch», sagt Jordan. «Ich schätze, die Modelle wären um einen Faktor hundert – möglicherweise deutlich mehr – effizienter.»
Doch für Jordan liegt die eigentliche Bedeutung von Biocomputing noch tiefer. In der KI-Forschung richtet sich der Blick zunehmend auf ein ambitioniertes Ziel: die sogenannte allgemeine künstliche Intelligenz, kurz AGI – ein System, das die kognitiven Fähigkeiten des Menschen in jeder Aufgabe erreicht oder sogar übertrifft. Bislang setzen viele darauf, dass sich dieses Ziel mit immer grösseren Sprachmodellen erreichen lässt.
Jordan ist skeptisch. «Meine – zugegebenermassen spekulative – Hypothese, die ich mit vielen teile, ist: Erst eine hybride Version, also die Verbindung von KI und Biocomputing, könnte zu echter allgemeiner Intelligenz führen.» Die digitale Welt, die heute versucht, das Gehirn zu simulieren, könnte also bald beginnen, wieder stärker auf das Original zurückzugreifen.


